基于DPB+-Tree的数据迁移策略研究

提出了一种适合于数据迁移、又能保证分布并行特性的树结构DPB+-Tree,讨论了基于DPB+-Tree的数据迁移策略,其中数据节点迁移采用分布式提交协议来保证原子性,索引重构通过对溢出链的hash重排来实现,迁移算法则通过设置负载系数的两个阈值来对负载倾斜进行判断。经模拟实验结果表明,该数据迁移策略能够有效改善系统的负载均衡和吞吐率特性。     

基于并行计算熵的同构集群负载均衡算法

提出并行计算熵的概念以及基于并行计算熵的同构集群负载均衡算法．理论分析证明并行计算熵作为系统负载均衡程度度量的合理性．算法以并行计算熵来衡量集群系统中节点之间负载均衡程度,以节点任务运算量来衡量节点的负载信息,并根据并行计算熵来进行负载迁移决策．实验证明相对基于任务数阈值的负载均衡算法并行计算性能有一定提高．     

XMPP协议的数据分发网络的负载均衡算法

通过对负载均衡算法的研究,改进了加权最小连接数算法,使其适用于并发流量较小但会话连接数量较大的可扩展通讯和表示协议服务器集群系统的数据分发网络。可动态地获取服务器的占用资源,实时计算当前负载能力及负载比率,并通过限定阈值将服务器负载状况分为3个阶段,通过两种不同算法相结合来调度服务器,并且能在服务器空闲或超载时,适时关闭服务器或调度新的服务器,提高服务器集群的负载性能。     

基于动态反馈的负载均衡方法研究

随着基于互联网的应用服务快速发展,网络上提供应用服务支撑的服务器(集群)所面临的并发性访问激增,运用负载均衡是应对处理大量并发访问及提高服务请求接入性能的重要策略之一。负载均衡通过对服务器集群中的逻辑/物理单机进行规划实现负载任务分配调度,实现对大量并发访问的并行化处理,从而提高应用服务的请求接入和服务处理性能。提出了一种基于动态反馈的负载均衡方法,其通过周期性的获取集群中单机节点的工况信息,然后分析单机节点的实时负载和响应情况,并将其与保持负载均衡性能的决策参考阈值相比对,通过负载任务再分配达成动态负载调整并保持集群工作性能均衡的目的,进而提升集群系统的服务吞吐能力,降低服务请求的响应延迟,能够为开展海量数据高并发处理提供技术基础和保障。实验结果表明,该算法使系统的整体性能得到了改善。     

基于纠删码的云文件系统数据放置方法

当前,在分布式云文件系统中,纠删码冗余技术以较高的容错性能和较大的空间利用率逐步取代副本冗余技术来保证数据的可靠性。多数基于纠删码的云文件系统中,数据放置方法采用随机放置策略并假设集群节点同构,然而在实际的云存储系统中节点的同构性并不理想,且节点的存储性能会随着系统的运行动态地发生变化,所以随机地选取节点进行数据放置并不能有效地保证系统的均衡性。为此,文中分析确定了影响节点负载性能的关键因素,并采用层次分析法建模求出不同存储数据类型的负载影响因子。同时基于节点负载性能,计算提出了一种全局随机、局部顺序的数据放置算法,该算法在选择节点的过程中综合考虑节点内的实时负载均衡和数据可靠性两个因素。实验结果显示,相比于随机放置方法,提出的该数据放置方法不仅能够实现存储系统节点内的实时负载均衡,还能加快数据写入和恢复的速度。     

改进加权轮询负载均衡算法研究

针对云计算中负载均衡算法效率不高的问题,提出了一种改进的加权轮询算法来解决云计算中的负载均衡效率问题。首先根据服务器的负载状态得到负载因子的值,然后比较负载因子的值和阈值的关系,最后计算服务器的权值,根据计算的权值以轮询的方式把任务分配给服务器。通过使用负载测试工具Load Runner进行仿真实验,结果表明改进后的加权轮询算法使系统平均响应时间更短,具有更好的可靠性,能够有效的解决云计算中负载均衡算法效率不高的问题。     

