QoS aware static workflow scheduling using Q-learning in cloud environment

doi:10.1038/s41598-026-70898-4

QoS aware static workflow scheduling using Q-learning in cloud environment

2026-10-05

0

OA

AI

Pangambam Sendash Singh

P

Pramod Kumar Soni *

DOI：10.1038/s41598-026-70898-4

原文链接

原文求助

摘要

En 中文

云计算是计算机科学领域的一个新兴研究方向。它可应用于计算物理、生物信息学和制药科学等多个领域。工作流调度是云计算中的一个关键问题，因为科学工作流的执行涉及优先级约束、异构虚拟机和竞争性资源需求。因此，高效的任务优先级排序和资源分配对于减少工作流执行时间及提高整体资源利用率至关重要。本研究提出了一种用于确定性工作流调度的混合框架，结合了基于邻接矩阵的启发式策略与Q学习。启发式组件利用工作流任务间的依赖关系来确定任务优先级，而Q学习组件则自适应地优化调度决策以实现有效的任务-资源分配。该框架的主要目标是在保持可用虚拟机均衡高效利用的同时最小化工作流完成时间。其性能通过CyberShake和Epigenomics等标准科学工作流基准进行评估，并与HEFT、FCFS、PETS、QL-HEFT及改进型Min-Min算法进行比较。评估指标包括完成时间、加速比、效率、负载均衡和资源利用率。实验结果表明，所提出的框架在所有评估工作流中均实现了比其他调度方法更低的完成时间。对于CyberShake工作流，该方法平均减少约11.84%的完成时间；对于Epigenomics工作流，平均减少约7.07%至16.45%。此外，单因素方差分析证实了各调度方法间存在统计学显著差异。这些发现表明，将依赖感知的启发式优先级排序与Q学习相结合，能够提升工作流调度的有效性，并提供云计算环境下高效资源分配的可行方案。

QoS aware static workflow scheduling using Q-learning in cloud environment

摘要

期刊

机构

引用论文