一种分布式动态负载均衡调度算法

目前计算机应用服务系统经常采用集群系统,负载均衡调度是集群系统的关键。在通用负载均衡调度算法的基础上,提出一种分布式动态负载均衡调度算法.该算法动态收集、统计和分析服务器的信息,以此为根据完成服务器负载均衡的任务,能够实现集群正常调度.在此基础上,采取分布式调度的策略,提高负载均衡调度的效率、性能,以使其对业务系统整体性能的影响最小。     

基于遗传算法的Web集群负载均衡方法

Web集群技术解决了Web服务器系统的容量问题,其核心思想是负载均衡策略和算法。在此对Web集群中的负载均衡技术进行了分析和探讨,并提出一种混合遗传算法。仿真实验表明,这种算法能有效解决Web集群的负载均衡问题,并且能避免标准遗传算法的早熟收敛现象,同传统的负载均衡方法相比,降低了任务执行时间。     

基于服务器负载状况分类的负载均衡调度算法

针对云端集群负载均衡问题和现有负载均衡算法的优缺点,提出了一种基于服务器负载状况分类的负载均衡算法.通过每阶段采集负载信息,实时掌握节点状态,停止重负载节点接收任务,降低中负载节点集合接收的负载,相应地增加轻负载节点集合的负载,以达到负载均衡效果.同时采用集合的形式很好的避免了大量负载涌入某一指标最优的节点,能够更好地实现均衡,提高系统的吞吐率.结果表明:该算法可以有效地避免云端集群负载发生倾斜,使系统在长时间的运行过程中达到动态的负载均衡.     

一种基于动态可分配比的服务器负载均衡算法

负载均衡是服务器集群技术研究的重点,为了解决分配不均的问题,综合考虑集群中各节点性能、负载情况、传输代价、网络随机任务等各方因素而提出了一种基于动态可分配比的负载均衡算法.基于动态可分配比的算法由一张动态的描述各节点负载情况的全局表动态生成一张候选节点表,并在该表中找出负载最轻的节点完成任务.通过仿真实验发现该算法思路简洁,实现简单,并在解决服务器负载均衡方面有明显效果.     

异构Flink集群中负载均衡算法研究与实现

Flink是目前非常流行的流处理引擎.和先前的Hadoop,Spark,Storm等分布式计算框架相比,Flink能实现低延迟、高吞吐,保证Exactly Once.调度模块是保证集群高性能非常重要的一部分,但目前Flink调度默认把集群中所有节点看作是同等性能的,采用轮询调度策略.但在异构集群里这样的调度就会低效,因为计算资源少的节点运行的Task和计算资源多的节点运行的Task一样多,所以局部负载不均衡,影响Job的运行时间和吞吐量,造成延时.提出平滑加权轮询任务调度算法和基于蚁群算法的任务调度算法,解决运行过程中集群负载不均衡问题.平滑加权轮询任务调度算法在任务调度初始阶段根据集群资源按照权重平滑轮询调度.基于蚁群算法的任务调度算法是在运行过程中当集群已使用资源高于阈值时采用类似蚁群算法去执行任务调度,动态计算全局最优任务分配方案,能重新负载均衡.     

MMOG的网络负载均衡算法

随着网络游戏的迅猛发展,大型多人在线网络游戏(Massively Multiplayer Online Games, MMOG)对服务器的要求越来越高.通过对服务器集群和网络负载均衡算法的深入剖析,结合动态网络负载均衡算法--加权循环算法,给出了实现对大型多人在线网游环境下服务器集群的动态负载均衡算法.     

云计算环境下改进加权轮转任务调度算法研究

为提高云计算环境下节点负载的均衡性,提出改进加权轮转任务调度算法.该算法在传统加权轮转任务调度算法的基础上,针对MapReduce作业调度模式,考虑到云计算环境任务的多样性,Worker节点处理能力的多样性,引入权值影响因子,在任务分配前对任务的权值进行调整,使权值较高的任务对应处理能力较高的节点,实现负载均衡.通过实验验证,该算法与加权轮转任务调度算法相比,能够使节点负载更加均衡.     

基于动态规划的云计算任务调度研究

任务调度作为云计算中的核心问题,其目的是合理分配任务,实现最佳调度策略并且有效地完成任务.首先对当前云计算中任务调度算法进行分析并指出传统算法的不足与缺点,然后提出一种基于动态规划模型的任务调度算法,以任务运行时间最少为优化目标,把任务与数据集群中虚拟机匹配看成为多阶段决策的组合优化.最后在CloudSim进行仿真实验,结果表明,所提算法在满足多用户需求下与max-min和min-min算法相比,在一定数量规模下,任务完成时间减少而资源负载相对均衡.     

基于优先级表的网格依赖任务调度算法研究

如何高效的使用网格资源成为网格计算研究的重点。依赖任务调度算法对于部分网格系统的任务调度提供了一种解决方案,本文在传统依赖任务调度算法基础上考虑资源负载均衡问题,充分利用空闲资源求解问题,缩短了任务完成时间。     

负载均衡的分布式系统任务调度优化算法

针对当前分布式系统任务调度算法存在节点负载不平衡,资源利用率低等缺陷,提出一种基于负载均衡的分布式系统任务调度优化算法.首先分析了当前分布式系统任务调度优化算法的研究现状;然后对节点的实时性能指标进行估计,并根据估计结果分配不同的任务;最后通过仿真实验与其他算法进行对比.实验结果表明,相比于经典分布式系统任务调度算法,该算法缩短了任务完成时间,使得系统各节点的负载更均衡,提高了节点资源的利用率.     

