雾计算(FC)是一个新兴的模式扩展计算、通信和存储设备对网络的边缘。在这种异构和分布式环境中,资源配置是非常重要的。因此,调度将是一个挑战,以提高生产率并适当地分配资源的任务。我们安排任务在雾中基于数据挖掘分类技术的计算设备。一个关键贡献是小说分类挖掘算法I-Apriori提出了基于先验的算法。另一个贡献是,我们提出一种新颖的任务调度模型和TSFC(雾计算任务调度)算法基于I-Apriori算法。I-Apriori生成的关联规则算法结合的最小完成时间每个任务在任务集。此外,最小完成时间被选中的任务执行在雾与最小完成时间节点。我们最后评估I-Apriori和TSFC算法的性能通过实验模拟。实验结果表明,TSFC算法具有更好的性能对于减少任务的总执行时间和平均等待时间。
1。介绍
许多应用程序,比如健康监测应用程序或智能交通控制应用程序可能需要接收反馈在很短的时间,和延迟发送数据到云,然后返回响应从云到这些项目运营商有不良影响1 ]。所以,2012年,提出了一种新颖的概念叫做雾Bonomi计算(2 ]。雾计算包含大量的地理上分布的雾服务器可移动基站、接入点,网关、交换机、路由器和能力有限,相比专业计算设施,例如数据中心(3 - - - - - -5 ]。在雾中计算,生成的大量数据不同的物联网(物联网)6 ,7 )设备可以在网络边缘处理,而不是发送到集中的云基础设施由于带宽和能源消耗问题[8 ]。雾计算已经成为了一种新的计算模型,为最终用户提供本地计算资源和存储,而不是云计算。
的矛盾(9 ,10 )计算密集型应用程序之间和资源有限的设备成为了瓶颈提供满意的质量的经验。这一矛盾需要解决在雾计算环境中任务调度。任务调度是广泛应用于分布式计算系统和云计算环境(11 ,12 ]。任务调度在雾计算是为应用程序分配适当的资源的任务。如何选择合适的资源为应用程序任务满足最小完成时间,以满足用户的服务质量(QoS)需求,提高雾计算吞吐量,并实现负载平衡调度可以被定义为在雾计算环境中任务调度问题。因此,它具有十分重要的现实意义和更高的性能在雾中实现高效的资源利用率的计算环境。
在雾计算环境中,任务调度取决于是否有预定的任务之间的依赖关系。它可以分为独立任务调度和相关任务调度。相关任务调度通常被称为依赖任务调度(13 ]。没有依赖关系和数据通信任务中独立任务调度(14 ,15 ]。依赖任务调度有一定的依赖性,任务之间的数据通信。一个典型的任务调度模型是建立在图的基础上,通常被称为任务图。最常见的任务图是有向无环图(DAG),所以依赖任务调度也叫DAG调度。
任务计划之前,任务有两种方式到达。一个是批处理模式。所有任务到达的时候,他们被分配到相应的雾节点调度算法。另一个是在线模式。每个任务的到达时间是随机的,任务是将雾节点一旦到达RMS(资源管理系统)。任务调度的雾节点已被证明是一个np完全问题[16 ]。任务调度是一个非常重要的研究工作方面,广泛和深入研究的研究人员17 ]。目前,虽然许多研究成果已获得了任务调度,研究人员仍在继续探索和研究[18 ]。研究雾调度任务的计算环境尚未完善的由于缺少雾架构,有效地管理和分配资源。我们的研究也有一个积极的影响在一些优化问题(19 - - - - - -22 ]。
剩下的纸是组织如下。节2 我们描述了相关的研究工作。节3 ,我们介绍了分类挖掘算法和一种改进I-Apriori算法。节4 ,我们引入一个任务调度模型、调度算法,在雾和调度过程计算。分析实验过程和实验结果的任务调度算法给出了部分5 ,其次是我们的结论部分6 。
2.1。分类挖掘的相关工作
分类挖掘算法广泛应用于文本,图像,视频,交通、医疗、大数据等应用场景。轴平行的管线式架构的实现提出了二进制DTC (23 ],大大提高了算法的执行时间,消耗最少的资源的区域。文献[24 ]提出了一种快速、准确的数据分类方法,可以从一组可能小学习分类规则的记录已经分类了。该方法是基于所谓的逻辑分析框架的数据(小伙子)。该算法的准确性和稳定性比标准的小伙子算法。介绍了序列分类(25 )使用规则组成的有趣的模式在数据集的标签序列和相关的类中发现的标签。他们测量模式在一个特定类的有趣结合序列的凝聚力和模式的支持。他们使用发现的模式来生成自信分类规则和现在的两种不同的方式建立一个分类器。算法发现代表序列的模式也被证明是更有效的比其他机器学习算法的分类任务。自动文本分类的贝叶斯分类方法使用职业专用特性提出了在26 ]。与传统的文本分类方法,该方法为每个类选择一个特定的特征子集。算法的一个显著的意义是,大多数特征选择标准等信息增益(IG)和最大的歧视(MD)可以很容易地整合到算法中。与其他算法相比,它表明,算法是有效的,并进一步指出其广泛的潜在应用在数据挖掘。另外,我们将该算法应用到其他领域,如无视RAM (27 ,28 ),字符串映射(29日 ],和匹配问题[30. ]。
2.2。独立任务调度的相关工作
为大规模的环境,例如,云计算系统中,也有无数的调度方法提出目标达到更好的任务执行时间的云资源(31日 ]。独立任务调度算法主要包括特定算法(32 ),满足算法(32 ],敏敏算法[33 ],极大极小算法[33 ),PMM算法和遗传算法。MCT(最小完成时间)算法分配每个任务的处理器内核以任意顺序最早导致任务完成时间。它使一些任务无法分配给最快的处理器核心。大都会(最小执行时间)算法为每个任务分配一个处理器核心以任意顺序最小化任务的执行时间。与特定算法,满足算法不考虑处理器内核的准备时间,这可能会导致严重的负载不平衡在处理器核心。敏敏算法计算所有非常规任务的最小完成时间第一,然后选择最低的任务完成时间和任务分配到处理器核心,可以最小化完工时间,多次重复这个过程,直到所有任务计划。一样的特定算法,敏敏算法也是基于最小完成时间。敏敏算法认为不是所有的任务安排,但其特定算法只考虑一个任务。极大极小算法与敏敏算法类似,也计算最小完成时间没有安排任务首先然后选择任务最大与最小完成时间和任务分配到处理器内核最小完成时间。PMM(优先级敏敏)算法是敏敏的改进算法。 It does not choose the smallest task with the earliest complete time, but it selects<年代vg height="9.49473pt" id="M1" style="vertical-align:-0.2063999pt" version="1.1" viewbox="-0.0498162 -9.28833 6.66314 9.49473" width="6.66314pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
与较小的最早完成时间和任务安排优先级最高的任务<年代vg height="9.49473pt" id="M2" style="vertical-align:-0.2063999pt" version="1.1" viewbox="-0.0498162 -9.28833 6.66314 9.49473" width="6.66314pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
任务。PMM算法需要在每个处理器核心任务的标准偏差的优先任务。标准偏差越高,任务优先级越高。
一方面,现有的文献分类算法决策树算法和贝叶斯分类算法适用于不同的应用场景。另一方面,结合云计算、分布式计算、大数据、语法进化(34 ,35 ),和其他技术,研究人员专注于如何优化和提高分类算法的性能。在任务调度,一些研究者应用分类挖掘算法调度任务。
3所示。数据挖掘分类
3.1。概述
分类挖掘算法(36 数据挖掘的关键技术。监督学习算法,它是基于现有的训练数据集建立一个模型来预测新数据集的类别。能找到分类规则和预测新数据类型通过分析训练数据集。一个分类挖掘算法包括两个阶段的建筑模型建模阶段和使用阶段。在第一阶段,分析了现有的训练数据集,并建立相应的模型,然后生成分类规则。在第二阶段,分类新数据集的基础上,构建分类模型。
