一种基于C-RAN架构下资源负载预测方法

在C-RAN构架下,虚拟基带池集中化资源管理要求对物理硬件资源进行实时监控,保证物理资源有效进行动态分配和负载均衡。提出将自回归AR(autoregressive)预测方法运用于C-RAN架构下的物理资源负载预测,并根据物理资源特点,构建预测模型。采用双阈值限定负载范围,对超过或低于阈值的后续时间节点的负载进行预测,避免瞬时负载峰值触发的虚拟基站迁移。仿真结果说明该方法可以减少迁移次数,达到整个系统中资源的负载均衡。     

一种C-RAN架构下载波迁移的调度策略

在云无线电接入网络(cloud-radio access network,RAN)架构的基础上,为提高载波迁移后虚拟多模基站的资源利用率和负载均衡度,把CPU资源适度分离成基带CPU资源和协议CPU资源,并提出一种基于负载特征的载波迁移调度策略.针对物理层主机的触发类型和虚拟多模基站的负载特征,采用双阈值上下触发方式触发迁移,根据9种负载状态并采用最小资源代价策略,完成对需要迁移的虚拟多模基站以及目标主机的选择.实验结果表明,基带资源利用率方差均值降低0.04左右,协议资源利用率方差均值降低0.03左右,实现了虚拟基站迁移的自主管理,并且达到了节约资源的目的.迁移前后,虚拟基站的状态没发生太大的改变,具有良好的一致性.     

基于最大收益的无线虚拟网络重映射算法

针对无线环境的动态性及虚拟网络请求到达与离开的随机性,使得物理网络负载分布不均衡,导致后续请求的接受率降低的问题,提出一种无线网络虚拟化中的两阶段重映射算法（two stages reconfiguration scheme for wireless network virtualization,TR-WNV）。该算法通过第1个阶段选出合适的虚拟网络进行重映射,接着在第2个阶段按照优先级对已选出的虚拟网络进行重映射,并根据离散度来判断每次映射效果。最后,通过仿真对算法进行验证,结果表明该算法在保证虚拟网络请求收益最大化同时,有效提高了虚拟网络请求接受率,实现整个底层网络的负载分布均衡。     

基于服务质量的动态资源分配算法

在网络虚拟化过程中,当前大多数物理资源分配算法,主要考虑了资源利用率和网络收益,而忽略了虚拟网络请求的服务质量,从而在不同用户之间造成不公平。针对该问题,提出基于服务质量的动态资源分配算法。该算法在空闲时频资源非连续情况下,只有当虚拟网络请求的生命周期足够长,满足重分配影响因子情况下,才优先为资源量小的虚拟网络请求重分配物理资源;在空闲时频资源连续情况下,综合考虑优先级、时间容忍和网络收益因素影响,为虚拟网络请求分配相适应的物理资源。仿真结果表明,该算法相对于传统基于生命周期的动态资源分配算法和贪婪动态分配,在实现物理资源高效利用的前提下,不但保障了虚拟网络请求的服务质量,而且降低了该算法的运行时间。     

基于频谱资源共享的动态分配算法

针对虚拟网络(virtual network,VN)请求的动态性和时变性,并充分考虑网络动态性导致物理资源出现碎片化或负载不均的情况,提出了基于频谱资源共享的动态分配算法(dynamic allocation algorithm based on spectrum resource sharing,DAA-SRS),该算法结合虚拟请求的生命周期,进行子信道分配和重分配,使不同虚拟网络以一种机会共享的方式占用相同的物理资源.针对无线虚拟网络资源请求接受率、物理网络收益等性能指标进行仿真分析,仿真结果显示,该算法可显著提高虚拟网络请求的接受率.     

