基于合同网模型的多代理协作研究

传统的合同网模型通过招标服务代理和投标服务代理之间的招投标,可以在Internet这样的开放异构环境下实现任务的协作求解.但传统合同网模型也存在一些如协作过程中网络通信量较大以及对服务代理能力和负载变化缺乏适应性等问题.为此,本文提出了等级域和时间消耗的概念,并将其引入到传统合同网中,建立了一个基于等级域和时间消耗的合同网模型.根据服务代理的能力和协作成功率,在传统合同网功能域中划分了三个等级域,使得服务代理间的协作大量发生在第一等级,同时在选择服务代理时,考虑了其时间消耗的因素.理论分析和实验表明,这个新模型能够降低查找协作服务范围,降低协作求解过程中的通信量,而且能使系统中服务代理的负载更均衡.     

多Agent复杂诊断系统分布式协同求解研究

针对当前大型复杂设备故障诊断的实时性、智能化要求,以组件化思想为基础,建立了基于多Agent的分布式智能故障诊断系统模型,讨论了基于MAS的分布式系统诊断的方法和协同求解问题.提出包含分布式诊断融合决策模块的Agent一般模型,分析了分布式协同求解的任务分解、分配和协作求解问题,并运用CBR方法实现了单个Agent内部推理以及多Agent的协作.仿真实验表明,该系统能高效、准确地诊断故障,具有较好的主动性、适应性和交互诊断性.     

云计算中基于QoS的调配优化算法

研究和设计云计算环境下一种优化的基于QoS约束的调配算法,并验证其正确性。在QoS需求下采用具有服务等级协议(SLA)参数的约束条件,对任务划分优先级,形成优先级队列。SLA服务参数采用二进制权值的方法进行标记,避免了作业分级重叠的情况。在对该任务分配计算资源时,采用资源等级队列的方法,分配合理的工作节点。通过对几种算法的比较实验,验证优化算法运转的鲁棒性和正确性。     

基于UM-PRS的多Agent解释器设计

针对单个Agent不能应对复杂任务需求的问题,通过在UM-PRS平台上设计一种改进的BDI(Belief Desire Intention)模型Agent解释器,即对解释器数据存储结构进行优化,并添加一个用来支持多Agent之间通信协作的通信模块,使原来的单个Agent具有了与其它一个或多个Agent合作高效完成复杂任务的能力,并通过仿真验证了改进的BDI模型Agent解释器的有效性。     

一种基于伦理学的多Agent系统模型

多Agent系统是多个自治Agent相交互、协同、合作形成的社会。伦理学是以道德为研究对象的科学。目前存在的多Agent系统模型的主要有BDI模型、效用模型、通信模型等，很少有人从伦理学的角度对多Agent系统模型进行分析。文章基于伦理学的理论，提出一种多Agent模型，并进一步探讨了在这种模型中的Agent协作求解时的有关问题。     

一种应用于数字版权管理的可信等级跨域认证模型研究

数字版权管理存在跨域认证问题上仍有些技术难题,针对现有的问题设计了更为合理的模型,以提升数字版权管理的科学性和有效性。对现有的跨域认证模型中未考虑用户平台环境因素的问题,提出了一种基于可信等级的跨域认证模型。通过给定平台可信等级、用户可信等级和域可信等级,并依据可信等级评估值动态地建立域间信任关系。安全性分析表明,使用该认证方法进行跨域认证可以有效地保护用户及平台环境的隐私。     

Agent协作的利益驱动模型

分布式多Agent主体间有效协作是Agent研究的关键问题。文章提出了一个利益驱动模型，在利益驱动下实现任务的委派，并在此基础上分析和讨论了模型中单个主体的决策机制以及多主体间的协作机制和交互语言。     

基于移动Agent的网格资源监控模型

给出了资源描述定义,并构建了一种基于移动Agent的网格资源监控模型MAGM,模型中的三类移动Agent可以完成对网格资源信息的收集、注册和管理;同时给出了一种各类Agent负载均衡协作算法.在实验室环境中构建了基干Globus和IBM的Aglet的网格实验平台,并进行了仿真实验.     

一种求解SLA等级感知服务组合问题的多目标离散粒子群优化算法

针对SLA等级感知服务组合问题,本文提出了一种求解该问题的多目标离散粒子群算法(MDPSO),建立了多目标粒子群算法优化模型.根据该问题的特征,对粒子更新策略进行重新设计;并且提出粒子变异策略以抑制群体的早熟收敛增强群体的全局搜索能力.另外,提出了一种基于约束支配关系的局部搜索策略并将其结合到MDPSO算法,形成算法MDPSO+.最后对MDPSO算法的参数设值进行了分析,并将算法MDPSO、MDPSO+与最近提出的求解该问题的E³-MOGA算法及NSGA-II算法在不同规模的测试用例上进行了实验对比,结果表明算法MDPSO+能够更加有效的解决该问题.     