主要分类挖掘算法包括随机决定森林(37 ),决策树算法、贝叶斯算法,遗传算法,人工神经网络算法34 ),基于关联规则的分类算法。分类算法广泛应用于无线传感器网络、网络入侵检测、通话记录,银行的风险评估。在本文中,介绍了基于关联规则的分类算法和先验的算法改进和评估。
3.2。挖掘模型
先验的(35 ,38 ,39 )是一个经典的基于关联规则的分类算法(CBA)。它通过一个迭代过程生成频繁项集。先验的算法包括两个步骤。首先,它发现频繁项集从一个已知的交易频率是通过修剪大于或等于最小支持度阈值和连接操作的频繁项集。然后,它基于频繁项集产生关联规则和最小程度的信心。
改进的关联规则挖掘模型中实现两个步骤。<年代vg height="11.5564pt" id="M3" style="vertical-align:-2.26807pt" version="1.1" viewbox="-0.0498162 -9.28833 15.3928 11.5564" width="15.3928pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
首先,事务数据库<年代vg height="8.68572pt" id="M4" style="vertical-align:-0.0498209pt" version="1.1" viewbox="-0.0498162 -8.6359 10.095 8.68572" width="10.095pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
扫描存储事务识别<我>TID我>为每个项目集,1-itemset候选人<年代vg height="11.8174pt" id="M5" style="vertical-align:-3.1815pt" version="1.1" viewbox="-0.0498162 -8.6359 13.6974 11.8174" width="13.6974pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
是生成的。删除的项集<年代vg height="11.8174pt" id="M6" style="vertical-align:-3.1815pt" version="1.1" viewbox="-0.0498162 -8.6359 13.6974 11.8174" width="13.6974pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
小于最小支持度阈值,得到的频繁1-itemsets<年代pan class="nowrap">
。年代pan>
循环的执行过程,直到完成<年代vg height="11.927pt" id="M9" style="vertical-align:-3.291101pt" version="1.1" viewbox="-0.0498162 -8.6359 21.2721 11.927" width="21.2721pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
是空的。首先,让<年代vg height="11.927pt" id="M10" style="vertical-align:-3.291101pt" version="1.1" viewbox="-0.0498162 -8.6359 21.2721 11.927" width="21.2721pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
和<年代vg height="11.927pt" id="M11" style="vertical-align:-3.291101pt" version="1.1" viewbox="-0.0498162 -8.6359 21.2721 11.927" width="21.2721pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
连接生成候选项集<年代pan class="nowrap">
。年代pan>其次,可以通过一个新的事务标识符列表的交集事务标识符列表,的计算项集可以直接获得通过<年代pan class="nowrap">
。年代pan>第三,比较的计数<年代vg height="11.927pt" id="M14" style="vertical-align:-3.291101pt" version="1.1" viewbox="-0.0498162 -8.6359 13.8983 11.927" width="13.8983pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
最小支持度阈值<我>min_sup我>,储备项目集超过或等于最小支持度阈值<我>min_sup我>和删除的项集;然后最后的频繁项集<年代vg height="8.68572pt" id="M15" style="vertical-align:-0.0498209pt" version="1.1" viewbox="-0.0498162 -8.6359 7.31558 8.68572" width="7.31558pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
是生成的。
3.3。改进的关联规则挖掘算法
在生产的过程中频繁项集的先验的算法,有两个因素影响算法的性能。首先,它需要扫描原始事务数据库每次生成频繁<我>k我>项集,所以扫描事务数据库的数量太多,从而导致算法性能的下降。其次,树切割的过程中,该算法需要扫描的候选人<我>k我>1集候选项目集。因此,该算法扫描多次项集;它还会导致算法性能的下降。针对上面的问题,我们改进过程中的频繁项集算法和一种改进I-Apriori算法基于先验的算法。I-Apriori算法在算法描述如下1 。
1输入:事务数据库<我>D我>;<我>min_sup我>
2输出:频繁项集<我>l我>
3<我>C我>1年代ub>= find_candidate_1-itemsets (<我>D我>);
4 int<我>数我>= TID的数量<我>D我>;
为每个项目集5<我>年代我>的<我>C我>1年代ub>
6<年代pan style="margin-left:1.1111111111111112em">年代我>.item-set =<我>年代我>;
7<年代pan style="margin-left:1.1111111111111112em">年代我>.count =数<我>年代我>在<我>C我>1年代ub>;
8<我>年代我>.tid-list =所有TID包含的集合<我>年代我>;
9如果<我>年代我>.count<年代vg height="7.88973pt" id="M17" style="vertical-align:-0.6370101pt" version="1.1" viewbox="-0.0498162 -7.25272 7.75925 7.88973" width="7.75925pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
min_sup我>
数我>
10<年代pan style="margin-left:1.1111111111111112em">删除<我>年代我>在<我>C我>1年代ub>;
11<年代vg height="11.5564pt" id="M19" style="vertical-align:-2.26807pt" version="1.1" viewbox="-0.0498162 -9.28833 6.80666 11.5564" width="6.80666pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
12<我>l我>1年代ub>=<我>C我>1年代ub>;
