Giải thuật tối thiểu hóa chi phí thực thi luồng công việc trong môi trường điện toán đám mây

JOURNAL OF SCIENCE OF HNUE
Natural Sci. 2015, Vol. 60, No. 4, pp. 47-55
This paper is available online at

DOI: 10.18173/2354-1059.2015-0007

GIẢI THUẬT TỐI THIỂU HÓA CHI PHÍ THỰC THI LUỒNG CÔNG VIỆC TRONG
MÔI TRƯỜNG ĐIỆN TOÁN ĐÁM MÂY

Phan Thanh Toàn 1, Nguyễn Thế Lộc2, Nguyễn Doãn Cường1 và Đỗ Như Long1
1

2

Khoa Sư phạm Kĩ thuật, Trường Đại học Sư phạm Hà Nội
Khoa Công nghệ thông tin, Trường Đại học Sư phạm Hà Nội

Tóm tắt. Luồng công việc là một dãy có thứ tự các tác vụ cần thực thi để đạt được một mục đích,
bài toán lập lịch luồng công việc là bài toán sắp xếp các tác vụ cho thực thi trên một số máy xác
định sao cho hiệu quả là tốt nhất, đây chính là bài toán thường gặp và có tính quan trọng nhất
trong môi trường điện toán đám mây. Bài toán lập lịch thực thi luồng công việc là bài toán NPComplete và thực nghiệm đã chỉ ra là không có lời giải tối ưu tuyệt đối. Bài báo này đề xuất một
mô hình bài toán luồng công việc và một giải thuật heuristic cải tiến dựa trên thuật toán PSO để
lập lịch thực thi luồng công việc trên môi trường điện toán đám mây đảm bảo chi phí nhỏ nhất.
Từ khóa: Lập lịch luồng công việc, ứng dụng luồng công việc, điện toán đám mây.

1. Mở đầu
Điện toán đám mây là một công nghệ được phát triển dựa trên nền tảng của các công nghệ trước
đây như điện toán lưới (grid computing), tính toán phân tán và song song. Trong mô hình điện toán
đám mây các tác vụ (task) sẽ được phân phối và thực hiện tại các trung tâm điện toán đám mây. Lập
lịch thực thi luồng công việc là một vấn đề quan trọng nhất trong môi trường điện toán đám mây và đã
có nhiều công trình nghiên cứu nhằm tìm ra các giải pháp lập lịch tối ưu. Tuy nhiên thực nghiệm đã

chỉ ra bài toán lập lịch thực thi luồng công việc là bài toán thuộc lớp NP-Complete [1] do vậy bài toán
lập lịch luồng công việc thường được thực hiện bằng các giải thuật heuristic trong đó lớp các giải thuật
tiến hóa là một hướng tiếp cận được sử dụng khá rộng rãi trong thời gian gần đây.

2. Nội dung nghiên cứu
2.1. Bài toán tối thiểu hóa chi phí
* Phát biểu bài toán
Xét bài toán cần sắp xếp lịch biểu cho một luồng công việc gồm M tác vụ (task - từ đây viết tắt là
task), trong một môi trường điện toán đám mây với các yêu cầu như sau:
+ Luồng công việc gồm có M tác vụ;
+ Các tác vụ có quan hệ thứ tự trước - sau;
+ Mỗi tác vụ cần một khối lượng dữ liệu vào và sẽ xuất ra một lượng dữ liệu xác định;
+ Luồng công việc chỉ có duy nhất một Task gốc (task vào) và một task ra (output);
+ Môi trường thực thi luồng công việc là môi trường điện toán đám mây với N máy chủ tính toán
và K máy chủ lưu trữ;
+ Mỗi tác vụ (task) có thể được thực thi trên một máy chủ bất kì và chỉ được thực thi trên một
máy chủ duy nhất;
Ngày nhận bài: 23/1/2015. Ngày nhận đăng: 22/4/2015.
Tác giả liên lạc: Phan Thanh Toàn, địa chỉ e-mail:

47


Phan Thanh Toàn, Nguyễn Thế Lộc, Nguyễn Doãn Cường và Đỗ Như Long

+ Mỗi máy chủ thực thi và máy chủ lưu trữ dữ liệu đều có một đơn giá xác định do nhà cung cấp
dịch vụ cung cấp;
Mô hình toán học bài toán tối thiểu chi phí thực thi luồng công việc trong môi trường điện
toán đám mây
1-Tập các máy chủ S = {S1, S2,….,SN}.

