配电物联网云边协同系统计算资源双目标优化配置方法

云边协同系统能够支持计算资源弹性扩展,适应配电物联网技术的需求。针对云边协同系统的计算资源配置问题,刻画了云边协同系统的计算资源,建立了计算业务模型,提出了批量计算业务的业务超时系数以对系统效果进行定量评价。基于上述模型,以最小化云边协同系统开销和最小化业务超时系数为目标,建立了考虑云边互动的计算资源优化配置双目标规划模型,并采用改进差分进化算法得到帕累托前沿。基于仿真算例讨论了不同双目标处理方法、通信质量、并发业务规模等对所提计算资源配置方法的影响。

基于时变计算资源的联邦学习设备选择算法

联邦学习(Federated Learning,FL)是一种新兴的分布式机器学习范式,其核心思想是用户设备以分布式的方式在本地训练模型,且无需上传原始数据,仅需将训练后的模型上传到服务器进行模型聚合。现有研究大多忽略了设备的计算资源会随着用户的使用模式而发生时序性变化,这会影响FL的训练进度。文中针对异构设备具有时变计算资源的特点,使用自回归模型对时变计算资源进行建模,并提出了一个设备选择算法。首先构造了长期训练时间约束下最小化每轮FL平均训练时间的优化问题,接着采用李雅普诺夫优化理论对其进行转化,最后求解得到设备选择算法。实验结果表明,与基线算法相比,所提算法能够在基本保证模型质量的同时缩短FL的训练时间和设备的平均等待时间。

高校计算资源交付系统的设计与实现

为提高计算资源交付效率,推动基础设施平台融合,建立健全资源交付规范,基于Go语言和Vue.js框架设计高校计算资源交付系统。该系统通过与办公自动化(Office Automation,OA)系统的数据联动,能够解决管理员跨平台操作与管理的问题。

一种基于计算资源度的星间路由协议

随着发射技术的提升和星载任务需求的扩大,低轨互联网星座逐渐成为航天产业的研究热点。在网络层进行算力资源感知有助于构建最短计算时延路径,有效利用边缘或路径上的节点资源进行任务调度。由于传统组网协议没有考虑邻居节点算力资源情况,难以做到资源感知、星间协同组网完成卸载任务。为解决上述问题,提出了将低轨卫星组网建模为移动自组织网络(MANET),并在主动式协议优化链路状态路由协议(OLSR)中引入节点计算资源度来感知周边组网节点、CPU、内存和负载等计算能力情况,并且根据该指标修改OLSR中的多点中继(multi point relay,MPR)选择算法与路由表更新算法。通过仿真验证了在星间协同计算中,文章提出的路由协议在任务计算时延上降低了15%~30%,并通过与地面云计算的比较验证了星间协同计算的优势。

高校私有云计算资源分配策略的改进

为提高私有云计算资源的应用效能,文章指出了高校私有云计算应用的有序特点,再结合该特点阐明高校各信息系统的业务与云计算资源的供需关系,从而说明现行资源分配策略静态实施方法容易产生资源浪费的问题及其原因,由此提出了一种改进的资源分配策略动态实施方法。通过对有关信息系统的平均资源占用率的计算对比,从理论上证明了改进策略有助于提升高校私有云计算资源的应用能效。

天空地一体化网络的计算资源管理算法研究

针对异构天空地一体化网络存在各自网络管理中心所导致计算资源无法实现全局最优的问题,提出融合卫星核心网和地面MEC的数据处理架构,该架构通过地面远程控制中心对全网计算资源进行监控以期实现计算资源的统一管理:以整个系统能量最小化为目标,结合业务QoS约束实现路由选择和服务器分配,从而实现网络计算资源的有效管理。仿真表明,提出的方法无论在时延性能还是系统吞吐率都优于最短传输距离和最少传输跳数,进而保障通信的高实时性和高可靠性。

基于计算资源数据的智能化综合管理平台的设计与实现

近年来随着高性能计算被不断应用于各个行业,对高性能计算资源的智能化管理也得到了越来越多的关注。但现阶段各平台对计算资源的数据监管还不够完善,致使设备或是系统运行的故障隐患不能够及时发现;产生的故障不能自动排查恢复;数据呈现的报表形式单一,无法准确反映系统平台现状等,这些问题制约着高性能计算的发展,无法使其发挥最大作用。为实现高效智能化的监控,需要从基础数据采集、故障分析自愈、报表灵活配置等方面综合考虑,建立智能化综合管理平台,对计算资源管理做到全流程、精细化,降低平台运维难度,保证计算资源运行健康平稳。

