鄧見光 潘曉衡 袁華強

(1．東莞理工學院 工程技術研究院，廣東東莞 523808;2．華南理工大學 計算機科學與工程學院，廣州 510006)

網(wǎng)格計算技術及其任務調(diào)度策略研究

鄧見光1，2潘曉衡1袁華強1

(1．東莞理工學院 工程技術研究院，廣東東莞 523808;2．華南理工大學 計算機科學與工程學院，廣州 510006)

對網(wǎng)格計算技術及其任務調(diào)度策略進行了論述與總結。首先介紹了網(wǎng)格計算技術的起源和網(wǎng)格系統(tǒng)應具備的基本條件，然后論述了網(wǎng)格計算不同于傳統(tǒng)分布式計算的獨特特征，接下來對網(wǎng)格計算的應用領域進行了簡單探討。最后從網(wǎng)格任務調(diào)度的特點、評價指標以及現(xiàn)有的調(diào)度算法等方面對網(wǎng)格計算的任務調(diào)度策略進行了詳細討論。全文工作將指導我們未來進一步深入研究網(wǎng)格計算。

網(wǎng)格計算;分布式計算;任務調(diào)度;負載均衡

目前關于網(wǎng)格計算的研究已經(jīng)取得了很大的進步，然而其還沒有一個能夠被普遍認可的定義。Foster等人指出，網(wǎng)格是一種由軟、硬件構成的基礎設施，它支持一種一致、可靠、普遍和廉價接入的計算能力［1］，旨在于動態(tài)異構的虛擬組織之間實現(xiàn)資源共享和協(xié)同解決問題。具體來說，網(wǎng)格系統(tǒng)應同時滿足三個條件，首先，其應在非集中控制的環(huán)境中協(xié)同使用資源;其次，網(wǎng)格系統(tǒng)必須使用開放、標準、通用的協(xié)議以及接口;最后網(wǎng)格系統(tǒng)應提供非平凡的計算能力和服務質(zhì)量。

網(wǎng)格系統(tǒng)是一個分布式的計算環(huán)境，它集成了世界上眾多的閑置資源，實現(xiàn)了網(wǎng)絡上所有計算的連通和資源的共享，有效地突破了過去強加在單個計算資源之上的計算能力以及地域的限制;其通過充分協(xié)同利用世界范圍內(nèi)閑置的計算資源，實現(xiàn)真正意義的資源共享與協(xié)作，從而為人們提供一種全新的方式來使用計算資源和解決復雜問題。

1 網(wǎng)格的特點

網(wǎng)格計算系統(tǒng)具有許多獨特的特點［2］，這些特點主要表現(xiàn)在以下方面。

1.1 網(wǎng)格資源的分布和共享

網(wǎng)格計算資源跨越的地域較廣，涉及的規(guī)模巨大，因此其是一種分布式計算。網(wǎng)格資源的分布性使得其必須解決好資源分配、任務調(diào)度、安全通信、實時性保障等問題。另外，網(wǎng)格資源雖是分布式的，但它們卻可以充分共享，網(wǎng)格系統(tǒng)的資源可以提供給任一個網(wǎng)格用戶。資源共享是網(wǎng)格計算的目的，也是網(wǎng)格計算的核心內(nèi)容。這里的共享包括計算資源、數(shù)據(jù)庫、儀器設備以及人力資源等各類資源的共享。

1.2 網(wǎng)格資源的自治與統(tǒng)一管理

網(wǎng)格資源由分布在互聯(lián)網(wǎng)中分屬于不同組織或個人的資源構成。網(wǎng)格資源首先屬于資源的所有者，資源所有者對其資源具有自主管理權，這即是網(wǎng)格資源的自治性。此外，網(wǎng)格資源也必須接受網(wǎng)格系統(tǒng)的統(tǒng)一管理，否則不同的分布式資源就無法建立聯(lián)系，更無法實現(xiàn)資源的共享協(xié)同。因此，網(wǎng)格一方面允許網(wǎng)格資源的所有者對其資源進行自主管理，另一方面又要求網(wǎng)格資源必須接受網(wǎng)格系統(tǒng)的統(tǒng)一管理。

