基于蚁群算法的云计算联盟资源调度

针对目前云计算联盟的架构和单云环境下资源调度的研究缺少对云计算联盟下的资源调度问题的研究情况,建立了由云用户、云服务供应商和云联盟协调器组成的云计算联盟资源调度模型,为达到云供应商利益最大化,设计了任务-虚拟机-数据中心的调度算法,利用蚁群算法进行模型求解,并通过Cloudsim仿真软件证实了该算法的合理性,验证了供应商资源的数据中心负载率在60％～80％之间时达到均衡,并可获得最大利益。     

基于SLA的云计算资源调度机制研究

针对现有的IaaS层的资源调度研究在任务调度机制和资源负载均衡机制上存在的不足,以SLA管理、资源调度等理论为基础,结合现有研究成果,对基于SLA的云计算资源调度策略进行一些针对性的研究。提出了基于SLA的云计算资源调度框架,讨论了面向IaaS资源服务提供商SLA管理机制及内容,设计了基于SLA管理的QoS保证机制,与负载均衡模块和任务调度模块交互实现服务SLA的保证,有效实现IaaS资源服务提供商在任务QoS约束下最大化资源利用率的同时获得最大的收益。     

基于模糊聚类的云计算集群资源调度算法

针对现有的云计算集群资源调度算法具有的负载不均衡和在线动态适应能力不强的缺点,提出了一种基于模糊聚类的云计算动态集群资源调度算法。首先,构建了云计算环境下的资源调度模型。然后采用模糊聚类对云计算集群资源进行聚类,根据节点与所有聚类中心的距离判断是否需要增减聚类数量。当新任务到来时,自动计算其到各个聚类中心的距离,将具有最小聚类距离的聚类中心分配给该任务。在Cloudsim环境下进行仿真试验,结果表明该方法能有效地实现云计算集群资源的动态调度,且较其它方法相比,具有反应实时和负载均衡的优点,是一种适合云计算环境的可行任务调度方法。     

云计算环境下多目标约束的虚拟资源动态调度

为了解决静态资源调度所导致的CPU利用率不高的问题,研究了多目标约束的虚拟资源动态调度方法。给出了云计算虚拟资源调度模型,设计了多目标约束的虚拟资源表示方法,采用马尔科夫链对虚拟资源的下一时刻状态进行预测,从而得到可用资源向量;最后,计算任务与可用资源向量之间的匹配向量,将任务分配给匹配向量中具有最大各维分量之和的虚拟资源进行调度,并提出了具体的采用基于马尔科夫链预测的云计算虚拟资源动态调度算法。实验结果表明:该算法能有效解决云环境下多目标约束的虚拟资源动态调度问题,具有较小的负载均衡离差和任务执行跨度,较其它方法具有较大的优越性。     

云计算任务调度策略研究

合理分配云资源,高效处理云环境中的海量任务,满足用户QoS,是云计算领域的热点之一.在对传统的任务调度算法的分析比较,探索本质和目标,本文基于云计算任务调度,智能调度算法和Hadoop调度算法的基本思想、性能要求的实现机制和实现,结果表明自适应智能任务调度算法是比较强的,研究的方向和重点在未来的.     

基于强化学习的云计算资源调度策略研究

提出了一种基于强化学习的云计算虚拟机资源调度问题的解决方案和策略。构建了虚拟机的动态负载调度模型,将虚拟机资源调度问题描述为马尔可夫决策过程。根据虚拟机系统调度模型构建状态空间和虚拟机数量增减空间,并设计了动作的奖励函数。采用Q值强化学习机制,实现了虚拟机资源调度策略。在云平台的虚拟机模型中,对按需增减虚拟机数量和虚拟机动态迁移两种场景下的学习调度策略进行了仿真,验证了该方法的有效性。     

云计算环境下的资源监控平台研究

针对云计算环境下被监测对象的异构性、动态性和复杂多样性等问题,提出一个云计算环境下的资源监控平台,该平台包括用户接口,数所分析与资源优化调度,监控管理,监控内核和底层工具五部分。介绍了每层的详细功能,讨论了基于事件和规则的监控方法和松耦合的云计算监控组件的设计思想,重点阐述了平台的主要技术实现。该平台利用监控和预警机制保障云计算平台的可用性,具有重要的应用价值。     

改进型云计算VM资源调度方法

针对云计算框架中VM资源调度问题,提出一种改进型云计算VM资源调度方法.首先,将直觉模糊机制和Canopy算法融入传统的模糊c均值聚类算法,设计一种改进型直觉模糊c均值聚类算法,用以完成对用户任务请求进行聚类;其次,设计一种改进型粒子群算法,对云计算中的VM资源进行分配.通过在Cloudsim平台上的仿真实验结果表明,本文方法无论在资源调度效率,还是收敛性效果方面均优于经典调度方法,预期可以作为云计算框架中一种有效的资源调度方案.     

