云平台资源优化调度报告

云平台资源优化调度报告
云平台资源优化调度报告
1.项⽬的⽴项依据
1.1.研究背景及意义
云计算的出现改变了企业的发展模式，通过创新以及扩展IT能⼒，从⽽为企业带来了更多的商机。

云计算是由⼤量不同的计算机资源，包括计算服务器、存储服务器、宽带资源等通过分布式系统和虚拟化技术，将所有资源看做是⼀个资源池，进⾏统⼀的管理和调度，然后通过需求分配计算、存储和其他服务给相应客户[1]。

云中的资源都是通过虚拟化后再交付给⽤户使⽤，但是虚拟化只是实现云计算的⼀项关键技术⽽已，它实现了应⽤软件与物理硬件的松耦合。

但只有虚拟化技术是远远不够的，如何对池化的资源进⾏合理⾼效的调度，才是实现云计算的关键。

在云环境下，其资源的规模较⼤，因此对云资源的调度是⼀个复杂的过程。

云平台上的资源调度相对⽽⾔还处于初始发展阶段，在这个领域⾥⽐较成熟的系统并不多。

因此云平台上的资源调度仍有待进⼀步的研究。

在传统的平台管理模式下，每个平台和系统都需要部署相应的硬件资源，从⽽导致所需的硬件设备众多，能耗⼤且资源利⽤率低下，同时，基础设施的建设以及设备的维护等成本⽀出较⼤。

云计算的出现很好的解决了传统平台所出现的问题。

在云环境下，通过虚拟化技术，将所有资源看做是⼀个统⼀的资源池，实现了基础设施的统⼀管理，有效地降低了设备管理成本，并以资源共享的模式，根据企业业务需求⾃动调整资源分配。

⽬前，云计算技术还在起步阶段，并且具有⼗分⼴阔的应⽤前景。

在云计算的相关技术中，其核⼼技术就是资源管理。

它主要的功能就是接受来⾃云计算⽤户的资源请求，然后将特定的虚拟资源分配给资源请求者。

近⼏年，出现了很多关于合理分配池资源（计算、存储、⽹络和服务等）的相关研究，其研究重点主要包括池资源分配的⾃适应性、安全性、公平性以及⾼效性等⽅⾯的优化设计。

在现有的研究⼯作中，有许多可借鉴之处，但要满⾜复杂的云计算应⽤提供的SLA，仍不够完善，存在着进⼀步优化的可能性。

1.2.国内外现状研究
近⼏年，云计算已成为IT⾏业以及学术领域的研究热点。

这部分就云资源调度⽅⾯所做的研究进⾏了总结，同时对资源负载均衡相关算法进⾏了⽐较分析
和总结。

云资源调度技术是云计算中的关键技术，通过对资源的动态可伸缩调度来满⾜负载峰⾕对资源的需求进⾏动态分配，从⽽提⾼整体资源的利⽤率，这对云数据中⼼具有⼗分重要的意义。

在弹性云服务的领域中，亚马逊EC2采⽤了以虚拟机为单位的粗粒度的⽅法，根据⽤户需求来增减运⾏的虚拟机数量，从⽽达到及时响应负载变化的⽬的。

通过此⽅法能够满⾜负载⾃适应的虚拟资源伸缩能⼒，但是，以虚拟机为最⼩伸缩单位的调度⽅式，存在着⼀定程度上的资源耗费。

针对上述调度⽅式所存在的缺点，涌现出了⼀些关注于细粒度的动态虚拟资源伸缩模式的学术研究。

ZHAO Weiming[2]等⼈通过预估每台虚拟机的内存使⽤量，然后据此来⾃动调整没存分配⼤⼩，从⽽提⾼内存资源的使⽤率，但其中仅考虑了单⼀资源的分配⽅式。

考虑CUP、内存和⽹络带宽三种资源的综合优化分配，ZHOU Wenyu[3]等⼈提出了⼀种应⽤⽆关的负载均衡机制，通过实时监控物理机和虚拟机的各项资源使⽤情况，从⽽及时调整资源分配。

