The virtualization technology enhances resource utilization and scalability in the cloud environment. Multiple virtual machines with divergent specifications in terms of hardware and software can be run on a single physical machine. Performance of the applications degrades due to interference when multiple applications are executed simultaneously. This performance degradation affects the quality of service and service level agreement in a cloud environment. In this work, we design an interference-aware workload scheduling approach to execute latency-sensitive tasks in the cloud system. Here we built an interference prediction model to manage the interference efficiently and validated that model in a virtualized environment using Xen hypervisor. We further design a resource prediction model to predict the future resource requirement for the set of tasks using modified double exponential smoothing. This prediction model helps to deploy the required number of physical machines for each time duration. Using these two prediction models, we develop an interference-aware workload scheduling approach that minimizes the effect of interference to achieve a better quality of service in the cloud environment. The extensive simulations with Google cluster data show that our proposed approach improves task guarantee ratio and priority guarantee ratio by 3.32% and 3.63% respectively on average, while improving the resource utilization around 17.26% as compared to other state-of-the-art approaches.

虚拟化技术提高了云环境中的资源利用率和可扩展性。可以在一台物理机上运行多个硬件和软件规格不同的虚拟机。当多个应用程序同时执行时，应用程序的性能会由于干扰而下降。这种性能下降会影响云环境中的服务质量和服务水平协议。在这项工作中，我们设计了一种干扰感知工作负载调度方法来在云系统中执行延迟敏感的任务。在这里，我们构建了一个干扰预测模型来有效管理干扰，并使用 Xen 管理程序在虚拟化环境中验证该模型。我们进一步设计了一个资源预测模型，使用修改后的双指数平滑来预测任务集的未来资源需求。此预测模型有助于为每个持续时间部署所需数量的物理机。使用这两个预测模型，我们开发了一种干扰感知工作负载调度方法，可以最大限度地减少干扰的影响，从而在云环境中实现更好的服务质量。对谷歌集群数据的大量模拟表明，与其他最先进的方法相比，我们提出的方法将任务保证率和优先级保证率分别平均提高了 3.32% 和 3.63%，同时提高了约 17.26% 的资源利用率. 此预测模型有助于为每个持续时间部署所需数量的物理机。使用这两个预测模型，我们开发了一种干扰感知工作负载调度方法，可以最大限度地减少干扰的影响，从而在云环境中实现更好的服务质量。对谷歌集群数据的大量模拟表明，与其他最先进的方法相比，我们提出的方法将任务保证率和优先级保证率分别平均提高了 3.32% 和 3.63%，同时提高了约 17.26% 的资源利用率. 此预测模型有助于为每个持续时间部署所需数量的物理机。使用这两个预测模型，我们开发了一种干扰感知工作负载调度方法，可以最大限度地减少干扰的影响，从而在云环境中实现更好的服务质量。对谷歌集群数据的大量模拟表明，与其他最先进的方法相比，我们提出的方法将任务保证率和优先级保证率分别平均提高了 3.32% 和 3.63%，同时提高了约 17.26% 的资源利用率.