C-RAN架构下一种基于分形定理的载波迁移预测算法

作为C-RAN关键技术之一的实时虚拟化技术要求实现硬件处理资源的虚拟化管理,实现物理资源的动态分配和负载均衡,保证虚拟基站的实时性,处理时延和抖动可控。为提高物理资源的动态分配和负载均衡的效率,在传统虚拟机迁移策略基础上结合分形理论,提出一种动态载波迁移预测算法,避免了因瞬时负载峰值触发载波迁移而带来不必要的迁移开销。该算法通过对物理资源负载离散历史数据进行分形拼贴拟合出完整负载曲线,然后根据分形维度不变性实现对未来数据的预测。为实现对该算法的仿真,结合C-RAN的系统架构搭建了一个基于并行离散事件仿真(parallel discrete event simulation PDES)的验证平台,仿真结果表明该算法能在有效减少虚拟基站迁移次数的同时确保达到负载均衡的目的。     

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。     

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。     

动态反馈负载均衡算法的研究

针对iSCSI的多网卡多连接技术无法对系统的各种任务做出合理分配,影响系统整体性能的发挥这一问题,提出了一种基于动态反馈的负载均衡算法.该算法采用了反馈原理,通过对整个系统中多个资源的状态进行采集,再计算出实时的反馈值,并结合系统历史反馈值对系统中任务进行再分配以达到动态调整系统负载状况的功能,满足并行请求不同的情况.实验结果表明,使用该算法使系统的整体性能得到提高.     

一种基于动态聚合方法的网格任务调度算法

网格中的资源都是动态的,传统的静态任务调度算法不能适应网格的动态特性。通过对资源在未来一段时间内的状态进行预测,可以提高调度算法的性能。文中提出了一种用动态聚合进行调度的算法。首先对处理器的负载进行取样,然后根据网格任务的执行时间,对处理器的取样值进行动态聚合,再利用AR(p)模型进行预测,最后利用预测到的值作为参数对网格任务进行调度,把网格任务分配给每个处理器,使得每个处理器完成子任务的时间都相同,从而使得整个任务的执行时间最短。实验表明,这种算法能很好地适应处理器负载高度变化的情况。     

网格计算中一种动态负载均衡算法

负载均衡研究的目的就是尽可能避免这种空闲与超载并存的情况,从而有效地提高系统的资源利用率,减少任务的平均响应时间。现有的一些动态负载均衡算法在减少平均响应时间方面有待提高。本文提出了一种网格计算动态负载均衡方法,将整个网格系统分为多个相互联系的区域,并将作业实时地转移到计算资源相对丰富的区域,在不增加消息量的前提下,减少了任务的平均响应时间。     

交通流预测网格自适应负载平衡研究

交通流预测从理论研究到投入实际应用,需要满足大规模路网交通流预测对计算资源的需求,同时能以较低的代价使用这些资源,网格技术提供了这种可能性。但是网格是一个动态共享的环境,负载失衡会使得交通流预测的实时性无法得到保障。由于路网交通流预测任务是由一组不断被执行的相互独立任务组成的。提出了一种结合网格节点动态负载信息与任务执行时间反馈的自适应网格负载平衡算法,根据系统负载变化来分配任务到各个主机,同时根据各个节点上任务执行时间的差距来调节各个节点的负载。并且在此算法的基础上构建了大规模路网的交通流预测网格系统,验证了算法在实际运用中的可行性。     

云计算环境下多目标约束的虚拟资源动态调度

为了解决静态资源调度所导致的CPU利用率不高的问题,研究了多目标约束的虚拟资源动态调度方法。给出了云计算虚拟资源调度模型,设计了多目标约束的虚拟资源表示方法,采用马尔科夫链对虚拟资源的下一时刻状态进行预测,从而得到可用资源向量;最后,计算任务与可用资源向量之间的匹配向量,将任务分配给匹配向量中具有最大各维分量之和的虚拟资源进行调度,并提出了具体的采用基于马尔科夫链预测的云计算虚拟资源动态调度算法。实验结果表明：该算法能有效解决云环境下多目标约束的虚拟资源动态调度问题,具有较小的负载均衡离差和任务执行跨度,较其它方法具有较大的优越性。     

多阶段金霉素发酵过程产品质量控制

为提高金霉素产品质量和产量,提出了一种基于动态阶段划分的多阶段质量预测控制系统. 对训练数据进行主元分析得到的负载矩阵进行聚类,结合先验知识得到各阶段聚类中心;通过计算实时数据的负载矩阵与各阶段聚类中心值间的欧式距离,动态划定各阶段间的界限. 同时基于关联向量机算法,为发酵过程每个阶段建立相应的质量预测模型. 在金霉素间歇生产过程中,根据发酵进程所处的阶段和质量变量的实时预测值,对发酵生产过程实施相应控制策略. 通过实际应用表明,采用多阶段质量预测控制方法可改善生产过程的稳定性,提高产品质量.      

