基于效益最大化的云虚拟机资源分配研究

针对云资源分配研究中缺乏对用户使用资源的效益情况进行研究的现状,借鉴网络带宽分配效用最大化的NUM(Network Utility Maximization)模型,提出了一种使用户效益最大化的云虚拟机资源分配模型。在分析分配模型时,通过拉格朗日函数将模型简化为求解拉格朗日对偶函数。最后,引入模糊次梯度算法在理论上证明了可以得到模型的最优解。仿真结果表明了方案的可行性和算法较好的收敛性。     

云环境下基于SLA的工作队列调配算法研究

云计算环境下,工作任务的调度和计算资源的分配受到SLA的约束。不同的工作任务要求不同的QoS,采用具有SLA参数的约束条件,对任务划分优先级,形成优先级队列。在对该任务分配计算资源时,采用资源等级队列的方法,分配合理的工作节点已完成任务。     

基于服务级别协议的云资源分配

与网格、集群等传统计算模式不同,云计算为用户提供了一种利用远程计算资源的实用商业模型。在不同的客户之间动态分配云资源池以获得最大收入,成为云服务提供商最为关心的问题。云计算中心需要把面向客户的服务层指标转换为面向系统的操作层指标,根据服务级别协议动态管理云计算资源。研究了基于服务级别协议的服务提供商收入最大化问题,借助排队论模型对资源分配问题进行了形式化描述,然后依据定价机制、服务请求到达率、服务率、可用资源等因素给出了资源最优分配方案。实验结果表明,该算法优于相关算法。     

业务质量约束下最大化收益的HFC频点带宽分配方法

HFC频点带宽的分配是广播电视网络业务提供系统的一项关键技术,直接决定了系统的整体收益.描述了HFC频点带宽资源分配面临的问题,提出基于业务收益函数的频点带宽分配方法.在分析广电网络视频点播、时移电视和高速下载三种典型业务特性的基础上,给出了它们的收益函数,提出了一种基于边际效益的贪婪算法以完成资源的分配.该算法在保证业务质量满足最低要求的基础上,按照各类业务的实际需求分配可用的频点带宽,使系统的收益最大.仿真试验验证了该算法的有效性.     

基于机器学习的云计算资源分配算法研究

云计算是当前流行的计算模式,而云计算资源分配是云计算系统的关键。文章基于机器学习的云计算资源分配算法研究,通过机器学习算法来识别工作负载,评估资源分配,从而调度资源。实验结果表明,基于机器学习的云计算资源分配算法不仅保证了各节点负载均衡,还提高了云计算集群的稳定性。     

云联盟中收益最优化算法

云联盟环境下,资源提供者旨在协作地向用户提供资源,以获取更多的经济收益。通过联盟博弈研究了云资源提供者的群体合作行为,基于任务执行时间和执行代价最优化问题,定义了资源提供者组建资源联盟的依据,并设计了两种任务调度算法PMTC和TMPC。同时,对联盟收益进行内部分配时,提出了基于Shapley值的联盟收益分配算法,该算法充分考虑了联盟成员对联盟总收益的贡献度,使得联盟总收益在其个体成员间的分配更加均衡与合理。算例分析结果表明,云资源联盟不仅可以改进任务执行效率和资源提供者收益,而且Shapley值可以实现收益的公平分配。     

基于QoS的云计算资源分配算法

目前,基于云计算的服务越来越具有动态性,资源的分配遇到了前所未有的挑战性,我们不能简单地从成本单一方面来衡量资源分配算法的优劣。针对以上问题,提出了具有QoS限制的资源分配算法,从用户和资源提供者两个方面来考虑资源的分配,在保证用户任务的多维QoS需求的同时,寻求用户满意度和资源利用率的综合效用值的提升。通过仿真实验表明,该资源分配算法,可以减少任务之间对资源的竞争,提高所有任务的全局效用值。     