13 (<我>k我>= 2;<年代vg height="11.927pt" id="M20" style="vertical-align:-3.291101pt" version="1.1" viewbox="-0.0498162 -8.6359 21.2721 11.927" width="21.2721pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
≠<年代pan class="nowrap">
;年代pan>k我>+ +)<年代vg height="11.5564pt" id="M22" style="vertical-align:-2.26807pt" version="1.1" viewbox="-0.0498162 -9.28833 6.80666 11.5564" width="6.80666pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
14<年代pan style="margin-left:1.1111111111111112em">为每个项目集<我>l我>1年代ub>在<年代vg height="12.5794pt" id="M23" style="vertical-align:-3.29107pt" version="1.1" viewbox="-0.0498162 -9.28833 27.9792 12.5794" width="27.9792pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
15<年代pan style="margin-left:1.8888888888888888em">为每个项目集<我>l我>2年代ub>在<年代vg height="12.5794pt" id="M24" style="vertical-align:-3.29107pt" version="1.1" viewbox="-0.0498162 -9.28833 27.9792 12.5794" width="27.9792pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
16<年代pan style="margin-left:2.6666666666666665em">c我>=<我>l我>1年代ub>⋈l我>2年代ub>;
17<年代pan style="margin-left:2.6666666666666665em">c我>.tid-list =<我>l我>1年代ub>.tid-list<年代vg height="7.30254pt" id="M25" style="vertical-align:-0.04981995pt" version="1.1" viewbox="-0.0498162 -7.25272 7.75925 7.30254" width="7.75925pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
l我>2年代ub>.tid-list;
18<年代pan style="margin-left:2.6666666666666665em">c我>TID在.count =计数<我>c我>.tid-list;
19<年代pan style="margin-left:1.6666666666666667em">
20.<年代pan style="margin-left:0.77777777777777779em">
21如果<我>c我>.count > =<我>min_sup我>
数我>
22<年代pan style="margin-left:1.1111111111111112em">添加<我>c我>来<年代pan class="nowrap">
;年代pan>
23<年代pan style="margin-left:1.1111111111111112em">l我>k我> =<我>C我>k我> ;
24<年代vg height="11.5564pt" id="M30" style="vertical-align:-2.26807pt" version="1.1" viewbox="-0.0498162 -9.28833 6.80666 11.5564" width="6.80666pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
在I-Apriori算法,生成候选项目集的过程<年代vg height="11.927pt" id="M31" style="vertical-align:-3.291101pt" version="1.1" viewbox="-0.0498162 -8.6359 13.8983 11.927" width="13.8983pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
每一次,除了保存itemset和计数的支持程度,更重要的是存储事务标识符属性列表<我>Tid-list我>。在完成项集之间的连接操作,该算法可以得到事务标识符的列表项集的计算直接通过属性<我>Tid-list我>,不需要再次扫描事务数据库。基于上述原因,I-Apriori算法可以有效地提高性能。
3.4。算法评估
先验的算法和I-Apriori算法的效率评估基于时间复杂度和算法执行时间。
3.4.1。时间复杂度
假设在事务数据库中事务和项目的数量<年代vg height="8.68572pt" id="M32" style="vertical-align:-0.0498209pt" version="1.1" viewbox="-0.0498162 -8.6359 10.095 8.68572" width="10.095pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
是<年代vg height="6.1673pt" id="M33" style="vertical-align:-0.2063904pt" version="1.1" viewbox="-0.0498162 -5.96091 6.6501 6.1673" width="6.6501pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
和<我>米我>和迭代时间频繁项集的算法<年代pan class="nowrap">
。年代pan>经典的先验的算法的时间复杂度是由三层嵌套的循环,<我>apriori_gen我>子程序和<我>has_infrequent_subset我>子例程调用<我>apriori_gen我>子例程的主要算法。很容易发现先天算法的时间复杂度是O (<年代vg height="11.7978pt" id="M35" style="vertical-align:-0.2063999pt" version="1.1" viewbox="-0.0498162 -11.5914 43.0352 11.7978" width="43.0352pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
n我>)。根据I-Apriori算法算法所示1 需要,因为只有一次扫描事务数据库<我>D我>,I-Apriori算法的时间复杂度是O (<我>米我>+<我>n我>+<年代vg height="11.7978pt" id="M36" style="vertical-align:-0.2063999pt" version="1.1" viewbox="-0.0498162 -11.5914 11.6096 11.7978" width="11.6096pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
