基于改进蚁群算法的网格组合拍卖资源分配

网格计算资源分配是一类组合优化问题,即如何将网格计算资源有效地分配到用户任务.针对当前网格环境中资源繁多的特点.为了更好地提高网格计算资源的利用率和资源分配的时间效率,提出了一种新的方法,采用一种通过改进转移概率准则和信息素的蚁群算法来解决网格组合拍卖模型中计算资源的优化分配问题.仿真结果表明,该算法能够保证在一个拍卖周期内满足服务的最大用户数和最短的平均等待时间,证明了改进蚁群算法在网格计算资源合理分配上的有效性.     

一种面向服务网格的通用框架及服务访问模型

网格资源的表示、组织、部署、发现、创建、使用和撤销是网格计算的重要研究问题,随着Webservices技术和服务网格理念的逐步成熟,以“服务”的方式来包装网格资源已经成为了一种趋势,并得到了网格界的一致认同。由于网格资源的“充足性”及“共享性”,采用池的方式来组织网格资源,以及把网格资源包装成服务,是一种很合理的方式。用户对网格的一次访问过程包括访问场景的创建,访问的实施,以及实施完成后的撤销,具有生命期的特征,而这正是虚拟组织所具有的功能,基于虚拟组织来设计服务访问模型是很合理的。基于物理资源池、服务池以及虚拟组织的思想,文章提出了面向服务网格的通用框架模型及服务访问模型VSP,VSP模型被用于指导HowU信息处理平台的设计。     

网格资源模型综述

网格计算将广域网上的各种计算资源、信息资源、设备资源等集成起来,以统一的方式向用户提供服务,是当前网络计算领域的研究热点.其中资源模型是关系到广域分布式环境中资源共享和协同工作效率的关键.本文介绍了网格中的资源模型的主要研究内容,以及国内外相关领域的研究现状.     

网格计算池模型实现的一些关键技术研究

网格计算池是近年来针对传统“累加”式网格计算模型中网络带宽受限制、通信延迟、通用性不强等缺陷提出的一种新型网格模型。并行计算环境与任务调度管理作为超级计算资源中的重要组成部分,由于其专业性与普及度的影响,长期以来应用的侧重点都更多地在于计算的速度与效率上,在系统开放性上并不注重,对于其二次开发如在网格计算池中的应用更是不多见。就并行计算环境的优化、针对于网格计算池模型应用中的配置和任务调度管理软件以及利用IFL实现网格计算池模型接口中的一些关键问题进行了研究。     

基于有机计算的网格资源管理模型的研究

网格的复杂性日益增加,网格资源管理成为一项复杂的任务.有机计算能采取适当的措施使网格环境实现自我管理,隐蔽网格系统的复杂性.文中给出网格资源管理的层次式模型,该模型具有四层:本地资源层、全局资源层、本地服务层和用户层.并将该模型嵌入有机计算体系结构中,灵活使用有机计算中的观测器和控制器对网格中各种资源进行监测和控制.该基于有机计算的网格资源管理模型中的观测器和控制器除了具备原有的功能外,还结合网格资源动态、异构、分布等特点,添加了新的功能模块,以方便对网格资源进行管理.该模型有效地提高了资源分配效率,优化了网格资源管理的性能.     

基于Globus的流媒体网格信息服务系统

流媒体网格系统信息服务需要整合网格系统中各种静态、动态的资源信息,提供统一的信息访问接口.Globus MDS提供了一种网格信息服务系统,适用于计算网格的信息服务,但不能完全适用于流媒体网格.介绍了Globus的信息服务模型,讨论如何基于Globus MDS构建适合流媒体网格的信息服务系统.针对Globus MDS的层次式查询机制,使用信息缓存和哈希查询技术对其进行改进.实验表明,改进的查询机制可以提高信息的查询效率,满足实时流媒体服务要求.     

一种基于市场机制的随机服务系统模型

在市场机制的网格环境中对大量的用户进行有效的排队是很有必要的。本文以随机服务系统理论为基础针对网格计算提出了一种基于市场机制的资源分配系统的接受用户服务的模型。该模型可以提高计算网格资源的随机服务系统性能及其运行的优化和缓解网络堵塞和系统忙,可以提高网格资源分配的均衡和网格系统的运行效率。     

