基于CT-RAG和学习量子粒子群的云计算任务-资源分配算法

目前已有的云计算任务-资源分配算法仅针对独立任务进行同构资源分配,同时在分配时未考虑任务优先级;为了克服其缺点,提出了一种基于虚拟CT-RAG(Task-Resource Assignment Graph in Cloud Environment, CT-RAG)和学习量子粒子群的任务-资源分配模型;首先,定义了虚拟CT-RAG图和任务优先级,并描述了采用其获取任务-资源分配方案初始解的方法;然后采用具有学习能力的量子粒子群在可行解空间中寻优,通过为粒子安装学习机,粒子在每轮迭代的过程中根据适应度的变化情况自适应地调整动作选择概率,从而加快获取全局最优解和加快收敛速度;仿真实验表明:文中方法能有效地解决云计算环境下依赖型任务的异构资源调度,获取了全局最优解356.67,较其它方法具有较大的优越性。     

基于DAG任务依赖和Q-Learning蚁群算法的在线网格集群资源调度

网格集群资源调度是一个NP难题,而现有的调度方法通常具有任务调度效率低和负载不均衡的问题,由此设计了一种基于Q-Learning算法和蚁群算法融合的协同依赖型任务调度方法。首先对基于DAG的网格集群协同调度数学模型进行了定义,然后,采用改进的一步TD算法即Q-Learning算法实现集群资源的初始分配,从而得到最优调度方案以及对应的Q值,在此基础上提出一种改进的蚁群算法实现网格集群资源到任务分配的进一步优化,将Q-Learning算法得到的分配方案的Q值用于初始化蚁群路径中的信息素,以避免蚁群的盲目搜索,同时将Q值引入路径概率函数中使得蚂蚁具有启发式的搜索能力,从而获得协同依赖多任务集群调度的最终方案。在Gridsim环境下进行仿真试验,结果表明文中方法能有效地实现网格集群调度,且较其它方法具有任务调度效率高、CPU利用率高和负载均衡的优点,具有较大的优越性。     

基于强化蚁群算法的任务DAG在线网格集群资源调度

网格集群资源调度是一个NP难题,而现有的调度方法通常具有任务调度效率低和负载不均衡的问题,由此设计了一种基于强化学习算法和蚁群算法融合的协同依赖型任务调度方法;首先对基于DAG的网格集群协同调度数学模型进行了定义,然后,采用改进的一步TD算法即Q-Learning算法实现集群资源的初始分配,从而得到最优调度方案以及对应的Q值,在此基础上提出一种改进的蚁群算法实现网格集群资源到任务分配的进一步优化,将Q-Learning算法得到的分配方案的Q值用于初始化蚁群路径中的信息素,以避免蚁群的盲目搜索,同时将Q值引入路径概率函数中使得蚂蚁具有启发式的搜索能力,从而获得协同依赖多任务集群调度的最终方案;在Gridsim环境下进行仿真试验,结果表明文中方法能有效地实现网格集群调度,且较其它方法具有任务调度效率高、CPU利用率高和负载均衡的优点,具有较大的优越性。     

一种用于云计算资源调度的双向蚁群优化算法

对云计算环境中的资源调度问题进行了研究,针对蚁群优化算法(ACO)在处理大规模组合优化问题时易陷入搜索速度慢和局部最优解的缺陷,提出了一种实现云计算负载均衡的双向蚁群优化算法(BACO)用于资源调度;该算法考虑到了每个虚拟机的负载和计算能力,同时在云环境中引入了蚂蚁的向前移动和向后移动;最后通过在CloudSim平台进行仿真实验,结果表明该算法的总任务完成时间较短,具有较好的寻优能力,并且能够实现负载均衡,是一种有效的资源调度算法。     

基于多维评价模型及改进蚁群优化算法的云计算资源调度策略

针对云计算环境下资源调度模型未充分考虑资源评价的问题,为更好适应不同节点计算性能和大规模数据环境的处理需求,提出了一种基于多维评价模型的虚拟机资源调度策略。首先,在云计算环境下建立包括网络性能在内的多维资源评价模型,在此基础上提出一种改进的蚁群优化算法实现资源调度策略;然后在云计算仿真平台CloudSim上进行实现。实验结果表明,该算法可以更好适应不同网络性能的计算环境,显著提高了资源调度的性能,同时降低了虚拟机负载均衡离差,满足了云计算环境下的虚拟机资源负载均衡需求。     

Mixed-Line-Rate IP over OTN网络中基于蚁群算法的路由和资源分配策略(英文)

混合线路速率场景下光传送网业务的路由和资源分配问题需要进行特定研究;根据网络的总代价更新蚁群的信息素表,对网络进行虚拓扑重构,由此实现基于蚁群算法的光网络路由和资源分配问题的启发式算法;并通过控制业务光路的时延来平衡网络的服务质量和成本.通过与k短路算法的仿真比较得出,对网络总代价而言,在不同的网络负载下,相对k短路算法,本算法拥有20%左右的性能优势;通过对不同线路速率及混合线路速率下的性能比较得出,本算法能很好地适应混合线路速率的场景并实现其优势,对解决混合线路速率场景下的光传送网业务路由和资源分配问题拥有良好的效果.     

