文献综述（或调研报告）：
[1] 对于一个分布式实时系统而言，多个主机间如何进行动态的任务分配调度，很大程度上影响着系统的性能，因而一直受到人们的关注。各国研究人员对此进行了大量的研究，提出了一系列动态负载均衡算法。所有这些方法都从某方面改进了动态负载均衡，提高了分布式/并行系统的性能。但因为分布式/并行系统的任务在各结点动态分配生成，而各结点上的负载是不断变化的，以上各算法多是收集结点负载的旧值或大概估计值作为任务在各结点分配的依据，不仅精确度不够，更可能造成进程迁移的抖动，从而导致算法的实用效果并不甚理想。如果能够预先了解结点的负载变化，平衡系统在进行任务分配时就有提前量，这样可以避免因信息传递时延使决策信息过时而造成的某一任务在结点间来回迁移得不到执行的情况，减少了任务再分配的发生，从而使负载均衡的性能得到较大提高。基于这一思想，我们提出了一种动态的基于负载预测的均衡方法，给出了该方法的实现模型和相关算法，并进行了性能分析，最后得到了实验结果。
[2] 源调度是云计算的一个主要研究方向。首先对云计算资源调度的相关研究现状进行深入调查和分析；然后重点讨论以降低云计算数据中心能耗为目标的资源调度方法、以提高系统资源利用率为目标的资源管理方法、基于经济学的云资源管理模型，给出最小能耗的云计算资源调度模型和最小服务器数量的云计算资源调度模型，并深入分析和比较现有的云资源调度方法；最后指出云计算资源管理的未来重要研究方向：基于预测的资源调度、能耗与性能折衷的调度、面向不同应用负载的资源管理策略与机制、面向计算能力(CPU、内存)和网络带宽的综合资源分配、多目标优化的资源调度，以便为云计算研究提供有益的参考。
[3] 云计算的目标是仅分配（并为此付费）那些真正需要的云资源。迄今为止，云从业者已经追求基于调度的（例如，一天中的时间）和基于规则的机制，以尝试使计算需求和计算资源之间的这种匹配自动化。但是，大多数这些“自动缩放”机制仅支持简单的资源利用率指标，没有特别考虑用户性能要求和预算问题。在本文中，我们提出一种方法，其中基本计算元素是各种大小/成本的虚拟机（VM），将作业指定为工作流，用户通过为作业分配（软）截止日期来指定性能要求，并且目标是确保所有工作均在最低限度内以最低财务成本完成。我们通过动态分配/取消分配VM并在最具成本效益的实例上调度任务来实现我们的目标。我们以四种代表性的云工作负载模式评估了我们的方法，并显示与其他方法相比，成本节省了9.8％至40.4％。
[4] 云已经成为一种有吸引力的计算平台，可以提供按需计算能力和存储容量。它的动态可扩展性使用户能够响应业务量，性能需求和其他动态行为，快速扩展和缩减基础架构。但是，在考虑计算实例的不确定性获取时间，多种VM实例类型，独特的云计费模型和用户预算约束时，会遇到挑战。为用户期望的性能以更低的成本规划足够的计算资源，这也可以自动适应工作负载的变化，这并不是一个小问题。在本文中，我们提出了一种云自动扩展机制，可以根据工作负载信息和性能需求自动扩展计算实例。我们的机制可以调度VM实例的启动和关闭活动。通过控制底层实例编号，它使云应用程序能够在截止日期之前完成提交的作业，并通过选择适当的实例类型来降低用户成本。我们已经在Windows Azure平台中实现了我们的机制，并使用模拟和真实的科学云应用程序对其进行了评估。结果表明，我们的云自动扩展机制可以以较低的成本满足用户指定的性能目标。