2-Luồng công việc được biểu diễn bởi một đồ thị G = (V, E), với V là tập các đỉnh của đồ thị và
là tập các task, E là tập cạnh của đồ thị thể hiện mối quan hệ giữa các task.
3-Tập các task : V = {T1, T2,…,TM}.
4-Nếu e = (Ti, Tj)  E, có nghĩa là Task Ti thực hiện trước và sẽ chuyển cho Task Tj một khối
lượng dữ liệu xác định.
5-Khối lượng tính toán của một Task Ti kí hiệu là Wi (Workload) đo bằng flop (floating point
operations).
6-Năng lực xử lí của một máy chủ được (Processing capacity) được biểu diễn bởi một hàm số:
P: S  R+
Si  P(Si)
7-Đơn giá cước tính toán, nghĩa là chi phí thực thi một đơn vị flop trên máy chủ (Excution cost)
được tính bằng dolar/flop và là một hàm số:
E: S  R+
Si  E(Si)
8-Mỗi cặp máy chủ S i, Sj ( 1  i, j  N ) đều có một kênh truyền kết nối chúng, băng thông của
kênh truyền kí hiệu là B (Bandwidth), và là một hàm số:
B: SxS  R+
(Si, Sj)  B(Si, Sj)
Giả sử hàm B thỏa mãn điều kiện:
+ B(Si, Si) =  (băng thông tại chỗ bằng vô cùng, tức là chi phí truyền bằng 0)
+ B(Si, Sk) + B(Sk, Sj) ≤ B(Si, Sj) (bất đẳng thức tam giác)
+ B(Si, Sj ) = B(Sj, Si) (tính chất đối xứng).
Tập giá trị của hàm băng thông B( ) giữa các máy chủ được cung cấp bởi nhà cung cấp dịch vụ và
được biểu diễn ở Bảng 1.
Bảng 1. Bảng biểu diễn băng thông giữa các server
1
2
...
N
B(1, 2)

B(1, N)
B(1, 1) = 
...
B(2, 1)
...
...
B(2, 2) = 
...
...
...
...
B(N, 1)
B(N, 2)
...
B(N, N) = 
9-Khối lượng dữ liệu giữa Task T i và Task Tk được kí hiệu là Dik là một hằng số cho trước và
được biểu diễn ở Bảng 2.
Bảng 2. Bảng biểu diễn lượng dữ liệu giữa các tác vụ
1
2
...
D11
D12
...
D21
...
D22= 
...
...
...

DN1
DN2
...

M
D1N
...
...
DNN = 

10-Đơn giá cước truyền thông giữa 2 máy chủ (Communication Cost), đơn vị là dolar/bit được kí
hiệu là C và là một hàm số:

48


Giải thuật tối thiểu hóa chi phí thực thi luồng công việc trong môi trường điện toán đám mây

C: SxS  R+
(Si, Sk)  C(Si, Sk)
Giả sử chi phí truyền thỏa mãn các điều kiện :
C(Si, Sk) = C(Sk, Si)
11- Mỗi phương án xếp lịch thực thi luồng công việc là một ánh xạ f
f: T  S
Ti  f(Ti)
Với f(Ti) là máy chủ chịu trách nhiệm thực thi tác vụ (Task) Ti, hay nói cách khác Task Ti được
đặt thực thi trên máy chủ f(Ti)
Từ đó suy ra:
- Thời gian tính toán của task T i là:

