无线传感网络中的分簇融合决策方法

无线传感网络的簇划分和簇内节点访问顺序对数据融合决策能耗和耗时具有重要影响．对此，提出一种分簇融合方法，采用最大熵聚类法和蚁群算法实现分簇和节点访问顺序规划，在簇内由移动代理以渐近方式完成局部融合，中心服务节点通过二次融合得到最终结果．仿真实验以能耗×耗时为评价指标，分析了簇数目对数据融合效率和准确性的影响．验证了分簇融合决策方法能有效降低网络能耗和耗时．提高融合准确性和执行效率．     

一种基于密度的分布式聚类方法

聚类是数据挖掘领域中的一种重要的数据分析方法.它根据数据间的相似度,将无标注数据划分为若干聚簇.CSDP是一种基于密度的聚类算法,当数据量较大或数据维数较高时,聚类的效率相对较低.为了提高聚类算法的效率,提出了一种基于密度的分布式聚类方法MRCSDP,利用MapReduce框架对实验数据进行聚类.该方法定义了独立计算单元和独立计算块的概念.首先,将数据拆分为若干数据块,构建独立计算单元和独立计算块,在集群中分配独立计算块的任务;然后进行分布式计算,得到数据块的局部密度,将局部密度合并得到全局密度,根据全局密度计算中心值,由全局密度和中心值得到每个数据块中候选聚簇中心;最后,从候选聚簇中心选举出最终的聚簇中心.MRCSDP在充分降低时间复杂度的基础上得到较好的聚类效果.实验结果表明,分布式环境下的聚类方法MRCSDP相对于CSDP更能快速、有效地处理大规模数据,并使各节点负载均衡.     

一种基于测量数据相似性的WSN分簇路由方法

针对无线传感器网络(Wireless Sensor Network, WSN)中节点能量有限、节点能耗不均衡导致网络生命周期较短的问题,提出一种基于测量数据相似性的分簇路由算法CRMDS(A WSN Clustering Routing Method based on Measured Data Similarity)。在分簇阶段,设计自适应聚类算法,将测量值相似性高的节点分为一簇,在每个簇中选择一个节点传送数据,簇内其他节点进入睡眠模式以节省网络能量。在数据传输阶段,根据节点的剩余能量和传送能耗动态地更替簇头节点,并设计传送次数因子和相对距离因子生成簇头节点之间的路由路径,平衡节点能耗。仿真结果表明,CRMDS算法相较于现有算法能够有效节省网络能量,延长网络生命周期。     

基于KFCMSA的(k，l)加权社交网络匿名算法

图数据隐私保护的研究目前主要集中在简单图,适应范围有限。将权重图数据的隐私保护作为研究对象,可以改善权重图发布之后数据的可用性及有效性。针对在利用聚类匿名化方法处理社交网络数据时,需要增删大量的边和节点,造成严重的数据失真的问题进行了研究。提出了（k,l）加权社交网络匿名算法KFCMSA（联合k成员模糊聚类和模拟退火）,并利用改进的簇划分算法将权重社交网络聚类成不同的簇,对同一簇中节点的边权重进行泛化使节点满足l多样性。在实现k度匿名的同时有效减少了边的改变量,提高了数据的可用性,实现最优聚类的同时防止了同质性攻击。聚类质量实验和数据可用性分析表明该算法具有较高的性能优势和较高边保留率。     

基于聚类分析的能耗均衡无线传感器网络分簇算法

为降低并均衡无线传感器网络(WSN)中传感器节点的能量消耗,提出一种基于最优传输距离和K-means聚类的WSN分簇算法。根据层次聚类算法建立聚类特征树,将聚类特征树中的叶节点视为一个簇,并使每个簇控制在最优传输距离内,实现簇内节点的能耗均衡。通过目标函数对K-means聚类簇进行优化,保证簇内节点数目的均匀分布,并在考虑剩余能量和地理位置的基础上完成节点数据传输。实验结果表明,该算法在均衡网络能耗的同时,可有效延长网络生命周期。     

带调整策略的微聚类-宏聚类邮件社区划分算法

讨论邮件社区的划分及邮件社区的性质;提出一种基于微-宏聚类的邮件社区划分算法,在宏聚类之后加入了调整划分策略,显著提高了划分质量.本算法根据邮箱通信行为特征定义邮箱问的联系紧密度,采用微聚类-宏聚类找到联系比较紧密的簇,然后通过对个别节点做合理的簇间调整来找到真正的结果簇.实验表明,这种社区划分算法能够发现高质量的社区.     

