一、全局服务负载均衡策略的常见技术及应用(论文文献综述)
王瑶[1](2021)在《软件定义网络多控制器负载均衡策略的研究与实现》文中提出软件定义网络(Software Defined Networking,SDN)实现了控制层与转发层分离。由于单一控制器有限的管理规模,在大规模网络中通常部署多个控制器来处理数据报文的转发。但网络流量的动态变化,引发了多控制器之间负载分布不均的问题,严重影响了网络性能,并导致部分控制器资源严重浪费。本文针对广域网中出现的SDN多控制器负载均衡问题,研究了 SDN多控制器负载均衡相关技术,提出了一种基于新流密度迁移交换机的多控制器负载均衡策略,设计并实现了 SDN多控制器负载均衡系统。本文主要的研究内容与贡献如下:提出了基于新流密度迁移交换机的多控制器负载均衡策略SMBNFD(Switch Migration Based on New Flow Density)。首先,将过载控制器掌管的边缘交换机加入队列,从中取出一个作为迁移交换机集合的初始节点。接着,筛选出过载控制器掌管的且与集合相邻的交换机,选择使集合新流密度最大的一个交换机加入迁移交换机集合,并将集合和邻近控制器加入迁移方案列表。不断扩大集合直到集合内交换机单位时间内发送Packet-In消息总和大于过载控制器负载与控制器平均负载之差。清空集合重复以上步骤,直到队列为空。其次,计算并归一化各方案控制器负载方差、平均传播时延两个目标值将其映射至0-1范围内,将各目标在方案列表中的最小值和最大值分别组合成迁移方案的正负理想解,计算各方案与正负理想解的欧式距离。最后,根据与正负理想解的距离计算方案与正理想解的相似度,在列表中选择相似值最大的方案作为最终迁移方案。实验结果表明,该算法在减小控制器负载方差的同时也减小了控制器与交换机的平均传播时延。基于SMBNFD策略设计并实现了 SDN多控制器负载均衡系统和管理系统。负载均衡系统包括负载收集、负载计算、时延计算、策略搜索、迁移决策以及交换机迁移模块。管理系统包括控制器查询、拓扑查询和负载管理模块,各模块均通过了系统功能测试。
陈煌[2](2021)在《列车通信以太网网络重构及性能优化研究》文中认为随着列车通信网络(Train Communication Network,TCN)所承载的数据信息呈现海量化和多源化,列车通信以太网由于其高带宽和高兼容性等优势而成为TCN重点研究和发展的方向。然而,面对通信系统规模和功能复杂度的迅速增长,列车通信以太网存在的流量调度弱和拓扑管理差等缺点日益凸显,极易出现流量传输异常、通信链路中断等性能衰退或者故障现象,进而引发列车控制信息错误甚至系统功能紊乱,危及列车的安全可靠运行。网络重构优化理论,是在故障诊断和性能分析的基础上,对特定网络资源和功能进行抽象和分解,并根据所需的优化目标合理地分配和设计功能单元。所以,该理论能够对故障状态下的通信网络进行主动地传输调度恢复和网络性能调优,快速有效地抑制故障和性能异常对通信的影响。因此,为了保障列车的高效安全运行,满足列车通信以太网对故障处理能力和性能调优的更高要求,网络重构优化理论作为一种具备故障自恢复与性能优化的综合化智能容错设计理论,值得进行深入的研究。本文围绕列车通信以太网的网络故障管理与性能优化问题,以网络资源调度自调整和拓扑路由自恢复作为重点研究对象,提出了列车通信以太网网络重构及性能优化策略,包括:网络资源预调度重构、子网网络资源动态调度重构和网络拓扑路由重构。本文主要工作与研究成果如下:1、针对系统间多核心的协同预调度最优配置问题,提出了一种基于自适应趋化细菌觅食算法(BFO with Self-adaptive Chemotaxis strategy,SCBFO)的网络资源预调度重构策略。