电力全业务统一数据中心突发性数据处理任务调度方法

王德文, 刘庭辉

(华北电力大学控制与计算机工程学院, 河北省保定市 071003)

0 引言

随着电力系统信息化程度的不断提高及大数据和云计算技术的日益完善,建立电力全业务统一数据中心,进行源端全业务的融合和后端大数据的分析,是电力企业今后发展的主要趋势[1-3]。国家电网有限公司正在推广建设的电力全业务统一数据中心,是面向电力企业的全业务范围、全数据类型、全时间维度数据的统一管控和分析中心,实现对全业务范围内的生产、营销、调度等业务系统进行归并整合,针对数据质量差和利用率低的问题,实现对全业务范围内数据的梳理采集和综合分析。现有的用电信息采集系统、电力营销数据系统、输变电设备状态监测系统,以及电能计量系统等将会逐渐接入电力全业务统一数据中心,并进一步分离数据与应用间的直接连接,实现管控及分析。以国网辽宁省电力有限公司为例,已完成接入的电能计量系统测量点有11.5万个,用电信息采集系统已接入的数据测量点有1.2亿个,其中产生的数据超过5 000 GB[4]。如果全面完成各业务系统的数据接入,数据量的规模会迅速增大,并且在突发情况下的数据量增加幅度更大,而传统的任务调度算法不能完全适应大规模的数据处理任务调度。由于云集群各节点处理能力的限制,面对大规模数据处理任务,会导致处理任务的堆积堵塞甚至丢失,如何提高数据处理任务的完成率,提升系统的处理性能,是目前电力全业务统一数据中心面临的关键技术问题。

云计算技术是实现电力全业务统一数据中心的重要手段[5-6],具有高可靠性、可扩展性强及资源利用率高的特点。在满足海量数据处理要求的情况下,在云平台进行数据处理任务的调度优化[7-9],可以保障电力全业务统一数据中心在突发性海量数据到来时,能充分利用云计算集群的资源,提高系统的处理性能[10]。

针对不同类型处理任务的调度方法是电网中信息处理的重要手段。文献[11]提出一种改进的加权队列模型,在保证高优先队列传输质量的情况下,可以尽量减少低优先任务的等待时延,提升服务质量。文献[12]以电力服务质量的总体效应值为目标,对智能变电站的各种处理任务进行调度和分配,可以满足多数情况下的服务要求。上述两种算法都是采用静态优先级进行调度,没有考虑时间变化对任务优先级的影响,无法完全满足对突发性海量数据处理任务的调度需求。

传统的任务调度算法如最早截止优先(EDF)算法、最大价值优先(HVF)算法都是应用较广泛的调度算法,但HVF算法只考虑数据任务价值,不完全适合电力监测数据的调度,而EDF算法也不适合应对大规模的数据调度[13-14]。文献[15]提出一种用于异构环境的关键任务调度(HCT)算法,通过甘特图和有向无循环图选取关键任务,然后进行调度,但对突发性海量数据的处理仍显不足。文献[16]提出一种基于动态价值密度(DVD)的实时调度算法,将任务平均价值密度作为优先级,但随着截止时间的临近,优先级会增至无穷大,会抢占后到达的高优先任务的执行,不能完全适合电力数据处理任务的调度。

本文在研究现有的任务调度策略基础上,分析了电力全业务统一数据中心的架构,结合电力数据处理任务的特点,给出了一种电力数据处理任务模型,分析处理任务的有效价值与时间属性,并提出基于多级队列的动态实时优先级调度(dynamic real-time priority scheduling,DRPS)算法。在突发性海量数据到来的情况下,该算法可以尽量保障重要数据的优先处理,减少数据的堵塞,同时避免了截止期临近时可能出现的优先级无穷大现象。

1 电力全业务统一数据中心设计

1.1 电力全业务统一数据中心设计目的

目前,各级电力公司都拥有相对独立的各类业务系统,缺乏有效的沟通,无法实现跨业务、多角度、多层次的综合分析。同时,各业务系统的数据模型缺乏统一管理,导致数据质量较低,数据不一致问题比较严重。并且各业务系统在设计时,只针对单个问题,未能统筹协调,使得分析型系统和相应的生产型系统耦合度较强,适用性和数据共享性较低。