优化聚类分簇结合自适应中继策略的双簇首WSNs路由算法

针对无线传感器网络中分簇路由算法节点能量利用率低、能量消耗不均匀等问题,提出了一种优化聚类分簇结合自适应中继策略的双簇首无线传感器网络路由算法.该算法对分簇路由协议中的三个阶段分别进行优化设计.成簇阶段,首先对双簇首模型下最优成簇规模与网络能耗的关系进行理论分析,然后使用改进的算术优化算法计算模糊C均值算法的初始聚类中心,提高了模糊C均值算法聚类成簇的准确率和鲁棒性.簇首选举阶段,引入双簇首策略,以节点的位置、能量和中心度为影响因子,根据承担任务的不同分别为内外簇首设计独立的簇首评价函数,以评价值为依据由节点分布式动态选举簇首减少了广播数量,同时可以将整个簇的能量负载平均分配到每个簇成员节点中.数据传输阶段,设置了多跳中继策略的距离适用条件,并以能量消耗速率为依据选择中继节点,避免了节点提前过载.仿真结果表明：在多种规模的网络中,该算法相较于对比算法在均衡网络负载、提高能量利用效率方面效果更好,从而延长了网络的有效感测时间.     

基于K-means的无线传感器网络分簇算法研究

提出一种基于K-均值聚类的无线传感器网络分簇算法。从K-均值聚类算法中要解决的合理聚类数的确定、初始聚类中心的选择以及聚类性能对目标函数的依赖这三个问题入手,运用K-均值聚类算法来实现无线传感器网络分簇。仿真与性能分析结果表明,基于K-均值聚类的无线传感器网络分簇算法既能节省节点能量、延长网络生命,又能改善网络中的能耗均衡,并保证簇首分布的均匀性。     

基于改进萤火虫聚类的异构WSNs能耗优化路由算法

针对随机分簇算法未考虑节点位置和对节点能量利用不充分的问题,提出了一种基于改进萤火虫聚类的异构无线传感器网络能耗优化路由算法(IFCEER)。该算法将改进萤火虫聚类算法用到高能节点分簇中,在时间充裕的数据传输阶段预测与聚类中心和基站等位置相关的主副簇头,进而形成结构紧密的全局最优簇集合,避免簇头可能集中于局部区域造成簇半径随意扩大的缺点,平衡了异构节点的能耗,降低了频繁重新聚类消耗能量的风险。仿真实验结果显示：与原有算法相比,在自由空间模型主导的100m×100m监测环境和多路径衰减模型主导的 300m×300m监测环境中,网络内第一个节点死亡时间分别延迟43%到225%;随着节点间传输距离的增加,300m×300m 监测环境能耗减少达到60%。     

实例簇驱动的图结构聚类参数计算算法

pSCAN算法的聚类结果受密度约束参数和相似度阈值参数的影响,如果用户提供的聚类参数得到的聚类结果无法满足需求,那么用户可以通过实例簇表达自己的聚类需求。针对实例簇表达聚类查询需求的问题,提出一种实例簇驱动的图结构聚类参数计算算法PART及其改进算法ImPART。首先,分析两个聚类参数对聚类结果的影响,并提取实例簇的相关子图;其次,对相关子图进行分析得到密度约束参数的可行区间,并根据当前密度约束参数和节点之间的结构相似度将实例簇内节点划分为核心节点和非核心节点;最后,依据节点划分结果计算出当前密度约束参数对应的最优相似度阈值参数,并在相关子图上对得到的参数进行验证和优化,直到得到满足实例簇需求的聚类参数。在真实数据集上的实验结果表明,所提算法能够为用户实例簇返回一组有效参数,且所提改进算法ImPART的运行时间比PART缩短了20%以上,能够快速有效地为用户返回满足实例簇要求的最优聚类参数。     

