基于群智能优化技术的光网络资源动态分配研究

数据量以及光网络用户增多为光网络带来负担,导致广域骨干网拥堵,为此,提出基于群智能优化技术的光网络资源动态分配方法。描述光网络资源,计算平行链路的利用率,优化平行链路利用率,分配弹性光网络资源,构建光网络吞吐量最大化和光网络节点时延最小化的目标函数,通过粒子群算法,求解队列动态更新函数,获取最优解,为弹性光网络资源动态分配结果。实验结果表明,所提方法的资源动态分配速率式中在80%以上,带宽阻塞率最高仅为13.8%,光网络节点时延短。降低光网络拥堵程度,保证光网络资源利用的充分性。

MapReduce环境下的并行复杂网络链路预测

为使链路预测应用于大型复杂网络,设计并实现了一种基于MapReduce计算模型的并行链路预测算法,包含了9种基于局部信息的相似性指标,在稀疏网络上的时间复杂度为O(N).首先,在公共数据集上验证了并行算法的有效性,随着抽取因子的增加,召回率升高而准确率下降.在不同类型的10个大规模复杂网络数据集上的实验结果表明,基于MapReduce计算模型的并行链路预测算法比传统算法具有更高的效率,算法的运行时间随着并行程度的增加而下降.提出并证明了AUC(area under a receiver operating characteristic curve)评价指标的上下界,实验表明,上下界的中值和实际AUC值很接近,并且AUC评价指标侧重于预测分数值是否为0而不是分数值的大小.在网络拓扑性质中,平均聚集系数对AUC值的影响最大,并且AUC值随着网络平均聚集系数的增加而提高.

MapReduce背景下的复杂网络链路预测分析

由于复杂网络链路预测具有广泛的应用价值,现已成为数据挖掘的主要研究方向和研究热点。基于MapReduce背景,利用AUC评价指标,分析复杂网络链路预测。MapReduce作为一种并行处理海量数据的任务调度模式,可以有效规避传统并行链路算法存在的计算机复杂度高和单个计算机内存现在问题。选用6个不同类型的网络,包括社交网络、信息网络和生物网络等进行实验验证。结果显示:MapReduce背景下的复杂网络链路预测分析有效,且选取的各个参照算法的性能基本上是按照同样的规律在波动。

基于节点的局部网格生成并行算法

结合基于节点的局部网格生成算法和约束D elaunay路径(CDP)划分区域技术,提出了基于节点的局部网格生成并行算法。使用CDP划分任意给定节点的求解域,能够消除局部网格生成过程中并行处理器间频繁的通讯量,并最大限度地降低了总刚度矩阵生成过程中处理器间的通讯量。文中的并行算法自然实现了网格生成和刚度矩阵计算的无缝连接,从而使基于节点的局部有限元方法的潜在并行效率得到充分展现。数值试验结果表明,该局部网格生成并行算法是有效的、可靠的,尤其当计算大规模的问题时,选取合适的处理器数,并行效率几乎都能达到90%。

基于EREW的后序遍历二叉树算法

针对单处理器后序遍历二叉树的时间复杂度为O(n)问题,提出了在EREWPRAM并行计算模型下一种后序遍历二叉树的算法。将后序遍历二叉树的边构造一个单链表,使用指针跳越技术对单链表进行表序问题求解,从而得到后序遍历二叉树结点的顺序。得出了运用该算法将时间复杂度从O(n)减少到O(logn)的结论。

JESD204C协议接收端64 B/66 B链路层电路设计

提出了一种JESD204C协议接收端64 B/66 B链路层电路设计方案。利用增加位数据滑动状态方法,完成并行数据中同步头序列的检测,以避免并行的数据串化,减小电路设计的复杂度。采用并行设计方法,设计了解扰电路和12位循环冗余校验(12-bit Cyclic Redundancy Check,CRC12)校验电路的设计,以满足接收端64 B/66 B层以块为单位进行数据处理的要求。仿真与综合结果表明,设计电路的最高工作频率为484 MHz,单通道数据传输数率为32 Gbps,电路面积为15898.6μm^(2)。

基于图勾勒的图链路预测方法

针对已有链路预测算法复杂度高,不适于在大规模图上进行链接预测的问题,本文基于图勾勒近似技术对已有链路预测方法进行优化,提出了基于图勾勒的链路预测方法。该方法将链路预测算法的计算复杂度由O(n^3)降低至O(n^2k^2log^2n)。为进一步提高链接预测效率,给出了基于Spark的并行化链路预测实现方法。在真实图数据集上进行测试,实验结果表明本文方法在保证链接预测精度的前提下,可有效提升算法效率。