TELKOM NIKA , Vol.14, No .4, Dece mbe r  2016, pp. 14 54~146 1   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v14i4.3539    1454      Re cei v ed Ma rch 5, 2 016;  Re vised July   29, 2016; Accepted Augu st  17, 2016   Resear ch on Batch Scheduling in Cloud Computing      Jintao Jiao * 1 , Wensen Yu 2 , Lei Guo 3   1 School  of Mathematics a nd  Comp uter Scie nce,  W u y i  U n iv ersit y , 3 543 00,  W u y i sh an, Ch i na    2 T he Ke y  L a b o r ator y   of Cogn i t ive Comp uting  and Inte ll ig ent Information Pr ocessi ng of F u j i an Ed ucati on  Institutions, 35 430 0, W u y i s h a n , Chin a   3 Colla bor ative Innov atio n Cent er  of Chin ese  Oolon g  T ea Industr y ,  3 543 00 , W u yisha n , Ch ina   *Corres p o ndi n g  author, e _ ma il: jiao j i n tao@ 1 63.com       A b st r a ct   In the existi ng  clou d co mp uti ng e n viro n m e n t, bat ch sched ulin g strateg i e s  ma inly foc u s  on the   ma na ge me nt o f  resources  al l o catio n . T h is p aper  provi des t he task sc he d u lin g a l g o rith m base d  o n  serv ice   qua lity w h ich  fully cons id ers  priority a nd  sched uli ng d e adli ne. T he i m pr ove d  al gor ithm c o mbi nes  the  adva n tag e s of  Min- min  al gorit hm w i th hi gh er  throu ghp ut a n d  li ne ar pr ogra m mi ng w i th  glo bal  opti m i z a t io n,   consi ders n o t only al l the task s but also th e h i gh pr iori ty task s. T he experi m ent re sult shows that compared  with the Min-min and DBCT the  com p leted tasks of the im pr oved  algorithm  increase about 10.6%  and  22.0%, on the other hand the  complet ed high priority tasks also incr eas es approx imatel y 20% and 40%.     Ke y w ords : clo ud co mp utin g, sched uli ng stra tegy, batch sch edu lin g      Copy right  ©  2016 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion   Clou d  comp u t ing is a  ne w  busi n e s s mo del, an d it i s   a p r odu ct  of i n formatio n te chn o logy   [1]. In cloud  comp uting  market, use r  scal e  is  ve ry large, and  the QoS(Q u ality of Service)  requ est s  of each ta sk a r e  not identical. These  facto r s make task  sched ule in cloud computi ng  very compli cated. So it i s   a technical diffi cult y to  sche dule th e m a ssive ta sks in  clou d  comp uting   in orde r to ge t a better sch edulin g re sult s with the con s train of bu dg et and dea dli ne.  The main b a tch sch edulin g algrithm s are Min-min [2]  and DBCT [3] (unde r the  deadli n e   and b udg et constrain time   optimizat io n  algorith m ). T he ide a  of Mi n-min  algo rith m is th at the  best   resou r ces  wil l  be allo cate d to the min i mum task, thus the  syst em throu ghp ut rate can  be  improve d  a n d  the mi nimu m time of th e job  can b e  obtain ed.  While the  idea  of DB CT i s  to  sched ule th e  task on  the  reso urce th at  can  comple te the tas k  earlies t, als o   reques t  the cos t   no   more th an u s er' s  bu dget a nd the fini sh t i me no m o re   than de adlin e .  With the po pularity of  clo ud  comp uting,  some u s e r s wi th less  budg e t  may also   want to u s e  clo ud  comp uting ;  also  there a r e   some  tasks  with sufficien t budget a n d  intensive  de mand  of dea dline. Fo r th ese  ca se s, the   numbe r of  co mpleted ta sks of Mi n-mi n  and  DBCT al gorithm s  will  be le ss. The r e are al so  a l o t of  peopl e put fo rwa r d  othe r a l gorithm s, but  som e  did  no t con s ide r  th e dea dline [4 ], some di d n o t   con s id er th e  use r ’s bu dget  [5]; they did   not bal an ce t he  relation shi p  bet wee n  th e de adlin e a n d   the budg et.  From the pe rspe ctive of QoS, this  paper propo se s DBCMNCT  (dea dline an d budget   con s trai ned   maximize d n u mbe r  of  co mpleted  tasks  sched uling   algorith m ) al gorithm  in  order to  meet the b u dget an d de adline  co nstrains.  