网格技术能集成地理上分布、异构和动态的各种计算资源,使用户打破地域限制,透明、无缝、有效地共享这些资源,以提供单机系统难以达到的高性能计算能力。网格技术被称为Internet的未来,有着巨大的应用前景,根据美国国家科学基金会(NSF)于2006年底发布的未来五年(2006-2011)的战略规划,网格技术被列为优先重点资助发展的领域之一。网格资源管理和任务调度直接关系到能否合理利用网格资源、获得最大的网格性能,是连接网格底层与高层功能的纽带,是协调整个网格系统有效运转的中枢,是网格研究需要解决的首要问题。 Agent技术为解决类似网格资源管理和任务调度这样的协同与合作问题提供了一种新的思路。利用Agent管理网格资源时,Agent驻留在网格资源本地,可以自主、灵活地发现应用所需要的资源并对所需资源进行动态管理。近年对复杂网络的深入研究表明,象Internet这样的真实复杂网络具有典型的小世界特性,并遵守幂规律。根据这两条规律来组织网格资源,符合网格资源本身的特点,网格资源之间具有更好的互通性。本文研究的网格系统资源管理模型和任务调度技术就是受Agent技术和小世界网络规律的启发而提出的。 论文在分析当今典型的网格系统平台在资源管理方面的不足的基础上,提出了基于Agent和小世界网络规律的网格资源管理模型GRM_A _SWN,该模型是一种基于Agent和小世界网络规律的分布式树型层次结构模型,该模型利用了多Agent技术的智能性、适应性和并行处理的特点,大大提高了资源管理系统的性能和效率,并且系统的资源信息具有更强的实时性和准确性。采用分布式的资源信息组织方式,克服了集中式资源管理系统的单点失效和系统瓶颈方面的不足,系统具有健壮、稳定、可靠的特点。在GRM_A_SWN资源管理模型基础上,详细设计了基于该模型的具有多项式时间复杂度的网格资源管理算法,并通过实验仿真和理论分析论证了其合理性和有效性。 为了充分利用并确保Agent的智能性和适应性,论文为有关Agent设计了知识库和推理机制。针对网格环境复杂多变和不确定的实际情况,特别设计了基于动态模糊知识的模糊推理机制,使Agent的推理更加合理有效。为了提高Agent适应环境变化的能力,论文提出了一种基于网格环境中动态模糊知识的模糊Q学习算法,由于利用知识库中的知识来指导Agent的动作选择,该算法比传统基本Q学习算法收敛更快、效率更高、效果更好。 以GRM_A_SWN资源管理模型为基础,论文研究了一种基于Agent技术的模块化的网格任务调度模型GTSM_A,并给出了与之相适应的具有负载均衡特性的网格任务调度算法,该算法利用多Agent卓越的并行处理能力和对环境的灵活感知特性,使任务调度、监控以及管理更加准确,资源分配的实时性、准确性均有很好的保障。为了获得更好的任务调度效果和服务质量,论文对GRM_A_SWN资源管理模型及其任务调度技术进行了改进和优化,提出了基于Agent并融合模糊聚类方法的任务调度算法,该算法巧妙地将任务和资源进行混合聚类,从而将恰好满足任务需求的资源与任务聚类到同一个聚类类别,并据此实施调度,客观上将处理能力远远超出任务需求的资源“预留”给将来可能到来的规模较大的任务,并能有效避免不合理调度,达到了调度优化的目的。分析和模拟实验证明了该算法的合理性和有效性。 作为应用场景,以论文研究的资源管理和任务调度技术为基础,研究了一种面向网格环境的Web应用的原型系统,该系统充分结合网格技术和Web技术的优势,能够获得比传统Web应用系统更强大的处理能力,并具备将已有的Web应用有效集成、整合到新的网格环境下的Web应用系统中的潜在能力。论文分析了该原型系体系结构、组成模块和各模块的功能,以及设计与实现的关键技术。