具有能量收集设备的移动边缘计算资源分配研究

针对具有能量收集能力的移动边缘计算系统的计算资源分配问题,提出一种基于李雅普诺夫贪婪优化算法。构建在设备电池电量逐渐收敛下,移动设备时延与能耗联合成本的动态最小化优化问题。利用李雅普诺夫动态优化理论,将优化问题分解成每个时隙最佳本地执行、卸载执行和能量收集3个子问题,通过线性规划获得子问题最优解。通过在本地执行、卸载执行和任务丢弃之间选择执行模式,获得设备的时延与能耗联合成本最小结果。利用键值对设计贪婪策略程序,以适应多用户多服务器系统。仿真结果证实,在保证所有设备电池电量都在规定操作水平附近稳定情况下,卸载率可达99.9%以上,并能有效降低服务延时和系统能耗。     

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.     

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.     

云环境下一种节能的资源调度算法

针对云计算的高能耗问题,从系统级节能角度,提出一种节能的资源调度算法。首先,建立云计算的 两级资源调度模型;综合考虑主机的工作、空闲和休眠等多种状态建立能耗模型,并用多功能计量插座加以验证。 然后,提出基于遗传算法的最小能耗资源调度算法（ｍｉｎｉｍｕｍｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎｂａｓｅｄｏｎｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ, ＭＥＣＧＡ）,根据云任务的服务质量（ｑｕａｌｉｔｙｏｆｓｅｒｖｉｃｅ,ＱｏＳ）需求产生初始种群,以系统能耗最小为调度目标设计 适应度函数,并根据染色体适应度的正态分布函数和种群的进化代数设计遗传算子。仿真结果表明,所提算法能 够有效降低系统总能耗、缩短任务完成时间。     

卫星星座通信系统动态分区静态管理策略研究

在卫星星座通信系统中,基于卫星运动的动态位置区策略不仅可以克服"乒乓效应",还可以回避复杂的位置区半径优化问题,为了克服传统基于卫星运动的动态位置区策略中引入的大量且不必要的位置更新信令开销,提出了动态分区静态管理策略,该策略具备动态位置区策略所有优点的同时,可以用较少的、甚至低于静态位置区策略的信令开销完成正常的位置更新.     

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.     

云边协同下基于博弈论的云机器人部分任务卸载策略

如何合理地利用中心云、边缘云的资源,既降低系统设备能耗,又能缩短任务平均完成时间,是云机器人计算任务卸载面临的重大挑战。将云机器人的计算任务完成时间与能耗作为代价衡量指标,根据自身需求设置不同的代价权重,将多个云机器人的计算任务卸载问题转换成了一种多个玩家参与的博弈模型,设计了一种基于博弈论的部分任务卸载算法(game theory-partial task offloading,GT-PTO)。通过算法下的纳什平衡状态,找到参与者的最佳卸载阈值,从而达到系统总代价的优化。仿真结果表明,采用所提算法进行任务卸载,能够减少云机器人计算任务的能耗,缩短平均任务完成时间,大大提高云边协同服务质量。     

云边协同系统中基于博弈论的资源分配与任务卸载方案

综合考虑时延、能耗和计算资源成本，构建云边协同系统中的效用最大化问题，并将其分解为计算资源分配、上行功率分配和任务卸载策略三个子问题。提出一种基于博弈论的资源分配和任务卸载方案（game-based resource allocation and task offloading， GRATO） 以分别解决上述子问题。利用凸优化条件求得计算资源分配最优解；设计一种低复杂度的上行功率分配方法用于降低无线干扰；针对任务卸载策略优化问题，提出一种基于博弈论的分布式任务卸载算法（game-based distributed task offloading algorithm， GDTOA）。仿真结果表明，GRATO方案在时延和能耗方面的性能优于其他方案，还可以感知用户的优先级，使紧急用户具有更高的效用和更低的时延。     

面向物联网的机会网络信息传输最优控制策略

面向大规模物联网系统高动态、运行环境复杂等特征，构建了基于机会网络的存储-携带-转发信息传输模式，进而提出了带有传输不确定性的信息传输性能评估模型。在此基础上，综合考虑信息传输过程的能量消耗与传输性能等目标，提出了基于庞特李雅金极大值定理的最优传输策略。进一步，通过理论分析证明了最优传输策略服从阈值形式。仿真实验表明，模型的误差低于4.08%。同时，实验也表明所提出的最优传输策略明显优于传统的静态策略，并随着信息有效期的递增，性能表现更好。     

Web服务器集群QoS-aware负载均衡策略的性能评价

提出了将Web服务器进程调度中所使用的HTTP请求的内容和优先级与Web服务器集群的负载均衡策略相结合的综合控制策略.这种综合控制策略能够同时实现负载均衡和Web服务质量(QoS)控制.并且,本文提出了一种基于随机高级Petri网(Stochastic High-level Petri Net)的性能模型与分析技术,能够实现对Web服务器集群的QoS-aware负载均衡策略进行有效的性能建模与性能评价.     

