基于云计算的蛋白质折叠空间结构预测

构建基于云计算的蛋白质折叠空间结构预测框架,通过数据云存储设备获取蛋白质序列原始数据,采用HDFS(Hadoop Distributed File System)分布式存储方式保存于云端。资源和队列管理器RQM(Resource Queue Man‐agement)开启云端虚拟机后,以之作为扫描节点(Sensor Node,SN),SN基于二维AB非格点模型建立最小蛋白质分子能量优化函数,采用局部搜索机制改进的量子遗传算法对其作优化求解。利用云端GPU设备处理模型训练数据,即可实现蛋白质折叠空间结构的自动化预测。实验结果表明:蛋白质序列能量势函数计算结果更小、执行效率更高、GDT-TS(Geothermal Development and Testing Tool Suite)评价指标值更大。

强混合样本面板数据模型回归样条估计

由于面板数据具有模型复杂且数据量较大特征,导致面板数据回归样条估计结果存在较大误差。因此提出强混合样本面板数据模型回归样条估计方法。优化面板数据形式,将非参数模型与混合模型相结合,获取改进后的强混合样本条件下面板数据简化表达形式。利用B样条法估计出未知测量参数的渐近正态性,并进一步估计出模型中的未知函数。通过仿真模拟算例表明,所提方法的计算量较小且能够准确估计模型中的未知变化量。

基于统计学习算法的学生就业服务平台数据分类方法

学生就业是高等教育质量管理工作的核心,学生就业服务平台是解决学生就业困难的新方法。为了更好地为学生提供就业服务,提出一种基于统计学习算法的学生就业服务平台数据分类方法。采用信息熵和信息增益指标选择学生就业服务平台数据样本特征属性,利用主成分分析法融合学生就业服务平台样本数据特征信息。在此基础上,基于统计学习算法中的朴素贝叶斯算法,将融合后的学生就业服务平台样本数据特征信息输入到朴素贝叶斯分类器模型中,结合先验概率和后验概率,实现学生就业服务平台数据分类。实验结果表明,所提方法的ROC曲线面积达到整体有效面积的98%以上,分类准确率高达95.8%,分类时间仅为5.38 ms,具有较好的学生就业服务平台数据分类效果,可以提高分类精度,有效缩短分类时间。

基于多目标优化的移动边缘计算任务卸载方法

为了缩短任务卸载时延和降低能耗,基于多目标优化设计一种移动边缘计算任务卸载方法。首先,建立一个多目标优化模型,以最小时延和最小能耗为目标函数,同时考虑任务卸载计算资源分配约束、总能耗低于设备剩余电量约束、任务卸载传输功率约束、任务卸载时延约束等约束条件;考虑了移动设备的移动性,构建节点切换约束条件;为了提高求解效率,改进了遗传算法中的选择、交叉和变异操作,并利用改进后的遗传算法求解了多目标优化模型,得到了最优的移动边缘计算任务卸载策略。实验结果表明,该方法能够有效地完成任务卸载,并且能够减少任务卸载时延和降低任务卸载能耗。此外,该方法在不同剩余电量下都能够获得较好的任务卸载效果,从而提高了用户的体验。

基于模糊层次聚类的大学生就业数据分类存储系统

文中研究基于模糊层次聚类的大学生就业数据分类存储系统,在总体设计上,通过模糊层次聚类技术构建系统框架,设计4个功能模块对应就业信息分类存储模式,满足大学生就业信息流转形式;以一一对应关系设置大学生就业信息数据分类存储结构,基于所属关系关联大学生的基本信息。在详细设计中,按照数据存储表和字典表两个类型构建大学生就业信息数据库;选择模糊层次聚类算法计算数据隶属值,设定信息数据聚类流程,实现大学生就业信息数据的分类存储,完成系统设计。实验结果表明:以多个专业的大学生就业人数作为数据样本,新系统即可实现不同专业类型大学生就业数据的精准存储,且分类存储时间能够保证在10 s之内,该系统具有很好的实际应用价值。

基于改进Copula模型的足球竞赛风险预警法

针对足球比赛中预警值与实际值误差大、预警误报次数多等问题,提出了一种基于改进Copula模型的足球竞赛风险智能预警方法。基于模糊综合评价矩阵确定足球竞赛风险指标评价体系,划分指标等级状态,选择Copula函数,构建改进Copula足球竞赛风险智能预警方法,对足球竞赛风险进行精准判断,以减少风险损失。实验结果表明,该方法的干扰压制维持在20 dB以上,具有较高的抗干扰性,可有效对干扰进行抑制。该方法降低了预警值与实际值之间的误差,减少了预警误报次数,具有实用性和可行性。