一种基于校园网的通用网格平台

结合网格技术提出了一种基于校园网的通用网格平台模型,将校园内各单位的计算资源整合起来,形成一个功能强大的计算池,从而方便校园网用户使用和提高校内资源的利用率。     

基于反馈机制的网格动态授权新模型

网格现有的授权系统存在静态性问题,表现为没有提供机制来反馈用户对授予的权限的使用情况.当一个本来可信的用户或服务变成不可信时,授权系统不能及时发现,对其权限进行调整可能导致恶意用户对网格系统的破坏.因此,在授权系统中建立反馈机制,根据用户的行为动态地调整用户角色,对于网格系统的安全具有重大意义.文中分析了网格中现有的授权系统及信任模型的特点,指出它们存在的不足.在此基础上提出一种基于反馈机制的动态授权新模型,很好地解决了现有授权系统的静态性的缺点.该模型是对CAS授权系统的改进,增加了反馈机制和信任度计算机制.其中,信任度计算机制中提出的基于行为的分层信任新模型较以往的信任模型相比,使用服务权值来区分重要服务和普通服务,从而保护了网格中的重要服务并且能有效地抑制恶意节点的行为;文中提出了一种新的更加精确地计算域间推荐信任度的方法,从而解决了不诚实反馈的问题.反馈机制则利用基于行为分层信任模型给出的用户信任度的变化,实现了根据用户的行为动态调整他的角色.文中还设计了三组模型实验,分别验证新模型的特点、对网格中恶意实体行为的抑制情况,从不同的角度对模型进行了实验,对基于行为的分层信任模型对行为的敏感性、收敛性、有效性及合理性加以了证明.     

一种高效的制造网格认证模型设计

针对制造网格的组织结构和工作流程复杂,传统的基于Globus的GSI认证机制在制造网格中的认证效率低下,从而降低整个网格资源的利用率的问题;提出一种改进的GSI认证模型,将用户证书和代理证书申请和签署集成在网格Portal上,在原有网格Portal服务器上部署CA认证模块,并增加MyProxy服务器,存储用户的个人证书和用户映射表,在其上部署代理证书签署模块;用户通过认证后即可提交任务、访问跨域资源,提高了制造网格的认证效率.     

雾计算中支持计算外包的访问控制方案

在雾计算中,基于密文策略属性加密（Ciphertext-Policy Attribute-Based Encryption,CP-ABE）技术被广泛用于解决数据的细粒度访问控制问题,然而其中的加解密计算给资源有限的物联网设备带来沉重的负担。提出一种改进的支持计算外包的多授权CP-ABE访问控制方案,将部分加解密计算从物联网设备外包给临近的雾节点,在实现数据细粒度访问控制的同时减少物联网设备的计算开销,适用于实际的物联网应用场景。从理论和实验两方面对所提方案的效率与功能进行分析,分析结果表明所提方案具有较高的系统效率和实用价值。     

雾计算平台的任务调度算法研究

雾计算平台中的任务调度问题是无法在多项式时间复杂度内求取精确解的NP-问题。本文在根据雾计算任务调度流程,构建雾计算平台任务调度数学模型基础上,采用改进人工蜂群算法,将任务调度映射为蜂群寻找蜜源的过程,在种群初始化阶段过引入混沌思想,改善了人工蜂群算法缺陷,扩大了蜂群搜索范围,避免陷入局部最优解。实验结果表明,改进后的人工蜂群算法具有更快的算法收敛速度,算法解析所对应的任务调度策略,也具有更高的任务处理总性能,表明本文所研究的改进人工蜂群算法,达到了提高雾计算资源利用率,提高雾计算任务处理效率的目的。     

改进的自动回归网格主机负载预测模型

网格计算中对资源的有效预测能很好的改进任务分配和作业调度的策略，提高它们的执行效率，作为网格资源预测的核心？主机负载的预测显得尤为重要。文中提出了一种基于AR改进的主机负载预测模型，它不仅具有AR模型本身的计算成本小、预测性能稳定的优点，还对AR模型只对未来某个固定时间段的负载预测进行了改进，使之能根据作业的预测执行时间进行主机负载动态预测，同时该改进模型还充分体现了主机负载变化的自相似性和长期依赖性，实验结果表明，该模型达到了预期的效果。     

云计算下的基于萤火虫-遗传算法的资源调度

如何能够最大限度发挥云计算中资源调度效率是目前研究的热点之一.首先建立云计算环境下的资源调度模型,将萤火虫算法中的个体与云计算节点资源进行对应,其次在算法中个体初始化中引入遗传算法优化初始解,对算法中的位置更新设定感觉阀值用来调节个体选择最优路径的概率;最后针对挥发因子的改进使得荧光素的值进行更新.仿真实验表明,该算法能够有效的提高云计算中的资源调度性能,缩短了任务完成的时间,提高系统整体处理能力.     

基于云计算的ACO-K中心点资源优化算法

云计算是计算网络模型研究的热点领域,能实现几种资源共享和资源动态配置。然而,云计算中存储资源如何快速路由,减少动态负荷,兼顾全局负载平衡是有待解决的问题。ACO是一种仿生优化算法,具有健壮性强、智能搜索、全局优化、易与其他算法结合等优点。K中心点算法是K均值的改进算法,鲁棒性强,不易受极端数据的影响。结合这两种算法的优点,提出一种基于云计算环境下的ACO-K中心点资源分配优化算法,得到最优的计算资源,提高云计算的效率。通过仿真验证了该算法的有效性。     

基于普适计算的虚拟场景自适应网络发布研究

针对移动设备访问三维虚拟场景受到网络带宽和终端计算能力的制约,使得在线利用虚拟现实进行移动学习效率不高,基于此提出了基于普适计算的自适应优化选择技术.对三维实体进行本体语义描述,建立相应的优化模型.在此基础上通过WURFL对手持移动设备进行采样获取设备参数,对参数进行分析从而建立普适规则,利用普适计算进行自适应优化选择.测试结果表明,经过自适应选择后手持移动设备荻取三维虚拟场景资源的速度和效率得到明显提高.     

