基于时间序列的服务器负载预测

在负载均衡集群中，为了实现高效的动态负载均衡，需要对服务器的负载进行有效的预测。在介绍服务器负载特性和时间序列的3种模型的基础上，根据服务器负载动态变化的规律，提出了基于时间序列的服务器负载预测方法，并利用这一方法对IP网关服务器的负载进行了预测，实验结果证明该方法具有较好的实用效果。     

Femtocell网络中基于保证公平性的频谱资源分配算法

家庭基站是一种低成本低功耗,由用户部署的小型基站,能提供更好的室内覆盖效果和数据速率。但是在无协作频谱复用场景中,小区间干扰已经成为当前主要问题。本文提出一种保证公平性的频谱资源分配算法。首先提出一种基于干扰图的公平系数来确定FAP使用频谱资源数的下界值,保证FAP间资源分配的公平性;然后提出灵活的准则用于资源分配。仿真结果表明,本文提出的公平算法不仅提高了用户平均吞吐量和小区边缘用户吞吐量,同时也确保了资源分配的公平性。     

基于负载预测的车联网信道拥塞控制策略

在车联网中,过高的车辆密度会造成信道拥塞,信道拥塞的发生会严重影响协同车辆安全系统的性能。针对此问题,设计实现了一种基于车联网信道负载预测的拥塞控制策略(Congestion Control Strategy based on Channel Load Prediction, C2SLP)。该策略分为3个模块,首先使用载波侦听多址访问协议中的检测功能获取信道闲忙状态进行负载评估,然后将所得结果代入自回归移动平均模型(Auto Regressive Integrated Moving Average,ARIMA)对下一时刻的信道负载值进行预测,最后将所得负载预测值与预设的标准值进行比较,根据对比结果使用功率控制算法调整传输功率,实现提前避免信道拥塞。仿真实验结果表明,C2SLP将信道占有率稳定在0.6左右,传输时延稳定在30 ms左右,明显优于UBRCC算法,C2SLP在控制信道拥塞的同时有效减少传输时延,确保数据包可靠发送,满足车辆安全应用需求。     

分布式系统中主机负载预测的一种普适性方法

分布式系统中为了获得高效的动态负载均衡,需要对主机负载进行有效的预测,这区别于网络流量的预测。论文从分析主机负载的特性入手,依据负载动态变化的规律,提出了一种具有普遍适用性的主机负载预测方法—线性时间序列模型法,并按该方法建立了HLPS(HostLoadPredictionSystem)模型,提出了HLPS的实现策略。     

基于AR模型的主机负载预测

线性时间序列作为一种概率统计方法,已经被运用到各个领域中。AR模型是最常见的一种时间序列模型,是根据时间序列的自相似性质,利用时间序列在过去时刻的观察值推算时间序列的出现规律,预测今后可能出现的观察值。文中利用AR模型预测在分布式实时环境上主机的负载情况。对于有多台主机的分布式实时环境,当有一个新的任务到达时,如果能够较准确地预测出各台主机在今后的一段时间内的负载情况,调度器可以有选择地将任务分配给适当主机,不仅可以满足尽可能多数量的实时任务的最后时限,并且可以提高系统的性能。     

基于CPU-MEM的负载共享调度机制研究

分布式系统中调度机制对负载共享系统性能有重要影响。基于CPU-MEM的负载共享策略考虑内存资源对系统性能的作用,降低了页失效次数,提高了资源利用率。在CPU-MEM负载共享机制基础上,考虑任务在执行过程中的变化特性,提出了在单节点上减少任务平均内存需求的多内存需求多时间片轮询策略(RR-MMMCS)和基于预测的多内存多时间片策略(MMMCS-P)。实验表明,无论是对计算密集型任务还是数据密集型任务,RR-MMMCS、MMMCS-P调度机制在平均响应时间方面具有较好的性能。     

基于AR模型的主机负载预测

线性时间序列作为一种概率统计方法，已经被运用到各个领域中。AR模型是最常见的一种时间序列模型，是根据时间序列的自相似性质，利用时间序列在过去时刻的观察值推算时间序列的出现规律，预测今后可能出现的观察值。文中利用AR模型预测在分布式实时环境上主机的负载情况。对于有多台主机的分布式实时环境，当有一个新的任务到达时，如果能够较准确地预测出各台主机在今后的一段时间内的负载情况，调度器可以有选择地将任务分配给适当主机，不仅可以满足尽可能多数量的实时任务的最后时限，并且可以提高系统的性能。     

TD_LTE系统中从Macrocell到Femtocell的切换研究

当用户从Femtocell切换到Macrocell时,可能存在不必要的切换,且3GPP协议推荐的切换流程可能会引起较大的DL SIT(DownLink Service Interruption Time)和包丢失率.为此,提出一种优化的切换方法,既可以减少不必要切换,又可实现无缝切换.即切换执行前首先判断是否为不必要切换,如果是不必要切换,则目标基站拒绝本次切换,且推荐一个候选切换小区.同时原目标小区和候选目标小区分别调整切换相关参数.否则允许本次切换,且当切换过程激活后,服务网关将数据同时发送给源小区和目标小区.仿真结果显示与标准3GPP方案相比,该方案可以大大减少DL SIT和数据包的丢失.     