针对列车通信以太网系统间多网络核心的流量传输协同预调度,在基于时间触发机制的网络结构下,首先构建了列车通信以太网的系统间实时流量资源协同传输模型;再提取特征周期与时间初相作为预调度重构优化的关键,形成了统一时间标签下的预调度约束条件与性能优化目标;最后,提出了一种基于SCBFO的网络资源预调度重构策略,兼顾了重构的优化效果、搜索速度和搜索稳定性。2、针对列车编组网(Ethernet Consist Network,ECN)子网的快速动态调度自调整需求,提出了一种基于多目标模糊粒子群算法(Multi-objective Fuzzy Particle Swarm Optimization,MOFPSO)的子网网络动态调度重构策略。根据ECN子网的网络分割独立特性,建立了以网络交换机为核心的子网传输结构分析方法;再根据ECN子网交换式传输基础,对子网内实时流量的动态调度控制进行了时域化建模与特征排序,对通信链路传输进行了可变时间窗划分,并据此形成了动态调度重构的约束条件与优化目标;提出了一种基于MOFPSO的子网网络资源动态调度重构策略,快速地完成了流量异常状况下ECN子网调度表的动态调度重构设计优化。3、针对故障下拓扑路由规划的最优化问题,提出了基于差分进化混合禁忌算法(Differential Evolution hybrid Tabu algorithm,TDE)的网络拓扑路由重构策略。在实际运行的列车通信以太网网络结构的基础上,建立了网络拓扑架构稀疏化模型,涵盖了节点状态矩阵、端口连通矩阵和有向通信链路矩阵;设计了针对流量传输的拓扑路由性能综合评价指标,包括通信链路负载率、转发时延和传输抖动等,形成了完整的网络拓扑路由模型体系;最后,提出了一种基于TDE的网络拓扑路由重构策略,快速且有效地应对了通信链路故障所带来的网络拓扑突变。4、为了验证网络重构优化的实际应用有效性问题,设计并搭建了基于列车通信以太网的网络重构优化实验平台。依据所提出的列车通信以太网网络重构优化策略,以TRDP地铁列车实车通信网络为基础,设计了网络资源和通信链路的实时监测控制方案,完成了列车通信以太网重构优化实验平台的搭建。通过实际实验平台测试,证明了网络资源预调度重构、ECN子网网络资源动态调度重构和网络拓扑路由重构策略的有效性,从而表明所提出的网络重构优化策略为列车通信以太网的智能容错设计研究提供了一种新型的优化方案。
张倩[3](2021)在《基于蚁群优化算法的工业SDN流量调度算法研究》文中研究指明软件定义网络(Software Defined Networking,SDN)作为一个新时代的网络系统架构,由于其本身具有全局视图和可编程的优势,为有效解决由于网络流量快速增长而导致的路径拥塞问题提供了可行的方法。但是传统的流量调度算法与SDN架构不能完美兼容,表现出一定的局限性。因此,本文基于SDN架构来研究网络流量的调度算法与策略,以达到实现网络负载均衡,提升网络性能的目的。本文在分析流量调度算法的基础上,首先提出了一种最小花销流量调度算法,该算法综合考虑了时延和带宽对于网络性能的影响,通过综合评估计算出网络链路的最小花销值,最后选取其中花销最小的路径作为最优路径。其次,针对工业数据中心流量特点,在最小花销算法的基础上设计了一种融合了蚁群优化算法的流量调度策略。在流量调度阶段,该算法按照一定周期对网络负载进行检测,计算出负载均衡参数和网络链路利用率,根据阈值将流量调度方式分为两类,负载均衡参数及链路利用率小于阈值时选择最小花销算法对流量进行调度处理,若二者均大于阈值,将流量划分成大象流和老鼠流两类,对老鼠流使用默认的最小花销算法进行调度,对大象流则使用本文提出的改进蚁群算法进行调度。本文针对基础蚁群算法的全局搜索能力弱、收敛速度慢等缺点,对蚁群算法进行了三方面的改进:蚁群寻径策略,信息素的更新方式以及信息素重置。最后,对本文提出的最小花销算法和基于蚁群的流量调度策略进行有效性验证。通过与常用的流量调度算法进行对比实验测试,分析了平均流吞吐量,带宽利用率标准差,平均时延和平均丢包率四个性能指标的算法实验结果,说明了本文提出的方法对于网络性能有所提升,有效实现了网络链路负载均衡,达到了预期的目标。
