基于遗传算法的云仿真环境动态构建映射算法

针对传统仿真系统静态构建技术中存在的资源重用性低、部署难度高等问题,提出了一种在云仿真运行环境下基于遗传算法来求解仿真模型与虚拟机之间最优映射的算法.该算法充分考虑云仿真环境下大规模资源调度的应用背景,保持适当的染色体编码长度,优化了种群的适应度函数,提高了GA算法收敛速度和所得解的可信度.实验结果表明:本文算法相比于传统遗传算法能有效避免局部收敛,达到更好的资源负载均衡效果.     

面向Deadline的云代理资源预留策略

由于传统的代理模式在应对短期用户大量到达高峰和实例利用率上存在优化空间,为节约资源和节省开支,提出了一种新的面向Deadline的云服务代理构想,利用中间件技术整合用户请求和实例资源。分析发现,面向Deadline的云代理能有效平滑需求高峰,并大幅度提高实例利用率。针对用户deadline相同与不同2种模式,分别设计了贪心算法和EDF平移算法,实现了高峰平滑和利用率提升,降低了开支。实验表明,相比于未采用云代理,面向Deadline云服务代理处理大量用户请求时能减少50%以上的费用,具有良好的应用前景。     

无线传感网络改进混合移动代理路由的研究

移动代理路由的本质是一个多约束条件下的优化问题,针对遗传算法快速随机的全局搜索能力,但对于系统中反馈信息却无法利用、求精确解效率低的问题,本文提出了一种遗传蚁群混合算法的WSN移动代理路由方法.利用遗传算法快速随机的全局搜索能力找到较优解,将较优解代换成蚁群算法的初始信息素,最后采用蚁群算法收敛速度的优点,找到移动代理路由全局最优解.仿真结果表明,该算法能在较短的时间找到最优移动代理路由,相对于其他的路由算法,减少了网络延时和平均能量消耗,提高了数据传输的速度和效率.     

云计算环境中优化遗传算法的资源调度策略

资源调度是云计算的核心问题,传统遗传算法(GA)、Sufferage算法等都可以用于云计算环境中的资源调度,但传统遗传算法存在收敛慢、易早熟等缺点,Sufferage算法则不适用于多聚类环境的密集型任务调度.本文在充分考虑云计算环境的动态异构性和大规模任务处理特性的基础上,提出了一种基于染色体编码方式和适应度函数的改进遗传算法(IGA),并在云仿真器CloudSim上对3种算法进行了仿真.仿真结果表明,该算法在性能和服务质量QoS(Qualityof Service)方面都优于传统遗传算法和Sufferage,能更好地适用于大规模任务下的云计算环境资源调度.     

云制造资源语义描述和服务匹配策略

针对云制造环境下资源语义描述和服务匹配问题,在充分考虑用户个性化需求与制造资源异构性的基础上,分析了云制造资源描述和服务匹配的难点,利用规范化描述的特点,将制造资源描述问题转化为Web语义描述问题,提出一种通用的制造资源语义描述框架。结合4种相似度算法,设计了阀值和权重,提出了基于过滤器的服务匹配策略。实验结果证明了该策略和算法的有效性和可行性。应用这4种相似度算法能够有效缩小匹配的规模,提高了服务的查找效率与准确度。     

基于代理缓存的VOD系统的节目综合调度

研究了视频点播服务器的节目调度及代理缓存问题·在基于代理的分布式VOD系统中分析了现有的节目调度方案,主要有适用于一般流行节目的用户拉方案和适用于流行节目的服务器推方案·为了提高带宽资源的利用率,以直观的系统带宽资源消耗为性能指标,研究了流行节目的划分问题,并根据不同节目调度方案适用于不同流行度节目的特征,提出了信道综合调度方案及一种最优代理缓存算法·性能分析表明,信道综合调度方案和最优代理缓存算法,极大地缓解了系统带宽瓶颈问题·     

基于云计算的恶意代码防御系统

针对当前恶意代码检测系统存在的查杀能力较弱、资源占用率大、自身易受攻击等问题,综合利用云查杀、主动防御和多代理协同处理等技术提出了一种新的恶意代码防御系统.该系统将核心检测分析功能分离到云端以服务形式提供,终端只具备安全状态和行为监控等基本代理功能,海量代理构成的监控云快速发现未知恶意代码,检测分析云通过分布式处理和多查杀引擎协同快速分析识别恶意代码.为了测试系统的可行性和有效性,使用6 835个恶意代码样本开展了与传统模式的对比实验,系统的查杀成功率达到97.3%,CPU占用率不高于29%.与传统模式相比,新体系具有更高的查杀能力和更低的终端资源占用率.     

