基于统计时延保障的星地融合网络资源调度优化研究
这是一篇关于移动边缘计算,随机网络演算,深度强化学习,资源分配,任务卸载,时延保障的论文, 主要内容为随着卫星通信技术的不断发展,卫星物联网设备接入量和数据传输量不断增长,从而导致卫星物联网业务存在较明显的时空不均匀性、突发性与随机性,传统卫星网络架构易遇到高时延、高能耗等问题。为了应对这些挑战,本文基于融合边缘计算(Multi-access Edge Computing,MEC)的星地协同架构,研究能够表征卫星业务特性的业务建模和多星计算卸载的时延模型、基于统计时延保障的星地协同资源分配与计算卸载算法、星地网络仿真平台,对于提高卫星网络的效率和性能,以及提高卫星用户服务质量(Quality of Service,Qos)保障的可靠性具有重要研究意义。本文主要研究工作如下:首先,针对星地协同网络业务的突发性和随机性问题,本文提出一种基于随机网络演算的卫星业务建模分析方法。分别选用泊松模型和状态马尔科夫链对卫星的业务到达和信道服务过程进行表征,推导出卫星业务的随机到达曲线和随机服务曲线;基于随机网络演算理论并结合星地协同场景下的多跳卸载工作流程,推导卫星任务在多跳卸载时的时延模型;接着,针对理论时延模型进行仿真,分析不同通信参数对卫星多跳卸载性能的影响,验证所得理论性能边界与实际仿真性能的相符性。然后,针对卫星星地协同时延高度敏感问题和资源管理问题,本文提出一种基于统计时延保障的星地协同资源分配与计算卸载算法。利用随机网络演算理论分别对本地计算、接入星计算和多卫星协同计算三种策略下的统计时延概率边界进行了推导,获得三种策略的时延模型;以系统任务完成率为优化目标,进一步构建出资源分配和任务卸载的联合优化模型,将联合问题公式化为一个混合整数非线性规划问题;采用基于统计时延保障的资源分配算法求解公平资源分配,采用深度Q网络(Deep Q-Network,DQN)算法学习最优卸载决策,以提高任务时延保障的可靠性和卫星网络的资源利用率,并进行卸载策略的仿真实验以及分析评估。最后,针对卫星动态资源分配与卸载策略的高成本测试问题,本文提出一种基于STK的星地网络仿真平台。通过STK和MATLAB软件搭建星地网络仿真平台,基于功能需求进行平台框架和功能模块的设计,平台能够模拟卫星智能体与环境交互学习的过程;接着,开展星地网络仿真平台的构建与实验,进行仿真平台初始化测试以及卫星通信场景的搭建测试,所建平台能够实现不同网络规模需求的网络场景设计和通信参数调节,能够模拟多种资源调度策略,并提供卫星网络场景的多维度可视化展示。
跨域实验云平台系统设计与资源分配策略研究
这是一篇关于云计算,云计算平台,资源分配,组合双向拍卖,CloudSim的论文, 主要内容为云计算因其高计算能力、低服务成本、高可扩展性、可访问性和可用性的优势,已经成为许多应用程序的首选。在云计算环境中,不同用户可以访问具有不同特征的异构资源,这些资源通常在地理上处于不同的区域,另外,在真实的云计算业务场景中,为了容灾等目的,大多企业的业务都部署在多云或多域环境中。因此,云计算中的跨域资源分配成为了实现云计算多域协同工作的主要挑战。与此同时,云计算的市场规模不断扩张,其经济因素不可忽视,在云计算市场中进行资源分配时,不仅要考虑多种资源的有效分配,更要考虑到交易各方的经济效益。为了探索基于经济学背景的资源分配算法在实际系统中处理跨域多资源分配的有效性,本文设计了一个多域部署的实验云计算平台系统,并在此之上设计了一种基于组合双向拍卖的跨域资源分配策略,该策略能增加整体效用,避免恶意竞拍,最后,在实际环境中部署了该系统,并验证了设计的资源分配策略,具有一定的现实意义。