基于云计算的资源负载预测

互联网的高速发展,数据量的急剧膨胀,云计算技术应运而生.为了实现按需动态的调整资源、提高利用率、节省成本,云计算的资源弹性可伸缩控制技术变得极其重要.但是弹性伸缩仍然存在一些不足,资源的弹性伸缩需要一定时间,动态变化的资源使用需求不能及时响应.为此,本文提出基于云计算资源的负载预测方法.该方法主要是利用线性回归模型对历史负载数据进行建模分析.历史负载值主要是针对CPU使用率、内存使用率、硬盘大小进行分析.在进行负载预测的过程中,首先建立线性方程,然后利用偏导数进行分析,克莱默法则进行求解,求出两个未知的回归参数.然后利用求得的线性方程预测下一时刻的负载值.实验表明该线性回归预测方法可以及时满足负载变化的需求、提高资源利用率、降低云计算资源的使用成本.     

基于云计算资源的弹性伸缩创新及应用

随着信息技术和互联网的飞速发展,海量数据处理的需求日益增大,云计算作为一种资源共享模型应运而生.云计算的弹性伸缩控制技术因其以弹性可伸缩方式提供资源,提高了资源利用率和用户满意度.弹性伸缩有垂直和水平两个方面,水平伸缩主要是增加或减少虚拟机的数目,垂直伸缩是更改虚拟机的配置大小.然而,水平伸缩是一种粗力度的弹性调整方式,而且在应用过程中需要暂停应用,停顿时间比较大,会造成了资源的开销及成本浪费,而垂直伸缩虽然可以不中断服务即可对虚拟机大小进行重新配置,但是伸缩规模有限.针对水平伸缩和垂直伸缩各自的缺点,本文提出将水平伸缩和垂直伸缩两种方式相结合,既保证可以对大规模的伸缩需求做出及时响应,还可以满足短时间内对小规模需求进行资源调整,充分地利用了弹性伸缩的两个方面的优点,从而更大程度上地提高了资源利用率,降低了云计算资源的使用成本,进一步增大了用户的满意度.     

一个基于弹性云的负载均衡方法

提出了一种基于弹性云的负载均衡方法.这一方法构造了负载均衡模型框架,建立了模型对于虚拟机负载状况和虚拟机集群资源利用率进行量化评估,为实现任务的分发和虚拟机集群的弹性伸缩,设计了任务调度算法和弹性伸缩算法.实验结果表明基于弹性云的负载均衡方法在实现负载均衡的同时,有效提高了资源利用率.     

基于工作负载预测的虚拟机整合算法

针对云计算环境下满足负载均衡、自动伸缩、绿色节能等需求时所面临的虚拟机(VM)迁移问题,该文设计一种面向云计算基础设施基于工作负载预测的整合调度算法。通过有机结合基于工作负载预测的主动控制技术和基于实际系统状态信息的被动控制技术,并采用指数平滑预测模型预测未来时刻的工作负载情况,提出虚拟机选择阶段最大未来工作负载优先和虚拟机安置阶段比较资源需求队列的虚拟机整合算法。仿真表明,该算法利用基于预测的资源整合方式减少了服务器使用量、虚拟机迁移次数和服务等级协议违例次数,有效提升了以数据中心为核心的云基础设施整体资源利用率。     

云计算平台展望

1引言云计算是一个新型的网络技术和服务交付模式。云计算广泛地应用了包含资源分拆、聚合与转移的虚拟化技术、资源弹性伸缩与动态调配技术、海量数据处理技术、并行性分布式计算框架、异构资源与异构多业务体系支持技术和按需分配与微计量等技术,     

一种支持结点动态伸缩的集群作业调度模型

提出了一种支持结点动态伸缩的集群作业调度模型。针对实时网络数据流处理和非实时数据挖掘作业的特点,通过对计算结点的负载监控,实现了结点的动态伸缩,保证了系统处理不同作业时的高吞吐率和高吞吐量需求,提高了集群系统的计算资源利用率。     

云呼叫中心系统中对虚拟化资源进行动态分配的方法

构建在云计算业务平台资源池上的云呼叫中心系统,不仅能够在业务层面上进行负载均衡控制,实现呼叫中心的智能化资源调度和分配,自动均衡处理来话负荷、座席签人负荷,支撑话务、服务资源的统一调度以及业务的统一运营管理;而且由于云呼叫中心业务系统部署在云数据中心资源池上,与其他应用可以共享基础设施,因此还需要实现资源动态伸缩分配.提出了一种云呼叫中心系统中对虚拟化资源进行动态分配的方法,这是一种根据资源池上层应用系统的运行情况决定资源池资源动态分配的方法,该方法包括云呼叫中心系统发起虚拟化资源动态分配请求的触发机制、云呼叫中心系统与资源管理平台之间进行资源动态分配的接口等.     

