认知无线电网络中授权用户参数估计

针对认知用户在频谱切换过程中无法实时地获取授权用户到达率与服务率的问题,提出了基于隐式马尔可夫模型的参数估计算法。首先利用排队论对授权用户队列进行建模与分析,推导出授权用户队列状态转移概率;其次利用能量感知算法检测授权用户队列真实状态,获得可观测序列值;然后利用隐式马尔可夫模型描述两种随机过程,即授权用户队列状态变化随机过程和可观测序列随机过程;最后利用forward-backward算法估计隐式马尔可夫模型,从而获得授权用户到达率与服务率。仿真结果表明,该方法能够实现实时的、较为精确的估计,从而实时地为认知用户选择频谱切换策略提供依据。     

基于虚拟代理的两阶段网格资源协同分配模型

由于网格资源的分布性和异构性,资源协同分配一直是网格计算的基础研究内容.针对资源协同分配中用户对费用和截止时间的约束,提出一种基于虚拟资源代理的两阶段协同分配模型.虚拟资源代理通过一个两阶段的分配机制来优化资源配置和价格方案,用于满足用户费用约束和提高系统资源收益.同时,虚拟资源代理利用队列系统建立资源工作模型,为用户任务提供量化的截止时问保证.仿真实验从任务截止时间违约率、资源收益和资源利用率三个方面比较了基于该模型的协同分配策略与传统策略的性能表现.实验数据显示,对具有费用和截止时间约束的任务,该模型能有效提高用户QoS满意度和系统资源收益.     

广域Web集群的随机高级Petri网模型及性能分析

广域Web服务器集群是由多个局域Web服务器集群在Intemet上广域分布而形成的一种服务器体系结构,是目前解决Web系统超载和提供高性能服务器的一种有效手段.基于随机高级Petri网的性能建模与分析技术,提出了一种广域Web服务器集群的随机高级Petri网模型;对模型进行了精化设计以简化模型求解的复杂性;研究了广域Web服务器集群的多级负载均衡综合方案,包括广域集群级的集群站点选择算法、局域集群级的请求分配算法和服务器级的请求调度算法,这些算法可以一致地综合在随机高级Petri网模型中;并且利用随机高级Petri网的性能分析技术对负载均衡综合策略进行了性能分析与评价.     

两次随机丢包的被动队列管理算法

主动队列管理算法增加了硬件资源和运算量的开销,并且存在参数设置敏感,响应相对滞后于实际网络状况的缺陷,并没有在实际网络上推广使用。因此对目前使用最多的弃尾被动队列管理进行改进,提出了两次随机丢包的被动队列管理算法。在队列满时,两次随机丢弃队列中的数据包,改善弃尾队列管理的缺陷,提高了网络传输性能;提出了速度公平性的概念,两次随机丢包的被动队列管理算法对占据队列较多的TCP链接有更好的惩罚作用,能有效提高RTT公平性和速度公平性;该算法计算量小;NS2仿真表明该算法的有效性。     

基于动态阈值的VOD虚拟机集群预调度算法

如何构建支持大规模并发用户的视频点播(VOD,Video-on-Demand)服务是当前的热点研究问题.虚拟机集群因具有多实例、可封装和按需资源分配等特性,将成为构建大规模VOD服务的支撑技术.但是,现有虚拟机集群调度方法还难以应对VOD服务中点播行为的随机性与虚拟机调度的滞后性.为此,我们提出一种基于动态阈值的VOD虚拟机集群预调度算法,通过预测虚拟内存资源利用率最高时刻的用户链接数,动态地更改调度阈值,完成虚拟机集群的预调度.实验验证该算法可降低VOD服务中的时延抖动,并提高系统资源利用率.     

基于HTCP-net的multi-agent调度系统建模与仿真

从企业收集、监测互联网信息的实际需求出发,提出了基于multi-agent的分布式环境扫描系统的结构模型;同时,为满足系统重复采集更新信息的特殊需要,借鉴经典的Min-min启发式调度算法,设计了循环任务最早完成时间调度算法。依据赋时层次有色Petri网(HTCP-net)的理论,应用建模、仿真工具CPN tools建立了调度系统模型。对模型进行仿真,得到任务平均等待时间和各agent等待队列平均长度,与轮转调度和最短等待队列调度模型仿真结果的比较表明,所建立的调度模型既提高了企业用户满意度,又有效满足了系统周期性重复访问网站的任务需求。     

TeraPELB:云计算中基于预测的弹性负载均衡算法

现代负载均衡已经成为云计算中虚拟资源管理和调度的核心.针对现有云计算弹性负载均衡存在的不足,提出了一种基于预测的弹性负载均衡资源管理算法(TeraPELB),不仅能更加灵活她动态调配资源,而且支持基于负载的趋势预测.理论分析和仿真实验表明,随着网络员载的变动,TeraPELB算法能根据负载变化情况动态地调整后端服务器集群的处理能力,解决了从云中申请虚拟机具有延迟性而导致迟滞甚至无法满足用户请求的问题,相较于传统的弹性员载均衡算法效果更好.     