Co mp a r ed  with Min - min a nd  DBCT alg o rith m,  DBCM NCT  a l gorithm ca n accompli sh h i gher  pri o ri ty tasks  better,  at the same  time the ne w  algorith m  can  maximize th e numb e r of  compl e ted ta sks. So the u s er’ s  d e ma nd s can b e  me et;  on the other  hand, the cl o ud com puting  can a ttra c t more con s um ers and g e t more benefits.       2. Cloud Co mputing Sch e duling Mar ket Mod e l  Clou d comp u t ing sche duli ng ma rket m odel[6-7]co u l d  man age  an d evaluate  re sou r ces  allocation m o re effe ctively. The  mod e l  bring s  fo ur b enefits: (1) u s er’ s  fai r   use  of computin g   resou r ces [8], (2 ) adj ustin g  the b a lan c e  of su pply an d  dema nd  of reso urce s in  cloud  com puti ng.  Whe n  dema n d  excee d s  su pply, raisin g the pri c e of  re sou r ces  coul d help to red u ce the n u m ber  of users an d tasks, on the  other  ha nd, whe n  su pply excee d s d e m and, lower pri c e could hel p  to  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Re sea r ch on  Batch Sch e d u ling in Clo u d  Com puting (Jintao  Jiao )  1455 attract more use r s [9], (3) providing qu ality of se rvice to users, such a s  task deadli ne, co st to  compl e t e  t h e  t a sk,   se cu rit y  of   resou r ce s [10], (4 ) p r oviding the  effective re so urce m ana gem ent   and allo catio n  mech ani sm  [11].  The mod e l contain s  clie nt, broker, re sour ce s, re so urces  su ppo rter and info rmation   servi c e, the a r chite c tu re sh ows in Figu re  1.          Figure. 1 Clo ud Com putin g Sched uling  Model       Usually the t a sks that ne e ded to  be  run  can   be  divid ed into  se rial  appli c ation s ,  parallel  appli c ation s , para m eter  scannin g  appli c ations, colla b o rative ap plications a nd et c. The sy ste m   allows users to set the re sou r ce req u irements  a nd  prefe r en ce s for pa ramete rs, and the cli ent  pay for the using re sou r ce s.  Broker i s  the  interme d iate i n terface bet ween  c lient an d re sou r ce, functio n  of wh ich i s  to   discover re so urces, sele ct   resou r ces,  receiv e ta sks,  return sch e duling  re sults and ex chan ge   informatio n. And  b r o k er sup port s   diff erent  sche du ling poli c ie s  whi c h  can  find resource   and  sched ule tasks a c co rdin g to use r ’s d e m and s. Bro k er is m a inly compo s ed  of job co ntrol a g ent,  sched ule advi s or, explo r e r , trade ma nag er and d eploy ment agent.   There is a variety of compu t ing resou r ce s in  clo ud co mputing, re so urce ha s the attribute   of comp uting  performan ce and comp uting pri c e,   perfo rman ce  is mea s ure d  by MIPS(Million  Instru ction s   Per Second ), price is me asu r ed  by  unit time c o s t  G$. Generally the better the  resource perf o rmance, the higher the pri c e will be.  Information service mainly  re cords avai lable  resources. Broker  will query information  servi c e when  search es for appro p riate  resou r ces,  th en intera ct with reso urce s providers after  getting information of re sou r ces th at meet  use r ’s demand. If resou r ces p r oviders have  ne w  resou r ce to lease, they must regi ste r  the re so u r ce s information i n  informatio n  service so t hat  bro k e r  co uld find it.  