基于虚拟现实技术的安全智能无线网络资源动态分配方法研究

不同时刻使用无线网络的用户数量不同,安全智能无线网络资源分配处于动态变化中。当前资源分配方法无法适应动态变化环境,导致整个无线网络吞吐量高、资源利用率低下、整体效用差。为此,提出一种新的基于虚拟现实技术的安全智能无线网络资源动态分配方法,给出选择的虚拟现实架构,对虚拟现实架构进行分析。在对安全智能无线网络资源进行动态分配时,将增强网络吞吐量,减少延迟,保证系统稳定和用户的服务质量看作分配原则;将整体效用最大化作为目标函数,实现资源分配。通过粒子群算法对目标函数进行求解。实验结果表明,采用所提方法对安全智能无线网络资源进行动态分配,不仅能够保证网络吞吐量,而且资源利用率高,整体效用强。     

基于MAS的动态协作任务求解模型与算法

为提高动态网格资源的利用率,提出了基于多智能体系统博弈协作的任务动态分配和协作求解模型,建立了网格资源调度模型和任务求解算法,证明了资源分配博弈中Nash均衡点的存在性、唯一性和Nash均衡解。该方法能够利用用户智能体的学习和行为能力,使得用户的资源申请和任务调度具有较高的合理性和有效性。进行了供求关系中竞价博弈的模型试验。实验结果表明,资源调度算法不但可以有效减少延迟,而且在响应时间的平滑性、吞吐率及资源利用率方面比类似方法要好。使得整个网格系统供需合理、负载均匀。     

基于联合意图的网格资源分配模型

分析了网格资源管理过程中经典的资源分配模型,针对网格资源分配过程中的特点,构建了资源需求型Agent、资源提供型Agent、资源协调型Agent以及交互型Agent,建立了基于联合意图的网格资源分配模型.并给出了网格资源分配过程中的协商协议和协商算法,该算法利用多个Agent之间的共有目标进行交互,增强了问题求解的能力.此外,在传统网格资源管理体系结构的基础上,建立了基于多Agent的网格资源管理体系结构.在仿真平台下进行了对比实验,实验结果表明,利用新模型能够通过4种Agent角色之间的相互协商,合理地分配任务,提高网格资源的利用率.     

基于虚拟机迁移的虚拟机集群资源调度

针对虚拟机集群资源负载不平衡的问题,基于虚拟机迁移技术,提出了一种虚拟机集群资源调度策略,将虚拟机的资源进行了分类并用向量表示,描述了每一类资源的数量和负载的计量方法,用最佳适应算法寻找虚拟机迁移的目标主机,通过使用上限阈值和下限阈值约束资源利用率的方法,使负载平衡目标与节能目标相统一,引入最小迁移周期避免了虚拟机资源利用率不稳定带来的频繁迁移.该调度策略能为虚拟机中的应用提供透明的资源调度,并使虚拟机集群达到负载平衡和节能的双重目标.     

基于约简任务资源分配图的网格依赖任务静态调度

网格资源环境的动态性和异构性对依赖任务的静态调度策略产生了极大的挑战.提出了一个能够更好地适应资源异构性,并完整支持调度、重调度的统一静态调度模型,即基于约简任务资源分配图(RT-RAG)的调度模型和调度算法.基于该模型的调度问题归结为RT-RAG的优化选取问题.实验分析表明,基于该模型的调度方法更好地适应了网格环境的动态性和异构性,使得静态调度策略与动态调度策略相比依然保持着较大的性能优势,并且也优于基于DAG任务图调度模型的AHEFT静态调度算法,特别是在资源差异较大的情况下.     

基于反拍卖的计算网格资源分配方法

针对计算网格资源的特点和运用经济机制进行网格资源管理的优势,提出一种基于暗标反拍卖机制的网格资源分配方法.描述了基于网格服务市场的资源分配框架;针对网格中的服务资源,提出了一种以网格用户为中心,以用户需求驱动的暗标反拍卖网格资源分配方法,在满足网格用户QoS要求的情况下使系统的总效用最大化;分析了该拍卖机制的Bayes均衡点以及系统在均衡状态的效率、策略和效用;给出了基于用户效用函数的资源分配算法.     

多版本视频点播流媒体服务器集群资源分配方法

针对大规模移动学习应用背景下流媒体服务器集群资源分配过量或不均的问题,提出了一种面向移动学习系统的多版本视频点播流媒体服务器集群资源分配方法。该方法通过用户历史点播行为日志分析,挖掘在不同终端环境下用户点播行为的特征和规律,在此基础之上,采用排队论理论进行多版本视频点播中流媒体服务器集群资源分配建模,并通过实时预测用户请求到达率的变化情况,动态调整资源的分配,从而实现了集群资源的动态配置。实验结果表明,所提方法的平均服务拒绝率和资源利用率分别在1%和80%左右,既保证了用户体验满意度,又降低了系统服务成本。     

基于虚拟集群在线迁移的虚拟化资源整合算法

针对虚拟集群内部关联性和并行作业的运行特点, 基于虚拟集群在线迁移机制, 提出一种虚拟化资源整合算法. 先对系统建模, 描述云计算环境下的虚拟化资源整合问题; 再使用区域划分法对异构资源分类, 从而初步降低问题的规模和求解难度; 最后提出在同构子域中进行虚拟集群迁移的FFD_grp算法. 采用同种负载和多种资源分配方法模拟多种资源使用情况, 并对该方法进行验证. 实验结果表明,  FFD_grp算法能显著提高资源整合效果, 有利于抑制资源碎片的产生.     