电力全业务统一数据中心面向全业务范围、全数据类型、全时间维度的数据,用于支撑生产和营销的决策分析,涉及范围包括生产、营销、调度,以及人力资源管理等各大业务系统的数据,如用电信息采集系统、输变电监测系统和电能计量系统等。建立统一的数据信息模型,可以实现高效的数据梳理采集和清洗,避免不同业务系统对相同数据的不同解释。而且同类型的数据拥有同一标准规范的数据模型,可以有效减少数据的质量问题。

电力全业务统一数据中心的建立,将目前电网中大多数业务系统的数据进行整合,实现对电力全业务数据的统一管理,对全业务范围内的数据实现“一次采集、一份存储、多处使用”,并依据业务类型提供统一的数据规范,分离数据与应用之间的直接联系,提高数据共享性能,进行跨专业、跨领域的综合分析,为以后的海量数据大规模应用提供基础。

1.2 电力全业务统一数据中心云平台架构

电力全业务统一数据中心主要由数据处理中心、数据分析中心和数据管理中心3个部分构成。数据处理中心对原有业务系统的分散数据库系统进行归并和提升,提供统一的数据访问;数据分析中心对各类分析决策提供数据资源支持和高效的分析计算能力及统一运行环境;数据管理中心提供统一的数据模型,对系统内的数据定义、交换、管理进行标准化和规范化。

目前全业务统一数据中心方案大都以云平台为基础,电力全业务统一数据中心云平台架构如图1所示。

图1 电力全业务统一数据中心云平台架构Fig.1 Architecture of cloud platform for full-service unified data center of electric power system

如图1所示,数据源平台是由各类电力业务系统构成,主要提供数据信息。云基础设施主要是利用现有的服务器集群,通过云平台整合,提高集群设备的利用率,实现基础资源的灵活交付,使平台资源向按需供应转变,构成了云平台的物理基础。云平台组件提供统一的数据模型及访问,应用跨地域分布式计算技术,消除不同集群之间的差异性,促进跨专业数据的分析应用,是云平台提供服务的基础。云平台应用是实现全业务范围数据的综合和深层次分析,直接面向用户和决策层,为各级系统用户的决策提供数据支撑。

云平台服务提供集群的部署监控、任务调度和资源管理等服务,监控各地域集群节点的部署和运行,进行计算资源的管理和处理任务的调度,是云平台的支撑与保障。任务调度是云平台服务中的重要部分,负责将由各平台推送的处理任务按照调度算法分配至集群各处理节点,提高系统的处理性能。

在电力全业务统一数据中心中,需要接收全业务范围内的数据,尤其是在突发性海量数据涌入时,由于节点处理能力不足会造成数据堵塞,使得集群的处理性能下降。进行数据处理任务的调度优化,可以提高数据处理任务的处理效率,提升集群的整体性能[17-19]。

2 电力全业务统一数据中心任务模型

2.1 数据处理任务控制调度模型

由于电力全业务统一数据中心需要接入现有大多数业务系统的数据,但云集群中每个节点的处理能力有限,在突发性海量数据涌入时,会出现数据堵塞而造成系统处理能力下降,处理时延增大。

本文针对上述问题提出一个数据处理任务的控制调度节点模型,在节点上按照调度算法进行处理任务的调度处理,以提高任务的完成率,从而减少处理任务的阻塞现象。处理任务的调度管理流程如图2所示。

图2 控制调度节点调度管理流程Fig.2 Scheduling management flow chart of control scheduling node

如图2所示,以对电力监测数据的抽取—转换—加载(ETL)过程为例,从各个数据源系统中获取电力监测数据,并推送至云平台各节点,然后进行ETL过程。控制调度节点对需要处理的任务进行数据分析。同时因为数据来源的不一致,也需要进行数据格式的规范化。任务管理器对数据处理任务进行优先级分配,将不同处理要求的数据加以区别。资源管理器记录数据处理任务的分类和处理节点的资源状态,以便进行调度目的节点选择。全局调度器是对分析完成的处理任务进行全局范围内的调度,以资源管理器中的各节点资源状态为基础,筛选调度目的节点,平衡集群节点之间的负载。