In  th e  pr oc es s o f  tr an sac t io n  be tw een  c lien t  a nd r e s o ur ce s  p r o v id ers ,  r e s o ur ce s   provide r s reg i ster the reso urces info rm ation in  the informatio n service. After  client submit s a  task to broker, broker will get av ailable resources information from  information serv ice, and then  sched ule s  th e task to the  approp riate reso urce s  a ccordin g to the  sched uling  al gorithm. Broker  also e s timate s the com p let i on time and the co st  before the task i s  execute d . If the time exce ed s  the deadline  or the  co st is  higher than  user’ s  budget,  broker  will  ref u se to  accept  the task. If the   task is  executed successfully, br oker  will return results to the  client and  obtain the  profit,  otherwise ret u rn the e rro r i n formatio n.      3. Descrip tio n  of Schedul ing Tasks   In the clo u d  comp uting  environ ment,  reso u r ces  provide r   can  benefit by  leasi ng  comp uting re sou r ces, me anwhile clie n t  can co m p l e te the task of quality requireme nts by  purcha s in g the right to use  reso urce s. We a s su me that the task  budg et and d eadlin e is limited,  client  re quire s total  cost  within bu dget  a nd h ope  a s   much  a s   po ssible  task co uld b e   com p l e ted   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 4, Dece mb er 201 6 :  1454 – 146 1   1456 unde r the premise of ta sk completio n  time befor e de adline. If clie nt has suffici ent budg et and   long en ough  deadli ne, the tasks would b e  compl e ted  within bu dget  and dea dline .   Due to the  b udget i s  less or the ta sk  is  urgent, m a ybe some o f  the tasks  could be   compl e ted. So, this pape r mainly discu s se s ho w  to maximize the  numbe r of tasks  compl e ted.   Also, this pa per  co nsi ders the ta sk pri o rity  unde r  sp ecial  ci rcum stance s , b e ca use  cli ent ho pes  that urge nt and impo rtant  tasks  s houl d  be co mplete d  in time, whil e the re st of the tasks ca n  be   delayed.   With the abo ve assumptio n s, clie nt sep a rate s  the tas k s  into two  k i nds  by priority: the  highe r p r io rity tasks  and  the lo we r p r io rity tasks.  T h is p ape r u s e s   HS to  rep r ese n t the  hig her  prio rity tasks  and  LS to  re p r esent th e lo wer p r io ri ty tasks. Fi gure  2  sho w s the  de adline  of the   HS   and LS ta sks. We can figu re out th at t he HS ta sks  must b e  com p leted b e fore  T= HS T , and th e   LS tasks mu st be com p let ed before T= LS T , so the tasks are formali z ed as (HS, HS T ) a nd (LS,  LS T ).  I f  t a sks t y pe is (0,   HS T ) an d (LS,  LS T ), it means that there  are  no  HS tasks, as many tasks  as po ssible  should b e  com p leted withi n  budg et and b e fore  LS T .        Figure. 2 Dea d line of HS a nd LS tasks      4. Task Sche duling Algor ithm Base d on Qualit y  of Ser v ice  In clo u d  com puting  marke t, resource s  sup porte r  ca n’t co mplete   all tasks  wh e n  cli ent  requi re s l e ss  budg et or sh orter time th a n  ne ede d. So  this  pap er  propo se s the  task  sched uli ng  algorith m  ba sed on qu ality of se rvi c e to solve the pro b lem.     4.1. Deadline  and Budg et  Cons train e d Maxi mum Number of  Complet e d Tasks(D B C M NCT)  Suppo se tha t  there are  m machi n e s m r r r , , , 2 1 , n t a sk s n e e e , , , 2 1  and th e   followin g  vari able s  in the cl oud computin g environ men t .    Table. 1 Defi nition of Varia b les  variable definition  n  number  of tasks  m  number of comp uting resources   i L   length of task i  B task  budget  j Re   computing perfor m ance of resour ce j  j P   price of resource  j      Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Re sea r ch on  Batch Sch e d u ling in Clo u d  Com puting (Jintao  Jiao )  1457 Acco rdi ng to the client’ s  re quire ment s,  HS tasks sho u ld be co mpl e ted before  HS T , LS  tasks shoul d be com p leted  before  LS T . In order to en su re  that the high priority tasks HS can b e   compl e ted a c cording to  cli ents’ d e man d  good  re sou r ce s shoul d b e  allo cated to  sho r t tasks, so   that more tasks can be compl e ted in  a period  of  time. Based