基于Seq2Seq的船舶轨迹变步长预测方法研究

针对船舶轨迹的历史轨迹相似性低、预测精度不高等问题,基于序列到序列(Seq2Seq)模型提出一种轨迹预测算法——vSeq2Seq。首先,用一阶差分法处理AIS数据,降低时间依赖性,减弱通信延迟产生的干扰,突出船只运动规律;然后,采用滑窗法处理数据,构建模型数据集,通过Seq2Seq模型进行可变步长的轨迹预测。实验结果证明,vSeq2Seq算法能够从船只轨迹中提取出轨迹变化特征,针对船只不同运动状态改变预测步长、灵活地进行预测,对比传统LSTM模型和GRU模型,预测精度有显著提升。     

基于云计算的资源负载预测

互联网的高速发展,数据量的急剧膨胀,云计算技术应运而生.为了实现按需动态的调整资源、提高利用率、节省成本,云计算的资源弹性可伸缩控制技术变得极其重要.但是弹性伸缩仍然存在一些不足,资源的弹性伸缩需要一定时间,动态变化的资源使用需求不能及时响应.为此,本文提出基于云计算资源的负载预测方法.该方法主要是利用线性回归模型对历史负载数据进行建模分析.历史负载值主要是针对CPU使用率、内存使用率、硬盘大小进行分析.在进行负载预测的过程中,首先建立线性方程,然后利用偏导数进行分析,克莱默法则进行求解,求出两个未知的回归参数.然后利用求得的线性方程预测下一时刻的负载值.实验表明该线性回归预测方法可以及时满足负载变化的需求、提高资源利用率、降低云计算资源的使用成本.     

云计算平台的自适应资源供给

云计算系统中IaaS层通过对虚拟化后的基础设施进行池化管理来完成云内基础设施资源的管理。资源的池化为云服务提供按需索取的资源供应以及动态的资源配给。针对现有云计算平台缺乏对资源供应量的自动调整机制的问题,研究了云计算平台中基础设施资源供给的自适应性。通过二次平均时间序列预测法对未来一个时段内的业务负载峰值进行预测,并将预测值交予云平台转化为资源需求。对给定的资源需求,模型通过不断寻找最小虚拟机所能提供的资源与预期资源需求量之差的向量长度,做出虚拟机调度决策。仿真实验表明,本文提出的云计算自适应模型具有良好的精确性及稳定性。     

基于信息素动态调整的云任务调度方法

为使云计算环境中任务处理时间较短,同时资源负载较均衡,提出一种基于信息素动态调整的改进蚁群算法。该算法以任务大小作为任务调度顺序,综合考虑当前任务的完成时间以及资源处理已分配任务花费的时间。通过动态调整信息素挥发程度使算法在前期有较好的寻优能力,后期有较快的收敛速度。结果表明改进后的算法缩短了云环境中的任务完成时间,提高了资源的负载均衡程度,是一种有效的云计算任务调度方法。     

云计算联盟资源负载均衡算法研究

根据云计算分布式系统的特点,采用支持向量机分类预测方法,参考一种动态资源负载均衡机制,给出了预测模型和预测策略以及基于该机制的负载均衡算法。该资源负载均衡机制能够适应网格资源动态变化的特性,解决资源发现过程中的负载均衡问题。     

云计算环境下差异化资源的合理调度模型改进

在云计算环境下,需要对链路节点之间差异化资源进行合理调度,以提高云计算中心网络的负载均衡性及进程管理效率。针对当前调度模型的实时性和均衡性不好的问题,提出一种基于时分多址协议的云计算环境下差异化资源合理调度模型。首先构建云计算环境下差异化资源的传输信道模型,进行资源传输的负载均衡设计,采用时分多址协议进行时隙均衡分配,提高差异化资源的调度合理性。仿真结果表明,采用该模型进行云计算环境下差异化资源调度,资源信息的召回性较好,数据传输的保真度较高,具有一定的优越性。     

云计算资源调度算法的研究与实现

在研究蚁群算法、任务分配和资源调度的基础上,提出了一种改进的蚁群资源调度算法.首先通过引入节点可信度机制在一定程度上增强了云计算资源的搜索能力和节点完成任务的成功率.然后在改进的算法中使用了信息素的局部更新机制和全局更新机制,可以有效地平衡负载.最后通过选取合适的参数利用CloudSim仿真工具对改进的资源调度算法进行实验测试,实验结果表明此算法缩短了任务的执行时间,改善了云计算资源调度的性能.     