计算资源受限的移动边缘计算服务器收益优化策略

移动边缘计算(MEC)服务器通过向用户提供计算资源获得收益。对MEC服务器而言,如何在计算资源受限的情况下提高自身收益至关重要,为此提出一种通过优化计算任务执行次序提高MEC服务器收益的策略。首先,将MEC服务器收益最大化问题建模为以任务执行次序为优化变量的优化问题;然后提出了一种基于分支定界法的算法求解任务执行次序。仿真结果表明,采用所提算法获得的MEC服务器平均收益分别比大任务优先(LTF)算法、低延迟任务优先(LLTF)算法和先到先服务(FCFS)算法提高了11%、14%和21%。在保证卸载用户服务质量(QoS)同时,所提策略可以显著提高服务器的收益。

面向网络性能优化的虚拟计算资源调度机制研究

针对基于Xen的v CPU调度机制对虚拟机网络性能的影响进行了深入研究和分析。提出一种高效、准确、轻量级的网络排队敏感类型虚拟机(NSVM)识别方法,可根据当前虚拟机I/O传输特征将容易受到影响的虚拟机进行准确识别和区分。进而设计一种新型虚拟计算资源调度和分配机制Diff-Scheduler,将不同类型虚拟机的v CPU实施分池隔离调度,同时提高NSVM类型虚拟机v CPU的调度频率。原型系统实验结果表明,相比Xen默认的调度机制,Diff-Scheduler能够大幅提高虚拟机网络性能,同时保证计算资源分配的公平性。

华南区域中心计算资源管理系统的建立与应用

近几年华南区域气象中心高性能计算机系统能力建设迅速,总能力超过2万亿次。为更好地发挥区域内计算资源投资效益,在引进吸收中国气象局国家级高性能计算资源管理软件的基础上,结合区域实际需要进行设计与自主开发,成功建立了一套精细化计算资源管理软件。该系统采用了"资源账户-资源点数"的设计思想,针对不同类型用户提供了相应的用户组织方案。该系统现已完成了编码实现和部署,实现了区域内两个主要高性能计算机系统的资源管理功能。应用到业务后,发挥了良好效益,实现了资源的均衡充分利用,成为区域内计算机资源管理的得力工具。

基于WWW的计算资源发布

本文提出一种基于ＷＷＷ环境上进行计算资源发布的设想，它可以使用户透明地“借用”Ｉｎｔｅｒｎｅｔ上众多ＷＷＷ节点的计算资源，获得比单机强大得多的计算能力。

云计算资源的动态随机扰动的粒子群优化策略

云计算环境中的资源具有动态性和异构性,大规模任务资源分配的目标是最小化完成时间和资源占用,同时具有尽可能好的负载均衡,这是一个非确定性多项式(NP)问题。借鉴智能群体算法的优点,提出基于改进的粒子群优化(PSO)算法构建混合式群体智能调度策略——动态随机扰动的PSO策略(DRDPSO)。首先,将PSO的惯性权重常数修改为变量,实现对求解过程收敛速度的合理控制;其次,缩小每次迭代的搜索范围,在保留候选最优集合的前提下减少无效搜索;然后,引入选择操作,筛选出优质个体并传递到下一代;最后,设计随机扰动,提高候选解的多样性,在一定程度上避免了局部最优陷阱。在Cloud Sim平台上进行了两类仿真测试,结果表明,处理同构任务时,在大部分情况下DRDPSO的指标都优于模拟退火遗传算法(SAGA)和遗传算法(GA)+PSO算法,总执行时间比SAGA减少13. 7%～37. 0%,比GA+PSO减少13. 6%～31. 6%;其资源耗费比SAGA减少9. 8%～17. 1%,比GA+PSO减少0. 6%～31. 1%;其迭代次数比SAGA减少15. 7%～60. 2%,比GA+PSO减少1. 4%～54. 7%;其负载均衡度比SAGA减小8. 1%～18. 5%,比GA+PSO减少2. 7%～15. 3%,且波动幅度最小。处理异构任务时,三种算法表现出相似的规律:CPU型任务的总执行时间最多,混合型任务次之,IO型任务最少,DRDPSO的综合指标最好,较为适合处理多种类型的异构任务,而GA+PSO算法适合快速求解混合型任务,SAGA则适合快速求解IO型任务。所提DRDPSO在处理较大规模的同构和异构任务时,能够较为明显地缩短总的任务执行时间,不同程度地提高资源利用率,并适当兼顾计算节点的负载均衡。

数据挖掘在云计算资源预测中的应用

云计算资源变化具有动态性、随机性,传统算法难以获得较理想的预测结果,为了提高云计算资源的预测精度,提出一种基于数据挖掘技术的云计算资源预测模型。首先收集云计算资源的数据,并进行归一化处理,然后将云计算资源的训练样本输入到支持向量机中进行学习,采用改进蚁群算法选择最优参数,建立最优云计算资源预测模型,最后采用具体预测实例对模型性进行测试。结果表明,本文模型不仅提高了云计算的资源预测精度,而且降低建模的计算复杂度,提高了建模的效率,为了云计算资源预测提供了一种新的建模思路。