)。显然,O (<我>米我>+<我>n我>+<年代vg height="11.7978pt" id="M37" style="vertical-align:-0.2063999pt" version="1.1" viewbox="-0.0498162 -11.5914 11.6096 11.7978" width="11.6096pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
)比O (<年代vg height="11.7978pt" id="M38" style="vertical-align:-0.2063999pt" version="1.1" viewbox="-0.0498162 -11.5914 43.0352 11.7978" width="43.0352pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
n我>)。更大的事务数据库<我>D我>,商品的数量越多,更多的迭代,I-Apriori算法的效率就越高。
3.4.2。实验分析
使用Java语言实现经典的先验的算法和I-Apriori算法,分别。硬件环境是英特尔的2.5 GHz CPU、4 GB内存和操作系统Windows 7。我们相应的频繁项集生成事务数据库。
当在事务数据库中事务的数量是200,物品的数量是20,所需的执行时间两种算法生成频繁项集在不同最小支持度(0.4 ~ 0.8)如图1 。在事务数据库中当物品的数量是20和最小支持度是0.4和0.6(几个实验表明,算法的执行时间较长时,最小支持度为0.4,而算法具有更短的执行时间最小支持度为0.6;因此,选择0.4和0.6比较两种算法的执行时间在不同的事务数),所需的执行时间两种算法生成频繁项集在不同的事务数(50 ~ 400)如图2 。
(一)执行时间最小支持度0.4年代trong>
(b)下执行时间最小支持度0.6年代trong>
(一)执行时间最小支持度0.4年代trong>
(b)下执行时间最小支持度0.6年代trong>
从图1 ,当先验的算法和I-Apriori算法的最小支持度很小,I-Apriori生成频繁项集的算法的执行时间小于先天的算法。与最小支持度的增加,几乎没有区别这两个算法的执行时间。当最小支持度很大,产生频繁项集的I-Apriori算法的执行时间比先天的算法。当最小支持度很小,迭代的数量更大,I-Apriori算法的效率更高。当最小支持度大、迭代的数量小,先验的算法的效率更高。因此,I-Apriori算法适用于较小的最小支持度,在分类挖掘更多的迭代。当最小支持度很小,分类挖掘的迭代次数将会增加。I-Apriori算法可以显著减少扫描事务数据库的时候,和算法的执行时间短。相反,当最小支持度大,迭代的数量将会减少。虽然I-Apriori算法也可以减少扫描事务数据库的时候,I-Apriori算法没有优势先验的算法。
对于较小的最小支持度图3 ,当交易的数量小,先天的频繁项集生成算法的执行时间小于I-Apriori的算法。与交易的数量的增加,I-Apriori算法的效率明显高于先验的算法。对于更大的最小支持度图4 生成频繁项集的执行时间的先验的算法比I-Apriori算法当交易的数量很小。随着交易量的增加,推测的算法比I-Apriori更高效的算法。一般来说,I-Apriori算法适用于小最小支持度和大量的事务生成频繁项集时。
4所示。雾计算的任务调度
任务调度的雾雾节点计算是安排任务有不同的计算能力,并合理地安排他们的执行顺序,这样总执行时间最短。中所有的符号使用纸表中列出1 。
4.1。雾计算系统架构
雾计算系统(40 )在一个层次结构网络三层,用图表示3 。前端层包括物联网设备,作为用户界面发送请求的用户通过无线接入点或互联网。物联网设备总是受到严格限制他们的资源,如CPU,内存,运行时,一个非常复杂的应用程序。雾层,它是由一组影厅雾节点,接收和处理工作负载的一部分用户的请求。雾层通常是附近部署物联网终端,为用户提供有限的计算资源。用户可以直接访问计算资源在雾层,因此可以避免额外的通信延迟。云层由多个服务器或云节点。遥远的云可以提供丰富的计算资源,但它位于身体远离用户和传输延迟很大。
4.2。任务调度模型
为了实现雾计算有效的任务调度,分类算法集成到雾的任务调度过程计算。图4 介绍了雾的任务调度模型计算。为了实现一个有效的调度过程之间的雾节点集<年代vg height="8.8423pt" id="M49" style="vertical-align:-0.2064009pt" version="1.1" viewbox="-0.0498162 -8.6359 11.0475 8.8423" width="11.0475pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
和任务组<我>T我>调度模块包含两个算法,即。,I-Apriori algorithm and TSFC (Task Scheduling in Fog Computing) algorithm. Firstly, based on the scheduling transaction set<我>D我>节点集的关联规则和任务组由I-Apriori生成算法。其次,使用关联规则作为输入TSFC算法的任务调度的雾节点集和任务之间的关系。最后,任务调度的关系<年代vg height="8.8423pt" id="M50" style="vertical-align:-0.2064009pt" version="1.1" viewbox="-0.0498162 -8.6359 8.28119 8.8423" width="8.28119pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
是插入到调度事务组吗<年代vg height="8.68572pt" id="M51" style="vertical-align:-0.0498209pt" version="1.1" viewbox="-0.0498162 -8.6359 10.095 8.68572" width="10.095pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
为下一个任务调度提供输入数据。
4.3。TSFC调度算法
基于I-Apriori算法,TSFC算法设计和算法所示2 。算法的基本思想是,安排任务优先级更高的任务调度关系表。表中设置这些任务的完成时间为更大的值,然后选择雾与最小完成时间节点。从剩下的任务执行一个循环选择最小完成时间安排的任务,并将选中的任务分配给雾与最小完成时间节点,直到将所有的任务。假设任务集的数量、任务和雾节点<我>k我>,<我>n我>,<年代pan class="nowrap">
,年代pan>分别TSFC算法的时间复杂度是O (<我>k我>
+<我>k我>
米我>)。
1输入:<我>时间我>
,年代pan>R我>
,年代pan>TS我>
2输出:<我>结核菌素我>,<我>AWT我>
3双<我>圣我>
,年代pan>英国《金融时报》我>
,年代pan>min_FT我>,<我>Total_Time我>,<我>时间我>,<我>结核菌素我>,<我>AWT我>,<我>WT我>;
4 int<我>Total_node我>,<我>Total_Task我>,<我>任务我>,<我>Total_TaskSet我>,<我>best_node_ID我>;
5每taskset从阅读<我>TS我>;
6 (<我>我我>= 0;<我>我我><<我>Total_TaskSet我>;<我>我我>+ +)<年代vg height="11.5564pt" id="M59" style="vertical-align:-2.26807pt" version="1.1" viewbox="-0.0498162 -9.28833 6.80666 11.5564" width="6.80666pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
7<年代pan style="margin-left:1.3333333333333333em">从taskset阅读任务;