本文的主要工作如下:(1)设计并实现了一个虚拟化实验云平台系统,该系统可以集中管理如交换机、虚拟机等实验网络设备,支持图形化界面搭建实验拓扑并以虚拟机形式部署到物理设备,供用户远程登录到虚拟机进行实验。(2)基于上述实验云平台系统,在多地部署容灾的思想指导下,设计了一种基于集中控制模式的实验平台跨域服务架构,以实现系统多地域部署并支持域间协同实验。其大致框架可描述为:设置一个总控云平台系统控制多套单域实验云平台系统,总控云平台可以整合各域的资源情况,协商单域发起的跨域资源请求任务,调配其余空余各域资源,完成跨域资源分配。(3)综合云平台跨域业务的多资源属性,多域参与等特点,并结合已有的经典拍卖模型的特性,设计了一种基于组合双向拍卖的策略来帮助总控云平台完成跨域资源分配业务,以达到优化系统经济效益,提高资源利用率的目的。另外,设计了一个数据转接模块,其功能是可以将云平台待分配的资源数据导入仿真平台按设计的算法进行资源分配,之后将分配结果导出至云平台使用。(4)在CloudSim云计算仿真平台中实现了设计的资源分配策略,并和其他资源分配算法进行了对比实验,结果显示,设计的资源分配策略在用户效用,资源分配率和激励相容性上都具有一定优势。最后,对数据转接模块的功能进行了验证。
基于车车通信的列控系统资源管理方法研究
这是一篇关于车车通信,列控系统,线路资源管理,资源分配,形式化建模的论文, 主要内容为近年来,国内外广泛开展了对基于车车通信的列控系统(以下简称新型列控系统)的研究,其主要特点有:轨旁设备最少化、通信多模化、车载中心化和资源管理自主化等。新型列控系统与传统列控在系统结构、模块功能等方面有诸多不同;在新型系统带来优势的同时,也产生了资源竞争等问题。因此,为保证新型列控系统功能的正确可靠实现,针对其车载中心化和资源管理自主化的需求,论文以线路资源和相关的资源管理模块为研究对象,提出适用于新型列控系统的资源管理模式和方法,并对其进行形式化建模和验证。论文完成的主要工作如下:(1)设计了新型列控系统的资源管理方法。首先,在新型列控和传统列控系统资源管理模式同异性分析的基础上,提出了新型列控系统的资源管理功能需求;然后,为了便于线路资源管理,提出了线路资源管理子系统的概念,分析了子系统中的模块功能、信息流,设计了模块结构;接着,基于资源管理功能需求,设计了资源管理流程,包括线路资源的状态管理和线路资源的使用流程,并针对道岔线路资源使用流程中的资源征用阶段,设计了基于有向加权拓扑图和Dijkstra算法的资源搜索流程。(2)对资源管理方法进行了形式化建模和验证。首先,提出了资源管理方法的形式化建模与验证流程,包括关键字标记、UML元素映射以及层次化模型构建等;着重设计了UML模型到有色Petri网模型的转换规则;其次,选取区间和站内资源管理场景进行形式化建模,并对模型进行了逐步仿真和状态空间分析,验证了资源管理方法设计的功能实现正确性和设计完备性。(3)针对道岔线路资源管理过程中可能出现的资源竞争问题,设计并验证了资源分配策略。从分析资源分配的必要性入手,提出了资源分配需求,设计了资源分配原则;在此基础上,设计了多目标资源分配决策函数,并采用模糊层次分析法求解,得到了资源分配策略;最后,对资源竞争场景进行形式化建模与验证分析,结果表明资源分配策略能有效解决资源竞争问题。(4)设计并实现了线路资源管理子系统仿真软件。首先,分析了仿真系统的软件需求,进行了技术选型,采用了MVC(Model-View-Control)框架模式和B/S(Browser/Server)的软件架构;然后,分析了仿真系统的功能需求,设计了系统分层架构和仿真模块伪代码;最终,通过编程完成了软件开发,仿真了资源管理功能,进一步验证了资源管理方法设计的正确性。本文共有图68幅,表30个,参考文献67篇。