2.2 数据处理任务的有效价值

数据处理任务的有效价值因为所包含数据信息的不同,会存在较大的区别。例如:对电气设备的报警数据而言,其价值要大于常规数据。任务的有效价值不仅受到数据的状态类型影响,而且与其来源在整个电力系统的重要性有关。

处理任务的有效价值可以分为两个部分:第1部分是数据来源在电力系统中的重要程度,也称为关键性,记为g;第2部分是数据信息的类型,可以分为常规数据、异常数据和报警数据等3类,称为类型价值,记为k。这两个部分合称为任务有效价值,记为W。

处理任务有效价值的两个部分对任务整体价值的影响如下式:

Wi=gi+ki

(1)

式中:Wi为处理任务的有效价值;gi为数据来源的关键性;ki为数据类型的价值。

2.3 数据处理任务的时间特征

因为不同业务系统推送的数据对处理时间有不同的要求,所以在控制调度节点中,需要分析处理任务的时间要求,对处理任务的优先级进行分配。在同一时间,高优先级的任务可以优先处理,以保证数据的时效性。

大多数电力监测数据都会包含时间属性,其时间特征可记为:

Ti={si,ti,wi,di,ai,bi}i

(2)

式中:n为任务总数;Ti为第i个任务的时间特征;si为到达时间;ti为预期执行时间;wi为驻留等待时间;di为截止时间;ai为开始执行时间;bi为实际完成时间。

对于处理任务的时间特征,主要由任务的有效时间和等待时间决定,其各属性对整体的影响如下式所示:

(3)

式中:di-si为任务的有效时间。

3 电力全业务统一数据中心任务调度方法

3.1 动态优先级分配策略

现有的多数任务调度算法中,一般只根据处理任务的时间要求确定优先级,很少考虑处理任务的价值。对电力数据而言,其处理任务的优先级不仅受到时间的约束,有效价值也会对其产生重要的影响。针对上述问题,本文提出一种动态优先级分配策略,根据处理任务的时间和有效价值分配优先级。重要的信息和时效性高的数据可以获得高优先级,以便及时处理。

在同一时间到达的数据较多时,尤其在故障或报警等特殊情况发生时,需要按照优先级对数据处理任务进行调度优化,否则可能会导致数据的堵塞和丢失。处理任务优先级的动态分配如下式:

Pi=αTi+βWi

(4)

式中:α为时间特征的权重系数;β为有效价值的权重系数。

式(4)为处理任务在截止时间之内的优先级变化,将处理任务的时间属性和价值属性按照相应权重处理后相加。

在突发性海量数据涌入时,如果部分数据处理任务由于其他因素未能在截止期内完成,但依然有着重要价值,则在超过截止期的一段时间内仍不会被丢弃。但对关键性数据,如报警数据而言,即使超过截止时间仍旧会保持优先级的最大值,直至被处理。而对其他的数据,其优先级在截止期到达后会随时间降低,其变化如下式:

(5)

式中:Pmax为该任务的优先级最大值;zi为当前时间;Tmax为该任务时间特征部分所占优先级的最大值。

式(5)为超出截止时间后的优先级变化,对超出截止期的任务,随着时间的推移,优先级会逐步下降,但仍会保持一段时间的高优先级状态,以获得处理机会。

3.2 基于多级队列的DRPS算法

对电力全业务统一数据中心而言,面对现有多数业务系统的数据接入,需要处理的数据量非常庞大,对处理节点的压力较大,进行数据处理任务的调度优化,可以优先保障重要任务的处理,降低数据处理任务堵塞和丢失的可能,并提升系统处理性能。在控制调度节点的队列中的待处理任务,一般只需等待系统资源进行调度处理,抢占需要进行相应的操作过程,会产生额外的时延,所以采用非抢占调度策略更为合适。而且为适应时间变化对处理任务的影响,数据处理任务的优先级也需要动态调整,同时其参数设置也有相应改变,以避免DVD算法出现的优先级无穷大问题。