on the two kinds of tasks,   DBCM NCT gi ves hig h e r  p r i o rity to the al locatio n  of  re sou r ces to th e HS ta sks throu gh Mi n-min   algorith m . Becau s e e a ch  machi ne p e rf orma nce is d i fferent and t he allo cation  of the task  size   and num be r are not the  same,  so th e com p letion  time and cost of each machi ne will  be   different. If  j t and  j b  are used  to represent  the com p leti on time and  co st whe n  m a chi ne j is  used to com p lete one  of the HS tasks and b repr esent the  serv ice cost of al l the HS tasks,  m j j b b 1 .  Ho wever, if th e bu dget i s  li mited o r  the   HS ta sks d e a d line i s   urg e n t, part of th e  HS ta sks  may not be  completed, th en the u n co mpleted  HS  tasks  sh ould  be ad ded to  the LS tasks  set.   Whe n  exe c ut ing the  LS t a sks,  a lin ea r pl anni n g  m odel  LPM i s  used to  get  the m appi n g   relation shi p   betwe en LS  tasks a nd re sou r ces.  T h e  definition of  task  structu r e contain s   an  attribute of so rt, when  sort =1 the task typ e  is LS, when  sort =2 the ta sk type is  HS.  There are  so me assum p tions  in the  scheduli ng process:  Tasks  in   exe c ution can not be sei z ed. O n ce   t he se rvi c e provider  b egi n to  exe c u t e a ta sk,  it cannot interrupt the curre n t task to pe rf orm othe rs u n til the task is complete d.  There is no p r iority for the same type ta sks,  the clien t  only conce r ns abo ut the numbe r  of complete d tasks befo r e  deadli ne.   So the  algo ri thm of d eadli ne a nd  bud g e t co nst r ain e d  maximu m  numbe r  of co mpleted  tasks (DBCM NCT ) is  sho w n in algorith m  1.    Algorithm 1: DBCM NCT   Step 1:  S t he set  of  all t a sks;   Step 2:  HS S t he set  of  t a sks t h at  sort =1;   LS S the s e t of tas k s  that s o rt = 2 ;   Step 3: initialize  b B b t T T j j LS HS , , , , , ;  Step 4:  ) ( HS S if goto step 6;   Step 5: estimate the num ber of com p let ed  HS tasks by Min - m i n algorithm , return b, j t ;  Step 6:  } \ { HS i i i LS LS S e d uncomplete e e S S ;  Step 7: call L P M( b B t T S i LS LS , , , , ) m odule, estim a te the  num ber of  com p leted LS tasks  and retu rn th e m apping rel a tionship bet wee n  tasks a nd re sou r ce s;  Step 8: acco rding to the  m apping rel a tions hi p, sch edule ta sks  t o  the co rrespondi ng  resou r ces to  perfo rm ance;   Step 9: accep t  the sche dul e result returned from  the resou r ces p r o v ide r ;  Step 10: end;     4.2. LPM Module  The matrix  nm A  is defined in formula 1,    nm n n m m nm a a a a a a a a a A , , , , , , , , , 2 1 2 22 21 1 12 11                                                                                                 (1)  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 4, Dece mb er 201 6 :  1454 – 146 1   1458 ; 0 ; 1 otherwise j resource to scheduled is i task if a ij     Each ta sk i s  execute d  at most on on e reso urce, so t here i s  formul a 2.  m j LS i ij S e n i a 1 , , , 2 , 1 , 1                                                                                   (2)    Before th e ex ecutio n of LS  tasks,  each  reso urce  ha s  alrea d y worked for  j t  and g a ined   servi c e  co st b due to the  executi on  of HS tasks. B a se d on d e a d line  LS T  and the available   budg et left B-b, there are formul a 3 and  formula 4.     n i LS i j LS j i ij S e m j t T L a 1 , , , 2 , 1 , Re / *                                           (3)    LS i n i m j j j i ij S e b B P L a   , Re / * * 11                                                               (4)    Whe n  exe c ut ing the LS ta sks, the  sche duling  o b je ctive is to maxi mize the  nu mber  of  compl e ted ta sks, so the r e  is formul a 5.    