1.3 自相似性與資源異構

網(wǎng)格的自相似性表現(xiàn)在網(wǎng)格的局部與整體相似，網(wǎng)格的自相似性在構建和研究網(wǎng)格時具有重要意義。與自相似性相對應的是網(wǎng)格資源的異構性，這表現(xiàn)在網(wǎng)格資源不僅體系結構各異，而且類型復雜。網(wǎng)格資源不僅包括各類計算能力各異的計算機，而且包括各種類型的數(shù)據(jù)庫、儀器設備甚至人力資源。將這些異構的計算機系統(tǒng)和類別不同的資源進行統(tǒng)一管理，解決相互之間的通信和互操作問題，共同協(xié)作完成各類任務要求是網(wǎng)格計算技術的一個重要研究課題。

1.4 網(wǎng)格環(huán)境的動態(tài)性

由于網(wǎng)格資源是分布自治的，因此網(wǎng)格環(huán)境具有動態(tài)性。某一時刻網(wǎng)格擁有的某一資源或功能在下一時刻就可能出現(xiàn)故障或者不可用，而原來沒有的資源隨著時間推移可能會隨時加入網(wǎng)格環(huán)境。網(wǎng)格管理必須解決好資源的動態(tài)性問題，當網(wǎng)格資源動態(tài)減少或出現(xiàn)故障時，網(wǎng)格應能夠及時采取措施，實現(xiàn)任務的自動遷移，盡可能減少用戶損失;網(wǎng)格資源的動態(tài)增加則要求網(wǎng)格具有可擴展性，即應允許新的資源隨時加入網(wǎng)格，并可以和原有資源融合在一起，共同發(fā)揮作用。

2 網(wǎng)格計算的應用領域

網(wǎng)格計算的應用領域非常廣泛。概括來說，網(wǎng)格計算目前主要應用在分布式超級計算、分布式儀器系統(tǒng)、高吞吐率計算、數(shù)據(jù)密集型計算、遠程沉浸和信息集成等領域。

分布式超級計算是指將分布在不同地點的各類計算資源用高速網(wǎng)絡連接起來，形成比單臺超級計算機強大得多的計算系統(tǒng)。目前許多復雜問題在任何一臺超級計算機上都無法完成其計算任務，網(wǎng)格系統(tǒng)可以把分布在世界各地的閑置資源集中起來，協(xié)同解決復雜的大規(guī)模問題。

分布式儀器系統(tǒng)是指基于網(wǎng)格來管理分布在世界各地的貴重儀器設備，通過網(wǎng)格計算環(huán)境提供一種遠程訪問儀器設備的手段，從而在方便用戶的同時提高貴重儀器設備的利用率。

高性能計算主要關注系統(tǒng)的計算速度和效率，而高吞吐率計算和高性能計算不同，它主要關注一個較長時間段內(nèi)系統(tǒng)所完成的總任務量。實際應用中，許多問題對計算速度要求并不高，但對系統(tǒng)整體的吞吐率要求則比較苛刻。網(wǎng)格可以將大量閑置的計算資源集中起來提供給那些對時間不敏感的問題，共同完成大量計算，實現(xiàn)較高的系統(tǒng)吞吐率。

當用于數(shù)據(jù)密集型計算時，網(wǎng)格更側重于數(shù)據(jù)的存儲、傳輸和處理。許多高能物理實驗、航空航天計算、天氣預測等都屬于數(shù)據(jù)密集型計算問題。對于該類問題，數(shù)據(jù)的采集、處理、分析、存儲，以及可視化設備的安置等往往是分散的，求解該類問題往往會產(chǎn)生很大的通信和計算需求。網(wǎng)格系統(tǒng)通過集成眾多分散的閑置資源可以很好地求解這類問題。

遠程沉浸共享一個集中的虛擬環(huán)境，該環(huán)境可以是對場景或問題的真實反映，也可以是一個純粹的虛構空間，顯然這是網(wǎng)格在信息集成領域的一個典型應用。此外，網(wǎng)格技術還可以應用于科學研究領域。例如，應用于生物醫(yī)學，網(wǎng)格能夠為藥品研發(fā)提供強大的計算能力;運用于工程領域，基于網(wǎng)格可以進行復雜的仿真與設計;運用于數(shù)據(jù)搜集分析，使用網(wǎng)格可以存儲和處理各種海量數(shù)據(jù)信息，等等。

