一种基于动态关键路径的云工作流调度算法探讨

（无锡南洋职业技术学院 智能装备与信息工程学院，江苏 无锡 214081）

1 云工作流调度算法路径研究价值

云计算是数字信息环境下信息体系沟通和交流的主要平台，具有灵活性、多样化等特点，是社会信息资源共享应用的实现窗口。

云工作流调度算法分析是以动态异构云环境为基础，开创的有向无循环图DAG模型，主要是利用云空间进行可用性动态可变路径的探讨，从而适应当前自动义关键性路径的对应化调节[1]。与传统的计算机算法路径形态比较，云计算模型的实践性活动，迎合了新一轮信息产业结构的调节与运行需求。同时，云工作流调度算法的探究，善于在资源可用性探索的基础上，将多数工作流结构很好地进行了整合，转变了传统静态工作流调度的阻碍，使自然资源的运用有了更为灵活的实践转向条件，数据稳定性提高、安全防护能力增强。以上两方面，是关于一种基于动态关键路径的云工作流调度算法探索的价值分析。

2 一种基于动态关键路径的云工作流调度算法要点

2.1 集合式工作流调度

工作流是云平台中信息运转和调节的主要形态，它主要以无循环DAG进行表示，且图形中的每一个节点都是工作流任务中的一部分，图边部分则采用任务间进行任务依赖性分析。同时，每一个节点上的信息计算和交流，都有一定的复杂性，我们将各个阶段上的信息调度，称之为数据流算法的对应性调动。

假设运用“W”表示运工作流调度算法路径，则工作流任务集则采用T表示。T中包含了{T1，T2，T3，T4……}。而区域间隔内的依赖数据集合，可用R表示，R中包含了{R1，R2，R3，R4……}[2]。T与R集合之间的关系，主要是主体任务和子分支任务之间的关系。当主体T云平台中发出相关交互信号后，集合下的R任务结构，方执行对应部分的系列任务。集合衔接式的工作调度流变化方式，能够最大限度地消除云空间内映射信息流的间距，将数据流的交换互动区间控制在最小的状态。

即，动态关键路径在集合式关联体系中的运用，不仅能够保障云工作流路径的流畅性，还对信息流部分进行了优化，是有效的信息沟通和传导渠道。

2.2 单元任务中上限与下限设计

基于动态关键路径的云工作流调度算法分析中，所有调度任务部分信息交换和通信之间的交流，均需要在云空间计算、存储、以及带宽资源调节等部分出发，对运动数据进行动态环境的对应调节。为了提升云工作流调度算法计算结果的精准性，实行动态数据转换和分析过程中，注意单元任务中上下限条件的设定，也成为工作流调度算法中的主要分支。

结合当前动态关键路径的云工作流变化情况，可将其设计要点概括为以下几点。

（1）云工作流调度算法中，单体任务中的初始AEST和ALST，应依据任务需求，在最小时间内实现资源运行指标的计算，以做好每一部分数据通关衔接路径的设定。

（2）借助异构云环境，进行可用性资源的转换与探讨，从而避免单元路径范围内数据传输期间，出现单元任务数据上限与下限相互分离的情况。

（3）执行信息应实现执行信息和后续任务时间的针对性对接，从而避免算法数据运行层面出现映射资源传输隐患。

基于动态关键路径的云工作流调度计算设计时，云计算工作调度流上限和下限部分的对应调整，能够将相关数据信息控制在相对稳定的互动沟通区域内，避免了信息互动沟通数据交叉性隐患。

2.3 AET调度算法分析

动态数据路径分析和研究过程中，运工作数据调度和管理活动具体实施期间，为适应当前工作具体实施需要，每一个环节中的数据计算分析指数是否处于良性循环状态，与AET部分云工作流调度调节之间有着密切联系。

一般来说，调度算法分析和研究过程中，传输能力可运用公式ADTT=(Task-output size)/max*bt的关系式进行表达[3]。其中PC表示云空间中的资源处理能力，而BW表示资源传输能力。当两个被调度任务资源相同时，此时云平台中的数据通信时间为0，子任务与被调度任务之间就是AET均衡调度的状态。故而，进行数据调度信息研究过程中，入口调度的宽度和任务计算结果之间是否相互吻合，也可以通过关键路径中的DCPL进行反馈。

通常来说，已映射部分的数据变化，可通过反向宽度进行对应调节，当资源R与任务t之间满足AET模式的信息传输需要时，程序将自主按照递归顺序对工作数据流的调度情况进行反馈。也就是说，AET调度算法数据研究和分析过程中，子任务内的数据调度和交流环节，需判断未调度数据与调度数据之间是否呈现出对等状态，进而分析云工作流是否可以保持灵活调动的状态，这是从数据交流和互动的视角层面，对关键性云工作流的变化情况给予的相关性分析。

