DCAM平台下的分布式方面构件模型及协同框架的研究*

由于方面化中间件平台DCAM的方面内核实现机制没有提供对分布式环境下方面构件通信的支持,扩展了DCAM中方面内核的方面调用机制,提出了分布式方面构件模型以及分布式环境下方面构件的协同框架。扩展后的DCAM平台不仅保持了原平台对POJO的支持,同时通过对分布式协同框架的引入,使平台在分布式环境下具有更好的可扩展性和容错性,满足了按需计算的需求。最后通过应用实例对DCAM的分布式模型进行了可行性验证并给出了性能分析。     

也谈士官教育——Word一堂课教学设计

熟练掌握office办公软件,是士官学员毕业后参与部队训练、管理、教育必须掌握的技能。为了培养士官学员的这一技能,针对士官职业技术教育中实施信息技术基础教学既要引导学员对办公自动化软件基本功能的熟悉,又要有效指导学员具体实践操作,还要在所学知识的基础上能有拓展提高的要求,在Word一堂课教学实施过程中,可以采取任务驱动,能力训练项目来展开教学,以达到理想的成效。     

面向协作的组织结构设计的集成模拟研究

基于计算组织理论,采用了多Agent模拟和离散事件模拟的集成方法,以组织成员间的协作关系为出发点,分析了不同的协作模式对组织效率的影响,讨论了在这些协作模式下沟通机制和激励机制的作用,得到了一些对组织结构设计有意义的结论。     

NETEM阅读部分的真实性分析

从真实性的角度出发,利用Bachman的任务特征框架分析了NETEM阅读理解部分对考生交际语言能力的测试.分析表明,NETEM在输入材料方面有较高的真实性,任务涉及的语言能力的真实性也有很大的提高.但从输入与回答之间的关系看,个别题目未能体现交际语言能力的特点,仍有待改进.     

淤地坝监测场景下边缘计算协作式任务调度方法

针对目前我国西北地区淤地坝实时监测问题,研究了淤地坝监测与预警任务的调度方法.为避免淤地坝坝体隐患发现不及时,提高预警系统的时效性,本文考虑了任务卸载至边缘服务器的平均等待时间,提出了一种淤地坝监测场景下边缘计算协作式任务调度方法.根据任务计算量、边缘服务器计算能力等信息建立计算任务完成时间模型,然后采用模拟退火算法优化计算任务卸载位置,设计了一种多个边缘计算服务器相互协作的任务调度策略.实验结果表明,该方法有效降低了监测任务的计算时间,提高了监测预警的时效性.     

边缘计算在智慧交通系统中的应用

随着汽车的普及,交通拥堵问题日益严重,依靠传统云计算的智慧交通系统虽能在一定程度上缓解交通压力,但已无法满足辅助驾驶、自动驾驶等新型车载应用对传输带宽与时延的需求。为了实现海量数据的实时处理,保障公众信息及交通安全,提升交通系统运行效率,将边缘计算应用于智慧交通。首先对智慧交通的发展概况进行整体描述,提出基于边缘计算的智慧交通总体架构,充分利用边缘计算物理邻近、高带宽、低时延、位置认知的特点解决目前交通系统信息传递延迟、数据处理不及时、传输负载大等问题。然后,基于无线传输、信息感知、计算卸载及协同处理等方面阐述边缘计算应用于智慧交通亟需解决的关键技术。最后,指出边缘计算应用于智慧交通面临的未来机遇与挑战。     

移动边缘计算中基于Lyapunov的任务卸载与资源分配算法

移动边缘计算（MEC）通过将计算和存储资源部署在无线网络边缘,使得用户终端可将计算任务卸载到边缘服务器进行处理,从而缓解终端设备资源受限与高性能任务处理需求之间的冲突。但随着任务卸载规模的不断增加,执行任务所产生的功耗急剧上升,严重影响了MEC系统的收益。建立任务队列动态调度模型,以队列上溢概率为约束构建最大化系统平均收益的资源优化模型。考虑到资源优化问题为不同时隙下的耦合问题,运用Lyapunov优化理论设计一种基于单时隙的资源分配算法,将优化问题转化为用户本地计算资源分配、功率和带宽资源分配以及MEC服务器计算资源分配3个子问题并分别进行求解。仿真结果表明,该算法在满足用户QoS需求的同时能够有效提高MEC系统的时间平均收益。     

横向整合战略下异质车辆库存路径优化模型

以实现供货商联盟期望物流成本最小化为目标,针对需求随机波动下的多供货商多产品库存路径问题（IRP）进行了研究。基于横向整合战略,设计了供货商联盟成员间车辆配送成本的合理分摊方式。考虑零售商配送软硬时间窗和库存服务水平要求,构建了多供货商多产品的异质车辆库存路径混合整数随机规划模型,并利用需求累积分布逆函数将其转化为确定型规划模型。然后设计改进遗传算法求解该确定型规划模型。算例分析结果显示,使用异质车辆配送可以比使用同质重型和轻型车辆分别降低供货商联盟总成本8.3%和11.92%,分别提升配送车辆装载率24%和17%。敏感性分析结果表明,无论供货商供货数量占联盟总供货数量比例和零售商商品需求变异系数如何变化,采用异质车辆配送的供货商联盟总成本都能得到有效降低;且需求变异系数越大,采用异质车辆配送的优势越明显。     

基于概率性能感知演化博弈策略的“云+边”混合环境中任务卸载方法

针对“中心云服务器+多个边缘服务器”构成的“云+边”混合环境中多任务卸载效率不足的问题,提出了一种基于概率性能感知演化博弈策略的任务卸载方法。首先,在一个“中心云服务器+多个边缘服务器”构成的“云+边”混合环境中,假设其中分布的边缘服务器具有时变波动的性能,采用一种基于概率性能感知演化博弈策略的任务卸载方法对边缘云服务器的历史性能数据进行概率分析,以获得演化博弈模型;然后,生成服务卸载的演化稳定策略（ESS）,使每个用户都能在获得高满意度的前提下进行任务的卸载。基于云边缘资源位置数据集和云服务性能测试数据集进行模拟实验,在24个连续时间窗口上进行不同方法的测试比较。实验结果表明,所提方法在多个性能指标上都优于传统的贪婪（Greedy）算法、遗传算法（GA）和基于纳什均衡的博弈论算法等任务卸载方法。该方法的平均用户期望达成度相较于三个对比方法分别提升了13.7%、117.0%、13.8%,平均卸载时延分别降低了6.5%、24.9%、8.3%,平均货币成本分别降低了67.9%、88.7%、18.0%。     

云计算环境任务调度方法研究综述

随着应用程序计算需求的快速增长,异构计算资源不断地增多,任务调度成为云计算领域中重要的研究问题。任务调度负责将用户任务匹配给合适的虚拟计算资源,算法的优劣将直接影响响应时间、最大完工时间、能耗、成本、资源利用率等一系列与用户和云服务供应商经济利益密切相关的性能指标大小。针对独立任务和科学工作流这两类云环境主流任务,结合不同云环境特征对任务调度算法研究进展进行综述和讨论。回顾梳理已有的任务调度类型、调度机制及其优缺点;归纳单云环境和混合云、多云及联盟云等跨云环境下任务调度特征,并对部分相关典型文献的使用方法、优化目标、优缺点等方面进行阐述,在此基础上讨论各个环境下任务调度研究现状;进一步对各类环境下文献使用的调度优化方法进行梳理,明确其使用范围;总结并指出需要对计算数据密集型应用在跨云环境下的任务调度研究进行重点关注。