8<年代pan style="margin-left:1.3333333333333333em">(<我>j我>= 0;<我>j我><<我>任务我>;<我>j我>+ +)<年代vg height="11.5564pt" id="M60" style="vertical-align:-2.26807pt" version="1.1" viewbox="-0.0498162 -9.28833 6.80666 11.5564" width="6.80666pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
9<年代pan style="margin-left:2.1111111111111112em">(<我>k我>= 0;<我>k我><<我>Total_node我>;<我>k我>+ +)<年代vg height="11.5564pt" id="M61" style="vertical-align:-2.26807pt" version="1.1" viewbox="-0.0498162 -9.28833 6.80666 11.5564" width="6.80666pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
10<年代pan style="margin-left:3.3333333333333335em">如果(<我>R我>
= 1)
11<年代pan style="margin-left:3.8888888888888888em">英国《金融时报》我>
=<我>时间我>
;年代pan>
12<年代pan style="margin-left:2.7777777777777777em">其他的
13<年代pan style="margin-left:3.8888888888888888em">英国《金融时报》我>
=<我>圣我>
- - - - - -<我>R我>
;年代pan>
14<年代pan style="margin-left:1.8888888888888888em">
15<年代pan style="margin-left:1.8888888888888888em">找到最小<我>min_FT我>和相应的<我>k我>在<我>英国《金融时报》我>
与任务<我>j我>;
16<年代pan style="margin-left:1.8888888888888888em">圣<年代vg height="11.439pt" id="M70" style="vertical-align:-2.15067pt" version="1.1" viewbox="-0.0498162 -9.28833 15.6668 11.439" width="15.6668pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
=圣<年代vg height="11.439pt" id="M71" style="vertical-align:-2.15067pt" version="1.1" viewbox="-0.0498162 -9.28833 15.6668 11.439" width="15.6668pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
+<我>min_FT我>;
17<年代pan style="margin-left:1.8888888888888888em">在taskset所有任务<我>我我>从小型到大型的根据<我>英国《金融时报》我>
;年代pan>
18<年代pan style="margin-left:1.8888888888888888em">圣我>
= 0;<我>英国《金融时报》我>
= 0;
19<年代pan style="margin-left:1.3333333333333333em">
20.<年代pan style="margin-left:1.3333333333333333em">而(taskset<我>我我>不是空的)<年代vg height="11.5564pt" id="M76" style="vertical-align:-2.26807pt" version="1.1" viewbox="-0.0498162 -9.28833 6.80666 11.5564" width="6.80666pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
21<年代pan style="margin-left:1.8888888888888888em">选择任务<我>t我>任务我> 最大的<我>英国《金融时报》我>
在taskset;
22<年代pan style="margin-left:1.8888888888888888em">如果<我>t我>任务我> =零
23<年代pan style="margin-left:2.6666666666666665em">打破;
24<年代pan style="margin-left:1.8888888888888888em">选择最小的节点<我>英国《金融时报》我>
的<我>t我>任务我> 并返回<我>best_node_ID我>;
25<年代pan style="margin-left:1.8888888888888888em">WT我>=<我>WT我>+<我>圣我>
best_node_ID我>
;年代pan>
26<年代pan style="margin-left:1.8888888888888888em">圣我>
best_node_ID我>
=<我>英国《金融时报》我>
best_nodee_ID我>
;年代pan>
27<年代pan style="margin-left:1.8888888888888888em">删除<我>t我>任务我> ;
28<年代pan style="margin-left:1.8888888888888888em">任务我>=<我>任务我>1;
29日<年代pan style="margin-left:1.8888888888888888em">重新计算每个<我>英国《金融时报》我>
剩下的任务;
30.<年代pan style="margin-left:1.8888888888888888em">在taskset所有任务<我>我我>从小型到大型的根据<我>英国《金融时报》我>
;年代pan>
31日<年代pan style="margin-left:1.3333333333333333em">
32<年代pan style="margin-left:1.3333333333333333em">写作最大的圣<年代vg height="12.7178pt" id="M88" style="vertical-align:-3.42947pt" version="1.1" viewbox="-0.0498162 -9.28833 14.6229 12.7178" width="14.6229pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
来<我>时间我>所有的任务;
33<年代pan style="margin-left:1.3333333333333333em">Total_Time我>=<我>Total_Time我>+<我>时间我>;
34<年代pan style="margin-left:1.3333333333333333em">Total_Task我>=<我>Total_Task我>+<我>任务我>;
35<年代pan style="margin-left:1.3333333333333333em">结核菌素我>=<我>Total_Time我>;
36<年代pan style="margin-left:1.3333333333333333em">AWT我>=<我>WT我>
Total_Task我>;
