一种中间件数据库集群的负载均衡算法

为满足用户对数据库集群系统高输入高输出应用的需求,设计一种采用中间件技术的数据库集群系统,并针对该系统提出一种基于Markov模型的数据库集群负载均衡算法。该算法在执行节点负载信息采样周期内,利用Markov模型预测集群系统各执行节点的负载信息状态,根据预测的执行节点负载信息对集群系统进行负载均衡。实验结果表明,该算法能够有效提高数据库集群的性能。     

一种改进的交易中间件负载均衡模型

基于负载均衡模型和算法的研究,结合交易中间件中的应用,提出一种改进的混合式负载均衡模型并给出相应的算法,采用静态均衡和动态均衡折中的思想,既能准确收集负载信息,做到初始任务分发均衡,又能降低动态迁移的开销,从而提高系统的整体性能。     

基于负载预测的虚拟机动态调度算法研究与实现

在云计算系统中为了实现负载均衡和资源的高效利用,需要在虚拟机粒度上对云计算系统进行调度,通过热迁移技术将虚拟机从高负载物理节点迁移到低负载物理节点。把负载预测技术和虚拟机动态调度技术相结合,提出了LFS算法,通过虚拟机历史负载数据对虚拟机未来的负载变化情况进行预测,然后根据预测结果对虚拟机进行调度,能够有效地避免云计算系统中高负载物理节点出现,实现负载均衡,提高资源使用率。     

基于中间件解决方案的金融信息化系统

自client／server体系结构问世以来,中间件作为分布式网络上异构平台的互联桥梁应运而生,使用中间件进行大型应用系统的设计开发已经成为潮流。针对金融信息化系统这个比较特殊的领域,分析金融信息化系统设计与开发的特点,并结合一个金融系统解决方案实例,介绍通过实施中间件,如何达到金融系统的交易要求。     

基于中间件的动态负载均衡策略的研究

随着分布式系统应用的不断发展,采用负载均衡策略以提高分布式系统的整体性能越来越重要.在分析前人研究成果的基础上,实现了基于中间件技术的动态负载均衡策略.以资源利用率和节点的调和性能平均值为评价指标,该策略综合衡量系统的负载,量化异构系统中各节点的性能,使得负载具有可比性.通过实时监测各节点的负载情况,并及时调整负载策略的相关参数,可使系统运转达到最优.     

一种基于任务响应时间预测的网格调度算法的研究

针对网格环境下计算节点的自治性、异构性、分布性等特征,提出了一种动态的基于任务响应时间预测的调度算法。该调度方法依据历史数据和最近访问过计算节点的任务请求提交时间、任务完成时间、网络通信延迟等信息,预测计算节点将来的任务响应时间,将任务提交给轻负载或性能较优的计算节点完成。实验结果表明,该方法不但可以有效减少不必要的延迟,而且在任务响应时间、任务的吞吐率及任务在调度器内等待被调度的时间方面比随机调度等传统算法要优。     

一种动态负载均衡中间件的研究与实现

服务器集群可显著提高整个分布式系统的总体性能。本文针对用户请求服务时间变化大的特性,设计了一个跨平台、跨系统的动态负载均衡中间件工作模型,并对其中的关键问题给予详细描述。模型根据各服务器动态返回的负载信息并结合各服务器的性能进行动态负载调度,并以标准服务接口实现与分布式系统的无缝集成。性能测试表明该模型有效解决了集群的负载均衡问题。     

中间件负载均衡的模型和实现

由于客户机访问服务器的随机性,中间件服务器负载不均衡的现象时有发生,所以负载均衡是提高三层系统效率的重要手段.文中介绍了中间件负载均衡的原理,提出了两种中间件负载均衡的实现模型,并且评价了这两种模型的性能,指出了各自的优越点与适用范围,最后给出了基于COM+的的实现方法与关键技术.     

中间件负载均衡的模型和实现

由于客户机访问服务器的随机性,中间件服务器负载不均衡的现象时有发生,所以负载均衡是提高三层系统效率的重要手段。文中介绍了中间件负载均衡的原理,提出了两种中间件负载均衡的实现模型,并且评价了这两种模型的性能,指出了各自的优越点与适用范围,最后给出了基于COM 的的实现方法与关键技术。     

多主体协同电力负荷预测模型

提出了基于多主体(Multi-Agents System,MAS)协同的电力负荷预测模型,将不同的预测模型封装在不同的Agent中,利用各Agent之间的通信、合作机制来共同完成预测问题的求解,以近似日模型、回归模型、神经网络模型和规则修订模型为基础,进行协同预测。并通过实验证明了协同预测模型不仅能达到较好的预测精度,同时预测结果相对稳定,对提高实际负荷预测精度具有很现实的意义。     

A grid middleware for distributed Java computing with MPI binding and process migration supports

