内容分发网络中基于雾计算的载荷调度算法

针对基于云计算技术的内容分发网络不足以应对大规模业务响应所需的数据计算能力问题，以服务质量(quality of service, QoS)为目标，提出一种基于雾计算的载荷调度算法。算法引入权重机制评估雾节点的载荷度，引入多个指标考察个体节点的可用资源以及个体节点在全网中的载荷响应能力。以此为依据为每一个雾计算设备个性化地定制派送数据分组方案，同时能够在大规模数据转发情形下自适应更新自身的计算受理能力。测试数据表明，算法能够以较低的代价赢得良好QoS。     

面向车联网的身份认证资源协同分配算法

【目的】为解决车联网节点身份认证中繁忙区域的密集认证请求导致的处理效率低问题,提出基于自适应管理区域划分的计算资源协同分配算法(adaptive collaborative computing resource allocation algorithm for managing region division, AMRD)。【方法】首先建立一种弹性的身份认证辅助架构,根据认证流程将认证角色分为请求者、处理者和管理者;然后,针对管理者的计算任务负载不平衡问题,提出一种管理区域划分算法,根据上一时隙所有请求者的任务平均响应时延调整管理者管理区域,并将满足空余计算资源要求的处理者作为临时管理者,以提高认证效率;最后,将管理者的计算资源分配表述为一个优化问题,利用自适应算法为调整后的管理者分配计算任务。【结果】与目前3种主流资源协同分配算法相比,AMRD的资源利用率分别提高18.8%、20.2%和144.6%,平均任务响应时延分别降低17.6%、24.0%和29.5%,任务成功率分别提高4.2%、6.5%和20.7%。【结论】本研究结果可为车联网场景下实现高时效通信提供参考。     

采用节点优先级的对等网络流媒体请求量分配算法

在多源协同调度的对等网格(P2P)流媒体系统中,针对现有请求量分配算法不能根据源节点性能动态调整向各节点分配的请求量,导致源节点带宽利用率不高以及服务器负载重的问题,提出一种基于节点优先级的请求量分配算法.该算法根据源节点的历史调度评价和可用数据量计算源节点优先级,调度时根据优先级动态调整分配给各源节点的请求量,优先向历史调度评价好和可用数据量多的源节点分配请求.仿真实验与实际系统测试表明,所提算法可以充分利用源节点带宽资源进行数据传输,较传统算法降低服务器负载17.3%以上,提高了系统可扩展性.     

QoE驱动的基于CDN缓存命中率的码率自适应算法

随着移动流媒体用户群的增长,内容分发网(CDN)已经成为提高网络容量和用户体验质量(QoE)的重要途径。为了研究如何提升移动流媒体用户的QoE,提出基于CDN节点缓存命中率的QoE模型,该模型参数包含CDN节点缓存命中率、带宽吞吐量和客户端缓存变化量。在该模型的基础上,提出基于CDN节点缓存命中率的码率自适应算法,解决在网络条件不佳的情况下,根据用户码率请求参数的分布情况调整缓存策略,以提高CDN缓存命中率,降低时延,提高用户QoE。通过实验结果分析可以得出在网络条件相对较差的情况下,基于CDN缓存命中率的码率自适应算法能明显降低用户的RTT,提高用户QoE。     

车辆雾网络中一种近似最优的计算卸载算法

智能车辆上的时延敏感型任务对计算能力的要求很高,然而请求车辆上可用的计算资源有限不足以单独处理整个任务数据,很难满足时延需求。车辆雾计算(Vehicle Fog Computing, VFC)通过在请求车辆附近进行计算卸载来改善车辆服务。文中基于两阶段生产计划对计算卸载过程进行建模,提出了一种计算卸载算法(Computation Offloading Algorithm, COA)来优化卸载决策和执行顺序,从而降低计算卸载时延。COA在遗传算法(Genetic Algorithm, GA)的基础上应用了Johnson Rules决定卸载顺序。通过SUMO和MATLAB仿真,显示出与GA相比,在相同的迭代次数下,COA具有更低的平均卸载时延和更好的稳定性。     

基于Flink平台的资源感知任务调度策略

针对Flink平台下先来先服务任务调度算法忽略任务资源需求与节点可用资源之间的关系,导致不同节点任务负载不均,从而影响系统吞吐量的问题,提出了基于Flink流式计算环境下资源感知任务调度策略.首先,以GlobalState模块监测的资源数据为依据,考虑任务资源需求与节点可用资源间的匹配关系,提出一种任务选择算法与节点选择算法选取待执行任务与最佳调度节点;其次,通过资源感知调度策略把待执行任务调度至最佳调度节点;最后,通过实验验证算法的有效性.实验结果表明,相比Flink平台现有的调度算法,本文所提出的算法在大数据基准测试WordCount以及TeraSort下的吞吐量平均提高了约29.32%和35.86%.     