云环境下能耗优化的任务调度模型及虚拟机部署算法

云计算环境下,在满足用户服务级目标约束下,如何有效地进行资源分配调度,降低能耗,已成为不容忽略的关键问题.针对目前云计算系统服务资源分配调度问题在能耗方面的研究不足,提出一种能耗优化的资源分配调度体系架构,并基于此架构设计了一个满足实时用户SLA的能耗优化模型.该优化模型从系统级和部件级两个层次进行能耗优化.在系统级上,提出一种基于分组遗传算法最大限度降低系统空闲能耗的虚拟机部署算法,该算法将虚拟机和服务器之间的映射抽象为有约束的多维可变装箱问题;同时,在部件级上采用动态电压功率调整技术降低执行能耗,从而达到在满足用户需求的前提下,最大限度降低系统总能耗.仿真实验结果表明,该算法与同类算法相比,在相同条件下可有效降低云计算系统的能耗开销.     

基于资源性能评估的网格任务调度算法

在保障本地任务QoS需求并尊重网格节点本地调度策略的条件下,为网格用户提供QoS保障是计算服务网格环境中任务调度的一个重要目标和面临的新问题.根据对网格节点相关资源可用性历史数据进行统计、分析得出的结果,利用概率论方法对网格节点的资源能力进行评估,对网格节点状态进行划分并得到资源的平均状态;利用信息论中熵的概念对网格节点状态动态变化的不确定性进行评估并得到刻画网格节点状态不确定性的定量值.在此基础上,建立了一种基于性能评估的分布式调度框架,并提出了一种基于性能评估的网格任务调度算法.对GridSim进行了改进与扩展,基于改进与扩展后的GridSim对提出的算法进行仿真并与相关算法进行比较,实验结果表明了本所提出的调度算法在网格用户QoS保障程度、网格任务执行makespan以及负载均衡等方面的有效性.     

一种主动网络环境下的主动队列管理机制

针对主动网络这种新型网络体系能为主动队列的管理提供更加灵活和有效的方法,以及目前主动网络中主动队列的管理仍然简单移用传统网络算法这一情况,深入研究了这种简单移用存在的弊端,及应专门为主动网络设计主动队列管理机制的重要性和必要性。在此基础上,利用主动网络中路由器有着对流经其上的用户数据进行计算的特征,提出了主动网络环境下,基于资源动态协商的主动队列管理机制,并用OPNET8.0进行了仿真实验,验证了该机制在丢包率、队列长度和包延时等方面的优势。     

不确定云环境下基于滚动窗口的节能调度

目前,绿色云计算已经成为工业界和学术界的研究热点. 然而,以往的绿色节能调度研究忽略了虚拟机性能的不确定因素,使得调度效果与实际情况相差甚远. 本文提出一种基于滚动窗口的节能调度算法（ERRHU）,用于动态调度不确定云环境中的实时任务,同时根据系统的负载动态伸缩系统的计算资源以减少系统的能量消耗. 本文通过大量的模拟实验比较ERRHU与其他算法的性能.     

面向移动云计算的VM动态调度算法

针对移动云计算中的虚拟机(virtual machine,VM)调度问题,考虑无线带宽限制对VM调度的影响,以云提供商的系统效益为目标函数,根据拍卖机制提出了一种带宽受限的VM动态调度(bandwidth constrainted VM dynamic scheduling,BVMDS)算法。该算法首先根据用户的出价来判定拍卖成功方,然后根据拍卖成功方对计算资源的需求来配置VM,最后采用临界支付的方式来计算拍卖成功方的实际支付价格。仿真结果表明,算法能够有效地改善云提供商的系统效益和资源利用率。     

一种云计算环境下的负载调度算法

云计算数据中心的负载调度是影响云计算性能的核心,是云供应商对外提供服务,用户感受服务性能的关键所在,它直接关 系到云平台的整体性能和系统的资源利用率. 在对经典的Min-Min调度算法进行分析的基础上,结合云计算环境对Min-Min算法进行了改进. 提出了一种基于相对负载均衡的LL-Min-Min算法. 仿真实验表明,LL-Min-Min算法能够满足云计算环境下任务的多样性和不确定性的要求,可以较大地改善数据中心的负载均衡,提高集群的吞吐率.     

