基于FDI的用户模型及其在上下文觉察计算中的应用

上下文觉察计算是普适计算的重要内容。当前的上下文觉察计算研究大多没有为用户提供个性化的服务。已有的个性化上下文觉察服务的用户模型,其用户偏好的设置比较简单。本文从心理学的观点出发,提出一个使用基于场依存一独立性（FDI）的用户模型来为用户提供个性化的上下文觉察服务。本文系统分析了这种用户模型对上下文觉察计算的重要性,并给出了使用基于FDI的用户模型在上下文觉察计算中的应用过程。试验表明这种模型提供的个性化服务能够提高上下文觉察计算应用的有效性。     

任务计算中基于语义Web的上下文感知服务选择

针对普适环境中任务计算的特点,分析了任务计算的层次结构和复杂任务的分解策略,设计了一种任务计算中服务发现的体系结构。此体系结构依赖于服务和内容的语义表示,而这种语义表示是基于本体的、共享的。它不仅可以增强精确度和调用率,而且能够实现知识共享、基于能力的搜索、自主推理以及语义匹配等功能。据此,提出了一种基于语义Web的上下文感知动态服务选择机制,这种机制可以根据待匹配的服务的动态上下文属性来对其进行过滤和排序,从而进一步优化了发现的过程、节约了用户的时间和精力。此外,该选择机制可用于发现有用的静态或动态上下文信息,从而为用户提供最合适、最相关的服务。     

基于端和云的大规模上下文管理框架的研究与实现

上下文态势是将大规模、广地域范围内的上下文信息综合在一起形成的一种全局信息.随着各类具备感知能力的移动终端的普及,如何获取这种全局态势并利用态势来为用户提供更好的服务是亟待解决的问题.基于“端+云”相结合的计算模式,提出移动终端的统一抽象模型来实现上下文信息收集,进而提出了在云端对大规模上下文信息进行聚合、基于MapReduce计算模型的态势信息荻取算法.通过一个大规模上下文管理框架对研究内容进行验证,并以一个交通态势实例验证了框架的有效性.     

一种基于上下文协商的动态服务组合方法

普适计算的计算环境和交互信息动态变化,为了提供适时适地的服务,服务组合除了满足用户的需求之外,还要适应环境的变化.以面向普适计算的分布式文档管理系统为例,提出一种基于上下文协商的动态服务组合方法,适应普适计算环境下资源动态变化的特点,同时满足用户对服务的需求.首先定义上下文和带有上下文信息的服务模型;然后给出服务和设备以及服务和用户之间的上下文协商约束条件,根据约束条件提出基本算法实现服务动态组合,并对基本算法进行优化;最后通过原型系统和实验验证算法的性能和有效性,并通过实验数据分析上下文对于服务组合的影响.实验数据说明:提出的方法能够应用在普适计算环境中上下文敏感的服务组合问题上,提高服务组合的动态适应性和网络资源利用率.     

基于需求预测的主动服务推荐方法

在智能计算领域,网络中可用服务数量与类型的快速增长,使用户更依赖于服务完成各种业务,然而当前“请求-响应”被动式的服务模式严重影响了用户体验与资源利用率。为智能感知用户需求并主动为用户推荐合适的服务,通过引入需求预测过程,提出一种主动服务推荐方法。利用矩阵分解算法从大量历史服务使用数据中提取用户特征和服务特征,据此训练深度学习模型并预测用户的服务需求,进而为用户推荐其所需要的服务。基于真实数据的实验结果表明,该方法较单一的矩阵分解模型和深度神经网络模型具有更高的服务推荐准确性和稳定性。     

云环境下基于任务分类和LPM优化模型的调度算法

针对用户任务预算不足或期望完成时间较短,云服务方无法保障任务全部完成,提出基于任务分类和线性规划优化模型调度策略,使任务完成数最大化,同时考虑任务重要性。算法根据任务长短及重要性进行分类,然后建立任务计算资源关系矩阵及3个相关约束条件,以任务完成数最大化为目标函数,搭建线性规划模型,并给出算法实现。模拟实验表明,在同样的用户任务预算和期望完成时间条件下,该算法任务完成数最大值明显高于经典算法。     