基于代理的web服务发现系统的设计

随着网络规模的快速增长,如何高效地找到符合用户需求的web服务是影响网络应用发展的重要因素。本文提出了一种基于代理机制的web服务发现系统的实现方案,该方案以web服务发现技术的研究现状为基础,给出了用户代理、服务器代理和目录代理三者之间的关系;从分析服务发现系统的使用者入手,设计了收集用户请求和构造查询信息的功能;应用连接池技术实现了转发用户请求到目录代理的功能,设计了以聚类思想为基础的最短路径服务信息请求的转发算法。最后,给出了服务发现系统的部分运行结果、测试了服务发现系统的查准率和查全率,并对转发算法进行了测试,验证了基于聚类的最短路径转发算法的优势。     

选煤厂配煤调度中的云模型改进遗传算法

针对传统遗传算法求解最优值存在搜索速度慢、容易陷入局部最优解的问题,基于传统遗传算法和云模型,提出了云自适应遗传算法和云遗传算法,建立了选煤厂三产品配煤调度模型,并分别采用改进算法和传统遗传算法求解。实例表明,两种改进算法优于传统遗传算法,为选煤厂配煤调度优化提供了技术途径。     

基于云存储的内容分发技术研究

针对云存储的收费机制和内容,在分析已有的用户贪婪、服务器贪婪等启发式解决算法的基础上,提出改进的启发式云存储静态内容分发遗传算法;综合考虑资源的访问热度、资源的缺乏程度,提出基于热点预测和经济模型的动态内容分发技术;进而全面考虑当前网络带宽、边缘云存储节点性能及历史访问价值,提出概率匹配自收敛的云存储中内容分发负载均衡技术,并将提出的算法分别在模拟器CloudSim上进行测试,同时和现有的内容分发算法、负载均衡算法进行对比.实验结果证明,本文提出的算法能够应用到云存储内容分发技术当中,并且能够在提高内容分发效率的同时有效降低分发成本.     

PaaS云资源调度技术研究

重点研究了平台即服务(PaaS)云资源调度方面的相关技术.首先对PaaS云平台的通用架构和关键技术加以说明,而后分析了PaaS云资源调度的特殊性,提出了将机器学习引入到PaaS云资源调度的方法,在对多种机器学习算法进行了分析和比较之后,进一步提出将决策树算法引入到PaaS云资源调度,并给出了具体的算法模型和运行流程.结论表明:将机器学习引入到PaaS云资源调度可以有效地解决传统PaaS资源调度算法遇到的扩张、收缩和保持时机的问题.     

基于遗传算法的代理服务器位置优化研究

针对传统方法难以快速求得Web服务器代理部署问题的满意解,提出了一种基于遗传算法的求解策略.以图论为基础,构建了代理服务器位置优化模型,从Web服务器到客户构成一个树型结构.遗传算法采用二进制编码表示代理的位置,使用单亲交叉算子和单亲变异算子来提高算法的执行速度和进化效率.算法在时间复杂度方面优于传统方法.仿真结果表明,基于遗传算法的求解方案能快速地求出代理服务器位置优化问题的全局近似最优解,并满足实际Web应用的精度要求.     

云计算虚拟机群中带遗传算法的负载均衡算法

研究面向单个云的虚拟机群,以最小化任务响应时间和资源损耗代价为优化目标,提出基于遗传算法的负载均衡优化算法.所提算法实现了自适应的变异概率,并且可以根据用户任务的实际需求动态地调整系统响应时间和资源损耗在整个优化过程中所占的比重.模拟仿真结果表明,该算法不仅能够满足用户需求,而且能够获得较高的资源利用率.     

基于强化学习的云资源混合式弹性伸缩算法

为解决强化学习(RL)应用于云资源弹性伸缩问题时算法空间随应用规模变化而呈指数级变化、可伸缩性受限、算法训练时间长、收敛慢及设置水平伸缩动作空间时难以兼顾系统性能与稳定性等问题,提出了一种基于强化学习的分组云资源混合式伸缩算法(BGRL)。将应用实例进行逻辑分组,使算法空间固定,解决了算法空间爆炸及可伸缩性受限问题;采用并行学习,加快了学习速度,解决了算法收敛慢的问题;通过汇集多组的学习结果决定水平伸缩动作,解决了现有算法难以同时保证应用稳定性和资源调整及时性的问题;采用水平和垂直两个方向上的混合式伸缩,在保证应用能力范围的同时,解决了局部性能问题。通过重放实际应用数据集而产生的工作负载模式进行云应用仿真,结果表明:BGRL的应用资源量最贴合负载变化,资源利用率最高,稳定在80%左右;在消耗的资源量和违反服务质量请求的百分比方面,比其他算法分别减少了15%～20%和0.1%～3.26%。     