Wi
(I = 1,2, ... M)
P f Ti 

- Chi phí tính toán của task Ti là: Wi E(f(Ti))
Dik
B  f Ti , f Tk 
- Chi phí truyền thông giữa task Ti và task con Tk là: DikC(f(Ti),f(Tk))
12- Chi phí thực thi một Task Ti trên một máy chủ f(Ti) là chi phí tính toán của Task Ti và tổng
chi phí truyền thông giữa các Task T j với Ti trong đó các Task Tj là các Task cha của Task T i. Và chi
phí thực thi luồng công việc là tổng chi phí để thực hiện tất cả các Task trong luồng.
Hàm mục tiêu là:

- Thời gian truyền dữ liệu giữa task Ti và task con Tk là:

M

M

M

i 1

i 1 k 1

 Wi  E  f Ti     Dik  C  f Ti , f Tk   Min

(1)

2.2. Lập lịch thực thi luồng công việc dựa trên chiến lược tối ưu bày đàn

2.2.1. Chiến lược tối ưu bày đàn PSO (Particle Swarm Optimization)
PSO là thuật toán tiến hóa thông minh được đề xuất bởi Russell C. Eberhart [2] and James
Kennedy [3] in 1995, PSO là thuật toán tiến hóa quần thể dựa theo hoạt động tìm kiếm thức ăn của các
loài động vật như đàn kiến, đàn chim. Khởi đầu thuật toán PSO sẽ tạo ra một quần thể các cá thể, mỗi
cá thể thực chất là một phương án của bài toán, sau đó các cá thể sẽ di chuyển trong không gian lời
giải để tìm kiếm lời giải tối ưu. Mỗi cá thể được biểu diễn bởi một vector n - chiều (n là số chiều của
không gian tìm kiếm) tương ứng với một điểm trong không gian n - chiều, mỗi cá thể có một vector
chuyển động được sử dụng để xác định hướng dịch chuyển của cá thể trong không gian tìm kiếm,
trong quá trình tìm kiếm mỗi các thể sẽ lưu lại các vị trí tốt nhất của cá thể (được đánh giá theo hàm
mục tiêu đặt ra), đồng thời các cá thể sẽ sử dụng một giá trị gbest là giá trị tốt nhất (xác định dựa vào
hàm mục tiêu đặt ra) của các cá thể lân cận trong quá trình tìm kiếm để xác định hướng chuyển động
của mình.


xi : Vị trí hiện tại của cá thể thứ pi


vi : Vector chuyển động của cá thể pi


pbesti  pi : Vector lưu trữ vị trí tốt nhất của cá thể pi


gbest  p g : Vector lưu vị trí tốt nhất của quần thể
Sau mỗi bước lặp các cá thể sẽ cập nhật lại vector dịch chuyển và vị trí của cá thể theo công
thức sau:












vi  wv i  1  rand1  ( pi  xi )   2  rand 2  ( p g  xi )

(2)

49


Phan Thanh Toàn, Nguyễn Thế Lộc, Nguyễn Doãn Cường và Đỗ Như Long






xi  xi  vi

(3)

Giả sử hàm mục tiêu là f, thuật toán PSO như sau:
Algorithm 1: Particle Swarm algorithm
Procedure PSO_Algorithm
1. Khởi tạo quần thể gồm n cá thể P= {p1, p2,…,pn} với vị trí xi

và véc tơ chuyển động vi của mỗi cá thể một cách ngẫu nhiên.
2. Repeat
3. Tính f(pi) i=1,2,..,n
4. If bước lặp =0 Then
5. Gán vị trí tốt nhất của mỗi cá thể pi là xi và pbesti =f(pi)
6. Tính gbest = f(pj), với f(pj)= min{f(pi) ; i=1,2,..,n} và g=j
7. End if
8. Foreach pi In P
9. If(f(pi)< pbest) Then
10. pbesti = pi
11. xi = pi //Cập nhật vị trí tốt nhất của cá thể pi
12. End If
13. End for
14. Foreach pi In P
15. If (f(Pi) < gbest) Then
16. g = i
17. gbest = f(pi) //Cập nhật vị trí tốt nhất của quần thể
18 End if
19. End for
20. Foreach pi In P
21. Cập nhật véc tơ chuyển động của cá thể theo công thức (2)
22. Cập nhật vị trí mới của mỗi cá thể theo công thức (3)
23. End For
24. Until thỏa mãn điều kiện lặp
25. end procedure
trong đó : 1 ,  2 là các hằng số biểu diễn sự ảnh hưởng của cá thể và quần thể tới hướng dịch chuyển
của cá thể trong không gian tìm kiếm. rand1, rand2 là các hằng số ngẫu nhiên và w là trọng số quán
tính dịch chuyên của các cá thể.
2.2.2. Thuật toán đề xuất
Dựa theo phương pháp tối ưu bày đàn PSO và mô hình bài toán luồng công việc trong môi trường

