边云协同计算中基于预测的资源部署与任务调度优化

数据集中处理的云计算模式提供交互迅速、绿色高效的多样化应用服务面临新挑战.将云计算能力扩展到边缘设备,提出了边云协同计算框架;设计了基于任务预测的资源部署算法,在云服务中心通过二维时间序列对任务进行预测,结合分类聚合、延迟阈值判定等优化边缘服务器任务运行所需资源部署;提出了基于帕累托优化的任务调度算法,在边缘服务器分2个阶段进行帕累托渐进比较得到用户服务质量和系统服务效应2个目标曲线的相切点或任一相交点以优化任务调度.实验结果表明:结合基于任务预测的资源部署算法与基于帕累托优化的任务调度算法在提高平均用户任务命中率基础上,其用户平均服务完成时间、系统整体服务效应度、总任务延迟率在不同用户任务规模、不同Zipf分布参数α的应用场景下,均优于基于帕累托优化的任务调度算法和基于FIFO(first input first output)的基准任务调度算法.     

面向互联网上网服务行业的用户画像系统设计

互联网上网服务行业用户画像系统通过对用户行为数据进行分析,利用网络爬虫、数据挖掘以及文本分类等技术,对用户进行画像,刻画了一个完整的用户全貌.系统对不同属性的数据采用不同的方法,挖掘出数据中的有用信息,提取用户的平台特征,为用户标记不同权重的标签,使得企业更加了解用户,为企业发展提供指导,同时也为用户提供个性化服务铺平道路.此外,针对K-means算法进行改进,从测试结果可以看出,经过改进的K-means准确率和稳定性都得到了极大的提升.     

基于重复角色和任务优先级的访问控制模型

本文针对一个角色可以对应多个不同的任务,以及任务重要性的不同,在任务规则的基础上,提出了基于重复角色和任务优先级的访问控制模型。其基本思想是一个用户可以同时拥有多个角色,通过角色可以获得其相应的任务,然后在执行某个任务的具体实例时,根据实例的状态获得该任务所允许访问的客体的权限。同时根据角色的不同把其对应的任务划分优先级,这样当用户对应多个角色时可以首先完成优先级高的任务,保证用户实时完成最优任务,提供了更灵活的授权机制。     

一种均衡的移动云计算任务迁移决策算法

移动云计算可以通过任务迁移将计算复杂型应用从移动设备卸载至云端执行。然而,任务迁移涉及数据的无线传输,会导致传输延时和传输能耗。为了作出任务迁移的最佳决策,提出一种均衡的移动云计算任务迁移决策算法。算法将任务迁移决策问题建立为Lagrange乘子的非线性优化模型,模型同步考虑了任务迁移后的执行时间代价和执行能耗代价;为了更准确地求解迁移决策,设计一种考虑用户应用动态行为的统计回归模型进行任务执行时间的估算,从而获得时间-能耗均衡性能的任务迁移决策。利用N皇后问题和面部识别应用两种任务类型对算法进行了仿真测试分析。结果表明,在平均执行时间、执行能耗、预测准确性等方面,所提算法较对比算法均表现出较好的优势。     

基于影响度及状态预测的多agent协作算法

针对灾难环境中多agent协作问题进行了研究，提出了一种基于影响度与状态预测的多agent协作算法。首先该算法根据协作任务对信息的需求，使用影响度函数对agent感知到的信息进行处理；其次利用预测算法对任务的后续状态和agent的行为进行预测并根据预测结果制定协作策略；最后执行协作任务的agent根据动作效果和触发条件动态调整协作策略。为了验证算法的有效性，在Unity3D中搭建仿真平台，对比不同协作算法的收敛率、救援人数和整体得分，结果表明该算法的收敛速度快、救援人数多和整体得分最优，可以效地指导agent间的协作，能给实际救援协作策略的制定提供理论支持。     

一种HEVC帧内预测算法的动态自重构实现方法

高效视频编码HEVC中帧内预测算法在专用硬件上的实现无法满足在高清和移动视频等多种应用场景间灵活切换的需求,导致编码性能差,硬件资源利用率不高。针对这一问题,提出一种新的帧内预测算法在可重构阵列处理器上的实现方法。该方法基于状态监测机制监测处理单元的执行状态,监测到空闲状态的处理单元则下发新的执行任务,根据处理单元的执行状态实现不同映射方案间的灵活切换,达到算法执行过程的动态自重构。实验结果表明,与帧内预测算法在专用处理器上的实现相比,本文方法在提高灵活性的同时,硬件资源使用减少了33.6%,算法执行的时钟周期数减少了16.2%。不同测试序列经过整个I帧环路测试的结果,与HM16.7官方软件的测试结果相比,平均图像质量有所提高。     

