基于Spark的蚁群优化算法

为应对大数据时代中组合优化问题的求解,基于云计算框架Spark,借助其基于内存、分布式的特定,提出一种并行蚁群优化算法。其思路是通过将蚂蚁构造为弹性分布式数据集,由此给出相应的一系列转换算子,实现了蚂蚁构造解过程的并行化。通过在旅行商问题(TSP)求解的仿真实验结果说明了所提出的并行算法的可行性;并在同等实验环境下对比基于MapReduce的蚁群优化算法,优化速度提升达10倍以上。     

基于核K-means的增量多视图聚类算法

针对基于核的多视图聚类算法(kernel based multi-view clustering method, MVKKM)在处理大规模数据集时运行时间长的缺点,引入增量聚类模型的概念,将MVKKM算法与增量聚类模型相结合,提出基于核K-means的多视图增量聚类算法(incremental multi-view clustering algorithm based on kernel K-means, IMVCKM)。通过将数据集分块,在每个数据块中使用MVKKM算法聚类,并将每个数据块的聚类中心作为下个数据块的初始聚类中心。将所有块的聚类中心进行整合后再次进行多视图聚类,得到最终的聚类结果。试验结果表明,在3个大规模数据集上,IMVCKM算法相较于MVKKM算法在3个评价指标上具有更好的聚类结果,且运行时间更短。该算法在保证聚类性能的基础上大大降低算法的运行时间。     

移动边缘计算网络中的资源分配与定价

移动边缘计算(mobile edge computing, MEC)使移动设备(mobile device, MD)能够将任务或应用程序卸载到MEC服务器上进行处理. 由于MEC服务器在处理外部任务时消耗本地资源, 因此建立一个向 MD 收费以奖励MEC服务器的多资源定价机制非常重要. 现有的定价机制依赖于中介机构的静态定价, 任务的高度动态特性使得实现边缘云计算资源的有效利用极为困难. 为了解决这个问题, 我们提出了一个基于Stackelberg博弈的框架, 其中MEC服务器和一个聚合平台(aggregation platform, AP)充当跟随者和领导者. 我们将多重资源分配和定价问题分解为一组子问题, 其中每个子问题只考虑一种资源类型. 首先, 通过MEC服务器宣布的单价, AP通过解决一个凸优化问题来计算MD从MEC服务器购买的资源数量. 然后, MEC服务器计算其交易记录, 并根据多智能体近端策略优化(multi-agent proximal policy optimization, MAPPO)算法迭代调整其定价策略. 仿真结果表明, MAPPO在收益和福利方面优于许多先进的深度强化学习算法.     

一种基于传输容量控制的DTN动态分段编码路由算法*

针对时延容忍网络（DTN）中基于动态分段编码的路由算法DSNC存在的数据冗余编码和节点投递成功率低的问题,提出了一种基于传输容量控制的DTN动态分段编码路由算法NC-TCC。在源节点处,采用AONT矩阵对分段中的数据包进行编码,以减少数据重复编码的次数;在中间节点处,利用构造的节点运动模型计算当前连接的传输容量,并在满足传输容量的前提下按照优先级从高到低的顺序选择合适数量的数据包进行编码,以提高节点投递成功率。仿真结果表明,提出的算法能够有效地减少数据冗余,提高传输效率。     

基于动态调整阈值的虚拟机迁移算法

针对当前数据中心服务器能耗优化和虚拟机迁移时机合理性问题,提出一种基于动态调整阈值（DAT）的虚拟机迁移算法。该算法首先通过统计分析物理机历史负载数据动态地调整虚拟机迁移的阈值门限,然后通过延时触发和预测物理机的负载趋势确定虚拟机迁移时机。最后将该算法应用到实验室搭建的数据中心平台上进行实验验证,结果表明基于DAT的虚拟机迁移算法比静态阈值法关闭的物理机数量更多,云数据中心能耗更低。基于DAT的虚拟机迁移算法能根据物理机的负载变化动态迁移虚拟机,达到提高物理机资源利用率、降低数据中心能耗、提高虚拟机迁移效率的目的。     

一种解决组合优化问题的改进型量子遗传算法

在量子遗传算法(QGA)的基础上,提出了一种解决组合优化问题的改进型量子遗传算法(NIQGA).为充分利用量子态的干涉性和纠缠性,该算法引入了动态调整量子门旋转角步长机制、量子交叉操作和量子变异操作,因而具有更高的搜索效率.利用两种典型组合优化问题——0/1背包问题和路由选择问题进行验证.结果表明,相比于GA和QGA,NIQGA具有收敛速度快和全局搜索能力强的特点,在解决基因间弱关联性的组合优化问题时有更优的性能.     