张轲然[4](2021)在《5G云接入网中基于深度强化学习的高能效负载均衡技术研究》文中提出智能终端的迅速普及使得网络流量需求爆炸式增长,为了提高网络传输和管理效率,5G云无线接入网络(Cloud Radio Access Network,C-RAN)应运而生,其通过大量部署小型基站来提升网络容量。但是,基站的密集部署对网络能效和负载均衡均带来了巨大挑战。本文聚焦于5G C-RAN,提出了负载与网络资源匹配以及面向容量优化的高能效负载均衡机制,根据动态的网络流量需求,自适应地调整基站工作模式及网络资源的使用,以此提高网络的能量效率。针对5G C-RAN中负载和活跃基站数量不匹配带来的高能耗问题,本文提出了一种基于深度强化学习的负载和资源匹配策略。该方法首先建模了联合服务质量的系统能耗模型;其次基于马尔可夫决策过程预测下一时刻的网络流量;最后基于负载预测,进行智能的基站开/关决策,在保证网络处理时延和用户最小信干噪比需求约束条件下,实现了负载和网络资源的匹配,极大提升了网络能量效率。针对5G C-RAN中网络需求在时间空间动态随机变化导致的负载不均衡问题,本文提出了基于深度强化学习的双层负载均衡策略,该机制构建了双层负载控制体系,顶层集中式负载控制器将区域内的基站按照历史负载级别划分为多个集群,从宏观角度适应动态的全局负载波动。而针对每个集群的底层自组织负载控制器,采用基于深度强化学习的移动性负载均衡方法,在保证网络中断概率、用户最小信干噪比需求的条件下,实现了更精细的负载调整。
赵小浩[5](2021)在《基于低轨卫星网络的半分布式负载均衡路由算法研究》文中研究说明在全球信息革命浪潮的推动下,低轨(Low Earth Orbit,LEO)卫星网络具有全球覆盖,不受地势影响,不易受陆地灾害影响等优势,可以作为传统地面网络的必要延伸和补充。由于全球业务流量的差异化分布和卫星网络拓扑的高动态特性,低轨卫星网络中的负载极其不均衡,因此,设计合理的负载均衡路由算法,从而提升全网的传输容量显得尤为关键。现有低轨卫星网络负载均衡路由算法存在两个显着缺陷:其一在负载均衡策略方面,现有策略对链路信息的利用不充分,对拥塞反应能力差导致路由策略低效不可靠;其二是在路由功能实现上,集中式的全局负载均衡路由算法的网络负载感知开销大,对拥塞反应不及时;分布式的局部负载均衡算法分流能力差,容易陷入局部最优。所以,设计一种适用于低轨卫星网络的高效可靠、分流能力强同时不失灵活性和时效性的负载均衡路由算法至关重要。本文针对现有低轨卫星网络负载均衡路由算法在策略设计和路由功能实现两个方面的缺陷上进行研究,提出了基于拥塞通知和链路状态的优先级策略(Priority Forwarding Policy Based on Congestion Notificationand Link State,CLPFP)和半分布式负载均衡算法(Semi-Distributed Load Balancing Routing,SDLBR),并针对 CLPFP 和 SDLBR使用OPNET软件进行建模和仿真分析,并与其他相关算法进行了性能比较。主要研究内容分为以下三个部分:(1)提出了基于拥塞通知和链路状态的优先级策略。首先我们对LEO卫星星座进行建模,基于链路状态交互和历史链路信息预测这两种负载均衡策略思想的优缺点和互补性,结合了两种思想的优势,提出相应的拥塞通知机制和链路优先级度量机制。CLPFP基于卫星的链路信息和相邻卫星带来的拥塞通知信息的双重标准多个指标综合考虑来设计优先级度量机制以指导路由,该机制可以更准确地选择相对轻载的候选下一跳卫星,并对拥塞做出快速响应。