区块链网络中基于边缘计算的资源分配和计算卸载研究
这是一篇关于边缘计算,区块链,资源分配,计算卸载的论文, 主要内容为区块链的去中心化和安全性的特点可以解决目前移动设备和物联网中存在的许多问题,例如隐私保护和数据安全等。但是目前许多移动设备计算和存储能力不足,不能很好地支持区块链应用的运行,这一问题亟待解决。移动边缘计算(Mobile Edge Computing,MEC)的提出非常好的解决这个问题。移动边缘计算通过用户服务从云端下沉,可以创造出一个更低延时、更好性能、更大带宽的网络环境。MEC和区块链的结合,既可以解决移动应用对于数据安全的需求也解决了其存储和算力不足问题。因此,本文主要研究的是在区块链网络中基于边缘计算的资源分配和计算卸载。首先本文设计并实现了一个边缘计算区块链平台,之后在此平台之上实现了两个算法。本文的几个主要工作包括:一、边缘计算区块链平台的设计与实现:区块链网络引入MEC带来了许多的新问题,区块链的计算、存储、延时等特性使得区块链和MEC的结合有了新的挑战。本文设计和实现了一个区块链和边缘计算相结合的仿真平台。边缘计算区块链平台主要分为三个部分:后台部分、算法部分和前端部分。后台部分使用主流的后台开发框架SpringBoot进行开发,通过web3j技术整合了以太坊的功能,并使用了容器技术来进行应用的部署和边缘计算相关资源的分配控制。算法部分论文在边缘计算平台部署了边缘计算资源分配算法和区块链应用的计算卸载算法。论文使用前端框架Vue搭建了一整套前端页面来展示系统运行过程中的一些数据,以此来直观的展现整个的系统运行流程。最后论文搭建了整个系统的Grafana监控报警系统,能够进行分钟级别的监控报警,确保整个系统的稳定性。二、区块链网络中边缘计算资源分配策略研究:MEC服务器针对区块链应用如何更好的分配自己的计算存储资源是一个比较重要的问题。将数据传输到边缘侧,在MEC服务器进行相关的区块链的运算。这样就既能够保证区块链网络的运行,也能保证数据的安全性和去中心化特性。论文利用了经济学中拍卖算法的模型,将边缘计算服务器的资源作为拍卖品,而参与竞争的用户作为竞标者,提出了multi-item拍卖模型。用户首先通过自己的任务大小,计算能力等来获取自己的估价,算法通过这些估价来计算边缘计算服务器的收益。整个算法使用基于深度学习算法的框架来完成,论文构建了 4层神经网络来模拟整个竞拍流程,并通过改变参数获取最好的结果。神经网络的输入为用户的竞拍价格,神经网络的输出为2个方面,分为资源分配概率和用户应付的价格。分别输出某个用户获取某个资源的概率和应付的价格。经过算法的优化,整个系统的收益比不使用任何算法提升了 30%。相对于己存在的single-item算法,本文提出的算法收益也提升了近20%。三、区块链网络中计算卸载策略研究:区块链应用的任务如果卸载给MEC也会出现同传统的卸载方式不同的问题。首先,区块链的计算任务的周期性,对时延的高要求等等,都表明,传统的计算卸载方式不适合区块链应用。区块链任务的不同之处要求一个更加合适的计算卸载算法。根据区块链的资源消耗、挖矿收益等等。提出了基于Q学习的计算卸载算法,构建了行动集合状态集,并定义了收益模型。论文基于PID控制算法平衡用户的收益和支出,保证整个系统能够有效运转。最终论文采用了离线训练和线上训练两种训练模型来优化算法模型,算法能够方便的部署在边缘计算区块链平台。实验结果表明,在长期运行的情况下,论文的算法能够在保证系统的稳定性的基础上也能够保证长期利益的最大化。在将算法部署到边缘计算区块链平台运行之后,提升用户计算区块链任务成功概率达60%以上,相对于其他相似研究也高出20%。