LS i n i m j ij S e a   , max 11                                                                                                 (5)    Acco rdi ng to  formula 2 to f o rmul a 5, a li near plan nin g   model can be  esta blishe d,  LPM  algorith m  ca n  be use d  to solve the LPM module  in al g o rithm 1, as  shown in algo rithm 2.      n i m j ij a 11 max   . . t s   m j ij n i a 1 , , 1 , 1   n i j LS j i ij m j t T L a 1 , , 1 , Re / *     n i m j j j i ij b B P L a 11 Re / * *   m j n i or a ij , 2 , 1 , , 2 , 1 , 1 0   LS i S e     Algorithm 2: LPM  Step 1: M the set of all m a chine s ;  Step 2: initialize  b B t T L P R A j LS i j e nm i , , , , , , , ;  Step 3: establ ish an d cal c ul ate the linear  planni ng m odel, return  nm A ;  Step 4: for(i=1;i<=n;i++)  for(j= 1 ;j<= m;j+ +){  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Re sea r ch on  Batch Sch e d u ling in Clo u d  Com puting (Jintao  Jiao )  1459   i f ( 1  ij a  &&  LS j S e ) sc hedule task  i to mac h ine j;    else  contin ue ;    }   Step 5: return  the expe cted  com p letion tim e  and m apping re sult;   Step 6: end;      5. Experiment and Resul t  Analy s is  Two  expe rim ents  are  de si gned  in  ord e r to test th e p r opo sed  DB CMNCT al gorit hm. The   simulatio n  pla tform is  Clou dsim [12 - 1 3 ]. Clou dsim i s  a n  event drive n  clo ud comp uting sim u lati on   toolkit ba se d  on Java; its  main go al is  to re sea r ch i n  the effectiv e re sou r ce al locatio n  meth od  based on the  computin g e c on omy mod e l. In the desi gned  cloud  computing m a rket, the pri c e is   proportinal to the  computing ability.      5.1. Experiment  w i th out  HS Task s   The first exp e rime nt is d e sig ned to test the total numbe r of completed ta sks u nde r  different bud get and dea dline wh en there a r e no   HS tasks. And the size  of each task i s   distrib u ted ra ndomly between.  between  600 MI(Milli on Instructio n )  and 1 260 0 MI. There a r e 7  para m eter g r oup  of b udg et and  d eadli ne; the  pa ra meter i s  in creased  step  b y  step,  su ch  a s   (450 000,5 0 0 0 ) 70 000 0,7000 ) (8500 00,90 00 ) (10 000 0 0 ,1000 0)  (115 000 0,13 000)  (130 000 0,16 000) (14 500 0 0 ,1900 0).           Figure. 3 Nu mber of Com p leted Ta sks  Corre s p ondin g  to Each Group of Budge t and Dea d lin       Figure 3 sho w s the result of the first  exper im ents.  With the increa se of bud get an d   deadli ne the numbe r of tasks  compl e ted  by Min-min  algorithm is in crea sed, but n o t absolute; the   compl e ted ta sks of grou p 4 is less than grou p 3,  also the com p l e ted tasks of  group 6 is l e ss  than group 5 ;  the budget  and de adlin e  is increa se d   while the n u mber of  com p leted tasks  is   decrea s e d . T he main  re ason is  wh en  some of t he ta sks  can not b e  com p leted,  the bud get a nd  deadli ne  will  have an  imp a ct on  the  schedul e of ta sks t hat the n u mbe r  of  co mpleted ta sks is  decrea s e d . In comp ari s on,  the numbe r o f  comple te d tasks of DB CMNCT and  DBCT algo rith m is  increa sed  wit h  the i n crem ent of b udg et and  de ad lin e. For ea ch   grou p of  bu d get an d d ead line,   the perfo rma n ce of DB CM NCT i s  better than that  of  DBCT a nd M i n-min, there are ab out 22 %   and 10.0 6 % perfo rman ce i m provem ent.    5.2. Experiment  w i th  HS Tasks   The p r opo rtio n of HS tasks in the  se co nd  expe rime nt chan ge s from 10% to 8 0 %; and  the numbe r o f  all tasks i s  r andomly di str i buted from 5 00 to 1000.   Figure 4  sho w s th at the HS tasks  comp letion  rate  of DBCM NCT al gorithm i s  mu ch m o re   highe r than  the othe r two  algorith m s, th is is mainly  b e ca use the p r iority is  give n to HS ta sks i n   DBCM NCT al gorithm while  not in the other two  al gorithms. This m ean s more u r gent tasks ca n  be com p leted  with DBCM NCT algo rithm  than the othe r two.   