基于合作博弈的网格资源管理研究

借鉴网格计算模型和博弈论思想,将网格环境中资源的分配问题转化为合作博弈问题,通过寻找合作博弈的纳什均衡点来解决资源的分配问题。提出了一种基于合作博弈的网格资源管理算法CGRM和作业调度算法GSA-CGRM来研究资源分配的均衡性问题,提出资源分配的新方法。     

超密集网络中基于集群分配的干扰管理与资源分配

针对超密集网络通信场景, 提出一种基于集群分配的干扰管理与资源分配算法, 以消除超密集网络中由于大量部署低功率基站而降低吞吐量等影响. 首先, 基于距离、 小区间干扰、 可用资源情况3个条件权衡为家庭基站分配集群; 其次, 根据分配结果将干扰关系建模为干扰加权无向图, 按适当标准对家庭基站进行分类, 针对不同类型的家庭基站采用不同着色算法; 最后, 根据整体着色结果图完成频谱资源块分配. 仿真结果表明, 该算法可以为家庭基站选择最适合的集群加入, 降低集群间干扰, 提升频谱资源利用率, 提高网络的吞吐量.     

光网格计算环境下基于抢占的多优先级提前资源预留机制

提前资源预留是光网格计算中一种重要的资源占用形式,能较好地保障资源的协同服务需求和网格应用的服务质量。通过研究光网络中动态路由和波长分配问题,提出了一种基于抢占的多优先级波长资源预留算法。仿真结果表明该算法保证了高优先级业务下能够兼顾网络全局资源分配,可以在一定程度上减少资源碎片,提高资源利用率,性能明显优于传统的RWA算法。     

基于服务质量的动态资源分配算法

在网络虚拟化过程中,当前大多数物理资源分配算法,主要考虑了资源利用率和网络收益,而忽略了虚拟网络请求的服务质量,从而在不同用户之间造成不公平。针对该问题,提出基于服务质量的动态资源分配算法。该算法在空闲时频资源非连续情况下,只有当虚拟网络请求的生命周期足够长,满足重分配影响因子情况下,才优先为资源量小的虚拟网络请求重分配物理资源;在空闲时频资源连续情况下,综合考虑优先级、时间容忍和网络收益因素影响,为虚拟网络请求分配相适应的物理资源。仿真结果表明,该算法相对于传统基于生命周期的动态资源分配算法和贪婪动态分配,在实现物理资源高效利用的前提下,不但保障了虚拟网络请求的服务质量,而且降低了该算法的运行时间。     

混合资源调度的遗传算法研究

针对多机群协同计算背景下的混合资源调度的NP难题,采用一种新型的遗传算法和编码规则,较好解决分布式并行计算环境下,多任务与多资源的调度分配问题,并给出了实例计算,结果表明,该算法能较好地解决资源之间的冲突问题,而且遗传算法操作简单,每个染色体都对应一个可行调度,同时避免了非法染色体的产生。     

SaaS应用中基于SLA的资源分配研究

随着云计算的普及,软件即服务(Software as a Service,SaaS)得到了广泛的关注.SaaS应用中,需要满足客户服务等级协议(Service Level Agreement,SLA)要求、减少SLA服务违例的同时,尽量提高系统资源的利用率,这对资源分配策略提出了挑战.提出了SaaS模式下的基于SLA的资源分配策略:基于对客户请求动态变化的分析,针对"首次租用服务"和"租用服务升级"两种请求类型,提出了一种用户请求与底层资源的映射策略;提出了提高虚拟机重用度的基于SLA的资源效率优化分配算法.实验表明,该资源分配算法可以在有效保证服务质量的同时,提高资源的利用率.     

多维资源的多元优化处理应用研究

多维资源的多元优化处理问题是一个典型NP-Hard问题,一般通过多种算法进行解决.在禁忌算法和遗传算法的基础上构建了一个基于多策略算法的多维资源多元优化处理模型,该模型通过优化资源分配的初始结果,避免用单一算法所得结果误差大和资源分配的两极分化现象,使资源利用更加合理化和人性化,且可平衡实际分配结果与期待值之间的关系,更大程度上满足用户需求.     

基于多物品拍卖的网格资源映射算法

提出基于多物品拍卖的资源映射算法.该算法借鉴市场模型中的拍卖机制,通过用户代理、资源代理和资源的交互作用,限制资源的欺骗行为,得到资源映射结果.证明了该算法的收敛性、真实性和收益最优性,给出了无效边界的大小.对GridSim网格仿真包进行了修改,建立了模拟实验环境.模拟实验表明,算法需要较少的交互量,与传统算法相比,该算法能够有效地配置资源和满足用户的服务质量需求.     

监控与预测的云资源优化配置

针对云环境下虚拟机资源在多数时间中处于闲置状态导致云资源利用率低的问题,设计一种云资源监控系统,并在云监控基础上提出一种基于自回归积分滑动平均(ARIMA)模型的动态负载预测与资源配置的方法.该方法利用虚拟机负载与配置的关系,通过预测负载情况,提前启动或者挂起虚拟机,提高云资源的利用率.研究结合OpenStack云环境提供的虚拟机,实现其下的云资源监控,预测和弹性分配功能.结果表明:该系统能准确预测虚拟机的需求量,所制定的资源弹性分配策略能够提高云资源的利用率,进一步节约成本.