【摘 要】
：
动态虚拟机合并是云数据中心改善功耗和资源利用率的有效方法,但负载变化使数据中心较难维持服务等级协议SLA和最优能效.针对该问题,提出一种模糊动态阈值方法对虚拟机合并过程进行决策,在动态负载环境下实现最小化的虚拟机迁移量.该算法利用模糊推理系统动态调整主机资源利用阈值,使得超载主机上的虚拟机迁移大幅降低,并可以满足服务等级协议.利用不同负载的三组仿真实验评估算法性能.结果表明,该算法在能耗、虚拟机迁移量以及SLA违例等性能指标上均有所改善.
【机 构】
：
广西财经学院研究生处 广西 南宁 530003
论文部分内容阅读
动态虚拟机合并是云数据中心改善功耗和资源利用率的有效方法,但负载变化使数据中心较难维持服务等级协议SLA和最优能效.针对该问题,提出一种模糊动态阈值方法对虚拟机合并过程进行决策,在动态负载环境下实现最小化的虚拟机迁移量.该算法利用模糊推理系统动态调整主机资源利用阈值,使得超载主机上的虚拟机迁移大幅降低,并可以满足服务等级协议.利用不同负载的三组仿真实验评估算法性能.结果表明,该算法在能耗、虚拟机迁移量以及SLA违例等性能指标上均有所改善.
其他文献
针对现有算法的多尺度特征融合效果不理想和全局信息利用不充分的问题,提出一种基于多尺度优化和全局注意力的显著目标检测模型.利用特征增强模块对从骨干网络VGG-16中提取出来的粗糙特征进行增强,提升特征的显著性表达能力,对不同层次特征融合得到高层级和低层级特征;设计全局注意力模块,利用空洞空间卷积池化金字塔ASPP模块提取全局信息,计算特征的通道权重;利用通道权重引导侧输出进行特征学习能力提升,通过逐层连接方式得到最终预测结果.该方法在5个常用的数据集上进行测试,并与9种相关方法进行比较.实验结果表明,该模型
大规模MIMO-D2D异构网络中,可以通过在蜂窝用户和D2D用户之间使用相同的频谱资源来提高频谱效率,但是在信道估计中,共享相同导频序列的用户之间会产生严重干扰.为了解决该问题,利用卷积神经网络,通过学习最优的导频分配来推断导频分配结果以减轻导频污染的影响.将用户在小区中的位置和相应的导频分配作为输入和输出标签,通过穷举法得到用户位置的最佳导频分配作为训练数据.经卷积神经网络导频分配系统(CNN-PAS)分析训练数据,利用所产生的推断函数提供近似最优的导频分配结果.仿真结果表明,该方案实现了近98.78％
像传统机器学习一样,样本的不平衡分布会影响深度学习分类器的预测能力,在语音情感识别环境下,情感数据的不平衡分布是一种常态.基于卷积循环神经网络和注意力模型,提出一种随机平均分布的集成学习方法(Redagging),用来消除样本的不平衡分布.Redagging按照机会均等原则,等概率地把训练样例随机放入子训练样本,通过降低样例重复率提升基分类器的性能,进而增强综合分类器的预测能力.在IEMOCAP和EMODB情感数据库的实验表明,从未加权平均召回率和F1值两个方面,Redagging都优于Bagging和其
为更好利用输入视频的时域特征,提升异常行为检测精度,采用三维自编码器为主体的网络分支编解码视频的时空域信息,提出改进光流融合策略的时域分支提供额外时域信息.将双分支结果融合并计算重建误差,在此基础上进行异常行为的判断.针对目前像素评价指标的不足,提出一种改进的像素级别检测指标.结果表明,融合后的结果好于各分支单独的结果,且优于近年方法.可见网络分支与时域分支互为补充,进一步提升了模型的整体检测效果.
针对卷积神经网络进行语音识别时识别率较低的问题,结合序列的最大子序列理论,把真实数据和预测数据看作两个序列并计算两者的最大子序列,再使用欧氏距离计算MSLoss损失函数.使用闵氏距离和神经网络反向更新时的参数,提出自适应卷积核ACKS算法,根据网络传播情况动态地改变卷积核大小,改善模型在不同阶段对数据特性的提取效果.设计改进后的网络结构,把改进的网络与循环神经网络和长短时记忆神经网络进行识别率和计算时间的比较,实验结果表明,改进后的模型可以减少2％的运行时间并降低3％的误识别率.
针对目前虚拟现实影视作品中声音设计过程中缺乏客观量化指标、过于主观的问题,提出一套基于生态声学的虚拟现实影视声景量化方案.依据生态声学研究理论基础,方案将影视声景元素根据其发声动机划分成自然声、人为声和地球声三个部分,在该分类的基础上,通过计算各类别之间的比例来量化影视声景设计中关于地点、时间、天气等因素.实验样本来源于实地录制,将计算结果分别与客观实录情况和主观评测结果进行对比分析,实验结果表明,通过该方案计算得出的影视声景观量化结果与客观情况相吻合,与多数声音设计师的主观感受基本匹配,算法数据结果可靠
针对场景文字区域尺度变化较大,具有较大的长宽比,且具有任意方向性等问题,提出一种基于神经网络的场景文字检测模型.基于直接回归方法设计,无需预先设置锚框,在多次层次构建特征,且在多个分支之间共享卷积核.实验阶段在多个数据集上验证了模型的有效性,相较于现有方法,该模型计算资源消耗更小,推理速度更快,整体性能更好.
基于模板的上下位关系抽取是上下位关系自动获取的重要方法.目前学术界通常采用两类模板,但目前中文上下位关系抽取研究尚缺乏对这两类模板的客观比较.针对这一问题,提出基于大规模语料的匹配抽取和高质量人工标注,以实现对两类模板的优劣进行客观对比和评价,为上下位关系自动获取提供坚实基础.对于四种主流的上下位相关句型,在3800万句中文语料上进行匹配抽取,并人工标注2800个随机抽取的上下位候选词对.实验结果表明,依存句法模板的准确度比词法模板高出9.07百分点,而召回度则略低了0.32百分点.
针对信息中心网络(Information-Centric Networks,ICN)的视频传输应用,仅仅靠天然的网络缓存来支撑视频的高效传输是远远不够的.为此,提出一种基于包级别缓存的视频传输策略来卸载传输的流量.引入数据平面开发套件(Data Plane Development Kit,DPDK)来保障视频的有效传输,体现在两个方面:(1)确保包的整齐切片;(2)用来加速端侧的视频传输速度.内容路由器增设一个包传输表(Packet Transmission Table,PTT)用于记录包的传输情况.采用
现有大多数工作都是通过智能电表数据独立地预测单户特性,而忽略了不同特性的联合分析,对此构建一种多任务学习模式,判别多任务间关系.该模式将每个特征看作一个独立的任务,并尝试同时预测多个家庭特征.主要解决了不同特征之间关系的嵌入结构问题和原始训练数据中存在冗余特征问题.模型通过获取任务协方差矩阵捕捉不同特征之间的内在联系,得到一个简单而鲁棒的权重矩阵.以爱尔兰用户智能电表数据为例,验证了算法的有效性.