云计算基于随机进化博弈动态的资源优化配置

云资源优化分配研究中,用户策略难免存在失误,以用户完全理性为前提的资源分配方法在实际环境下会出现失效。分析非完全理性的云用户种群下的资源分配过程及其策略演化过程,提出一种随机动态模型求解有限云种群中的资源分配进化博弈问题。模型克服用户完全理性的限制,利用带有频率依赖选择的Moran过程,在重复博弈过程中寻找云用户策略的入侵指数和固定指数策略选择偏好的条件。根据经济学云环境的特征,建立云用户的固定效用矩阵,量化策略选择动态。数值仿真结果证明,为了最大化自身效用,不同大小云种群中的个体策略会向着不同策略方向演化,资源在有限理性用户之间可以实现优化分配,且最优分配策略最终会处于稳定状态。     

网格资源非对称进化博弈分配策略

针对经济模型的网格系统中资源分配的竞争问题,应用进化博弈论中多种群复制动态博弈模型对有限理性网格用户有差别的出价策略进行了研究,提出了一种非对称进化资源分配博弈模型,该模型将网格用户分为出价偏低的保守种群和出价偏高的激进种群,分析了两种网格种群采取合作与竞争策略的自发进化过程,求解了各自的复制动态方程,并通过实例化的非对称支付矩阵求解了复制动态系统的进化稳定策略。研究表明,只有博弈双方选择对等的行为策略才能促进网格资源的公平分配。     

协作式云资源博弈分配

针对用户对云资源的异构性需求和竞争问题,提出了一种协作式资源分配博弈策略。建立了资源分配的协作式博弈模型,定义了协作博弈的用户效用函数和评估函数,证明了在该效用函数下协作博弈存在唯一Nash均衡,并讨论了用户组建联盟对协作特征函数和整体效用的影响。实验结果表明,在该协作博弈策略下,个体用户通过组建联盟集体出价的方式,能够为联盟用户带来更大效用,以收敛方式实现Pareto改进。     

基于动态性有效资源分配的云计算效益学习模型研究

为了将有限的资源合理地分配给用户,并尽可能地提高云系统的资源和能量利用效率,提出了一种改进的面向动态性有效资源分配的云计算效益学习模型算法,在动态性有效资源分配上提出了服务质量准则框架(QSSF)来得出云服务的计费管理机制;采用资源竞拍策略和动态双向博弈策略更好地权衡用户和云计算提供商之间的利益关系,并将资源分配给资源需求量大的用户;在云系统的运算和存储任务的资源和能量分配上,采用了基于云计算的效益学习模型,通过权衡任务对资源和能量的需求量来实现系统效益的最优化;实验仿真结果表明,该算法能够更加合理地为系统的运算和存储任务分配资源和能量,在资源和能量的利用率上优于其他对比算法.     

云计算资源分配动态定价方法

云市场用户的资源需求往往会随着时间而波动变化,在资源分配与定价时若不充分考虑供需双方的内在激励,将难以获得理想的结果。基于市场策略,设计一个组合拍卖机制来平滑用户需求,以提高资源管理效率及服务收益;所提机制以动态定价的方式向用户分配资源,实现了无妒与可信两种属性,无妒属性保证了机制运行的稳定性,而可信属性可以使得服务收益最大化;此外所提方法具有较低的计算复杂度,易于实现。实验结果表明,在短缺与饱和市场下,所提方法均可获得近似最优的收益及相对较高的社会福利。     

基于改进型人工萤火虫算法的云计算资源研究

在研究人工萤火虫算法的基础上, 提出了一种改进型的人工萤火虫算法。该算法通过对荧光素值获取方式的改进、能够有效地防止收敛过快、目标函数值极易陷入局部最优的情况, 通过三个函数的仿真测试中, 在搜索精度和性能上有了显著的提高。通过Cloudsim 仿真平台发现, 在云计算模型下, 该算法可以有效地减少子任务的处理请求任务的平均完成时间, 提高了任务处理的效率, 达到了资源的合理分配。     