Web服务组合上下文模型

基于上下文感知计算,提出一种新颖的Web服务组合上下文模型.一方面,服务组合中的信息被定义为服务和用户上下文,前者又被区分为概要、会话和填充上下文;另一方面,采用多策略机制管理上下文.为此,定义了一种基于ECA规则的语言-服务扩展策略描述语言(PDL-S).采用以上语言描述上下文管理策略和组合服务.该模型不但充分利用了上下文感知计算,而且具有良好的协作性、扩展性和灵活性.     

面向普适计算环境的嵌入式系统研究

服务提供与用户界面自适应问题是普适计算中的重要研究课题。嵌入式系统提供的服务对普适计算的服务起到了重要的支持作用;普适计算任务要获取用户的服务也需要自适应的用户界面来显示服务项目,嵌入式系统的自适应界面是合适的选择。但是,传统的嵌入式系统服务软件不能很好地实现上述目标。针对传统嵌入式系统服务模型的不足,首先总结了面向普适计算的嵌入式系统硬件结构,并将这种结构命名为计算元。随后提出了一种新的嵌入式系统服务提供模型,统一了用户上下文交互的标准信息格式。最后研究了该服务模型的实现。     

基于改进蚁群算法的遥感信息处理负载均衡任务调度算法研究

遥感信息服务链动态构建技术是根据用户提出的航天信息需求,以及用户0终端行为感知后形成的主动推送需求,将遥感信息获取与处理作为一种服务对待,利用服务组合与优化,动态构建服务链,实现网络环境下的信息资源按需聚合与高效协同,以满足对"端"的遥感信息支援应用需求;文章首先研究了蚁群算法和模拟退火算法在遥感信息处理计算节点任务上的调度原理,并分析了上述传统算法在得出最优解之前会出现的问题;基于蚁群算法并结合其他启发式算法的优点,提出了一种基于改进蚁群算法的负载均衡任务调度算法,完成了遥感信息多任务处理服务链的计算任务分配,提升了天基信息处理系统整体的计算效率;最后通过仿真实验验证了算法的有效性.     

基于移动用户上下文相似度的张量分解推荐算法

针对移动服务推荐中用户上下文环境复杂多变和数据稀疏性问题,提出一种基于移动用户上下文相似度的张量分解推荐算法——UCS-TF。该算法组合用户间的多维上下文相似度和上下文相似可信度,建立用户上下文相似度模型,再对目标用户的K个邻居用户建立移动用户-上下文-移动服务三维张量分解模型,获得目标用户的移动服务预测值,生成移动推荐。实验结果显示,与余弦相似性方法、Pearson相关系数方法和Cosine1改进相似度模型相比,所提UCS-TF算法表现最优时的平均绝对误差（MAE）分别减少了11.1%、10.1%和3.2%;其P@N指标大幅提升,均优于上述方法。另外,对比Cosine1算法、CARS2算法和TF算法,UCS-TF算法在数据稀疏密度为5%、20%、50%、80%上的预测误差最小。实验结果表明UCS-TF算法具有更好的推荐效果,同时将用户上下文相似度与张量分解模型结合,能有效缓解评分稀疏性的影响。     

边云协同计算中基于预测的资源部署与任务调度优化

数据集中处理的云计算模式提供交互迅速、绿色高效的多样化应用服务面临新挑战.将云计算能力扩展到边缘设备,提出了边云协同计算框架;设计了基于任务预测的资源部署算法,在云服务中心通过二维时间序列对任务进行预测,结合分类聚合、延迟阈值判定等优化边缘服务器任务运行所需资源部署;提出了基于帕累托优化的任务调度算法,在边缘服务器分2个阶段进行帕累托渐进比较得到用户服务质量和系统服务效应2个目标曲线的相切点或任一相交点以优化任务调度.实验结果表明：结合基于任务预测的资源部署算法与基于帕累托优化的任务调度算法在提高平均用户任务命中率基础上,其用户平均服务完成时间、系统整体服务效应度、总任务延迟率在不同用户任务规模、不同Zipf分布参数α的应用场景下,均优于基于帕累托优化的任务调度算法和基于FIFO(first input first output)的基准任务调度算法.     