面向Spark的批处理应用执行时间预测模型

Spark批处理应用执行时间预测是指导Spark系统资源分配、应用均衡的关键技术。然而,既有研究对于具有不同运行特征的应用采用统一的预测模型,且预测模型考虑因素较少,降低了预测的准确度。针对上述问题,提出了一种考虑了应用特征差异的Spark批处理应用执行时间预测模型,该模型基于强相关指标对Spark批处理应用执行时间进行分类,对于每一类应用,采用PCA和GBDT算法进行应用执行时间预测。当即席应用到达后,通过判断其所属应用类别并采用相应的预测模型进行执行时间预测。实验结果表明,与采用统一预测模型相比,提出的方法可使得预测结果的均方根误差和平均绝对百分误差平均降低32.1%和33.9%。     

特种部队算法: 一种新的元启发式算法

根据现实环境中特种部队在执行任务时的情形,提出一种新的受启发于人的行为和基于群体的优化算法-----特种部队算法(SFA).特种部队算法为了有效模拟特种部队的特征,将现实中的不同战术行为和群体策略引入寻优思路,设计独特的搜索模式.特种部队会根据具体场景和任务要求,分别进行3种不同的任务:大规模搜索、突击搜捕、抓捕解救,通过结合不同策略,同时在算法中加入一些独特的机制,SFA可以模拟真实的动态行为以符合优化需求,SFA与其他几种成熟的算法进行比较,在包含单峰函数、多峰函数和固定维函数的15组基准函数测试中,验证了SFA的性能.实验结果表明,SFA展现出极具潜力和竞争力的结果,且能够在较好地平衡探索能力和开发能力的基础上,获得良好的搜索性能和寻优精度.     

基于Petri网的并行测试系统任务过程建模

针对并行测试系统中的测试过程复杂的问题,提出测试任务分解的原则和方法.对分解后的子任务构造任务相关图,并在任务相关图和资源占用情况的基础上,通过任务过程模型算法建立基于Petri网的并行测试任务过程模型,清晰描述测试任务执行过程中的顺序、并发等特性以及测试资源的使用情况.利用模型可分析子任务间的并行性,可为测试系统并行任务调度提供依据.     

一种基于智能家居的用户行为预测方法

随着移动通信技术、物联网技术和传感器技术等的快速发展,智能家居行业发展迅速。由于人们生活水平的提高,对智能家居可以提供的智能服务需求正在增加。然而,现有的智能家居系统只能根据预设的控制方法和规则简单地重复运行,并且根据用户的日常生活习惯,不能随时提供满足其个性化需求的服务。试图为智能家居提供个性化服务,使智能家居的服务能够更加灵活、智能和人性化,报告了智能家居和关联规则挖掘的研究现状,对提高Apriori算法的效率进行了研究,设计了原型系统中的数据采集和预处理,网关以及行为识别和预测3个功能模块的总体实现方案。实验结果表明,采用关联规则数据挖掘的方法可以预测智能家居环境下用户未来的行为,同时基于散列技术的Apriori算法提高了智能家居下用户行为预测过程中的效率。     

基于主机负载的任务执行时间预测研究

在网格计算中,预测网格节点性能的动态变化和网格任务的执行情况是影响网格任务高效调度是否成功的最重要因素之一.结合主机负载和任务执行时间的线性关系,研究分析了一种基于主机负载的任务执行时间预测算法.利用仿真实现了这种算法,对基于主机负载实现任务执行时间预测的可靠性进行了实验论证,并给出了预测精度的评价结果.     

一种基于任务复制方法的网格调度算法

根据Intemet上存在大量空闲主机的情况，结合流行的P2P的思想给出了一种基于资源代理的网格系统模型，该模型能提供超级计算能力给一般的用户。针对在像网格这样的大规模系统中部署大量监控组件的困难性，设计了一种基于任务复制的调度算法。该算法无需任何有关环境的预测信息，仅需知道任务的相对长度，就可在执行过程中自动地适应网格的动态性，并且具有容错功能。     

一种用于构建用户画像的二级融合算法框架

用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。构建用户画像的核心工作是给用户贴“标签”。基于用户的查询词历史记录,提出一种用于预测用户多维标签的二级融合算法框架。在第一级模型中,分别在各个标签预测子任务上建立多种模型,使用传统机器学习方法与Trigram特征相结合来抽取用户用词习惯的差异,使用doc2vec浅层神经网络模型来抽取查询词的语义关联信息,使用卷积神经网络模型来抽取查询词之间的深层语义关联信息。实验表明,doc2vec在处理用户查询这样的短文本相关任务时有着相对较好的预测准确性。在第二级模型中,针对用户画像这样的多标签预测任务,使用XGBTree模型及Stacking多模型相融合的方法提取出用户各标签属性之间的关联信息,使得平均预测准确率进一步提高了2%左右。在2016年中国计算机学会(CCF)组织的大数据竞赛《大数据精准营销中搜狗用户画像挖掘》中,所提二级融合算法框架在894支队伍中夺得了冠军。     