3 網(wǎng)格計算的任務調(diào)度策略

如何使網(wǎng)格充分發(fā)揮作用，使應用獲得最大性能，這是網(wǎng)格任務調(diào)度策略要解決的問題。本節(jié)對網(wǎng)格任務調(diào)度的特點、評價指標以及現(xiàn)有的網(wǎng)格任務調(diào)度算法進行討論。

3.1 網(wǎng)格任務調(diào)度的特點

在網(wǎng)格中，大量任務共享各種網(wǎng)格資源，網(wǎng)格資源的動態(tài)性、異構性和多樣性使得網(wǎng)格任務調(diào)度要比傳統(tǒng)高性能計算復雜得多。網(wǎng)格任務調(diào)度策略應建立隨時間變化的性能預測模型，模型應能夠根據(jù)網(wǎng)格的動態(tài)信息來預測網(wǎng)格性能的波動。此外，網(wǎng)格任務調(diào)度還要考慮調(diào)度算法的可移植性、可擴展性、調(diào)度效率、可重復性以及網(wǎng)格調(diào)度和本地調(diào)度之間的相互影響等一系列問題?？偟膩碚f，網(wǎng)格任務調(diào)度具有平臺異構、規(guī)模大、非集中、不干涉網(wǎng)格節(jié)點的內(nèi)部調(diào)度、可擴展以及動態(tài)自適應等特點［2］。

3.2 網(wǎng)格任務調(diào)度的評價指標

網(wǎng)格調(diào)度的目標是實現(xiàn)對大量用戶任務的最優(yōu)調(diào)度，提高網(wǎng)格系統(tǒng)的總體吞吐率。具體來說，網(wǎng)格任務調(diào)度的性能可從總執(zhí)行時間、負載均衡性、服務質(zhì)量以及經(jīng)濟性原則等幾個方面來進行衡量。任務總執(zhí)行時間越小說明調(diào)度策略越好，任務調(diào)度的一個重要目標就是希望得到最小的總執(zhí)行時間。負載均衡是指網(wǎng)格系統(tǒng)中各資源之間的負載平衡情況，一個優(yōu)秀的調(diào)度方案應使各類網(wǎng)格資源都充分發(fā)揮作用，最大限度地利用網(wǎng)格資源，使任務盡可能快地完成。另外隨著網(wǎng)格服務逐步由無償演變?yōu)楦顿M，任務調(diào)度也必須考慮其經(jīng)濟性，合理的任務調(diào)度策略應在保證一定服務質(zhì)量的同時，盡可能地減少用戶開支。

3.3 網(wǎng)格任務調(diào)度算法

目前已有的任務調(diào)度算法眾多，根據(jù)調(diào)度算法的執(zhí)行時間，可將其分為靜態(tài)調(diào)度和動態(tài)調(diào)度兩大類［3］。靜態(tài)調(diào)度是指所有網(wǎng)格任務與計算資源之間的映射關系在執(zhí)行調(diào)度之前即全部確定;動態(tài)調(diào)度與靜態(tài)調(diào)度不同，其部分任務到計算資源的映射關系在調(diào)度執(zhí)行期間才根據(jù)具體情況確定下來。下面分別介紹。

3.3.1 靜態(tài)任務調(diào)度

目前 常 用 的 靜 態(tài) 調(diào) 度 算 法 有 OLB［4］、MET［5］、 MCT［6］、 Min-min［7］、 Max-min［8］、 Duplex［9］、GA［10］、SA［11］以及蟻群算法［12］等。

OLB(Opportunistic load balancing)即機會負載均衡，這是一種典型的靜態(tài)調(diào)度算法。其做法是把任務隨機地分配給下一個就緒機器;若同時存在多個就緒機器，就把任務隨機地分配給其中的一個。該算法簡單直觀，然而其不考慮任務的執(zhí)行時間和機器的期望完成時間，因此可能會導致較大的時間跨度。

MET(Minimum execution time)即最小執(zhí)行時間，它總是將任務指派給執(zhí)行最快的機器，因此可以保證每個任務都花費最少的執(zhí)行時間，然而同時也容易導致大多數(shù)任務總是在幾個性能最好的機器上執(zhí)行，使得計算資源之間負載不均衡。

MCT(Minimum completion time)即最早完成時間，該算法總是將任務分配給具有最早完成時間的計算資源，它可以保證調(diào)度的任務盡快執(zhí)行結束和計算資源負載均衡。然而由于該算法并非將任務指派給執(zhí)行最快的機器，因此可能會增加全部任務的最大完成時間。

