云计算系统相空间分析模型及仿真研究

针对云计算系统具有海量节点和节点间高耦合性的特点,提出了将云计算系统投影到参数相空间,将节点参数的变化转化为参数相空间中点的运动,利用海量节点在参数相空间的运动与热力学运动的相似性定义来分析云计算系统在相空间上的广义热力学参数,并在参数相空间的基础上进一步定义云计算系统的动量相空间,建立云计算相空间分析方法的基本理论模型.依据该模型建立了相空间调度算法,通过仿真对比实验验证了相空间分析模型对云计算系统工作状态的分析表述能力和相空间调度算法的有效性.相空间调度算法能使云计算系统在参数相空间中保持低熵的均衡状态.     

云计算集群相空间负载均衡度优先调度算法研究

针对云计算集群具有海量节点和高耦合性的特点,将云计算集群中各节点的参数变化投影为相空间上投影点的运动,定义云计算集群的相空间负载均衡度,以其为评估指标建立云计算集群相空间负载均衡度优先调度算法,实现了云计算集群相空间投影在不同负载请求情况下平稳的点状聚集.通过仿真实验利用相空间负载均衡度、广义温度、广义熵等参数和集群的相空间投影对算法的效果进行分析,实验表明,相空间负载均衡度优先算法在大多数调度指标上都优于最小负载优先算法,并且集群规模越大系统的相空间负载均衡度越稳定.     

基于相空间的云计算专用监控系统

现有的集群监控系统不能反映云计算集群具有海量节点且高耦合的特性.针对该问题,设计一种基于热力学相空间理论的云计算专用监控系统.采用将节点运行参数向相空间映射的方式,使节点参数的变化转换为相空间中投影点的运动,从而对相空间图像和参数进行分析.测试结果表明,该监控系统可以即时有效地反映云计算集群的整体负载和运行状态,实现对云计算集群的宏观监控.     

云计算系统相空间广义热力学参数定义及分析

云计算是由海量节点构成的高耦合系统,通过定义云计算系统在相空间的映射及相应的广义热力学参数：广义归一化温度、广义绝对温度、广义归一化熵、重心等物理量,将对云计算系统的研究转变为对相空间热力学系统的研究。云计算系统的相空间广义热力学参数反映了系统的整体工作状态,能对系统当前的外部负载请求情况、负载均衡情况、节点参数变化情况进行评价。仿真实验证明了这一分析方法在云计算系统分析中的可行性和有效性。     

基于多尺度量子谐振子算法的相空间概率聚类算法

针对大型集群难以进行任务调度和资源分配的问题,提出一种基于多尺度量子谐振子算法的相空间概率聚类算法（PSPCA-MQHOA）。首先,将集群工作状态投影到相空间中,把复杂的集群工作状态转化为相空间中的点集;进而,将相空间网格化,形成多尺度量子谐振子算法（MQHOA）以处理离散目标函数;最后,利用MQHOA优化过程中波函数变化的概率解释对集群节点进行概率聚类。PSPCA-MQHOA继承了MQHOA物理模型明确、搜索能力强、结果精确等优点,并且由于以相空间作为离散化的目标函数,迭代次数大大减少。实验结果表明PSPCA-MQHOA能适用于多种负载状态的集群。     

基于Docker swarm集群的动态加权调度策略

针对目前的Docker swarm内置的调度策略无法很好地实现Docker集群的负载均衡并且对集群资源的使用率不高的问题,提出了一种动态加权调度算法。所提算法对资源设置权重系数,引入参数bias针对不同服务对资源权重进行动态调整,根据各个节点的实际资源利用情况,对节点资源按照权重进行加权计算,用权值反映节点负载,并将此作为调度依据。在和Docker原始调度策略以及无参数调整的加权调度策略的对比实验中,该算法使得集群中各个节点上的各项资源利用率更加均衡;同时,在集群负载比较高的情况下,该算法实现了更快的服务运行速度。     