在控制调度节点中,数据处理任务可以分为以下几种状态:①执行任务,即正在调度处理但未完成的任务;②等待任务,表示已在队列中,但尚未得到系统资源分配,处于等待状态的处理任务;③调整任务,表示新处理任务刚到达队列,此时处于调整状态。

控制调度节点中的调度队列可划分为任务队列、模板队列、调整队列和远程交互队列。任务队列依据本地节点的资源状况初始化若干个任务,按照一定顺序提交处理任务进行执行。模板队列存储其他几类队列的模板,当处理任务数较多时,可依照模板队列快速添加其他队列。新到达处理任务会先进入调整队列,进行优先级比较之后,再调入任务队列或者直接执行。远程交互队列则是在节点处理压力较大、待处理任务较多时,进行处理任务的迁移调度。各队列之间的迁移过程如图3所示。

图3 控制调度节点队列迁移过程Fig.3 Migration process for queue on control scheduling node

同时,为衡量各节点的工作状态和进行调度节点的选择,引入节点期望任务数Lj作为衡量参数:

(6)

式中:lj为每个节点的任务数;m为区域节点的数目;rj为节点资源状态。

同时,控制调度节点中的全局调度器,以节点期望任务数作为调度目的节点的选择参数,在需要进行处理任务调度时,选择集群中任务连接数少、资源状况较好的节点作为处理任务的接收节点。

对到达的处理任务其优先级一般为初始化任务的有效价值,随后按DRPS算法进行处理任务调度, DRPS算法的调度流程如附录A图A1所示。对调度算法的说明如下。

1)在需要进行处理任务调度前,需要全局调度器按照各节点资源状态与期望任务数,进行调度目的节点的判断和选择。

2)在进行调度时,将处理任务调入调整队列,若此时队列中的任务数达到阈值,但节点任务数lj

3)若当前节点中的待处理任务数lj≥Lj,则选择部分任务进行调度迁移到其他节点。

4)如果节点中待处理任务数未达到期望值,则再判断是否达到即将插入队列的阈值,若未达到则将调入任务的优先级与所有队列队首元素进行比较,有如下几种比较情况:①如果调入任务优先级Pi大于目前所有队首元素优先级,此时处理器若在空闲期,则直接将该任务提交处理,若在工作期,则将任务先调入任务队列中,等待下一周期进行处理;②若调入任务与当前队列中任务优先级相同,则优先处理队列中的任务;③在任务队列中,有待处理任务的优先级相同时,若在截止期早的任务执行完成后,另一个任务仍未到达截止期,则由截止期短的任务先执行,否则也需要进行任务的迁移,以避免出现单个节点截止期临近任务众多,而其他节点相对空闲的情况。

3.3 处理任务优先级动态变化分析

按照算法中的优先级变化公式,假设优先级的变化区间为[0,30],分别设置任务的时间属性、任务关键性及任务类型的权重为{0.5,0.25,0.25}。在分析过程中设置处理任务的等待时间,实际环境中根据数据的需求设置对应参数。附录A图A2所示为任务关键性相同时,不同类型的数据变化趋势。可以看出,报警数据初始便获得较高的优先级,随时间逐渐增加,优先级在截止时间到达时会增加到最大值。若未能按时完成,则会继续保持优先级最大值,直至被处理。异常数据优先级则相对较低,但依然超过常规数据,常规数据的优先级最低,变化趋势也较缓慢,其截止时间也较长。同时,对同一种设备的同种状态监测数据,若种类不同,其优先级的取值范围也会不同,从而保障报警数据的优先处理。

附录A图A3所示为不同任务关键性且不同类型的数据变化趋势。从图中的变化趋势可看出,关键性较低的报警数据因为类型价值高依然可以获得优先处理,关键性最高但类型价值较低的常规数据,其优先级变化较平缓,在最后获得资源执行。

