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.     

基于流量负载自适应的时间分层分组抽样

高速网络中,流量抽样测量技术是一种重要可扩展的解决方案,其中NetFloW在流量测量中有着广泛的应用.针对NetFloW的缺陷提出了一种基于流量负载自适应的时间分层分组抽样算法,主要采用了预定义测量误差、时间分层分组抽样、自适应预测流量负载的方法,该抽样测量算法具有以下优点:抽样方法简单、易于实现,抽样概率自适应于流量负载的变化,平衡了资源的消耗量和准确性.并基于实际互联网数据进行了实验比较,结果显示:该方法具有简单性、自适应性、资源可控性的同时不会失去准确性.     

带有负载均衡的LTE自适应切换算法

用户在宏蜂窝和毫微微蜂窝之间频繁执行不必要的切换将导致系统掉话率增加,用户服务质量和网络吞吐量降低。提出一种带有负载均衡的自适应切换算法,根据网络综合负载水平自适应调节切换滞后余量,结合网络容量、终端所需容量、接收信号强度、业务类型、移动速度等多目标参数进行综合切换判决。结果表明所提切换算法可有效避免不必要切换的发生,降低切换次数并提高网络吞吐量。     

基于禁忌搜索的负载均衡组播路由算法

提出了一种基于禁忌搜索策略的能实现网络负载均衡的QoS组播路由优化算法。该算法在满足业务带宽和时延的基本要求下,将网络费用和负载均衡分布作为目标函数进行优化,达到网络费用较小和负载均衡分布的目的。仿真结果表明,该算法是一个有效、可行的算法。     

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.     

异构无线分组网络中的接入选择机制

传统多接入选择(Multi-Radio Access Selection)方法只针对话音业务,在设计中仅仅考虑已接入用户数及系统容量,由于未将"分组级"信息考虑在内而不适用于无线分组网络。提出了一种新的异构无线分组网络中的接入选择算法,分组业务在多接入选择时考虑了实时、非实时的不同QoS要求和链路自适应机制(链路层重传及自适应调制编码);用户接入后,在保证其QoS的基础上,同时达到不同网络间负载均衡的目的。基于OPNET Modeler的动态仿真对算法性能进行了仿真评估,并与传统的最小用户数和最小路径损耗多接入选择方法在保证业务QoS和负载均衡性能方面进行了比较。     

面向双层卫星网络的多业务负载均衡算法

卫星网络中由于卫星高动态拓扑和地面用户分布不均,导致卫星网络易出现区域负载失衡。设计高效的动态路由算法是当前卫星网络的研究热点,为此,提出了一种面向双层卫星网络的多业务负载均衡算法。该算法根据卫星链路上的数据传输量进行拥塞判断,根据链路时延因素和链路负载因素进行负载代价计算,不同服务质量(quality of service, QoS)需求的业务进行不同路径选择,通过分流均衡网络流量。仿真结果表明,该算法能够减少数据包的排队时延和丢包率,提高整网吞吐量。     

延迟容忍网络中基于社会属性的负载感知路由

延迟容忍网络中采用中心性作为路由尺度会使部分节点承载过多的网络流量。针对这一问题,提出了一种基于社会属性的负载感知路由算法。使用节点的介数中心性（betweenness centrality, BC）和相似性两个社会属性指标以及节点的负载状况作为选择中继节点的依据,避免了消息传播能力强的节点产生严重的拥塞,均衡了网络流量。仿真结果表明,该算法能够提高网络的交付比率,减小网络的开销。     

无线Mesh网中实现网关负载均衡部署的混合算法

提出网关部署的贪婪算法,尽可能地实现网关之间的负载均衡;提出遗传算法与贪婪算法相结合的混合算法,通过精心设计各个进化操作,利用遗传算法在多目标寻优方面的优势,该算法在较少迭代次数下可以达到网关数量和负载均衡两方面的优化.仿真实验表明,混合算法得到的网关数量与其它算法得到的结果非常接近,甚至更优;在网关负载均衡方面,该算法优势明显,与Recursive DS算法相比,网关负载样本标准差约减少45%.     

SDN驱动的网络流量负载均衡路由优化算法

在5G网络数据流量剧增的背景下，针对5G网络流量负载均衡问题提出并评估了两种基于软件定义网络驱动的路由搜索优化算法。首先，建立了软件定义网络多约束数据传输路径选择模型；然后，针对所提模型提出了一种流量负载均衡广度优先搜索(load balancing scheme with breadth-first-search, LBB)路径优化算法，在广度优先搜索的过程中，设定一个动态流量阈值对链路进行实时监测，旨在寻找源节点到目标节点的最优数据传输路径。为了减少甚至避免不必要的搜索所造成的空间开销，进一步提出了基于深度优先搜索的迭代深化搜索(iterative deepening search with depth first search, IDDFS)路径优化算法，该算法限制了数据传输路径的每次搜索深度，并在搜索过程中优先选择可用带宽最大的链路进行深度优先搜索迭代优化。仿真结果表明了所提算法在资源利用率和网络吞吐量这两项关键性能指标上的优越性能。     

