医疗云平台资源调度策略研究

针对云平台中资源调度策略过于简单,不能有效适应医疗业务需求的问题,分析不同医疗系统对资源的不同需求,以此为根据提出IB-Choose资源调度策略。基于Open Stack平台构建包含医生诊疗系统、实验科检验系统和影像归档系统的医疗云平台,并在该平台上实现IB-Choose策略。实验结果表明,与Open Stack默认资源调度策略Chance相比,IB-Choose可将启动虚拟机的服务时间缩短25%~30%,同时减少云资源开销并提高其利用率。     

以县级医院为核心结合家庭医生开展互联网诊疗模式初探索

自互联网医疗发展以来,县级医院作为基层医疗的核心力量,结合家庭医生开展互联网诊疗模式,既提升了基层医疗服务水平,又缓解了大医院资源紧张的问题。本文运用SWOT分析法,分析了“互联网+”时代,县级医院与家庭医生合作开展互联网诊疗模式的内部和外部环境。互联网医院打破了时空限制,为患者提供便捷的医疗服务,但这种模式也存在信息技术无法满足医疗服务特殊性、互联网管理法规不完善等劣势。县级医院与家庭医生结合开展互联网诊疗服务模式,有助于缓解基层看病难的问题,实现医疗资源的高效利用。     

基于遗传算法的云服务商伙伴选择问题研究

针对目前云计算市场如何选择合适的云服务商来组成动态联盟,以便更快更有效地满足终端客户的需求,实现云服务资源的优化配置.运用灰色关联综合评价模型确定云服务市场的优化指标,运用多目标优化模型定量分析和研究了云服务商的伙伴选择问题,选取在云计算市场提供计算服务、存储服务、软件服务的云服务商作为研究对象,提取成本、响应时间、服务质量作为研究优化指标;通过赋予相应的权重值,采用遗传算法对多目标规划化问题进行求解,寻找到符合各个云服务商利益的合作伙伴,最后通过算例证明该算法在解决最佳云服务商伙伴选择组合方面的合理性,验证了该模型及算法的有效性.     

一种实用互联网智慧分级诊疗的实现方法

分级诊疗制度是合理配置医疗资源和促进基本医疗卫生服务均等化的重要措施。相对于传统医疗方式,在云中心、大数据、物联网基础上的互联网医疗在健康管理方式、就医方式、院内就医体验、购药环节、促进医患沟通等五个方面能够实现对医疗过程的重构。互联网智慧分级诊疗系统可通过信息集成服务平台来实现。该平台是在智慧城市的框架下,各相关委办局共享人口健康信息资源,各级医疗机构为辖区社会公众提供分级、连续、安全、便捷的医疗卫生服务。平台可以提升基本医疗卫生服务的公平性和可及性,促进形成有效的分级诊疗服务体系,优化区域医疗资源配置,提高医疗服务水平和医疗质量,降低医疗费用,提升卫生综合管理水平和政府综合决策能力。     

基于不确定服务质量感知的云服务组合方法

针对不确定服务质量（QoS）感知的云服务组合优化问题的求解,提出一种不定长时间序列（ULST）模型和锦标赛策略的改进遗传算法（T-GA）。首先,基于用户对服务不同时间段的访问规律,将服务质量的长期变化构建为不定长时间序列模型,该模型能够准确地描述一段时间内用户对服务的真实QoS访问记录。其次,提出一种基于不确定QoS模型的改进遗传算法,该算法采用锦标赛选择策略代替基本遗传算法中的轮盘赌选择策略。最后,在真实数据上进行了大量实验,所提的不定长时间序列模型能够有效地解决不确定QoS感知云服务组合问题,而锦标赛策略的改进遗传算法在寻优结果和稳定性方面均优于基于精英选择策略的遗传算法（E-GA）算法,且运行速度提高近1倍,是可行、高效且稳定的算法。     

基于云基础设施的服务部署优化问题建模

目前典型的云基础设施提供商所提供的虚拟机资源都是有限的规格类型,当同一个服务部署在不同配置的虚拟机上时,会体现出不同的性能。通过对基于云基础设施的SaaS层服务部署情况进行研究和分析,提出对服务部署策略进行优化的必要性,并将该服务部署优化问题抽象为多目标组合优化问题,对其进行数学建模;然后利用排队论,得出优化指标的计算方法,并进行实验验证。     

