由于志愿者分布式计算可以为计算量庞大的科研项目提供足够的计算能力，甚至比超级计算机的计算能力还要强大，因此，志愿者分布式计算技术受到了很多研究人员的关注，很多不同的志愿者分布式计算架构被广泛应用。以往的很多志愿者分布式计算架构通常考虑的志愿者主机是PC电脑，或者单纯地把移动设备当作PC电脑一样进行处理。由于移动设备的很多特性跟PC电脑存在着很大的差异，所以很多时候这些志愿者分布式计算架构并不能高效地处理同时拥有PC电脑和移动设备志愿者的志愿计算项目。针对志愿者分布式计算系统上两个主流的志愿者分布式计算任务调度方法——迭代计算的任务调度算法和先来先服务的调度算法FCFS在处理移动设备志愿者计算上存在着的不足，为了提高志愿者分布式计算平台的执行效率，提出了一个面向移动设备的温度感知的任务调度算法TATSA。实验结果表明，TATSA比主流的任务调度算法ISA和FCFS在移动设备志愿者计算时效率明显更高。

Because the volunteer distributed computing can provide sufficient computing power for the research projects needing massive computing, it is even more powerful than supercomputing. As a result, the volunteer distributed computing technology has attracted a lot of attentions so that many architectures of different volunteer distributed computing are widely used. Most of those architectures usually consider the PC computers as volunteers, or simply treat the mobile devices as PC computers. Because many characteristics of mobile devices are very different from PC computers, those architectures cannot efficiently handle the volunteer computing projects that have both PC computers and mobile devices as volunteers. In order to solve the shortcomings of two popular task scheduling methods of the volunteer distributed computing: the iteration scheduling algorithm (ISA) and the firstcomefirstserve algorithm (FCFS)) in dealing with the calculation of  mobile device volunteers, and improve the efficiency of the volunteer distributed computing platform with mobile devices volunteers, we propose a temperatureaware task scheduling algorithm (TATSA). Experimental results show that the TATSA is more efficient than the two mainstream task scheduling algorithms ISA and FCFS in mobile device volunteer computing.
相关文章

[1]	孙庆骁, 刘轶, 杨海龙, 王一晴, 贾婕, 栾钟治, 钱德沛. GNNSched：面向GPU的图神经网络推理任务调度框架[J]. 计算机工程与科学, 2024, 46(01): 1-11.
[2]	温瑞林, 樊春, 马银萍 , 王政丹, 向广宇 , 付振新. SlurmX：基于Slurm使用面向对象设计方法重构的任务调度系统[J]. 计算机工程与科学, 2022, 44(09): 1532-1541.
[3]	李文佳, 史岚, 季航旭, 罗意彭. 面向Flink的负载均衡任务调度算法的研究与实现[J]. 计算机工程与科学, 2022, 44(07): 1141-1151.
[4]	罗磊, 陈照云, 王俪璇. 用户QoS感知的GPU集群深度学习任务动态调度[J]. 计算机工程与科学, 2021, 43(08): 1331-1340.
[5]	杨坚伟, 孟敏, 黄家乐, 武继刚. 分布式训练异构任务调度算法研究[J]. 计算机工程与科学, 2021, 43(07): 1160-1167.
[6]	黄山, 房六一, 徐浩桐, 段晓东, . 面向容器环境的Flink的任务调度优化研究[J]. 计算机工程与科学, 2021, 43(07): 1173-1184.
[7]	邢红星, 魏叶华, 乐懿. 硬件成本缩减的异构分布式嵌入式系统调度算法[J]. 计算机工程与科学, 2021, 43(02): 258-265.
[8]	胡亚红1，盛夏2，毛家发1. 资源不均衡Spark环境任务调度优化算法研究[J]. 计算机工程与科学, 2020, 42(02): 203-209.
[9]	朱永超1，周川1，崔玉伟2，郭健1，吴益飞1. 基于模拟退火算法的改进主/副版本调度算法[J]. 计算机工程与科学, 2019, 41(09): 1534-1540.
[10]	王宇新，王飞，王冠，郭禾. 一种基于两级DAG模型的MapReduce工作流异构调度算法[J]. 计算机工程与科学, 2019, 41(08): 1353-1359.
[11]	吉慧，周磊. 面向温度优化的片上网络任务调度方法[J]. 计算机工程与科学, 2018, 40(09): 1527-1533.
[12]	童钊1,2，陈洪剑1,2，陈明1,2，梅晶1,2，刘宏1,2. 一种云环境下基于混合型BBO的任务调度算法[J]. 计算机工程与科学, 2018, 40(05): 765-772.
[13]	贺智明，刘敏. 云环境下基于偏好的资源公平分配策略[J]. 计算机工程与科学, 2017, 39(11): 1991-1999.
[14]	郭会云1,2，房俊1,2，李冬1,2. 基于负载均衡的多源流数据实时存储系统[J]. 计算机工程与科学, 2017, 39(04): 641-647.
[15]	陈旺虎,段菊，俞茂义. 允许违反局部时间约束的科学工作流调度策略[J]. 计算机工程与科学, 2016, 38(11): 2165-2171.