基于计算资源效率分配的多种群中心解搜索电网规划算法

分析了现代启发式算法易陷入局部最优及计算效率不高的原因,提出了计算资源依搜索效率合理分配的全新概念。给出了多种群中心解搜索电网规划算法。该算法基于多解群按效率获得计算资源,借鉴免疫算法的记忆细胞设置,但改点记忆为面记忆,具有更高的记忆效率,能够有效地识别并记忆局部最优解,利用对解间距离的信息熵量度,抑制搜索陷入局部最优,具有优秀的局部搜索能力和全局搜索能力。算例表明该文算法的有效性。

气象集约化资源池计算资源容量估计方法研究

精确估计计算资源的规模是气象集约化资源池合理设计的关键,但是由于应用对计算资源需求可能突发增长,应用部署方案种类繁多等因素的存在,致使计算资源规模估计困难。为解决该问题,本文对计算资源容量规划问题进行建模,并在分析问题求解难度的基础上,根据问题的特点设计了一种基于离散差分进化算法的计算容量估计方法。在问题建模上,本文采用资源预留策略来保证应用能获取足够的计算资源。在方法设计上,方法首先建立了应用的部署顺序与计算资源容量规模的映射关系,并以所需参考服务器的规模和资源利用水平来综合评估应用部署顺序的适应度;然后,通过随机方式生成初始方案,并以适应度为评价标准,利用变异、交叉、局部搜索等操作改变应用的部署顺序;最后,通过迭代搜索估计计算资源所需的规模。实验结果表明该方法能有效估计计算资源容量的规模。

多实例云计算资源市场下超额预订决策方法

针对现有云供应商数据中心负载率低、云用户需求不确定及多样性的问题,为提高云供应商平均利润,建立了不确定需求下的多实例类型云服务超额预订模型。该模型结合实际云计算资源市场下超额预订对于云供应商负载均衡及云服务等级协议(SLA)的影响,给出超额预订的多重约束条件,提出了各实例类型数量最优分配策略。实验结果表明,采用该模型在预约未使用概率为0.25时,云供应商利润较高,数据中心负载率达到78%,最终确定了各实例类型的最优分配数量。

基于Web的计算资源发布的研究与实践

迅速发展的World Wide Web（Web）为Web计算资源发布提供了一个开放的、一致的平台。文中提出了Web计算资源代理发布模型，为提高这个模型中代理的可用性和可靠性，设计了两级的树代理结构和主-从代理结构，并在此基础上实现了一个原型系统WCRPS。

面向司法专题分析的大数据计算资源调度方法

针对司法专题分析过程中面临的交互式分析类数据处理执行效率低的问题,提出了一种基于任务类型的计算资源调度方法,为任务类型建立计算资源配额管理机制。在类型配额内具备抢占式优先调度权,在类型配额外可以借用其他任务类型的空闲资源。实验与分析表明,该方法能够在兼顾普通大数据处理任务执行效率的前提下显著提升交互式分析类任务的执行效率。

基于桌面云的计算资源控制保护方案

桌面云是基于云计算技术的虚拟桌面服务,已经被广泛应用。同时,在桌面云平台与业务需求的结合过程中,形成了基于业务的桌面云管理平台和业务应用平台。然而桌面云环境的脆弱性和计算资源的底层访问特性,使得基于桌面云的应用环境缺乏对计算资源调用的有效控制和保护,迫切需要解决资源认证和非授权调用等问题。这种对资源的安全保护问题也制约了桌面云与业务需求结合的进一步发展。针对上述问题,文章设计了一种基于桌面云的计算资源控制保护方案,以HTTPS加密信道作为资源请求接入点,采用基于携带用户信息的公钥加密令牌认证方法对用户请求进行认证并对通信内容进行加密,并根据认证机制和角色权限对计算资源进行管控和防护。方案实现了用户对计算资源的安全访问,有效改善了桌面云环境下计算资源的控制保护特性。

支持低延迟通信与容错的计算资源共享环境构建

提出与描述了支持低延迟通信与容错的计算资源共享环境LF-CRSE(low latency and fault tolerance CRSE),LF-CRSE提出了节点功能角色的观点,由客户端功能节点、任务服务器、工作机服务提供器、工作机节点组成,形成一个可扩展的分布式网络体系结构。采用了任务缓存、任务预获取和任务服务器端计算等策略保证了通信过程的低延迟开销。在应用上利用分支界限模式的任务划分,使LF-CRSE支持主-从模式和分-治模式的灵活编程模型。通过工作机端的心跳消息和面向子任务的容错方式保证了LF-CRSE的正确性。测试过程选择了具有数据依赖的分布式旅行商问题,实验结果表明,LF-CRSE的加速比随着工作机的增加稳定提高,在低延迟通信和容错特性上也具有良好的性能。