面向服务可靠性的云资源调度方法

随着云计算成为重要的信息基础设施,越来越多的应用迁移到云上,云服务的可靠性日益重要,尤其是边缘计算新模式的引入,对云服务可靠性提出了更高的要求.如何通过资源调度保障服务可靠性成为了当前研究的热点.为此,针对云-边协同的应用场景,开展面向服务可靠性的云资源调度方法研究,提出基于马尔科夫预测模型的云资源调度算法,实现节点负载判断、待迁移任务和节点选择、迁移路由的决策,以解决云服务节点失效情况下的任务调度和负载均衡问题,实现快速的云服务故障恢复,提高云服务的可靠性.实验结果表明,本文所提方法能够有效保证节点失效情况下的服务可靠性.     

面向电网业务质量保障的5G高可靠低时延通信资源调度方法

该文研究面向电网业务质量保障的5G 高可靠低时延通信(URLLC)的资源调度机制,以高效利用低频段蜂窝通信系统内有限的频谱和功率资源来兼顾电力终端传输速率和调度时延、调度公平性,保障不同电力业务的通信质量（QoS）。首先,基于URLLC的高可靠低时延传输特性,建立电力终端多小区下行传输模型。然后,提出面向系统下行吞吐量最大化的资源分配问题模型并对其进行分步求解,分别提出基于定价机制与非合作博弈的功率分配算法和基于调度时延要求的改进比例公平算法（DPF）动态调度信道资源。仿真结果表明,提出的资源调度方法能在保证一定传输可靠性和公平性的条件下降低电力终端调度时延,满足不同业务等级的QoS需求,与已知算法对比有一定的优越性。     

面向业务的多终端动态协同构造机制

在MANET组成的泛在末梢环境中,网络的时变性和终端能力的有限性无法保证持续性的高质量异构业务。该文首先定义了通用的泛在个性化业务模型,并提出了综合业务上下文信息的多终端协同问题;在此基础上,提出了基于启发式的多终端协同构造机制,实现执行业务终端集合的构造,包括业务发起、多终端协同构造和质量监测3部分;最后,通过OPNET和MATLAB仿真,在支持差异性业务的同时,丢包率较动态嵌入式任务任播(DTA)提高了3%～17%,达到了面向业务的终端任播(SDA)相同的水平,并且在能耗方面相对于前两者节约了0%～20%,同时缩短了业务重启过程的时间,由此证明该机制具有较优的效率。     

基于风险均衡的电力通信业务的路由分配机制

在智能电网中,如何有效降低电力通信安全风险成为电力系统亟需解决的问题之一.而业务路由是影响通信风险的重要决定因素,但是现有的路由算法中没有考虑电力通信业务的特殊性,会引起通道段中业务分布不均衡,进一步导致通道段和网络的整体风险增大.为此,该文提出面向业务的风险均衡路由分配机制来降低通道段和网络整体风险.首先,该机制综合业务重要度和通道可用性等因素,建立了面向业务的风险均衡问题模型.其次,基于该模型提出一个面向业务的路由风险均衡机制.最后,通过基于某省电力通信网拓扑数据进行仿真,相对于传统的可用性路由(ARR)和负载均衡(LB)算法,该文所提机制能将业务通道风险均衡度提高30%以上,并将网络总体风险度降低至少6%,具有很强的现实意义.     

基于计时器的最小连通支配集生成算法

在分簇的MANET中,基于计时器思想提出最小连通支配集生成算法,实现动态拓扑下骨干网构建与重构,证明了算法正确性。仿真结果表明,该算法能以少量消息开销,生成较小连通支配集,快速调整骨干网适应拓扑变化。     

一种面向智能电网数据采集的传感器聚合布局构造算法

智能电网中分布着大量的无线传感器用于监测智能电网设备和用户的运营状态信息,原始监测数据都采集到数据处理中心会给数据采集通信网络带来极大的数据流量压力。采用在数据采集过程中进行数据聚合的策略,将极大地缩减数据流量,降低通信网络的开销。因此聚合节点的选择以及聚合拓扑的构造成为智能电网数据采集的关键问题。该文提出一种基于层次聚类的异步分布式聚合布局构造算法。该算法首先按照层次聚类把所有节点按照距离的远近聚合构造出一棵采集树。随后计算出最佳分组数,按照该分组数进行分组。然后按照异步分布式策略进行最佳聚合节点的选择以及最佳传输拓扑的构造。仿真实验表明,该算法可以快速找到具有最小开销的数据聚合方式,提高智能电网数据采集网络的效率。     

基于改进遗传算法的电力光传输网规划方法

为保证建成的电力通信网络满足智能电网坚强可靠、经济高效的需求,提出一种兼顾网络建设成本和网络可靠性的电力光传输网线路规划方法,设计出基于站点成环率和电压等级的可靠性函数,建立了线路规划问题的多目标优化模型,在此基础上,用改进的遗传算法对问题进行求解,仿真结果表明,提出的规划方法能够提供有效的线路规划方案,具备较优的算法性能。     

面向多工作流的基于容器的边缘微服务选择机制

边缘计算已经成为物联网(IOT)的有效解决方案,微服务模型将物联网应用程序划分为一组松散耦合、相互依赖的细粒度微服务。由于边缘节点资源有限,并发请求争夺容器实例,如何在移动边缘计算环境下为复杂工作流应用的并发请求生成合适的微服务执行方案是一个需要解决的重要问题。为此,该文首先建立了基于容器的微服务选择架构,并构建了服务时延模型和网络资源消耗模型,以减少平均延迟和网络消耗。其次,提出一种基于优先级机制和改进蚁群的微服务选择算法(MS-PAC),利用任务截止时间优先分配紧急任务以保证延迟,并利用蚁群算法的信息素机制寻找全局最优解。实验表明,该算法能有效地降低平均时延和网络消耗。     

基于位置预测的智慧公路边缘任务协同机制

近年来智慧公路为用户提供了道路监测、辅助驾驶等新型服务,但随之而来的是数据流量爆炸式的增长,这对网络的承载能力带来了极大的考验。随着5G和移动边缘计算技术的成熟,海量任务不必集中在云端处理,边缘侧的协同处理成为一种较好的选择。为了在车辆高速移动场景下为用户提供高效可靠的服务,该文提出一种基于位置预测的智慧公路边缘任务协同(CETLP)机制。首先,结合智慧公路场景下车辆运动特点,建立面向时延和负载均衡的边缘任务协同模型。进而,针对任务时延最小化以及网络负载均衡等目标,提出一种基于深度强化学习的边缘任务协同算法,对海量任务的协同策略进行求解。仿真结果表明,所提机制能够在保证网络负载均衡的情况下降低服务时延。     

基于DRL的联邦学习节点选择方法

为了应对设备差异化计算能力及非独立同分布数据对联邦学习性能的影响,高效地调度终端设备完成模型聚合,提出了一种基于深度强化学习的设备节点选择方法.该方法考虑异构节点的训练质量和效率,筛选恶意节点,在提升联邦学习模型准确率的同时,优化训练时延.首先,根据联邦学习中模型分布式训练的特点,构建基于深度强化学习的节点选择系统模型...