“Grid” computing has emerged as an important new research field. With years of efforts, grid researchers have successfully developed grid technologies including security solutions,resource management protocols, information query protocols, and data management services. How-ever, as the ultimate goal of grid computing is to design an infrastructure which supports dynarnic,cross-organizational resource sharing, there is a need of solutions for efficient and transparent task re-scheduling in the grid. In this research, a new grid middleware is proposed, called G-JavaMPI. This middleware adds the parallel computing capability of Java to the grid with the support of a Grid-enabled message passing interface (MPI) for inter-process communication between Java processes executed at dif-ferent grid points. A special feature of the proposed G-JavaMPI is the support of Java process migration with post-migration message redirection. With these supports, it is possible to migrate executing Java process from site to site for continuous computation, if some site is scheduled to be turned down for system reconfiguration. Moreover, the proposed G-JavaMPI middleware is very portable since it requires no modification of underlying OS, Java virtual machine, and MPI package. Preliminary performance tests have been conducted. The proposed mechanisms have shown good migration efficiency in a simulated grid environment.     

基于相似日负荷修正算法的短期负荷预测

为实现准确、快速预测电力系统短期负荷的目的,综合考虑气象、日类型和时间对负荷的影响,提出了基于相似日负荷修正算法的预测模型.首先建立相似度量化模型,具体用灰色关联分析法计算气象相似度,兼顾"近大远小"和"周期性"原则来量化时间相似度,二者乘积作为总体相似度,依此选取若干相似日;然后基于"日类型"和"时间跨度"修正相似日负荷;最后用加权平均法预测负荷.短期负荷预测的实例结果表明了该算法的可行性.     

基于灰色理论的电力系统负荷预测模型

为方便并精确地预测电力系统负荷,采用灰色理论建立负荷预测模型.深入分析灰色生成方法和灰色建模过程,并用1组典型电力系统负荷数据和某电力市场实际数据分别构造相应的预测模型.预测结果表明采用灰色系统预测电力系统负荷是可行的.     

基于AR_SVR模型的时间序列预测算法的研究

掌握农产品未来价格变化趋势,有利于正确引导农业生产,提出一种基于自回归与支持向量回归(auto regressive and support vector regression,AR_SVR)模型的非平稳时间序列预测方法.首先,利用AR模型对非平稳时间序列进行季节差分和差分,使其具有平稳性,然后给平稳序列定阶,最后用SVR模型拟合平稳序列,回推得出原始序列的预测值.实验结果表明,AR_SVR模型预测值与真实值很接近,具有较好的预测效果.     

基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法

针对企业电力负荷随机性强、稳定性低、预测精度不理想等问题,提出了一种基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法。首先对最大偏差相似性准则算法进行修改,并提出使用预测日的负荷特征向量与最大偏差相似性准则算法聚类之后的类中心负荷特征的距离来确定预测日的相似日类别;然后将聚类后的相似日类别负荷数据作为BP网络的训练数据,输出预测日起始的连续三天96整点负荷值。实验表明,该方法提出的短期电力负荷预测方法在精度和网络训练时间上都有较大的提升,具有较高的有效性和实用性。     

基于多Agent的云服务中间件的研究与应用

在Web应用日益普及的今天,Web服务器承担的任务越来越繁重,特别是进行大数据量的计算时,服务器的硬件资源成了计算效率的瓶颈。为了解决这一问题,结合云计算和中间件的技术特点,提出了一种基于多Agent的云服务中间件的体系架构,该框架分为用户接口层、SOA层和资源管理层3个层次,内部采用多Agent技术。节点间通过ACL消息进行通信,负载均衡采用静态计算能力与动态负载相结合,内置的日志服务和容错服务保障系统稳定运行。将此框架应用到实际Web应用中可以大大提高Web服务器的计算效率。     

A novel combined model based on hybrid optimization algorithm for electrical load forecasting

Accurate electrical load forecasting always plays a vital role in power system administration and energy dispatch, which are the foundation of the smooth operation of the national economy and people’s daily life. Thinking from this vision, many scholars have made great efforts to seek suitable optimization algorithms to improve the performance of existing forecasting algorithm. However, most of the studies ignore the inherent disadvantages of single optimization algorithm, which leads to sub-optimal forecasting performance. Therefore, a novel electric load forecasting system was successfully proposed in this paper by the combination of data preprocessing, hybrid optimization algorithms, and several single classical forecasting methods, which successfully overcomes the defects of single traditional forecasting models and achieves higher forecasting accuracy than that of single model optimization. Besides, the 30 min interval data of Queensland, Australia from March to April is used as illustrative examples to evaluate the performance of the developed model. The results of tests demonstrate that the proposed hybrid model can better approximate the actual value, and it can also be employed as a useful tool for smart grids dispatching planning.     

基于预测模型及独立训练节点的负载均衡策略

随着业务量、用户量的增大,提高服务器集群的效率变得越来越重要.本文使用机器学习算法,通过对历史数据进行训练得到响应时间预测模型,来预测新请求的响应时间,根据每个服务器节点的预估响应时间将请求分配给具有最少响应时间的服务器节点,从而提高集群中请求分配的均衡性,提高集群的效率.本文通过对三种机器学习算法的实验,均表明本策略能降低小集群高并发场景中系统的平均响应时间.