基于Mesos的分布式医学影像系统研究
这是一篇关于Mesos,分布式,Docker,医学影像,资源分配的论文, 主要内容为近年来,集群研究的迅猛发展也推动了医疗行业的飞速发展,医疗数据的体量和规模也成倍增长。随着医疗技术的不断提升,医学治疗的信息化发展也极大的提升了医疗的精准度。分布式医学影像系统作为医院影像科与门诊的桥梁,可以协助医生完成影像诊断。影像大数据中的成像和判读算法与以往的分布式应用不同,单一算法元较独立,具有运行时间长,资源占用多,隔离性要求高,任务逻辑关联性大等特点,并且需要充分考虑算法后期独立部署、横向扩展、持续升级的需求。因此,构建云端医疗大数据平台,如何有效利用计算集群资源并满足以上特点,是构建大数据平台需要面临的最大的挑战。针对于本系统的数据接入、负载均衡以及服务调度等问题,本文设计并实现了分布式医学影像平台的服务端子系统。其中数据接入模块完成了客户端与云端心跳建立连接,定义了数据交互格式以及如何断开连接等;负载均衡模块使用Marathonlb+Zookeeper设计并实现;服务调度模块针对于Mesos系统现有API给出自定义Mesos Framework的详细实现以及Framework调度器以及执行器;并研究了Mesos中原生DRF调度算法,针对本系统对其进行了定制化改造,并对改进后的算法进行了性能测试;最后利用harbor搭建了本系统的镜像仓库,方便运维人员进行镜像管理和调用。对于系统的整体监控、任务状态监控、计算机节点管理等问题,本文设计并实现了Web监控管理子系统。使用Spring,Require JS,Echarts等Web技术,将集群信息保存在Redis以及My Sql数据库中,实现了对集群的管理和监控,方便系统的运维和管理。文章最后对系统整体进行功能测试以及性能测试,测试结果表明本系统基本符合需求和预期设计,并对本系统的角色权限管理以及日志系统整合做了部分展望,希望后续可以将其完善。本文构建的影像大数据平台,通过Mesos分布式资源管理和Docker容器隔离技术,将需要运行的判读算法和成像算法打包成容器镜像,使其可以弹性地共享资源并且对应用程序进行隔绝,很好地解决集群中资源的动态分配问题,提高了应用程序集群的资源利用率和集群的吞吐量。
聚类算法在资源分配中的应用研究
这是一篇关于资源分配,K-modes聚类算法,宿舍分配的论文, 主要内容为随着人类社会的快速发展,需要维持人类发展的各种资源的需求越来越大,然而我们所生存的环境中的资源是有限的,怎样更好地分配有限的资源,是我们工作和生活经常面临的挑战。资源分配任务具有多因素、多限制、多维度等复杂特性,在任务量规模较大的场景下,人工操作往往令资源分配不合理且低效。本文旨在将人工智能和机器学习的方法引入资源分配,研究聚类算法在资源分配中的应用,并以高校学生宿舍这一资源的分配问题为例,展开应用研究。本文的工作主要包括以下三个方面的内容:(1)研究聚类算法在资源分配尤其是可约束资源分配方面的应用,高校宿舍分配实例,以高校学生为聚类目标。根据聚类目标的相关属性以及聚类算法的特点选择适合学生聚类的算法:K-modes。通过问卷调查研究确定聚类目标的五大属性(作息时间、兴趣爱好、生活费用、卫生习惯、性格特点),然后根据改进K-modes聚类算法进行宿舍分配建模,详细介绍了聚类过程以及宿舍分配过程,并进行了应用测试。(2)通过对高校宿舍管理的调研,确定基于聚类算法的高校宿舍分配管理系统的需求分析。