云计算统⼀并提供了在不同地域站点资源共享的能⼒。

云资源调度重点就是要找到资源-负载最佳匹配，这是⼀个繁琐的任务。

在已有⽂献中，很少有关于云负载能源、成本和时间约束的⾼效资源调度策略报告。

Singh S[4]等⼈提出⼀个⾼效的云负载管理框架，通过K-means，基于所分配的权重和它们的QoS需求对云负载确定、分析和集群。

基于不同的调度策略和它们相应的算法完成进⼀步的调度。

通过CloudSim⼯具包中现有的调度策略对该算法的性能进⾏评估。

实验结果表明相⽐于现有的算法，所提出的框架在能量消耗、执⾏成本和执⾏时间在不同的云负载中都能得到较好的结果。

在云环境下，由于资源利⽤不⾜⽽产⽣的能源消耗，占实际能源消耗相当⼤的部分。

从本质上来说，在⼀个资源分配策略中，提⾼资源的利⽤率也就能够更好的提⾼能源效率。

针对这⼀点，在云环境下，通过虚拟化技术可以很容易的将任务进⾏合并，通过任务合并来有效提⾼资源利⽤率，从⽽降低能耗。

Lee Y C[5]等⼈提出了两种能源意识的任务整合探讨⽅案，其⽬的是最⼤限度地提⾼资源的利⽤率，并明确的考虑到活跃和闲置两个状态下的能耗。

在该⽅案中，在不影响任务执⾏性能的前提下，将每个任务分配给能耗最⼩的资源上。

其实验结果表明，⽂献中所给出的⽅案在节能⽅⾯存在优越性。

在节能⽅⾯的研究中，加州伯克利⼤学RAD[6]实验室提出了⼀种关于Mapreduce优化的研究⽅案，⽅案提出了基于统计学原理的负载⽣成框架，通过⽣成的负载来评估设计的决策，这些决策包括：资源的扩展、调度、重组等[6]。

他们的研究结果表明，当Mapreduce的任务到达时，并不⽴即进⾏处理，⽽是将
任务进⾏排队，⽤批处理的⽅式来完成这些任务。

在⼀队的任务到来的间歇期间内整个cluster可以关掉，从⽽达到节能的⽬
的。

但是，这样的调度机制必须要求批处理间隙时间要⽐关闭和开启cluster的时间要⾜够长，同时需要合理的控制批处理间歇时间的长短，时间太短会导致队任务⽆法到达，⽽时间太长则会影响Mapreduce的结果。

云数据中⼼部署了⼤量的虚拟机，由于不同的虚拟化平台采⽤了不同的虚拟化技术⽽导致了虚拟资源的异构性，同时⽤户需求规格不⼀致以及云数据中⼼物理机规格不⼀致，⽽使得云数据中⼼的众多物理机的负载均衡成为⼀个难点。

在常见的静态负载均衡算法应⽤中，在Eucalyptus平台采⽤轮询（RR）调度算法，将虚拟机按照顺序分配到不同的物理机上，实现负载均衡[7]。

该算法的最⼤优点就是简单易实现，但由于物理机和虚拟机配置具有差异性，负载均衡的效果并不理想。

⽽加权轮询（WRR）算法⽤相应的权值表⽰服务器的处理能⼒，权值较⼤的会被分配给较多的请求，该算法被⽤于Vmware资源负载均衡中[8]。

由于云计算中的资源是付费使⽤的，⽽其费⽤的开销主要体现在使⽤时间上，因此对资源调度的研究在满⾜QoS或者SLA的前提下，尽可能的缩短任务完成时间，提⾼资源利⽤率。

在已提出的Min-Min[9]，Max-Min[10]等算法的基础上，周⾈[11]等⼈提出了⼀种新的调度算法Min-Max，通过将⼤任务和⼩任务进⾏绑定，缩短了任务执⾏时间，同时改善了负载均衡问题，从⽽提⾼了整体资源利⽤率。

但是所提出的算法中并未考虑资源价格的问题。

2.研究⽬标、研究内容及已解决的关键问题
2.1.研究⽬标
（1）提⾼虚拟化资源的分配、调配和服务能⼒，根据所检测到的云应⽤服务对云资源的需求情况，及时回收或者重新调度、分配云系统资源，保证SLA 需求。

