一种云间合作博弈资源提供方法

为了满足云资源消费者的需求,并有效扩展云资源的服务能力,设计基于云间合作博弈的资源联盟形成算法。以联盟总体利益最大化为目标,将多个云资源提供者间的合作行为建模为联盟博弈模型,从而得到最优联盟结构满足用户方的虚拟机实例请求;设计一种联盟的合并与分裂规则,使得最终联盟结构是稳定不变的;设计基于联盟成员贡献能力的标准化估计Banzhaf值法实现联盟总体利益的个体分割。实验结果表明,在不同虚拟机请求类型测试条件下,云联盟形成算法不仅可以确保更高的联盟总体利益,而且使利益分割更加公平,其算法执行效率也更高。     

一种面向SLA的云计算环境下虚拟资源调度方法

云计算环境下,应用提供者可以根据需要决定租用虚拟资源的数量。租用大量资源会得到Qo S保障,从而获得较好的收益,但应用提供者需要为租用资源付费。同样,租用少量资源,会节省租用资源投入,但资源不足难以保障Qo S,SLA(Service Level Agreement)违背会带来经济损失。因此,租用多少虚拟资源才能使得资源得到充分利用,达到应用提供者的收益最大化成为亟待解决的问题。针对此问题,从应用提供者收益角度考虑,兼顾SLA收益损失和服务器租用成本投入,提出虚拟机资源调度方法,旨在使得应用租用者收益最大化。该方法利用排队论建模目标云应用的性能,并引入SLA收益损失函数估算在租用一定虚拟资源情况下的SLA收益损失,最后,利用爬山算法动态调整物理资源租用数量以达到收益最大化的目标。实验结果表明,与当前常见的虚拟机资源调度方法 1VMPer Job、1VM4All和Bin Packing相比,所提出的方法使得云应用提供者的成本投入分别降低了17.92%、22.85%和10.74%。     

信任驱动的云联盟博弈算法

为了解决云联盟中云资源提供者间的信任问题,提出一种基于信任机制的云联盟算法。算法将多个云资源提供者以合作形式完成用户任务的问题形式化为联盟博弈模型,在建立联盟时兼顾考虑成员间的信任关系及成员收益,使得具有更高信任度的资源提供者能够建立联盟以降低任务执行代价,并确保参与联盟的个体成员收益最大化。同时,证明了该算法求解的联盟结构是稳定的,并且满足Pareto最优性质。实验结果验证了算法的有效性和可行性。     

云应用资源交付与分裂聚类调度方法

针对私有云环境中资源交付与调度的高效实现问题,提出一种面向云应用的资源交付调度及实现方法。该方法以云应用元模型为核心,根据模型中虚拟机间数据交互特征生成最小生成树,采用图论分裂聚类算法拆分虚拟机集合并映射物理主机。通过对比分析面向虚拟机调度的实验数据,证明该方法能在提升云应用整体性能的同时降低云应用对物理网络设备及带宽资源的占用。     

面向5G网络的Stackelberg博弈缓存优化策略

为提高5G网络中的内容缓存效率并降低网络能耗,提出一种基于Stackelberg博弈的缓存优化算法。将网络服务商和内容提供商建模为一个多主多从的Stackelberg博弈模型,内容提供商从网络服务商处购买基站存储空间,以缓存流行和热门内容。构建博弈双方的策略空间和利润函数,并证明给定一组网络服务商的基站租用价格时内容提供商之间存在纳什均衡点。在此基础上,利用分布式迭代算法对博弈模型进行求解,得到网络服务商的基站最优定价和内容提供商的基站最优租用比例。仿真结果表明,与用户QoS优先算法、果蝇算法和全局最优算法相比,该算法能够提高缓存命中率和网络收益,降低网络能耗。     

单调重叠联盟下的最优联盟结构生成

针对重叠联盟的合作博弈框架（OCF games）中重叠联盟结构生成（OCSG）求解困难的问题,提出了一种基于贪心方法的有效算法。首先使用了一种带有联盟数量k约束的OCF博弈（kOCF games）模型来限制OCSG问题的规模;然后引入了一种相似度量来表示任意两个联盟结构之间的相似程度,并基于相似度量定义了单调性的性质,这意味着某一联盟结构与最优联盟结构的相似度越高,该联盟的单调性的值就越大;最后对于具有单调性质的kOCF博弈,采用了逐一插入玩家编号以逼近最优联盟结构的方法设计了联盟约束贪心（CCG）算法来求解给定的OCSG问题,并在理论上证明了CCG算法的复杂度是O（n2^k+1）。通过实验分析和验证了不同参数和联盟值分布对所提算法性能的影响,并把该算法与Zick等提出的算法（ZICK Y,CHALKIADAKIS G,ELKIND E,et al. Cooperative games with overlapping coalitions： charting the tractability frontier. Artificial Intelligence,2019,271：74-97）在约束条件等方面进行了对比,得出了当联盟最大数量k被常数约束时所提算法的搜索次数随agent的个数基本呈线性增长的结果。可见CCG算法是固定参数k可解的,而且拥有更好的适用性。     