ECluster:一种面向数据密集计算的弹性集群

提出一种面向数据密集计算的弹性集群ECluster,并以Web Cache服务为例,研究弹性集群的性能指标和资源调度策略.弹性集群将云计算提供的可按需获取的资源与数据密集计算系统中的本地资源结合使用,当本地资源不足时获取云计算资源,动态调整数据密集计算系统中的资源供给.实验结果表明,与传统数据密集计算系统相比较,弹性集群能够有效保证数据密集计算系统的系统性能和资源利用效率.     

基于精英蚂蚁算法的动态路由和波长分配研究

为了更有效地解决密集波分复用光网络中动态路由和波长分配问题,提高光网络中资源利用率,该文提出了一种基于精英策略蚂蚁系统算法的动态路由和波长分配问题的解决方法。在仿真中通过将精英策略蚂蚁算法应用到经典的美国国家科学基金会网络中,动态地完成路由和波长的分配。仿真结果表明,精英策略蚂蚁算法能够降低网络阻塞率,有效提高密集波分复用光网络的带宽资源利用率,并且随着波长数目或者网络负载的不断增加,这种优势更加明显。     

基于变化周期和事件驱动的云计算资源监测模型

云计算环境下的资源监测是云计算平台资源管理的重要组成部分,为资源分配、任务调度和负载均衡等提供了依据.根据云计算资源的特性,本文提出的资源监测模型结合了动态周期和事件驱动监测,具有良好的时效性、健壮性、松散耦合性以及可扩展性.该模型能够实时收集资源监测信息以及发现云计算中的故障,满足云计算平台特性需求.     

负载均衡技术在统一采集平台中的应用研究与实现

随着高性能网络技术的飞速发展,动态负载均衡作为集群系统中的重要技术,逐渐成为一种高性价比的并行/分布式计算的技术焦点。通过对动态负载均衡原理的诠释、任务调度算法的研究、云资源池硬件搭建方案的阐述、不同场景下设计机制的实现以及灵活权重因子的配置说明和负荷监控说明,成功解决了统一采集平台在基于x86私有云资源池中动态负载均衡技术的实现。最后对统一采集平台中动态负载均衡技术应用的效果进行了分析和展示。     

基于云计算平台的智慧城市管理系统设计

为了解决智慧城市管理过程中常出现资源调度速度过慢问题,设计了云计算平台的智慧城市管理系统。该系统采用云管理模块下监控各硬件设备,并构建云计算资源调度目标函数,利用文化粒子群算法对目标函数求解,得到云计算资源调度方案,最后测试结果表明,该系统能够实现智慧城市有效管理,并能实时监测城市情况,在实行资源调度时,任务完成时间较短且系统利用率较高,能够实现资源最大化利用。     

Dynamic and adaptive access control model

With the development of cloud computing technology, smart city and mobile office and emergence of mobile smart devices, the resources' environment is increasing complex. The traditional access control model has been difficult to meet the diverse access control requirements and the dynamic and adaptive access control policy. A dynamic and adap-tive access control model combining the resource life cycle management based on ABAC was proposed. The model fo-cused on resource life cycle management considering the relevance of the resource life cycle management and access control policy. In this model, the policy can be changed as the resource life cycle states' change, so the applicability has been improved. In addition, the user access behavior history management function was added in this model, which can adapt the environment better by considering history of user access behavior. At last, the model in general and cloud com-puting access control system was implemented and verified.     

