典型文献
异构集群节点与作业特性感知资源分配算法
文献摘要：
为了避免多应用间的资源争用,Spark采用了FIFO、FAIR等作业调度策略,辅以SpreadOut和非SpreadOut两种资源调度算法,但是这些算法没有充分考虑用户作业类型和集群节点性能的相互关系.用户作业类型及节点性能偏向感知的资源调度算法ATNPA提出了对该问题的解决方案.ATNPA根据作业运行所需的内存量和CPU核数将用户作业分为CPU密集型和内存密集型.节点的性能偏向性由节点的静态因素和动态因素决定.静态因素包括CPU速度、内存大小、CPU核数和磁盘容量等;动态因素包括CPU剩余率、内存剩余率、磁盘剩余率和磁盘读写速度等.ATNPA算法在进行资源分配时,能够将作业分配到最适合其类型的节点上.仿真实验表明,与未考虑节点和作业匹配的算法相比较,ATNPA能够有效缩短作业的执行时间、提高集群的性能.
文献关键词：
资源调度;任务调度;作业类型;节点性能偏向;Spark
中图分类号：
作者姓名：
胡亚红;吴寅超;朱正东;李小轩
作者机构：
浙江工业大学 计算机学院,杭州 310023;西安交通大学 计算机学院,西安 710049
文献出处：
引用格式：
[1]胡亚红;吴寅超;朱正东;李小轩-.异构集群节点与作业特性感知资源分配算法)[J].计算机工程与应用,2022(18):327-334
A类：
SpreadOut,节点性能偏向,ATNPA
B类：
异构集群,资源分配算法,多应用,Spark,FIFO,FAIR,作业调度,调度策略,资源调度算法,作业类型,CPU,核数,密集型,偏向性,内存大小,磁盘,读写,配到,匹配的算法,执行时间,任务调度
AB值：
0.289235
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
