Research on Cloud Manufacturing Resource-Aware and Access Technology Using RFID

With the continuous development of cloud manufacturing technology,in order to solve more complex manufacturing problem and conduct large-scale networked manufacturing,combining with the characteristic of discrete manufacturing enterprise＇s demands and RFID（ Radio Frequency Identification）,a kind of RFIDbased cloud manufacturing resource-aware and access technology is proposed. Firstly,the architecture of the cloud manufacturing system and RFID system is briefly introduced. Then,the key technologies of manufacturing resource-aware and access technology are analyzed,including anti-collision technology,reader management technology and so on. Finally,taking the manufacturing of the key components in discrete manufacturing enterprise as an example,the practicality and feasibility of the technology is verified. The results show that the application of this technology provides a strong guarantee for the sharing and collaboration of manufacturing resources and capacity in the discrete manufacturing industry.     

基于加速收敛蜂群算法的资源感知调度器

为了能有效处理海量数据,进行关联分析、商业预测等,Hadoop分布式云计算平台应运而生。但随着Hadoop的广泛应用,其作业调度方面的不足也显现出来,现有的多种作业调度器存在参数设置复杂、启动时间长等缺陷。借助于人工蜂群算法的自组织性强、收敛速度快的优势,设计并实现了能实时检测Hadoop内部资源使用情况的资源感知调度器。相比于原有的作业调度器,该调度器具有参数设置少、启动速度快等优势。基准测试结果表明,该调度器在异构集群上,调度资源密集型作业比原有调度器快10%~20%左右。     

一种资源敏感的Web应用性能诊断方法

提出一种资源敏感的性能诊断方法.对于Web应用事务,该方法利用资源服务时间对于不同负载特征相对稳定的特点建立性能特征链,并依据运行时资源服务时间异常实现性能异常的有效检测、定位和诊断.实验结果表明,该方法可适应系统负载特征变化,诊断各种资源使用相关的性能异常.     

具有资源约束的自适应聚类算法

为有效考虑大数据流环境中设备节点的内存、计算处理能力、电池电量等资源有限的问题,分析在资源约束的情况下,快速有效挖掘抽取知识的方法,并在K-means算法的基础上提出DRA-Kmeans聚类算法.结合基于资源约束的自适应聚类算法框架RA-Cluster算法,引入自适应聚类方法,对数据流聚类算法CluStream进行改进.该算法在资源受限时优化聚类有效范围,加大聚类精确度;增大聚类半径阈值,抑制新聚类的生成,减少有限资源消耗.     

基于蚁群算法的Hadoop资源感知调度器研究

通过研究蚁群算法,针对现有Hadoop调度器的不足,提出一个基于蚁群算法的Hadoop资源感知调度器及其具体实现方案。从而使Hadoop作业调度器可以更有效地对任务进行分配,提高整体架构的作业性能。通过实验证明,利用蚁群算法实现的资源感知调度器在同构环境中虽没有明显改善系统计算速度,但是在异构环境中可以很好提高系统处理任务的性能,降低了运算时间。