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 4, Dece mb er 201 6 :  1454 – 146 1   1460 Figure 5 sh o w s that  with the increa se  o f  the HS  tas k s ,  the total tas k s  completion rate of  Min-min  a n d  DB CT  algo rithm i s   relat i vely stable.  And th e to tal tasks  co mpletion  rate  of   DBCM NCT al gorithm i s   hig her th an the   other t w o al g o rithm s  if the  prop ortio n  of  HS tasks i s  le ss  than 50%, b u t when the  prop ortion  of HS tas ks is more th an 50% the  performan ce of  DBCM NCT  a l gorithm  is worse th an th e othe r t w o.   This is mainl y  becau se th e HS  tasks  wil l   occupy th e g ood  re sou r ce s, so the  co mpletion if  affected  with th e in cre a se of  the HS  tasks. In   the actu al  cl oud  com puti ng sy stem t he nu mbe r  o f  HS tasks should  be limi t ed so  that t he  perfo rman ce  coul d be bett e r.             Figure. 4 HS Tasks Com p l e tion Rate  with  D i ffer ent Pr opor tion of H S   Tasks  Figure. 5 Total Tasks  Completion Rate with  D i ffer ent Pr opor tion of H S   Tasks      5.3. LPM Algorithm Perfo r mance Anal y s is  The b r an ch a nd bou nd al g o rithm [14] is  use d  to solve  the linear  pla nning m odel i n  LPM   Algorithm, th e time  and  sp ace  cost s  of the  whol e al g o rithm  are al so mai n ly con s ume d  i n   sol v ing  the linea r pl annin g  mod e l . Table 2 a nd Tabl e  3  sho w  that th e time and  spa c e  co sts  are   increa sed  wh en the numb e r  of tasks is in cre a sed.       Table 2. Time  and Space Cost with Diffe rent Numb er o f  Tasks  Number of  Tasks  50  100  500  1000   Time  Cost(ms)   10 10 20  40  Space  Cost(K)   101 192 922  1825       Table 3. Time  and Space Cost with Diffe rent Numb er o f  Reso urce s  Number of  Reso urces  50  100  500  1000   Time Cost(ms)   10  20  20  40  Space Cost(K)   866  1704   5100   8421       The time co st of the algorithm is in the  millise c on d  level, which  is far less than the   executio n tim e  of the  ta sk, so  the time  co st  of  the  sched uling  al gorithm  can  be ig nored.  Th e   spa c e  co st is increa sed lin early, so the  num be r of tasks o r  re so urces shoul d be  limited.  Although the  linear pl anni n g  model is a  NP pr o b lem,  it has alre ady  been u s ed i n  other  sched uling a l gorithm.  No wad a ys the r e are  a lot  of resea r ch  results  can  make th e time   compl e xity of serial alg o rit h m cont rol in  polynom ial level. And with the improv ement of parallel  techn o logy, the se rial line a r plan ning a l gorithm  can  be easily pa rallelize d , whi c h also gre a tly  redu ce s the time and spa c e co sts.       6. Conclusio n   This  pape r di scusse s h o w  to maximize t he num be r of  com p leted ta sks  with con s train of   budg et and d eadlin e; also  when the r e  are  some u r gent or imp o r tant tasks, the algo rithm  can   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Re sea r ch on  Batch Sch e d u ling in Clo u d  Com puting (Jintao  Jiao )  1461 ensure th ese  tasks  compl e ted a c cordi n g to user ’ s  d e mand.  HS tasks  will be  a llocate d on g ood   resou r ces; th en hi ghe r  HS task  compl e tion rate a nd t o tal task  com p letion  rate  can b e  a c hiev e d   by using the  DBCM NCT al gorithm b a se d on LPM.  In this p ape r, we  pay mo re attention to  t he u s er.  He ncefo r th by  combinin g the  cha r ate r   of the sy stem itself, we will  continue to impr ove the algorithm in or der t o  make it m o re  comp re hen si ve, more wid e ly used a nd  more  simple t o  use.       