4 实验结果与分析

4.1 实验环境

本文采用CloudSim仿真测试平台模拟控制调度节点,进行处理任务的调度测试[20]。为模拟突发性数据到来的情况,实验中的每组测试数据都选择在同一时间到达,并在截止期内完成调度分配。以电力监测数据的ETL过程为例,研究突发数据到来时的处理任务调度,其中包括常规数据、异常及报警数据的处理任务,将本文提出的DRPS算法与EDF和DVD算法进行比较分析,实验中以对报警数据的处理任务作为重要任务。

实验主要分为单节点的基本性能分析和集群环境下的性能测试。在单节点的测试中,以重要任务完成率、不同负载情况下截止期错失率两个指标分析算法的性能。在集群环境的测试中,分别从任务完成数、重要任务完成率,以及不同负载下的截止期错失率3个方面分析。实验针对电力监测数据的分析处理,采用的ETL集群拓扑如附录A图A4所示。可见,实验采用集群节点由3种不同配置的节点组成。由数据源系统将电力监测数据推送至集群节点,由集群节点进行数据的分析和预处理,当集群中某个节点处理压力较大时,可以进行任务的迁移调度,以分散系统负载,提交到相应的处理节点。

4.2 仿真结果与分析

4.2.1实验1:控制调度节点基本性能分析

在基本性能测试中,以单个控制调度节点进行任务的调度,对比3种算法的性能。附录A表A1为模拟1 000到3 000个任务同时到达时,重要任务完成率的对比情况。表A2为模拟系统CPU负载从0.5到3.0时,截止期错失率的变化情况。表中的数据为5次实验数据。

从附录A表A1中可以看出,在重要任务的完成率方面,DRPS算法的表现较好,任务数增加时,完成率变化幅度相对平缓。DVD算法稍差一些,因为要考虑平均价值密度,而一般任务也会在截止期临近时获得较高的优先级,故影响了重要任务的执行。EDF算法则只考虑时间的截止,在时间临近时,任何任务都会获得高优先级,所以任务数增多时,重要任务的完成率也较低。从表A2中可以看出,DRPS算法在负载小于1时,截止期错失率并不占优,仅略高于其他算法。此时,3种算法都可以保证绝大多数任务完成。但在负载升高时,DRPS截止期错失率的增加幅度较小,相比于其他两种算法较优。

4.2.2实验2:集群环境算法性能对比分析

实验以包含50个虚拟节点的集群环境为例,进行处理任务的调度测试。图4和图5中,模拟同时到达的任务数从10 000到80 000个,图6中模拟集群平均负载变化从0到2。图中数据为5次实验数据的平均值。

图4 截止期内任务完成数对比Fig.4 Comparison of completed task number in deadline

图5 集群重要任务完成率对比Fig.5 Comparison of important task completion rate in cluster

图6 不同负载时截止期错失率对比Fig.6 Miss deadline ratio comparison with different average loads

从图4中可以看出,在同时到达任务数较少时,3种算法几乎都可以完全处理到达的任务,随着同时到达任务数的增加,DRPS,EDF和DVD算法的完成任务数都在增加,在开始的一段时间内,EDF算法的完成数最多,因为总以截止时间最近的任务优先执行,可以得到较高的完成数。在任务数超过一定数目时,DRPS算法的表现较好,因为在任务数较多时,EDF算法无法在截止时间临近时完成所有任务,而又不能抢占当前执行的任务,导致后续任务的处理时间推后,使得任务完成数增加变缓,直至达到瓶颈。而DVD算法在截止时间临近、平均密度价值增高时,也会有类似的现象。

从图5可以看出,在任务数较少时,3种算法都可以按时完成大多数任务,所以重要任务完成率区别较小。在任务数增多时,EDF算法只考虑最短截止时间,忽略了数据任务的价值,所以重要任务完成率下降较快。DVD算法考虑任务价值密度,而重要任务的价值一般较高,所以完成率较高,但在执行时,由于一般任务截止期临近,其平均价值密度也会很高,从而获得处理资源,导致重要任务的完成率下降。DRPS算法综合考虑了时间与有效价值因素,即使一般任务在截止时间临近时,其优先级也会低于同样临近截止期的重要任务,从而保障了重要任务的执行。