(2)提出了半分布式负载均衡算法。针对现有集中式和分布式负载均衡路由方案的缺陷,提出了灵活高效,时效性强且较强分流能力的SDLBR算法。其主要包括三个部分:1)分布式负载感知机制。该机制主要通过丰富状态变更包来实现更大范围内的拥塞通知来实现网络负载感知,是SDLBR算法的实现前提。2)两跳路由优先级度量机制。该机制通过重构优先级度量机制来实现两跳路由计算以提升分流范围和弱化局部最优问题,是SDLBR算法的核心步骤。3)半分布式转发机制。该机制主要通过报头增加3bit2元组数据的方式来实现对两跳路由计算的数据包进行逐跳转发,是SDLBR算法的实现根本保障。(3)对所提CLPFP和SDLBR算法进行了建模与仿真。使用OPNET软件对本文所提算法进行了网络层、节点层和进程层建模,模拟了类铱星网络在星上路由阶段的通信机制。通过仿真结果与DRA算法、TLR算法和TP-MALBQR算法进行了比较,结果显示本算法在端到端时延、丢包率、吞吐量、时延抖动和负载分布指数等负载均衡指标上均有明显优势。
杨旭[6](2021)在《软件定义数据中心网络的拥塞控制策略研究》文中研究指明当今时代,互联网和云计算的蓬勃发展让数据中心扮演着非常重要的角色。数据中心网络因为可靠性和健壮性的要求,服务器间拥有多条路径,但是传统的数据中心网络拥塞控制机制无法充分利用这些可选路径,也无法有效地解决数据中心的拥塞问题。所以软件定义网络(Software Defined Networks,SDN)网络架构逐渐在数据中心网络中被广泛地使用。SDN可以获取网络的全局信息,更好地监测网络状况并且制定拥塞控制策略。但是SDN网络架构也有其内在缺点,如果没有合理的流量调度策略或者控制器负载过重,还是会导致网络拥塞。所以本论文从流量调度和控制器拥塞减免两方面入手来解决软件定义数据中心网络的拥塞问题。(1)提出基于分段标签下发的控制器拥塞控制策略。传统的OpenFlow协议会在流量路径上的每个交换机上都去下发安装流表项,这对控制器造成了很大的负担,增大了控制器的拥塞,所以本文使用在多节点下发MPLS标签的方式来减少控制器流表的下发。本文推导出了一个数学模型用来描述最终的优化目标,这是一个非确定性多项式难题(NP-hard问题),本文使用贪心算法来取得优化目标函数的局部最优解,选择合适的交换机下发带MPLS标签栈的流表信息。最终实验的结果和传统的OpenFlow下发流表的方式比较可以减少60%流表项的下发,并且在大流量的环境下可以使控制器的延时减少25%左右,实现了通过降低控制器的负载和控制器处理时延的方式来减轻网络整体的拥塞。(2)提出基于模糊逻辑推理的流量调度策略。使用模糊逻辑推理模型,将候选路径的链路利用率和路径跳数作为输入值,经过模糊化、规则推理、解模糊化的步骤,推理出该条路径的评分值,最后取所有路径的评分最大值,则该条路径为最终所选的路径。仿真实验结果表明,模糊逻辑算法在吞吐量、负载均衡和平均往返时延方面比ECMP、Hedera等算法有显着的改进,能够有效降低网络拥塞。
康妍[7](2021)在《一种基于云计算的资源调度方案的研究与实现》文中认为随着云计算技术的飞速发展,传统IT架构模式逐渐被替代。云计算利用虚拟化技术将许多同构或异构的物理资源组成虚拟资源池提供给用户,用户按照自身需求通过Internet获取所需资源。目前云用户数量以及云用户需求急剧增加,云数据中心规模也不断扩大。如何在动态异构的云环境下合理的调度资源,提升云平台的性能,保障用户需求,是现今云计算领域亟待解决的问题之一。针对上述问题,本文在深入学习虚拟化技术和现有云计算资源调度算法的基础上,以负载均衡、提升资源利用率和减少能耗为出发点,立足IaaS云平台OpenStack,对虚拟机资源调度方案进行深入研究。