云虚拟环境下资源分配的研究与实现

云计算中的基础设施层IaaS(Infrastructureas a Service)是通过虚拟化技术管理底层物理资源,向用户提供可用的计算机集群。对于如何有效的分配资源,使其利用率最大化,即使得物理机器中的各种资源的碎片最小也成了云计算中需要考虑的问题。针对这一问题,可以结合遗传算法来解决这种多目标多约束的组合优化问题,实现云虚拟环境下的资源分配问题。通过仿真实验表明,该算法可用有效的减少物理机器中的碎片,提高资源的利用率。     

基于改进的蝙蝠算法在云计算中的资源分配

云计算中的资源分配一直都是研究的重点, 提出了一种基于改进的蝙蝠算法的云计算资源分配方法. 在蝙蝠算法中引入差分遗传算法, 通过变异, 交叉和选择等操作避免个体陷入局部最优, 以及过早产生最优解的可能,改进后的蝙蝠算法能够有效的提高收敛速度和精度. 仿真实验表明, 本文算法不但有效提高了算法性能, 还优化了云计算系统中的资源调度能力, 提高了云计算资源的利用率.     

基于服务时间的加权公平队列调度算法

针对已知存储系统调度算法无法保证服务资源公平分配的问题,提出一种基于服务时间的加权公平队列调度算法,该算法直接采用访问请求的服务时间作为服务资源分配的依据,其公平性非常接近于公平调度算法的理论极限,在负载波动的情况下仍能保持资源分配的稳定性。     

包簇映射框架下的云资源分配优化算法研究

在云数据中心,资源分配是云计算系统应用中的核心技术。当前云计算资源在分配过程中,或多或少存在收敛慢、易早熟、资源分配效率低等缺点。为了解决该问题,引入包簇映射框架,提出基于混沌扰动遗传算法。该算法是将遗传算法和混沌搜索机制相结合,以降低成本和提高资源分配效率为目标,利用个体之间的差异性对种群进行初始化,改进种群的交叉变异和适应度函数。通过贪心修正进行合理的云资源分配,采用仿真软件CloudSim进行实验,对其性能进行实验分析。实验结果表明,该方法可以有效提高资源分配效率和收敛速度,具有较好的广泛应用价值。     

基于多精英协同进化遗传算法的云资源调度

传统的遗传算法(GA)在解决云资源调度问题时会随着问题规模的增大而出现早熟收敛、搜索效率低下、寻优能力差等现象.为了克服这些缺陷,提出一种基于多精英协同进化的遗传算法(MECGA).该算法通过多精英保留技术将适应度值大的个体选入精英子种群,通过与普通子种群进行协同交叉操作,可引导整个种群向最优解的方向移动;通过定义个体...     

一种云环境下基于QoS约束的资源分配策略

由于资源非均匀分布以及硬件具有较大异构性,导致资源服务时效率不高。针对上述的不足,根据用户对资源的偏好,建立任务与资源的映射模型,设计一种低负载和低成本的资源分配策略,实现系统负载均衡。实验结果表明,该策略在满足Qo S约束的条件下,有效地提高资源利用率。     

基于改进蛙跳算法的云计算资源调度

资源合理调度是云计算研究热点。为了提高云计算资源的调度效率,提出一种改进蛙跳算法的云计算资源调度方法。首先对云资源调度问题进行分析,建立云资源调度的目标函数,然后采用蛙跳算法对云资源调度问题进行寻优,并将对蛙跳算法进行改进,加快搜索速度,以提高算法学习能力。实验结果表明,相对于其他云计算资源调度方法,该方法可以更快找到最优云计算资源调度方案,使云计算资源负载更加均衡,提高云计算资源的利用率。     