基于SLA的云数据中心负载均衡理论研究

以市场驱动为出发点,设计了资源负载状态获取指标和虚拟机迁移效用分析指标,提出了基于时间序列的负载预测算法和基于SLA的虚拟机均衡迁移机制,通过在CloudSim仿真环境下的分析和比较,该负载均衡机制能够以最大化收益为目标实现系统负载均衡。     

基于云计算的弹性负载均衡方案

针对云环境下大量并行计算易导致节点负载不均影响云平台服务质量的问题,提出一种基于云环境的弹性负载均衡方案。该方案构造了负载均衡模型框架,对虚拟机负载状况和虚拟机集群资源利用率进行量化评估,并为实现虚拟机集群负载的均衡和弹性伸缩,设计了负载均衡模型和弹性伸缩算法。测试结果表明在该负载均衡机制下,新方案的用户响应时间有所改善,可相应提高资源利用率。     

基于动态指数平滑预测的负载均衡算法

负载均衡算法是决定计算机集群性能的关键．研究介绍了常见的负载均衡算法,讨论了这些 算法的优缺点,并在此基础上提出了一种基于负载预测的均衡算法．该算法通过动态指数平滑模 型,计算出适应于当前服务器节点负载时间序列的平滑系数,预测该节点下一时刻负载值,分发器 再以负载预测值最小为依据调度用户服务请求．使用ＯＰＮＥＴ网络仿真软件进行测试,结果表明该 算法能有效提高负载均衡效率,具有良好的负载均衡效果．     

云数据中心基于异构工作负载的负载均衡调度方案

针对目前云数据中心的负载均衡调度方案没有研究将不同工作负载的应用程序进行整合的问题,提出了基于异构工作负载的静态和动态负载均衡调度算法。当放置新的虚拟机的时候,通过静态负载均衡调度算法,将虚拟机分配给物理机。云数据中心运行过程中,采用动态负载均衡调度算法将负载高的物理机上的虚拟机迁移到负载低的物理机上。仿真实验结果表明,新的调度方案不仅能够降低云数据中心的不均衡率,而且使节点内的多维度资源得到了合理地利用。     

CDNs基于缓存区预测机制的负载均衡算法

提出了一种基于缓存队列长度动态预测机制的请求重定向（BMP）算法,采用M/M/1排队模型对分布式内容分发网络的负载均衡算法进行了描述,基于队列长度预测的机制减少了分发请求过程中不必要的重定向,同时可以克服单点过载问题.仿真分析结果显示,相比于之前的负载均衡控制策略算法,所提出的BMP算法对服务器缓存区队列长度的均衡效果更优;同时,由于减少了不必要的重定向,也降低了请求响应过程的时延成本.     

基于Parameter Server框架的大数据挖掘优化算法

基于大数据挖掘的实时性要求和数据样本的多样性特征,提出一种面向大数据挖掘的机器学习模型训练优化算法。分析当前算法的迭代计算过程,根据模型向量的改变量将迭代过程分为粗调和微调两个阶段,并发现在微调阶段绝大部分样本对计算结果的影响极小,因此可以在微调阶段不计算此类样本的梯度而直接采用上次迭代的计算结果,从而减小计算量,提升计算效率。试验结果表明,算法在分布式集群环境下可以减小模型训练约35%的计算量,且训练得到的模型准确度在正常范围内,可有效提高大数据挖掘的实时性。     

大型商场建筑夏季冷负荷动态预测模型

夏季建筑冷负荷的正确预测是实现大型复杂中央空调优化运行、节能降耗的关键。笔者探讨了商场建筑冷负荷的主要影响因素,确定了建筑动态冷负荷预测模型的输入,提出了夏季基于新风机组供电频率的商场顾客率间接测量方法,解决了商场内顾客量难以检测的难题。还提出了AFC-HCMAC神经网络预测模型算法,实现了大型商场建筑冷负荷的动态预测。仿真结果表明:顾客率在商场冷负荷预测中占有重要地位,在冷负荷预测模型中增加商场顾客率可显著提高预测精度;AFC-HCMAC神经网络预测算法与传统的HCMAC神经网络算法比较,可有效降低神经网络节点数,提高预测精度。     