37<年代vg height="11.5564pt" id="M90" style="vertical-align:-2.26807pt" version="1.1" viewbox="-0.0498162 -9.28833 6.80666 11.5564" width="6.80666pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
4.4。调度过程的分析
为了理解和分析TSFC算法,一个完整的案例是用于分析TSFC算法的调度过程。我们分析的整个过程雾计算的任务调度算法。假设任务集<年代vg height="9.01194pt" id="M91" style="vertical-align:-0.04981995pt" version="1.1" viewbox="-0.0498162 -8.96212 8.41168 9.01194" width="8.41168pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
包含10个任务和节点集<年代vg height="8.8423pt" id="M92" style="vertical-align:-0.2064009pt" version="1.1" viewbox="-0.0498162 -8.6359 8.8162 8.8423" width="8.8162pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
包括4雾节点;也就是说,<我>n我>= 10,<我>米我>= 4。执行时间矩阵<我>时间我>
任务组<年代vg height="9.01194pt" id="M94" style="vertical-align:-0.04981995pt" version="1.1" viewbox="-0.0498162 -8.96212 8.41168 9.01194" width="8.41168pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
和节点集<年代vg height="8.8423pt" id="M95" style="vertical-align:-0.2064009pt" version="1.1" viewbox="-0.0498162 -8.6359 8.8162 8.8423" width="8.8162pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
表所示2 。
(1)数据库事务。事务组<我>D我>
表所示3 。每个任务之间的调度信息<年代vg height="9.01194pt" id="M98" style="vertical-align:-0.04981995pt" version="1.1" viewbox="-0.0498162 -8.96212 8.41168 9.01194" width="8.41168pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
和雾节点集<年代vg height="8.8423pt" id="M99" style="vertical-align:-0.2064009pt" version="1.1" viewbox="-0.0498162 -8.6359 11.0475 8.8423" width="11.0475pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
存储为一个事务信息。一个布尔值用于描述是否任务或节点计划。布尔真值代表任务或节点计划。相反,错误的布尔值代表或节点不是预定的任务。此外,它假定事务设置<年代vg height="8.68572pt" id="M100" style="vertical-align:-0.0498209pt" version="1.1" viewbox="-0.0498162 -8.6359 10.095 8.68572" width="10.095pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
包含10个交易;也就是说,<我>z我>= 10。
(2)分类挖掘。事务数据库<年代vg height="8.68572pt" id="M101" style="vertical-align:-0.0498209pt" version="1.1" viewbox="-0.0498162 -8.6359 10.095 8.68572" width="10.095pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
用作I-Apriori算法的输入,最小支持度<我>min_sup我>= 0.5。频繁项集<年代pan class="nowrap">
,年代pan>
,年代pan>
,年代pan>
和<年代pan class="nowrap">
,年代pan>
,年代pan>
,年代pan>
由I-Apriori生成算法。关联规则<年代vg height="11.1049pt" id="M110" style="vertical-align:-3.29108pt" version="1.1" viewbox="-0.0498162 -7.81382 9.43046 11.1049" width="9.43046pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
= ><年代pan class="inline_break">
(最小的信心度= 0.833)<年代vg height="11.1049pt" id="M112" style="vertical-align:-3.29108pt" version="1.1" viewbox="-0.0498162 -7.81382 9.43046 11.1049" width="9.43046pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
= ><年代pan class="inline_break">
(信心度= 1.0)生成与最低程度的信心<我>min_conf我>= 0.8。
(3)任务调度关系表。根据I-Apriori生成的关联规则算法,调度任务集和雾节点集之间的关系如表所示4 。在任务调度关系表<我>R我>
,有三种价值的任务<年代vg height="11.1049pt" id="M115" style="vertical-align:-3.29108pt" version="1.1" viewbox="-0.0498162 -7.81382 7.53969 11.1049" width="7.53969pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
雾对应节点<年代pan class="nowrap">
。年代pan>在第一种情况下,如果这个任务<年代vg height="11.1049pt" id="M117" style="vertical-align:-3.29108pt" version="1.1" viewbox="-0.0498162 -7.81382 7.53969 11.1049" width="7.53969pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
和雾节点<年代vg height="14.1649pt" id="M118" style="vertical-align:-5.529pt" version="1.1" viewbox="-0.0498162 -8.6359 11.2064 14.1649" width="11.2064pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