医疗卫生行业与互联网跨界融合项目解析

本文介绍了医疗卫生行业与互联网跨界融合新型医疗服务模式的探索方案。通过结合天津市糖尿病移动医疗管理服务模式建设及应用研究课题实施案例,解析在医疗卫生行业与互联网企业跨界融合的过程中,医院作为实施主体,如何构建基层首诊、分级诊疗、双向转诊模式以实现国家医疗改革目标;如何利用互联网平台实现慢病管理;如何通过信息化业务流程改造改善医疗服务提高患者就医体验等问题,并通过探索建立新型医疗服务模式使之解决成为可能。     

医院诊疗云服务平台设计

云计算技术促进了医院诊疗新型模式的发展,在云技术基础上构建医院诊疗云服务平台,用户不受时间和空间的限制,就可以在云平台上共享优质的医院诊疗服务资源,实现了医院之间的诊疗服务资源的均衡共享.对基于云技术的医院诊疗服务平台设计需求进行了分析,结合医院诊疗服务的实际需要,提出了系统的设计架构,并对系统中各个功能模块进行了设计和研究.     

云制造服务组合研究综述

随着工业化的飞速发展,制造业作为推动工业化的主力军必须加快发展步伐,因此,一种新的面向服务的制造模式——云制造被提出.云制造旨在在分布式制造资源和能力之间进行共享和协作并与需求构成一种按需的资源分配和使用方式,在选取最优性能服务的同时将这些服务组合成一个满足用户需求的复合服务需要不断进行探索.云制造服务组合是一种典型的NP-hard问题,是云制造最具有挑战性的课题之一.现阶段的云制造服务组合方法存在时间复杂度高、组合效果差、组合路径只能达到次优解等问题.如何利用微粒度的服务组合成复合服务以提升制造能力并满足用户需求已引起学术界和产业界研究人员的广泛关注,因此,对这种NP-hard问题的研究进行全面的综述是非常有必要的.文中首先对云制造服务组合中的组合流程和组合优化目标进行描述,然后从组合指标、优化算法和多目标与单目标优化问题等不同的角度对云制造服务组合中的重点和热点进行系统综述,最后对云制造服务组合的应用场景、实验数据和目前存在的不足进行概述和探讨.     

基于改进北极熊算法的制造云服务组合优化

为了提高云制造环境下制造服务组合优化的效率,提出了一种基于改进北极熊算法的制造云服务组合优化方法。该方法对制造服务进行实数编码,并以服务功能和服务质量为评价指标,使用改进的北极熊算法对制造云服务组合优化问题进行求解,得到最优的服务组合方案。同时通过引入动态视野,对算法的局部搜索进行调整,并与遗传算法中的变异策略相结合,以提高求解多目标问题的效率,同时降低因初始参数影响而导致算法陷入局部最优的可能。算例分析表明,改进的北极熊算法在求解制造云服务组合优化问题上比原始北极熊算法、标准遗传算法、改进的灰狼优化算法和改进的粒子群优化算法具有更高的效率。     

面向大规模云资源调度的可扩展分布式调度方法

云数据中心异构物理服务器的能耗优化资源分配问题是NP难的组合优化问题,当资源分配问题规模较大时,求解的空间比较大,很难在合理时间内求得最优解。基于分而治之的思想,从调度模式方面提出可扩展分布式调度方法,即当云数据中心待调度的物理服务器的数量比较大时,将待调度的服务器划分为若干个服务器集群,然后在每个服务器集群建立能耗优化的资源分配模型,并利用约束编程框架Choco求解模型,获得能耗最优的资源分配方式。将提出的基于可扩展分布式调度方法的能耗优化云资源调度算法与非扩展调度算法进行实验比较,实验结果表明,提出的基于可扩展分布式调度方法的能耗优化云资源调度算法在大规模云资源分配上有明显的性能优势。     