基于自优化的SDN交换机动态迁移机制

为提高SDN控制器的使用效率以及多控制器之间的负载均衡度,对多控制器的部署问题进行了研究,并提出了一种交换机动态迁移机制.该动态迁移机制基于周期性运行的自优化的算法实现,按照控制器的部署情况,将网络划分成多个域,通过分析各域内相关参数,分别找出负载最高和最低的控制器节点,并根据控制器负载和交换机请求率快速选择出最佳的迁移交换机和迁移目的地.控制器的负载均衡度、交换机请求的处理时延和算法的复杂度是算法设计中所考虑的主要因素.该算法的优点在于通过局部的动态调整实现了对SDN控制层的灵活管理.仿真结果表明,基于自优化的交换机动态迁移方案能够有效提高多控制器间的负载均衡度,减小流请求的处理时延,同时将运算复杂度保持在一个相对合理的水平.     

面向组播的动态虚拟网络功能放置算法

组播在支持日益增长的多媒体应用方面具有广阔的应用前景，面向组播的虚拟网络功能放置是网络功能虚拟化中不可避免的研究趋势.然而，对于该问题的大多数研究都聚焦于静态网络环境，难以应对网络中的各种资源随着时间动态变化，组播服务功能链（Service Function Chaining,SFC）请求动态到达的真实场景.本文提出一种基于组播SFC请求预测的足球联赛竞争算法，以Informer模型为基础，预测即将到达的组播SFC请求.基于足球联赛竞争的组播虚拟网络功能放置算法，设计多维个体编码策略，一次性求解所有活动组播组的SFC映射方案，提前部署预测的请求.针对预测结果与真实结果不一致的情况，提出一种由正向搜索与反向搜索组成的快速修复策略以完成对请求的快速响应.仿真结果表明，对比其它两种预测模型，Informer在组播SFC请求预测上取得了更低的均方误差与平均绝对误差.此外，与七种经典的启发式算法和深度强化学习算法相比，提出的算法在端到端时延和计算资源消耗方面达到更优性能的同时，取得了更低的组播SFC请求响应时间.     

基于网络编码的双路径组播树生成算法

 为了将网络编码技术引入到全光组播网络中,提出了能够在多项式时间完成的基于网络编码的双路径组播树生成算法.该算法主要包括两大步骤:首先,从给定的组播网络中根据节点间度平衡的原则为源节点和每个目的节点之间确定一条有向路径,从而建立一棵传统有向树并保证有向树中任意节点的出度尽可能小,减少节点之间的关联性;其次,在所建立的传统有向树的基础上,从每一个目的节点到源节点根据冲突回溯原则建立源节点和每个目的节点之间的第二条路径,并保证源节点到任意目的节点间的两条路径为分离路径.算法中包含的约束原则能够保证所建立的双路径组播树包含最少的编码节点,从而使得所建立的组播树支持光域网络编码高效率实现,实现基于网络编码的全光组播并提升全光组播的性能.     

基于对比敏感度的DASH客户端码率选择算法研究

基于带宽估算的码率选择算法具有带宽利用率高的优点,但是同时也存在容易受网络波动影响造成计算出的目标码率出现瞬时峰值而造成带宽浪费的问题。针对于此,该文提出一种基于人眼对比敏感度特征的码率选择算法,在客户端利用人眼对比敏感度模型计算当前观看条件下人眼截止空间频率,选择服务器中和截止空间频率差的绝对值最小视频分片对应的码率作为目标码率。和基于带宽估算选择目标码率的方法进行对比实验,测试二者在不同视角内计算的目标码率,得到两者的码率计算结果阶梯图。实验结果表明,在视角为5到15情况下,所提方法较带宽估计方法在确保视频效果前提下能够有效节约带宽。