2.4 动态可变路径的设定

动态关键路径的云工作流调度算法，是结合当前变动性路径的实际情况，实行的动态路径自主转变式分析，能够在云工作流调度平台调节的状态之下，实现关键性信息流的自由化组合与对接。也可以将其理解为动态可变动路径的分散性处理。即，按照云工作平台的基本变化情况，程序自动将外部传输数据进行小规模分离（见图1）[4]。从云工作流调度数据变化图可知，第一种采用的是并行工作流分散法进行调节处理，第二种采用的是Fork-jion工作流进行数据分离，第三种采用的是随机工作流分散法。

为了适应当前动态关键路径的工作流云调度算法分散调节的基本情况，工作人员实行工作调度调节期间，完全可实行云工作流调度算法调节策略，实现动态调度调节方式的调整。与传统的云调度策略相互对比，云工作调度数据分析期间，当动态关键路径部分的数据保持规律性传导，一般选择第一种方式进行组合排列；如果动态关键路径部分未能实现规范性工作流调度调节，一般会选择第二种或者是第三种进行调整。云工作流调度数据自主分析过程中，结合云调度空间区域基本情况，通过关键任务中的关键数据交互分析，可确保任务数据交换和处理的流动性和协调性。

2.5 算法执行环节

基于动态关键路径的云工作流调度算法分析过程，主要是依靠算法中的初始任务数据流变化研究，对工作流调度信的任务驱动情况做出对应判断。

结合当前云工作流调度的基本情况，可将算法执行环节设置为如图2所示，具体如下。

（1）确定关键任务后，依据相关任务拟定关键性路径。

（2）算法计算任务中所有资源，均需要按照主干与分支任务匹配的基本状态，做好任务信息之间的调配，以减少关键路径和关键信息调度对接部分的缺失。

（3）依据图2的模型分配结构，按照由大到小的顺序，在百万指令和GB的作用下，进行被调度云资源的分配与交流。

（4）动态数据关联和研究期间，注重各个部分传输能力稳定性的评估，也是其工作实施过程中，不能缺少的信息流分析方式。比如，计算任务中最短路径和最长路径部分的对应性研究，就属于数据工作流中的调度任务映射分析方法。

图2 云工作流调度算法执行

（5）如果关键性云工作流路径在数据分配完成后，又出现了工作流调度时长增加的状况，表明此时工作流调度时间调节部分存在问题，技术人员需通过AEST与ALST对应调节法，实现模型分配数据结构的相应调节。

2.6 CPLA算法序列

基于动态关键路径的运工作调度算法分析期间，前瞻性工作调度算法分析定位，也是其活动实施中不能缺少的构成形态[5]。一方面，CPLA算法按照任务优先等级法，对关键路径中的调度数据进行组合排列。即，从调度数据的精准性层面，分析各个动态数据的变化状态。另一方面，选择处理环节，动态工作流数据关键路径算法，采用一般流程图进行执行调节，以确保在工作流对应调节的状态之上，系统能够呈现出平稳性信息交互的形态。

云工作流调度算法评估执行结构如图3所示。从结构信息变化的基本情况而言，CPLA算法程序首先按照数据传输的信息链大小、传输强大的需要，对其进行先后顺序的归类，然后按照①-②，②-③，③-④，④-⑤，⑤-⑥，⑥-⑦的顺序进行排列。同时，也从其基本结构部分可知，③-④和⑥-⑦是该程序运转和调节两个重要转折点，重新进行算法程序执行和交互沟通期间，工作流的调度转变，适应了当前关键路径的运转调节需要，为后续工作的设施提供了坚实性依据。

图3 云工作流调度算法评估流程

注重动态关键路径的运工作流调度与调节，不仅体现为云平台中各个部分数据交互沟通之间的联动性。同时也与数据信息之间的交互衔接，各个部分的联动传输之间有着密切性联系，最大限度地适应了计算机产业规制与安排的实际需求[6]。

3 基于MSW-SDCOA算法的云计算多科学工作流调度

3.1 算法流程

基于云计算的多科学工作流调度算法流程如图4所示。主要由4个部分分组成：科学工作流压缩、分层计算任务节点权重值生成调度序列、生成调度方案、动态调度多科学工作流。用户提交多个科学工作流，到达系统后，首先，将期进行压缩，以减少其任务节点数；其次，通过改进的HEFT算法，分层设计各个科学工作流的任务节点权重值，并按照规则生成调度序列；再次，将调度序列作为输入调用改进的ACO算法，生成调度方案；最后，按调度方案进行调度。如果用稿在提交多科学工作流后提交了新的科学工作流，则通过动态调度多科学工作流部分实现调度[7]。

