云数据中心高效的虚拟机整合方法

针对传统虚拟机整合(VMC)方法难以保持主机工作负载长期稳定的问题,提出一种基于高斯混合模型的高效虚拟机整合(GMM-VMC)方法。为了准确地预测主机负载的变化趋势,首先,使用高斯混合模型(GMM)对活动物理主机的工作负载历史记录进行拟合;然后,根据活动物理主机工作负载的GMM和主机自身的资源配置情况计算主机的过载概率,并根据过载概率判定主机是否存在过载风险;对存在过载风险的物理主机,根据部署在该物理主机上的虚拟机对降低主机过载风险的贡献和虚拟机迁移所需的时间这两个指标进行待迁移虚拟机选择;最后,使用GMM估算待迁移虚拟机对各个目标主机过载风险的影响,并选择受影响最小的主机作为目标主机。通过Cloud Sim仿真平台模拟该GMM-VMC方法,并根据能源消耗、服务质量(QoS)、整合效率等指标与已有的整合方法进行对比,实验结果表明,GMM-VMC方法能够有效地降低数据中心能耗,提高服务质量。

基于环的节点非均匀分布分簇算法

针对无线传感器网络(WSN)中基于环的节点非均匀分布网络模型下的能量空洞问题,提出了一种基于环的节点非均匀分布分簇算法(RCANND)。该算法在节点非均匀分布的网络模型下,通过每环的能耗最小化,计算每一环的最优簇首数;通过节点剩余能量、距基站距离以及与邻居节点的平均距离计算簇首选择度。在簇内以簇首选择度序列表进行簇首轮转,降低分簇次数,提高网络能量的利用效率。对提出的算法进行仿真对比实验,仿真结果表明,相同半径、不同分布模型下节点的平均能耗波动很小;相同分布模型、不同半径下节点的平均能耗波动也不明显。以网络中50%节点存活作为网络生命周期,在节点非均匀分布情况下,所提算法的网络生命周期比混合能量高效分布式不等分簇算法(UHEED)和轮转的混合能量高效分布式不等分簇算法(RUHEED)分别提高约18.1%和11.5%;在节点均匀分布模型下,所提算法的网络生命周期比基于分环的能量高效无线传感器网络分簇路由(RECR)协议提高约6.4%。所提算法有效均衡了不同分布模型下的能耗,有效延长了网络生命周期。

无线传感器网络中基于事件驱动的输出反馈控制

近10年,随着传感器、无线网络技术的发展,无线传感器网络促进了一系列新型网络化应用的诞生.然而在这一系列应用中,无线传感器网络耗能过多成为了制约其发展的瓶颈.在实际的应用中,传输所消耗的能量占电池总消耗能量的90%,因此研究节点数据传输节能问题有着巨大的实际意义.基于事件驱动的线性离散时不变系统的输出反馈控制算法,所提出的事件驱动传输策略能决定传感器何时发送数据.首先,通过一类近似二次值函数来推导出这种传输策略,基于此类传输机制,该系统可以很好地平衡执行器性能和无线传输速率.其次,利用所给出的传输策略设计了相应的输出反馈控制器.最后,通过数值仿真验证了理论结果的可行性和有效性.

基于负载不确定性的虚拟机整合方法

物理主机工作负载的不确定性容易造成物理主机过载和资源利用率低,从而影响数据中心的能源消耗和服务质量。针对该问题,通过分析物理主机的工作负载记录与虚拟机资源请求的历史数据,提出了基于负载不确定性的虚拟机整合(WU-VMC)方法。为了稳定云数据中心各主机的工作负载,该方法首先利用虚拟机的资源请求拟合物理主机工作负载,并利用梯度下降方法计算虚拟机与物理主机的虚拟机匹配度;然后,利用匹配度进行虚拟机整合,从而解决负载不确定造成的能耗增加和服务质量下降等问题。仿真实验结果表明,WU-VMC方法降低了数据中心的能源消耗,减少了虚拟机迁移次数,提高了数据中心的资源利用率及服务质量。

基于自适应过载阈值选择的虚拟机动态整合方法

针对云环境下动态工作负载的不确定性,提出了基于自适应过载阈值选择的虚拟机动态整合方法。为了权衡数据中心能源有效性与服务质量间的关系,将自适应过载阈值的选择问题建模为马尔可夫决策过程,计算过载阈值的最优选择策略,并根据系统能效和服务质量调整阈值。通过过载阈值检测过载物理主机,然后根据最小迁移时间原则以及最小能耗增加放置原则确定虚拟机的迁移策略,最后切换轻负载物理主机至休眠状态完成虚拟机整合。仿真实验结果表明,所提出的方法在减少虚拟机迁移次数方面效果显著,在节约数据中心能源开销与保证服务质量方面表现良好,在能源的有效性与云服务质量二者之间取得了比较理想的平衡。

一阶时滞多智能体系统一致性研究

针对时滞多智能体系统,通过深入分析研究传统一致性算法,为解决传统一致性协议不能同时满足较高时滞鲁棒性及一致性收敛速度的问题,将加权平均预测机制引入传统的一致性协议中,并应用到带无向拓扑的一阶时滞多智能体系统,获得保证其收敛条件,并证明在已有一致性协议中引入适当长度加权平均预测可以提高系统时滞鲁棒性,加快实现一致的收敛速度。