điện toán đám mây đã giới thiệu ở trên, chúng tôi đề xuất một giải thuật, với tên là MPSO-WS
(Modified PSO for Workflow Scheduling) như sau:
Mã hóa cá thể: Mỗi phương án lập lịch là một cách sắp xếp các tác vụ vào thực hiện trên một
máy cụ thể, theo mô hình đã đề xuất mỗi máy có thể thực hiện nhiều tác vụ, mỗi tác vụ chỉ được thực
hiện trên một máy duy nhất, do vậy ta có thể biểu diễn một phương án xếp lịch như một véc tơ n chiều
như sau (n là số tác vụ):
T1
T2
T3
T4
T5
PC1
PC2
PC1
PC3
PC2
Dựa vào cấu trúc bảng băm trong ngôn ngữ lập trình java, cấu trúc cá thể trong giải thuật PSO và
cách xếp lịch như trên mỗi cá thể trong quần thể được biểu diễn bởi 2 thành phần là véc tơ vị trí

50


Giải thuật tối thiểu hóa chi phí thực thi luồng công việc trong môi trường điện toán đám mây

(positon) và véc tơ chuyển động (velocity). Trong đó véc tơ vị trí có số chiều bằng số tác vụ (task)
trong luồng công việc và được mô tả như một cấu trúc dữ liệu hàm băm. Vector chuyển động cũng
được biểu diễn như một cấu trúc dữ liệu bảng băm.
Hashtable<Task, Integer> position
Hashtable<Task, Double> velocity
Mã hóa tác vụ (task): Mỗi task sẽ được xác định bởi 3 đại lượng là số lệnh cần thực hiện (đơn vị

là MI : milion instruction), kích thước dữ liệu xuất ra của task và danh sách các task phụ thuộc. Danh
sách này được biểu diễn như một cấu trúc danh sách ArrayList.
Biểu diễn các dữ liệu: Dữ liệu ở đây là chi chí thực thi các task trên các máy chủ, chi phí truyền
thông giữa các máy chủ và khối lượng dữ liệu vào/ra giữa các task.
- Chi phí thực thi các task trên các máy chủ được biểu diễn như một ma trận và chúng tôi sử dụng
cấu trúc hàm băm để lưu trữ chi phí thực thi một task trên một máy chủ như sau:
HashtableBảng 3. Chi phí thực thi của mỗi Ti trên các PCj
PC1
PC2
PC3
T1
1.23
1.12
1.15
T2
1.17
1.17
1.28
TP[5x3]
T3
1.13
1.11
1.11
T4
1.26
1.12
1.14
T5
1.19

1.14
1.22
- Chi phí truyền thông giữa các PC được biểu diễn như một ma trận và cũng được lưu trữ bằng
một cấu trúc hàm băm như sau:
HashtableBảng 4. Chi phí truyền thông giữa các PCj
PC1
PC2
PC3
PC1
0
0.17
0.21
PP[3x3]
PC2
0.17
0
0.22
PC3
0.21
0.22
0
trong đó: PP[i,j] = chi phí truyền thông giữa hai PCi và PCj (giá trị theo đơn vị $/MB/giây).
- Dữ liệu vào/ra giữa các task trong luồng công việc được biểu diễn bởi một ma trận và ta sử dụng
cấu trúc dữ liệu hàm băm như sau để lưu trữ:
HashtableBảng 5. Kích thước input/output của task i
total
data
DST2,T3,T4