基于QoS约束的计算能力调度算法研究

云计算具有很强的商业性特点,以为用户提供高质量的服务为目标。针对云计算对服务质量QoS的需求问题以及云计算原有计算能力调度算法没有考虑用户多样性的缺点,提出了基于QoS约束的计算能力调度算法。该算法可以在保证为用户提供模拟的独立计算能力基础上,根据QoS参数生成的向量进行资源与任务的匹配,区分用户的不同服务质量需求,为用户提供符合其需求的资源。     

基于云计算的网络教学资源平台建设研究

为解决网络教学资源平台建设中存在的设备重复投入、已有资源无法共享等问题,在介绍云计算及其功能的基础上,提出了基于云计算的网络教学资源共享平台（ NTRP）的架构,NTRP核心模块之间的交互,以及调度域中主要业务操作算法的伪代码,并采用云计算技术及方法进行解决。     

智能作业车间动态调度系统研究与实现

为解决单件小批车间生产受到不确定性事件的影响,而使得实际生产过程偏离作业车间计划,导致产品无法按期交付这一问题,研究并实现了智能作业车间动态调度系统。系统包含基于Zigbee与传感器等物联网技术实现的智能感知子系统、基于大数据分析技术实现的智能双驱动机制子系统和基于云计算技术实现的调度算法云服务子平台,保证了作业计划动态调度的高质量完成。最后,将哈尔滨电机厂历史生产数据作为测试用例,验证智能作业车间动态调度系统的有效性。     

OpenStack环境下的资源动态调度研究

针对云计算平台中资源调度问题,提出了基于Open Stack的虚拟机动态调度算法。算法主要采用了基于节点负载的上线和下线触发策略和以提高服务质量和减少迁移成本的待迁移虚拟机选择策略.为了避免群聚效应,维持系统的负载均衡,通过计算虚拟机对节点的需求度来衡量虚拟机与节点间的匹配度,利用匹配度制成概率轮盘的目的节点的选取策略。最后结合云计算仿真平台CloudSim对算法工作的情况进行模拟,验证了算法的调度质量。     

云计算下保障公平性的多资源分配算法

针对云计算平台多资源分配公平性问题,文中在DRF算法基础上,提出了云计算动态资源需求公平分配模型,并提出了基于信誉因子的增强公平性分配算法．算法引入信誉因子,对云中计算节点资源使用情况进行实时评估,对恶意长时间侵占资源行为进行惩罚性分配,刺激节点在任务结束后释放占用资源,确保了平台中其他节点资源配额不受影响．与现有方案相比,基于信誉的增强公平性分配算法在保证分配公平的前提下,增强了对公平性的保障,有效地确保了云计算平台资源调度的公平性、可靠性．     

基于蚁群模拟退火算法的云环境任务调度

针对云计算的MapReduce编程框架,提出一种融合蚁群算法和模拟退火算法的混合调度算法（ACOSA）。该算法以最小化调度时间为目标,引入了任务与资源的匹配因子和负载均衡度,先利用蚁群算法得到一组任务到资源的优化解,然后通过模拟退火算法对解进行路径的优化和信息素的更新。通过扩展Cloudsim云计算仿真平台,对其进行重新编译,实现了所提出的算法,实验结果表明该算法在调度时间、负载均衡等方面表现良好。     

服务机器人云计算平台SOA接口层模型设计

面向云服务机器人在家庭场景下的使用需求,设计了一种基于SOA(service-oriented architecture)架构的云计算平台接口层模型。模型将云计算平台的基本功能定义为元服务,根据数据类型和平台层次将SOA层服务分解为元服务的有序组合,并与服务相关资源组合构成元服务列表,完成服务的分解和重构流程,达到了元服务重组和复用的目的。针对服务执行过程中的服务质量监测问题,采用基于服务描述的服务质量存根保存服务的实时信息,设计服务管理层和服务调度层,通过元服务列表和服务质量存根完成服务的映射和管理工作,实现了服务的动态调度。实验验证了机器人云计算平台SOA接口层模型在服务映射和服务管理方面的可行性和有效性。     

基于云计算的实训资源管理系统设计

基于云计算技术,设计满足开放性、可扩展性、按需部署的高校实训资源管理系统,提出一种现实可行的云计算架构。体现基础设施即服务、平台即服务和软件即服务三个云计算服务形态在实训资源管理系统的应用价值,结合已实现的可运行系统给出了实现的技术和方法。     

基于云计算的多目标服务调度算法的改进研究

在研究现有云计算服务调度算法的基础上,设计了基于QoS的分布式多目标服务调度算法。该算法兼顾用户需求和系统整体性能,依据完成时间、费用、开销和负载均衡多个参数进行服务调度,从而获得较好的调度质量。仿真实验表明该调度算法能够满足云用户的QoS要求,调节云内各种设备的负载均衡,提高云计算平台运行效率。     

一种改进的基于粗糙集的云计算调度模型

针对调度分配效率不高的问题,提出了改进的基于粗糙集MapReduce的分配调度模型,该模型将MapReduce分配的线性处理改造成基于多处理器的模糊计算。描述了具体的实现算法和模型设计,在Hadoop平台上对该模型进行了实验分析。实验结果表明,在复杂云计算环境下,使用基于粗糙集的MapReduce的分配调度模型具有良好的执行效率和扩展性。     

“SOA+云”模式下高校数字化校园模型研究

通过分析SOA、云计算等技术手段,研究构建基于SOA架构和云计算模式的高校数字化校园普适化指导模型,以解决数字化校园建设中存在的问题,达到云计算模式下用户对各类资源的灵活使用,实现从传统计算模式(专用设备)到云计算模式的迁移和过渡。     

基于粒子群优化的云计算低能耗资源调度算法

针对云计算环境中能耗过高问题,提出一种基于粒子群优化方法的云计算低能耗资源调度算法。首先建立了云环境中资源调度的能耗模型;在此模型基础上,指出能耗最优是多目标优化的帕累托(Pareto)最优问题。根据能耗模型,将粒子参数设为服务器分配状态和频率分配状态,从而寻找获得单粒子的局部最优帕累托解集;合并多个粒子最优解集,得到单个分配方案下帕累托全局最优解(Pareto optimality)集合;最后,在不同分配方案对应的最优解集合中寻找最优解。实验验证了所提算法的有效性。与广泛使用的轮询调度算法比较,所提算法的动态能耗为轮询算法的45.5%。