基于黑板模型的多智能协作学习系统的模型研究

构造了基于黑板模型的多智能协作学习系统。运用黑板模型,将多Agent技术应用到协作学习系统中,实现多个Agent之间的通信与协作学习。设计并实现了一个Jadex平台的智能协作学习原型系统,通过系统平台的运行测试,该系统实现了基本的智能协作学习功能。该系统具有智能性,可以使协作学习系统为学生提供更好、更高效的服务,提高学生在协作学习过程中的效率     

基于流量工程的软件定义网络控制资源优化机制

针对软件定义网络(SDN)分布式控制平面中由于网络分域管理所引发的控制扩张问题,该文提出了一种基于流量工程的SDN控制资源优化(TERO)机制。首先基于数据流的路径特征对流请求的控制资源消耗进行分析,指出通过调整控制器和交换机的关联关系可以降低控制资源消耗。然后将控制器关联过程分为两个阶段：先设计了最小集合覆盖算法来快速求解大规模网络中控制器关联问题;在此基础上,引入联合博弈策略来优化控制器和交换机的关联关系以减少控制资源消耗和控制流量开销。仿真结果表明,与现有的控制器和交换机就近关联机制相比,该文机制能在保证较低控制流量开销的前提下,节省约28%的控制资源消耗。

     

SDN中基于分布式决策的控制器负载均衡机制

针对SDN多控制器负载均衡过程中,控制器选取僵化和交换机迁移冲突问题,提出了一种基于分布式决策的控制器负载均衡机制,分为三个阶段进行实施：首先通过周期性收集网络信息,结合控制器负载状况构建分布式迁移决策域;然后在域中依据选取概率确定迁移交换机,综合权衡数据收集、交换机迁移和状态同步三种代价选择目标控制器;最后建立迁移时钟模型,完成交换机迁移和控制器角色转换.仿真结果表明,与现有的负载均衡机制相比,降低了网络的通信开销,流建立时间平均缩短0.14s,控制器资源利用率提高了21.7%.     

Dynamic switch migration towards a scalable SDN control plane

Distributed control plane is a promising approach to scalable software‐defined networking (SDN). Live migration of switches from controllers that are overloaded to those that are underutilized may be a solution to handle peak switch traffic using available control resource. However, such migration has to be performed with a well‐designed mechanism to fully utilize available resources in all three resource dimensions: CPU, bandwidth, and memory. In this article, we first provide a resource model for SDN and reduce the switch migration decision to a centralized resource utilization maximization problem under constraints of CPU, bandwidth, and memory. Second, we show that the problem of maximizing resource utilization in an SDN is equivalent to that of maximizing game players' profits in the context of non‐cooperative game theory. Taking controllers and switches as game players and commodities respectively, the player policy is how to migrate switches among the control plane. Finally, we implement a proof of concept, called GAME‐Switch Migration (GAME‐SM). The numerical experiments using Mininet emulator validate nice properties of our game model in enhancing the performance of control plane in SDN. Copyright © 2016 John Wiley & Sons, Ltd.     

Dynamic switch migration with noncooperative game towards control plane scalability in SDN

As software‐defined networking (SDN) is a logically centralized technology, the control plane scalability in SDN is increasingly important with the network scale increasing. Load balancing and maximizing resource utilization are very critical to the control plane in SDN, while switch migration is an effective approach to achieve these two performance metrics. However, switch migration is NP‐hard problem because it belongs to the problem of combinatorial optimization. To avoid the NP‐hard problem, we propose a switch migration scheme by adopting noncooperative game to improve the control plane scalability in SDN. First, we design a novel load balancing monitoring scheme to detect the load imbalance between controllers and trigger migrating switches. Then, we use noncooperative game among controllers to decide switch migration to get the maximizing overall profits. Last, we prove that our proposed approach can get Pareto optimality. Extensive simulations prove that our method is able to achieve a more scalable control plane with load balancing and maximizing resource utilization.     

