面向实时流数据处理的边缘计算资源调度算法

针对边缘计算带宽限制导致的实时流数据处理计算效率低下的问题,提出一种迭代优化算法FFS+IPFS,通过对应用负载的实时监控,实现合理的边缘节点任务部署,支持实时流数据处理任务.首先,利用贪心算法进行全局任务分配,通过贪心的算法得到一个近似最优的结果;然后,基于监控到的实时任务信息,通过迭代优化进行局部调优,使得同一数据流的任务可以被部署在相近的边缘节点,从而有效减少任务通信的开销.在不同场景下,平均时延相比其他主流算法可降低23％.大量的模拟实验结果表明,所提算法可以实现有效的资源调度,支持边缘计算场景下高效的实时流数据处理应用.     

面向目标市场的信息最大覆盖算法

当一个企业或商家需要投放广告时,往往会先通过历史数据、个人兴趣等挖掘出可能购买自己产品的用户,即目标市场(Target Market),然后将广告信息通过电视、报纸等公共媒体的形式传递给这些目标用户,希望有更多的目标用户接受信息.然而调查显示,相比于传统大众媒体,人们更倾向于从自己认识的人那里去获取信息,因此文中考虑利用社会影响力的方式去传播广告:在社会网络中说服有限数目的初始用户,并让他们向熟识的人传播信息,期望信息可以通过级联传播覆盖尽可能多的目标用户.由于以往的信息覆盖最大化的工作集中于对全局网络的考虑,因此会忽略目标节点和全局网络之间的联系.通过数据观察可以发现,目标用户往往会由于同质性等原因而聚集在一起,因此文中提出基于聚类的KCC算法,算法通过对用户进行聚类分析,找出每个聚类的代表性用户,使得这些代表性节点可以影响尽可能多的目标用户,同时避免他们之间对信息覆盖的重叠.在不同的真实的数据集的实验显示KCC可以在大多数情况下取得优于其它常用算法的性能,尤其当种子节点数增多时,KCC可以更多地避免节点之间信息覆盖的重叠,从而取得更好的效果;同时,KCC只需要很短的运行时间,具有良好的可扩展性.     

面向效用最大化的数据中心动态资源分配

传统数据中心的负载均衡只追求资源利用的最大化,而忽略了不同类型任务对完成时间的需求是不同的,使得系统总体服务质量无法达到最佳.针对不同任务的需求差异,引入时间效用函数以表征不同类型任务的完成时间与服务质量的关系,并形式化定义了面向效用最大化的动态资源分配问题.由于该问题是NP难的,设计了一个利用任务优先关系的调度机制,其主要思想为将原问题分解为若干同构的小规模子问题,并利用任务间的优先关系,决策为哪个任务优先分配资源.通过理论分析可以证明,当并行的任务的完成时间满足一定的序列性质时,该算法可以取得全局最优解.实验显示,该算法产生的收益是常用的先进先出公平调度机制产生收益1.5倍到2倍,并且比当前最新的算法2DFQ(多租户二维公平排队算法)的总效用高约17％.