面向负载均衡的VM迁移调度方法

虚拟机动态迁移是实现虚拟计算环境下负载均衡、绿色节能、在线维护、主动容错以及资源灵活配置等功能的关键技术。针对多个虚拟机迁移场景下的并发性问题、迁移目标选择问题及迁移路径优化问题,该文提出一种以负载均衡为优化目标的虚拟机(VM)迁移调度方法。该方法首先识别可能违背负载均衡的物理节点,确定待迁移的VM对象,采用模拟退火算法以负载均衡为优化目标确定待迁移VM的迁移目标。最后,设计了路径交换策略对迁移路径进行优化以提高并发迁移数目。实验结果表明,该方法不仅能缩短迁移完成时间,而且能优化VM放置,确保负载均衡。     

基于DPSO负载可控的虚拟网络映射算法

针对多租赁模式下的虚拟网络映射问题,以降低底层链路负载、加快映射速度、提高底层物理资源利用率为目标,将离散粒子群算法与虚拟节点映射规则相结合,提出了物理节点可复用、负载可控制的MLB-VNE-SDPSO算法.该算法在兼顾CPU等主机资源利用率的前提下节约了物理链路的带宽资源,缩短了虚拟链路的映射过程.仿真实验表明,在保证网络负载的前提下,获得了较好的物理节点利用率,提高了虚拟网络的收益成本比.     

云计算环境下基于改进GSO的目标主机选择算法

目标主机的选择是虚拟机动态迁移过程中的重要阶段,是实现负载均衡的关键。针对基本萤火虫算法存在的精度不高、收敛较慢的问题,提出了一种改进的萤火虫优化算法,用于解决虚拟机迁移时虚拟机和目标物理主机的映射问题,实现多目标最优求解。该算法通过引入步长调整因子,能够动态调整移动步长,克服了步长过大或过小导致的精度不高、后期收敛较慢的缺点。全面考虑物理主机负载指标,建立负载均衡模型,将萤火虫算法中个体与节点资源相对应,利用萤火虫发光机制寻优求解,以实现目标主机的优化选择。仿真实验表明,该算法能够快速完成目标主机的选择,有效平衡系统资源,实现数据中心负载均衡。     

基于DPSO负载可控的虚拟网络映射算法

针对多租赁模式下的虚拟网络映射问题，以降低底层链路负载、加快映射速度、提高底层物理资源利用率为目标，将离散粒子群算法与虚拟节点映射规则相结合，提出了物理节点可复用、负载可控制的MLB-VNE-SDPSO算法.该算法在兼顾CPU等主机资源利用率的前提下节约了物理链路的带宽资源，缩短了虚拟链路的映射过程.仿真实验表明，在保证网络负载的前提下，获得了较好的物理节点利用率，提高了虚拟网络的收益成本比.     

基于量子和克隆策略的负载均衡算法

针对网格计算中多个独立任务在多个异构的资源上处理时,资源的负载均衡为最小非抢先调度的问题,建立了一类资源负载均衡问题的优化调度模型.该模型将量子算法、克隆算法和遗传算法结合起来,提出一种新的混合量子克隆遗传调度算法.仿真实验表明在网格环境下,该算法全局寻优能力强,能有效地实现资源的负载均衡,并具有合理性和高效性.     

基于负载预测的虚拟机资源优化分配方案

云计算环境下,为了提高主机资源利用率和保证性能,考虑了主机负载因素的影响,提出了一种基于负载预测的虚拟机资源优化分配方案。通过预测主机负载情况,过滤掉即将达到警告值的主机,保证主机性能,防止虚拟机因负载过重发生不必要的迁移;对参与分配的物理机进行资源最大化利用分配,提高物理主机的资源利用率。通过仿真实验对该方案进行验证。实验结果表明该方案在保证了主机性能的同时提高了资源利用率。     

基于虚拟集群在线迁移的虚拟化资源整合算法

针对虚拟集群内部关联性和并行作业的运行特点, 基于虚拟集群在线迁移机制, 提出一种虚拟化资源整合算法. 先对系统建模, 描述云计算环境下的虚拟化资源整合问题; 再使用区域划分法对异构资源分类, 从而初步降低问题的规模和求解难度; 最后提出在同构子域中进行虚拟集群迁移的FFD_grp算法. 采用同种负载和多种资源分配方法模拟多种资源使用情况, 并对该方法进行验证. 实验结果表明,  FFD_grp算法能显著提高资源整合效果, 有利于抑制资源碎片的产生.     

