IaaS云服务定价机制的仿真研究

定价机制是影响云计算用户利益和云服务提供商收益的关键因素。本文以IaaS云服务定价机制为研究对象,首先将IaaS云服务定价机制分为固定定价和动态定价2大类,其中固定定价细分为即用即付费和预订定价2种,从理论上分析2类定价机制对IaaS云服务提供商收益的影响;然后,分别建立即用即付费和预订定价机制下IaaS云服务提供商的收益模型,并用启发式算法构建动态定价机制下IaaS云服务提供商的收益模型;最后,基于Repast Simphony建立多主体仿真模型,比较分析3种不同定价机制下IaaS云服务提供商的收益。研究结果表明,随着服务时长和顾客数量的增加,动态定价机制更能为IaaS云服务提供商带来更多收益,同时IaaS云服务提供商可以通过改变服务等级和资源价格等相关参数,改变顾客行为,使顾客数量增加,从而提高收益。     

基于生产函数的效用优化云计算资源调度算法

针对云数据中心资源利用率低,云服务提供商收益低等问题,提出一种基于生产函数的云服务提供商收益最大化同时兼顾用户满意度的资源调度算法;该算法将资源调度分两阶段处理,首先合理规划云服务器所有资源,最优化配置资源,然后结合用户请求,云服务代理从资源池选择配置好的资源并分配资源给用户,通过两阶段的算法实现,解决了云数据中心资源利用率低,云服务提供商收益低等问题;最后通过与基于博弈的效用优化算法比较,仿真结果表明,该调度算法具有更好的性能。     

面向多租户网络资源分配的博弈优化策略

为了应对5G及未来网络中用户间差异化的服务需求,改善多租户网络切片资源利用率低和部署成本高的问题,提出一种基于多租户网络资源分配的博弈优化策略。在多租户网络中,网络切片租户（NSTs）租用基础设施提供商基站的无线频谱资源,将接入服务切片构建为网络切片即服务,为用户提供网络接入服务。将NSTs和用户的关系建模为一个多主多从的Stackelberg博弈,引入切片流行度和服务命中率指标,建立博弈双方的策略空间和收益函数,并证明NSTs的切片订购策略存在唯一的纳什均衡。通过逆向归纳法分析博弈模型,提出一种分布式迭代算法求得用户的最优吞吐量需求以及NSTs的最优切片定价。仿真结果表明,与传统考虑切片资源分配的优化策略对比,基于多租户网络资源分配的博弈优化策略能够有效提高资源利用率和用户满意度,并降低切片部署能耗,较好地实现频谱带宽资源的合理分配。     

基于数据-地理位置联合驱动的5G微基站最优分配策略

由于5G网络服务对峰值速率、时延和节点能耗效率的要求不断增加,为了高效地向用户提供资源,必须构建并解决所涉及的复杂优化问题,以便通过云网络分配资源,即通过高容量网络链路互连的分布式计算完成物理资源调度.通过5G微基站的最优部署,最优化分配网络资源(频谱、带宽、通信、计算等).5G微基站的密集部署保证了海量硬件通信设备的...     

面向5G网络的Stackelberg博弈缓存优化策略

为提高5G网络中的内容缓存效率并降低网络能耗,提出一种基于Stackelberg博弈的缓存优化算法。将网络服务商和内容提供商建模为一个多主多从的Stackelberg博弈模型,内容提供商从网络服务商处购买基站存储空间,以缓存流行和热门内容。构建博弈双方的策略空间和利润函数,并证明给定一组网络服务商的基站租用价格时内容提供商之间存在纳什均衡点。在此基础上,利用分布式迭代算法对博弈模型进行求解,得到网络服务商的基站最优定价和内容提供商的基站最优租用比例。仿真结果表明,与用户QoS优先算法、果蝇算法和全局最优算法相比,该算法能够提高缓存命中率和网络收益,降低网络能耗。     

边缘环境下计算密集型任务调度研究综述

随着移动设备数量的急剧增长及计算密集型应用如人脸识别、车联网以及虚拟现实等的广泛使用,为了实现满足用户QoS请求的任务和协同资源的最优匹配,使用合理的计算密集型应用的任务调度方案,从而解决边缘云中心时延长、成本高、负载不均衡和资源利用率低等问题。阐述了边缘计算环境下计算密集型应用的任务调度框架、执行过程、应用场景及性能指标。从时间和成本、能耗和资源利用率以及负载均衡和吞吐量为优化目标的边缘计算环境下计算密集型应用的任务调度策略进行了对比和分析,并归纳出目前这些策略的优缺点及适用场景。通过分析5G环境下基于SDN的边缘计算架构,提出了基于SDN环境下的边缘计算密集型数据包任务调度策略、基于深度强化学习的计算密集型应用的任务调度策略和5G IoV网络中多目标跨层任务调度策略。从容错调度、动态微服务调度、人群感知调度以及安全和隐私等几个方面总结和归纳了目前边缘计算环境中任务调度所面临的挑战。     