云计算环境下基于可信性的动态资源分配策略

在云计算环境下,基于连续双向拍卖(CDA)机制的资源分配模型,给出资源供需双方各自的报价策略以及节点资源的失效规律,提出一种基于CDA机制和节点可信性的动态资源分配策略。Matlab仿真结果表明,该策略能保证动态分配资源的可信性,有效提高动态节点资源的执行效率以及最大限度地满足用户的服务质量需求。     

基于博弈学习的动态频谱分配算法研究

为了解决认知无线网络中的动态频谱分配问题,提高频谱利用率和避免干扰,提出了一种基于学习的库诺(Cournot)博弈模型,将授权用户对于空闲频谱的分配行为模拟为动态的博弈过程,并赋予授权用户学习的能力,通过对博弈过程中博弈者行为的学习和总结形成新的博弈策略,而且还比较了将最优反应学习算法和模拟退火算法应用到自适应博弈学习中系统的性能和用户的收益。仿真结果表明,两种算法均能够使授权用户通过学习达到策略的均衡,而有限理性下基于模拟退火的自适应博弈学习算法的鲁棒性更强,收敛性更好,且能够使授权用户获得更高的收益。     

基于Stackelberg博弈的协作网络功率分配策略

针对协作网络中的功率分配问题,提出基于Stackelberg博弈的分配策略。首先建立博弈模型,源节点根据中继节点分配的功率给出价格;中继节点根据自身资源情况、信道状态、位置信息以及源节点提出的价格,进行协作传输功率的分配,从而构建用户效用函数;接着证明了该效用函数满足凹函数的条件,且存在均衡点,因此参与决策的用户可以通过求解协作功率和价格的Stackelberg均衡解(SE)最大化自己的效用;最后,通过仿真实验验证了均衡点的存在,并对源节点位置不同情况下节点的价格、功率和效用进行了分析,实验中离中继更近的源节点的协作功率和效用分别是距离较远用户的1.29倍和1.37倍。理论分析与实验结果证明了策略的有效性,而且该策略能适用于协作网络及其他分布式网络。     

云计算环境下基于失效规则的资源动态提供策略

云计算是一个热点研究领域.研究人员提出多种资源共享和资源动态配置策略.然而,很少有工作关注动态提供的资源的可靠性问题.该文提出云计算平台异构服务整合环境下基于失效规律的节点资源动态提供策略.该文的策略通过综合考虑资源需求和资源失效在时间和空间上的规律,保证动态提供的节点资源的可靠性.该文设计实现了一个整合异构负载的云计算模拟器平台和系统资源的多维度失效模型框架,来验证文中提出的策略.该文的云计算模拟器通过模拟异构负载对资源的使用和失效规律,来验证资源动态提供策略的性能.该文基于模拟器平台,使用真实的异构负载评价所提出的策略.结果表明,与baseline策略相比,该文提出的策略可以有效提高动态提供的节点资源的可靠性,屏蔽掉大量节点资源的失效,同时对资源使用效率和服务性能不引入负面影响.该文提出的策略对资源失效非一致性分布的情况也有较好的屏蔽能力.针对资源失效在时间空间特性上的评价,表明该文策略适用于云计算环境.此外,该文策略不涉及对系统平台的任何修改或侵入式监测,该文提出的策略有很好的应用前景.     

云计算环境下的服务调度和资源调度研究

云计算中的服务调度与资源调度对云计算的性能有重要影响,在分析现有云计算调度模式的基础上,针对云计算数据密集与计算密集的特点,提出分层调度策略以实现云计算中的服务与资源调度。分层调度策略对任务进行划分确定作业优先级,并通过数据局部性和总任务完成率对资源进行分配。数值评价部分应用分层调度与已有调度进行比较。实验结果表明,所采用的调度有效提高了资源利用率,为云服务的进一步研究提供了思路。     