基于改进PSO-Means算法的大数据聚类处理方法

针对大数据聚类处理存在不同类型数据聚类效果差、聚类耗时长的问题,提出了基于改进PSO-Means(Particle Swarm Optimization Means)算法的大数据聚类处理方法。该方法采用粒子群算法确定一次聚类过程中单位粒子的飞行时间和飞行方向,预先设定初始聚类中心的选择范围,并适当调整单位粒子的惯性权重,以消除粒子振荡造成的聚类缺陷,成功获取基于大规模数据的聚类中心。结合生成树算法,通过从样本偏差和质心偏度两个方面对PSO算法进行优化,并将优化后的聚类中心输入到k-means聚类算法中,实现大数据聚类处理。实验结果表明,改进的PSO-Means方法可以有效地聚类不同类型的数据,并且聚类耗时仅为0.3 s,验证了该方法具备较好的聚类性能和聚类效率。

基于改进遗传算法的云计算任务调度方法

云计算环境中可能存在大量的计算节点与不确定性因素,需要进行大规模的任务调度和管理,增加了调度的复杂度和难度。为了满足任务调度的实时性需求,降低过程中产生的能耗,提出一种基于改进遗传算法的云计算任务调度方法。对不同的任务属性进行结合,重新设定各个云计算节点的任务属性,并计算节点的综合属性值。根据计算结果以全部任务完成时间最小化作为调度目标,构建云计算任务调度模型。改进传统遗传算法,优化种群的初始形成方式,通过改进后的遗传算法求解调度模型,判断获取的解是否满足终止条件,如果满足直接输出最优云计算任务调度方案,实现云计算任务优化调度。由实验结果可知,该方法的任务调度完成时间较低,其调度时间最高值仅为16 min,说明该方法能够满足任务调度的实时性需求,且能耗较低,能够实现任务的高效执行和资源的合理利用。

面向智慧教室的无线传感网边缘节点智能部署方法

为降低部署后的通信时延,提高智慧教室的数据发送与网络使用效率,提出面向智慧教室的无线传感网边缘节点智能部署方法;以智慧教室场景中良好的通信、最大限度降低部署边缘节点成本为优化目标,构建边缘节点智能部署的目标函数;针对目标函数设定流量约束条件、无线传感网数据流约束条件、节点计算能力约束条件;自适应调整粒子群优化算法的惯性权重、粒子更新速度、Pareto最优解保存策略,设计多目标改进粒子群优化算法求解目标函数,实现面向智慧教室的无线传感网边缘节点智能部署;测试结果表明,该方法优化目标为网络覆盖率时的最低网络时延为0.97 s,数据发送时延为0.14 s;优化目标为节点安全连通度时的最大网络时延为1.68 s,最大数据发送时延为0.68 s;整体连通度较高,遗漏节点为0;网络计算能力平均值为250.55 MB/s;在无线传感网边缘节点为2000个时,基本趋于稳定,时间复杂度稳定在3次;综上可知,应用该方法后的时延较低,部署效果较好,算法性能较优,保证了智慧教室无线传感网通信和传输质量。

基于Spark云计算的生物基因多序列比对方法

在生物基因多序列比对过程中,早期的方法仅计算了单一的Spark集群参数,导致算法的并行效果较差;为此,设计了基于Spark云计算的生物基因多序列比对方法;基于获得的生物遗传序列数据,对其进行了优化,并通过计算不同序列间的匹配度,对生物基因多序列比对任务进行动态规划;利用Spark云计算技术,构建Spark集群,并对多个Spark集群的参数进行计算;利用多种生物基因序列之间的相似性与差异性来选择最佳的匹配路径,在此基础上,建立多个生物基因序列比对的并行计算模型,并对其进行求解,得到对应的多个序列对比对的并行算法;实验结果表明:该方法具有更好的并行性,能够有效提高多序列比对的性能。

基于SRv6技术的云网安全服务链自动编排方法

为提高云网数据中心的资源利用率、节约通信开销,基于SRv6(Segment Route IPv6)技术设计一种云网安全服务链自动编排方法。本文方法辅助并引导网络数据包沿着指定路径通过云网,确定报文的具体转发路径,减少对服务节点的依赖;建立最小化总带宽的目标函数,结合多种约束条件,满足自动编排的安全性;定义本地行为报文,架构安全服务链自动编排框架,建立安全服务策略,解决策略冲突和网络流调度问题,达到服务链的安全编排。实验结果表明,本文方法能有效地实现云网服务链自动编排,减少CPU平均总带宽消耗,提升用户的请求成功率,降低云网中边缘设备的负载,节省通信开销。

一种面向生物基因多序列比对算法的任务调度方法

针对现阶段生物基因多序列比对算法在面对大规模数据时存在比对效率慢的问题,提出一种面向生物基因多序列比对算法的任务调度方法,以提高生物基因多序列比对的效率。通过Trie树方法对生物基因多序列数据展开分割处理,从而提高后续基因多序列比对过程中数据查找和匹配的效率;构建基因多序列BWT索引,利用BWT索引方法完成生物基因多序列比对;以多序列比对方法为基础,采用CPU与GPU异构并行系统完成多序列比对的任务调度。实验结果表明,所提的面向生物基因多序列比对算法的任务调度方法效率更高、性能更好,且更适合于实际应用。

基于协同服务器组的志愿者计算环境的构造

构造了一个基于协同服务器组的志愿者计算环境P2HP.P2HP把平台中的所有节点按照角色划分为监控服务器节点、调度服务器节点、计算节点和数据服务器,进而形成一个可扩展的层次网络拓扑架构.P2HP具有开放性、容易使用、容错能力好、可扩展、跨平台等特点,并提供一套简单方便的API(application programming interface)函数调用来支持并行应用程序开发.测试结果表明,P2HP是处理高性能并行应用的一个可行的方法.