根据需求分析,确定技术选型,主要使用的技术有K-modes聚类算法、SSM(Spring+SpringMVC+MyBatis)框架、Maven项目管理工具、微信小程序等。然后进行系统设计,包括架构设计、功能设计、数据库设计和安全设计。(3)实现基于K-modes聚类算法的高校宿舍分配管理系统,核心功能是新生入学宿舍分配以及后期的管理。学生入学后可以根据自身情况进行宿舍分配选择,可以选择自己找室友进行入住申请,也可以选择学校根据系统聚类算法进行分配宿舍。系统也提供了宿舍调整和宿舍退还功能,满足学生中途更换宿舍以及毕业退宿的需求。论文的工作以高校学生宿舍分配为例,研究了将聚类算法用于资源分配任务的方法,实验结果和系统应用表明论文提出的方法是有效的,这对于资源分配问题的相关研究具有一定的借鉴意义。
移动边缘计算网络中的计算卸载及负载均衡算法研究
这是一篇关于移动边缘计算,计算卸载,卸载决策,资源分配,负载均衡的论文, 主要内容为随着移动互联网以及物联网的飞速发展,越来越多的终端设备以及新型应用(如增强现实、人脸识别和交互式游戏等)出现在人们的日常生活中。这些新型应用通常具有计算密集型和时延敏感型的特点,对终端设备的计算和存储等能力提出了较高的要求。移动边缘计算(Mobile Edge Computing,MEC)的出现很好地解决了终端设备计算和存储能力不足等问题。用户设备可以将自身难以处理的复杂计算任务卸载到移动网络边缘的MEC服务器,并利用其丰富的计算和存储资源进行任务处理,有效地提升用户的体验质量。MEC在带来诸多优势的同时,也存在着如何根据有限的计算资源(用于任务处理)和无线资源(用于任务传输)来制定合理高效的计算卸载机制,以及MEC服务器中由于卸载任务量的分布不均所带来的负载均衡问题。对此,本文针对MEC网络中的计算卸载和负载均衡算法展开研究,具体内容如下:1.针对单小区-多用户MEC场景下的计算卸载问题,综合考虑用户任务卸载决策以及有限的无线和计算资源对计算卸载的影响,提出了任务卸载决策及资源分配的联合优化问题。首先,采用自适应遗传算法制定卸载决策及后续的更新操作。具体地,在每一次卸载决策更新的情况下,将原问题分解为功率分配和计算资源分配两个子问题;然后,根据凸优化及准凸优化理论,利用二分搜索法和拉格朗日乘子法分别求出功率分配和计算资源分配的最优解。仿真结果表明,所提出的方案在保证用户时延约束的同时,降低了用户总开销,有效地提升了系统的性能及用户体验质量。2.针对密集异构网络MEC场景下的计算卸载问题,考虑不同小小区间的同信道干扰对计算卸载的性能影响,提出了卸载决策和资源分配的联合优化问题。首先,采用混沌变异二进制粒子群算法优化用户的卸载决策,并在特定卸载决策下,采用拉格朗日乘子法对用户进行计算资源分配;然后,在满足用户最低传输速率和最大可容忍干扰的条件下采用改进的Kuhn-Munkre算法来对卸载用户进行子信道分配。仿真结果表明,所提出的方案相比于其他方案能够节省更多的开销,有效地提升系统性能。3.针对未来密集部署MEC服务器负载均衡问题,考虑了由于在不同时间内网络中的卸载任务量的变化情况,选择对MEC服务器进行休眠操作,以节省不必要的能量消耗。首先采用M/M/m多服务台排队理论对网络中的卸载任务量进行建模,然后根据网络中的卸载任务量利用集合均值迭代比较算法筛选出具有较少卸载任务量的MEC服务器集合,并对该集合内的MEC服务器进行逐一判断,进行休眠操作。仿真结果表明,所提方案能够明显地降低系统的能耗。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码货栈 ，原文地址：https://bishedaima.com/lunwen/46071.html