基于负载预测的通信网络入侵检测系统设计

针对传统通信网络入侵检测系统负载不均而导致检测精准度低的问题,提出了基于负载预测的通信网络入侵检测系统设计;设计系统硬件结构,使用T-KOKO型监听器及带有监听面板AP-9812M的语音信息监听工具,使用HDMI分配器传输监听信号,选择JY211-QTQ-04型号光缆探测器,其内部含有发射机和接收机,用于发射和接收数据,采用TCP继电器控制器用于改变指令正常执行的顺序;确定负载指标,动态调整负载预测策略,保证负载均衡,并通过hash函数获取网络攻击行初始判别概率向量,实现通信网络入侵检测;由实验结果可知,该系统的运行时间平均值为86.3 s,吞吐率平均为74 Mbps,网络入侵检测准确率平均值为95%,证明所设计通信网络入侵检测系统运行时间较短,吞吐量较高,证明了该系统的检测速度较快,且检测准确率较好,能够为通信网络的安全运行提供系统支持。     

基于预测机制的分级负载均衡算法

为解决服务器集群负载分配不均的问题,根据用户访问的请求类型,综合考虑用户历史请求引起的负载增量和服务器节点性能,提出了基于预测机制的分级负载均衡算法。负载均衡节点根据用户访问的请求类型建立一次指数平滑预测模型,对相应请求类型引起的负载进行预测,并将预测负载划分为低负载、正常负载、重负载等三个负载等级,根据负载等级对用户请求进行调度,从而实现负载均衡。使用OPNET仿真软件进行测试,结果表明该算法能有效提高负载均衡效率,有较好的负载均衡效果。     

灰色—支持向量机的空调负荷预测

对空调负荷进行准确预测不仅对空调优化控制的意义重大,而且也是实现空调经济运行与节能的关键所在。为了提高建筑空调负荷的预测精度,在分析灰色模型和支持向量机建模特点基础上提出了一种空调负荷组合预测算法。该方法综合了灰色建模计算过程简单以及支持向量机自学习和泛化能力强的优点,能够更加有效地利用样本数据的有效信息,提高模型预测精度。首先,通过灰色建模过程弱化了样本数据的随机因素。然后,对灰色模型输出进行归一化处理及数据重构,以作为支持向量机的输入。最后,通过支持向量机模型的预测得到最终预测结果。将本文所提出的方法应用于福州一栋办公建筑的逐时空调负荷预测中,并与灰色模型及支持向量机模型作比较,证明了组合模型的预测值与实际运行值拟合度最高,平均绝对误差比灰色模型和支持向量机模型分别降低了47.84%和17.39%。该组合预测模型具有较高的预测精度和更好的泛化能力,具有较强的可行性和实用性。     

基于随机森林算法的用电负荷预测研究

为了解决当下用电负荷预测精度不高,难以很好模拟实际用电负荷的分布情况而不能对未来的负荷数据进行合理预测的问题,实现了基于随机森林的分类模型、回归模型以及结合Weka的时间序列模型,对某省份的负荷数据进行预测,通过对不同模型的大量的实验及评估,发现这三个模型皆能合理地预测未来的用电负荷数据。此外,在同一评估指标下随机森林算法结合WEKA中的时间序列模型的方法能够较好地预测未来时刻的负荷数据。     

基于启动者策略的改进型负载调度方法

针对目前分布式系统中负载均衡策略普遍存在效率低,准确度不高等问题,提出了一种SI策略的最佳条件匹配和递增式任务量转移方法,并优化了RI策略的检索方式,加快了负载转移速度,提高了目标节点选择和转移任务量的准确性。在此基础上给出了两种策略动态切换的一般方法。实验结果表明,该方法能够避免负载处理的不均衡,有效地提高了系统的整体处理能力。     

动态负载均衡策略及相关模型研究

为了提高分布式计算机环境中负载均衡的效率,提出一种基于启动者动态改变和阈值自适应的高效动态负载均衡策略。该策略根据分布式环境中各计算机的负载状态以及接受者启动策略和发送者启动策略的优缺点,动态改变负载阈值和启动者策略。研究了四个关键问题,即负载的分配、负载探测、负载状态的定义以及均衡策略,给出适合该策略的问题解决办法和结构模型。理论分析和实验结果表明,该策略能够有效地均衡负载,减小系统内部通信量,同时能够有效地抑制系统负载抖动。     