志愿者计算平台中的监控系统设计与实现

描述了志愿者计算平台P2HP的监控系统设计与实现技术,该监控系统的功能采用多个节点来完成,克服了单一节点失效问题。采用对象序列化技术和远端过程调用技术进行任务和子任务的处理,可以使应用程序跨平台运行,使P2HP平台更加有利于聚集异构环境下的计算资源。通过定义各个角色节点间的消息通信协议格式,采用消息通信机制对本组的监控服务器节点、下属的调度服务器节点和分布式应用程序进行监控。测试结果表明,该监控系统提供了平台和应用监控、节点管理、任务和子任务的处理等完善的功能。

基于混合蛙跳算法的容器云资源低能耗部署方法

为了提升整体部署效果,提出基于混合蛙跳算法的容器云资源低能耗部署方法。对容器云资源配置详细分析,从中获取容器云资源能耗影响因素;设立能耗监控与资源调度方案,达到优化能耗的目的;采用混合蛙跳算法对设立的资源调度方案实行局部搜索,从中寻取最优解,得出容器云资源低能耗的最佳部署方案。仿真结果表明,提出的算法收敛性好,请求接收率可达到96%以上,24小时内容器云平台的平均能耗损耗仅19990 kJ,500个任务的部署耗时不到5 ms,算法性能优秀。

有线混合网络数据传输拥塞优化控制方法

为解决传统有线混合网络数据传输丢包率高、链路延迟长、利用率低的问题,提出一种有线混合网络数据传输拥塞优化控制方法。以单向延迟和可用带宽的检测结果为基础,采用马尔可夫模型预测有线混合网络传输的拥塞状态,将资源消耗和链路利用率作为优化控制的目标,在有线混合网络数据传输拥塞优化控制目标选择的路径符合要求下,根据其状态建立目标函数,完成优化控制。实验结果表明,该方法数据传输的丢包率小于4%,链路延时控制在0.05 s内,且其有线混合网络数据传输丢包率低,链路延迟短、利用率高。

基于进化泛函网络的云安全访问控制模型研究

基于角色访问控制模型,结合泛函网络和进化算法得到进化泛函网络,通过重组、变异、计算、选择四项操作形成新群体,直至符合终止条件获取最优结果,构建了具有高动态灵活性和可扩展性的云安全访问控制模型.

基于贪心算法的容器云资源低能耗部署方法

将容器云平台资源整体能耗最低作为目标,设计基于贪心算法的容器云资源低能耗部署方法;在物理主机与虚拟机对应、虚拟机与容器对应等约束条件下,结合静态和动态两个部分构建容器云资源能耗模型;通过资源虚拟化与去除冗余两个步骤,得到容器云资源的整合结果;检测物理机负载状态,确定虚拟机迁移源物理机和目标物理机,利用贪心算法均衡调度容器云资源负载,最终通过容器云资源编排重组,实现容器云资源低能耗部署;采用Network Simulator网络仿真器、Docker swarm kit为核心,利用40个物理主机、1000个容器、5类粒度不同的虚拟机构建容器云仿真平台,在贪心算法优化设计部署方法下,容器云资源的利用率和负载均衡度得到明显提升,能量损耗明显下降。

一种分布式环境下的新型高性能计算平台

分析了采用志愿机模式的网络计算平台的特点,针对其不足,提出了一种分布式环境下的新型高性能计算平台NH-PCP(A N ove lH igh Perform ance Com pu ting P latform in D istribu ted Env ironm en t).该平台具有可扩展性和容错能力,采用对象串行化技术能够使应用程序跨平台运行.NHPCP具有友好的用户界面,提供一套简单易用的AP I(A pp lication P rogramm ingIn terface)函数调用,任何大计算量的、可以分解成独立计算子任务的应用都可以方便地利用该平台运算.基于该平台具体实现了两个典型的并行应用实例,通过对实验结果的分析,总结了适合于本计算平台的并行应用的特点.

基于空闲率权重的容器云多维资源调度方法

针对当前容器云多维资源评价方法精准性低、负载均衡差以及调度速度慢的问题,提出一种基于空闲率权重的容器云多维资源调度方法,通过量化CPU与内存,获取容器云的运行现状与容器架构,凭借云内节点累计资源任务运行速度与历史记录,构建容器云多维资源综合评价模型,以容器云节点所能够支持的多维资源规模,评价当前容器云负载性能,得到其空闲率权重,将队列非空容器的空闲率权重按照从小到大顺序排序,构建容器最小与最大负载排序资源调度策略。实验证明,所提方法处理后容器云多维资源评价方法精准性高、负载均衡强以及调度速度快。