Cloud computing using virtualization technology has emerged as a new paradigm of large-scale distributed computing. One of its fundamental challenges is to schedule a vast amount of heterogeneous tasks while maintaining load balancing amongst different heterogeneous virtual machines (VMs) to meet both cloud users and providers’ requirements, such as minimum makespan low monetary costs, and high resource utilization. This problem is often classified as, NP-hard optimization, and while many heuristic algorithms have attempted to solve the NP-problem. However, they fail in load balancing and lower running times when the number of tasks grows exponentially, while that of VMs with set of resources, such as CPU, memory RAM and bandwidth remains stagnant. To solve the NP-problem effectively, we propose a fast heuristic algorithm based on the zero imbalance approach, as a new concept in the heterogeneous environment. Specifically, this approach focuses on minimizing the completion time difference among heterogeneous VMs without priority methods and complex scheduling decision which often subject the heuristic algorithms to the particular cloud configuration. The proposed approach defines two constraints, optimal completion time and earliest finish time which take account the task transfer time onto network bandwidth of VM to achieve load balancing and task scheduling effectively. The experimental results below show that the proposed algorithm effectively solves the NP-hard optimization problem better than existing heuristic algorithms by satisfying cloud users and providers’ requirements.

中文翻译：

---

云计算中基于启发式负载均衡的零失衡机制

使用虚拟化技术的云计算已经成为大规模分布式计算的新范例。其基本挑战之一是调度大量异构任务，同时保持不同异构虚拟机（VM）之间的负载平衡，以满足云用户和提供商的要求，例如最小化制造时间，低廉的货币成本和高资源利用率。这个问题通常被归类为NP硬优化，并且尽管许多启发式算法已尝试解决NP问题。但是，当任务数量成倍增长时，它们将无法实现负载平衡，并且无法缩短运行时间，而具有一组资源（例如CPU，内存RAM和带宽）的VM的性能却停滞不前。为了有效解决NP问题，我们提出了一种基于零不平衡方法的快速启发式算法，作为异构环境中的一个新概念。具体而言，此方法侧重于最大程度地减少异构VM之间的完成时间差异，而无需优先级方法和复杂的调度决策，而这些往往会使启发式算法经受特定的云配置。所提出的方法定义了两个约束，即最佳完成时间和最早完成时间，这两个条件考虑了任务在虚拟机的网络带宽上的转移时间，从而有效地实现了负载平衡和任务调度。下面的实验结果表明，与现有的启发式算法相比，提出的算法通过满足云用户和提供商的要求，有效地解决了NP难优化问题。作为异构环境中的新概念。具体而言，此方法侧重于最大程度地减少异构VM之间的完成时间差异，而无需优先级方法和复杂的调度决策，而这些往往会使启发式算法经受特定的云配置。所提出的方法定义了两个约束条件，即最佳完成时间和最早完成时间，这两个条件考虑了将任务转移到虚拟机网络带宽上的时间，从而有效地实现了负载平衡和任务调度。下面的实验结果表明，与现有的启发式算法相比，提出的算法通过满足云用户和提供商的要求，有效地解决了NP-hard优化问题。作为异构环境中的新概念。具体而言，此方法侧重于最大程度地减少异构VM之间的完成时间差异，而无需优先级方法和复杂的调度决策，而这些往往会使启发式算法经受特定的云配置。所提出的方法定义了两个约束，即最佳完成时间和最早完成时间，这两个条件考虑了任务在虚拟机的网络带宽上的转移时间，从而有效地实现了负载平衡和任务调度。下面的实验结果表明，与现有的启发式算法相比，提出的算法通过满足云用户和提供商的要求，有效地解决了NP难优化问题。这种方法侧重于最大程度地减少异构VM之间的完成时间差异，而无需优先级方法和复杂的调度决策，这往往会使启发式算法经受特定的云配置。所提出的方法定义了两个约束，即最佳完成时间和最早完成时间，这两个条件考虑了任务在虚拟机的网络带宽上的转移时间，从而有效地实现了负载平衡和任务调度。下面的实验结果表明，与现有的启发式算法相比，提出的算法通过满足云用户和提供商的要求，有效地解决了NP难优化问题。这种方法侧重于最大程度地减少异构VM之间的完成时间差异，而无需优先级方法和复杂的调度决策，这往往会使启发式算法经受特定的云配置。所提出的方法定义了两个约束条件，即最佳完成时间和最早完成时间，这两个条件考虑了将任务转移到虚拟机网络带宽上的时间，从而有效地实现了负载平衡和任务调度。下面的实验结果表明，与现有的启发式算法相比，提出的算法通过满足云用户和提供商的要求，有效地解决了NP难优化问题。最佳的完成时间和最早的完成时间，考虑到虚拟机网络带宽上的任务转移时间，可以有效地实现负载均衡和任务调度。下面的实验结果表明，与现有的启发式算法相比，提出的算法通过满足云用户和提供商的要求，有效地解决了NP难优化问题。最佳的完成时间和最早的完成时间，考虑到虚拟机网络带宽上的任务转移时间，可以有效地实现负载均衡和任务调度。下面的实验结果表明，与现有的启发式算法相比，提出的算法通过满足云用户和提供商的要求，有效地解决了NP难优化问题。