Min－min算法首先計算每個任務在各個機器上的期望完成時間，獲得每個任務在所有機器上的最早完成時間，然后將具有最小最早完成時間的任務指派給相應的機器;指派后更新對應機器的就緒時間，并將已指派的任務從任務集中刪除。重復上述過程，直至全部任務調(diào)度完畢。Max－min算法與Min－min類似，其區(qū)別在于Max－min首先調(diào)度長任務，即首先調(diào)度具有最大最早完成時間的任務。

Duplex算法是Min－min與Max－min的結合，其對兩者進行比較，并選擇調(diào)度效果較好的方案執(zhí)行任務調(diào)度。Duplex算法在Min－min和Max－min二者中的任意一個執(zhí)行效果較好的情況下即能夠得到不錯的調(diào)度性能。

遺傳算法 (Genetic algorithm，GA)將問題的解構造成染色體，并基于染色體的進化來求取問題的最優(yōu)解。算法根據(jù)適者生存法則，首先構造一群染色體，然后基于某種適應度函數(shù)從中選擇能夠較好適應環(huán)境的若干染色體進行復制，并通過交叉、變異操作產(chǎn)生新一代能夠更好適應環(huán)境的染色體群。迭代上述過程，通過不斷進化，最后將染色體群收斂到一個最適應環(huán)境的個體上，即問題的最優(yōu)解。

模擬退火算法 (Simulated Annealing，SA)來源于固體的退火原理。固體加熱時，其內(nèi)部粒子隨溫度升高逐漸變?yōu)闊o序狀，固體冷卻時粒子漸趨有序，并在每個溫度都達到平衡態(tài)，最后在常溫時達到基態(tài)，內(nèi)能變?yōu)樽钚　Ｓ霉腆w降溫過程模擬任務調(diào)度問題，將內(nèi)能E模擬為目標函數(shù)值f，溫度T描述控制參數(shù)t，即得到求解任務調(diào)度問題的模擬退火算法。由初始解i和控制參數(shù)初始值t開始，對當前解重復“計算新解→計算目標函數(shù)值→接受或拒絕”的迭代過程，逐步減小t值，迭代終止時即得到調(diào)度問題的解。

蟻群算法通過模擬螞蟻覓食行為來進行問題的求解。螞蟻覓食時會在其經(jīng)過的路徑上釋放一種信息素，其他螞蟻會感知到這種信息素的存在并選擇信息素多的路徑通過，而信息素隨著時間延長會逐漸揮發(fā)。初始階段，所有路徑上的螞蟻數(shù)量相當，隨著時間的延長，較短路徑上的信息素增加較快;接下來其他螞蟻選擇較短路徑通過的概率增大，最終所有的螞蟻都將選擇最短的路徑通過。蟻群算法具有并發(fā)性和可擴展性，將某一時刻所有影響網(wǎng)格資源狀態(tài)的因素都由信息素來描述，即可快速求解網(wǎng)格任務調(diào)度問題。

除了上述算法，靜態(tài)的網(wǎng)格任務調(diào)度算法還有很多，如結合了GA和SA的遺傳模擬退火算法 (Genetic simulated annealing，GSA)［13］、啟發(fā)式的 A*算法［14］、基于解空間搜索的 Tabu 算法［15］等等。

3.3.2 動態(tài)任務調(diào)度

現(xiàn)有的動態(tài)調(diào)度算法可分為在線模式 (On－line mode)和批模式 (Batch mode)兩大類［16］。在線模式是指當調(diào)度器收到一個任務時立即為其指派計算資源;而在批模式下，調(diào)度器收到一個任務后并不立即為其分配計算資源，只有當?shù)竭_任務組成一批并且影射事件到達后，調(diào)度器才為這些任務指派計算資源。