基于云计算的并行K-means聚类算法研究

目前数据呈爆炸式增长,海量存储状态,给聚类研究带来了诸如计算复杂性和计算能力不足都很多问题;而云计算平台通过负载均衡,动态配置大量的虚拟计算资源,有效地突破了耗时耗能的瓶颈,在海量数据挖掘中体现出了其独特的优势;文章深入研究了基于云计算平台Hadoop的并行K-means算法,并结合MapReduce分布式计算模型,给出了算法设计的方法和策略,包括MapReduce处理的map、shuffle和Reduce 3个过程,仿真结果表明K-means并行算法的效率较高。     

基于依赖型任务和Sarsa(λ)算法的云计算任务调度

针对现有的云计算任务调度算法具有的任务调度时间长和系统负载不均衡的缺点,提出了一种基于依赖型任务和Sarsa(λ)算法结合的依赖型任务调度方法;首先对调度目标模型进行了定义,以最小化调度策略的最晚完成时间作为调度目标,然后将任务调度模型建模为马尔科夫决策过程MDP,在此基础上,基于MDP采用Sarsa算法实现对状态动作值的更新,为了加快算法的收敛速度,在状态动作值更新的过程中加入资格迹,给出了资格迹的更新方式;最后,定义了基于依赖型任务DAG图和Sarsa(λ)的云计算任务调度算法;在Cloudsim环境下进行仿真试验,结果表明文中方法能有效地实现依赖型任务调度,且较其它方法相比,具有任务调度时间短和负载均衡的优点,是一种适合云计算环境的可行任务调度方法。     

云计算中一种改进的猴群算法在资源分配中研究

针对云计算中的任务完成时间和费用如何进行更好的分配问题,文章将猴群算法引入到云计算资源分配中,针对猴群算法自身存在收敛速度快,易陷入局部最优的情况;在猴群算法的初始化中引入混沌算法来优化位置,对算法中的爬过程采用定位步长和对望过程的视野距离引入参数进行改进;改进后的算法在性能和收敛速度有了明显了改进,通过CloudSim仿真平台表明文章算法与其他智能算法相比在资源分配时间,能量消耗以及资源节点吞吐量,传输率方面方面具有一定的改进,提高了云计算资源分配效率。     

基于鱼群算法的OFDMA自适应资源分配

针对多用户正交频分多址系统自适应资源分配问题, 提出了一种新的子载波和基于鱼群算法的功率自适应分配算法. 该算法首先对总功率在子载波间均等分布的条件下进行子载波分配,然后引入鱼群算法并根据给出的兼顾用户公平性与系统容量的适应度函数,通过全局搜索实现用户间的功率分配. 仿真结果表明,新算法在保证用户公平性的同时, 还实现了系统总的传输速率最大化. 关键词： 多用户正交频分多址 资源分配 鱼群算法 速率最大化     

基于膜计算和蚁群算法的融合算法在云计算资源调度中的研究

针对云计算下的资源调度的问题,提出将蚁群算法的个体与云计算中的可行性资源调度进行对应,首先对云计算资源调度进行描述,其次针对蚁群算法的路径选择引入了平衡因子,对信息素进行了局部研究和全局研究,将蚁群个体引入到膜计算中,通过膜内运算和膜间运算,提高了算法的局部和全局收敛的能力,最后在云计算资源分配中,引入匹配表概念,将云计算任务和资源进行匹配,融合后的算法提高了算法的整体性能.仿真实验说明在网络消耗,成本消耗,能量消耗上有了明显的降低,提高了资源分配效率。     

基于遗传算法的云计算资源调度策略研究

对云计算环境中的资源调度问题进行了研究,鉴于当前云计算环境中资源利用率不高,节点负载不均衡的问题,提出了一种新的基于遗传算法的关于虚拟机负载均衡的调度策略。根据历史数据和系统的当前状态以及通过遗传算法,该策略能够达到最佳负载均衡和减少或避免动态迁移,同时还引入了平均负载来衡量该算法的全局负载均衡效果。最后通过在CloudSim平台进行仿真实验,结果表明,该策略具有相当好的全局收敛性和效率,当系统虚拟机被调度之后,算法在很大程度上能够解决负载不均衡和高迁移成本问题,并且极大地提高了资源利用率。     

Many-Objective Quantum-Inspired Particle Swarm Optimization Algorithm for Placement of Virtual Machines in Smart Computing Cloud

Particle swarm optimization algorithm (PSO) is an effective metaheuristic that can determine Pareto-optimal solutions. We propose an extended PSO by introducing quantum gates in order to ensure the diversity of particle populations that are looking for efficient alternatives. The quality of solutions was verified in the issue of assignment of resources in the computing cloud to improve the live migration of virtual machines. We consider the multi-criteria optimization problem of deep learning-based models embedded into virtual machines. Computing clouds with deep learning agents can support several areas of education, smart city or economy. Because deep learning agents require lots of computer resources, seven criteria are studied such as electric power of hosts, reliability of cloud, CPU workload of the bottleneck host, communication capacity of the critical node, a free RAM capacity of the most loaded memory, a free disc memory capacity of the most busy storage, and overall computer costs. Quantum gates modify an accepted position for the current location of a particle. To verify the above concept, various simulations have been carried out on the laboratory cloud based on the OpenStack platform. Numerical experiments have confirmed that multi-objective quantum-inspired particle swarm optimization algorithm provides better solutions than the other metaheuristics.     

