基于大数据资源感知机制的云服务人工智能评估算法研究

为解决云服务条件下评估算法存在的用户服务评估效率较低、评估时长难以控制等问题,提出一种基于大数据资源感知机制的云服务人工智能评估算法。首先,针对大数据条件下用户访问热度及服务存在的集中突发特点,采取级别匹配方式,尽量满足不同层次用户的访问需求,提高服务匹配精确度,降低服务评估时长;然后,考虑到云资源占用对服务匹配的影响,采取从低到高的排序方法,提升用户服务颗粒度;最后,引入休眠机制增强资源评估效率。由仿真实验结果可知,相较于ABC算法和HM算法,所设计算法的服务评估时长更短,单位时间用户服务满足积累数更高,具有很强的评估收敛能力及用户服务质量。

基于流动性感知机制的大数据资源稳定评估算法研究

为了解决云计算条件下大数据资源评估效率低下、用户服务响应缓慢、稳定评估周期短等问题,提出一种基于流动性感知机制的大数据资源稳定评估算法。首先,考虑到大数据资源具有的高并发特性,设计了通过级别匹配的方式进行用户访问强度评估,过滤服务性能较低的用户访问请求,提升用户访问质量,缩短资源评估周期。然后,针对数据响应过程存在的服务资源受限问题,构建服务资源评估排序方案,划分用户服务级别,提高用户服务访问的适应性能。仿真实验结果显示:与当前大数据评估领域常用的遗传重构蜂群算法和大数据K-匿名微聚集算法相比,该算法能有效地缩短资源评估时间,提高评估过程中的计算收敛速度,单位用户服务能力卓越。