基于负载感知的数据流动态负载均衡策略

针对大数据流式计算平台中存在节点间负载不均衡、节点性能评估不全面的问题,提出基于负载感知算法的动态负载均衡策略,并将算法应用于Flink数据流计算平台中。首先通过有向无环图的深度优先搜索算法获取节点的计算延迟时间作为评估节点性能的依据,并制定负载均衡策略;然后基于数据分块管理策略实现流式数据的节点间负载迁移技术,通过反馈实现全局和局部的负载调优;最后通过实验评估时空代价论证算法的可行性,并讨论重要参数对算法执行效果的影响。经实验验证算法通过优化流式计算任务的负载分配提高了任务的执行效率,与采用Flink平台现有的负载均衡策略相比,任务执行时间平均缩短6.51%。     

基于动态系数的三次指数平滑算法负载预测

数据中心是企业信息化的重要组成部分,云计算的核心思想就是把数据中心整成一个资源池,对资源池进行统一的调度与管理。随着虚拟化技术的发展,目前对数据中心的资源利用率越来越高,但是还是存在大量资源浪费的情况,其原因在于当前对数据中心未来负载预测的算法还存在一定的局限性,如果对未来负载预测值远远大于实际负载情况,则导致大量的虚拟机资源利用率不高,反之则会导致虚拟机的资源使用率消耗增大,云平台中不同物理服务器之间的负载情况不平衡,一部分物理服务器负载过大,导致云计算平台响应时间过长。因此云计算平台选取一个合适的负载预测算法显得越发重要,如何权衡以上问题,是云计算里面的一个重点研究方向。负载预测选取时间序列预测算法中的三次指数平滑法,在该算法原有的静态系数基础之上,设计了一种动态系数提取方法。通过等距法把静态系数分成若干份进行训练,然后在预测过程中提取该时段误差最小值所对应的系数。在预测结束后,重新计算其误差,并通过均值法覆盖旧误差。实验结果表明,基于自适应三次指数平滑算法其预测误差明显小于静态系数所预测的误差,计算复杂度低,具有一定的应用价值。     

自适应迁移预测的动态多目标差分演化算法

针对动态多目标优化环境下寻找并跟踪变化的Pareto最优前沿和Pareto最优解集的难题,提出两个策略：自适应迁移策略和预测策略。自适应迁移策略是根据环境的变化自适应地插入迁移个体来提高算法种群的多样性,从而提高算法对动态环境的适应能力。预测策略是通过时间序列并加上一定的扰动来产生预测种群,来预测环境变化之后的Pareto最优解集,以达到对其快速跟踪的目的。通过两个策略在多目标差分演化算法上的应用来解决动态多目标优化问题。实验过程中,通过平均最优解集分布均匀度和平均决策空间世代距离等指标表明,基于自适应迁移策略和预测策略的多目标差分演化算法能够很好适应变化的环境,并能够快速找到Pareto最优解集。     

服务器负载的小波-神经网络-ARMA预测

为提高服务器负载预测的精度,提出一种新的基于小波的预测方法。该方法首先对具有非平稳特征的服务器负载序列进行小波分解与重构,得到一个低频信号和多个不同尺度的高频信号;对具有近似平稳特征的低频信号建立ARMA预测模型;对变化较多的各高频信号分别建立神经网络预测模型;然后分别对各信号进行一步预测并组合预测结果,获得原始负载的最终预测。实验表明:该方法能够有效预测非平稳的服务器负载序列,预测精度明显高于传统预测方法。     

基于长-短时序特征融合的资源负载预测模型

高准确率的资源负载预测能够为实时任务调度提供依据,从而降低能源消耗。但是,针对资源负载的时间序列的预测模型,大多是通过提取时间序列的长时序依赖特性来进行短期或者长期预测,忽略了时间序列中的短时序依赖特性。为了更好地对资源负载进行长期预测,提出了一种基于长-短时序特征融合的边缘计算资源负载预测模型。首先,利用格拉姆角场（GAF）将时间序列转变为图像格式数据,以便利用卷积神经网络（CNN）来提取特征;然后,通过卷积神经网络提取空间特征和短期数据的特征,用长短期记忆（LSTM）网络来提取时间序列的长时序依赖特征;最后,将所提取的长、短时序依赖特征通过双通道进行融合,从而实现长期资源负载预测。实验结果表明,所提出的模型在阿里云集群跟踪数据集CPU资源负载预测中的平均绝对误差（MAE）为3.823,均方根误差（RMSE）为5.274,拟合度（R²）为0.815 8,相较于单通道的CNN和LSTM模型、双通道CNN+LSTM和ConvLSTM+LSTM模型,以及资源负载预测模型LSTM-ED和XGBoost,所提模型的预测准确率更高。