云计算环境下一种基于双向拍卖的资源分配模型

针对云计算环境下资源的特点以及运用经济机制进行资源分配所具有的灵活性及有效性,提出一种在云计算环境下基于双向拍卖的资源分配模型.首先,给出改进的周期性双向拍卖模型,采用分段拟合的方法来确定买卖双方的满意度函数,并且利用供求比例参数来调节买卖双方各自的满意度在总满意度中的权重.在此基础上,提出了即时和批量两种不同匹配算法来匹配买卖双方的集合,以使买卖双方的满意度最大化.最后,基于遗传算法来寻求云资源优化分配方案.仿真研究表明,该模型是可行和有效的,不仅可以满足更多买方的需求,而且提高了资源利用率.     

云环境下基于神经网络和群搜索优化的资源分配机制

在云环境下,各种闲置资源可以通过池化形成资源池,进而利用虚拟化技术将资源池中的不同资源组合以服务的形式提供给用户使用,因此需要合理而有效的机制来分配资源.针对云环境下资源的特点,将经济学和智能方法相结合,提出了一种基于双向组合拍卖的智能资源分配机制.在该机制中,提出了基于体验质量（quality ofexperience,简称QoE）的威望系统,引入威望衰减系数和用户信誉度,降低拍卖中恶意行为造成的影响,为资源交易提供QoE 支持.对拍卖中的竞价决策,综合考虑多种因素,提出了基于BP 神经网络的竞标价格决策机制,不仅可以合理确定竞标价,而且使价格可以动态适应市场变化.最后,由于组合拍卖胜标确定问题是NP 完全的,因此引入群搜索优化算法,以市场盈余和总体威望为优化目标,得到资源分配方案.仿真研究结果表明,该机制是可行和有效的.     

物联网中基于信任的频谱资源分配机制

随着无线网络的快速发展,物联网中频谱资源的高效分配问题亟需解决,为此,提出一种基于信任的频谱资源分配机制TSRA.借鉴拍卖理论建立频谱资源拍卖系统模型,根据信任理论确定用户间的信任关系以缩小客户网络范围,利用属性加密理论保护交易数据.在此基础上,采用改进的蚁群算法为用户合理规划资源分配路径,从而实现频谱资源的多目标分配.实验结果表明,该机制可以为用户的交易数据提供细粒度的保护,且具有较高的社会效益和较低的系统计算与通信开销.     

云环境下基于组合双向拍卖的动态资源定价

云环境下的市场交易机制缺乏灵活性,且在某些情况下定价不合理。为此,提出一种基于组合双向拍卖的动态资源定价模型,给出云资源分配与定价算法,用户通过响应时间出价,资源提供商根据负载情况要价。仿真实验结果表明,该算法与固定比例的定价算法相比,能提高18%的用户利益与9%的资源提供商利益。     

一种基于双向拍卖机制的计算网格资源分配方法

针对计算网格资源的特点以及运用经济机制进行网格资源管理所具有的灵活性及有效性,提出一种改进的基于双向拍卖机制的网格资源分配方法.首先,描述了基于双向拍卖机制的资源分配框架,整个系统由买方、卖方和计算资源经纪人组成.然后,针对网格中的CPU资源,提出一种改进的双向拍卖机制,采用统一拍卖方式,可以灵活调节交易双方的付费.进而,分析了该双向拍卖机制满足优势策略激励相容、预算平衡以及个人理性的特点,并定义了拍卖机制的效率.最后,通过实验分析了双向拍卖分配机制的效率.     

情景感知的P2P移动社交网络构造及发现算法

如何通过情景感知,获得用户的行为特征,从而自动发现潜在的社会关系,是移动社交网络重要的研究内容之一.该文提出了情景感知的移动P2P社交网络系统架构、聚合模型及发现算法,将用户的位置信息、环境特征、运动轨迹等引入到聚合算法中,智能地聚合成潜在的P2P社交网络,根据用户需求自主发现匹配的社会关系,避免了社交活动的盲目性和随意性.最后对该方案和算法进行了理论分析及实验验证,结果表明该文所提出的方案和算法具有较高的响应速度、准确率及用户满意度.     

基于K-means的动态资源分配策略

为提高移动边缘计算(MEC)环境下大型云计算中心资源的利用率和用户体验,提出基于K-means算法的动态计算资源和频谱资源分配算法(KDSAA).分析传统的资源平均分配方式和虚拟机分配方式现状,研究用户的综合需求,将资源模拟成“流体”,采用拍卖算法进行分配,线性求解出边缘云吞吐量和传输时延的最优值.实验结果表明,该算法可有效提高边缘云吞吐量和降低传输时延.     