（2）提⾼虚拟化管理的资源规模伸缩能⼒。

云系统能够根据应⽤服务的资源需求、不同时段的资源使⽤量以及资源成本等，合理的分配云资源。

（3）提⾼虚拟化资源管理的可控性与可迁移性。

管理员可将云系统资源灵活分配给相应⽤户与硬件设备，并采⽤最优化算法提⾼云资源迁移与分配的效率，防⽌时间延迟与服务效率下降。

（4）通过资源虚拟化管理与调度，提⾼云平台运营效率并降低云系统电能消耗，实现经济、低碳的运营⽬标。

2.2.研究内容
（1）云资源调度优化策略研究。

云计算环境下的资源调度是⼀个NP完全问题。

它以提⾼系统的整体性能，以及减少总的执⾏时间、资源消耗等为调度⽬标，按照制定的资源分配策略，将任务发送到对应的资源节点上有序执⾏，以期得到更好的分配⽅案。

在进⾏云资源分配的过程中，
①对云资源中的虚拟资源动态伸缩模型进⾏研究。

达到虚拟资源弹性分配的⽬标，使其能够根据⽤户需求动态的分配资源，既能够满⾜⽤户负载⾼峰期的资源需求，⼜能降低⽤户负载低⾕期的资源耗费。

②对虚拟机的动态迁移算法进⾏研究。

由于物理资源具有异构性强，规模⼤的特点，⽽导致云数据中⼼内物理机之间的负载不均衡，资源利⽤率较低，通过采⽤虚拟机动态迁移机制，将较⾼负载的物理机和较低负载的物理机上的虚拟机迁移到最佳负载的物理机上，达到负载均衡，提⾼系统资源利⽤率，同时在保证系统性能的前提下关闭部分物理机，能够降低系统能耗。

③对任务优化调度算法进⾏研究。

云资源分配实际上就是将各个云⽤户应⽤服务中的任务分配到异构的资源上，其最终⽬标就是以最优的资源分配策略实现最优的任务处理过程。

任务分配就是指将各个并⾏执⾏的任务分配到具体的资源上。

在降低任务执⾏时间的前提下，考虑云资源成本因素，对云资源下的任务调度算法进⾏研究，达到缩短任务执⾏时间，降低资源耗费的⽬标。

（2）云资源管理调度系统研究
在云计算环境中，通过虚拟化技术，可将云资源划分为物理资源层、虚拟化资源层以及应⽤服务资源层，通过资源管理调度平台来对云资源进⾏管理和调度，从⽽满⾜⽤户服务需求。

云平台上的资源管理与调度的内容主要涉及云基础设施系统资源、云应⽤服务资源以及云⽹络系统等⽅⾯的内容，其具体可分为对云基础设施物理设备、云计算资源、云存储资源以及云数据中⼼内部⽹络等部分系统资源的管理与调度。

通过从安全性、⾼效性、可控性以及经济性等⽅⾯，来对云资源管理与调度的优化进⾏研究。

2.3.已解决的关键问题
（1）指定云资源管理调度系统性能指标
在⼀个云计算系统中，各⽤户对云计算服务有其各⾃的需求。

云资源管理调度系统在保证系统整体性能的前提下，根据⽤户任务具体的需求，为⽤户提供匹配的调度决策。

在调度系统中，⼀个优化的调度算法需要考虑成本、资源利⽤率
以及负载均衡等性能因素。

（2）提⾼弹性化管理、调度性能
云环境下，⽤户服务资源需求与分配始终处于动态环境中，对云资源（计算资源、存储资源及⽹络资源）的管理与分配的准确、合理、适⽤、经济性，是保证云⽤户服务质量与云资源安全、可靠、经济的前提。

云资源调度系统采⽤动态资源分配算法能够根据资源负载的动态变化过程，合理的增加或减少云资源，保证⽤户服务性能的同时也能够减少资源的闲置与浪费。

（3）提⾼资源负载均衡
在云资源调度的过程中，由于⽤户需求的多样、动态变化以及服务器的资源异构性会导致数据中⼼出现负载不均衡的情况，致使⼀部分物理机的负载过重，效率降低，⽽另⼀部分则负载较轻⽽处于空闲状态。

这些问题会造成云资源⼤量的浪费和损失。

通过对云数据中⼼的资源调度过程进⾏优化，根据资源节点负载区间进⾏约束，来平衡物理机之间的负载以提⾼资源利⽤率以及系统整体性能。

（4）增强资源管理与调度安全性
在云资源管理、调配中，保证云资源管理与调度模块的安全性。

利⽤资源监测模块来监测云数据中⼼资源状态，当云平台调度模块出现故障时，将因故障⽽停⽌的管理、调度任务快速迁移到其它管理节点，保证资源调度管理的不间断性。

3.研究⽅案
3.1.云资源调度优化策略
云资源调度的⽬标是实现云上资源的合理调度，即当⽤户发送资源请求时，系统能够根据资源调度算法为⽤户分配相应资源，既要满⾜⽤户服务质量需求，⼜能提⾼云数据中⼼的资源利⽤率，降低运⾏成本。