云环境下基于SLA的优化资源分配研究

针对云计算环境下如何高效分配资源,实现资源供应者利润最大化这一难题,提出了一种基于服务级别协议（SLA）的动态云资源分配策略。该策略通过将SLA中的计算力、网络带宽、数据存储等属性作为优化参数,构造了一种服务请求与资源的映射模型,同时设计相应的效用函数,并结合改进的与模拟退火算法相融合的混合粒子群算法（SA-PSO）,实现云环境下的优化资源分配。实验分析结果表明,基于SLA参数的SA-PSO算法具有更好的全局最优值,在给定虚拟资源相同情况下,调用该算法完成用户任务实现的利润更高。     

面向在线率差异的SaaS订阅限额及资源配置组合优化

软件即服务（softuare as a service,SaaS）是一种让用户通过支付订阅费来获得软件访问权的云服务模式。由于其业务的多样性,用户对不同软件的在线访问率存在很大差异,所以不同软件所消耗的云计算资源也存在差异。为避免违反服务等级协议（service level agreement,SLA）而产生违约赔付的风险,SaaS运营商不仅要优化各种软件的计算资源配置,还要对各类软件的订阅量加以限额限制。在考虑SLA限制的基础上,构建了一个以收益最大化为目标的有资源约束的非线性整数规划模型。由于模型计算的复杂性,其无法在多项式时间内求解,所以设计了基于Q学习-粒子群（particle swarm optimizoction,PSO）的融合算法来求解该NP难题。该算法将Q-学习嵌入到PSO中,动态调整PSO参数,从而避免直接使用PSO时会面临的局部最优陷阱和计算效率低下的问题。仿真实验验证了在不同场景下模型及算法的有效性,结果表明该算法可在云计算资源有限的条件下,以较高的求解效率获得收益更高的订阅限额及资源配置方案。其中,当处于需求波动大的情境下时,运营商应尽可能降低软件的资源争用比,通过配置足量的虚拟机资源并设定严格的订阅限额来保障软件的服务质量,减少违约赔付成本;相反,当处于需求波动小的情境下时,运营商可以提高软件的资源争用比,通过放宽订阅限额来抢占更大的市场,实现收益最大化。     

Resource allocation optimization for quantitative service differentiation on server clusters

The goal of service differentiation is to provide different service quality levels to meet changing system configuration and resource availability and to satisfy different requirements and expectations of applications and users. In this paper, we investigate the problem of quantitative service differentiation on cluster-based delay-sensitive servers. The goal is to support a system-wide service quality optimization with respect to resource allocation on a computer system while provisioning proportionality fairness to clients. We first propose and promote a square-root proportional differentiation model. Interestingly, both popular delay factors, queueing delay and slowdown, are reciprocally proportional to the allocated resource usage. We formulate the problem of quantitative service differentiation as a generalized resource allocation optimization towards the minimization of system delay, defined as the sum of weighted delay of client requests. We prove that the optimization-based resource allocation scheme essentially provides square-root proportional service differentiation to clients. We then study the problem of service differentiation provisioning from an important relative performance metric, slowdown. We give a closed-form expression of the expected slowdown of a popular heavy-tailed workload model with respect to resource allocation on a server cluster. We design a two-tier resource management framework, which integrates a dispatcher-based node partitioning scheme and a server-based adaptive process allocation scheme. We evaluate the resource allocation framework with different models via extensive simulations. Results show that the square-root proportional model provides service differentiation at a minimum cost of system delay. The two-tier resource allocation framework can provide fine-grained and predictable service differentiation on cluster-based servers.     

Stochastic robustness metric and its use for static resource allocations

This research investigates the problem of robust static resource allocation for distributed computing systems operating under imposed Quality of Service (QoS) constraints. Often, such systems are expected to function in a physical environment replete with uncertainty, which causes the amount of processing required to fluctuate substantially over time. Determining a resource allocation that accounts for this uncertainty in a way that can provide a probabilistic guarantee that a given level of QoS is achieved is an important research problem. The stochastic robustness metric proposed in this research is based on a mathematical model where the relationship between uncertainty in system parameters and its impact on system performance are described stochastically.The utility of the established metric is then exploited in the design of optimization techniques based on greedy and iterative approaches that address the problem of resource allocation in a large class of distributed systems operating on periodically updated data sets. The performance results are presented for a simulated environment that replicates a heterogeneous cluster-based radar data processing center. A mathematical performance lower bound is presented for comparison analysis of the heuristic results. The lower bound is derived based on a relaxation of the Integer Linear Programming formulation for a given resource allocation problem.     