云环境下基于多属性层次分析的虚拟机部署与调度策略

针对云计算中物理服务器间的负载不均问题,提出一种基于多属性层次分析的虚拟机部署与调度策略。该算法将虚拟机按照资源的需求特点进行分类,主要由两方面构成:在虚拟机部署时,对虚拟机的资源进行热点分析并对其重要程度进行量化,根据量化后的权向量以及服务器资源的使用记录对各个服务器进行预测评价,选择最佳服务器进行部署;在虚拟机调度时,获得运行在超载服务器上的各个虚拟机的权向量,并按照一定次序对未超载服务器进行评价,查找是否有更适合的服务器,从而降低超负荷服务器的负载。与同类算法相比,该算法不仅实现了服务器各项资源的优化配置,而且降低了动态负载平衡导致的整体损耗。实验结果表明,当按同一次序在5台物理服务器上申请20台资源需求不等的虚拟机时,该算法到达平衡状态需要的平均动态迁移次数比随机均衡算法减少了80%,同时进入平衡状态后,各服务器的各项资源使用情况也更趋于平衡。     

云数据中心基于负载预测的物理主机状态检测策略

针对云数据中心现有物理主机状态检测算法对提高云数据中心物理资源的利用率效果不明显问题,提出了基于负载预测的物理主机状态检测策略(load prediction based physical host status detection,LP-PHSD),LP-PHSD利用时间序列和二次指数平滑法预测出物理主机在未来一段时间内的资源利用率情况,同时结合绝对中位差方法,确定资源利用率动态阈值边界,选择适当的时刻进行迁移,提高物理资源的利用效率,降低能量消耗.LP-PHSD包括源物理主机状态检测和目标物理主机状态检测2个部分,可以很好地判断出虚拟机迁移的时刻.实验表明,经LP-PHSD策略优化后的新虚拟机迁移方法与近几年的BenchMark迁移模型比较起来,云数据中心的总体能量消耗降低,虚拟机迁移次数减少,云服务质量明显提高.     

数据中心应用感知的动态资源配置研究

面向云计算数据中心,该文研究了应用感知的动态资源配置及其实现方法。采用马尔科夫过程对应用进行建模,并计算各功能模式下资源需求的变化关系。以保证应用执行性能为前提,提出基于执行等待时间期望的资源评估算法。提出应用感知的动态资源配置算法并和静态最大资源配置算法进行了对比实验。实验结果表明,在相同的应用负载下,该文算法相对于最大资源配置算法能够减少49%的物理机使用量;在给定同样的物理机数时,该文算法对应用请求的接受率比最大资源配置算法提高约45%。     

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.     

灰色预测理论在异步电动机调压节能中的应用

异步电动机调压节能是根据其负载的变化,通过调节异步电动机定子端电压,以达到节能的目的.通过分析异步电动机T型等效电路,得到效率与定子端电压、功率因数之间的函数关系,并对其进行优化,寻求异步电动机在不同负载下的最优工作电压,然后应用灰色预测理论对数据进行预测,给出负载率与定子端电压之间的精确函数关系.研究表明,在异步电动机运行的过程中,只要检测出它的负载,就可以依据这个函数关系式调节定子端电压以达到节能的目的.实例分析进一步验证了该方法的可行性及有效性.     

两种基于不变损耗和可变损耗的异步电机能效计算方法比较

用两种基于不变损耗和可变损耗的异步电机能效计算方法，分别结合两种形式定义的负载率进行电机能效分析，选取高、低压电机作为计算实例，并与基于电机5项损耗的能效分析方法作比较.计算结果表明：当电机负载率较高时，用本文方法及分别与两种形式的负载率结合的计算结果非常接近.     

基于支持向量机的云计算资源负载预测模型

为了准确描述云计算资源负载的动态变化趋势,设计了云计算资源负载预测模型。采用混沌分析算法对云计算资源负载的时间序列进行处理,构建云计算资源负载预测的学习样本。采用支持向量机(SVM)建立云计算资源负载的预测模型,并设计了组合核函数,以提高SVM的学习能力。选择灰色模型、反向传播(BP)神经网络、径向基函数(RBF)神经网络、RBF核函数的支持向量机进行云计算资源负载预测的仿真对比实验。结果表明,对单步云计算资源负载预测时,该文模型的预测精度为94.85%,仅低于灰色模型的95.85%;对多步云计算资源负载预测时,该文模型的预测精度最高,为89.17%。     

基于仿生研究的步行机缓冲型腿机构设计

基于仿生研究成果设计出一种含有弹性元件的缓冲型腿机构，分析其工作原理和参数选择原则，具有结构简单、性能可靠的优点．对比分析了几种设计方案的刚度随着压缩量的变化情况．这种具有非线性刚度变化的腿机构初步解决丁机器人在动态行走时的冲击以及由此产生的振动，使机器人在高速行走时得到缓冲并达到节能，提高了机器人的能效，从而得到一种适合于动态步行机器人的缓冲型腿机构．这种腿机构不仅适用于实现动态行走的四足步行机器人，也可适用于高速步行下的多足机器人。     

基于异构应用的负载均衡技术探析

负载均衡是一种策略,能让多台服务器或多条链路共同承担一些繁重的计算或帕任务,从而以较低成本消除网络瓶颈,提高网络的灵活性和可靠性。本文分析了物理资源在不同虚拟平台之间以及同一虚拟平台的不同虚拟节点之间按需、动态和透明的能力流动技术。     

多目标优化的云计算虚拟集群动态调整方法

当前云计算应用中提供的虚拟集群尚不能自动的根据实际网络应用负载作动态调整,从而导致网络虚拟集群的资源利用与负载不适应,使得较多的计算资源空闲在集群中,产生能源浪费。针对上述问题,提出一种多目标优化的云计算虚拟集群动态调整方法,并给出虚拟集群动态调整框架。实验结果表明,该方法可以自动调整虚拟集群规模以适应网络应用负载,并能达到充分利用云计算资源和减少云计算能源消耗等优化目标。     

基于微服务架构的多资源负载均衡优化方法

为有效提高网络多资源利用率和执行效率,确保网络多资源负载均衡效果,通过微服务架构研究了多资源负载均衡优化方法.通过数据层、基础层、服务层、业务层以及表示层,建立微服务总体框架结构,动态调度网络多资源服务,降低负载情况,采用微服务架构,构造可扩展的网络拓扑结构.依据负载均衡优化目标建立优化模型,利用多蚁群算法对优化模型进...