其应⽤场景如图1所⽰。

物理机1物理机2
图1 资源调度应⽤场景
在云资源调度管理系统中，资源调度算法起着重要的作⽤，优化的资源调度算法是保证系统⾼效运⾏的基础，因此对资源调度算法的研究有着重要的意义。

云计算环境下的资源调度问题是⼀个⾮常复杂的研究课题。

其研究领域主要包括虚拟资源动态伸缩调度、虚拟机动态迁移算法以及基于任务层的任务调度算法。

通过对这些算法进⾏优化研究，来实现资源的优化调度，从⽽提⾼云资源管理系统的整体性能。

3.1.1.虚拟资源动态伸缩模型
当⽤户向云资源数据中⼼提出申请时，系统会根据所需资源的情况，如计算能⼒、内存⼤⼩以及⽹络带宽等，来创建相应的虚拟机。

早期通常采⽤固定分配的⽅式来进⾏资源分配，即根据⽤户请求分配相应的资源，运⾏之后不做任何调整。

这样的做法很简单，但是⽆法满⾜动态⼯作负载变化的资源需求。

如果按照应⽤的峰值负载申请资源，则会导致资源的⼤量浪费，否则，当负载超出资源承载能⼒的时候，会造成请求延时，从⽽影响整体性能。

因此，云资源管理调度系统应该能够根据⽤户负载的变化，进⾏动态可伸缩的资源分配。

在动态伸缩模型的研究中，通过设定相应的性能指标来判断当前系统的性能状态，根据需求分配或释放云资源，从⽽能够满⾜负载⾼峰时的资源需求，提⾼系统性能，同时能够避免负载减少时造成的资源闲置与浪费。

研究分析过程如下：（1）设定性能指标R
在保证⽤户服务质量的前提下，将性能指标定义为：计算⼀个采样周期内已
分配的每个节点上命中请求的平均处理时间与未命中请求的原始服务器平均响应时间的⽐值，求所有节点上该⽐值的平均值，作为性能指标R 。

∑==n i i
i n R 1AT2AT11 （1）其中，i 1AT 为已分配资源中第i 个节点上，在当前采样周期内所命中请求的平均处理时间，即从任务请求到达分配资源到请求处理完成所⽤的时间；i 2AT 为已分配资源中第i 个节点上，当前采样周期内所有未命中请求的原始服务器平均响应时间，n 为已分配资源中当前节点数。

R 值表⽰⽤户请求在已分配资源上的服务质量参数，由上述关系式可知，R 值越⼤，其性能越差，R 值越⼩，其性能越好。

R 值得⼤⼩受到资源节点上命中请求的平均处理时间、⽹络状态以及资源负载状态的影响。

当已分配资源节点在采样周期内未命中请求的原始服务器平均响应时间相对⽐较稳定时，R 值得⼤⼩随着资源节点命中请求的平均处理时间同⽅向变化。

因此可以配合阈值法，将应⽤服务质量的改善控制在⼀定的⽔平，从⽽达到提⾼资源利⽤率，且能降低资源成本的⽬的。

（2）制定资源分配策略
在制定资源分配策略时，利⽤性能指标配合阈值⼯作，选取适当的阈值范围[]21,t t ，当R 值超出阈值时，则增加资源，反之则减少资源。

由于⽤户任务可能出现瞬时峰值的情况，从⽽导致服务质量参数R 短暂增⼤，若此时添加节点则会导致系统节点的频繁加⼊或释放⽽导致系统性能降低，针对这个问题，可以采⽤预测机制，通过对未来多个周期的R 值进⾏预测，若预测值满⾜⼀定周期内超出阈值，则添加节点，否则不操作。

可以采⽤⼀次指数平滑法来实现预测机制。

通过该调度策略，来保证系统性能在可接受的范围之内，同时尽量避免节点频繁的加⼊或释放过程，以减少系统性能抖动。

其调度流程如图2所⽰。

图2 动态伸缩模型调度流程图
3.1.2.虚拟机动态迁移算法
在云数据中⼼，由于物理资源具有异构性强，规模⼤的特点，⽽导致云数据中⼼内物理机之间的负载不均衡，物理机存在着⼤量的资源碎⽚，资源利⽤率较低。

