基于强化学习的异构CPU环境网络资源部署方法

针对现有方法进行异构CPU网络资源部署后存在的任务迟延长、资源处理效率低等问题,提出基于强化学习的异构CPU环境网络资源统一部署方法。先对Q-Learning强化学习及深度Q学习网络DQN的特点进行分析,通过更新深度神经网络各层权值、进行强化学习训练以及设置目标网络等方式更新Q值,构建异构多核处理器CPU资源调度模型,将其用来调度网络资源,并利用DQN网络确定最佳资源部署策略,实现网络资源统一部署。实验结果表明:该方法可实现异构多核CPU负载均衡,且该方法部署后的任务迟延少、执行时间短,资源处理效率突出,具有一定应用价值。

面向应急对地观测任务的多平台资源部署优化研究

提出了一种基于遗传算法的面向应急对地观测任务的多平台资源部署优化方法。该方法通过把观测区域离散化为网格点的集合,将多平台资源部署问题形式化为一个组合优化问题,其目标是在一定响应时间约束下最大化观测区域覆盖率。设计的求解算法采用整数编码表示各平台资源的部署位置,使用精英保留策略加快算法收敛速度。仿真结果表明,该方法能够快速获得满意的卫星、飞艇、无人机多平台资源部署方案。

基于博弈论的航天企业人力资源部署方法

为解决航天企业多型号产品与有限的人力资源之间的矛盾,提出了基于博弈论的岗位人力资源部署方法。首先阐述了博弈论在人力资源管理中的应用,包括员工招聘、多头领导和绩效考评3个方面,然后建立了人力资源激励的混合策略博弈模型,最后分2种情况探讨了岗位人力资源部署的博弈论方法。

任务场景驱动的防空资源部署方案智能生成与优化方法

针对现代化战争复杂的战场态势和多样化的武器装备,构建了典型的防空场景模型并将其数学化和程序化,采用智能求解算法获得了多约束条件下防御资源部署的优化设计方案。采用多层嵌套遗传算法,针对典型场景下的探测感知资源和拦截打击资源的空间覆盖问题进行了优化求解。研究结果表明采用智能优化算法可以在相对较短的时间内对典型场景的防空作战要素部署方案进行优化设计。与基于经验的方法对比,优化后的部署方案具有更高的空间覆盖率。

基于自适应SGD-多智能体的防空资源部署优化

针对分布式环境下的战场指挥资源部署存在的效率低、速度慢、无法达到预期战略、数据集过大导致计算资源损耗过大等问题,提出了一种分布式环境下多智能体联盟的指挥控制资源部署优化算法。通过对深度学习中的梯度下降算法进行学习率的改进,将原本设定的学习率改为自适应的学习率,进而对指挥控制资源部署进行多智能体联盟的设计。仿真证明了该算法对此问题具有优越的适应性,可以高效地解决分布式环境下的多智能体联盟的指挥控制资源部署优化问题。

边云协同计算中基于预测的资源部署与任务调度优化

数据集中处理的云计算模式提供交互迅速、绿色高效的多样化应用服务面临新挑战.将云计算能力扩展到边缘设备,提出了边云协同计算框架;设计了基于任务预测的资源部署算法,在云服务中心通过二维时间序列对任务进行预测,结合分类聚合、延迟阈值判定等优化边缘服务器任务运行所需资源部署;提出了基于帕累托优化的任务调度算法,在边缘服务器分2个阶段进行帕累托渐进比较得到用户服务质量和系统服务效应2个目标曲线的相切点或任一相交点以优化任务调度.实验结果表明:结合基于任务预测的资源部署算法与基于帕累托优化的任务调度算法在提高平均用户任务命中率基础上,其用户平均服务完成时间、系统整体服务效应度、总任务延迟率在不同用户任务规模、不同Zipf分布参数α的应用场景下,均优于基于帕累托优化的任务调度算法和基于FIFO(first input first output)的基准任务调度算法.