基于生产函数的效用优化云计算资源调度算法

针对云数据中心资源利用率低,云服务提供商收益低等问题,提出一种基于生产函数的云服务提供商收益最大化同时兼顾用户满意度的资源调度算法;该算法将资源调度分两阶段处理,首先合理规划云服务器所有资源,最优化配置资源,然后结合用户请求,云服务代理从资源池选择配置好的资源并分配资源给用户,通过两阶段的算法实现,解决了云数据中心资源利用率低,云服务提供商收益低等问题;最后通过与基于博弈的效用优化算法比较,仿真结果表明,该调度算法具有更好的性能。     

基于博弈论的无线传感网能量均衡模型

提出一种基于贝叶斯博弈的无线传感网能量均衡算法,该算法将每次数据转发过程分解为两个阶段的博弈。第一阶段博弈是指节点结合自身能量水平及参与博弈其他节点的战略,构造静态贝叶斯博弈模型,以最优化期望收益函数的解作为节点参与路由转发数据包的最优决策概率;第二阶段博弈是指源节点与邻居节点根据能量水平及相互战略,构造博弈模型,根据最大化期望收益函数的解,决定双方在博弈阶段的最优转发包数量。仿真实验结果表明,本文提出的算法能够有效地均衡网络的能量消耗,延长网络的生存时间。     

改进粒子群算法在云计算负载均衡中的应用研究

云计算系统采用虚拟化技术可以更加灵活和高效地分配运算资源,便于管理员根据用户任务需求按需分配云计算资源。但虚拟化后的云计算中心存在种类多样、数量庞大的虚拟机资源,难以将虚拟机合理地放置到物理主机集群上并达到较好的负载均衡。为此,给出了云计算中心虚拟机放置到物理主机的负载均衡模型,采用改进后的粒子群算法（PSO）来求解最优解。最后通过和常用虚拟机放置算法的仿真对比实验,验证了所提云计算负载均衡优化算法的有效性。     

基于Q学习的DDoS攻防博弈模型研究

新形势下的DDoS攻防博弈过程和以往不同,因此利用现有的方法无法有效地评估量化攻防双方的收益以及动态调整博弈策略以实现收益最大化。针对这一问题,设计了一种基于Q学习的DDoS攻防博弈模型,并在此基础上提出了模型算法。首先,通过网络熵评估量化方法计算攻防双方收益;其次,利用矩阵博弈研究单个DDoS攻击阶段的攻防博弈过程;最后,将Q学习引入博弈过程,提出了模型算法,用以根据学习效果动态调整攻防策略从而实现收益最大化。实验结果表明,采用模型算法的防御方能够获得更高的收益,从而证明了算法的可用性和有效性。     

一种基于QoS的云负载均衡机制的研究

提出一种基于QoS的云负载均衡机制,即:构建QoS模型和云资源模型;建立资源度量与QoS属性之间的映射;对虚拟机实例负载状况和虚拟机集群资源利用状况进行量化评估;感知用户的QoS并对比所监控的云节点的资源度量情况,根据对比结果,通过任务调度算法和弹性伸缩算法分别实现任务的分发和虚拟机集群的弹性伸缩,最终达到优化的负载均衡的目的.通过模拟试验,结果表明本方法与Round robin算法相比,有更好的负载均衡效果.     

基于随机规划的云计算中虚拟机分配优化研究

IaaS是云计算中一种基本的服务模式,虚拟机分配是其中的一项重要任务。本文针对虚拟机分配中响应时间和费用消耗的目标,给出了一种虚拟机分配问题的优化算法。该算法在需求具有不确定性的前提下,综合考虑了响应时间和费用消耗两方面的因素,对从属不同供应商的虚拟机资源进行调度和分配。本文基于随机规划理论,对算法进行了建模和仿真,给出了面向响应时间和费用消耗的目标函数及其约束,并通过仿真实验对模型进行了求解。结果表明,该方法能在最大限度节省计算费用的基础上满足不同用户的需要。     

云环境下面向拟态防御的反馈控制方法

云环境下的虚拟化技术,给用户带来了一些数据和隐私安全问题。针对云环境中虚拟机单一性、同质性和静态性等问题,文章提出一种云环境下面向拟态防御的反馈控制方法。该方法以云中虚拟机为基础,利用拟态防御技术对虚拟机进行拟态化封装,通过反馈控制架构对其实现闭环负反馈控制,并基于异构虚拟机动态轮换改变执行环境,保证虚拟机系统环境的随机性。实验表明该设计实现了对用户服务的错误容忍、可疑虚拟机检测和动态轮换,增加攻击者利用漏洞攻击的难度。     

基于随机模型的云平台资源调度策略设计

针对云计算资源管理的实际需求,提出一种基于随机模型的云平台调度策略,设计合理高效的资源调度算法,解决传统代数模型请求丢失率高以及其他随机模型负载均衡指标性能较差的问题,从而在服务性能和执行效率的基础上保证服务器的资源负载,使云平台处于相对稳定的状态。在实验环境中的验证结果表明,该调度策略能够优化虚拟资源的使用效率和服务响应时间,同时能够达到较好的负载均衡并降低运营成本。     

