-
公开(公告)号：CN111314120A
公开(公告)日：2020-06-19
申请号：CN202010076102.7
申请日：2020-01-23
Applicant: 福州大学
Abstract: 本发明提出基于迭代QoS模型的云软件服务资源自适应管理框架，包括数据收集方法、模型训练方法、运行决策方法和资源调整方法；数据收集方法采集虚拟机集群软件服务的工况数据，工况数据包括服务质量QoS值、分配虚拟机、虚拟机资源调整操作及资源调整后的服务质量调整结果值QoSt+1；模型训练方法以多种机器学习方法针对工况数据进行训练建模；所述运行决策方法从模型训练方法生成的模型中选择最优模型，并由最优模型获取最优的虚拟机资源管理方案，并据此生成针对当前虚拟机集群运行工况的决策方案；所述资源调整方法根据决策方案对虚拟机集群进行资源调整操作；本发明能通过提高QoS预测模型的准确度来提高云资源分配的有效性，从而提升云软件服务的性能。
-
公开(公告)号：CN112052071B
公开(公告)日：2023-07-04
申请号：CN202010932875.0
申请日：2020-09-08
Applicant: 福州大学
Abstract: 本发明涉及一种强化学习和机器学习相结合的云软件服务资源分配方法。建立面向变化负载的管理操作决策模型。首先，使用强化学习方法，针对历史数据计算每一管理操作在不同环境、状态下的Q值；其次，使用机器学习方法，基于Q值预测模型，输入环境和状态，就能预测每一管理操作的Q值；最后，根据Q值预测模型，在运行时进行管理操作决策，通过反馈控制，逐步推理合适的资源分配方案。本发明方法使用在实际应用RUBiS中，结果显示：本发明方法能够提高云应用资源分配的有效性，管理操作决策的正确性达到92.3%，相比传统机器学习方法，资源分配效果提高约6%。
-
Patent Agency Ranking
公开(公告)号：CN114138416A
公开(公告)日：2022-03-04
申请号：CN202111472211.1
申请日：2021-12-03
Applicant: 福州大学
Abstract: 本发明涉及一种面向负载‑时间窗口的基于DQN云软件资源自适应分配方法。大多数现有方法只考虑工作负载的当前状况，因此无法很好地适应受工作负载波动影响的真实云环境。本发明方法考虑了资源分配过程中的当前和未来工作负载。具体而言，基于工作负载时间窗口的原始Deep Q‑Network（DQN）管理操作预测模型经过培训，该模型可用于预测不同系统状态下的适当管理操作。接下来，设计了一种新的反馈控制机制，通过迭代执行管理操作来构建当前系统状态下的客观资源分配计划。大量的仿真结果表明，该DRAW方法生成的管理操作的预测精度可以达到90.69%。此外，DRAW可以实现最佳/接近最佳性能，并在不同情况下比其他经典方法高出3～13%。
-
公开(公告)号：CN112256415A
公开(公告)日：2021-01-22
申请号：CN202011118823.6
申请日：2020-10-19
Applicant: 福州大学
Abstract: 本发明涉及一种基于PSO‑GA的微云负载均衡任务调度方法，包括以下步骤：步骤S1:初始化微云集合参数；步骤S2:计算所有微云的本地任务响应时间；步骤S3:根据微云的本地任务响应时间对微云进行排序，并将微云集合划分成过载集合和欠载集合；步骤S4:基于约束条件，采用改进的PSOGA算法，获取最优的微云任务调度方案。本发明可以有效减少迁移任务的响应时间，提高微云负载任务调度效率。
-
公开(公告)号：CN112214320A
公开(公告)日：2021-01-12
申请号：CN202011075980.3
申请日：2020-10-10
Applicant: 福州大学
Abstract: 本发明涉及一种面向负载‑时间窗口的面向负载时间窗口的基于PSO‑GA的云服务资源自适应分配方法，包括以下步骤：步骤S1:初始化时间窗口参数;步骤S2:采用改进的PSO‑GA算法，并基于QoS预测模型，搜索窗口内的目标资源分配方案；步骤S3:根据得到的目标资源分配方案，对当前的虚拟机分配方案作出相应调整。本发明能够有效提高云应用资源分配的效率。
-
公开(公告)号：CN112256415B
公开(公告)日：2023-08-04
申请号：CN202011118823.6
申请日：2020-10-19
Applicant: 福州大学
Abstract: 本发明涉及一种基于PSO‑GA的微云负载均衡任务调度方法，包括以下步骤：步骤S1:初始化微云集合参数；步骤S2:计算所有微云的本地任务响应时间；步骤S3:根据微云的本地任务响应时间对微云进行排序，并将微云集合划分成过载集合和欠载集合；步骤S4:基于约束条件，采用改进的PSOGA算法，获取最优的微云任务调度方案。本发明可以有效减少迁移任务的响应时间，提高微云负载任务调度效率。
-
公开(公告)号：CN112052071A
公开(公告)日：2020-12-08
申请号：CN202010932875.0
申请日：2020-09-08
Applicant: 福州大学
Abstract: 本发明涉及一种强化学习和机器学习相结合的云软件服务资源分配方法。建立面向变化负载的管理操作决策模型。首先，使用强化学习方法，针对历史数据计算每一管理操作在不同环境、状态下的Q值；其次，使用机器学习方法，基于Q值预测模型，输入环境和状态，就能预测每一管理操作的Q值；最后，根据Q值预测模型，在运行时进行管理操作决策，通过反馈控制，逐步推理合适的资源分配方案。本发明方法使用在实际应用RUBiS中，结果显示：本发明方法能够提高云应用资源分配的有效性，管理操作决策的正确性达到92.3%，相比传统机器学习方法，资源分配效果提高约6%。
-
-
-
-
-
-
Search Results
7
records
(took 0.014 seconds)