DST5
[2x2]
Input
10
[2x2]
Input
Output
10
Output

total
data
30
60

trong đó: Input = dữ liều vào, output = dữ liệu ra của các tác vụ (đơn vị MB)

51


Phan Thanh Toàn, Nguyễn Thế Lộc, Nguyễn Doãn Cường và Đỗ Như Long

Thuật toán đề xuất MPSO-WS
BEGIN

Khởi tạo quần thể một cách ngẫu nhiên

Tính giá trị hàm fitness cho các cá thể

Cập nhật véc tơ dịch chuyển và vị trí mới

cho các cá thể

Sai

Kiểm tra điều
kiện dừng
Đúng
END

procedure MPSO-WS
1. Tính ma trận chi phí thực thi các task trên các host
2. Tính ma trận chi phí truyền thông giữa các host
3. Tính ma trận khối lượng dữ liệu vào/ra giữa các task
4. Khởi tạo danh sách các task sẵn sàng là danh sách tất cả các task
5. Khởi tạo danh sách các task chưa lập lich là danh sách tất cả các task
6. repeat
7. foreach ti in readyTasks do
8. Gán ti cho thực hiện bởi PCj theo thuật toán PSO dựa vào công thức (1) và (2)
9. end for
10. Chờ xử lí công việc (phụ thuộc dữ liệu đầu vào và đầu ra giữa task cha-con).
11. Cập nhật lại các task ở trạng thái “ready”
12. Cập nhật lại chi phí giao tiếp giữa các tài nguyên theo trạng thái mạng hiện tại.
13. Tính toán PSO({ ti }).
14. Until không có task chưa được lập lịch.
end procedure
Các chiến lược PSO thường sử dụng hệ số quán tính w là hằng số dẫn đến việc các cá thể dịch
chuyển theo một quán tính cố định, hậu quả là trong quá trình tìm kiếm các cá thể có thể bị mắc kẹt tại
các vị trí cực trị địa phương mà không thể dịch chuyển tiếp để tìm tới giá trị cực trị toàn cục. Để khắc
phục các vấn đề đó chúng tôi đề xuất sử dụng trọng số quán tính được thay đổi theo các lần lặp và sử

52


Giải thuật tối thiểu hóa chi phí thực thi luồng công việc trong môi trường điện toán đám mây

dụng thêm vị trí tồi nhất của quần thể và cá thể để cập nhật vector vị trí của các cá thể. Công thức cập
nhật vector vị trí cho các cá thể như sau:




















vi  wvi  c1  r1  k1  ( pi  xi )  c2  r2  k 2  ( p g  xi )  c3  r3  k3  ( pwi  xi )  c4  r4  k 4  ( pw  xi )






xi  xi  vi
w  wstart 


(4)

(5)

j  ( wstart  wend )
p

(6)



trong đó: xi : Vị trí hiện tại của cá thể thứ i (pi); vi : Vector chuyển động của cá thể p i;




pbesti  pi : Vector lưu trữ vị trí tốt nhất của cá thể pi ; gbest  p g : Véc tơ lưu vị trí tốt nhất của
quần thể;




pworst i  p wi : véc tơ lưu trữ vị trí tồi nhất của các thể pi ; gworst i  p w : lưu trữ vị trí tồi nhất của
quần thể.

2.3. Kết quả thực nghiệm
Để thực hiện mô phỏng việc lập lịch workflow trong môi trường đám mây, chúng tôi cài đặt giải
thuật MPSO-WS bằng ngôn ngữ Java với sự trợ giúp của gói thư viện JSwarm [4] và công cụ mô
phỏng CloudSim [1, 5, 6]. Bảng 7 cho thấy kết quả thực nghiệm được so sánh giữa giải thuật MPSOWS với 3 giải thuật: PSO_Heuristic, Random [7, 8], RoundRobin [9] với dữ liệu tính toán dưới đây.

