排序方式: 共有9条查询结果,搜索用时 15 毫秒
1
1.
3.
任务的调度与分配一直以来都是云计算技术发展中的关键问题。然而,随着物联网连接设备的爆炸式增长,云计算已不能满足一些任务的调度需求,如健康检测、应急响应等都需要较低的延迟,雾计算应运而生。雾计算将云的服务扩展到网络边缘。雾计算架构下的任务调度与分配目前还是一个较新的研究热点。文中介绍了一种改进的遗传算法(IGA),该算法将适应度判断引入到亲代变异操作中,克服了基本遗传算法(SGA)在变异操作中的盲目性。在雾计算架构下采用该算法调度任务时考虑了服务等级目标(SLO)中响应时间的约束(FOG-SLO-IGA)。实验结果表明,FOG-SLO-IGA调度用户任务时在时延、SLO违规率以及服务提供商的花费上均低于云计算架构下采用IGA的调度(CLOUD-IGA);同时,在雾端调度任务时,IGA算法在执行速度上要快于传统SGA算法和轮询调度算法(RRSA)。 相似文献
4.
5.
7.
基于数据并行化的异步随机梯度下降(ASGD)算法由于需要在分布式计算节点之间频繁交换梯度数据,从而影响算法执行效率。提出基于分布式编码的同步随机梯度下降(SSGD)算法,利用计算任务的冗余分发策略对每个节点的中间结果传输时间进行量化以减少单一批次训练时间,并通过数据传输编码策略的分组数据交换模式降低节点间的数据通信总量。实验结果表明,当配置合适的超参数时,与SSGD和ASGD算法相比,该算法在深度神经网络和卷积神经网络分布式训练中平均减少了53.97%、26.89%和39.11%、26.37%的训练时间,从而证明其能有效降低分布式集群的通信负载并保证神经网络的训练精确度。 相似文献
8.
随着分布式系统规模扩大及计算复杂度增加,分布式计算的平均故障修复时间和容错计算所产生的通信开销呈现日益上升趋势。结合分布式编码计算和副本冗余技术,提出一种新的容错算法。map节点应用分布式编码计算的思想,将数据冗余分配至多个计算节点创建编码中间结果,降低计算节点在shuffle阶段的数据传输量。reduce节点通过对接收到的编码中间结果进行解码,从而验证中间结果的正确性并得到最终计算结果。实验结果表明,在基于MapReduce的分布式计算框架下,与三模冗余和两阶段三模冗余容错算法相比,该算法在完成容错计算的同时能降低计算过程中的通信开销和平均故障修复时间,并提高分布式系统的可用性和可靠性。 相似文献
9.
Docker的发展使得操作系统级虚拟化的容器渐渐兴起,容器即服务(CaaS)也越来越普及。随着容器技术的发展,容器将成为云环境中的主要部署模型,但针对容器的整合部署技术还未得到广泛的研究。容器化云环境中的容器数量众多,如何将众多的容器部署到合适的虚拟机以降低 数据中心能耗,成为了一个亟待解决的问题。因此,文中创新性地将机器学习中的几种相似度计算方法作为稳定匹配算法的偏好规则,同时将已经拟分配过容器的虚拟机继续加入偏好列表,从而将一对一的稳定婚姻匹配算法改进为多对一的稳定匹配,解决了将容器整合到虚拟机上的初始化部署问题。仿真实验结果表明 , 采用优化的稳定匹配算法来初始化将部署容器时,不仅SLA违规较低,而且比FirstFit,MostFull以及Random算法分别约节能12.8%,34.6%和30.87%,其中使用欧氏距离作为稳定匹配算法偏好规则的节能效果最好。 相似文献
1