基于多路交叉的用户金融行为预测

针对通过挖掘用户的金融行为来改善金融领域的服务模式和服务质量的问题,本文提出了一种基于多路交叉特征的用户金融行为预测算法。根据数据包含的属性构建训练的特征,基于因子分解机模型(FM)利用下游行为预测任务对金融数据的特征进行预训练,获取数据特征的隐含向量。引入特征交叉层对金融数据的高阶特征进行提取,解决FM线性模型只能提取低阶特征的缺点。利用残差网络对金融数据的高阶特征进行提取,解决深度神经网络在提取金融数据高阶特征时由于网络层数过深而导致的梯度消失的问题。最后,将FM、特征交叉网络和残差网络整合为统一的多塔模型进行用户金融行为预测,并融合低阶特征与高阶特征进行用户金融行为预测。在多个数据集上对算法的有效性进行了实验验证,实验结果表明,所提出的算法能够取得较好的用户金融行为预测的准确率。     

拟态多执行体架构下的超时阈值计算方法

针对当前超时策略算法难以应对任务量起伏剧烈情况的问题,提出了一种应用于拟态防御架构系统的基于等效比例执行时间的超时阈值预测算法,利用拟态防御架构中多个功能等价执行体任务执行时间正相关的原理,预测任务执行时间并设置合理的超时阈值。仿真结果表明,所提算法能够针对不同任务情况动态地预测并设定超时阈值,有效地提高了超时判决效率,尤其适用于任务量变化剧烈的场景。     

安全工作流任务分配策略

工作流系统访问控制为企业的工作流安全技术框架提供了可靠的保证。基于任务角色的访问控制模型通过任务将角色和权限联系起来．然后给用户指派合适的角色．用户通过其指派的角色获得可以执行的任务。然而在工作流多个任务实例同时执行过程中用户通过角色获得多个任务需要同时执行，如果用户执行的任务选择不当，将会导致工作流中某一任务实例中途挂起或夭折。本文根据工作流执行的特点．在基于任务角色访问控制模型的基础上，时工作流执行过程中任务实例出现的瓶颈问题进行了分析，提出了任务基本分配策略，事务任务，互斥任务，任务基数约束等分配方案，有效地提高了工．作流的执行效率。     

一种基于任务复制方法的网格调度算法

根据Internet上存在大量空闲主机的情况,结合流行的P2P的思想给出了一种基于资源代理的网格系统模型,该模型能提供超级计算能力给一般的用户。针对在像网格这样的大规模系统中部署大量监控组件的困难性,设计了一种基于任务复制的调度算法。该算法无需任何有关环境的预测信息,仅需知道任务的相对长度,就可在执行过程中自动地适应网格的动态性,并且具有容错功能。     

基于冗余任务消减的边缘应用性能优化

在增强现实应用中，距离较近的多个用户请求很可能是相似或者相同的，从而导致同样的计算任务被重复执行。针对该问题，设计基于冗余任务消减的计算任务缓存系统。通过在边缘节点设计任务缓存，使边缘服务器以自组织方式维护全局缓存。对客户端请求时延、用户轨迹、节点部署和总时延进行建模，基于此研究基站上边缘服务器的计算资源部署问题，在给定总的部署代价下优化平均请求时延，并将该问题转化为整数非线性规划问题，设计针对中小规模场景的IDM算法和针对大规模场景的LDM算法。实验结果表明：IDM算法的平均时延与参考最优解仅相差5.85%，对最优解具有较好的逼近效果；LDM算法在牺牲9.20%平均时延的情况下，相比于IDM算法运行时间缩短98.15%，大幅减少了运行开销。     

协同环境下基于角色任务的个性化服务模型

针对多人协作的动态任务分配、动态资源推送等问题,建立了一种基于角色任务的个性化服务模型以支持网络大规模应用。将工作流中涉及到的用户、角色、任务、资源等要素抽象出来,构建统一的元模型作为整体应用基础;根据每个用户的角色特征、任务负载量等因素建立了针对用户的任务和资源匹配算法,并实时根据协同环境中任务的状态迁移将相关任务和资源推送给用户;通过一个实例来验证该模型的可行性和有效性。结果表明该模型为大规模网络服务应用中的资源推送机制提供了参考实现途径。     

基于不可信服务器的差分隐私混合推荐算法

大多数现有的隐私保护推荐算法是针对显式反馈行为数据的单一推荐算法,且仅适用于可信服务器场景。针对以上不足,提出了一个新的隐私保护推荐系统框架。框架利用用户隐式反馈行为数据,在客户端考虑数值敏感度和数据分布不同,使用LCF-VDP(local collaborative filtering-value differential privacy)机制扰动原始数据并上传到服务器;服务器混合两种算法的相似度,最终选择topk混合相似度发送给每个用户设备,在每个用户设备中进行预测评分计算并推荐。仿真结果表明,提出的方法可以根据不同的需求来选择合适的参数,以达到最佳推荐效果,且LCF-VDP在各种隐私预算下比传统的扰动机制效用更好。