不出现在关联规则,每一行对应于任务的价值<年代vg height="11.1049pt" id="M119" style="vertical-align:-3.29108pt" version="1.1" viewbox="-0.0498162 -7.81382 7.53969 11.1049" width="7.53969pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
=−1。在第二种情况下,如果任务<年代vg height="11.1049pt" id="M120" style="vertical-align:-3.29108pt" version="1.1" viewbox="-0.0498162 -7.81382 7.53969 11.1049" width="7.53969pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
和雾节点<年代vg height="14.1649pt" id="M121" style="vertical-align:-5.529pt" version="1.1" viewbox="-0.0498162 -8.6359 11.2064 14.1649" width="11.2064pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
出现在关联规则,然后计算任务的信心程度<年代vg height="11.1049pt" id="M122" style="vertical-align:-3.29108pt" version="1.1" viewbox="-0.0498162 -7.81382 7.53969 11.1049" width="7.53969pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
在雾中节点<年代pan class="nowrap">
。年代pan>让啧啧的信心程度<年代vg height="11.1049pt" id="M124" style="vertical-align:-3.29108pt" version="1.1" viewbox="-0.0498162 -7.81382 7.53969 11.1049" width="7.53969pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
对应于每个雾节点<年代vg height="14.1649pt" id="M125" style="vertical-align:-5.529pt" version="1.1" viewbox="-0.0498162 -8.6359 11.2064 14.1649" width="11.2064pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
是<我>tP我>k年代ub>(<我>k<我>∈我>(<年代pan class="inline_break">
),任务的价值<年代vg height="11.1049pt" id="M127" style="vertical-align:-3.29108pt" version="1.1" viewbox="-0.0498162 -7.81382 7.53969 11.1049" width="7.53969pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
和雾节点<年代vg height="14.1649pt" id="M128" style="vertical-align:-5.529pt" version="1.1" viewbox="-0.0498162 -8.6359 11.2064 14.1649" width="11.2064pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
等于<年代vg height="16.1874pt" id="M129" style="vertical-align:-3.943501pt" version="1.1" viewbox="-0.0498162 -12.2439 72.1967 16.1874" width="72.1967pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
在任务调度关系表<我>R我>
。例如,调度值之间的关系<年代vg height="11.1049pt" id="M131" style="vertical-align:-3.29108pt" version="1.1" viewbox="-0.0498162 -7.81382 9.43046 11.1049" width="9.43046pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
和<年代vg height="11.8174pt" id="M132" style="vertical-align:-3.1815pt" version="1.1" viewbox="-0.0498162 -8.6359 11.727 11.8174" width="11.727pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
是<年代vg height="11.5564pt" id="M133" style="vertical-align:-2.26807pt" version="1.1" viewbox="-0.0498162 -9.28833 248.138 11.5564" width="248.138pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
100 = 11.15。在最后一种情况下,相应的调度关系值等于0时雾节点没有出现在关联规则。
(4)计划任务<我>TS我>。计划任务<我>TS我>是一个任务列表,需要安排一个实验。假设到达时间(<我>在我>我年代ub>)的所有任务= 0。这个任务将安排如表所示5 。
(5)任务调度。因为所有的任务是独立的,没有考虑任务之间的沟通成本TSFC算法。通信矩阵的每个元素的值等于0。安排任务集是基于TSFC算法与表2 ,4 ,5 作为输入。然后,输出的执行时间(<我>结核菌素我>)和平均等待时间(<我>AWT我>)的计划任务。
把第一个任务集<年代pan class="nowrap">
,年代pan>
,年代pan>
,年代pan>
的计划任务<我>TS我>作为一个例子。任务<年代vg height="11.1049pt" id="M139" style="vertical-align:-3.29108pt" version="1.1" viewbox="-0.0498162 -7.81382 9.43046 11.1049" width="9.43046pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
将雾节点首先因为这个任务吗<年代vg height="11.1049pt" id="M140" style="vertical-align:-3.29108pt" version="1.1" viewbox="-0.0498162 -7.81382 9.43046 11.1049" width="9.43046pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
出现在关联规则和任务<年代vg height="11.1049pt" id="M141" style="vertical-align:-3.29108pt" version="1.1" viewbox="-0.0498162 -7.81382 9.43046 11.1049" width="9.43046pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