面向天地一体化网络的计算卸载算法

由于天地一体化网络的计算资源受限、能力迥异等问题,会导致其处理复杂任务的能力减弱,使得重要的任务处理失败.因此,本文构建了一种将任务卸载到本地-骨干-边缘接入节点的三层计算卸载开销模型,并通过基于DQN的最优卸载算法进行最优卸载策略的制定.首先,依据网络中存在的天基骨干节点、边缘接入节点以及地基骨干节点三种类型计算节点(卸载站点)自身的特点,给出了不同卸载站点的时延、能耗的开销表达式以及对应的约束条件. 然后,提出了基于DQN算法来完成低时延、低能耗的卸载过程.仿真结果表明,DQN算法能够提高任务执行的速度,降低终端设备的能耗,有效改善网络中计算节点资源迥异的现状.     

云环境下高效的车载多媒体任务调度架构

针对多媒体因资源成本、快速服务响应时间和体验质量严重影响车载通信性能等问题,提出一种云环境下基于动态优先级的高效车载多媒体任务调度算法.该算法利用基于动态优先级的车载多媒体作业队列(Job Queue,JQ)处理任何请求的优先级,以确保向不同优先级的不同多媒体终端用户及时发送响应,根据工作负载动态分配给每个计算服务器的计算资源,以便根据多媒体用户体验质量(Quality of Experience,QoE)的要求来处理多媒体任务.实验结果表明,该算法在体验质量、服务响应时间和资源成本等方面均有明显改善.     

基于数据压缩和NOMA的低时延计算卸载方法

为了降低移动边缘计算系统的计算任务完成时延,提出了联合采用数据压缩技术和非正交多址技术的移动边缘计算系统计算任务卸载方案,研究了以最小化计算任务完成时延为目标的通信资源和计算资源优化问题。文中提出了人工鱼群算法对该问题进行求解,且考虑到传统人工鱼群算法固定步长不变导致算法后期收敛速率慢、运算量大、易陷入局部最优解的问题,提出了一种灵活控制收敛速度的自适应步长人工鱼群算法。通过仿真表明,所提计算任务卸载方法相比仅基于数据压缩技术或非正交多址技术的方法,计算任务的完成时延大大降低。     

一种基于强化学习的车联网边缘计算卸载策略

计算密集型、时延敏感型车载应用的不断涌现导致资源受限的车载终端设备无法在短时间内处理大量的应用任务,而且卸载节点的动态变化特性在复杂多变的车联网场景中会导致任务候选卸载节点存在不确定性。针对上述问题,提出一种基于强化学习的计算卸载策略来实现任务卸载预判和计算资源分配。结合设备链接时间与通信半径等因素制定卸载节点发现机制,通过考虑时延与成本对车联网移动边缘计算卸载系统的影响建立效用函数,并以最大化效用作为优化目标将车联网中的卸载问题转化为优化问题,基于卸载节点发现机制采用Q-learning方法提出一种智能节点选择卸载算法求解优化问题,实现任务的智能卸载。仿真结果表明,在车联网场景中,提出的计算卸载策略可实现更高的系统效用。     

基于频谱切片的弹性光网络中可调度请求资源分配算法

针对确定业务开始时间和结束时间特性的可调度请求加重了弹性光网络的资源碎片率和带宽阻塞率的问题,设计了一种配置频谱切片机的弹性光网络节点结构,并提出一种基于频谱切片的可调度请求路由频谱和时间分配(SS-RSTA)算法。在路由选择阶段,设计了一种综合考虑路径长度、路径碎片率和节点可用频谱切片机数量的路径权重值的路由选择策略,为可调度请求选择路径权重值最大的路由;在资源分配阶段,采用链路的资源碎片感知方法为可调度请求选择可用的频谱和时间资源窗口;当资源分配失败时,采用频谱切片准则将可调度请求切分为多个子带宽请求,以增加可调度请求频谱分配成功的概率,提高频谱-时间碎片的利用率。仿真结果表明,所提算法可改善网络的带宽阻塞率和提高网络的频谱利用率。     

一种高效的对等网络流媒体数据调度算法

在基于无结构对等网络环境的P2P流媒体系统中,针对现有数据调度算法不能充分利用节点带宽资源导致服务器负载较重的问题,提出了一种基于数据块优先级的数据调度算法.该算法根据邻居节点滑动窗口中数据需求信息和数据稀有性计算数据块优先级,调度时优先请求高优先级的数据,以提高节点间数据协作性.当多个源节点可以同时提供所需数据时,根据节点已上传下载数据量计算节点的贡献率,向贡献率最低的源节点请求数据,实现新加入节点上行带宽资源的快速利用.仿真实验与实际系统测试表明,该算法可以更充分地利用节点带宽资源,较传统算法降低服务器负载20%以上,提高了系统可扩展性.     

一种可用输电能力量子粒子群优化算法

以量子行为与粒子群优化相融合的量子粒子群算法解决可用输电能力计算的优化问题.利用Matlab软件平台,以IEEE-30节点标准系统为算例进行仿真计算,比较本算法与传统粒子群算法的仿真结果,分析两种算法的寻优性能和收敛速度.仿真结果验证了量子粒子群算法解决可用输电能力优化问题的有效性.     