基于CP-ABE的云计算改进属性加密安全访问控制策略设计

针对云计算存储中心由于数据和访问控制的安全性无法得到有效保障,从而可能造成用户存储的敏感数据被盗取的问题,现有的解决方法往往通过加密数据密钥,并通过对数据加密来解决安全性问题,但这些方法没有对访问控制的整个过程进行全面的定义和描述,同时仍然具有较大的时空开销。为此,在对CP-ABE(eiphertext-policy attribute-based encryption)进行深入分析的基础上提出了一种基于改进属性加密访问控制模型,然后对CP-ABE进行改进,并对公钥和主密钥的生成、数据所有者加密文件、访问用户解密文件以及用户权限的全面管理过程均进行了详尽的定义和描述,从而设计了一种通用的安全访问机制。在仿真工具Ubuntu中进行实验,结果表明文中方法能有效地实现云计算环境下的安全访问控制,与其它方法相比,具有计算和存储开销低优点,具有较大的优越性。     

文化框架下多群智能优化算法的云作业调度

作业调度是一种云计算核心技术,为了获得更优的云计算作业调度方案,提出一种文化框架下多群智能优化算法的云作业调度方法。首先构建云作业调度问题的数学模型,然后借助文化算法模型,粒子群算法组成信仰空间,人工鱼群算法组成群体空间,两者之间并行演化,相互促进,对云计算作业调度数学模型进行求解,最后通过仿真实验测试算法的性能。结果表明,本文加快了算法的收敛速度,获得了更优的云计算作业调度方案,大幅度缩短少云计算作业完成时间,具有一定的实用价值。     

基于云计算Hadoop异构集群的并行作业调度算法

针对Hadoop异构集群中计算和数据资源的不一致分布所导致的调度性能较低的缺点,设计了一种基于Hadoop集群和改进Late算法的并行作业调度算法;首先,介绍了基于Hadoop框架和Map-Reduce模型的调度原理,然后,在经典的Late调度算法的基础上,对Map任务和Reduce任务的各阶段执行时间进度比例进行存储和更新,为了进一步地提高调度效率,将慢任务迁移到本地化节点或离数据资源较近的物理节点上,并给了基于改进Late算法的作业调度流程;为了验证文中方法,在Hadoop集群系统上测试,设定1个为Jobtracker主控节点和7个为TaskTracker节点,实验结果表明文中方法能实现异构集群的作业调度,且与其它方法比较,具有较低的预测误差和较高的调度效率。     

基于安全性约束和协同禁忌优化算法的云计算工作流调度

针对现有的云计算工作流调度方法侧重于节能和可靠性等方面进行研究,忽略了安全性约束的要求,设计了一种基于协同禁忌算法的具有安全型约束的能实现云计算工作流高效调度的方法。首先,定义了云计算工作流调度的DAG图,对安全性约束进行了形式化描述,并建立了云计算工作流调度的数学模型。然后,在经典的协同禁忌算法的基础上,通过设计解的编码方式、适应度函数、变邻域结构和双禁忌表,实现对经典的协同禁忌算法进行改进。最后,定义了基于改协同禁忌算法实现对云计算工作流调度的具体算法。在云计算的仿真环境Cloud-Sim下进行实验,实验结果证明了文中方法不仅具有较快的收敛速度,而且能寻求到比其它方法更优的调度方案,能满足安全性约束要求,是一种可行实用的调度方法。     

基于云计算的大数据自动分类处理系统设计

随着现代网络技术不断进步,系统数据量也在逐渐增多。传统的大数据自动分类处理系统已经无法满足现阶段用户需求,其软件与硬件的设计都比较单一,存在能源消耗大、分类速度慢、处理时间长、内存占用率高等问题,为此,提出基于云计算的大数据自动分类处理系统的设计。首先设计系统硬件结构,主要包括数据采集器、数据处理器以及数据自动存储模块,并详细的介绍了各硬件结构;然后利用时域特征提取数据的算法对频域特征数据进行提取,从而实现数据自动分类处理系统的软件设计;最后对两种系统性能进行对比实验。实验结果证明,基于云计算的大数据自动分类处理系统的资源不仅占用率低,内存消耗小,而且数据库内存较大。该系统不但可以提高数据自动分类精准度,还能加快数据分类速度,从而使系统拥有更好的分类性能。