基于大数据技术的网络多媒体教学远程协作平台设计

为了提高网络多媒体教学远程协作和数据调度分配能力，提出基于大数据技术的网络多媒体教学远程协作平台设计方案。采用资源大数据特征匹配分析和物理核心资源检测方法，提取网络多媒体教学远程协作资源分布的信息熵，采用资源协作分配调度的方法，分析网络多媒体教学远程协作过程中的大数据资源调度特征分配特征量，采用自适应的协作控制和资源匹配调度方法，构建网络多媒体教学远程协作的控制目标分配函数，采用动态匹配方法进行网络多媒体教学资源关联性挖掘，构建网络多媒体教学远程协作的大数据挖掘和信息融合模型，通过优先级调度和动态分配方法，实现网络多媒体教学远程协作过程中的教学资源动态分配。在Linux和.NET Framework 4.0构架体系下，实现网络多媒体教学远程协作平台的软件开发设计。仿真结果表明，采用该方法进行网络多媒体教学远程协作平台设计，提高了网络多媒体教学资源的动态分配和挖掘能力，平台的数据融合度水平较高，信息交互能力较强。     

大规模容器云平台海量软件数据资源实时监控方法

为提高容器云资源监控效果，设计一种大规模容器云平台海量数据资源实时监控方法。首先采集容器云资源数据，对海量软件数据资源进行格式变换，将数据转换成有监督问题的时间序列，再采用统计模型的方式对每个数据资源进行建模和匹配，并对各部分软件数据资源进行分割，最后采用序列化蒙特卡洛方法对云平台海量软件数据资源实时监控。实验结果表明，设计方法能够准确监测出容器云中软件数据资源集群变化情况，在各个项目的监测上，监控准确率均在95%以上，监测速度较快，最多花费9 s就能够实现软件数据资源变化情况的监控，证明所提出方法能够有效提高容器云海量软件数据资源的监控效果。     

基于贪心算法的容器云资源低能耗部署方法

将容器云平台资源整体能耗最低作为目标,设计基于贪心算法的容器云资源低能耗部署方法。在物理主机与虚拟机对应、虚拟机与容器对应等约束条件下,结合静态和动态两个部分构建容器云资源能耗模型。通过资源虚拟化与去除冗余两个步骤,得到容器云资源的整合结果。检测物理机负载状态,确定虚拟机迁移源物理机和目标物理机,利用贪心算法均衡调度容器云资源负载,最终通过容器云资源编排重组,实现容器云资源低能耗部署。通过与传统部署方法的对比得出结论：在优化设计部署方法下,容器云资源的利用率和负载均衡度得到明显提升,能量损耗明显下降。     

基于改进的Stacking集成模型的容器云负载预测研究

容器云的迅速发展使业务量迅速增加，对容器资源利用率的未来趋势进行预测，从而提前分配资源来提高资源的利用率并且降低资源的浪费是一种合理的做法。为了实现对容器云资源的合理预测，提出一种基于改进的Stacking集成方法的云资源负载预测模型。模型的第一阶段是通过设立基学习器对云资源负载数据进行特征选择，降低数据集特征的复杂度。第二阶段是使用GA-BP神经网络模型改进的DBN模型(DBN-GA-BP)对第一阶段的特征选择数据进行集成预测。实验结果表明，与单一模型和未改进的Stacking模型对比，该模型具有更高的预测精度。     

基于粗糙集的容器云系统健康度评价建模

现在容器云平台容器数目日益增加,相关监控数据爆炸式增长,而现有的运行在容器内的微服务监控软件监控指标不仅种类繁多,配置繁琐,并且往往只是直接给出监控数据,没有根据得到的监控指标对系统的健康度进行度量。针对该问题,提出了一种新的基于粗糙集的容器云系统健康度评价模型。通过建立的粗糙集云系统健康度评价模型,可以直观地反映整个集群的健康程度。首先通过信息熵对监控到的连续属性进行断点分割,离散化处理,然后利用粗糙集理论实现对监控数据进行知识约简、一致性检查和决策表建立,从而建立了基于粗糙集和信息熵的集群健康度指标模型。最后,通过Kubernetes容器云平台分别进行计算密集负载和网络密集负载仿真实验,实验结果表明,该模型能够反映集群的性能和对异常进行检测。     

面向高校教学云服务的虚拟机动态调度方法

随着教学信息化的不断深化,高校云平台越来越普及,但是实际应用中资源利用率仍然较低,核心问题在于当前的虚拟机调度机制未考虑高校教学应用的特征,从而导致负载不均和资源浪费。为了解决这一问题,从高校教学应用需求出发,提出了一种虚拟机动态调度算法(CRS),定义了课程虚拟机模型和物理机负载模型,并实现了基于OpenStack开源云平台的可对虚拟机进行动态调度的校园云平台。实验表明,提出的虚拟机动态调度方法达到了降低能耗及实现负载均衡的目标。     