TP[5x3]

PP[3x3]

DST2,T3,T4
[2x2]

Bảng 6. Ma trận dữ liệu TP, PP, DS cho bộ dữ liệu Test
PC1
PC2
T1
0,1*25
0,2*25
T2
0,1*25
0,2*25
T3
0,1*25
0,2*25
T4
0,1*25
0,2*25

T5
0,1*25
0,2*25
PC1
PC2
PC1
0
0,1
PC2
0,1
0
PC3
0,1
0,1
Data
Size
DST5
(MB)
Input
10
[2x2]=
Input
Output
10
Output

PC3
0,3*25
0,3*25
0,3*25

0,3*25
0,3*25
0,3*25
0,1
0,1
0
DataSize
(MB)
30
60

trong đó: số cá thể = 25; số thế hệ = 30; số lần lặp = 300;
trọng số quán tính w theo công thức (6) và hệ số gia tốc: C1 = 1,5, C2 = 0,5, C3 =1,5, C4 = 0,5, Wstart =
0,9, Wend = 0,4.
Nhận xét: giải thuật lập lịch MPSO-WS cho kết quả khác nhau ở các lần chạy phụ thuộc vào việc
thiết lập các hệ số quán tính w, hệ số gia tốc C1, C2, trong bài báo này chúng tôi không sử dụng hệ số

53


Phan Thanh Toàn, Nguyễn Thế Lộc, Nguyễn Doãn Cường và Đỗ Như Long

quán tính là một hằng số mà sử dụng hệ số quán tính thay đổi theo các bước lặp xác định như ở công
thức (6) để tránh hiện tượng các cá thể di chuyển theo hướng cố định và sẽ bị mắc kẹt ở các điểm cực trị
địa phương, hệ số gia tốc C1 = 1,5 và C2 = 0,5, C3 = 1,5, C4 = 0,5, kết quả được thử nghiệm với số cá thể
là 25, số lần lặp là 300 lần, như bảng kết quả đã chỉ ra chi phí của luồng công việc tính toán được bởi
thuật toán MPSO-WS có khác nhau ở các lần chạy nhưng đều cho kết quả tốt hơn so với thuật toán
Random và Round Robin. Thuật MPSO-WS và thuật toán PSO_ Heuristic đều cho kết quả tốt nhất
như nhau tuy nhiên thuật toán MPSO-WS cho kết quả tối ưu ổn định hơn trong các lần chạy. Đặc biệt
khi số công việc trong luồng công việc và số máy chủ tăng lên; số tác vụ là 25, số máy chủ là 12 thì

chi phí luồng công việc tính được bằng giải thuật MPSO-WS sẽ cho kết quả nhỏ nhất và tránh được
hiện tượng tối ưu cục bộ.
Bảng 7. So sách kết quả các thuật toán MPSO-WS, PSO,
Random, Round Robin sau 30 lần chạy

54

Lần lặp

MPSO-WS

PSO gốc

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

18
19
20
21
22
23
24
25
26
27
28
29
30

12.500
12.500
12.500
16.000
12.500
12.500
12.500
16.500
12.500
12.500
12.500
16.500
12.500
12.500
12.500
12.500

16.500
12.500
12.500
12.500
12.500
12.500
16.000
12.500
16.000
12.500
12.500
12.500
12.500
12.500

12.500
12.500
25.000
12.500
12.500
12.500
12.500
18.500
12.500
12.500
12.500
12.500
18.500
12.500
12.500

12.500
12.500
18.500
25.000
12.500
12.500
12.500
12.500
12.500
18.500
25.000
12.500
12.500
12.500
18.500

Random
45500
52500
35500
58000
36500
46500
42000
64500
56500
25000
53000
27000
35500

42500
36500
27000
35500
42500
36500
46500
42000
64500
56500
25000
45500
52500
35500
58000
36500
46500

Round Robin
40000
40000
40000
40000
40000
40000
40000
40000
40000
40000
40000

40000
40000
40000
40000
40000
40000
40000
40000
40000
40000
40000
40000
40000
40000
40000
40000
40000
40000
40000