基于通信时延分组的改进实用拜占庭容错算法

【目的】为解决实用拜占庭容错算法(practical Byzantine fault-tolerant algorithm, PBFT)通信复杂度高、共识时延高等不足,提出节点间通信时延分组的改进实用拜占庭容错算法(grouping PBFT,GPBFT)。【方法】首先将区块链系统节点进行分组,依据最少网络通信次数确定分组数;然后计算各组节点间平均通信时延进行组内节点筛选,确定组内节点数;最后以共识成功率、失败率和节点历史行为评估参数为变量计算节点信誉值,监督节点共识行为,减少异常节点的参与。【结果】通过基于Hyperledger Fabric平台的区块链系统进行仿真试验,结果表明：与PBFT相比,GPBFT平均时延降低57.86%、平均吞吐量提高55.04%,通信复杂度数量级由平方级降低为对数级。【结论】GPBFT可满足多节点场景下区块链复杂通信的高时效性需求,解决了行业区块链系统大规模节点的需求问题。     

一种实现动态负载均衡的多机情报并行处理方法

为提高C4ISR系统处理战场情报的能力,结合海上信息系统研究,提出了一种满足舰载信息基础设施要求的动态可配置高可用多机情报处理体系结构和并行处理方法.该并行处理方法以一种基于负载均衡原则的情报分片策略为基础,设计了一种动态负载均衡的情报处理算法.算法解决了多机系统在需处理的情报分片内目标数量动态变化时出现的计算节点负载不均衡的问题.实验结果表明,该情报处理方法在降低情报处理时延以及提高并行处理加速比上均有显著改善.     

P2P流媒体系统中基于多点获取的快速启动机制

在对等网络(P2P)流媒体系统中,为保证媒体的平滑播放,缩短节点的启动时延,充分利用P2P网络中节点的存储资源和带宽资源,提出了一种基于多点获取的启动方法.即在提供服务的节点上缓存一部分媒体数据,以提高客户节点请求数据的命中率;同时,客户节点以自身与服务节点间的端到端时延为依据,并发地从多个服务节点获取媒体数据,以加快获取媒体数据的速度.该方法隐藏了P2P流媒体系统中的搜索时延,屏蔽了网络时延,加快了数据获取,从而将节点的启动时延缩短40 %以上.     

面向多请求的并行体绘制算法

为了提高并行体绘制算法在处理连续多个绘制请求时计算资源的利用率,提出了一种面向多请求的并行体绘制算法.该算法从两个层次并行处理多绘制请求,首先是不同请求之间的并行计算,其次是对单个请求的并行绘制.根据请求和节点的数目,提出了一种合理的任务分配策略,不仅及时响应用户请求,而且降低了连续多请求的总绘制时间.为便于负载平衡的实现,采用动态资源调度策略.在清华高性能集群计算机系统上实现了该算法.用32个处理器处理16个请求时,与现有其他算法相比,总绘制时间减少了约9.676 s, 响应延迟只增加了0.378 s.     

基于最小代价的跨域虚拟网络映射算法

针对多个自治域网络环境中的虚拟网络映射问题,提出了基于最小代价的跨域虚拟网络映射(MC-VNE)算法.首先根据虚拟网络的约束条件,计算每个虚拟节点的可用物理节点集合,然后利用最小权重路由算法,计算出每条虚拟链路的可用映射物理路径集合.借鉴克鲁斯卡尔最小生成树算法思想,依次在可用映射物理路径集合选择最小权重物理路径,然后将对应的虚拟链路映射到该物理路径上,并协调完成虚拟节点的映射操作.仿真结果表明,MC-VNE算法有效地降低了虚拟网络映射的资源代价,提高了虚拟网络请求接受率.     

基于网络分域的航空信息网络控制器部署方法

利用SDN的技术优势，可建立航空信息网络平台集中管控与资源统一调度的能力，显著提升网络管理能力与任务服务水平。 为构建SDN范式的航空信息网络，首先需要解决控制节点的部署问题。结合航空场景特点，提出一种网络划分与区域部署的控制器部署方法，首先依据网络关键性能指标实现网络的快速划分，接下来基于可靠性最大化在网络中部署控制器。仿真结果表明:所提算法具有较低的计算复杂度，并对平均请求时延、负载均衡指数、网络部署成本及可靠性等指标具有较好的优化性能，适用于解决航空场景下的控制器部署问题。     

基于电力物联网的边缘计算任务卸载优化

为了解决传统卸载模型仅涉及用户设备和边缘计算资源,而在云端资源利用上存在局限性的问题,通过有效利用计算任务时延、能耗及计算资源配置,提出了基于深度强化学习算法的计算任务卸载策略和资源配置优化算法,建立了边云协同的时延、能耗及能效模型,研究了用户设备数量、任务量、任务优先级等对时延、能耗及能效的影响。结果表明：边缘计算服务器资源配置为30 GHz较为合理;高级计算任务优先处理策略和计算资源优化分配,使得时延、能耗均较低;所提出的优化算法在时延、能耗及能效方面均优于其他3个对比算法,表明针对不同用户设备数量和计算任务量场景,所提出的优化算法和建立的模型能够更有效的实现基于电力物联网的计算任务卸载策略和资源配置优化。