基于粒子群算法的嵌入式云计算资源调度

随着移动互联网的发展,基于嵌入式设备的云计算服务成为研究热点。在国内,嵌入式云计算目前正处于探索研究阶段,云资源管理调度是嵌入式云计算的核心技术之一,其效率直接影响嵌入式云计算系统的性能。为了提高云计算性能,本文提出一种基于粒子群优化算法的云计算任务调度模型。粒子群算法中粒子位置代表可行的资源调度方案,以云计算任务完成时间及资源负载均衡度作为目标函数,通过粒子群优化算法,找出最优资源调度方案。在matlab实验平台进行了仿真,通过大量数据模拟实验表明,该模型可以快速找到最优调度方案,提高资源利用率,具有较好的实用性和可行性。     

基于弹性资源调整的云计算资源分配方法

针对云计算环境中负载难以预测并且负载量实时变化的应用,设计了一种基于时间协同的资源分配方法,该方法在应用运行过程中,根据负载量以及任务处理时间,制定出多虚拟机协同的资源分配方案。该方法采用时间协同的方式有效实现了资源复用,提高了数据中心资源利用率,并进一步降低了数据中心的运维成本。     

浅谈云计算领域的超融合

随着云计算技术的普及,越来越多的IT人员采用虚拟化与云计算技术来构建IT系统,提升IT系统的资源利用率,但同时仍面临许多挑战.超融合架构充分满足IT未来需求,帮助IT系统转型以更快更好地应对日益激烈的竞争环境,实现单个系统与整体IT环境共同成长.超融合系统也是当前最热门、成长最快的新兴IT领域之一.     

基于云、网、边融合的边缘计算新方案:算力网络

边缘计算已经成为5G时代重要的创新型业务模式,尤其是其低时延特性,被认为是传统方案所不具备的,因此边缘计算能够提供更多的服务能力且具有更为广泛的应用场景。但边缘计算与处于中心位置的云计算之间的算力协同成为新的技术难题,即需要在边缘计算、云计算以及网络之间实现云网协同、云边协同,甚至边边协同,才能实现资源利用的最优化。在研究边缘计算算力分配和调度需求的基础上,提出了基于云、网、边深度融合的算力网络方案,并针对AI类应用给出了一个典型实施系统,该方案能够有效应对未来业务对计算、存储、网络甚至算法资源的多级部署以及在各级节点之间的灵活调度。     

基于云计算的集约型电子监察平台设计及应用

云计算作为一种新的计算模式,成为网络资源共享、提高资源利用效率的重要方式。文章针对集约型电子监察信息化建设的需求,结合当前主流的云计算技术,提出一种基于云计算的集约型电子监察平台,并详细阐述了该平台的体系结构,关键技术和实现应用效果。     

一种面向云计算环境的安全管理模型

在云计算中,对大规模的资源提供一种安全有效的访问是其一个很重要的组成部分。在传统的分布式访问控制模型中．服务请求者将主体属性或能力等披露给提供资源者．访问控制决策完全取决于以资源请求者能力和安全策略为输入的一致性证明。但是。这些主体属性与能力等通常携带了大量信息。势必给云环境中的互操作带来许多安全隐患和风险。针对云环境的特点,提出一种针对云环境资源的安全模型,采用一种基于属性的访问控制技术来解决云计算环境下复杂和困难的安全问题,并且提出了一个安全管理模型来动态的决定对资源的访问控制．通过对资源属性的动态改变来达到对资源的安全访问的目的。     

Phased Scheduling for Resource-Constrained Mobile Devices in Mobile Cloud Computing

Mobile cloud computing combines wireless access service and cloud computing to improve the performance of mobile applications. Mobile cloud computing can balance the application distribution between the mobile device and the cloud, in order to achieve faster interactions, battery savings and better resource utilization. To support mobile cloud computing, the paper proposes a phased scheduling model of mobile cloud such that mobile device’s users experience lower interaction times and extended battery life. The phased scheduling optimization is solved by two subproblems: mobile device’s batch application optimization and mobile device’s job level optimization. At the first stage, the mobile cloud global scheduling optimization implements the allocation of the cloud resources to the mobile device’s batch applications. At the second stage, mobile device’s job level optimization adjusts the cloud resource usages to optimize the utility of single mobile device’s application. In the simulations, compared with other algorithm, our proposed mobile cloud phased scheduling algorithms achieve the better performance with acceptable overhead.