基于强化学习的无人机网络资源分配研究

以无人机网络的资源分配为研究对象,研究了基于强化学习的多无人机网络动态时隙分配方案,在无人机网络中,合理地分配时隙资源对改善无人机资源利用率具有重要意义;针对动态时隙分配问题,根据调度问题的限制条件,建立了多无人机网络时隙分配模型,提出了一种基于近端策略优化(PPO)强化学习算法的时隙分配方案,并进行强化学习算法的环境映射,建立马尔可夫决策过程(MDP)模型与强化学习算法接口相匹配;在gym仿真环境下进行模型训练,对提出的时隙分配方案进行验证,仿真结果验证了基于近端策略优化强化学习算法的时隙分配方案在多无人机网络环境下可以高效进行时隙分配,提高网络信道利用率,提出的方案可以根据实际需求适当缩短训练时间得到较优分配结果。     

一种时分簇调度算法的实现

无线传感器网络是一种典型的资源受限系统,研究信道和时隙在内的资源分配方法,对提高网络性能保障服务质量具有重要意义。为解决智慧医疗系统中传感网络结构不固定,服务质量无法保障问题,构建了一种非平衡的簇树结构,采用可避免碰撞、保证传输时延的时分簇调度算法进行传输任务的分配,将资源分配结果在TinyOS系统中进行实现,并采用CC2530平台进行验证。为便于修改数据流参数,使调度的结果更加直观,设计了图形用户界面。结果表明这种时分簇调度算法可以保证非平衡结构无线传感网络通信质量,为大规模簇树网络提供有效的服务保障。     

能效最优准则下的无人机中继系统的功率分配算法

由于无人机（Unmanned aerial vehicle,UAV）机动性好且部署简单,基于无人机中继的传输技术受到了广泛关注。功率作为通信系统的重要资源,其分配问题直接影响各条链路的性能和整个通信系统的能量效率。本文以莱斯衰落信道为背景,提出了一种在系统能效准则下的无人机中继通信系统的功率分配算法。首先在双跳放大转发（Amplify-and-forward,AF）中继传输模型的基础上建立功率分配的优化模型,将功率分配问题转化为求解最大系统能效的优化问题。在最优功率分配的求解过程中,先固定发射信号功率,获得波束形成优化方案;然后通过大信噪比区间近似,将非凸优化问题转化为凸优化问题;最后利用KKT（Karush-Kuhn-Tucker）条件,计算得出功率分配方案的闭式解。仿真实验表明,本文算法相对于迭代算法降低了算法复杂度。     

基于云模型的网格资源分配策略

网格是下一代的Internet,是目前网络研究的重点。网格资源分配是网格中非常重要的部分,而且网格资源有分布、异构、动态、由多个组织所拥有和具有不同的使用、访问及消费模型等特点,属于定性的范畴。传统的网格资源分配策略无法有效对定性的网格资源进行分配,容易形成网络瓶颈。云模型是定性定量间转换的不确定性模型,通过它能将定性的网格资源转换为定量的表达。因此笔者提出了一种新的网格资源分配策略,把云模型运用于网格资源分配,将定性的网格资源映射为定量的可细微变化的不同云滴,然后再配合目前研究相对比较成熟的算法或模型进行资源分配,实验表明新的策略能更准确地对网格资源进行评价并有效分配。     

基于缓存优化的移动边缘计算资源分配策略

移动边缘计算研究中,边缘服务器通过缓存任务数据可以有效节约计算资源,但如何分配缓存资源解决边缘服务器的竞争关系,以及能耗和效益问题,达到系统性能最优是一个NP难问题。为此提出基于缓存优化的在线势博弈资源分配策略OPSCO(online potential-game strategy based on cache optimization),采用新的缓存替换策略CASCU(cache allocation strategy based on cache utility),最大化缓存的效用。通过优化边缘服务器的效益指示函数,将缓存替换代价等因素与李雅普诺夫优化、势博弈以及EWA(exponential weighting algorithm)算法结合,对边缘服务器的竞争关系建模,进行势博弈相关证明和分析。仿真结果表明,OPSCO相比于其他资源分配策略,可以明显提升任务完成率和缓存效用,并降低设备能耗和时间开销,解决了移动边缘计算在线缓存场景中的资源分配以及数据缓存问题。