针对这⼀点，可以在云数据中⼼的资源调度过程中采⽤动态迁移技术，通过某种规则，将物理机中的资源分配进⾏调整，从⽽达到优化的⽬的。

物理机中的资源被封装到各虚拟机内部，资源分配的调整可通过对虚拟机进⾏动态迁移来实现，在整个资源调度的过程中，利⽤将空闲的物理机关闭来达到提⾼利⽤率的⽬的，然⽽云计算环境中资源规模庞⼤，资源的调度会随着⽤户的需求动态变化，物理机的运⾏状态不断改变，虚拟机迁移频繁同样会造成系统开销的浪费。

为了达到负载均衡的⽬的，⼜不⾄于造成虚拟机迁移频繁所产⽣的⼤量开销浪费，在资源调度过程中可采⽤多阈值的⽅法判断资源调度参数，从⽽确定是否进⾏虚拟机迁移。

⾸先，对物理机的负载状态根据最佳负载区间进⾏划分，根据物理机当前及以前的负载状态，采⽤⼀次指数平滑法对物理机的未来周期的负载进⾏预测，当
判定物理机负载过⾼，则需要将该物理机中的虚拟机迁移到⽬标物理机。

通过合理的设置物理机负载饱和率区间，来实现系统整体的负载均衡，通过对物理机的负载预测可以解决由短暂峰值造成的虚拟机频繁迁移的问题。

（1）参数定义
在虚拟机迁移策略中，要确定需要进⾏迁移的虚拟机以及⽬标物理机，就需要对物理机和虚拟机进⾏资源量化监控，通过对计算资源、存储资源以及⽹络带宽这三种资源的资源利⽤率来量化负载的情况。

定义如下三个参数分别描述物理机资源利⽤率：
net i m vm net
j net i
mem i m vm mem
j
mem i cpu
i m vm cpu j
cpu i total vm U total vm U total vm U i j i j i j ∑∑∑∈∈∈=== （2）
其中，cpu i
U 、mem i U 和net i U 分别表⽰物理机i m 中的CPU 、存储和⽹络带宽的资源利⽤率；∑∈i j m vm cpu
j
vm 、∑∈i j m vm mem j vm 和∑∈i j m vm net j vm 分别表⽰物理机i m 上部署的虚
拟机j vm 的CPU 、存储和⽹络带宽资源的总和；cpu i total 、mem i total 和net i total 分别表⽰物理机i m 中的CPU 、存储和⽹络带宽资源的总和。

根据物理机上的资源利⽤率，定义资源的最佳负载区间[]max min ,th th ，当物理机资源利⽤率在区间内时，可知该物理机处于性能最佳状态。

因此，可以通过判断资源利⽤率是否在最佳负载区间内，来确定负载均衡调整的时机。

根据物理机上的负载状态，定义系统的负载饱和度：
s o t l l LoadS = （3）其中，t LoadS 表⽰数据中⼼在t 时刻的负载饱和度。

o l 表⽰经过负载均衡后处于最佳负载区间的物理机的数量，s l 表⽰经过负载均衡后所有有负载的物理机数量。

定义系统最佳负载饱和度在],[max min ls ls ，使得在进⾏负载均衡调整的过程中能够留下部分低负载状态的物理机节点，满⾜负载动态变化的需求，同时能够关闭不必要的物理机节点，降低系统能耗。

（2）虚拟机迁移策略
在虚拟机迁移策略中，通过对物理机集合的负载监控数据进⾏判断，来确定
是否需要把⾼负载物理机上的部分虚拟机迁移到其他服务器上。

在对物理机和虚拟机资源利⽤信息进⾏采集过程中，定义资源采集周期为T ，每隔⼀个采样周期T ，对采集的数据进⾏分析，判断其是否超出最佳负载区间的上限max th ，若采集的负载参数在持续的⼀段时间内超过max th 则触发负载均衡操作。

由于在实际环境中，系统经常会出现⼀个瞬时负载值⼤于max th 的情况，若当资源负载参数⼤于max th 就触发虚拟机迁移操作，这样系统就会进⾏频繁的虚拟机迁移，从⽽造成不必要的资源浪费。