一种基于服务次数的云虚拟机资源部署算法

通过动态调整虚拟机资源配置,降低整体的能耗,提高云数据中心资源的利用率。本文首先给出了一种云虚拟机资源部署模型,能够以较低成本实现任务级调度。其次,给出了一种基于服务次数的云虚拟机资源部署的算法,综合考虑虚拟机上一次服务完毕后的等待时间、已经服务的次数和服务技能值对调度算法的影响,根据线性加权权重值的大小来决定虚拟机调度的先后。最后,然后通过虚拟机排班模型仿真调整整型规划问题的限制条件,找到最佳方案,验证了基于服务次数的云虚拟机资源部署的算法在云数据中心资源部署中的有效性。

网格资源部署动态策略的一种拟生算法

通过将资源动态部署问题转化成收益目标函数的优化问题 ,并在网格架构基础上 ,通过模拟生物跟随食物变化的动态分布过程 ,引入服务节点的动态迁移、竞争和死亡等行为 ,设计了拟生动态部署优化策略解决该优化问题 在针对单一资源访问以延时为主要服务质量评价标准的测试过程中拟生部署策略的目标函数值相比传统方法均有提高 ,算法时间复杂度接近O(N2 ) ,各个计算节点时间复杂度接近O(N) ,算法的实际叠代次数约为 2～

云环境下面向暴发式任务请求的资源部署模型设计

针对云计算环境面临的暴发式任务请求对系统性能带来的影响,提出了一种资源部署模型BWA来应对上述问题。首先由模型的负载监听模块负责监测云计算系统任务请求的变化量,实时判断暴发式任务请求的始末。然后通过引入新的资源部署策略,来避免局部热点的产生,加快系统的响应速度。最后利用跟踪预测算法预置计算节点来进一步加快云计算系统为用户提供服务的速率。通过CloudSim对资源部署模型进行了实验仿真,结果证明,该模型可有效优化系统响应速度。

VNS和SA相结合的指挥控制资源部署

针对指挥控制资源部署问题,引入任务复杂度来定义决策实体的工作负载,并建立以最小化决策实体工作负载的均方根为目标的优化模型。针对传统的层次聚类法容易陷入局部最优,提出了一种变邻域搜索(Variable Neighborhood Search,VNS)和模拟退火(Simulated Annealing,SA)相结合的具有全局性的求解方法,使用VNS进行全局寻优,使用SA对VNS中的邻域进行局部寻优。最后通过一个联合作战案例的平台调度方案,验证了所提方法的优越性。

两段式虚拟网络功能硬件加速资源部署机制

设计硬件加速机制,解决软件定义网络/网络功能虚拟化(SDN/NFV)架构中虚拟网络功能(VNF)的性能受限问题,成为当前的研究热点。在引入VNF硬件加速资源后,如何实现对加速资源的统一管理和部署,是亟待解决的问题。为此,首先提出了基于服务器端加速卡和Open Flow交换机的VNF加速资源的统一管理架构;在此基础上,对加速资源部署问题进行建模,通过分析VNF加速资源对服务链映射的影响,提出了VNF加速资源部署策略的评价指标;最后,设计了两段式的加速资源部署算法求解该问题。实验结果表明,与只考虑节点单一属性的部署算法(SARD)和均匀部署算法(UARD)相比,所提机制能够优化部署加速资源,加速资源承载的流量和加速资源的利用率分别提升41.4%和14.5%。

基于智能优化算法的作战资源部署分析

区域防空作战逐步成为部队防空作战方面的核心方向,战前资源部署及战时火力分配问题既是难题又是核心环节。基于此,文章以战前资源部署为研究对象,针对传感器网络部署问题,借助改进的粒子群算法构建起传感器网络优化数模;针对火力单元部署问题,使用匈牙利算法,构建火力单元部署数模。仿真结果表明,改进之后的算法有效,求解精度较好,收敛速度较快。

移动边缘计算中的分层资源部署与共享策略

随着5G时代的到来,万物互联逐渐成为现实,然而,物联网中的很多终端因计算资源不足导致功能受限。移动边缘计算是一种新型网络计算模式,其终端设备可以将资源敏感型应用卸载到附近计算资源充足的边缘节点,从而降低运行成本/时延,提高服务质量(QoS,quality of service)。针对移动边缘计算资源部署问题进行研究,考虑网络服务提供商(ISP,Internet service provider)支付部署资源的费用,同时向终端设备出租资源以获得收入的场景。由于物联网终端设备的资源需求是快速随机变化的,而边缘计算资源的部署是一个长期缓慢变化的过程,因此,合理的资源部署策略至关重要。提出了一个基于5G网络模型的分层网络结构,其中,计算资源可以部署在基站端、汇聚端以及云端等不同的网络层级。基于该分层网络架构,最优资源部署问题被构建为一个以ISP的利润最大化为优化目标的混合整数规划问题,并基于MATLAB中的CVX工具箱对该问题进行求解。仿真结果表明,所提出的移动边缘计算资源分层部署方案在ISP收入和部署成本方面的性能均优于平坦型资源部署方案。