预计在雾节点<年代vg height="11.927pt" id="M142" style="vertical-align:-3.291101pt" version="1.1" viewbox="-0.0498162 -8.6359 11.727 11.927" width="11.727pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
或<年代pan class="nowrap">
。年代pan>重新计算的最低三个任务的完成时间<年代pan class="nowrap">
,年代pan>
,年代pan>
在任务设置1,选择任务<年代vg height="11.1049pt" id="M147" style="vertical-align:-3.29108pt" version="1.1" viewbox="-0.0498162 -7.81382 9.43046 11.1049" width="9.43046pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
最大与最小完成时间计划在雾节点<年代pan class="nowrap">
。年代pan>接下来,重新计算剩余的两个任务的最小完成时间<年代pan class="nowrap">
,年代pan>
再一次,和任务<年代vg height="10.9953pt" id="M151" style="vertical-align:-3.18148pt" version="1.1" viewbox="-0.0498162 -7.81382 9.43046 10.9953" width="9.43046pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
预计在雾节点<年代pan class="nowrap">
。年代pan>最后,任务<年代vg height="11.1049pt" id="M153" style="vertical-align:-3.29108pt" version="1.1" viewbox="-0.0498162 -7.81382 9.43046 11.1049" width="9.43046pt" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
预计在雾节点<年代pan class="nowrap">
。年代pan>调度任务和任务中的雾节点之间的关系设置1所示图5 。
5。仿真实验和结果讨论
5.1。实验目的
为了验证TSFC算法提出了,我们比较TSFC算法在相同实验条件下的性能与其他三个独立任务调度算法,MCT,满足,和敏敏。
5.2。模拟环境
基于模拟器提供的工具包SimGrid [41 - - - - - -43 ),异构多处理器的仿真环境建立如下:<年代pan class="list">(1)年代pan>茎节通过高速网络互联。年代pan> (2)年代pan>每个雾节点同时可以执行任务执行和与其他雾通信节点没有竞争。年代pan> (3)年代pan>每个任务不是雾节点上抢占。年代pan> (4)年代pan>雾节点异构。年代pan>
实验中使用的电脑配置如下:英特尔核心(电子邮件保护) GHz双核处理器,8 GB的内存。实验中的雾节点的数目是4和6,分别。
5.3。测试数据集
TSFC算法的输入数据包括任务执行时间矩阵,任务调度关系表和任务。任务执行时间矩阵包括10个任务的执行时间和4雾雾节点以及10任务和6节点。每个节点的执行时间是由随机生成程序。任务调度关系表是基于任务调度模型与I-Apriori雾节点的算法。实验任务的数量从100年开始,每次增加50个任务,直到任务达到500任务的数量。
5.4。实验结果的讨论
5.4.1之前。结果分析4下雾节点
TSFC MCT,满足,和敏敏算法用于计划任务设置下4雾节点,分别。<我>结核菌素我>和<我>AWT我>不同数量的任务下的四个算法如图6 。
(一)下的执行时间比较4雾节点年代trong>
(b)比较4雾下的平均等待时间节点年代trong>
(一)下的执行时间比较4雾节点年代trong>
(b)比较4雾下的平均等待时间节点年代trong>
5.4.2。结果分析6雾以下节点
TSFC MCT,满足,和敏敏算法用于调度任务组6雾以下节点,分别。调度后,<我>结核菌素我>和<我>AWT我>不同数量的任务下的四个算法如图7 。
(一)下的执行时间比较6雾节点年代trong>
(b)比较6雾下的平均等待时间节点年代trong>
(一)下的执行时间比较6雾节点年代trong>
(b)比较6雾下的平均等待时间节点年代trong>
从数据我们可以看到6(一) 和7(一) 与任务数量的增加,的价值<我>结核菌素我>由TSFC生成,MCT,满足,和敏敏算法正在增加。然而,的价值<我>结核菌素我>由TSFC生成算法是小于的MCT和敏敏算法。随着任务的数量增加,TSFC算法的效率是高于MCT和敏敏算法。当任务的数量很小,的价值<我>结核菌素我>TSFC算法生成的低于的算法。随着任务的数量增加,的价值<我>结核菌素我>TSFC生成的算法比的算法。因为TSFC算法以任务完成时间为主要参数,随着任务的数量增加,计划任务的总完工时间将更接近最优解。
的值<我>AWT我>由TSFC生成,MCT,满足,和敏敏算法从数据是稳定的6 (b) 和7 (b) 。的价值<我>AWT我>TSFC算法生成的不足,通过特定轴,满足,和敏敏算法(的价值<我>AWT我>敏敏的算法如图6 (b) 最好当任务的数量更大)。的最小值<我>AWT我>在图TSFC生成的算法6 (b) 只有3.7%的满足,最大的价值<我>AWT我>只有35.1%的满足。的最小值<我>AWT我>在图TSFC生成的算法7 (b) 等于0。因为遇到了算法需要的最短执行时间的任务为主要调度参数,不同的任务的执行时间在同一雾节点成正比,所以它会导致大部分的任务安排在同一雾节点和导致高得多<我>AWT我>价值。TSFC算法调度任务的最小完成时间的最小值,它缩短了任务等待时间尽可能多的价值,这样的价值<我>AWT我>更小。
总之,的价值<我>结核菌素我>和<我>AWT我>由TSFC生成算法是比MCT,满足,和敏敏算法。TSFC算法是优于MCT,满足,和敏敏算法的实验。
6。结论
雾计算新模式,吸引了大量的关注。提供令人满意的计算性能是一个巨大的挑战在雾中计算环境。在本文中,我们提出了一个I-Apriori算法通过改进先验的算法。实验结果表明,该I-Apriori算法可以有效地提高频繁项集的生成效率。一种新颖的任务调度模型和雾的小说TSFC算法计算环境提出了基于I-Apriori算法。I-Apriori算法生成的关联规则是作为TSFC任务调度算法的一个重要参数。实验结果表明,TSFC算法具有更好的性能比其他类似算法的任务总执行时间和平均等待时间。
在这篇文章中,有一些不涉及的其他问题,例如,处理器之间的带宽,在雾计算多层任务调度等。在未来的工作中,我们将探索这些领域。此外,我们将TSFC算法应用到其他领域,如无视RAM,字符串映射和匹配问题。
数据可用性
所有生成的数据或分析在本研究包括在本文中。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作得到了国家自然科学基金(批准号61772205),广东省自然科学基金团队项目(批准号10351806001000000),广东省科技项目(授予号。2016 a010101018 2016 a010119171 2016 a010106007,和2016 b090927010),广东省先进和关键技术创新研究项目(批准号2014 b010110004),南沙科技项目(批准号2017 gj001),广州的Industry-University-Academy协作创新重点项目(批准号201604016074)。