一种近似最小有效瓶颈优先的Coflow调度机制

针对先验知识未知场景下的Coflow调度问题,提出一种近似最小有效瓶颈优先的Coflow调度方法。通过结合Coflow当前大小和宽度决定Coflow的调度顺序,并区分出流大小以及短与长等特征的Coflow,从而加大调度优化的空间。实验结果表明,与先验知识未知场景下的Aalo方法相比,该方法可使Coflow的平均完成时间降低33.2%,相较于先验知识已知场景下的SEBF方法,Coflow平均完成时间与其仅有7.3%的性能差距。     

基于支持向量机的彩色图像水印算法

提出了一种基于回归型支持向量机(SVR)的盲检测彩色图像水印算法。为了改善可见性,根据人眼视觉特性（HVS）自适应选择其嵌入位置。水印嵌入是通过修改图像中像素蓝色通道信息来实现,水印提取时结合图像局部相关性,选取稳定的特征向量并获取SVR训练模型,进而利用SVR训练模型进行预测提取数字水印信息。在嵌入过程中通过高斯模板来均衡调整嵌入水印后对宿主图像影响的强度,仿真实验证明本文算法不仅具有非常好的透明性,而且对诸如叠加噪声、JPEG压缩、平滑滤波、几何变换、图像增强等攻击也具有很好的鲁棒性。     

一种基于Vague-Sigmoid核的支持向量机研究

Sigmoid核最初起源于神经网络,目前在支持向量机中也得到了广泛应用,但由于核矩阵的非半正定性,其应用受到一些限制.研究表明Sigmoid核可以用简单的模糊三角隶属函数来近似替代,使得其学习效率能进一步提高.本文首先分析模糊支持向量机的特性,将模糊理论用于支持向量机的核中,并在此基础上提出了基于Vague-Sigmoid核函数的支持向量分类器.该方法充分结合了Vague集的自身优势,用基于Vague集的相似度量来代替了常规中的样本间的点积计算方法.将文中提出的方法应用于标准数据集中,并与传统的Sigmoid核方法、Fuzzy -Sigmoid核方法进行了实验分析, 实验表明文中提出的方法在不损失精度的情况下,能较好的提高算法的执行效率,取得了较好的实验结果;同时也表明在支持向量机中能利用Vague-S igmoid核取代替传统的Sigmoid核,从而减少对Sigmoid核的限制.     

基于Kriging代理模型的动态云任务调度方法

任务调度在云计算环境中发挥着重要作用。提出一种基于Kriging代理模型的动态云任务调度方法。通过对云任务在不同资源组合下的性能表现进行Kriging代理模型建模并优化,从而得到对应于该云任务的最优资源分配方案;利用云平台的API,可动态对该云任务实施资源调度。基于OpenStack开源云平台,对两个工程计算应用进行了任务调度性能测试,结果表明该方法可有效动态调整云任务中的资源配给,按需按优对平台中的云任务进行资源调度。     

CUDA平台下信息熵多种群遗传算法设计

为了进一步提高信息熵多种群遗传算法的计算效率,缩短计算时间,提出了一种基于CUDA平台的信息熵多种群遗传算法。通过分析原算法的并行因素,结合CUDA开发平台,对原算法进行适合GPU加速的并行化处理,实现了遗传算子、惩罚函数和空间收缩因子等的并行计算,有效地提高了算法效率。例题数值测试表明,在保持了快速收敛特性和计算精度的前提下,CUDA并行算法相对于原算法具有很高的加速效率。     

混合策略超球支持向量机算法

针对多类别分类超球支持向量机算法的重叠区域数据分类问题,提出了一种混合策略决策算法.首先对超球相交区域的数据分布情况分析得到数据分布的特点,然后根据数据分布特点采用不同的决策策略.如果用两球相交面直接可以把两类数据分开,则直接用相交面作为分类平面.如果两类数据近似线性可分,构造最优二分超平面作为分类平面.如果两类数据非线性可分,则引入核函数构造最优二分超平面为分类球面.如果相交区域只包含一个类别的数据,则采用排它法作为测试样本的决策规则.实验结果表明所提出的算法性能优于单一决策策略的超球支持向量机算法,在提高分类精度的同时,降低了决策规则求解的复杂度.     

面向SDN网络虚拟化平台的控制器放置算法

随着网络技术发展,以网络虚拟化为手段解决TCP/IP网络体系结构僵化问题已成为未来网络领域发展的主流方向之一.SDN(software defined networking,软件定义网络)作为一种新兴的网络体系结构,为网络虚拟化提供了有效的解决方案.首先总结了当前具有代表性的SDN网络虚拟化平台,并对比了SDN与传统网络环境中部署虚拟网的区别,然后针对SDN网络虚拟化平台中的虚拟网络映射问题,提出一种时延敏感的虚拟化控制器放置算法,最后通过实验验证了该算法在提高网络资源的利用效率的同时,保证了控制器与底层交换机的通信时延在可接受范围之内.     

基于多层感知机的无线射频标签数量估计方法

近年来,随着标签价格的下降和供应链物流需求的增长,射频识别技术已经走向全面部署阶段.全面部署意指在所有商品上部署标签,以提升供应链追踪的精度.这种趋势会导致标签数据规模呈指数倍增长,给阅读器的信息读取带来很大的压力.在这个背景下,标签数量估计协议,正因为其时间效率高的特点得到越来越多的关注.现有的方法主要根据时隙状态统计特征进行数量估计.然而,各类型数量估计统计量的精度受到系统参数、标签规模、以及随机噪声的影响,其结果很不稳定.任意单一特征都很难给出精准、稳定的数量估计结果.为此,本文设计了一种基于多层感知机的数量估计方法,通过融合多样化的数量估计特征来提高估计的精度.针对真实时隙状态难以获取,模型难以训练的问题,本文研究了如何通过仿真器生成大量具有不同时隙状态的随机帧来训练我们的网络.针对数量估计网络工作范围较窄的问题,我们设计了一种两阶段基于采样思想的数量估计协议,通过快速的标签数量粗略估计设定合理的采样概率,以确保标签数目位于数量估计网络的工作区间.我们的仿真实验结果表明,本文提出的基于多层感知机的数量估计协议比现有方法能提升至少21%的精度.     

基于混合遗传模拟退火算法的SaaS构件优化放置

目前,对于SaaS优化放置问题的研究都是假定云环境中的虚拟机的种类和数量都是确定的,即,在限定的资源范围内进行优化.然而,在公有云环境下,SaaS提供者所需要的云资源数量是不确定的,其需要根据Iaa S提供者所提供的虚拟机种类以及被部署的SaaS构件的资源需求来确定.为此,站在SaaS提供者角度,提出一种新的SaaS构件优化放置问题模型,并采用混合遗传模拟退火算法(hybrid genetic and simulated annealing algorithm,简称HGSA)对该问题进行求解.HGSA结合了遗传算法和模拟退火算法的优点,克服了遗传算法收敛速度慢和模拟退火算法容易陷入局部最优的缺点,与单独使用遗传算法和模拟退火算法相比,实验结果表明,HGSA在求解SaaS构件优化放置问题方面具有更高的求解质量.所提出的方法为SaaS服务模式的大规模应用提供了理论与方法的支撑.