3.1.1 对信息素更新策略的优化算法

信息素的扩散速度应随蚂蚁迭代次数的增加而增加，改进后的计算方式为：

ρ*＝[1－eψ×(n－N)/N]×ρ

其中，n是当前蚂蚁的迭代次数，N是设定的迭代次数，ρ是预设定的信息素数量蒸发系数，ψ是常数，代表信息素的总体扩散速度，取值范围为[1，5]。需要注意的是，在蚂蚁寻找最优解的过程中，需要避免出现过早收敛的情况。

周家粮铺院下院由南北方向的纵窑及东西方向的横窑串套而成，靠南侧为纵窑，靠北侧为横窑[14]。纵窑窑洞面阔五间，通面阔23m，进深一间，为卧室、起居室及粮食铺，北侧横窑用作贮藏空间，横窑室内地面高度较南侧纵窑有较大抬升，通过石块垒成台阶连通，下院平面图如图所示（图6）。窑洞均使用河刨石建造，采用石灰砂浆抹缝，为描述方便，将下院五间纵窑窑洞由西向东命名为第一孔至第五孔窑洞，下院空间示意图如图7所示。

3.1.2 对启发性信息的优化算法

笔者采用MSW-SDCOA算法，对多科学动态调度的启发性信息进行修改，以增大高效率虚拟机被选中的概率，具体公式如下。

其中，vmj为虚拟机，m为蚂蚁个数，P为概率，η代表启发性信息，γ代表vmj在所有虚拟机中的效率值，ti为任务。MSW-SDCOA算法的具体执行流程如下：

（1）对多科学工作流进行压缩。

（2）对压缩后的多科学工作流调用任务调度序列生成算法生成Q。

（3）为ACO算法的运行做初始化工作

（4）开始迭代，计算每次迭代中每只蚂蚁调度方案的安全性、运行时间和费用，在安全性和时间约束下判断是否为最优调度方案，如果是，则保留。每次迭代后需要更新信息素矩阵。

（5）迭代完成后，如果最优调度方案为空，则说明未找到符合安全和时间约束下的调度方案，提醒用户修改调度参数；否则，返回安全和时间约束下的最优调度方案。

3.2 虚拟机参数信息

图4 基于云计算的多科学工作流调度算法流程

表1 虚拟机参数信息

4 一种基于动态关键路径的云工作流调度算法评估

为了对动态关键路径的云工作流调度算法运用状态，具有更深入性的了解，技术人员还应从动态路径与工作流的调度算法分析层面，对实践运用方面的效果基于综合性判断。现结合社会发展的实际状态，将异构云计算的关键性云工作留调度算法情况进行详细研究。

4.1 设定工作流权重模型

结合当前计算机工作运输程序的基本状况，实验评估工作中模拟三种常见的云工作流运行状态，且所有工作流均处于同一层次上的节点数量运转节。第一种为小规模宽度工作流调节；第二种为随机组合式工作流；第三种为大规模工作流。进行任务组调节期间，第一种采取单入口工作流数据交流法进行调控；第二种采用先进行任务分配，再实行任务流入口调节方式解决问题；第三种采取int（N+1）的状态进行调节。

模拟状态下的关键性路径3种工作状态运输程序调节与分析过程中，计算机工作流部分设定结果是否精准，也代表着计算机运输程序的设计操作状态。为此，新一轮关于计算机工作运输程序研究的探究期间，注重模拟状态下3种工作运输状态的评估，直接反映了模拟状态中，各个部分工作数据的原始调度配置稳定情况。

4.2 工作流参考模型

工作流参考模型标识了构成工作流管理系统的基本部件和这些基本部件交互使用的接口。基本部件包括：工作流执行服务、工作流引擎、流程定义工具、客户端应用、调用应用、管理监控工具；基本部件交互使用的接口包括：接口一、接口二、接口三、接口四和接口五。该模型很大地影响了人们后来对工作流技术的讨论。五个接口与工作流执行服务一起共同组成了工作流系统，如图5所示。