基于工作负载预测的虚拟机整合算法

针对云计算环境下满足负载均衡、自动伸缩、绿色节能等需求时所面临的虚拟机(VM)迁移问题,该文设计一种面向云计算基础设施基于工作负载预测的整合调度算法。通过有机结合基于工作负载预测的主动控制技术和基于实际系统状态信息的被动控制技术,并采用指数平滑预测模型预测未来时刻的工作负载情况,提出虚拟机选择阶段最大未来工作负载优先和虚拟机安置阶段比较资源需求队列的虚拟机整合算法。仿真表明,该算法利用基于预测的资源整合方式减少了服务器使用量、虚拟机迁移次数和服务等级协议违例次数,有效提升了以数据中心为核心的云基础设施整体资源利用率。     

云计算中虚拟资源管理技术研究

为了确保云计算提供的服务质量,解决云计算资源的不确定性因素,围绕资源预测、资源分配、资源迁移三个方面展开研究。提出了基于资源相似度的性能预测方法,基于多维度质量及负载均衡的资源分配技术以及节点效能和失效规律的资源动态迁移技术。为了验证上述技术方案的合理性和有效性,在对上述技术进行深入研究的基础上,借助相关仿真软件并结合模拟参数设计了多组实验。通过对得到的实验数据和结果进行比较和分析,验证了提出的资源预测技术、资源分配技术、资源迁移技术的正确性和有效性。     

基于改进匈牙利算法的云仿真资源调度

针对传统仿真系统平台的资源分配存在资源闲置、任务挤压和负载均衡等优化问题,利用云计算技术的优势研究并提出了模块化的云仿真平台框架,通过对云仿真资源调度策略研究,提出了一种改进的匈牙利算法．该算法克服了传统匈牙利算法只适用于一对一资源调度的不足,实现了多对一的仿真任务与云仿真资源分配方案,能尽量避免资源调度负载失衡．通过扩展云计算仿真平台CloudSim实现了模拟算法仿真．结果表明．该调度策略能有效的减小云环境下计算机的负载,提高了资源的利用率．     

Multidimensional QoS cloud computing resource scheduling method based on stakeholder perspective

A multidimensional cloud computing architecture is designed and a multidimensional cloud resource scheduling model is constructed based on the stakeholder perspective of cloud users and cloud service providers to meet the high QoS requirements of cloud users (such as task execution time and task completion time) with low computing costs (such as energy consumption,economic costs and system availability).For the second-level cloud resource scheduling,an MQoS cloud resource scheduling algorithm based on multiple Greedy algorithm is proposed.The experimental results show that under the four cloud computing application scenarios with no aftereffects,the MQoS cloud resource scheduling algorithm has an overall increase of 206.42%~228.99% and 34.26%~56.93 in terms of multidimensional QoS degree compared with FIFO and M2EC algorithms.It has an average overall reduction of 0.48~0.49 and 0.20~0.27 in terms of cloud data center load balance difference.     

一种基于分层多代理的云计算负载均衡方法

针对现有云计算系统中负载均衡方法的不足,借鉴系统逻辑分层和多代理的思想,提出一种基于分层多代理的云计算负载均衡方法.通过对云计算平台逻辑分层,在任务代理层设置任务监控代理和任务子代理,根据用户任务的差异性,采用基于任务优先级和QoS目标约束的调度策略协同完成任务调度;在资源代理层设置资源监控代理和资源子代理,考虑物理节点的异构性,采用基于启发式贪婪的资源分配策略协同完成虚拟机到物理节点的映射.通过评估对比仿真实验,结果表明该方法在任务调度效率、任务完成时间、截止时间违背率和负载均衡度方面表现更优,多代理有效地分担了中心管理节点的管理负载,使云计算平台的任务处理能力、资源利用率及鲁棒性均得到了进一步的提升.     