负载均衡的主导资源公平分配算法

随着使用云计算并行且可靠地处理计算问题成为一种趋势,各种云计算平台应运而生,在这些平台中,保证多种资源调度策略的公平性非常重要。主导资源公平分配算法DRF有效地实现了多种资源环境中的公平分配,但在资源分配过程中容易出现集群负载不均的情况。因此,提出在使用DRF算法分配资源过程中,通过集群中各节点的资源利用率情况对节点进行K-means聚类分析,根据聚类结果将资源分配给任务来提高集群负载均衡的能力。基于CloudSim 4.0实现了改进DRF算法的仿真实验,实验结果表明,负载均衡的DRF算法比原始的DRF算法以及基于层次分析法(AHP)改进的DRF算法更能有效地改善集群整体的负载均衡。     

基于机器学习的云计算资源分配算法研究

云计算是当前流行的计算模式,而云计算资源分配是云计算系统的关键。文章基于机器学习的云计算资源分配算法研究,通过机器学习算法来识别工作负载,评估资源分配,从而调度资源。实验结果表明,基于机器学习的云计算资源分配算法不仅保证了各节点负载均衡,还提高了云计算集群的稳定性。     

基于动态能量感知的云计算任务调度模型

针对传统云计算任务调度模型出现的计算量大、能耗高、效率低、调配精度差等问题,基于动态能量感知设计了一种新的云计算任务调度模型;以动态能量感知为基础,选取资源分配服务器的中央处理器的使用率、存储器的占用率、控制器的负载率等3个参数,构建三维云计算任务节点投影空间,将上述参数向量投影到空间中;引入动态能量感知建立云计算任务调度模型,采用虚拟技术将多个服务器合并成一台服务器,对调度任务进行需求分析和分类,采用能量感知算法将待调度任务分配给满足调度需求的虚拟资源,将任务调度到服务器资源上,实现任务调度;实验结果表明,基于动态能量感知的云计算任务调度模型在从小任务集和大任务集两个角度都能给有效缩短调度时间,降低调度能耗。     

云计算下的基于萤火虫-遗传算法的资源调度

如何能够最大限度发挥云计算中资源调度效率是目前研究的热点之一.首先建立云计算环境下的资源调度模型,将萤火虫算法中的个体与云计算节点资源进行对应,其次在算法中个体初始化中引入遗传算法优化初始解,对算法中的位置更新设定感觉阀值用来调节个体选择最优路径的概率;最后针对挥发因子的改进使得荧光素的值进行更新.仿真实验表明,该算法能够有效的提高云计算中的资源调度性能,缩短了任务完成的时间,提高系统整体处理能力.     

限制解空间的PSO云存储任务调度算法

研究云存储系统中的任务调度算法。分析总结了任务调度在云存储和云计算系统中的不同,指出现有云计算中的PSO调度算法应用在云存储中时会产生对云存储系统来说无意义的解,即会要求系统节点提供它所不具有的数据。为解决此问题,改进现有的基于PSO的调度算法,引入存在矩阵的概念,将其初始化解和解的更新均限制于存在矩阵中,保证生成的解是有意义解。实验结果显示本调度算法可以节省约77%的迭代次数、缩短约4倍的执行时间,并保证产生对云存储系统有效的解。     

基于社会力群智能优化算法的云计算资源调度

为了提高云计算资源的调度效率,提出了一种基于社会力群智能优化算法的云计算资源调度方法.首先将云计算资源调度任务完成时间最短作为社会力群智能优化算法的目标函数,然后通过模拟人群疏散过程中的自组织、拥挤退避行为对最优调度方案进行搜索,最后采用仿真实验对算法性能进行测试.结果表明,相对于其它云计算资源调度方法,该方法可以更快地找到最优云计算资源调度方案,使云计算资源负载更加均衡,提高了云计算资源的利用率.     

