计算资源共享平台中基于分类器的可用性预测

提出与描述了计算资源共享平台中的网络资源的可用性预测方法,该方法使用了基于数据挖掘的分类器算法,采用了分布式数据收集器工具,该工具运用收集数据和跟踪数据的方式来获取的预测的可用性的信息,从而完成资源的使用情况的预测。讨论了实现资源可用性预测的软件框架,描述了资源预测的具体过程。实验结果表明,即使在高挥发性的分布式计算平台中,该资源可用性预测技术能够很好地预测计算资源共享平台中机器的处理器利用率、内存的负载、机器的可用性,为调度器和副本备份提供参考。     

基于云计算的靶场测试装备可用性服务架构研究

对靶场测试装备质量及综合保障情况的评估是测试装备使用阶段的一项重要任务,其中可用度(可用性)是最能反映其运行状态的参量之一,它是表征测试性、可靠性、维修性、保障性、安全性和环境适应性的综合。本文基于云计算技术,运用知识管理方法,给出了靶场测试装备可用性服务架构总体思路。对基于云计算分析技术的测试装备状态监测、可用性预测仿真驱动、预防性维修辅助决策的可用性服务支撑架构进行了描述。目的在于使测试装备可用性得到有效的监测、预测和控制,使靶场测试装备可用性达到最大化。     

数据集分类可用性评估的置信区间方法

如何有效评价训练数据集的可用性,一直是困扰智能分类系统应用的难点问题。针对机器学习领域的数据分类问题,提出了一种基于区间分析和信息粒化的数据集分类可用性的评估方法,用于评价数据集的可分程度。该方法将待评估的数据集定义为分类信息系统,提出了分类置信区间的概念,通过区间分析进行信息粒化。在此信息粒化策略下,定义分类可用性的数学模型,并进一步给出单个属性以及整体数据集的分类可用性的计算方法。选择18个UCI标准数据集作为评估对象,给出了部分数据集分类可用性的评估结果,并且选取3种分类器对所选数据集进行分类实验,最终通过对上述实验结果的分析证明了该评估方法的有效性和可行性。     

一种基于预测的资源匹配算法

网格任务调度过程中的资源匹配是根据任务要求从网格资源信息服务（GRIS）中查找出合适资源的过程。GRIS中记录的往往是资源的静态信息，由于本地负载的动态变化使得基于资源静态信息来确定的候选资源集中一些资源并不能满足任务的QoS需求。基于相关资源动态信息预测资源未来状态，给出了网格任务平均完成时间及完成时间的分布函数，并根据任务QoS需求，兼顾考虑资源当前及未来状态，提出了一种资源匹配模型与匹配算法。通过实验表明，该算法能有效减少候选资源数目，从而降低调度时间复杂度。     

一种复杂产品界面可用性定量评估方法的研究和应用

可用性评估是保证界面质量的重要手段。利用粗糙集灰色分析解决复杂产品界面可用性评估中的模糊问题,建立界面可用性评估模型;基于任务将难以直接评估的复杂界面分解成多个子界面,建立新的复杂界面可用性评价指标的测量方法和实验范式,从而实现对复杂界面可用性的客观评价。经实例验证,本方法可实现对多个复杂界面方案进行可用性评估和优选,最后通过脑电实验验证了其有效性。     

基于排队论的服务资源可用性相关研究综述

排队论在很多领域中解决了复杂的排队问题,文中首先对排队论的一般模型表示和常见模型进行了介绍。然后,简要对排队论解决的各类问题进行了归纳总结,重点对近年来有关排队论的服务资源可用性预测文献进行了综述,对排队模型在日常生活、云计算以及网络资源等场景中的应用进行总结。通过对文献进行综述找到服务与用户需求之间的关系,并对预测服务可用性的目的进行分类和总结归纳,包括对资源进行预测、合理规划以及分配资源、满足用户需求、缩短用户等待时间、提高系统可靠性等。通过对此类文献的总结,找出其存在的问题,并提出了改进方法和建议。最后,对基于排队论的服务资源可用性预测在推荐方面的应用进行趋势展望,并简要说明今后的研究方向和将要遇到的挑战。     