基于资源分配指标的最大约束社区发现算法

在复杂网络中的社区发现一直受到广泛的关注,基于模块度最大化的方法是目前流行的社区发现技术。提出一种基于资源分配(RA)指标和多步贪婪凝聚策略的模块度最大化社区发现算法RALPA(Resource Allocation-based of Label propagation Algorithm)。该算法利用准确衡量节点间相似性的RA指标,通过最大约束标记传播模型使社区内部节点拥有较高的相似性,与社区外部的节点拥有较低的相似性。然后,通过多步贪婪凝聚策略将划分模块度增加最大的多对小社区进行合并。实验结果表明,该算法不仅避免了对节点更新顺序的敏感和易得到平凡解的问题,而且提高了算法的稳定性和社区划分的精度。     

云环境下的基于Min-Max的节能资源调度算法的研究

针对云计算环境下的高能耗问题,从系统节能的角度提出一种节能资源调度算法(energy-saving scheduling algorithm based on min-max,ESSAMM)。在Min-Max算法的基础上综合考虑了用户对于任务期望的完成时间和能量消耗两个因素,以节省任务执行过程中产生的能量消耗,并提高用户的时间QoS满意度,实现负载均衡。将任务集合中各任务按照长度从小到大排序,并根据时间QoS为该集合中长度最大和最小的任务选出符合用户期望的物理资源;根据能量估算模型,计算出这两个任务在各物理机上的执行能耗;选择最小能耗对应的物理机来执行该任务;将这两个任务在任务集合中删除,并重复上述过程,直到任务集合为空。仿真结果表明,相比于Min-Max和Min-Min资源调度算法,该算法能够有效降低系统执行任务产生的总能耗,提高用户时间服务质量,并实现调度系统负载均衡。     

云计算基于随机进化博弈动态的资源优化配置

云资源优化分配研究中,用户策略难免存在失误,以用户完全理性为前提的资源分配方法在实际环境下会出现失效。分析非完全理性的云用户种群下的资源分配过程及其策略演化过程,提出一种随机动态模型求解有限云种群中的资源分配进化博弈问题。模型克服用户完全理性的限制,利用带有频率依赖选择的Moran过程,在重复博弈过程中寻找云用户策略的入侵指数和固定指数策略选择偏好的条件。根据经济学云环境的特征,建立云用户的固定效用矩阵,量化策略选择动态。数值仿真结果证明,为了最大化自身效用,不同大小云种群中的个体策略会向着不同策略方向演化,资源在有限理性用户之间可以实现优化分配,且最优分配策略最终会处于稳定状态。     

基于微观经济学方法的网络资源分配研究

随着Internet应用迅猛发展,网络资源相对匮乏的问题日渐突出。如何合理分配有限的资源为不同服务质量需求的应用提供服务,提高资源使用效率,是亟等解决的问题。近年来,研究者把微观经济学方法引入网络资源分配领域,为这一领域的研究提出崭新的思路,具有重大意义。详细分析了基于微观经济学方法网络资源分配研究的最新进展,并指出当前研究存在的问题以及下一步研究的方向。     

基于队列长度的上行资源调度性能分析及策略

对无线通信网络上行队列调度进行了分析和设计.提出一种基于队列长度的上行资源调度策略,建立了数学模型,采用双随机泊松过程模型,对上行资源调度进行了理论分析,推导提出了衡量调度性能的参数:延时和带宽利用率.将该策略应用于基于IEEE 802.16d的无线网络,数值分析和仿真结果表明,所提算法能对上行资源进行优化配置,实现系统所需的QoS服务.     

博弈式移动云服务协作资源管理模型研究

对于实时要求高的移动云计算应用服务,高效的带宽和计算资源管理尤为重要,而移动程序服务提供商们因各自拥有的资源有限,导致能够支持的程序实例的数量受限,其收入也不能有效提高。为了让移动程序服务提供商进行资源协作并有效提高收入,提出一种资源分配与合作博弈理论相结合的协作资源管理模型,由资源分配、收益管理、协作形成子模型构成。资源分配指导服务提供商投入合作的资源数量;结合了合作博弈理论的收益管理和协作形成模型用于公平划分合作所得收入与形成稳定的联盟。实验表明,服务提供商资源协作使用之后,合作联盟能够更加有效地利用现有资源,服务商的收入可提高5%以上。