容器云环境虚拟资源配置策略的优化

针对容器化云环境中数据中心能耗较高的问题，提出了一种基于最佳能耗优先（Power Full，PF）物理机选择算法的虚拟资源配置策略。首先，提出容器云虚拟资源的配置和迁移方案，发现物理机选择策略对数据中心能耗有重要影响；其次，通过研究主机利用率与容器利用率，主机利用率与虚拟机利用率，主机利用率与数据中心能耗之间的数学关系，建立容器云数据中心能耗的数学模型，定义出优化目标函数；最后，通过对物理机的能耗函数使用线性插值进行模拟，依据邻近事物相类似的特性，提出改进的最佳能耗优先物理机选择算法。仿真实验将此算法与先来先得（First Fit，FF）、最低利用率优先（Least Fit，LF）、最高利用率优先（Most Full，MF）进行比较，实验结果表明，在有规律不同物理机群的计算服务中，其能耗比FF、LF、MF分别平均降低45%、53%和49%；在有规律相同物理机群的计算服务中，其能耗比FF、LF、MF分别平均降低56%、46%和58%；在无规律不同物理机群的计算服务中，其能耗比FF、LF、MF分别平均降低32%、24%和12%。所提算法实现了对容器云虚拟资源的合理配置，且在数据中心节能方面具有优越性。     

Storm平台下的线程重分配与数据迁移节能策略

作为流式大数据计算的主要平台之一,Storm在设计过程中由于缺乏节能的考虑,导致其存在高能耗与低效率的问题.传统的节能策略并未考虑Storm的性能约束,可能会对集群的实时性造成影响.针对这一问题,设计了资源约束模型、最优线程重分配模型以及数据迁移模型.进一步提出了Storm平台下的线程重分配与数据迁移节能策略（energy-efficient strategy based on executor reallocation and data migration in Storm,简称ERDM）,包括资源约束算法与数据迁移算法.其中,资源约束算法根据集群各工作节点CPU、内存与网络带宽的资源占用率,判断集群是否允许数据的迁移.数据迁移算法根据资源约束模型与最优线程重分配模型,设计了数据迁移的最优化方法.此外,ERDM通过分配线程减少了节点间的通信开销,并根据大数据流式计算的性能与能效评估ERDM.实验结果表明,与现有研究相比,ERDM能够有效降低节点间通信开销与能耗,并提高集群的性能.     

基于用户访问特征的云存储副本动态管理节能策略

针对云计算环境下服务器利用率低、能耗浪费严重的问题,提出一种基于用户访问特征的云存储副本动态管理节能策略。通过把用户访问特征的研究转化为计算Block的访问热度,根据节点的整体访问热度,DataNode主动申请休眠从而达到节能的目的。给出了详细的休眠申请、休眠判断算法,以及在DataNode休眠期间出现对已休眠Block进行访问的情况时如何处理的解决方案。实验结果表明,采用该策略后可休眠29%~42%的DataNode,减少能耗31%,且服务器的用户响应时间不受影响。经过性能分析,得出该策略在保证数据可用性的同时可有效地降低能耗。     

基于三支决策的虚拟机节能迁移策略

虚拟机迁移技术作为云计算中降低数据中心能耗的重要手段被广泛应用。结合三支决策的分、治、效模型提出一种基于三支决策的虚拟机迁移调度策略（TWD-VMM）。首先,通过建立层次阈值树搜索所有可能取到的阈值,由此以数据中心能耗为优化目标得到总能耗最低的一对阈值,从而实现三分区域,即高负载区域、中负载区域和低负载区域。其次,针对不同负载的主机采取不同的迁移策略：对于高负载主机,以主机预迁出后的多维资源均衡度和主机负载下降幅度为目标;对于低负载主机,主要考虑主机预放置后的多维资源均衡度;对于中等负载主机,如果迁移过来的虚拟机依旧满足中负载特性,则可以接受迁入。实验采用CloudSim模拟器进行,将TWD-VMM算法分别与基于阈值调度算法（TVMS）、基于虚拟机迁移节能调度算法（EEVS）、云计算中心节能调度算法（REVMS）算法在主机负载、主机多维资源利用均衡度、数据中心总能耗等方面进行比较,结果表明TWD-VMM算法在提高主机资源利用率、均衡主机负载等方面有明显效果,且能耗平均降低了27%。     