车载通信网中拓扑发现策略的研究与仿真

基于车载通信网的运动规律, 提出一种车载通信网中基于分群机制的常驻代理网络拓扑发现策略（VCBRP）, 并给出了相应的分群算法. 计算机仿真实验表明, VCBRP算法具有更强的负载均衡特性, 在高速环境下具有更低的时延和路由请求次数, 包的提交率也有一定程度的提高.     

基于不同分配策略的云计算任务调度性能比较与分析

形式化描述了云计算环境下的负载均衡任务调度问题,借助动态规划方法形式化推导了最早完成时间的启发式优先分配策略,给出了基于先易后难优先分配策略、先难后易优先分配策略的启发式云计算任务调度算法。阐述了基于顺序调度策略、先易后难优先分配策略、先难后易优先分配策略等启发式任务调度算法和基于禁忌搜索策略、元胞演化策略等智能任务调度算法。针对不同分配策略的云计算任务调度进行性能比较与分析,提出了完成时间可改进百分比和资源负载平衡因子的调度性能评价指标,实验数据对比充分表明:与启发式调度算法相比,智能调度算法能减少任务执行时间,优化资源负载均衡性能。     

基于小波分析的a-多样性k-匿名大数据自适应延迟调度算法

为提高采用k-匿名模型进行a-多样性大数据延迟调度的自适应性和控制准确性, 提出一种基于小波分析的a-多样性k-匿名大数据自适应延迟调度算法. 首先采用小波分析方法对数据进行去噪处理, 通过去噪数据构建优先级列表控制模型; 然后利用高效时分多址协议设计负载均衡传输的信道模型, 并结合自适应加权控制方法建立调度控制的目标函数, 通过时隙分配进行目标函数的最优化求解, 实现调度算法改进设计. 仿真实验结果表明, 采用该方法进行a-多样性k-匿名大数据调度的自适应均衡性能较好, 数据调度的相对误差较低, 数据的召回率优于传统方法.     

基于概念格的神经网络日最大负荷预测输入参数选择

针对电力系统中影响负荷预测精度的众多因素如何选择问题,提出一种概念格属性约简算法,采用该算法挖掘出与待预测负荷量相关性较大的各属性作为神经网络预测模型的输入参数,降低了输入参数规模,确保了负荷预测模型输入参数的合理性,解决了神经网络模型输入参数的确定问题.通过对重庆市某区实际日最大负荷数据的计算分析,结果表明该算法提高...     

云计算下均衡负载的差异性资源调度算法优化研究

随着云计算的逐渐发展,云计算下容易出现虚拟机负载不均衡和差异性资源调度时间长的问题,当前调度算法大多无法有效解决均衡负载问题,影响调度性能。为此,提出一种新的云计算下均衡负载的差异性资源调度算法,对云计算下资源调度问题进行描述,针对云计算下虚拟机差异性资源负载问题设定参数。设计蚁群优化算法,蚂蚁爬行的每一步代表指派的一个差异性资源任务,引入挥发因子对信息素更新规则进行改进,获取全局信息素。利用蚁群优化算法对云计算下负载的差异性资源进行均衡调度,给出详细实现过程。实验结果表明,所提算法有较好的收敛性,均衡负载效果好,且时间复杂度低。     

一种改进的Adaboost训练算法

针对传统的Adaboost训练算法在训练过程中可能出现训练退化和训练目标类权重分布过适应的问题, 提出一种改进的Adaboost训练算法. 改进算法通过调整加权误差分布限制目标类权重的扩张, 并且最终分类器输出形式以概率值输出代替传统的离散值输出, 提高了训练结果的检测率. 实验结果表明, 改进的Adaboost算法在Inria数据集上取得了较好效果.     

一种基于贪心策略的启发式云计算任务调度算法

提出了一种基于贪心策略的启发式任务调度算法,用于优化云计算环境下任务调度中执行时间。首先,给出了云计算环境下任务调度问题的形式化描述及其最早完成时间的启发式优先分配原则;接着,基于最早完成时间的优先分配原则,采用贪心策略难易交错地分配任务求得任务调度的初始解;进而,引入了任务对交换的收益值概念,采用贪心策略选择收益值大的任务对交换优化任务调度初始解的执行时间;最后,在Cloud Sim云计算仿真实验平台下进行了顺序调度算法、Min-Min算法、Max-Min算法和本文算法的对比实验,实验数据对比充分验证了本文算法既能减少任务执行时间,又能使资源负载相对平衡。     

云计算中运营商效益最优的资源分配机制

针对传统的虚拟机调度方法中虚拟机申请时,调用相应负载均衡算法将虚拟机调度到相应的物理服务器上,不能达到整体效益最优的问题,提出了一种实时满足运营商资源最高效益的动态调度方法.每次新加入用户时,新加入的用户资源和先前分配的资源一起重新在所有服务器上规划,进行全局虚拟机调度,迁移那些能给系统带来足够效益部分虚拟机,完成全局最优的虚拟机部署.该方法对云中资源进行了合理的高效益规划,大大节约运营商成本,提高了云中资源利用率,降低了能耗.     

Hadoop平台下基于资源预测的Delay调度算法

针对Delay算法的不合理等待问题, 提出一种基于资源预测的Delay调度算法（RFD）, 该算法基于对资源可用性的预测方法合理地调度作业. 实验结果表明, 在Hadoop机群一般应用场景下, 该调度算法与已有算法相比, 在保证作业本地化计算Map任务比例相近的同时, 将作业平均运行效率提高28.8%, 明显提高了Mapreduce作业的执行效率.