基于同时向上叫价拍卖的云资源分配方法与竞价策略

针对云资源的特点,基于微观经济学方法和支持向量回归机算法,提出了一种云资源分配方法与竞价策略.首先,采用块状能力来描述买方需求、卖方资源.然后,建立云资源系统框架,根据各个买方资源交易历史记录基于支持向量回归机算法来预测各个买方的竞价信息.在此基础上,利用非完全信息纳什均衡理论,设计了同时向上叫价拍卖和用户竞价策略,确定了最终成交价格,并根据成交价格来分配云资源.仿真结果表明,所提出的云资源分配方法和策略是可行和有效的.     

基于CUDA并行平台实现核膜系统求解可满足性问题的研究

膜系统能以空间换时间的方式在多项式时间内求解NP难问题,作为膜系统中的一个新类型,核膜系统不仅包含了不同类型膜系统的特征,而且能提供一种统一性的描述．因此基于核膜系统构建系统模型,并以此求解一个典型的NP难问题：可满足性问题．为了加速对核膜系统的仿真过程,程序将在CUDA并行方式下仿真实现,通过与传统的串行方式比较,使用CUDA能减少95％的仿真时间,这也表明使用CUDA并行方式非常适合仿真核膜系统．     

TIFAflow: Enhancing Traffic Archiving System with Flow Granularity for Forensic Analysis in Network Security

The archiving of Internet traffic is an essential function for retrospective network event analysis and forensic computer communication. The state-of-the-art approach for network monitoring and analysis involves storage and analysis of network flow statistic. However, this approach loses much valuable information within the Internet traffic. With the advancement of commodity hardware, in particular the volume of storage devices and the speed of interconnect technologies used in network adapter cards and multi-core processors, it is now possible to capture 10 Gbps and beyond real-time network traffic using a commodity computer, such as n2disk. Also with the advancement of distributed file system (such as Hadoop, ZFS, etc.) and open cloud computing platform (such as OpenStack, CloudStack, and Eucalyptus, etc.), it is practical to store such large volume of traffic data and fully in-depth analyse the inside communication within an acceptable latency. In this paper, based on well- known TimeMachine, we present TIFAflow, the design and implementation of a novel system for archiving and querying network flows. Firstly, we enhance the traffic archiving system named TImemachine+FAstbit (TIFA) with flow granularity, i.e., supply the system with flow table and flow module. Secondly, based on real network traces, we conduct performance comparison experiments of TIFAflow with other implementations such as common database solution, TimeMachine and TIFA system. Finally, based on comparison results, we demonstrate that TIFAflow has a higher performance improvement in storing and querying performance than TimeMachine and TIFA, both in time and space metrics.     

基于Mapreduce的Apriori改进算法

由于传统的Apriori算法是串行的并且效率较低,分析了Apriori算法的计算过程,针对其原理设计了一种基于Mapreduce的并行Apriori改进算法.实验结果证明,改进的算法能较好地提高关联规则挖掘的效率,具有接近线性的加速比和良好的应用价值.     

基于深度置信网络的云应用负载预测方法

为了准确预测云应用负载以便及时执行云应用自适应优化,从而保证云应用性能的稳定,根据云环境下应用负载预测问题的特点,提出了基于深度置信网络的云应用负载预测方法.首先给出能够有效描述负载数据的显式特征和隐式特征并定义了负载预测模型,进而给出基于深度置信网络的负载预测算法.对算法进行了分析并在真实数据集上与相关算法进行了比较,结果表明,本文提出的方法能够更加有效地解决云应用负载预测问题.     

A case study of 3 D RTM-TTI algorithm on multicore and many-core platforms

3D reverse time migration in tiled transversly isotropic (3D RTM-TTI) is the most precise mod-el for complex seismic imaging.However, vast computing time of 3D RTM-TTI prevents it from be-ing widely used, which is addressed by providing parallel solutions for 3D RTM-TTI on multicores and many-cores.After data parallelism and memory optimization, the hot spot function of 3D RTM-TTI gains 35.99X speedup on two Intel Xeon CPUs, 89.75X speedup on one Intel Xeon Phi, 89.92X speedup on one NVIDIA K20 GPU compared with serial CPU baseline.This study makes RTM-TTI practical in industry.Since the computation pattern in RTM is stencil, the approaches also benefit a wide range of stencil-based applications.     

多车次同时送取货物车辆路径问题的量子蚁群算法

研究了配送车辆载重量和工作时间有限,考虑货物装卸时间的多车次同时送货和取货的车辆路径问题(multi-trip vehicle routing problem with simultaneous deliveries and pickups,MTVRPSDP),建立了以配送车辆启动成本和车辆行驶成本之和最小为目标的线性整数规划模型.将量子计算和基本蚁群算法相结合提出了求解MTVRPSDP的量子蚁群算法,该算法应用量子比特启发式因子改进了人工蚂蚁的转移概率,从而提高了算法的全局搜索能力和稳定性,有效改进了算法陷入局部最优的缺陷.算例分析表明:MTVRPSDP的线性整数规划模型在实际应用中是可行和有效的,而且相比于基本蚁群算法和文献中所给其他算法的计算结果,利用量子蚁群算法和MTVRPSDP的线性整数规划模型能够得到较好的满意解,安排的车辆配送路线更加经济合理.     

云计算环境下基于优先级的IO和网络密集型应用调度策略

当前云计算环境中,当大于CPU核数的IO和网络密集型应用并发执行时,传统的资源分配策略没有考虑到应用的特性,导致资源利用率偏低,应用执行效率低下.针对这种现状,本文对IO密集型应用和网络密集型应用进行分析,根据它们可量化的特性,提出并设计了基于优先级的IO和网络密集型应用调度策略.针对可量化的小应用提高优先级,获得更大的CPU时间片,让小应用尽早完成,然后将所有CPU时间片分配给大应用,减少进程之间的切换调度,提高了效率.大量实验表明,该策略可以有效提高应用的执行效率,减少资源的消耗.     

云计算环境下智能电网短期负荷预测方法研究

智能电网短期负荷波动性大,传统预测方法无法解决波动性问题,预测结果不准确。为此,提出一种新的云计算环境下智能电网短期负荷预测方法。介绍了支持向量机理论,将一个含有所有某类样本在内的、由支持向量支撑的球面看作超球面,分析了分位数回归过程,将支持向量机和分位数结合在一起,构建支持向量-分位数回归预测模型。得到短期负荷概率密度函数,从而实现智能电网短期负荷预测。在进行实验时,完成对功率采样值和智能电网负荷属性的归一化处理,将其转换成[0,1]区间内的数据。实验结果表明,所提方法预测精度和效率高、成本低。     

云计算环境下网络内部信息隐藏算法研究

针对目前信息隐藏算法安全性低、不可感知性差以及抗干扰性弱等特点,提出一种新的云计算环境下网络内部信息隐藏算法。介绍了云计算环境下网络内部信息嵌入载体过程,给出了嵌入过程流程图。阐述了DCT网络信息隐藏算法原理,通过DCT变换对云计算环境下网络内部信息进行处理,其主要包括离散余弦变换与离散余弦逆变换。分析了DCT算法隐藏容量,结合DCT算法自身特点,对不同类型信息设定出相应的量化参数,最大限度增加DCT算法的最大可嵌入信息容量。给出DCT算法具体信息隐藏过程和提取过程。实验结果表明,所提算法不可感知性、抗干扰性以及安全性强,载体的可嵌入信息容量大。