常見的在線模式調(diào)度算法有MCT、MET、OLB、SA、KPB等算法。其中MCT、MET、OLB的做法和靜態(tài)調(diào)度類似。SA算法 (Switching algorithm)基于應用負載在計算資源間的分布情況，周期性地使用MCT和MET算法實施調(diào)度，因此SA算法同時具有MCT和MET的特點。K最優(yōu)調(diào)度 (K－percent best，KPB)在執(zhí)行調(diào)度時僅考慮部分可用的計算資源。設M為可用資源數(shù)目，K滿足100/M≤K≤100，則1≤KM/100≤M。KPB算法從全部可用資源中選取KM/100個參與任務調(diào)度，算法每次將任務指派給具有最小完成時間的機器。顯然，如K=100，則全部機器參與調(diào)度，此時KPB算法等同于MCT算法;如果K=100/M，則僅一臺機器參與調(diào)度，此時KPB算法等同于MET算法。

常見的批模式調(diào)度算法有Min－min、Max－min、快速貪吃算法、最大時間跨度算法等。其中Min－min、Max－min的做法和靜態(tài)調(diào)度類似?？焖儇澇运惴ǜ鶕?jù)到達順序依次從當前批中選擇任務，并計算該任務的期望執(zhí)行時間;然后將當前具有最小期望完成時間的計算資源指派給該任務。最大時間跨度算法不保證當前調(diào)度最佳，但其未來調(diào)度趨勢趨于最佳。算法首先依次找出當前批任務中每個任務的最小最早完成時間和次小最早完成時間及各自對應的計算資源;然后計算每個任務的次小最早完成時間和最小最早完成時間的差，即時間跨度;最后選取時間跨度最大的任務進行調(diào)度。如此重復，直到當前批任務全部調(diào)度完畢。

綜上，對網(wǎng)格任務調(diào)度算法進行了詳細介紹。其中，靜態(tài)調(diào)度算法相對簡單，算法開銷小，對數(shù)據(jù)的依賴性不高;盡管如此，該類算法實時性不高，并且可能會導致資源負載不均衡。與靜態(tài)算法相比，動態(tài)調(diào)度能夠有效處理計算資源的負載評估、作業(yè)選擇以及任務遷移等問題，因此動態(tài)調(diào)度算法能夠較好地保證負載均衡，但同時動態(tài)調(diào)度算法需要付出較高的系統(tǒng)開銷。

4 結束語

本文對網(wǎng)格計算技術及其任務調(diào)度策略進行了探討。網(wǎng)格計算是針對復雜的科學計算問題而產(chǎn)生的一種新型計算模式，由于網(wǎng)格計算資源分散在世界各地，其資源的動態(tài)性、異構性和多樣性使得網(wǎng)格任務調(diào)度問題要比傳統(tǒng)高性能計算復雜得多。網(wǎng)格任務的調(diào)度策略應具有動態(tài)自適應性，此外調(diào)度算法還應綜合考慮可移植性、可擴展性、服務質(zhì)量、負載均衡以及網(wǎng)格調(diào)度和本地調(diào)度之間的相互影響等問題。根據(jù)上述指標，本文對當前現(xiàn)有的網(wǎng)格任務調(diào)度算法進行了深入而詳細的討論。本文工作將為我們未來對網(wǎng)格計算技術進行更深入的研究奠定基礎。

［1］徐志輝，陳渝，劉鵬．網(wǎng)格計算［M］．北京：清華大學出版社，2002．

［2］羅紅，慕德俊，鄧智群，等．網(wǎng)格計算中任務調(diào)度研究綜述［J］．計算機應用研究，2005，22(5)：16－19．

［3］Tracy D B，Howard J S，Noah B，et al．A comparison of eleven static heuristics for mapping a class of independent tasks onto heterogeneous distributed computing systems［J］．Journal of parallel and distributed computing，2001，61(6)：810 － 837．

［4］Noriyuki F，Kenichi H．A comparison among grid scheduling algorithms for independent coarse－grained tasks［J］．Proceedings of the 04’symposium on applications and the internet－ workshops，2004：674 －680．

［5］Richard F，Michael G，Stephen A，et al．Scheduling resources in multi-user，heterogeneous，computing environments with smartnet．Proc［M］．of the 7thIEEE heterogeneous computing workshop．1998：184－199．

［6］徐志偉，馮百明，李偉．網(wǎng)格計算技術［M］．北京：電子工業(yè)出版社，2004．

［7］Liu Jue-fu，Li Gang．An improved Min-min grid tasks scheduling algorithm based on Qos constraints．Proceedings of the 2010 int［M］．conference on optics photonics and energy engineering．2010：281－283．