基于博弈论优化的高效联邦学习方案

随着网络信息技术与互联网的发展,数据的隐私与安全问题亟待解决,联邦学习作为一种新型的分布式隐私保护机器学习技术应运而生。针对在联邦学习过程中存在个人数据信息泄露的隐私安全问题,结合Micali-Rabin随机向量表示技术,基于博弈论提出一种具有隐私保护的高效联邦学习方案。根据博弈论激励机制,构建联邦学习博弈模型,通过设置合适的效用函数和激励机制保证参与者的合理行为偏好,同时结合Micali-Rabin随机向量表示技术设计高效联邦学习方案。基于Pedersen承诺机制实现高效联邦学习的隐私保护,以保证联邦学习各参与者的利益和数据隐私,并且全局达到帕累托最优状态。在数字分类数据集上的实验结果表明,该方案不仅提高联邦学习的通信效率,而且在通信开销和数据精确度之间实现平衡。     

基于轮换策略的异构云资源分配算法

云计算以其按需索取、按需付费、无需预先投资的优势给用户带来极大的便利,然而静态、单一的云计算环境容易成为网络攻击的目标,给用户带来较大的安全风险。动态的虚拟机部署策略和异构的云基础设施在提升云计算环境安全性的同时会降低资源利用率。提出一种针对虚拟机轮换时的资源分配算法,将不同类型的资源抽象成维度不同的向量,并通过求解装箱问题实现资源分配中的负载平衡,同时为每个虚拟机设定驻留时间,对当前服务器的负载状态进行轮换以提升虚拟机的安全性。实验结果表明,资源动态分配算法在提高虚拟机安全性能的同时,能够减小轮换带来的负载波动。     

云计算中高效节能的虚拟机分布式管理方法

云计算数据中心的集中管理方法存在虚拟机迁移数量过多、不能很好地扩展到大规模集群上的问题。为此,提出一种节能的虚拟机分布式管理方法。分布式管理方法分为本地管理与全局管理,本地管理负责监控数据中心的各个节点,通过设置高门限值和低门限值决定虚拟机的迁移,全局管理负责将虚拟机迁移到产生最小电源消耗的物理节点上。实验结果表明,分布式管理方法能在减少虚拟机迁移数量、提高系统服务质量的同时,实现云计算数据中心的高效节能。     

云计算环境中的虚拟机同驻安全问题综述

在云计算环境中,为了实现资源共享,不同租户的虚拟机可能运行在同一台物理机器上,即虚拟机同驻,这将带来新的安全问题。为此,文章重点讨论同驻虚拟机所面临的一些新的安全威胁,包括资源干扰、隐蔽通道/侧信道、拒绝服务与虚拟机负载监听等,介绍现有虚拟机同驻探测方法,总结针对虚拟机同驻威胁的四种防御思路,并分析未来的研究趋势。     

Rafhyc: an Architecture for Constructing Resilient Services on Federated Hybrid Clouds

Federated hybrid clouds is a model of service access and delivery to community cloud infrastructures. This model opens an opportunity window to allow the integration of the enhanced science (eScience) with the Cloud paradigm. The eScience is computationally intensive science that is carried out in highly distributed computing infrastructures. Nowadays, the eScience big issue on Cloud Computing is how to leverage on-demand computing in scientific research. This requires innovation at multiple levels, from architectural design to software platforms. This paper characterizes the requirements of a federated hybrid cloud model of Infrastructure as a Service (IaaS) to provide eScience. Additionally, an architecture is defined for constructing Platform as a Service (PaaS) and Software as a Service (SaaS) in a resilient manner over federated resources. This architecture is named Rafhyc (for Resilient Architecture of Federated HYbrid Clouds). This paper also describes a prototype implementation of the Rafhyc architecture, which integrates an interoperable community middleware, named DIRAC, with federated hybrid clouds. In this way DIRAC is providing SaaS for scientific computing purposes, demonstrating that Rafhyc architecture can bring together eScience and federated hybrid clouds.     

基于隐式随机梯度下降优化的联邦学习

联邦学习是一种分布式机器学习范式,中央服务器通过协作大量远程设备训练一个最优的全局模型。目前联邦学习主要存在系统异构性和数据异构性这两个关键挑战。本文主要针对异构性导致的全局模型收敛慢甚至无法收敛的问题,提出基于隐式随机梯度下降优化的联邦学习算法。与传统联邦学习更新方式不同,本文利用本地上传的模型参数近似求出平均全局梯度,同时避免求解一阶导数,通过梯度下降来更新全局模型参数,使全局模型能够在较少的通信轮数下达到更快更稳定的收敛结果。在实验中,模拟了不同等级的异构环境,本文提出的算法比FedProx和FedAvg均表现出更快更稳定的收敛结果。在相同收敛结果的前提下,本文的方法在高度异构的合成数据集上比FedProx通信轮数减少近50%,显著提升了联邦学习的稳定性和鲁棒性。