基于虚拟机部署策略的云平台容错即服务方法

针对如何充分利用云基础架构层资源,满足上层云应用系统租户对应用系统容错的需求多样性和高可靠性要求的问题,提出一种面向租户和云服务提供商的、基于虚拟机部署策略的云平台容错即服务方法。该方法根据租户的特定容错需求适配适合的容错方法及容错级别,据此计算并最优化云服务提供商的收益和资源使用量,在此基础上对提供容错服务的虚拟机进行优化部署,充分利用底层虚拟机资源为租户的云应用系统提供更为可靠的容错服务。实验结果表明,所提方法能够在保障云服务提供商收益的基础上,为多租户云应用系统实现更灵活且可靠性更高的容错服务。     

基于队列理论的云资源分配收益最大化算法

为了优化资源分配收益,提出基于时间服务因子TSF资源定价机制下的资源分配算法。首先,算法将资源分配问题形式化为队列模型,并构建了收益最大化函数。然后,通过Lagrange乘子法求解最优化函数的解。利用时间服务因子,算法分别通过安全满意度因子ASF和响应满意度因子RSF定义了资源的定价方式,并同步考虑定价、请求到达率、资源服务率及可用资源量,得到了使收益最大化的资源分配方式。实验结果表明,与传统的启发式资源分配算法比较,该算法得到的收益更高,且尤其在云资源数量较稀少的场景下,算法将更加具有优势。     

基于改进式贪婪算法的5G网络切片动态资源调度策略

为了解决移动通信网络中资源利用率和用户体验质量的瓶颈问题,5G 引入网络切片来应对用户的巨大资源需求。提出了一种基于改进式贪婪算法的网络切片动态资源调度策略,在切片调度和用户调度阶段,设计了一种两层模型,即切片?用户模型,并且结合改进式贪婪算法,使服务权重值最大的切片和优先级最高的用户组合,完成相应的服务。该方法是将全局资源最优问题简化为规模更小的子问题,通过每一次切片和用户的最佳组合,从而使整个系统的资源和用户的体验质量达到最优。Matlab的仿真结果表明,基于改进式贪婪算法的网络切片动态资源调度策略在系统剩余资源利用率、系统达到平均的QoE水平、系统吞吐量等方面都显优于现行的资源调度策略,能够更好地满足用户的需求。     

基于改进量子遗传算法的云计算资源调度

针对云计算环境下资源的高效调度问题,当前研究较少关注云服务提供商的服务成本,为此,以云服务提供商降低最小服务成本为目的,提出了改进量子遗传算法的云资源调度算法。由于采用二进制量子位表示的染色体无法描述资源调度矩阵,该算法将量子位的二进制编码转换为实数编码,并使用旋转策略和变异算子保证算法的收敛性。通过仿真实验平台将此算法与遗传算法和粒子群算法进行比较分析,在种群迭代次数为100的情况下,分别取种群数为1和10,实验结果表明该算法能取得更小的最小服务成本。     

面向5G边缘计算的Kubernetes资源调度策略

容器云是5G边缘计算的重要支撑技术,5G的大带宽、低时延和大连接三大特性给边缘计算带来较大的资源压力,容器云编排器Kubernetes仅采集Node剩余CPU和内存两大资源指标,并运用统一的权重值计算Node优先级作为调度依据,该机制无法适应边缘计算场景下精细化的资源调度需求。面向5G边缘计算的资源调度场景,通过扩展Kubernetes资源调度评价指标,并增加带宽、磁盘两种评价指标进行节点的过滤和选择,提出一种基于资源利用率进行指标权重自学习的调度机制WSLB。根据运行过程中的资源利用率动态计算该应用的资源权重集合,使其能够随着应用流量的大小进行自适应动态调整,利用动态学习得到的资源权重集合来计算候选Node的优先级,并选择优先级最高的Node进行部署。实验结果表明,与Kubernetes原生调度策略相比,WSLB考虑了边缘应用的带宽、磁盘需求,避免了将应用部署到带宽、磁盘资源已饱和的Node,在大负荷与异构请求场景下可使集群资源的均衡度提升10%,资源综合利用率提升2%。     