移动云计算中基于协作式博弈模型的资源分配方案

提出一种基于协作式博弈的资源分配方案。首先, 在服务提供商创建长期可用预留资源公用库完毕后, 通过一种访问控制机制为用户提供移动应用服务, 提出一种优化算法实现访问控制的最优决策; 其次, 提出一种协作式博弈模型进行利益分配, 在服务提供商建立合作后, 通过使用资源公用库而获得的运营收入, 在服务提供商之间进行分配博弈。仿真实验结果表明, 该方法是有效的, 能够帮助服务提供商就容量提升制定最优策略, 以实现利益最大化。     

基于蝙蝠算法的云计算资源分配研究

由于云计算要面临庞大的资源分配并且具有动态性等特点,仅从单一方面来权衡资源分配策略的优劣已经不能满足需求.针对上述问题,从用户和资源提供者两个方面出发,将蝙蝠算法引入资源分配策略中,提出了以任务完成时间较短且成本最低为约束条件的调度模型.通过CloudSim平台进行模拟仿真表明,该资源分配算法能有效地兼顾完成时间和成本,在缩短任务完成时间的同时保证成本最小,提高了资源利用率.     

基于在线机制设计的私有云资源分配研究

针对企业内部处于随时来也可以随时走(coming on-the-fly)的动态环境中的私有云用户资源分配问题,首先构建了一个在线私有云拍卖框架,支持能够随来随走的不同用户的工作任务要求;其次提出了一个能保证参与用户能够报真实类型的在线机制,理论分析证明了该机制的占优策略激励兼容性质(DSIC),计算了该机制的竞争比;最后通过实验仿真表明了本机制的有效性。     

基于分层与容错机制的云计算负载均衡策略

针对混合动态负载均衡算法应用在云计算中,出现的站点信息交换过于频繁导致处理效率低下以及缺乏容错机制等问题,提出了基于分层与容错机制的负载均衡算法。算法融合集中式和分布式的优点,通过组织邻站点,使站点信息交换控制在邻站点范围之内,在任务调度时携带站点实时负载信息以解决频繁广播负载消息导致网络繁忙与服务器效率低下的问题。算法实现云系统负载均衡,减小请求响应时间,引入容错备份机制,以增强系统鲁棒性。实验结果表明,基于分层与容错机制的云计算负载均衡策略在任务分配时间、任务响应时间方面比传统算法提高20%以上,且在稳定性方面所提算法优于传统算法。     

基于包簇映射的云计算资源分配框架

在云计算资源调度中存在着结构复杂、数据量庞大的可扩展问题,针对该问题提出了一种基于包簇映射的资源管理框架。该框架下包内允许资源共享,当指定资源共享使用模式后,资源调配更具灵活性。将改进的基于包的遗传算法运用到该框架中,采用染色体组方式和资源方式进行编码,根据染色体长度变化设计交叉算子和变异算子,将簇的个数与包的资源相互整合,并且通过抽象模型来降解问题规模。实验结果表明,在基于包簇映射框架下的遗传算法与传统的以虚拟机为中心框架下的遗传算法和基于包簇框架的首次适应算法相比,在CPU利用率方面分别平均提高9%和5%,在内存利用率方面分别平均提高14%和7%。实验结果表明,所提出的包簇框架下的遗传算法能有效减少簇节点的使用数量,提高资源利用率。     

基于Stackelberg博弈的车载云计算任务卸载优化

针对车辆计算资源闲置浪费的情况,整合车辆计算资源组建车载云计算（vehicular cloud computing,VCC）范式,从而提高车辆总体资源利用率,提升车载服务质量。从经济学的角度,研究车载云计算中请求车辆和协助车辆之间的计算任务卸载定价与定量的问题。针对此问题,首先设计动态组建车载云的安全通信协议;在此基础上,利用Stackelberg博弈建模计算任务卸载分配的问题,激励协助车辆主动参与任务计算;同时设计了一种简单有效的分布式迭代算法求解最终的Stackelberg均衡状态,最小化请求车辆的服务开销并兼顾最大化协助车辆的收益。通过实验仿真,验证所提方案的有效性和可靠性。