改进蚁群算法的云计算任务调度方法

针对蚁群算法在云计算任务调度问题求解过程存在的不足,以找到最佳的云计算任务调度方案为目标,提出了一种基于改进蚁群算法的云计算任务调度方法.首先对当前云计算任务调度研究现状进行分析,并对问题进行了具体描述,然后采用蚁群算法对云计算任务调度问题进行求解,并针对标准蚁群算法缺陷进行改进,最后在CloudSim平台对该方法的性能进行测试.结果表明,改进蚁群算法可以找到较好的云计算任务问题调度方案,加快云计算任务完成速度,具有一定的实际应用价值.     

面向云计算的主成分分析多变量局域预测模型

针对云平台无法从单变量负荷序列中获取完整预测信息的问题,提出了一种基于主成分分析的多变量局域预测模型并应用于云计算底层资源的预测中。利用主成分分析法综合考虑多种底层资源间的影响关系,确定多变量相空间的嵌入维数,并与局域预测法相结合,由此建立多变量局域预测模型。仿真实验表明,基于主成分分析的多变量局域预测模型的预测精度高于单变量局域预测模型,是面向云计算底层资源预测的一种有效方法。     

云平台下动态任务调度人工免疫算法

针对云计算领域的任务调度问题,提出了一种基于人工免疫(AI)理论的云计算平台动态任务调度算法。该算法首先利用排队论迅速、粗略地确定云计算平台保持稳态的条件,并为后面的计算提供基础数据;然后利用人工免疫理论中的免疫克隆选择算法,搜索出为集群中各节点上的不同虚拟机分配计算资源的近似最优配置;算法中还加入了适当的负载平衡处理,它使抗体基因更加优良。模拟实验结果表明,该调度算法能有效提高收敛速度和精度,快速搜索到合理配置,提高了集群资源利用率。     

一种满足任务主/次需求的云计算资源划分算法

云计算平台中存在大量的异构资源,当云用户将任务提交给云平台,云调度系统搜索与这些任务需求相匹配的资源时,有可能没有任何资源节点能满足任务的需求,因此需要对这些异构资源进行聚类划分,满足任务的需求.根据实际情况,不妨假设云任务对云资源有主/次需求.文章给出云资源分簇计算能力的定义以及资源均衡划分概念,设计了随机近似和增强内聚性的云资源均衡划分算法.最后,通过模拟实验对算法的有效性进行分析.     

一种MapReduce实时调度算法设计及实现

MapReduce是云计算中重要的批数据处理框架,多任务共享MapReduce机群并满足任务实时性要求是调度算法急需解决的问题。提出两阶段实时调度算法,将调度划分为任务间调度和任务内调度。对于任务间调度,使用抽样法和经验值法确定子任务执行时间,利用该参数建立资源分配模型,动态确定任务优先级进行调度;对于子任务使用延迟调度策略进行调度,保证计算的本地性。实验结果显示,两阶段实时调度算法相比公平调度算法和FIFO算法,在保证吞吐量的同时能够满足任务实时性要求。     

基于Wi-Fi与Web的云计算资源调度算法研究

为缩短云计算执行时间,改善云计算性能,在一定程度上加强云计算资源节点完成任务成功率,需要对云计算资源进行调度;当前的云计算资源调度算法在进行调度时,通过选择合适的调度参数并利用CloudSim仿真工具,完成对云计算资源的调度;该算法在运行时无法有效地进行平衡负载,导致云计算资源调度的均衡性能较差,存在云计算资源调度结果误差大的问题;为此,提出一种基于Wi-Fi与Web的云计算资源调度算法;该算法首先利用自适应级联滤波算法对云计算资源数据流进行滤波降噪,然后以降噪结果为基础,采用本体论对云计算资源进行预处理操作,最后通过人工蜂群算法完成对云计算资源的调度;实验结果证明,所提算法可以良好地应用于云计算资源调度中,有效提高了云计算资源利用率,具有实用性以及可实践性,为该领域的后续研究发展提供了可靠支撑。