［8］Muthucumaru M，Shoukat A，Howard J，et al．Dynamic matching and scheduling of a class of independent tasks onto heterogeneous computing systems［M］．Proceedings of the 8thheterogeneous computing workshop．Washington，USA，1999：30 －44．

［9］Cheng S T，Hsieh M T，Chen B F．Fairness-based scheduling algorithm for time division duplex mode IEEE 802．16 broadband wireless access systems［J］．IET communications，2010，4(9)：1065 －1072．

［10］Vincenzo D，Marco M．Scheduling in a grid computing environment using genetic algorithms．Proceedings of the 16th international parallel and distributed processing symposium［M］．Florida，US，2002：235 －239．

［11］Ajith A，Rajkumar B，Nath B．Nature＇s heuristics for scheduling jobs on computational grids．Proc．of the 8th international conference on advanced computing and communications［M］．Cochin，India，2000：45 －52．

［12］Xu Zhihong，Hou Xiangdan，Sun Jizhou．Ant algorithm －based task scheduling in grid computing．Proc［M］．of the IEEE Canadian conference on electrical and computer engineering，2003：1107 －1110．

［13］Marco A C，Abelardo R，Erika Y A，et al．Genetic － annealing algorithm in grid environment for scheduling problems［M］．Security － Enriched Urban Computing and Smart Grid，Springer Berlin Heidelberg，2010．

［14］Chow K，Liu B．On mapping signal processing algorithms to a heterogeneous multiprocessor system［J］．Proc．of the 1991 international conference on acoustics，speech，and signal processing，1991(3)：1585 －1588．

［15］De Falco I，Del Balio R，Tarantino E，et al．Improving search by incorporating evolution principles in parallel tabu search［J］．In IEEE Conference on Evolutionary Computation，1994(2)：823 －828．

［16］丁等，陳國良，顧鈞．計算網(wǎng)格環(huán)境下一個統(tǒng)一的資源映射策略［J］．軟件學報，2002，13(7)：1303－1308．

Grid Computing Technology and Its Task Scheduling Strategies

DENG Jian-guang1，2PAN Xiao-heng1YUAN Hua-qiang1
(1．Engineering ＆ Technology Institute，Dongguan University of Technology，Dongguan 523808，China;2．School of Computer Science ＆ Engineering，South China University of Technology，Guangzhou 510006，China)

The grid computing technology and its task scheduling strategies were discussed and summarized in detail in this paper．First，we introduced the origin of grid computing and the basic requirements which the grid system must be satisfied．Then we focused on the particular characteristics of grid computing that were different from the traditional distributed computing system，and briefly discussed the application fields of grid technology．Finally，the grid task scheduling strategy was discussed especially，which included the scheduling characteristic，the evaluation criterion，and the existing scheduling algorithm．The paper will be the guideline for our future study on grid computing．

grid computing;distributed computing;task scheduling;load balance

TP399

A

1009－0312(2012)01－0030－05

2011－06－30

國家自然科學基金 (65073145);廣東省科技計劃項目 (2011B061300103);東莞市科技計劃項目 (201010814006);東莞理工學院自然科學青年基金 (2010ZQ10)。

鄧見光 (1981—)，男，河南商水人，助理研究員，博士生，主要從事海量存儲技術、虛擬現(xiàn)實技術研究。

科學計算作為繼理論推導、科學實驗之后進行科學研究與知識發(fā)現(xiàn)的第三種手段，已經(jīng)成為更好的認識世界的工具。隨著科學研究的不斷深入，人們迫切需要性能更高、速度更快的計算機系統(tǒng)。目前，網(wǎng)絡技術飛速發(fā)展，網(wǎng)絡帶寬日益提升;另一方面，隨著個人計算機系統(tǒng)的計算能力不斷提高，產(chǎn)生了大量的閑置計算資源。在這種背景下，一種新型的基于異構、動態(tài)、跨域的協(xié)同資源共享和問題求解方式應運而生，這即是網(wǎng)格計算。網(wǎng)格可以把各種孤立的閑置計算資源通過互聯(lián)網(wǎng)連接起來，形成一個虛擬的超級計算機系統(tǒng)，其致力于為終端用戶提供與具體地理位置和計算資源無關的通用計算能力。網(wǎng)格的美好前景吸引了大量的研究人員投入其中，目前它已成為信息學科最熱門的研究方向之一。

book=0,ebook=111