关注用户服务评价反馈的云资源再分配方法

针对以往关于云资源管理分配的研究中多从云运营商的角度出发,未充分利用用户评价来改善资源决策能力的问题,提出了一种关注用户服务评价反馈的资源再分配方法。首先,通过分析云中心资源分配的过程,抽取出影响资源决策的要素,提出关注用户服务评价的自适应云资源分配框架;其次,阐明用户服务评价参与云资源管理的基本原理,建议一种用户服务满意度的量化度量;最后,基于相似性理论,预测用户对新任务的期望满意度,合并用户任务参数以及当前环境参数,作为BP神经网络的输入,进行资源分配方案的决策。在和无用户评价参与的资源分配方案比较的仿真实验中,其平均用户满意度提高了7.4%,保持在0.8以上,总体呈稳定上升趋势;与Min-Max算法、云任务与云资源满意婚配(CTRSM)算法比较,平均用户满意度分别提高了16.7%和4.6%。实验结果表明关注用户服务评价反馈的资源再分配方法是能够自我完善的,能够提高云资源自适应管理的能力。     

移动社交网络中矩阵混淆加密交友隐私保护策略

随着移动设备和在线社交网络的快速发展,通过用户的个人属性配置文件匹配,能够帮助用户在邻近的社交网络中迅速找到和自己共同特征的朋友.然而,交友匹配很有可能泄漏用户的敏感信息,因此用户隐私得不到保障.提出一种移动社交网络中交友匹配过程中的隐私保护协议,用户利用混淆矩阵变换算法和内积计算实现交友过程中的隐私安全和高效的匹配;用户可以细粒度定义自己特征属性的特征权重,从而使匹配结果更精确.此外,利用机会分析模型模拟真实交友场景来保证交友的有效性.安全性分析表明,提出的方法更具有隐私性、可用性和更低的通信和计算开销.通过结合真实的社会网络数据进行测试和评估,对比结果显示,比现有解决方案更有效.     

全视角特征结合众包的跨社交网络用户识别

随着互联网的普及和不断发展,用户通过多个社交网络进行社交活动,使用社交网络带来的丰富内容和服务.通过识别出不同社网上的同一用户,可以有助于进行用户推荐、行为分析、影响力最大化,因而显得尤为重要.已有方法主要基于用户的结构特征和属性特征来识别匹配用户,大多仅考虑局部结构,并且受已知匹配用户数量的限制.基于此,本文提出了一种基于全视角特征结合众包的跨社交网络用户识别方法（OCSA）.首先,利用众包来提高已知匹配用户的数量,接着,应用全视角特征评价用户的相似度,以提升用户匹配的准确性,最后,利用两阶段的迭代式匹配方法完成用户识别工作.实验结果表明该文提出的算法可显著提高用户识别的召回率和准确率,并解决了已知匹配用户数量不足时的识别问题.     

Multimedia resource allocation strategy of wireless sensor networks using distributed heuristic algorithm in cloud computing environment

The virtualized resource allocation (mapping) algorithm is the core issue of network virtualization technology. Universal and excellent resource allocation algorithms not only provide efficient and reliable network resources sharing for systems and users, but also simplify the complexity of resource scheduling and management, improve the utilization of basic resources, balance network load and optimize network performance. Based on the application of wireless sensor network, this paper proposes a wireless sensor network architecture based on cloud computing. The WSN hardware resources are mapped into resources in cloud computing through virtualization technology, and the resource allocation strategy of the network architecture is proposed. The experiment evaluates the performance of the resource allocation strategy. The proposed heuristic algorithm is a distributed algorithm. The complexity of centralized algorithms is high, distributed algorithms can handle problems in parallel, and reduce the time required to get a good solution with limited traffic.

     

一种移动众包系统在线激励机制优化算法

为提高移动众包系统的有效性和可靠性,设计了一套完整的在线激励机制优化算法,针对用户到达和参与任务的异步行为,提出一种改进的多阶段反向拍卖算法,通过在线学习自适应确定密度阈值,动态选择最优用户集,并在每次交易后对用户的信誉进行更新,以指导下次任务分配。仿真结果表明,该优化算法满足计算有效性、利益双方正收益性和真实性,能在一定预算和时间约束下获得更好的性能。     

边缘辅助群智感知位置隐私保护多任务分配机制

为了解决群智感知中隐私泄露和多任务分配的问题,提出了一种边缘辅助群智感知位置隐私保护(EALP)多任务分配机制。首先,考虑群感知任务具有地理相近特征,利用改进的模糊聚类(FCM)算法对任务位置进行聚类组合,改进聚类数目指标,提高多任务分配的合理性。接着,为了防止云平台和感知用户之间的共谋,在任务分配阶段,提出一种位置隐私保护协议,在感知用户、云服务器和边缘节点之间部署同态加密,云感知平台能够安全地计算感知用户的移动距离,而不知道感知用户的位置和任务聚类中心位置。最后,提出了一种基于蚁群算法多任务分配优化方案,兼顾平台和感知用户两者利益,优化感知用户执行任务路径。实验结果表明,与同类方法相比,所提机制在保护位置隐私的前提下提高了任务完成率,降低了系统的感知成本和用户移动成本。     