基于业务的计算机网络可用性研究

文章从应用层面展开对网络可用性研究,给出了基于业务的网络可用性定义,构建了基于业务的网络可用性指标框架,对各指标进行详细分析,并针对某校园网用业务分解法对基于业务的网络可用性进行了评估。     

软件可用性测试实验教学环境的设计与实现

软件可用性是衡量用户使用某种软件执行指定任务难易程度的重要指标。软件可用性测试能够评估和测试软件设计方案或者软件产品的可用性水平。构建功能完善的可用性测试实验室需要比较大的空间和比较大的资金投入。本文设计了一种比较简单的基于C/S结构的可用性测试实验环境,系统包含程序控制系统、键鼠记录系统、图像记录系统和数据传输系统,能够满足学生进行软件可用性测试实验教学的基本要求。     

提高应用程序接口可用性探究

尽管没有图形界面,作为信息产品的应用程序接口也存在可用性的问题,应用程序接口的可用性直接影响到应用软件人员的开发效率和质量。基于可用性工程研究者所提出的设计具有良好的可用性时需要遵循的普遍原则,再结合API 本身的特殊性和API 用户(应用软件开发人员)的特殊性,本文对设计、评估和提高API 的可用性时要考虑的主要要素进行初步的探究。     

Web系统可用性自动化评估系统的设计与实现

为了从用户真实行为中挖掘可能存在的可用性问题,避免启发式评估不可靠的问题,提出了基于大量用户行为数据,面向Web系统的可用性自动化评估系统.通过自动化匹配大量用户行为数据与需求分析阶段产生的用例,发现不一致的任务和任务前后置关系进而发现可用性问题.真实项目实践结果表明,输出的异常任务和异常任务前后置关系对可用性评估人员有指导价值,可以为进一步改进Web系统提供参考.     

异构系统中一种基于可用性的抢占式任务调度算法*

针对大多数现有的异构系统调度算法没有考虑由多类任务特别是抢占式任务所引起的可用性需求的不足,在现有基于可用性的非抢占式任务调度算法的基础上,通过计算任务的平均等待时间来确定优先级等级,对异构系统中多类抢占式任务的可用性约束的调度问题进行了探索,提出了一种基于可用性的抢占式优先调度算法P-SSAC。该算法在不增加硬件代价的前提条件下通过调度增加了系统的可用性,缩短了任务的平均等待时间,同时该算法可对抢占式的任务进行有效调度。仿真实验结果表明,该算法有效实现了异构系统可用性和任务等待时间之间的折中。     

Prediction of Resource Availability in Fine-Grained Cycle Sharing Systems Empirical Evaluation

Fine-Grained Cycle Sharing (FGCS) systems aim at utilizing the large amount of computational resources available on the Internet. In FGCS, host computers allow guest jobs to utilize the CPU cycles if the jobs do not significantly impact the local users. Such resources are generally provided voluntarily and their availability fluctuates highly. Guest jobs may fail unexpectedly, as resources become unavailable. To improve this situation, we consider methods to predict resource availability. This paper presents empirical studies on resource availability in FGCS systems and a prediction method. From studies on resource contention among guest jobs and local users, we derive a multi-state availability model. The model enables us to detect resource unavailability in a non-intrusive way. We analyzed the traces collected from a production FGCS system for 3 months. The results suggest the feasibility of predicting resource availability, and motivate our method of applying semi-Markov Process models for the prediction. We describe the prediction framework and its implementation in a production FGCS system, named iShare. Through the experiments on an iShare testbed, we demonstrate that the prediction achieves an accuracy of 86% on average and outperforms linear time series models, while the computational cost is negligible. Our experimental results also show that the prediction is robust in the presence of irregular resource availability. We tested the effectiveness of the prediction in a proactive scheduler. Initial results show that applying availability prediction to job scheduling reduces the number of jobs failed due to resource unavailability. This work was supported, in part, by the National Science Foundation under Grants No. 0103582-EIA, 0429535-CCF, and 0650016-CNS. We thank Ruben Torres for his help with the reference prediction algorithms used in our experiments.     

