云环境下基于功耗感知的虚拟机博弈迁移算法

为了达到降低云环境下数据中心过高能耗的目的,提出一种基于功耗感知的虚拟机非合作博弈迁移算法PANMA。该算法主要分为基于中值绝对偏差的物理机选择、基于负载最大相关的虚拟机选择和基于非合作博弈的虚拟机迁移三个步骤。实验结果表明,该算法极大地减少了数据中心能量消耗。     

基于混合粒子群算法的虚拟数据中心能耗优化

针对当前数据中心节能整合研究中仅考虑服务器能耗的现状,提出一种同时考虑服务器和网络设备能耗的方法。该方法通过感知数据中心的网络拓扑,使运行的服务器和网络设备最少,以此最小化能耗。对问题进行新的形式化建模,并设计一种混合的粒子群优化算法HPSO-NA来实现虚拟机整合。实验结果表明,该方法能有效降低整体能耗。     

基于负载分时分析的虚拟服务整合建模分析

介绍了一种面向下一代绿色数据中心的虚拟服务整合方案。基于服务负载高峰处于不同时段的原理,提出了基于负载分时分析的建模方法,在保证QoS的前提下能够达到资源利用率最大化。考虑了服务之间的联系性和互斥性,以及服务与服务器之间的兼容性,提出了5项整合原则,使该方案具有更强的实际应用价值。将建立的模型看作是有约束的多维装箱问题,提出了基于分组遗传算法(GGA)的智能优化算法搜索全局最优解。通过实验表明,该方案与之前的模型相比具有更高的整合率。     

基于图形处理器的并行遗传过程挖掘

为提高遗传过程挖掘算法对大规模事件日志处理的性能,该文提出一种基于GPU的并行遗传过程挖掘算法。由于传统基于二进制的染色体编码不能表示因果矩阵中的AND-Split/AND-Join和OR-Split/OR-Join结构,提出一种新的染色体编码方案。该方案通过内容、标识、位置3个数组,有效地解决了GPU上因果矩阵的遗传表示问题。同时,设计并实现了高效的遗传交叉/变异算子和适应度并行计算方法。仿真实验表明,与当前CPU上的遗传过程挖掘算法相比,本文算法在求解精度和收敛速度方面都具有明显优势,并且在两个数据集上分别取得36.4倍和47.2倍的执行时间加速比。     

用于多核嵌入式环境的硬实时任务感功调度算法

充分考虑当前CMOS多核嵌入式处理器片上仅提供全局动态电压缩放(DVS)支持以及亚纳米时代后CMOS处理器泄露功耗不可忽视的现状,提出一种新的多核嵌入式环境中的硬实时任务感功调度算法GRR&CS。算法通过基于贪心法的静态任务划分,基于全局资源回收利用和任务迁移的动态负载均衡,以及动态核缩放三个步骤实现整体能耗的降低,并同时保证实时任务的可调度性约束。实验表明,提出的算法相比较现有算法多节省14.8%~41.2%的能耗。     

面向时间序列有序分类的Shapelet抽取算法

当前面向时间序列有序分类的Shapelet抽取算法，首先计算Shapelet与时间序列之间的欧式距离及其类别标签之间的距离，然后根据两种距离的皮尔逊相关系数或斯皮尔曼相关系数来对Shapelet进行评价，效率较低。针对该问题，提出一种基于SAX表示时间序列的Shapelet评价指标CD-Cover，该指标同时考虑Shapelet对时间序列数据集的覆盖集中度和覆盖优势度。其次，提出一种基于随机采样的Shapelet抽取算法，该算法采用布隆过滤器对候选Shapelet进行预剪枝，采用移除自相似策略对抽取结果进行后剪枝。在11个时间序列公开数据集上的实验结果表明，相比现有方法，该算法抽取的Shapelet具有更好的有序分类能力，且算法的计算效率也更高。