从图6可以看出,在集群平均负载较小时,DRPS算法的截止期错失率相比其他算法稍差一些。因为系统负载较低时,EDF算法只需要安排截止期早的任务先执行,就可以保证多数任务的完成。而DVD与DRPS算法是平均价值密度或者有效价值高的任务优先执行,可能会导致截止期较早的任务错过截止期,使处理任务的截止期错失率增大。在系统负载逐渐提高时,因为集群处理资源的限制,EDF算法性能下降较快,需要合理安排处理任务的顺序,才能降低错失率。

实验模拟突发性海量数据到达时,控制调度节点对数据处理任务的调度管理,分别在单节点和集群环境下进行对比分析。在多数情况下,DRPS算法表现较好,在任务完成数和重要任务完成率方面相比其他两种算法都有一定的提升。在负载较低时,DRPS算法的错失率相比其他算法稍高一些,但在负载升高时增加的幅度较小,所以错失率相对其他两种算法较低。综合上述实验可得,基于多级队列的DRPS算法相比DVD和EDF算法,在任务完成率等方面都有较好提升,可以满足多数情况下的处理任务调度需求。

5 结语

在突发性海量数据到达时,由于电力全业务统一数据中心的处理能力限制,会产生数据堵塞现象,导致系统处理能力下降。本文提出了基于多级队列的DRPS算法,综合考虑了数据处理任务的有效价值和时间特征两种因素,进行优先级的初始分配,并根据时间的变化动态调整任务的优先级,避免了处理任务截止期临近时的优先级无穷大现象。在此基础上提出的动态优先级调度算法,可以实现对数据处理任务的调度优化,减少堵塞现象的发生。

在CloudSim仿真平台上分别从单节点和集群环境角度进行了模拟。实验结果表明,DRPS算法在任务完成率方面有一定的提升,并且在负载较高时,数据处理任务的截止期错失率也有明显下降。在实验中,同时到达的数据量增大到一定程度时,DRPS算法对存储资源消耗较大。在随后的工作中,需要进一步优化算法的调度过程,完善集群节点间的任务迁移策略,为电力全业务统一数据中心的建设提供参考。

附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。

参考文献

[1] 彭小圣,邓迪元,程时杰,等.面向智能电网应用的电力大数据关键技术[J].中国电机工程学报,2015,35(3):503-511.

PENG Xiaosheng, DENG Diyuan, CHENG Shijie, et al. Key technologies of electric power big data and its application prospects in smart grid[J]. Proceedings of the CSEE, 2015, 35(3): 503-511.

[2] 宋亚奇,周国亮,朱永利.智能电网大数据处理技术现状与挑战[J].电网技术,2013,37(4):927-935.

SONG Yaqi, ZHOU Guoliang, ZHU Yongli. Present status and challenges of big data processing in smart grid[J]. Power System Technology, 2013, 37(4): 927-935.

[3] 朱碧钦,吴飞,罗富财.基于大数据的全业务统一数据中心数据分析域建设研究[J].电力信息与通信技术,2017,15(2):91-96.

ZHU Biqin, WU Fei, LUO Fucai. Research on the construction of data analysis domain of unified data center based on big data[J]. Electric Power Information and Communication Technology, 2017, 15(2): 91-96.

[4] 国网辽宁省电力公司海量平台顺利完成对全业务统一数据中心的数据推送工作[J].电力信息与通信技术,2016,14(12):116.

[5] MA F, LUO X, LITVINOV E. Cloud computing for power system simulations at ISO New England—experiences and challenges[J]. IEEE Transactions on Smart Grid, 2016, 7(6): 2596-2603.

[6] ZHONG Z, CHEN K, ZHAI X, et al. Virtual machine-based task scheduling algorithm in a cloud computing environment[J]. Tsinghua Science and Technology, 2016, 21(6): 660-667.

[7] 王德文.基于云计算的电力数据中心基础架构及其关键技术[J].电力系统自动化,2012,36(11):67-71.