Adapting scientific computing problems to clouds using MapReduce

Cloud computing, with its promise of virtually infinite resources, seems to suit well in solving resource greedy scientific computing problems. To study this, we established a scientific computing cloud (SciCloud) project and environment on our internal clusters. The main goal of the project is to study the scope of establishing private clouds at the universities. With these clouds, students and researchers can efficiently use the already existing resources of university computer networks, in solving computationally intensive scientific, mathematical, and academic problems. However, to be able to run the scientific computing applications on the cloud infrastructure, the applications must be reduced to frameworks that can successfully exploit the cloud resources, like the MapReduce framework. This paper summarizes the challenges associated with reducing iterative algorithms to the MapReduce model. Algorithms used by scientific computing are divided into different classes by how they can be adapted to the MapReduce model; examples from each such class are reduced to the MapReduce model and their performance is measured and analyzed. The study mainly focuses on the Hadoop MapReduce framework but also compares it to an alternative MapReduce framework called Twister, which is specifically designed for iterative algorithms. The analysis shows that Hadoop MapReduce has significant trouble with iterative problems while it suits well for embarrassingly parallel problems, and that Twister can handle iterative problems much more efficiently. This work shows how to adapt algorithms from each class into the MapReduce model, what affects the efficiency and scalability of algorithms in each class and allows us to judge which framework is more efficient for each of them, by mapping the advantages and disadvantages of the two frameworks. This study is of significant importance for scientific computing as it often uses complex iterative methods to solve critical problems and adapting such methods to cloud computing frameworks is not a trivial task.     

基于HYB格式稀疏矩阵与向量乘在CPU+GPU异构系统中的实现与优化

稀疏矩阵与向量相乘SpMV是求解稀疏线性系统中的一个重要问题,但是由于非零元素的稀疏性,计算密度较低,造成计算效率不高。针对稀疏矩阵存在的一些不规则性,利用混合存储格式来进行SpMV计算,能够提高对稀疏矩阵的压缩效率,并扩大其适应范围。HYB是一种广泛使用的混合压缩格式,其性能较为稳定。而随着GPU并行计算得到普遍应用以及CPU日趋多核化,因此利用GPU和多核CPU构建异构并行计算系统得到了普遍的认可。针对稀疏矩阵的HYB存储格式中的ELL和COO存储特征,把两部分数据分别分割到CPU和GPU进行协同并行计算,既能充分利用CPU和GPU的计算资源,又能够发挥CPU和GPU的计算特性,从而提高了计算资源的利用效能。在分析CPU+GPU异构计算模式的特征的基础上,对混合格式的数据分割和共享方面进行优化,能够较好地发挥在异构计算环境的优势,提高计算性能。     

边缘计算模式下全同态加密智能合约设计

区块链产生的成千上万的交易信息数据不断被收集到区块链中,会给区块链网络的计算资源和存储空间造成极大负担。为了解决区块链网络计算资源不足和存储空间有限的问题,我们将边缘计算模式应用于联盟链Hyperledger Fabric系统中,在区块链中设计了基于边缘计算模式的智能合约,以提高区块链的存储空间和运行效率。在此基础上,针对区块链存在的数据和用户身份隐私的风险,提出了基于边缘计算模式的全同态加密智能合约。在执行智能合约过程中,调用了微软的全同态加密SEAL库,边缘节点的身份信息和区块链的交易数据受到全同态加密算法BFV的保护,在保持交易数据可计算性的同时,实现了交易信息和边缘节点身份的隐私保护。最后,经过测试和分析,边缘计算模式下的原型系统在14个边缘节点同时访问时的单节点平均访问时间仅为139.68ms,相比于非边缘计算模式下的原型系统具有更好的性能;相比目前响应较快的加密联盟链系统FabZK,本系统平均用时减少35.84%,相比效率提升55.86%。设计的边缘计算模式下的全同态加密智能合约可以有效提高Hyperledger Fabric系统中网络的运行效率,同时减少了对存储空间的要求...     

基于分布式计算的月度机组组合高效算法设计

月度机组组合是电力系统运行方式安排的重要内容。随着电网规模的不断扩大,月度机组组合计算规模快速增加。传统的月度机组组合计算方法在计算效率上已不能满足当前系统要求。为此,介绍了分布式计算基本概念,提出了一种基于混合维度粒子群算法的分布式计算方法。根据月度机组组合模型实际,设计了面向月度机组组合问题的分布式高效计算方法,通过将传统串行计算转换为并行计算,提升了整体计算效率。最后基于某电网实际构造算例,验证了本文所提出方法的有效性。