Workflow scheduling involves mapping large tasks onto cloud resources to improve scheduling efficiency. This has attracted the interest of many researchers, who devoted their time and resources to improve the performance of scheduling in cloud computing. However, scientific workflows are big data applications, hence the executions are expensive and time consuming. In order to address this issue, we have extended our previous work ”Cost Optimised Heuristic Algorithm (COHA)” and presented a novel workflow scheduling algorithm named Multi-Objective Workflow Optimization Strategy (MOWOS) to jointly reduce execution cost and execution makespan. MOWOS employs tasks splitting mechanism to split large tasks into sub-tasks to reduce their scheduling length. Moreover, two new algorithms called MaxVM selection and MinVM selection are presented in MOWOS for task allocations. The design purpose of MOWOS is to enable all tasks to successfully meet their deadlines at a reduced time and budget. We have carefully tested the performance of MOWOS with a list of workflow inputs. The simulation results have demonstrated that MOWOS can effectively perform VM allocation and deployment, and well handle incoming streaming tasks with a random arriving rate. The performance of the proposed algorithm increases significantly in large and extra-large workflow tasks than in small and medium workflow tasks when compared to the state-of-art work. It can greatly reduce cost by 8%, minimize makespan by 10% and improve resource utilization by 53%, while also allowing all tasks to meet their deadlines.

中文翻译：

---

云计算的多目标工作流优化策略（MOWOS）

工作流调度涉及将大型任务映射到云资源上，以提高调度效率。这吸引了许多研究人员的兴趣，他们投入了时间和资源来改善云计算中的调度性能。但是，科学工作流是大数据应用程序，因此执行起来既昂贵又耗时。为了解决这个问题，我们扩展了以前的工作“成本优化启发式算法（COHA）”，并提出了一种新颖的工作流调度算法，称为多目标工作流优化策略（MOWOS），以共同降低执行成本和执行有效期。MOWOS使用任务拆分机制将大型任务拆分为子任务，以减少其调度时间。此外，MOWOS中提供了两种新的算法MaxVM选择和MinVM选择，用于任务分配。MOWOS的设计目的是使所有任务能够以减少的时间和预算成功地完成其截止日期。我们使用工作流输入列表仔细测试了MOWOS的性能。仿真结果表明，MOWOS可以有效地执行VM分配和部署，并以随机到达率很好地处理传入的流任务。与最新的工作相比，该算法在大型和超大型工作流程任务中的性能明显比中小型工作流程任务提高。它可以大大降低成本8％，将制造时间最小化10％，并将资源利用率提高53％，同时还允许所有任务按时完成。MOWOS的设计目的是使所有任务能够以减少的时间和预算成功地完成其截止日期。我们使用工作流输入列表仔细测试了MOWOS的性能。仿真结果表明，MOWOS可以有效地执行VM分配和部署，并以随机到达率很好地处理传入的流任务。与最新的工作相比，该算法在大型和超大型工作流任务中的性能要比中小型工作流任务显着提高。它可以大大降低成本8％，将制造时间最小化10％，并将资源利用率提高53％，同时还允许所有任务按时完成。MOWOS的设计目的是使所有任务能够以减少的时间和预算成功地完成其截止日期。我们使用工作流输入列表仔细测试了MOWOS的性能。仿真结果表明，MOWOS可以有效地执行VM分配和部署，并以随机到达率很好地处理传入的流任务。与最新的工作相比，该算法在大型和超大型工作流任务中的性能要比中小型工作流任务显着提高。它可以大大降低成本8％，将制造时间最小化10％，并将资源利用率提高53％，同时还允许所有任务按时完成。我们使用工作流输入列表仔细测试了MOWOS的性能。仿真结果表明，MOWOS可以有效地执行VM分配和部署，并以随机到达率很好地处理传入的流任务。与最新的工作相比，该算法在大型和超大型工作流任务中的性能要比中小型工作流任务显着提高。它可以大大降低成本8％，将制造时间最小化10％，并将资源利用率提高53％，同时还允许所有任务按时完成。我们使用工作流程输入列表仔细测试了MOWOS的性能。仿真结果表明，MOWOS可以有效地执行VM分配和部署，并以随机到达率很好地处理传入的流任务。与最新的工作相比，该算法在大型和超大型工作流任务中的性能要比中小型工作流任务显着提高。它可以大大降低成本8％，将制造时间最小化10％，并将资源利用率提高53％，同时还允许所有任务按时完成。与最新的工作相比，该算法在大型和超大型工作流程任务中的性能明显比中小型工作流程任务提高。它可以大大降低成本8％，将制造时间最小化10％，并将资源利用率提高53％，同时还允许所有任务按时完成。与最新的工作相比，该算法在大型和超大型工作流任务中的性能要比中小型工作流任务显着提高。它可以大大降低成本8％，将制造时间最小化10％，并将资源利用率提高53％，同时还允许所有任务按时完成。