网格计算中任务调度算法的研究和改进

任务调度一直是网格计算中的热点问题,任务调度的目的是最优地分配任务,实现最佳的调度策略,以高效地完成计算任务。在网格环境中,资源的合理有效利用是实现任务调度的关键问题之一。本文首先论述静态任务调度算法和动态任务算法的原理和优缺点等,然后结合Min-min、Max-min算法的优点设计一种新的调度算法SA-MM,根据资源的使用情况自适应调度相应算法进行任务到资源的映射。最后,用GridSim模拟工具对网格计算中Min-min、Max-min和SA-MM任务调度算法进行仿真实验,分析和比较它们的调度长度(MakeSpan)和资源负载情况等影响任务调度效率的指标。     

一种基于遗传算法的网格任务调度算法

任务调度算法是网格计算研究的一个重要方向,已被证明是一个NP完全问题。提出了一种新的网格任务调度算法。该算法基于遗传算法,为加快算法的收敛速度,在生成初始种群时优先分配关键路径上的任务;由于资源间存在着通信延迟,引入任务复制方法,并结合遗传操作控制任务复制的深度,可以减少任务之间的通信开销,缩短整个调度的完成时间;最后进行优化操作,减少冗余的任务复制。模拟实验结果表明,该算法在收敛速度和调度完成时间均优于普通遗传算法。     

网格资源超图划分聚类任务调度

网格计算是当前一个活跃的研究领域,其中任务调度是实现网格计算目标的一个重要部分.为获得良好的网格任务调度性能,提出了一种基于资源超图划分聚类的网格任务调度算法RHPC.该算法根据网格环境下资源数量庞大、异构、多样的特点,在构建的网格资源超图模型基础上,预先对资源进行性能划分聚类,将任务与聚类资源相匹配并实施调度.模拟实验结果证明算法缩短了任务资源相匹配的时间,提高了任务调度的性能,是一种有效的网格任务调度算法.     

Bandwidth‐aware divisible task scheduling for cloud computing

Task scheduling is a fundamental issue in achieving high efficiency in cloud computing. However, it is a big challenge for efficient scheduling algorithm design and implementation (as general scheduling problem is NP‐complete). Most existing task‐scheduling methods of cloud computing only consider task resource requirements for CPU and memory, without considering bandwidth requirements. In order to obtain better performance, in this paper, we propose a bandwidth‐aware algorithm for divisible task scheduling in cloud‐computing environments. A nonlinear programming model for the divisible task‐scheduling problem under the bounded multi‐port model is presented. By solving this model, the optimized allocation scheme that determines proper number of tasks assigned to each virtual resource node is obtained. On the basis of the optimized allocation scheme, a heuristic algorithm for divisible load scheduling, called bandwidth‐aware task‐scheduling (BATS) algorithm, is proposed. The performance of algorithm is evaluated using CloudSim toolkit. Experimental result shows that, compared with the fair‐based task‐scheduling algorithm, the bandwidth‐only task‐scheduling algorithm, and the computation‐only task‐scheduling algorithm, the proposed algorithm (BATS) has better performance. Copyright © 2012 John Wiley & Sons, Ltd.     