[5] 云计算是分布式计算，并行计算和网格计算的发展，或者被定义为这些计算机科学概念的商业实现。这种环境中的根本问题之一与任务调度有关。Cloudtask调度是一个难解决的NP优化问题，并提出了多种元启发式算法来解决。一个好的任务调度器应根据其变化的环境和任务类型调整其调度策略。提出了一种基于负载均衡蚁群优化算法的云任务调度策略。我们工作的主要贡献是平衡整个系统负载，同时尝试最小化给定任务集的有效期。使用CloudSim工具包软件包模拟了新的调度策略。实验结果表明，提出的LBACO算法优于FCFS（First ComeFirst Serve）和基本ACO（蚁群优化）。
[6] 基于大型组件的企业应用程序，利用云资源，期望服务质量(QoS)保证符合客户和服务提供商之间的服务级别协议。 在云计算的背景下，自动缩放机制有望确保应用程序的QoS属性，同时有效地利用资源，并为服务提供商保持较低的运营成本。 尽管人们意识到自动缩放的优点，但实现自动缩放的全部潜力是困难的，因为需要在客户工作负载模式显著变化的情况下精确估计资源使用情况，从而产生了多重挑战。 本文为克服普遍缺乏有效技术的工作量预测和最优资源分配做出了三方面的贡献。 首先，它讨论了云中自动缩放所涉及的挑战。 其次，开发了一种用于资源自动缩放的工作量预测模型预测算法。 最后，给出了经验结果，证明了我们的算法可以在满足应用QoS的同时保持较低的运营成本的情况下分配和处理资源。
[7] 随着最近出现的公共云产品，浪涌计算（在负载很重的时候将内部数据中心的任务外包给云提供商）已变得更受广大消费者的欢迎。但是，在这种情况下，确定将哪些工作负载外包给哪个云提供商并不容易。该决定的目的是在满足应用程序的服务质量约束的同时，最大限度地利用内部数据中心，并最小化在云中运行外包任务的成本。我们在多提供商混合云环境中研究此优化问题，该混合云具有截止期限约束和可抢占但不可提供商迁移的工作负载，这些工作负载具有内存，CPU和数据传输要求。线性编程是解决此类优化问题的通用技术。目前，尚不清楚该技术是否适合手头的问题以及其使用对性能的影响。因此，我们分析并提出了调度问题的二进制整数程序公式，并针对问题的关键参数评估了该技术的计算成本。我们发现，这种方法为在公共云中调度应用程序提供了一种易于解决的解决方案，但是由于求解时间差异非常大，因此在混合云环境中使用同一方法变得不可行。
[8] 系统虚拟化为虚拟化的数据中心提供了低成本，灵活而强大的执行环境，在云计算的基础架构中发挥着重要作用。但是，虚拟化也带来了一些挑战，特别是在资源管理和任务调度方面。本文提出了一种有效的虚拟化数据中心动态任务调度方案。考虑到可用性和响应性能，构建了虚拟数据中心任务调度的通用模型，并将其表述为两个目标的优化。通过使用I类和II类模糊逻辑系统，给出了一种优美的模糊预测方法来对虚拟化服务器节点的不确定工作量和模糊的可用性进行建模。提出并评估了一种称为SALAF的在线动态任务调度算法。实验结果表明，我们的算法可以提高虚拟化数据中心的总体可用性，同时提供良好的响应性能。
[9] 可伸缩性对于许多目前在网络上开展业务并提供可能在一次到另一次发生巨大变化的信息的企业的成功至关重要。仅仅为了满足高峰需求而维持足够的资源可能是昂贵的。云计算提供了强大的计算模型，允许用户按需访问资源。在本文中，我们将描述一种用于虚拟化云计算环境中基于阈值的Web应用程序动态扩展的新颖架构。我们将使用前端负载均衡器说明我们的扩展方法，该负载均衡器用于将用户请求路由和平衡到部署在虚拟机实例中安装的Web服务器上的Web应用程序。将介绍一种基于活动会话的阈值数量自动配置虚拟机资源的动态缩放算法。将讨论云的按需功能，以快速为用户提供资源并动态分配资源。我们的工作证明了云的引人注目的优势，它能够处理突然的负载激增，按需向用户交付IT资源并保持更高的资源利用率，从而降低了基础架构和管理成本。
