28、DDS：一种驱动型工作流调度算法

DDS：一种驱动型工作流调度算法

在云计算环境中，工作流调度算法对于高效利用资源和降低成本至关重要。随着亚马逊推出 EC2 现货实例，如何结合现货实例和按需实例进行工作流调度，以满足客户的截止日期要求并降低成本，成为了研究的热点。本文将介绍一种新的截止日期驱动调度（DDS）算法，该算法综合考虑了按需实例和现货实例，旨在降低执行成本的同时，以高概率满足客户指定的截止日期。

1. 背景

1.1 相关工作

目前，基于尽力而为和基于 QoS 约束是应用于网格或云平台的两种主要工作流调度算法类型。基于尽力而为的启发式或元启发式算法被广泛使用，例如基于遗传算法的调度算法、粒子群优化（PSO）和蚁群优化（ACO）等。一些算法基于截止日期和预算约束进行设计，但大多数只考虑固定定价模型的工作流调度，如按需实例。

亚马逊推出现货实例后，使用现货实例运行科学应用可以节省资金。考虑现货实例的工作流调度算法基于不同的投标策略和容错技术，但不能保证客户的截止日期要求。此外，一些研究在考虑工作流截止日期约束的同时使用现货实例，但忽略了工作流中的相互依赖关系。

DDS 算法使用全局权重来表示任务的相互依赖关系，并优先调度相互依赖任务需要更长时间的任务，以减少整体执行时间。在并行结构中，对于具有相同全局权重的一批任务，DDS 采用另一种选择策略，能够在流水线和并行结构中提高性能。

1.2 云中的实例

亚马逊 EC2 提供了多种针对不同应用优化的实例类型，本文仅考虑通用目的（T2、M3）类型。按需实例具有固定价格，而现货实例的价格根据云中的供求关系周期性波动。

<