基于Docker的云资源弹性调度策略

针对云资源弹性调度问题,结合Ceph数据存储的特点,提出一种基于Docker容器的云资源弹性调度策略。首先,指出Docker容器数据卷不能跨主机的特性给应用在线迁移带来了困难,并对Ceph集群的数据存储方法进行改进;然后,建立了一个基于节点综合负载的资源调度优化模型;最后,将Ceph集群和Docker容器的特点相结合,利用Docker Swarm实现了既考虑数据存储、又考虑集群负载的应用容器部署算法和应用在线迁移算法。实验结果表明,与一些调度策略相比,该调度策略对集群资源进行了更细粒度的划分,实现了云平台资源的弹性调度,并在保证应用性能的同时,达到了合理利用云平台资源和降低数据中心运营成本的目的。     

基于改进蛙跳算法的云计算资源调度

资源合理调度是云计算研究热点。为了提高云计算资源的调度效率,提出一种改进蛙跳算法的云计算资源调度方法。首先对云资源调度问题进行分析,建立云资源调度的目标函数,然后采用蛙跳算法对云资源调度问题进行寻优,并将对蛙跳算法进行改进,加快搜索速度,以提高算法学习能力。实验结果表明,相对于其他云计算资源调度方法,该方法可以更快找到最优云计算资源调度方案,使云计算资源负载更加均衡,提高云计算资源的利用率。     

全局负载均衡下云环境中的大数据动态迁移方法

在云环境中,数据负载均衡化速度较慢且易出现数据倾斜,这严重干扰了系统状态。为了减小数据迁移的代价,提出一种在全局负载均衡下云环境中的大数据动态迁移方法。首先构造负载均衡模型,在均衡负载下计算数据迁移成本,并给出最小数据迁移成本模型。计算数据迁移成本并评估虚拟机数据负载资源利用率,从而使数据重载的服务器转移到数据轻载的服务器上,达到云环境中的数据均衡化。仿真实验结果证明,所提方法提高了数据负载的均衡化速度和均衡效率,降低了数据迁移成本,且提高了资源利用率。     

一种云环境中的动态细粒度资源调度方法

云计算平台中普遍采用固定资源量的粗粒度资源分配方式,由此会引起资源碎片、过度分配、低集群资源利用率等问题.针对此问题,提出一种细粒度资源调度方法,该方法根据相似任务运行时信息推测任务资源需求;将任务划分为若干执行阶段,分阶段匹配资源,从分配时间和分配资源量两方面细化资源分配粒度;资源匹配过程中,基于资源可压缩特性进一步提高资源利用率和性能;采用资源监控、策略调整、约束检查等机制保证资源使用效率和负载性能.在开源云资源管理平台中,基于细粒度资源调度方法实现了调度器.实验结果表明：细粒度资源调度方法可以在不丧失公平性且调度响应时间可接受的前提下,细化资源匹配的粒度,有效提高云计算平台资源利用率和性能.     

面向校园云平台的虚拟机调度机制

随着教学信息化的不断深化,校园云平台越来越普及,但是实际应用中资源利用率仍然较低,核心问题在于当前的虚拟机调度机制未考虑校园应用的特征,从而导致负载不均和资源浪费。为了解决这一问题,提出面向校园云平台的虚拟机调度机制,定义课程需求模型、物理机负载模型,并在此基础上提出虚拟机部署方法。该机制可适应教学应用周期性、可预测性、批量性等特点,并实现节能及负载均衡的目标。实际平台验证表明,该机制可有效降低能耗并实现负载均衡。     

基于OpenStack的高资源利用率Docker调度模型

在现有OpenStack云平台与Docker容器技术的集成方案中,基于容器初始资源请求的调度模型由于未充分考虑容器运行时的实际资源使用情况,导致资源利用率较低。为满足云计算领域的高资源利用率和低成本需求,构建基于OpenStack云平台的Docker调度模型（DSM）,将其与OpenStack的Keystone、Glance以及Neutron组件的API进行交互,获取创建容器所需的镜像、网络等资源,同时调用Docker Engine提供的API部署容器,对容器生命周期进行高效灵活管控。通过融合初始化模块、资源实时感知模块、容器调度模块、资源实时监测模块和容器迁移模块,并在容器调度模块中利用资源可用度评估与优先级决策调度机制为容器选择最优的计算节点,实现OpenStack云平台中资源的高效利用。实验结果表明,与经典Nova-Docker和Yun集成方案采用的调度模型相比,DSM调度模型在CPU和内存利用率上至少提升38.54、30.17个百分点和38.40、28.69个百分点。     