A scalable data structure for real-time estimation of resource availability in build-to-order environments

This paper defines a highly scalable interval index structure called the Temporal Bin tree (TB-tree) that can be embedded in any resource planning application whose algorithms require efficiently estimating either the time that a resource will be available to process a specific task of known length or the net availability of a resource during a specified period of time. It is specifically engineered to meet the real-time response and space efficiency requirements of large-scale resource planning applications that are required for mass customization. Basically, the TB-tree is a binary tree structure that represents availability of a resource across a planning horizon. Representing intervals of availability hierarchically using a tree structure increases the efficiency of search for resource availability when the discretization of time is fine-grained or the planning horizon is long. The tree forms a backbone structure that does not require disruptive rebalancing during update operations, which would mitigate the ability of the tree to respond to queries in real time. Its specific implementation allows for random access at any level of the tree to further improve scalability. An application of planning to real-time promising of order due dates for custom built products provides the context for empirical evaluation. Results of analytical evaluations and simulation experiments clearly demonstrate the scalability of the TB-tree relative to existing index structures in terms of both time and space.     

曙光机群资源管理的设计与实现

机群资源管理负责机群系统内计算所需资源的管理，该文介绍机群资源管理的主要功能和重要的研究问题，着重介绍曙光3000机群系统的资源管理的设计与实现，包括分区管理，任务管理和通信管理功能及其对高可用性，可扩展性，动态特性的支持；并给出相应的性能分析结果，此外，还介绍了相关系统的资源管理和对未来该领域研究的方法。     

Retrieving the resource availability calendars of a process from an event log

Knowing the availability of human resources for a business process is required, e.g., when allocating resources to work items, or when analyzing the process using a simulation model. In this respect, it should be taken into account that staff members are not permanently available and that they can be involved in multiple processes within the company. Consequently, it is far from trivial to specify their availability for the single process from, e.g., generic timetables. To this end, this paper presents a new method to automatically retrieve resource availability calendars from event logs containing process execution information. The retrieved resource availability calendars are the first to take into account (i) the temporal dimension of availability, i.e. the time of day at which a resource is available, and (ii) intermediate availability interruptions (e.g. due to a break). Empirical evaluation using synthetic data shows that the method’s key outputs closely resemble their equivalents in reality.     

多租户高可用并行任务调度框架

描述了一种多租户高可用并行任务调度框架MTHPT的设计思想、体系结构和实现技术,MTHPT包括3部分：任务定义与配置、异步并行任务调度模式、消息告警与监视.任务调度引擎和任务执行组件采用分开部署、异步并行调度和快速回调的模式,快速释放调度引擎占用的线程资源,解决了部分任务执行周期长、定时任务无法按时执行等影响业务系统性能的问题.任务调度配置提供了多租户应用模式.实验分析及评估表明,MTHPT提高了应用系统的任务调度并行调度效率和稳定性.     

在共享环境下基于时间预测的资源预留

资源预留是实现网格作业服务质量保证的重要方法.主要针对共享环境中引入资源预留后导致排队任务平均等待时间剧增的问题,提出了一种基于等待时间预测的资源预留,其中排队任务分为远程任务和本地任务,引入优先级策略,预洲不同优先级等待时间来计算花费,基于花费选择资源进行预留.实验结果显示预测相对误差和基于花费的调度算法都具有有效性和实际的潜力.     

基于需求预测的PaaS平台资源分配方法

针对缺乏PaaS平台下资源需求的有效预测与优化分配的问题，提出一种资源需求预测模型和分配方法。首先，根据PaaS平台中应用对资源需求的周期性来对资源序列进行切分，并在短期预测的基础上结合应用的多周期性特征，利用多元回归算法建立综合的预测模型。然后，基于MapReduce架构设计实现了一个Master-Slave模式的PaaS平台资源分配系统。最后，结合当前任务请求和资源需求预测结果进行资源分配。实验结果表明，采用该资源需求预测模型和分配方法后，相比于自回归模型和指数平滑算法，平均绝对百分比误差分别下降8.71个百分点和2.07个百分点，均方根误差分别下降2.01个百分点和0.46个百分点。所提预测模型的预测结果不仅误差小，与真实值的拟合程度也较高，而且利用较小的时间开销就可以获得较高的准确度。此外，使用该预测模型的PaaS平台的资源请求的平均等待时间有了明显的下降。