基于改进多目标布谷鸟搜索的资源调度算法

针对IaaS(Infrastructure as a Service)云计算中资源调度的多目标优化问题,提出一种基于改进多目标布谷鸟搜索的资源调度算法。在多目标布谷鸟搜索算法的基础上,通过改进随机游走策略和丢弃概率策略提高了算法的局部搜索能力和收敛速度。以最大限度地减少完成时间和成本为主要目标,将任务分配特定的VM(Virtual Manufacturing)满足云用户对云提供商的资源利用的需求,从而减少延迟,提高资源利用率和服务质量。实验结果表明,该算法可以有效地解决IaaS云计算环境中资源调度的多目标问题,与其他算法相比,具有一定的优势。     

基于微服务的电网云平台运维技术研究综述

随着云计算技术的快速进步与广泛应用,企业信息化建设得以迅速发展,为了探索面向大规模微服务应用的云平台运维关键技术,提升微服务架构下云平台的运维保障能力,针对微服务云平台运维工作与相关技术展开调研;首先介绍了当前微服务云平台运维工作的背景与特点,阐述了云平台运维工作的国内外研究现状并进行分析;根据微服务云平台运维工作的特点,将云平台运维技术主要分为监控运维、资源调度与故障分析三类,分别综述每一类运维技术的研究现状,并分析每类运维技术中不同方法的优缺点;最后,结合工业需求、当前技术的不足、以及微服务云平台运维工作的特点分析了云平台运维工作的未来发展趋势,并且对微服务云平台重要的运维技术也进行了总结与展望。     

服务质量感知的云应用资源自适应配置

针对部署在云环境下的云应用资源配置优化问题,提出了通过感知服务质量变化自适应配置云应用资源的策略。设计了一种基于采集到的历史运行指标数据生成贝叶斯网络概率推理模型,并利用预定义应用服务质量目标（Service Level Objectives,SLO）找到资源超配或不足的虚拟设备,生成资源优化方案。在仿真环境下验证测试结果显示,开启自适应配置算法的云应用请求响应时间指标明显优于未开启的云应用。     

A green energy-efficient scheduling algorithm using the DVFS technique for cloud datacenters

Information and communication technology (ICT) has a profound impact on environment because of its large amount of CO₂ emissions. In the past years, the research field of “green” and low power consumption networking infrastructures is of great importance for both service/network providers and equipment manufacturers. An emerging technology called Cloud computing can increase the utilization and efficiency of hardware equipment. The job scheduler is needed by a cloud datacenter to arrange resources for executing jobs. In this paper, we propose a scheduling algorithm for the cloud datacenter with a dynamic voltage frequency scaling technique. Our scheduling algorithm can efficiently increase resource utilization; hence, it can decrease the energy consumption for executing jobs. Experimental results show that our scheme can reduce more energy consumption than other schemes do. The performance of executing jobs is not sacrificed in our scheme. We provide a green energy-efficient scheduling algorithm using the DVFS technique for Cloud computing datacenters.     

Characterizing application scheduling on edge,fog, and cloud computing resources

Cloud computing has grown to become a popular distributed computing service offered by commercial providers. More recently, edge and fog computing resources have emerged on the wide-area network as part of Internet of things (IoT) deployments. These three resource abstraction layers are complementary, and offer distinctive benefits. Scheduling applications on clouds has been an active area of research, with workflow and data flow models offering a flexible abstraction to specify applications for execution. However, the application programming and scheduling models for edge and fog are still maturing, and can benefit from learnings on cloud resources. At the same time, there is also value in using these resources cohesively for application execution. In this article, we offer a taxonomy of concepts essential for specifying and solving the problem of scheduling applications on edge, fog, and cloud computing resources. We first characterize the resource capabilities and limitations of these infrastructure and offer a taxonomy of application models, quality-of-service constraints and goals, and scheduling techniques, based on a literature review. We also tabulate key research prototypes and papers using this taxonomy. This survey benefits developers and researchers on these distributed resources in designing and categorizing their applications, selecting the relevant computing abstraction(s), and developing or selecting the appropriate scheduling algorithm. It also highlights gaps in literature where open problems remain.     

QoS约束的云经济资源管理模型研究

提供用户满意的、具有QoS约束的云计算应用是云计算面临的一大难题。提出了以商品市场为原型的云计算经济资源管理模型,其通过云用户与供应商的SLA协商,实现应用服务层QoS到资源设备层QoS的映射,最后利用效用函数的管理策略实现资源的优化调度。