返回
Security-aware multi-objective workflow scheduling in cloud computing leveraging collaborative swarm intelligence and evolutionary genetic algorithm
DOI:10.1007/s00607-026-01758-2.png)
摘要
En 中文
工作流调度是云计算环境中的一个具有挑战性的任务,该环境提供了广阔且多样的计算资源池。然而,由于多目标约束、任务优先级和不同的处理能力,最优工作流调度难以或无法实现。本文将工作流调度问题表述为一个多目标优化模型,该模型旨在最小化执行成本和工期,同时最大化安全级别。为解决该问题,提出了一种新型混合元启发式算法HAPO-GA,该算法通过统一调度员模型集成了蚁群优化(ACO)、粒子群优化(PSO)和遗传算法(GA)。与传统的串行或孤立阶段执行的混合方法不同,HAPO-GA通过共享基准机制和提及-广告(Mention-Ad)模块,使异构优化代理能够协同合作,以确保持续的知识共享和探索与开发的平衡。所提出的HAPO-GA经过合成和标准Montage工作流基准的广泛实验,并与六种先进的调度算法进行比较。性能评估使用了完成时间、执行成本、安全级别、调度长度比(SLR)、收敛行为、资源利用率和相对加速比等指标。实验结果表明,HAPO-GA在合成和标准Montage工作流基准上均优于竞争算法。对于合成工作流,HAPO-GA在完成时间上平均改善3.7%,执行成本降低6%,安全级别提高3.2,SLR提升2%,资源利用率最高增加10.4%,与最接近的竞争算法相比。对于大规模Montage-1000工作流,HAPO-GA在完成时间上最高减少13.4%,执行成本最高减少2.5%,安全级别最高提高2.2%,SLR最高提高5.3%,资源利用率最高增加6.4%,与最接近的竞争者相比,并保持安全级别高于0.90。此外,消融研究显示了优化中每个组件的贡献,敏感性分析证明了所提模型在各种参数值下的稳定性,统计检验验证了所有性能提升的显著性(p < 0.05)。总体而言,报告的结果证明了所提出的HAPO-GA协同多范式在为安全感知的云计算环境生成高质量工作流调度方面的有效性和鲁棒性。
Keyword:
Cloud computing
Workflow
Security
Deadline
Cost
Swarm intelligence
期刊
C
IF:
2.8
论文数:
2.3K
被引数:
4.2K
机构
引用论文
A Framework for Scalable Big Data Analytics and Workflow Orchestration in Heterogeneous Cloud Native Software Platforms for Smart Cities面向智慧城市的异构云原生软件平台中的可扩展大数据分析与工作流编排框架
An efficient workflow scheduling in cloud-fog computing environment using a hybrid particle whale optimization algorithm基于混合粒子鲸鱼优化算法的云计算-雾计算环境下的高效工作流调度
Energy and cost aware scheduling with batch processing for instance-intensive IoT workflows in clouds具有批处理功能的能源和成本感知调度,适用于云中的实例密集型IoT工作流