WANG Dewen. Basic frame and key technology for a new generation of data center in electric power corporation based on cloud computation[J]. Automation of Electric Power Systems, 2012, 36(11): 67-71.

[8] 赵俊华,文福拴,薛禹胜,等.云计算:构建未来电力系统的核心计算平台[J].电力系统自动化,2010,34(15):1-8.

ZHAO Junhua, WEN Fushuan, XUE Yusheng, et al. Cloud computing: implementing an essential computing platform for future power systems[J]. Automation of Electric Power Systems, 2010, 34(15): 1-8.

[9] 汪际峰,沈国荣.大电网调度智能化的若干关键技术问题[J].电力系统自动化,2012,36(1):10-16.

WANG Jifeng, SHEN Guorong. Some key technical issues on intelligent power dispatching of bulk power grid[J]. Automation of Electric Power Systems, 2012, 36(1): 10-16.

[10] 高闻迪.突发性海量数据处理技术在物联网监控系统中的研究与应用[D].北京:北京邮电大学,2013.

[11] 龚石林,王晨,冯彦钊,等.基于改进加权公平队列的变电站局域网通信队列调度策略[J].电力系统自动化,2015,39(4):76-81.DOI:10.7500/AEPS20140325009.

GONG Shilin, WANG Chen, FENG Yanzhao, et al. A smart substation LAN communication queue scheduling strategy based on improved WFQ algorithm[J]. Automation of Electric Power Systems, 2015, 39(4): 76-81. DOI: 10.7500/AEPS20140325009.

[12] 王德文,刘杨.一种电力云数据中心的任务调度策略[J].电力系统自动化,2014,38(8):61-66.DOI:10.7500/AEPS20130620002.

WANG Dewen, LIU Yang. A task scheduling strategy of cloud data center in electric power corporation[J]. Automation of Electric Power Systems, 2014, 38(8): 61-66. DOI: 10.7500/AEPS20130620002.

[13] ZHANG F, BURNS A. Schedulability analysis for real-time systems with EDF scheduling[J]. IEEE Transactions on Computers, 2009, 58(9): 1250-1258.

[14] LEE J. Time-reversibility for real-time scheduling on multiprocessor systems[J]. IEEE Transactions on Parallel and Distributed Systems, 2017, 28(1): 230-243.

[15] ZHOU L, SUN S. Scheduling algorithm based on critical tasks in heterogeneous environments[J]. Journal of Systems Engineering and Electronics, 2008, 19(2): 398-405.

[16] ALDARMI S A, BURNS A. Dynamic value-density for scheduling real-time systems[C]// Proceedings of the 11th Euromicro Conference on Real-time Systems, July 8-11, 1999, Madrid, Spain: 270-277.

[17] 龚跃,张真真,黄小珂,等.基于动态双向优先级的任务分配与调度算法[J].计算机应用,2009,29(4):1131-1134.

GONG Yue, ZHANG Zhenzhen, HUANG Xiaoke, et al. Task allocation and scheduling algorithm based on dynamic dual-directional priority[J]. Journal of Computer Applications, 2009, 29(4): 1131-1134.

[18] 刘正涛,毛宇光,任凯.模糊数据流实时任务调度算法[J].计算机工程与应用,2007,43(19):180-184.

LIU Zhengtao, MAO Yuguang, REN Kai. Fuzzy data stream real-time task scheduling algorithms[J]. Computer Engineering and Applications, 2007, 43(19): 180-184.

[19] 夏家莉,陈辉,杨兵.一种动态优先级实时任务调度算法[J].计算机学报,2012,35(12):2685-2695.

XIA Jiali, CHEN Hui, YANG Bing. A real-time tasks scheduling algorithm based on dynamic priority[J]. Chinese Journal of Computers, 2012, 35(12): 2685-2695.

[20] CALHEIROS R N, RANJAN R, DE ROSE C A F, et al. CloudSim: a novel framework for modeling and simulation of cloud computing infrastructures and services[J]. Computer Science, 2009(4): 9p.