因此，可以对物理机负载状态进⾏预测，从⽽避免因瞬时负载值⼤于max th ⽽造成的虚拟机迁移。

⽬前，⼀些学者对物理主机负载预测进⾏了研究，发现主机负载的变化具有⾃相似性、长期依赖性[12]。

因此可以采⽤⼀次指数平滑法的负载预测机制来对未来的负载状态进⾏预测。

⼀次指数平滑法根据对本期观察值和本期预测值赋予不同的权重，来求得下⼀期预测值的⽅法。

采⽤⼀次指数平滑法对物理机负载的预测公式为：
)10()1(1≤α≤α-+α=+t t t F Y F （4）
其中，1+t F 为T+1期的指数平滑趋势预测值；t F 为T 期的指数平滑趋势预测值；t Y 为T 期实际负载值；α为权重系数。

取采样周期的前三个周期的平均值为初值，对当前采样周期以及未来采样周期的负载进⾏预测，若计算所得未来n 个采样周期中有k 个采样周期的负载值超过max th ，则触发负载均衡操作。

（3）选择需要迁移虚拟机和⽬标物理机
对物理机和虚拟机进⾏资源量化监控的过程中，根据采集到的负载参数信息将物理机进⾏分类，分为⾼负载、最佳负载和低负载三类，对于处于⾼负载的物理机，按照其CPU 、存储以及⽹络带宽这三个性能指标进⾏标记。

当负载均衡调整触发之后，需要对⾼负载物理机中的虚拟机进⾏迁移。

根据⾼负载物理机的标记类型来寻找需要进⾏迁移的虚拟机。

若该物理机标记为CPU 负载过⾼，则在该物理机中选择CPU 需求最⼤的虚拟机进⾏迁移；若该物理机标记为存储负载过⾼，则在该物理机中选择存储需求最⼤的虚拟机进⾏迁移；若该物理机标记为⽹络带宽负载过⾼，则在该物理机中选择⽹络带宽需求最⼤的虚拟机进⾏迁移。

如果迁移后，源物理机资源利⽤率依然过⾼，则选择资源利⽤率排序次之的虚拟机进⾏迁移，直到该物理机的负载处于最佳负载状态为⽌。

同理，将处于低负载状态的物理机上的虚拟机迁移到相应的⽬标物理机上。

对于⽬标物理机的选择，需要满⾜被迁移虚拟机的资源需求。

在处于低负载的物理机中查找可以进⾏迁移的⽬标物理机。

⾸先对该物理机进⾏预判断，计算假设虚拟机迁移之后的负载情况，若负载情况处于最佳负载状态，停⽌查找，进
⾏虚拟机迁移。

若负载情况处于⾼负载状态，选择其他节点。

其他选择迁移之后负载参数离min th 最近的物理机作为迁移⽬标服务器。

根据上述过程，该策略的设计流程如图3所⽰。

图3 虚拟机动态迁移流程
（4）负载均衡调整策略
将处于⾼负载状态的物理机进⾏负载均衡调整之后，计算系统的负载饱和度t LoadS ，若其处于最佳负载饱和度区间],[max min ls ls ，则不做进⼀步调整；若⼩于min ls 则关闭部分处于低负载状态的物理机，降低系统能耗；否则向云数据中⼼申请新的物理资源。

3.1.3. 任务优化调度
在云计算环境下，云资源分配实际上就是将各个云⽤户应⽤服务中的任务分配到异构的资源上，其最终⽬标就是以最优的资源分配策略实现最优的任务处理过程。

其分配的过程包括资源分配和任务分配。

任务分配就是指将各个并⾏执⾏的任务分配到具体的资源上。

现有的任务分配研究主要以最⼩完成时间为研究⽬标，⽽忽略了成本以及资源耗费等问题。

由于云计算中的资源都是付费使⽤的，⽽费⽤的开销主要为对云资源的使⽤时间上，因此，从经济低成本的⾓度⽽⾔，云资源调度研究在满⾜SLA 的前提下，应尽可能的缩短任务总体完成时间，提⾼资源利⽤率。

现有的任务调度算法研究中先后提出了Min-Min 、Max-Min 等算法，这两种算法均是对时间贪⼼，以降低任务完成时间为⽬标来进⾏调度，但并没有考虑资源耗费的问题，针对这个问题，本⽂提出了Priced-Min-Max 算法，能够有效的降低任务总执⾏。