Ackn o w l e dg ements   This work was supp orted  by Fund of Fuji an Edu c a t ion Institutions(JB1 410 1), F und of   Wuyi Unive r sity(XD2 014 0 6 ) and  re se arch proje c t of universit y teaching reform in Fuj i an  Province (JA S 15134 2).       Referen ces   [1]  Shuo  W a n g ,  Shih ong  L i u.  Ke y T e chno lo g y  of  Agric u lt ural  Prod uctio n  a n d  Market  Informatio n   Matchin g  i n  Bi g D a ta Era.  T E LKOMNIKA Indo nesi a n  Jou r nal  of El ectric al E ngi ne erin g . 20 14; 1 2 (3) :   221 2-22 18.   [2]  Patel G, Meht a R, Bhoi U.   Enha nce d  L o ad Ba la nced   Min- min  Alg o ri thm for St atic  Meta T a sk  Sched uli ng i n  Clou d  Co mputi n g . Proced ia C o mputer Sci e n c e. 2015; 5 7 : 545-5 53.   [3]  Chint apalli, V e nkataram i Reddy . A  deadline and  budget  constrained c o st  and tim e   optimiz ation  algorithm for c l oud computing.  Co mmun icati ons i n  C o mp uter an d Infor m a t ion Sci enc e . 2 011;  193( 4):  455- 462.   [4]  Suja n S, Devi  RK.  A batchmode dy na mic s c hed uli ng sch e m e for cl oud c o mputi n g . Pro c eed ings  of  201 5 Glob al C onfere n ce o n  Commun i cati o n  T e chnolo g ies .  Nagerco il. 20 15: 297- 30 2.  [5]  F an Yu an yu an , Lia n g  Qingz h ong,  Ch en Y u n s ong, Y a n   Xu e s ong,  Hu  Ch en g y u, Ya o  Hon g ,  Liu  Ch ao,   Z eng D e ze.   E x ec utin g time  and c o st-a w a r e  task sche d u l ing  in h y b r i d  c l ou d usi ng  a  modifi ed DE   algorithm.  Co mmu n ic ations i n  Co mp uter and  Information Sci ence . 20 16; 57 5: 74-83.   [6]  Rabi  Pras ad P adh y, M anas   Ranj an  Patra.  Architec ture  &  Desig n   of Affordab le  an d Hi g h l y  Ava i l abl e   Enterpris e  Cloud Serv ice.  Internati ona l Jo ur nal  of Clo ud  Co mp uting  an d Servic es Sci ence . 20 13 ;  2(2): 85-1 05.   [7]  Hon g she ng Su , Ying Qi. A chaos clo ud p a rti c le s w arm a l go rithm base d  av aila bl e transfer  capab ilit y.   T E LKOMNIKA Indon esi an Jou r nal of Electric al Eng i ne eri n g .  2014; 1 2 (1): 3 8 -47.   [8]  Mazal o v V, L u k y an enk o A,  Lu ukkai n e n   S. Equi libr i um  in c l o ud c o m putin g mark et.  Perfor ma nce   Evalu a tion . 2 0 15; 92: 40- 50.   [9]  Hamsa nan dh in i S, Moh a n a  R S .  Maxi mi z i n g   the rev enu e w i t h clie nt cl assifi cation  in  Cl ou d  Co mp utin g   mar k et . 20 15  Internati o n a l  C onfere n ce  on   Comp uter  C o mmunicati on  a nd Inform atics. Co imbator e.   201 5: 1-7.  [10]  Manso u ri  Dou   El Kefe l, Ben y ettou Mo hamm ed. Pr ic e o p ti misatio n  of c l o ud c o mputi ng  service  in  a   mono pol istic competitiv e mar k et.  Multiage nt and Grid Syste m s . 20 16; 11( 4 ) : 259-27 1.  [11]  Xu  Bol e i, Qin  T ao,  Qiu Guopi ng, L i u T i e-Yan.  Co mpeti t ive pric ing f o r clou d co mp uting  in  an   evol ution a ry market . Procee di ngs of the Inte rnatio nal J o int Confer ence on   Autonom ous Agents  a nd  Multia gent S y s t ems. Ist anbul. 201 5; 3: 1755- 175 6.  [12]  Rodri go  N. Cl oudS im: A No vel F r ame w o r k  fo r the Mod e l i ng  and S i mul a tion  of Clo ud  Computi n g   Infrastructures and Serv ices. T he Univer sit y   of Melbo u rn e Australi a. 200 9.  [13]  RN Ca lh eiros,  R Ra nja n , A B e lo glaz ov, CAF  De R o se, R B u yya . Cl ou dSi m : a toolkit for  mode lin g a n d   simulati on of  clou d computi ng env ironm e n ts and eva l u a tion of reso u r ce provisi o n i n g  alg o rithms.  Softw are Practice and Exp e ri e n ce . 201 1; 41( 1): 23-50.   [14]  Jin F ang, Yu an Z h i-h ua, Li u Qing-Qua n , Xin g  Z han g. Quantized fe edb ack contro l of net w o rk   empo w e rme nt ammuniti on  w i t h  data-r a te lim itations.  TELK OMNIKA Telecommunic a tio n   Co mp utin g   Electron ics an d Contro l . 201 4; 12(3): 52 5-5 32.     Evaluation Warning : The document was created with Spire.PDF for Python.