混合云中的一个高效协调器

云计算提供了4种部署模型:公有云、私有云、社区云和混合云.通常,一个私有云中可用的资源是有限的,因此云用户不得不从公有云租用资源.这意味着云用户将会产生额外的费用.越来越多的企业选择混合云来部署它们的应用.在混合云中,为了实现用户的利益最大化,必须满足使用资源的费用最小化和用户的QoS,为此为混合云用户提供了一个既能最小化资源费用又能保证满足QoS的资源分配方法.实验结果表明,该算法在保持低操作成本的同时还满足了用户的QoS.     

面向移动端基于社交关系的图片缓存替换算法

随着移动终端深入人们的生活,移动社交APP得到了广泛使用。在移动社交APP中往往会使用大量的图片资源,如微信朋友圈、Instagram的图片分享等。在APP中浏览图片会消耗较多的网络流量,影响加载速度,因此大部分APP采用首先显示缩略图,根据用户需求再加载原图的策略。在服务器端也采用缓存技术来加快缩略图产生时间,减少磁盘I/O。但是,当前的缓存机制更多关注的是缓存的访问频率、最近访问时间等因素,并没有过多关注数据生成用户之间的社交关系,也没有考虑移动用户对缩略图和原图的不同访问模式。把缓存划分为两个部分:缩略图缓存区和原图缓存区,提出了基于社交关系的图片缓存替换算法,在传统缓存替换算法的基础上增加用户的社交关系以及缩略图和原图的关联关系,通过计算图片的缓存价值进行缓存替换。实验表明,所提出的基于社交关系的图片缓存替换算法对于缩略图和原图的缓存命中率都有明显提高。     

Elastic resource provisioning in hybrid mobile cloud for computationally intensive mobile applications

The paper addresses the integration of hybrid cloud with mobile applications. The challenge about hybrid mobile cloud resource provisioning is the trade-offs between energy consumption, performance provided to users and how resources, such as processing power and network, are being utilized. The proposed elastic hybrid mobile cloud resource provisioning model is jointly optimized to improve mobile user experience within the constraints of available resources and user QoS requirement. The paper presents the system utility of hybrid cloud system involving local cloud and public cloud infrastructure. From the perspectives of both mobile applications and cloud providers, the proposed system utility is optimized to improve the performance of mobile applications and the utilization of cloud resources. The proposed elastic hybrid mobile cloud resource provisioning algorithm includes two sub-algorithms. To evaluate and validate performance of the proposed algorithm, a series of experiments are conducted. The comparison results and analyses are discussed. The experimental results show the improvement to previous works.     

移动边缘计算环境下的动态资源分配策略

在通讯设备爆炸式增长的时代,移动边缘计算作为5G通讯技术的核心技术之一,对其进行合理的资源分配显得尤为重要。移动边缘计算的思想是把云计算中心下沉到基站部署(边缘云),使云计算中心更加靠近用户,以快速解决计算资源分配问题。但是,相对于大型的云计算中心,边缘云的计算资源有限,传统的虚拟机分配方式不足以灵活应对边缘云的计算资源分配问题。为解决此问题,提出一种根据用户综合需求变化的动态计算资源和频谱分配算法(DRFAA),采用"分治"策略,并将资源模拟成"流体"资源进行分配,以寻求较大的吞吐量和较低的传输时延。实验仿真结果显示,动态计算资源和频谱分配算法可以有效地降低用户与边缘云之间的传输时延,也可以提高边缘云的吞吐量。     

A novel resource allocation mechanism for live cloud-based video streaming service

With the recent emergence of cloud computing, growing numbers of clients are using online cloud services through the Internet such as video streaming service. The rent costs of cloud service providers increase when the resource utilizations of the cloud-servers are not well. Therefore, resource allocation is a crucial problem for cloud data centers. The resource allocation problem is an NP-hard problem. This paper proposes a novel cloud resource allocation mechanism based on a winning strategy for a Nim game. This mechanism offers all clients an effective number of running cloud servers, and allocates cloud resources rapidly and effectively by using a pre-pairing approach. The proposed mechanism does not require searching for remaining resources of the running cloud server; hence, it can reduce the time taken to arrange resources. The experimental results show that the proposed mechanism can improve utilization of cloud servers and reduce the rent costs of the cloud service providers. The proposed mechanism can reach the utilization of cloud servers by as much as 99.96 %. The proposed mechanism is approximately 9 % more efficient than the market-based grid resource allocation algorithm, and 19 % more efficient than the modified best fit decreasing algorithm.