基于能耗与延迟优化的移动边缘计算任务卸载模型及算法

随着移动边缘计算的兴起,如何处理边缘计算任务卸载成为研究热点问题之一。针对多任务-多边缘服务器的场景,本文首先提出一种基于能量延迟优化的移动边缘计算任务卸载模型,该模型考虑边缘设备的剩余电量,使用时延、能耗加权因子计算边缘设备的总开销,具有延长设备使用时间、减少任务卸载时延和能耗的优点。进一步提出一种基于改进遗传算法的移动边缘计算任务卸载算法,将求解最优卸载决策的问题转化为求解种群最优解的问题。对比仿真实验结果表明,本文提出的任务卸载模型和算法能够有效求解任务卸载问题,改进后的任务卸载算法求解更精确,能够避免局部最优解,利于寻找最优任务卸载决策。     

基于雾计算的计算资源分配方案

雾计算可以为用户提供近距离的数据存储、计算和其他服务，因此雾计算中的任务调度和资源分配已经成为一个新的研究热点。考虑终端用户和雾设备通常处于一种相对开放的状态，扩展了雾计算的体系结构，提出一种开放式雾计算环境中基于稳定匹配的计算资源分配方案，利用雾网络中动态的计算资源协同为用户提供计算服务并收取计算收益，同时终端用户向雾服务器提交任务请求并支付一定的费用。基于稳定匹配的思想，利用子任务的优先级列表、子任务和计算服务设备的偏好列表解决子任务与计算服务设备的分配问题，保证任务的完成时间和计算服务设备的收益。通过实验对方案性能进行了分析，实验结果表明该方案的资源分配时间相对稳定，且在执行雾计算任务时延以及任务违规率上都优于SGA算法和ACOSA算法。     

Research on the collaboration of service selection and resource scheduling for IoT simulation workflows

Cloud resources provide a promising way to efficiently perform the needed simulation tasks for a complex manufacturing process. Most of the existing work focuses only on how to effectively schedule computing resources to execute computing requirements of simulation workflows in Internet of Things (IoT) applications. Research on the scheduling of simulation workflows in consideration of task ordering, service selection, and resource allocation altogether has not been lacking. To fill in this void, this paper proposes a cloud-based 3-stage workflow scheduling model. Before scheduling computing resources to complete task requirements, the order of the tasks is determined and the services that can meet the task requirements are selected. In this model, the workload to satisfy task requirements is not fixed and takes on a different value depending upon the service selected with its unique complexity and accuracy. An optimization function that transforms and integrates makespan, cost, and accuracy in a unique way is proposed. For its solution, the relatively new symbiotic organisms search (SOS) algorithm is modified and two SOS-based optimization strategies are developed, i.e., joint optimization-based SOS (JOSOS) and split optimization-based SOS (SOSOS). The simulation results reveal that SOS-based algorithms, especially the SOSOS method, outperform all compared algorithms. Based on the proposed method, simulation services and computing resources can be rationally selected and scheduled to ensure the requirements of IoT applications.     

基于改进GA的云计算任务调度算法

云计算通常需要处理大量的计算任务,任务调度策略在决定云计算效率方面起着关键作用。如何合理地分配计算资源,有效地调度任务运行,使所有任务运行完成所需的时间较短、成本较小是个重要的问题。提出一种考虑时间-成本约束的遗传算法(TCGA),通过此算法调度产生的结果不仅能使任务完成所需的时间较短,而且成本较小。通过实验,将TCGA与考虑时间约束的遗传算法(TGA)、考虑成本约束的遗传算法(CGA)进行比较,实验结果表明,该算法是云计算中一种有效的任务调度算法。     

多智能体边缘计算任务卸载

边缘计算技术的发展为计算密集型业务提供了一种全新的选择,低能耗、低时延、实时处理等词语不断被提及,任务卸载引起了众多学者的注意.任务在本地执行还是卸载到服务器上执行,以及卸载到哪一台服务器上执行成为必须要解决的问题.在多智能体环境中提出一种新的目标函数,并构建数学模型;建立马尔可夫决策过程,定义动作、状态空间以及奖励函...