（1）五个接口的含义如下：

接口一：工作流定义交换，用于在建模和定义工具与执行服务之间交换工作流定义。主要是数据交换格式和API。数据交换通过XPDL，API通过WAPI。

接口二：工作流客户端应用接口，用于工作流客户端应用访问工作流引擎和工作列表，通过WAPI完成。

接口三：被调用的应用接口，用于调用不同的应用系统。

接口四：工作流系统互操作接口，用于不同工作流系统之间的互操作。

接口五：系统管理和监控，用于系统管理应用访问工作流执行服务。

（2）工作流引擎：作为工作流管理系统的核心部分，主要提供了对于工作流定义的解析以及流程流转的支持。工作流定义文件描述了业务的交互逻辑，工作流引擎通过解析此工作流定义文件按照业务的交互逻辑进行业务的流转，通过参考某种模型来进行设计，通过调度算法来进行流程的流转(流程的启动、终止、挂起、恢复等)，通过各种环节调度算法(SPLIT、AND、OR等)来实现对于环节的流转(环节的合并、分叉、选择、条件性的选择等)。

图5 工作流参考模型

4.2 数据资源模型的确认

工作流任务执行情况判断和研究中，如果内部数据模型中异构资源环境出现了异常状态，此时需要设定的异构云资源调度任务中，不同地域性云资源调度处理过程，均采取百万指令MIPS的方式，进行兆位带宽量调节法进行问题处理。按照如表2进行数据资源模型分配调节后，每一个工作流任务节点的确定，均能够保障平均负荷环境下，工作流之间合理转换[8]。

表2 资源配置表

4.3 算法比较

依据本次关于数据分析与研究的基本情况，系统的梳理数据算法分析相关资料[9-11]，不仅能够及时发现云工作流调度过程中的基本情况，还能够对不同算法的数据调度传到实际情况，实行数据流之间的交互沟通和辅助式分析。结合本次数据分析和研究评定的基本情况，现将算法比较的基本情况评定和研究的相关性结果探究内容整理如下：

（1）未映射任务调度部分，可采取辅助性任务调节法进行调度。即，按照传统资源调度管理的数据存储规则，云工作流调度程序将自动实行数据调动调整。这是从数据分析和程序调度管理的状态下，主动建立云平台信息调度沟通端口的有效方法。

（2）平行调度处理环节，直接按照资源期望调节法，实现调度数据信息的最优化调配。即，所有实行未调度任务安排与分析工作部分，程序将主动按照平行调度工作实施的具体需求，开展云工作流调度运转方面的自主化调整。

（3）按照异构时间分层次进行调度管理。由于资源交互数据沟通过程中，各个部分的云工作流调度数据之间的差异性较大，程序运行期间，容易出现云工作流调度局部化转变的问题。实行调度算法综合分析时，为避免随机性异构云工作流调度差异过大，程序系统还主动调度数据的自主分配组合调节。

4.4 参数结果评定

结合本次模拟进行动态路径分析和巩固相关结果来看，云工作流调度在评估算法工作流执行跨度性能方面的分析，主要包含了静态场景和现实性场景两个方面。静态场景中的云工作流调度分析，主要是针对异构信息云成本计算模拟数据评估时，所有可执行信息中，工作流数据评估，只要确定云工作流调度与相关工作流之间保持相对稳定的状态，则表明工作流方面的启发式算法信息能够保持相对协调的状态。相反，则说明此时模拟动态路径的中存在一定的运作问题。后者是指在元启发性环境下，各个部分模拟数据在持续性运作的情况下，结合模拟动态路径的调节运行状态，判断是否在不同的信息模拟情况下会产生干扰[12-14]。

结合本次项目分析的基本情况来，针对资源配置表中的信息交互沟通和调节时，各个部分信息的交流和自动调节，均是针对关键路径中代码运行情况进行的针对性评价。故而，云工作流调度数据算法分析过程中，所有能够在异构云平台上建立云工作流调度结构的方式，均属于云计算方面成本因素的调节，它是一种动态化的工作流量高效性程序操控分析形态。而关于并行工作流部分的跨度研究和评定，主要是从工作流的应对方面出发，运用数据波动信息结构体系，探究各个算法工作流部分的评定研究指标[15]。

结合基于异构云计算的云工作流调度方式，能够结合社会发展的实际情况，不断地进行数据流信息之间的交互和沟通。不仅为大数据平台的开发提供参考，也是保障云工作流调度科学实施的条件。

5 结语

综上所述，一种基于动态关键路径的云工作流调度算法相关探讨，是当代数据信息技术实践中不断调节的理论归纳。在此基础上，本文通过集合式工作流调度、单元任务中上限与下限设计、AET调度算法分析、动态可变路径的设定、算法执行环节、MSW-SDCOA算法、CPLA算法序列等方面，分析云工作流调度算法推进要点。因此，文章研究结果，为信息技术的全面化革新提供了新视角。