基于粒子群算法的嵌入式云计算资源调度

随着移动互联网的发展,基于嵌入式设备的云计算服务成为研究热点。在国内,嵌入式云计算目前正处于探索研究阶段,云资源管理调度是嵌入式云计算的核心技术之一,其效率直接影响嵌入式云计算系统的性能。为了提高云计算性能,本文提出一种基于粒子群优化算法的云计算任务调度模型。粒子群算法中粒子位置代表可行的资源调度方案,以云计算任务完成时间及资源负载均衡度作为目标函数,通过粒子群优化算法,找出最优资源调度方案。在matlab实验平台进行了仿真,通过大量数据模拟实验表明,该模型可以快速找到最优调度方案,提高资源利用率,具有较好的实用性和可行性。     

基于改进蚁群算法的自适应云资源调度模型研究

对于传统蚁群算法用于云计算资源分配和调度问题过程中存在的不足,提出了一种可以提高负载均衡度、缩短任务执行时间、降低任务执行成本的改进自适应蚁群算法,改进算法以能够基于用户提交的任务求解出执行时间较短、费用较低,负载率均衡的分配方案为目标,通过CloudSim平台对传统蚁群算法、最新的AC-SFL算法、改进自适应蚁群算法进行仿真实验对比。实验数据表明,改进后的自适应蚁群算法能够快速找出最优的云计算资源调度问题的解决方案,缩短了任务完成时间,降低了执行费用,保持了整个云系统中心的负载均衡。     

基于云计算的工业互联网数据资源管理平台构建

云计算作为一种新兴的商业计算模型,融合了分布式计算、并行计算、效用计算等计算机技术与网络技术的优势,为互联网络提供了一个安全、可靠的运行环境。为推进工业互联网平台的自动化、智能化、数字化、网络化发展,技术人员将云计算技术与工业互联网数据资源管理平台的构建工作融为一体,旨在发挥云计算模式低成本、高效率与高可用性的应用优势,以增强工业互联网平台的安全性、可靠性与稳定性。基于此,文中着重围绕基于云计算的工业互联网数据资源管理平台的构建思路展开了论述,以此来强调云计算技术在平台构建过程中的重要作用。     

基于弹性资源调整的云计算资源分配方法

针对云计算环境中负载难以预测并且负载量实时变化的应用,设计了一种基于时间协同的资源分配方法,该方法在应用运行过程中,根据负载量以及任务处理时间,制定出多虚拟机协同的资源分配方案。该方法采用时间协同的方式有效实现了资源复用,提高了数据中心资源利用率,并进一步降低了数据中心的运维成本。     

光纤网络中云计算资源联合最优分配方法

在云计算技术与光纤网络不断发展的今天,网络数据不断增加,网络带宽面临严峻挑战。当前应用云计算资源联合最优分配方法对网络链路资源分配的结果较为落后,导致资源分配后网络数据传输扰动量以及带宽阻塞率较高。针对此问题,本文设计光纤网络中云计算资源联合最优分配方法。以网络任务模型为蓝本,构建光纤网络传输模型。将光纤网络传输模型以有向图的形式,完成网络节点传输映射分析。结合光树生成算法,设计云计算资源最优分配算法,完成光纤网络中云计算资源联合最优分配方法设计。仿真结果表明：采用所提方法后网络数据传输扰动量以及带宽阻塞率较低,提升了云计算资源的分配方法。     

基于包簇概念的云资源分配成本优化模型

针对云数据中心因传统资源管理方式造成云服务成本过高问题,文中提出一种基于包、簇概念的资源集中管理分配优化模型。将用户的具体需求抽象为一个个独立的需求包,将数据中心的各类资源整合成一个个资源簇,并将CPU、RAM、带宽作为指标,建立成本评估模型,利用基于包簇概念下的改进粒子群算法,实现需求包到资源簇的部署映射。仿真实验结果表明,该优化模型可以有效降低资源分配过程中的营运成本,稳定提高资源平均利用率。     

An Enhanced Load Balancing Approach for Dynamic Resource Allocation in Cloud Environments

Cloud computing is one of the distributed resource-sharing technology that offers resources on a pay-as-you-use basis. Platform as a service, Infrastructure as a service, and Software as a Service are services provided by the Cloud. Each end user's Quality of service must be ensured by the cloud service provider. In recent days, cloud utilization is rapidly increasing. To avoid congestion and to preserve the Service Level Agreement, the large workload must be balanced across the network. In this research work, a new load balancing approach is proposed for the dynamic resource allocation process to improve stability and to increase profit. PBMM algorithm is devised for an effective load balancing process through which, resource scheduling is performed. Task size and the bidding value coded by each customer are taken into account. To optimize the waiting time, resource tables and task tables are employed. The average waiting time and response time of the special users are minimized. The simulation results show that the proposed load balancing technique ensures the maximum profit and it enhances load balancing stability by increasing the number of special users.