为了解决IaaS(Infrastructure as a Service)云的工作流调度优化问题,提出基于预算约束的工作流调度算法。以最小化工作流调度时长为目标,算法分调度任务选择和虚拟机实例选择两阶段进行。第一阶段将工作流任务依据依赖关系作层次划分,...为了解决IaaS(Infrastructure as a Service)云的工作流调度优化问题,提出基于预算约束的工作流调度算法。以最小化工作流调度时长为目标,算法分调度任务选择和虚拟机实例选择两阶段进行。第一阶段将工作流任务依据依赖关系作层次划分,同层次组成包任务,以Min-Max方法对层次任务估算时间作标准化处理,定义最迟完成时间与最早完成时间差值最大者为调度任务;第二阶段在期望预算下以最早完成时间最小为标准选择资源,实现任务与资源间的映射。利用算例阐述了算法实现过程,并通过仿真实验测试了算法性能。结果证实,改进算法执行效率与调度成功率优于同类算法。展开更多
针对IaaS(Infrastructure as a Service)云平台中用户异常行为的检测问题,提出了一种基于用户行为模型和神经网络相结合的异常检测方法.该方法通过构造一种基于时间、地点和事件的用户行为模型,在此基础上建立用户的正常行为模式,并与...针对IaaS(Infrastructure as a Service)云平台中用户异常行为的检测问题,提出了一种基于用户行为模型和神经网络相结合的异常检测方法.该方法通过构造一种基于时间、地点和事件的用户行为模型,在此基础上建立用户的正常行为模式,并与神经网络算法相结合,将用户当前行为网络输出值与给定阈值进行比较,以此来判断用户的行为是否异常,从而实现用户行为的异常检测.实验结果表明,相比其它类似的用户行为检测方法,该方法能更有效发现用户的异常行为.展开更多
基础设施即服务(Infrastruction as a Service,IaaS)云对传统数据中心的实体资源进行整合,对外提供具备按需使用、弹性等性质的资源服务。IaaS云为了应对到达时间不可预知的负载峰值段,需要快速响应资源扩展请求,而现有的横向扩展方法...基础设施即服务(Infrastruction as a Service,IaaS)云对传统数据中心的实体资源进行整合,对外提供具备按需使用、弹性等性质的资源服务。IaaS云为了应对到达时间不可预知的负载峰值段,需要快速响应资源扩展请求,而现有的横向扩展方法不能在短时间内满足资源扩展需求。本文主要研究OpenStack架构的IaaS云中计算资源服务的快速横向扩展问题,并基于SnowFlock虚拟机克隆技术[1]提出了资源服务的两阶段快速扩展框架,应对到达时间不可预知的资源需求。展开更多
文摘为了解决IaaS(Infrastructure as a Service)云的工作流调度优化问题,提出基于预算约束的工作流调度算法。以最小化工作流调度时长为目标,算法分调度任务选择和虚拟机实例选择两阶段进行。第一阶段将工作流任务依据依赖关系作层次划分,同层次组成包任务,以Min-Max方法对层次任务估算时间作标准化处理,定义最迟完成时间与最早完成时间差值最大者为调度任务;第二阶段在期望预算下以最早完成时间最小为标准选择资源,实现任务与资源间的映射。利用算例阐述了算法实现过程,并通过仿真实验测试了算法性能。结果证实,改进算法执行效率与调度成功率优于同类算法。
文摘针对IaaS(Infrastructure as a Service)云平台中用户异常行为的检测问题,提出了一种基于用户行为模型和神经网络相结合的异常检测方法.该方法通过构造一种基于时间、地点和事件的用户行为模型,在此基础上建立用户的正常行为模式,并与神经网络算法相结合,将用户当前行为网络输出值与给定阈值进行比较,以此来判断用户的行为是否异常,从而实现用户行为的异常检测.实验结果表明,相比其它类似的用户行为检测方法,该方法能更有效发现用户的异常行为.
文摘基础设施即服务(Infrastruction as a Service,IaaS)云对传统数据中心的实体资源进行整合,对外提供具备按需使用、弹性等性质的资源服务。IaaS云为了应对到达时间不可预知的负载峰值段,需要快速响应资源扩展请求,而现有的横向扩展方法不能在短时间内满足资源扩展需求。本文主要研究OpenStack架构的IaaS云中计算资源服务的快速横向扩展问题,并基于SnowFlock虚拟机克隆技术[1]提出了资源服务的两阶段快速扩展框架,应对到达时间不可预知的资源需求。