基于属性分类的GDCS资源完全部署策略

针对工业应用,从控制的角度提出分层分布式的资源发现机制,研究网格环境下分布式控制系统的资源部署策略,建立不同应用需求下相应部署策略的数学模型。对于与属性无关资源的部署问题,由于数量充足,其部署策略视为静态匹配过程,可根据数学模型求出最优解;但受属性的限制,可供选择的资源数量不足,只能在数学模型的基础上,结合启发式算法,求得近优解。

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。

物联网环境下的边缘算力部署研究

物联网环境下,终端设备被大量部署在物理空间中,促进了大量、多样、异构数据的快速生成。终端设备的计算能力有限,不能满足大规模数据的计算需求。云计算依赖高速的数据传输网络,对时延敏感的应用适应性较弱。对于数据上云,部分客户对数据安全性存在担忧。传统的算力资源部署模式存在一定局限性。从物联网环境对算力资源的需求出发,探讨物联网环境中的资源部署问题,提出物联网环境下边缘计算的算力资源协调部署模型及关注要素,为相关研究提供参考。

基于花授粉算法的容器云资源低能耗部署方法

论文提出了基于花授粉算法的容器云资源低能耗部署方法。首先构建容器云资源能耗模型,在此基础上迁移容器,提出最低增长法、最高增长法、混合增长法以及随机选择模式四种容器选择方式应用在迁移中。综合容器迁移以及能耗模型得出资源部署的最低能耗,利用花授粉算法实施容器云资源的部署,划分云资源任务个体适应度种群,得出每个种群最高适应度实施初始化和更新处理,输出花授粉算法的最优解,即资源的最优部署策略。实验结果表明,该方法的平台资源利用率高、部署完成时间短以及负载均衡好,降低了容器云资源部署过程中的能耗。

聚焦痛点堵点 解决群众“烦心事”——自然资源部部署不动产登记窗口作风精准整治

记者从6月12日在浙江省衢州市召开的自然资源部全国不动产登记窗口作风问题专项整治工作动员部署会上了解到,自然资源部将聚焦群众办理不动产登记的＂堵点＂＂痛点＂,开展不动产登记窗口作风精准整治,做到用最短的时间、最快的速度、最好的质量为企业和群众提供登记服务。＂要强作风、提效能、倡廉洁,以人民群众满意作为检验专项整治成效的根本标准.

云计算环境下基于主动预测的节点部署模型研究

随着云计算的不断普及,越来越多的用户选择将自身的业务迁移至云计算系统。用户的使用习惯与社会日常的运行规律也伴随着大量用户涌入云计算系统,如每早8点集中地向云计算系统申请资源节点,这给系统带来了一种可预期的资源冲击。针对上述问题,提出了一种基于主动预测模式的资源部署模型。该模型首先根据预测模块中Holt-Winters季节指数平滑模型的算法周期长度来预测下一个时间周期的任务请求量,通过设计的主动预测算法判断是否应对当前的任务请求量做出响应并得出其具体数量、位置等参数指标,以实现对用户使用规律的主动应对。使用CloudSim进行仿真实验,系统地评判模型的性能。实验结果表明,AF-HW模型在应对可预测的海量并发任务请求时可有效地提升单点及整体的响应速率,使用户得到更好的体验。

基于神经网络改进的云环境下暴发式请求部署策略研究

针对暴发式任务请求给云计算系统性能带来的影响,结合现有资源部署模型,提出了一种基于误差反向传播神经网络改进的资源部署模型来应对上述问题。模型判断出暴发式任务请求的始末时,自动启动网络模块,通过事先训练好的网络进行参数调整值的预测,以达到动态跟踪云计算系统底层资源与外界任务请求变化的目的。通过CloudSim对模型进行了仿真实验,结果证明,引入神经网络模块可有效提高现有系统的资源部署响应速度。