基于神经网络矫正的非线性短时负荷预测模型

为了解决传统神经网络负荷预测模型中,当预测日天气出现快速变化时预测误差随之增加的问题,提出了一种改进的未来一小时实时负荷预测模型。在该模型中,预测负荷通过对预测日的类似日负荷数据加一个矫正值来获得,矫正值从神经网络产生,网络结构得到简化。由于采用在线实时学习方式,该模型可以学习快速的天气变化和预测误差之间的关系,减小预测误差。仿真结果验证了该模型的有效性。     

航天器姿态的神经网络动态逆控制

针对航天器姿态系统,提出了一种基于自适应神经网络动态逆的控制算法。该算法针对滚转、俯仰和偏航三个姿态子系统,设计了两组神经网络:第一组是BP网络,用来逼近三个姿态通道的非线性项,可获得姿态逆模型;第二组是非线性自适应神经网络,用于在线实时地补偿逆模型存在的误差和外加干扰。详细分析了非线性自适应神经网络的拓扑结构、学习规则和调整算法。给出了应用该算法的具体实例,通过仿真实验证明该算法的有效性。     

认知雷达中基于Q学习的自适应波形选择算法

自适应波形选择器是认知雷达中智能发射器的重要组成部分。有效的波形选择能够在不同的环境下选择发射最优的波形序列,从而以更高的精度追踪目标。针对雷达目标转移概率未知这一特点,把自适应波形选择问题建模为随机动态规划模型,提出应用Q学习的方法来解决这个问题。仿真结果说明,该算法接近于最优波形选择方案,并且状态估计的不确定性低于固定波形。     

基于改进粒子群-模糊神经网络的短期电力负荷预测

为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络,实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经网络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力,提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.     

网络可靠性评估的演化过程重要度抽样模拟方法

针对具有高可靠度网络的连通失效概率计算问题,提出了一种重要度抽样Monte Carlo模拟方法.首先提出了考虑节点和边单元失效网络连通状态判别的演化过程算法,算法根据网络节点和边单元的可靠度,将每次模拟抽样产生的随机数转化为单元的修复时间;按照单元修复时间次序构建网络连通拓扑结构,并视为向网络连通状态转变的演化过程.然后基于重要度抽样Mont,e Carlo模拟求解高可靠度网络的2\K\All端连通失效概率,其中重要度抽样函数的计算采用基于演化过程和交叉熵模型的多准则迭代方法.高可靠度网络算例的计算结果表明,预抽样求解重要度抽样函数时,多准则迭代方法所需的预抽样次数约为其他迭代方法的1/40.因此,本文方法具有较高的计算效率.     

基于自适应遗传算法的脑电信号特征选择

针对脑机接口(BCI)研究中脑电信号的特征选择问题,本文提出了一种自适应的遗传算法(AGA).它与标准遗传算法(SGA)的区别在于对交叉和变异概率进行自适应选择.在SGA中,采用固定的交叉和变异概率,因而容易造成早熟和局部收敛; 而AGA对两种概率的自适应选择保留了种群的多样性,并且有利于全局收敛.为检验提出方法的有效性,将其与基于SGA的特征选择方法以及基于Fisher距离的滤波选择方法进行了比较,实验结果表明AGA的分类精度明显高于其它方法,获得了最好的模式识别性能.     

基于二进制神经网络集成的潜在通路分析

针对神经网络在潜在通路分析应用中的缺陷,提出了二进制神经网络集成(BNNE)算法。该算法结合了二进制神经网络(binary neural network,BNN)和神经网络集成(neural network ensemble,NNE),NNE的个体成员是BNN,集成算法采用GASEN算法,其输入为电路开关状态,输出为预测功能。通过比较特定开关状态下的预测功能和设计功能之间的差异,判断是否存在潜在通路。该算法综合了BNN、NNE的优点,可以有效提高神经网络的泛化能力和潜在通路分析的可靠性,仿真试验验证了算法的有效性。     

Multi-constraint quality of service routing algorithm for dynamic topology networks

An adaptive multi-QoS routing algorithm called AMQRA is proposed for dynamic topology networks, such as satellite networks and Ad-hoc networks. The AMQRA is a distributed and mobile-agents-based routing algorithm, which combines ant quantity system （AQS） with ant colony optimization （ACO） that is used in AntNet routing algorithm. In dynamic topology networks, the AMQRA achieves timely optimization for concave metric QoS constraint and fast convergence. The proposed routing algorithm is simulated in Iridium satellite constellation on OPNET. The results show that AMQRA not only outperforms the AntNet in convergence rate in dynamic topology networks but also can optimize concave metric QoS constraint and reasonably allot bandwidth to the load to avoid networks congestion.