多服务器系统中负载平衡与容错

高速网络互连的多服务器系统已经成为当今分布计算的主流。采用分布式构件技术实现高复用度、支持异构环境的分布式应用系统已成为新的发展方向。本文致力于二者结合,基于分布式构件（DCOM）标准设计了一个多服务器原型系统。文中提出了由单机同时为多台服务器备份的容错策略;提出了参数化加权负载分配算法实现系统的负载动态分配,并利用容错信息方便地实现负载平衡中的任务迁移。最后,基于DCOM规范实现了具有容错和负载平衡能力的专用服务构件,为快速构筑实际的多服务器应用系统提供了基础。     

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%。     

基于随机模型的动态调度算法研究

针对多资源云环境中虚拟机放置问题,提出了一种在随机模型下综合利用率较高的动态调度算法MIUS （maximize integrated utilization scheduling）. 首先,在调度中心建立一个虚拟的中央队列缓存用户任务,然后利用随机路由算法对用户任务进行服务器快速选择,最后在服务器上建立虚拟等待队列并利用MIUS算法进行虚拟机配置. 仿真实验结果表明,该算法在保证QoS的情况下,实现了一定程度上的负载均衡,并可较大提高系统的综合利用率.     

基于分布式深度学习的边缘服务放置策略

针对移动边缘计算网络中不合理的服务放置和资源分配所导致的服务质量下降问题, 提出了一种基于分布式深度学习的边缘服务放置策略。首先, 以最小化所有用户服务请求时延与加权服务放置成本总和为优化目标, 将优化问题建模为混合整数非线性规划问题。其次, 在给定服务放置策略情况下, 利用凸优化理论求解出边云最优的计算资源分配方案。最后, 利用分布式深度学习解决了服务放置问题。理论证明及仿真结果表明, 所提策略能够有效降低用户服务请求时延和应用服务提供商的服务放置成本, 并且逐渐逼近全局最优的服务放置策略。     

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。     

一种分散式空间服务网络模型

提出分散式空间服务网络模型来克服空间服务宿主服务器间的"孤岛"状态以及网络的伸缩性障碍。以Super Geo-Peer、Basic Geo-Peer和Inferior Geo-Peer分别建模不同能力的空间服务宿主服务器和空间服务消费者。在分散式空间服务网络模型的服务发现过程中,建立关于Super Geo-Peer和Basic Geo-Peer间比率的系统代价模型,并推导出满足最小系统代价的最佳比率。在此基础上,给出了一种维护分散式空间服务网络系统的可选方案。     

系统级能耗优化的实时电压调度方法研究

如何在满足实时性要求的前提下尽可能降低系统能耗,已成为目前实时系统设计面临的新挑战。针对动态优先级节能调度研究存储器操作的系统级能耗优化问题。通过设计线性整数规划模型提出了实现离线节能调度的SYS-SEDF算法,并分析临界频率及其计算方法,进而提出了应用于在线节能调度的SYS-CCEDF算法和SYS-LAEDF算法。实验表明,SYS-DVS系列算法可较好地降低系统级能耗。     

多Agent系统在空间直观仿真建模中的并行化

针对空间并行仿真技术中的同步问题,设计基于Agent感知区域的有限乐观同步算法。该算法继承乐观同步算法的积极性、保守同步算法的安全性,并将仿真中的Agent划分为安全Agent区域和非安全Agent区域,同时利用调度服务器和执行服务器分工协作的方式完成仿真计算。调度服务器根据不同Agent的安全半径筛选确定其是否属于安全区域,执行服务器负责执行Agent的行为。该算法实现仿真技术中积极且有限的乐观同步,降低并行仿真中网络的通信量,确保仿真程序执行过程中的因果约束关系,有效地缩短了仿真时间,在GAMA仿真平台实现并验证方法的有效性。