基于SaaS的弹性云平台优化调度策略设计

云计算平台利用虚拟化技术使软件应用变得更有效率的同时, 也给资源管理和服务调度带来了挑战。在研究了软件服务（SaaS）与基础设施服务（IaaS）调度的区别基础上, 重点考虑SaaS层的资源调度, 提出基于随机理论的调度模型, 把该层调度描述成一种多目标的优化问题。除了服务质量的要求, 还考虑了弹性这一云服务的重要特性, 并提供了任务调度与弹性服务副本的匹配策略。实验表明本调度机制的设计优化了云平台的整体性能, 达到了较好的负载均衡与资源利用率。     

一种基于深度学习的云平台弹性伸缩算法

为了满足性能要求，降低资源消耗，研究人员提出了许多伸缩调度的算法和方案。但是，它们中的大多数只作用在服务器或应用程序的当前状态，无论是资源实际的调度效果还是算法方案的适用性上都受到了影响和限制。本文提出一种基于长短期记忆网络和BP神经网络的面向应用的弹性伸缩算法。该算法包括工作负载预测模型、响应时间预测模型和资源调整策略模型，能够对云计算应用的工作负载和响应时间进行预测并给出合适的资源调度策略。为了提高工作负载预测的准确度，本文将卷积运算和长短期网络结合起来，更好地提取数据特征并进行准确地预测。而为了提高模型收敛速度,并有效避免模型过拟合的问题，本文则在BP神经网络中使用批标准化运算。在验证实验中，该算法工作负载预测的平均绝对百分误差降低到3.4×10-4，响应时间预测和调度策略模型也达到了不错的效果。在实际平台运行中，该弹性伸缩算法还能够根据Docker容器云平台实际需要提供合适的计算资源调度策略。实验结果表明，相比较其他模型，该弹性伸缩算法在工作负载预测和云平台计算资源调整方面具有较好的性能。     

容器云多维资源利用率均衡调度研究

在OpenShift容器云平台上针对其调度策略进行研究和改进,提出了基于多维资源空闲率权重的评价函数和调度方法。该方法综合考虑物理节点CPU、内存、磁盘、网络带宽空闲率和已部署的容器应用个数等因素,利用模糊层次分析法（fuzzy analytic hierarchy process,FAHP）自动建模求解容器应用多维资源权重参数。实验表明,新的调度方案能够使集群多维资源利用率更加均衡,从而提升资源的利用率和集群性能。     

基于Xen虚拟化技术的弹性云架构

云计算通过虚拟化技术为用户提供基础架构即服务(IaaS),IaaS平台上应用和服务的负载是动态变化的,这就导致其对虚拟资源的需求也是动态变化的.因此收集和分析云平台内部虚拟资源的占用量,根据需求对其进行弹性调度就成为提高整个云计算平台服务性能和资源利用率的关键.从负载均衡和降低云平台使用者成本的角度出发,根据云平台内部...     

云计算中负载优化模型及算法研究

云计算环境的动态性和异构性,使得云计算很容易出现负载失衡现象,严重影响了云计算的整体性能和用户体验.论文提出了基于改进遗传算法的负载均衡优化模型,兼顾资源需求动态变化和虚拟机的计算能力,建立相应的资源调度模型,运用改进遗传算法实现资源负载均衡.验证表明,该算法能很好满足云环境下数据中心的使用要求,提高资源利用率和负载均衡度.     

基于随机模型的云平台资源调度策略设计

针对云计算资源管理的实际需求,提出一种基于随机模型的云平台调度策略,设计合理高效的资源调度算法,解决传统代数模型请求丢失率高以及其他随机模型负载均衡指标性能较差的问题,从而在服务性能和执行效率的基础上保证服务器的资源负载,使云平台处于相对稳定的状态。在实验环境中的验证结果表明,该调度策略能够优化虚拟资源的使用效率和服务响应时间,同时能够达到较好的负载均衡并降低运营成本。     

一种适用于Docker Swarm集群的调度策略和算法

Swarm是基于Docker容器的集群管理工具。通过分析研究Swarm整体架构和调度策略,针对集群的资源碎片问题和负载均衡问题,提出一种静态平衡和动态预测相结合的容器调度算法。通过测试,该算法能够减少集群的静态资源碎片,提高集群资源的利用率,并能维持集群的负载均衡。     

云数据中心基于负载权重的负载均衡调度算法

针对现有云数据中心的多维资源利用不均衡问题,提出基于资源负载权重的动态多资源负载均衡调度算法。算法结合服务器各维度资源动态负载情况,构造层次分析法（AHP）判断矩阵来处理多维资源对于负载均衡影响权重大小,在此基础上综合考虑任务资源需求,将任务放置到合适服务器来改善资源利用,实现资源间负载均衡。平台仿真显示新算法可有效提高利用率低的资源的利用效率,在提高整体资源利用率、降低资源间负载不均衡率方面有优势。