Giải thuật tối thiểu hóa chi phí thực thi luồng công việc trong môi trường điện toán đám mây

3. Kết luận
Bài báo đã xây dựng một mô hình toán học cho bài toán luồng công việc trong môi trường điện
toán đám mây nhằm cực tiểu hóa chi phí thực thi luồng công việc, đây là yêu cầu hết sức cần thiết
trong môi trường điện toán đám mây vì điện toán đám mây là một môi trường dịch vụ tích hợp được
cung cấp bởi các nhà cung cấp dịch vụ và người sử dụng phải trả chi phí cho các dịch vụ mà họ sử
dụng. Đồng thời chúng tối đã đề xuất một giải thuật lập lịch heuristic dựa trên chiến lược tối ưu bày
đàn và cài đặt thử nghiệm trên môi trường mô phỏng cloudSim, kết quả chỉ ra việc tính toán chi phí tốt

hơn các thuật toán đã có như Random hay Round Robin. Thuật toán đã cho kết quả chấp nhận được
tuy nhiên bản chất của bài toán lập lịch luồng công việc là bài toán tối ưu tổ hợp với tập các phương
án của bài toán là rời rạc, đồng thời chi phí thực thi luồng công việc phụ thuộc nhiều vào tốc độ xử lí
và băng thông kết nối giữa các server chính vì vậy để thuật toán làm việc tốt hơn chúng tôi sẽ cải thiện
thuật toán theo hướng giải thuật PSO rời rạc với các trọng số về tốc độ xử lí và băng thông giữa
các server.
TÀI LIỆU THAM KHẢO
[1]
[2]

[3]
[4]
[5]

[6]
[7]

[8]
[9]

Z. Yingfeng, L. Yulin, 2003. Grid Computing Resource Management Scheduler Based on
Evolution Algorithm. Computer Engineering Conference, 29(15):1102175.
Suraj Pandey, Linlin Wu, Siddeswara Guru, and Rajkumar Buyya, 2010. A Particle Swarm
Optimization (PSO)-based Heuristic for Scheduling Workflow Applications in Cloud
Computing Environments. AINA 2010, Australia.
Suraj Pandey, Rajkumar Buyya, 2009. Scheduling and Management Techniques for DataIntensive Application Workflows. IGI Global, USA.
Silberschatz Abraham, Galvin Peter B., Gagne Greg, 2010. Process Scheduling. Operating
System Concepts (8th ed.). John_Wiley_&_Sons (Asia). pp. 194. ISBN 978-0-470-23399-3.
Rodrigo N. Calheiros, Rajiv Ranjan, Anton Beloglazov, Cesar A. F. De Rose, and Rajkumar
Buyya, 2011. CloudSim: A Toolkit for Modeling and Simulation of Cloud Computing

Environments and Evaluation of Resource Provisioning Algorithms, Volume 41, Number 1,
Pages: 23-50, Wiley Press, USA.
Thư viện JSwarm .
Rajkumar Buyya, Rajiv Ranjan and Rodrigo N. Calheiros, 2009. Modeling and Simulation of
Scalable Cloud Computing Environments and the CloudSim Toolkit: Challenges and
Opportunities. HPCS IEEE Press, New York, USA.
Michael Mitzenmacher, Eli Upfal, 2005. Probability and Computing:Randomized Algorithms
and Probabilistic Analysis. Cambridge University Press.
Don Fallis. 2000. The Reliability of Randomized Algorithms. British Journal for the
Philosophy of Science 51:255-271.
ABSTRACT
A particle swarm optimization-based workflow scheduling algorithm
in the cloud computing enveronment

Workflow scheduling, the most important thing that cloud controllers have to deal with,
determines the perfomance of the cloud's services. The general scheduling problem was proven to
be NP-complete a long time ago. In this paper we build a framework for workflow scheduling in a
cloud-computing environment. Based on this framework, we propose a new heuristic PSO algorithm
for the mentioned problem so that the total cost is minimized.
Keywords: Workflow scheduling, workflow applications, cloud computing.

55