面向能耗的云工作流调度优化

云工作流调度直接决定了整个云工作流系统的性能,已成为一个重要研究内容.针对当前缺乏有效的面向能耗的云工作流调度优化方法,研究建立了面向能耗的云工作流过程模型、资源模型,提出了基于负载的能耗计算方法和面向能耗的云工作流调度优化算法.提出的方法考虑了能耗因素,在进行任务优先级计算及任务选择时不仅考虑了文件在不同虚拟机间传输的速度差异、同时考虑了虚拟机与本地共享数据库间的文件传输等因素,并从云工作流任务分配、主机负载和主机功耗关系的角度,进行能耗的计算与调度优化,更符合实际情况、使用范围更广.数值案例和仿真实验表明了提出的方法是可行的和有效的.     

面向绿色云计算数据中心的动态数据聚集算法

在分析目前云数据中心设备能耗和数据访问规律的基础上,创建了云计算数据模型,研究了云计算系统任务调度和数据部署层面的节能机制,提出一种面向绿色云计算数据中心的动态数据聚集算法。算法分为数据聚集与节点聚集两个层次,在兼顾系统服务质量的同时,按照节点和数据在不同时段的使用情况有效聚集数据,实现原本随机部署的数据与节点的有序化聚集和重新部署,从而使计算存储节点能够轮流运转,部署于云数据中心各区域的温控设备可以更加精确地实施定点环境温度控制。算法达到既充分利用资源,满足用户的服务需求,同时降低系统的整体能耗的目标。通过仿真实验进行了实验验证和性能分析,结果表明算法能够保障云数据中心的服务质量,提高设备稳定性,达到了“绿色”节能目标。     

虚拟化云中随机任务与资源调度方法

任务和资源调度方法是云系统的关键技术之一。但是,现有的研究往往忽略实时任务的高动态性和任务执行时间的随机性,使得调度方案的实际性能与期望性能相差甚远。针对以上问题,本文设计一个随机性感知的调度框架;提出一个启发式调度算法集成前摄性和反应式策略(proactive and reactive strategy, PRS)来对任务进行调度,以提高云系统保障实时任务时效性的能力;并提出3个计算资源伸缩策略来动态调整计算资源,以减少能量消耗。最后,通过实验将算法PRS的性能与其他4个算法进行比较。实验结果表明,在任务完成率和能耗方面,算法PRS的性能比已有算法提高13.85%和17.23%。     

基于IFTS的云计算网络动态负载均衡方法

针对云计算网络节点的异构性、资源配置的差异性和用户需求的不确定性等因素导致云计算网络极易出现负载不均衡的问题,在分析云计算节点负载模糊时序变化特性的基础上,构建了基于直觉模糊时间序列(IFTS)预测的云计算网络动态负载均衡模型,提出了基于IFCM的云节点计算资源自平衡方法,设计了基于IFTS预测的主动控制和基于反馈的被动调控相结合的虚拟机调度机制,并给出了云计算网络动态负载均衡策略,增强了云资源池的智能化管理水平,提升了云计算系统的整体性能.最后,通过典型实例验证了该方法的有效性和优越性.     

Multi-satellite observation integrated scheduling method oriented to emergency tasks and common tasks

Satellite observation scheduling plays a significant role in improving the efficiency of satellite observation systems.Although many scheduling algorithms have been proposed,emergency tasks,characterized as importance and urgency(e.g.,observation tasks orienting to the earthquake area and military conflict area),have not been taken into account yet.Therefore,it is crucial to investigate the satellite integrated scheduling methods,which focus on meeting the requirements of emergency tasks while maximizing the profit of common tasks.Firstly,a pretreatment approach is proposed,which eliminates conflicts among emergency tasks and allocates all tasks with a potential time-window to related orbits of satellites.Secondly,a mathematical model and an acyclic directed graph model are constructed.Thirdly,a hybrid ant colony optimization method mixed with iteration local search(ACO-ILS) is established to solve the problem.Moreover,to guarantee all solutions satisfying the emergency task requirement constraints,a constraint repair method is presented.Extensive experimental simulations show that the proposed integrated scheduling method is superior to two-phased scheduling methods,the performance of ACO-ILS is greatly improved in both evolution speed and solution quality by iteration local search,and ACO-ILS outperforms both genetic algorithm and simulated annealing algorithm.     

基于平均报酬强化学习的电梯群组调度研究

针对电梯群控系统,建立基于平均报酬强化学习的优化调度模型。采用R-learning的平均报酬强化学习求解算法,在分析电梯群组调度问题特点的基础上,利用径向基函数神经网络解决行为值函数的存储与泛化问题,并结合电梯群组虚拟仿真环境进行验证。通过与两种典型的电梯群组调度算法进行比较,展示了平均报酬强化学习算法在处理具有吸收目标状态的大规模随机序贯决策问题的有效性及可行性。