分布式文件系统元数据服务的负载均衡框架

请求负载均衡,是分布式文件系统元数据管理需要面对的核心问题.以最大化元数据服务器集群吞吐量为目标,在已有元数据管理层之上设计实现了一种分布式缓存框架,专门管理热点元数据,均衡不断变化的负载.与已有的元数据负载均衡架构相比,这种两层的负载均衡架构灵活度更高,对负载的感知能力更强,并且避免了热点元数据重新分布、迁移引起的元数据命名空间结构被破坏的情况.经观察分析,元数据尺寸小、数量大,预取错误元数据带来的代价远远小于预取错误数据带来的代价.针对元数据的以上鲜明特点,提出一种元数据预取策略和基于预取机制的元数据缓存替换算法,加强了上述分布式缓存层的性能,这种两层的元数据负载均衡框架同时考虑了缓存一致性的问题.最后,在一个真实的分布式文件系统中验证了框架及方法的有效性.     

基于业务的电力通信网风险评价方法

针对传统电力通信网风险评价方法的单一性,提出了一种基于业务的电力通信网风险综合评价方法。评价方法首先基于业务分析电力通信网链路的运行风险;其次从网络拓扑角度分析各链路对网络的重要性并得到链路权重值;利用链路权重和链路风险值进行综合运算,从而得到网络风险值和网络风险均衡度这两项风险评价指标值。以一个由8个节点、12条链路组成的基础网络为例,构建电力通信网络模型进行仿真,仿真结果证明了综合评价方法所得指标的有效性与准确性,并可为网络风险控制提供参考,具有现实意义,在风险管理方面有一定的应用前景。     

证券数据中心网络系统

数据中心作为证券等金融机构关键数据平台,其网络系统地位极为重要。针对某证券公司在实施数据中心建设过程,根据需求提出了网络中心设计原则和建设目标,阐述了其数据中心网络系统的核心业务网络、交易与办公系统网络、广域网等不同网络系统的设计方案。新的网络系统设计经运行表明,满足了系统业务需求,实现了建设目标。     

配电网重构的凸模型

推导出了配电网重构的混合整数二次规划模型、二次规划二次约束模型和二阶锥规划模型,并提出有连续凸松弛的AC潮流问题。所提各模型可由标准商业软件可靠、有效地解决最优性问题。在推导各模型的过程中,得到了放射性网络潮流的近似原始二次约束模型和二阶锥规划模型。     

基于云自适应遗传算法的LVS 负载均衡改进算法

针对LVS系统存在负载倾斜问题,改进了系统中带权值参数的负载均衡算法．先通过服务器节点反馈的参数计算出服务器节点的负载,再采用云自适应遗传算法根据负载为各服务器节点分配权值,进而实现改进算法．实验证明,改进算法比传统算法提高约10％的性能,可使系统有效地实现动态负载均衡．     

基于特征加权距离的双指数模糊子空间聚类算法

传统的模糊聚类算法(FCM)使用欧氏距离计算数据点之间的差异时,对于高维数据集聚类效果不够理想.对此,以FCM算法的目标函数为基础,用特征加权距离代替传统的欧氏距离,同时向约束条件中引入指数γ和β,提出了一种基于特征加权距离的双指数模糊子空间聚类算法,并讨论了该算法的收敛性.实验表明,所提出算法可以有效提取高维数据集各类别的相关特征,在真实数据集上有较好的聚类效果.     

面向混批加工的装夹方案选择与线平衡集成优化方法

针对一类多种箱体类同族零件混批加工的装夹方案选择与线平衡问题,提出一种集成优化方法。考虑操作优先关系和生产线产能约束,以节拍、夹具种类、平衡率和整线平滑系数为优化目标,分析了不同装夹组合下的各零件生产指标。引入多零件批量比重系数,并采用改进遗传算法对模型进行求解。最后,以某企业两缸体混批生产线为例,验证了该方法的有效性和高效性。     

一种基于Linux集群技术的负载均衡方法

针对单纯提高硬件性能已经无法解决的网络服务质量问题,提出一种基于Linux集群技术的负载均衡分配方法。在Linux虚拟服务器异构集群的基础上,引入动态反馈模型来优化采集负载信息的通信机制,并通过智能分配策略来避免传统轮询算法对服务器资源的过度消耗。结合Linux脚本及命令进行性能测试,实验结果表明,提出的智能分配方法比加权轮询算法具有更好的响应时间和吞吐量。     

TDF120-250×9型渣油泵平衡盘改造

分析了TDF120-250×9型渣油泵平衡盘频繁失效的原因,提出了一种新型的动力楔平衡盘结构,试用情况表明.该新型平衡盘可有效避免平衡盘与平衡盘座贴合而造成的严重磨损,平衡盘使用寿命显著延长;同时又具有逆流泵送作用,减小了泄漏量,节约了能源。     

抽象网格工作流中数据集划分方法的研究

通过分析AGWL中已有的数据集划分方法,发现在涉及到数据子集相关性时,现有的研究方法仅是通过一种定性的复制数据块间部分子数据集的方法进行处理的,并没有基于数据子集相关性给出合适的划分方法.针对这一状况,提出了一种使用矩阵对数据集进行划分的方法.首先用矩阵的下标表示子数据集,矩阵值表征相对应的子数据集的相关性,然后通过对矩阵值与一个设定的阈值的比较,对矩阵进行归并处理,最终实现了一种基于数据子集相关性和灵活性的数据集划分方法.