V2X offloading and resource allocation under SDN and MEC architecture

To address the serious problem of delay and energy consumption increase and service quality degradation caused by complex network status and huge amounts of computing data in the scenario of vehicle-to-everything (V2X),a vehicular network architecture combining mobile edge computing (MEC) and software defined network (SDN) was constructed.MEC sinks cloud serviced to the edge of the wireless network to compensate for the delay fluctuation caused by remote cloud computing.The SDN controller could sense network information from a global perspective,flexibly schedule resources,and control offload traffic.To further reduce the system overhead,a joint task offloading and resource allocation scheme was proposed.By modeling the MEC-based V2X offloading and resource allocation,the optimal offloading decision,communication and computing resource allocation scheme were derived.Considering the NP-hard attribute of the problem,Agglomerative Clustering was used to select the initial offloading node,and Q-learning was used for resource allocation.The offloading decision was modeled as an exact potential game,and the existence of Nash equilibrium was proved by the potential function structure.The simulation results show that,as compared to other mechanisms,the proposed mechanism can effectively reduce the system overhead.     

基于负载通告的SDN多控制器负载均衡机制

多控制器负载均衡是SDN网络部署研究中关注的问题之一。该文针对多控制器间负载均衡的时间效率问题,提出一种基于负载通告策略的负载均衡机制(LILB)。该机制包括负载测量、负载通告、均衡决策和交换机迁移4个核心功能组件。借助于负载通告的能力,每个控制器可以在过载后无需收集其他控制器的负载信息而尽快完成均衡决策。为了减少负载通告带来的通信负荷和处理负荷,该文提出一个抑制算法来降低负载通告的频率。此外,该文还提出了最重过载控制器、迁移交换机和目标控制器的决策方法,以及目标控制器接受迁移请求的判定策略来避免控制器的负载震荡;并为支持交换机迁移过程中控制器角色的平滑切换设计了一种交换机迁移的消息交互机制。最后,在基于Floodlight和Mininet的实验环境中验证了所提出方法的有效性。     

基于最小代价路径的交换机迁移方法研究

针对如何保护控制器,尤其是骨干控制器免受安全威胁与攻击,提高SDN控制平面的安全性,提出一种基于最小代价路径的交换机迁移算法。在迁移模型中加入负载预测模块,预测模块执行控制器负载预测算法,得到负载预测矩阵,然后根据负载预测矩阵确定迁出、目标控制器集合。利用改进的迪杰斯特拉算法确定最小代价路径,根据控制器的负载状态和待迁移交换机的流量优先级,在最小代价路径中确定最优迁移交换机集合,同时针对迁移过程中可能产生的孤立节点问题给出了解决方案。实验结果表明,所提算法确定的迁移触发时机、迁出控制器和目标控制器更加合理,减少了迁移次数和代价,增强了控制器的安全性,提高了控制器性能。     

SDN中基于Q-learning的动态交换机迁移算法

由于网络流量动态变化,控制器负载均衡成为大规模部署软件定义网络研究的重点.提出基于Q-learning的动态交换机迁移算法,首先对软件定义网络中的控制器部署问题建模,再应用Q-learning反馈机制学习实时网络流量,最后根据Q表格将交换机从高负载控制器动态迁移到低负载控制器上,实现控制器的负载均衡.仿真结果表明,所提算法能够获得较低的控制器负载标准方差.     

Traffic scheduling method based on centralized control in named data networking

In order to address the global optimization problem for traffic scheduling in named data networking,related works were analyzed,a method based on centralized control was proposed.The proposed method took network performance and communication overhead into account.In the proposed scheme,appropriate nodes would be selected as E-NDN nodes,then the controller calculated the corresponding multi-path forwarding policies and sent them to E-NDN nodes according to the in-network cache,the aggregation of Interest packets,and the traffic demands of popular contents to achieve global optimization.The evaluation results indicate that the proposed method can significantly reduce the maximum link utilization and improve network performance.Simultaneously,the proposed method will not cause a large optimization cost,and communication overhead between the controller and nodes will increase slightly.     

软件定义光网络中基于最小点覆盖的控制平面跨层生存性设计

为降低软件定义光网络对单控制器的依赖,并避免多控制器冲突,有效提升控制平面的生存性,该文提出基于最小点覆盖的控制平面生存性设计策略。该策略结合集中控制约束条件,以最小点覆盖理论为基础,建立可靠的分级管控模型,设定控制器的管控优先级：全局控制器具有最高管控优先级,对全网进行集中管控;本地控制器次之,只对本地业务进行集中管控;权威交换机的管控优先级最低,用于完成局部波长粒度的光层快速管控。在此基础上,基于跨层信息模型为控制信道路由和资源分配进行生存性冗余设计。仿真表明,该策略能够满足网络对控制时延的要求,使控制平面的故障概率降低了30%,有效提升了网络在恶劣环境下的生存性。