语义驱动的作战资源服务聚类方法

针对SOA架构下指挥信息系统中作战资源服务池规模大、服务组织效率不高的特点,进行了服务组织聚类的研究。首先对作战资源进行属性分析,基于OWL-S描述规范对其进行服务化建模,形成作战资源原子级服务本体模型,实现云服务化;然后构建了作战资源服务聚类模型,并在遗传算法中将模拟退火方法和K-means方法相结合,提出了一种作战资源服务聚类方法;最后通过仿真与GS和GK算法进行了对比。实验结果表明,所提算法能够在可接受的时间内找到适应度值更高的聚类方案,且方案结果适应度值的标准差较低。该方法相比于GS与GK算法具有更好的寻优性与稳定性。     

基于云模型的细菌觅食优化算法

针对细菌觅食优化算法收敛速度慢、容易陷入局部极值点出现早熟的问题,提出一种新的基于云模型优化的细菌觅食优化算法.首先给出了细菌灵敏度的概念,结合云模型随机性和稳定倾向性的特点,运用了X条件云发生器来调整细菌灵敏度,控制游动步长,进行了趋向性操作和复制操作,改进了标准的细菌觅食优化算法,提高了算法的收敛速度.然后利用正向正态云发生器,修正非线性自适应的迁移概率,进行了迁移操作,增强了算法的全局寻优能力.将该算法应用于自动组卷系统中,与遗传算法进行实验比较分析,结果表明:该算法的收敛速度与优化质量均优于遗传算法.     

多粒度制造服务建模与调度方法研究

针对制造服务中资源多层次、多类型、异构性、自主性、地理分布等特性,提出了包括基本信息、协作关系、制造能力、服务质量和制造知识的资源统一描述模型,以及包括同构聚合和异构聚合两种模式的多粒度制造资源建模方法.为解决多层次异构性制造资源的共享和高效利用的问题,考虑制造服务聚合中时间、费用、可靠性和可持续性等多方面需求,通过加入精英集及K均值聚类算子,设计基于K均值聚类的改进多目标遗传算法(KGA),并在复杂产品装配云仿真平台上与多目标粒子群优化(MOPSO)算法和非支配排序遗传算法(NSGA-Ⅱ)进行性能比较.实验结果表明:通过多粒度聚合,制造任务与服务资源能更快速地进行匹配和调用,在服务可靠性和可持续性指标上的结果也更优.     

面向成本优化的SBS虚拟化资源分配

在部署云应用问题中,对于结构复杂的基于SBS的资源优化分配问题,目前尚缺少深入研究.针对这一问题,提出了组件服务资源配置的概念及其确定方法,基于此将SBS的资源优化分配建模为资源配置的组合优化.为求解优化模型,给出了一种改进了交叉算子和变异算子的遗传算法.实验验证了优化模型的有效性,同时表明提出的遗传算法具有较快的收敛速度,且与线性规划相比,虽然最优解的质量相近,但是在较大规模问题上求解效率明显优于后者.     

基于云自适应遗传算法的改进BP算法

针对标准BP算法对初始权值敏感、收敛速度慢、易陷入局部极小等问题,结合正态云模型云滴的随机性和稳定倾向性,以及遗传算法的全局搜索能力、收敛速度快等特性,提出了云自适应遗传改进BP算法.该算法首次将云模型和遗传算法结合调整神经网络的权值和阈值.由X条件云发生器产生改进的自适应交叉概率和变异概率.实验结果表明:云自适应遗传改进BP算法比标准BP算法收敛速度快.     

基于改进的遗传算法的虚拟机部署研究

云计算环境下虚拟机的部署是有关资源管理、服务质量等方面的综合性问题,是一个多目标的NP-hard问题。根据弹性云环境下虚拟机部署的特点,利用遗传算法解决多目标组合优化问题的优点,提出一种基于改进遗传算法的虚拟机部署算法,以减少物理计算机开销、提高资源利用率、满足用户SLA为优化目标,将云计算环境下的资源管理和服务质量需求转化为算法可识别的信息,通过改进遗传算法,使之适应于静态和动态部署的要求。实验结果分析表明,该算法在满足多目标的条件下得到较优的解,为虚拟机到物理节点的映射提供了较好的解决方案。