基于并行遗传算法的场地浅层剪切波速度结构反演

目的针对传统遗传算法容易陷于极值,计算时间长的问题,设计基于计算机集群的一种新的粗粒度并行遗传算法反演场地浅层剪切波速度结构．方法采用遗传模拟退火算法和MPI并行计算技术,实现多进程的粗粒度集群计算,通过个体迁移策略协调优化子种群,运用计算效率判断计算负载状态,采用动态种群进行负载平衡,构建了4节点的PC集群,对算例和实际场地的浅层剪切波速度结构进行了反演计算．结果简单模型收敛于最优解,实际场地的反演结果与钻孔资料的平均误差均在20％以内,计算速度明显提高,并行遗传算法的反演结果好于串行遗传算法反演的结果．结论笔者设计的粗粒度并行遗传算法有效地加快了进化速度,并行效率高,加强了局部搜索能力,反演结果较好,适合应用于反演实际工程场地的浅层剪切波速度结构．     

基于多核处理器的低能耗任务调度优化算法

针对多核处理器的高性能所带来的高能耗问题,对TL-DVFS算法中任务迁移开销问题进行了分析,提出了一种基于TL面的节能调度算法ITL-DVFS.该算法在不增加算法时间复杂度的前提下,通过对堆进行操作,有效地减少每个TL面初始时刻任务的迁移开销.结合全局动态电压频率调节技术,在TL面的初始时刻和偶发任务释放时刻动态调节多核处理器的电压频率.结果表明,ITL-DVFS可以有效地减少任务的迁移开销,在负载达到某一值后,可有效降低处理器功耗.     

基于平衡树的智能电网数据采集路由算法

在智能电网中,与传统路由协议不同,突发性拥塞不再是数据采集的主要风险,风险的新来源是数据流过度集中在网络的关键节点而导致的拥塞。为此,提出了一种能够实现数据平衡的数据采集路由机制用以克服网络拥塞。首先,该机制抽象出配用通信网络的数学模型;其次,针对无线网状网络( WMNs)路由协议,以节点排队队列长度作为决策参数建立路由度量模型(数据平衡度量模型,DBMM),并以度量值最小作为决策条件,设计了基于平衡树的路由算法(基于DBMM的路由算法,RA-DBMM)。最后,在Matlab环境下进行仿真实验,对比分析RA-DBMM和经典Bellman-Ford的性能差异。实验结果表明：RA-DBMM能够有效地改善数据拥塞问题,提高系统可靠性和吞吐量。     

改进的关联规则并行算法

针对并行关联规则挖掘算法不能有效的解决负载平衡的问题,在CD算法的基础上,介绍了一种基于动态数据集划分的并行关联规则挖掘算法.它根据各个节点的反馈来决定向每个节点分配的数据集大小.与静态的数据集划分相比,它能更好地实现负载平衡,提高并行数据挖掘的效率.     

结合灰度预测特征与CNNs的信息服务体育成绩预测

针对大数据体育成绩预测存在精度较低的缺陷,提出一种结合灰度预测特征与CNNs的体育成绩预测算法.通过等维动态GOM模型提取灰度特征,并构建CNNs模型完成对体育成绩时间序列的回归与预测.以百米赛跑体育成绩为研究目标,完成了体育达标人数预测和体育成绩预测两个对比实验.结果表明,等维动态GOM模型以及相应的CNNs模型分别在达标人数和成绩预测中获得了最优的预测结果.提出的算法显著优于传统算法,分别在平均精度和极端数据中获得了更好的预测结果.     

大数据环境下竞争情报系统的研究与实现

为让企业在大数据的环境下及时获得准确和可靠的竞争情报,提出了基于大数据的企业竞争情报系统的构建。通过B/S（浏览器/服务器）架构,运用聚焦爬虫工作原理的网络爬虫进行情报信息的采集,并用基于Hadoop的KNN算法进行情报信息的处理和分类,克服了大数据下KNN分类算法时间复杂度高等问题,同时系统支持用户个性化定制。