基于集群规模调整的节能存储策略

根据谷歌数据中心研究报告,传统数据中心存在高能耗、低利用率的问题。通过研究集群数据块访问规律,提出一种基于集群规模调整的Hadoop分布式文件系统（HDFS）节能存储策略,实现HDFS高效节能存储。策略主要在集群区域划分、数据块迁移策略优化、缓存机制等方面作出了改进。实验结果表明：使用该节能策略的HDFS比传统HDFS节能35%~40%,其中0.3%的访问需要唤醒服务器,同时引入缓存策略对集群的性能提高了5.1%。     

Energy-Aware Scheduling for Tasks with Target-Time in Blockchain based Data Centres

Cloud computing infrastructures have intended to provide computing services to end-users through the internet in a pay-per-use model. The extensive deployment of the Cloud and continuous increment in the capacity and utilization of data centers (DC) leads to massive power consumption. This intensifying scale of DCs has made energy consumption a critical concern. This paper emphasizes the task scheduling algorithm by formulating the system model to minimize the makespan and energy consumption incurred in a data center. Also, an energy-aware task scheduling in the Blockchain-based data center was proposed to offer an optimal solution that minimizes makespan and energy consumption. The established model was analyzed with a target-time responsive precedence scheduling algorithm. The observations were analyzed and compared with the traditional scheduling algorithms. The outcomes exhibited that the developed solution incurs better performance with a response to resource utilization and decreasing energy consumption. The investigation revealed that the applied strategy considerably enhanced the effectiveness of the designed schedule.

     

基于负载不确定性的虚拟机整合方法

物理主机工作负载的不确定性容易造成物理主机过载和资源利用率低,从而影响数据中心的能源消耗和服务质量。针对该问题,通过分析物理主机的工作负载记录与虚拟机资源请求的历史数据,提出了基于负载不确定性的虚拟机整合（WU-VMC）方法。为了稳定云数据中心各主机的工作负载,该方法首先利用虚拟机的资源请求拟合物理主机工作负载,并利用梯度下降方法计算虚拟机与物理主机的虚拟机匹配度;然后,利用匹配度进行虚拟机整合,从而解决负载不确定造成的能耗增加和服务质量下降等问题。仿真实验结果表明,WU-VMC方法降低了数据中心的能源消耗,减少了虚拟机迁移次数,提高了数据中心的资源利用率及服务质量。     

长寿命星载NAND Flash自适应坏块管理策略

针对长期在轨运行设备的存储可靠性问题,提出了一种自适应坏块管理策略。首先对星载NAND Flash存储系统建立马尔可夫可靠性模型,其次根据使用情况预估设备产生的坏块数量,并设置数据存储空间的大小;然后根据设备实际在轨坏块数量动态调整数据存储空间,在确保一定时间内有稳定的存储空间的基础上保持较高的空间利用率;最后对自适应坏块管理策略进行了仿真分析。结果表明,在某一写入速率下,该自适应坏块管理策略的空间利用率不低于85%。     

云环境下基于模糊隶属度的虚拟机放置算法

虚拟机放置问题是云数据中心资源调度的核心问题之一,它对数据中心的性能、资源利用率和能耗有着重要的影响。针对此问题,以降低数据中心能耗、改善资源利用率和保证服务质量(QoS)为优化目标,借助模糊聚类的思想提出了一种基于模糊隶属度的虚拟机放置算法。首先,结合物理主机过载概率和虚拟机与物理主机之间的相适性放置关系,提出了新的距离度量方法;然后,根据模糊隶属度函数计算得出虚拟机与物理主机之间的相适性模糊隶属度矩阵;最后,借助能耗感知机制,在模糊隶属度矩阵中进行局部搜索从而获得迁移虚拟机的最优放置方案。仿真实验结果表明,提出的算法在降低云数据中心能耗、改善资源利用率和保证QoS方面表现比较优异。