基于LTE-A系统邻近业务(ProSe)直接通信的设计与实现

3GPP在LTE-A系统中引入了邻近业务(proximity-based services,Pro Se)来提高频谱利用率和降低基站负荷。终端通过基站分配的频谱资源进行直接通信,从而提高无线频谱资源的利用率,而UE间邻近业务成功建立后,基站的负荷得以降低。提供了邻近业务直接通信场景,提出了2种邻近业务直接发现方式,并基于第二种发现方式设计了直接通信建立的流程,搭建了基于TTCN-3(Testing and Test Control Notation version 3,测试与测试控制描述第三版)测试系统的多终端一致性测试平台,而后将设计流程抽象化,在搭建的平台上进行一致性测试,最终验证了邻近业务(Pro Se)直接通信的流程设计与协议的一致性,为该业务的开发奠定了基础。     

一种选择最大多用户分集MIMO信道调度方法及性能分析

提出了一种选择最大多用户分集MIMO信道调度方法,能在不降低性能的基础上减少反馈负载.每个用户将最大的信干噪比值与设定的门限比较,只有大于门限的值及对应的发射天线序号返回给基站,基站分配独立的信道给最大信干噪比用户.给出了所提方案的系统平均容量和反馈负载量的分析,仿真结果与分析一致.     

监控与预测的云资源优化配置

针对云环境下虚拟机资源在多数时间中处于闲置状态导致云资源利用率低的问题,设计一种云资源监控系统,并在云监控基础上提出一种基于自回归积分滑动平均(ARIMA)模型的动态负载预测与资源配置的方法.该方法利用虚拟机负载与配置的关系,通过预测负载情况,提前启动或者挂起虚拟机,提高云资源的利用率.研究结合OpenStack云环境提供的虚拟机,实现其下的云资源监控,预测和弹性分配功能.结果表明:该系统能准确预测虚拟机的需求量,所制定的资源弹性分配策略能够提高云资源的利用率,进一步节约成本.     

一种基于虚拟分区的跨小区 Ｄ２Ｄ 资源分配算法

终端直通（device-to-device,D2D）技术引入蜂窝系统虽然能够提高蜂窝系统性能,但同时带来了很大的干扰。为了降低蜂窝用户对D2 D用户的干扰,提出了一种基于虚拟分区的跨小区资源分配算法。通过为D2 D接收端设置干扰限制区域来限制D2 D用户所复用的蜂窝用户资源;为了给分配相同资源的用户之间建立较大的空间分离,降低链路间的相互干扰,引入虚拟分区的概念;最后,为了使系统吞吐量达到最大,从可复用蜂窝用户的集合中选择链路质量最好的k个蜂窝用户,将其资源分配给D2 D用户。仿真结果显示,所提算法可以有效地降低蜂窝用户对D2 D用户的干扰,提高系统的吞吐量,提升系统性能。     

基于个性化的云平台虚拟机部署机制的研究

云平台中传统虚拟机部署策略通常是依据单一性能指标来选择目标宿主机,而忽略了承担不同业务的虚拟机对不同资源依赖性的差异,从而导致因资源得不到合理分配而引起的过度迁移现象。针对以上问题,提出了云平台下一种虚拟机的个性化部署机制,该机制通过时间序列预测机制对宿主机的负载进行预测,并结合虚拟机的个性化负载需求,选择并部署在适当的宿主机上。实验结果显示,利用该机制部署虚拟机,在一定程度上能够有效降低虚拟机迁移频率,延长发生首次迁移的时间。     

高校云计算数据处理中虚拟机迁移与轮转模式研究

针对高校云计算数据处理应用中的虚拟器迁移和数据处理任务调度问题,首先提出一种新颖且高效的数据依赖感知的虚拟机迁移方案(简称为DataAware)。在进行虚拟机迁移时,DataAware考虑了虚拟机之间的数据依赖性和服务器的剩余容量,以此减少迁移产生的网络流量。然后,为了进一步提高云计算中数据处理的性能,提出一种基于轮转模式的同步并行轮转(SPR)调度算法,以减少由数据汇聚而形成的通信瓶颈。最后分别采用仿真实验和理论分析评估所提出方法的性能。仿真实验结果表明,DataAware能够大大地减少网络流量,提高网络性能。通过推导出SPR策略的误差上界,说明采用SPR模式对数据处理任务进行调度能使数据处理算法收敛。