论文主要工作和创新点如下:(1)针对资源调度方案设计不当导致的物理主机资源浪费、物理机之间负载不均衡和云平台能耗增加问题,分别构建了以负载均衡、提升资源利用率、降低云平台能耗为优化目标的模型,并以三种模型设计了评价函数;(2)提出了一种基于遗传和量子粒子群融合算法(Hybrid Genetic Algorithm And Quantum Particle Swarm Optimization,HGQP)的虚拟机调度策略。利用遗传思想搜索范围大,全局搜索能力优和量子粒子群优化算法收敛速度快、局部搜索能力优的优势,通过算法串行式融合,将迭代次数一分为二,前半部分迭代使用遗传算法,达到迭代次数的1/2后采用量子粒子群算法,加速搜索出了虚拟机到物理主机映射的最优解,得到了最优的资源调度方案;(3)针对量子粒子群优化算法易陷入局部较优、迭代后期收敛慢的缺陷,引入自适应方法,利用粒子适应度值改进了算法中唯一控制参数收缩扩张系数。引入精英策略,在计算平均值时引入权重因子改进了算法的平均最优位置;(4)基于云计算资源调度模拟环境Cloudsim对HGQP算法进行了对比实验。实验表明,本文提出的遗传量子粒子融合算法和传统的单一启发式算法遗传算法、粒子群算法和最小剩余算法相比,任务处理时间较短、CPU利用率较优、能耗较低,验证了算法的有效性和合理性;(5)基于开源的云计算管理平台项目Openstack实现了基于HGQP资源调度方案的云计算资源调度平台,对资源管理模块、资源监控模块和资源调度模块进行了设计。功能测试结果表明,此平台实现了对底层虚拟资源和物理资源的统一管理、监控和调配,可以为业务和应用提供自动化和整体化的运维手段。
刘晔祺[8](2021)在《卫星动态光网络的路由和资源管理方法研究》文中提出科学技术的进步和发展,推动空间通信技术向着不断深入的方向探索,在海量通信数据和多样化用户服务的刺激下,空间技术领域中的大功率轨道运载水平和大容量卫星通信能力不断提升,人工智能等新技术也开始融入卫星产业的各个方面。以激光为载波、大气为传输介质的卫星光通信技术,能够在继承微波通信优势的基础上,结合无线电通信和光纤通信的优点,不仅传输速率高、传输容量大、安全性高,还能够抵抗电磁干扰,且无需使用许可;硬件配置方面,满足激光通信需求的发射和接收天线体积小,更便于卫星携带。通过采用激光通信技术建立星间链路,能够形成高速率大容量通信的卫星高速光互联网,进而满足近年来指数式增长的数据传输量对卫星通信容量和传输速率提出的更高要求。因此,作为未来军事和商业空间网络的重要构成系统,空间激光通信具有重要的研究意义。在多类型业务需求和服务质量不断增长的今天,卫星光网络中所承载的通信量越来越大,与此同时,空间环境的复杂性以及无线通信固有的脆弱性也给卫星网络的高质量传输性能带来了巨大的挑战。本论文充分考虑基于波分复用结构的激光链路特性和网络拓扑高动态变化的特点,围绕卫星动态光网络中网路层路由算法和星上资源管理问题展开研究。为了支撑各种类型的用户服务,提高大容量高速率网络通信的稳定性和可靠性,应对卫星光网络由于数据速率高、容量大等新特性而导致的网络层面的流量不均、业务拥塞问题,解决与日俱增的业务需求和有限的星上资源之间的矛盾,本文重点研究卫星动态光网络中的路由与波长分配技术,基于安全威胁和重业务负载的路由优化策略,以及星上资源的高效分配方法,从而实现用户数据的稳定、安全、高效传输,并提高有限资源的最大化利用。论文的主要研究工作和创新点如下:1.基于蜂群优化的路由和波长分配算法论文基于卫星动态光网络中的路由与波长分配(Routing and Wavelength Assignment,RWA)问题,提出了基于蜂群优化的RWA算法,以时延和波长利用率为优化指标,以多普勒波长漂移、传输时延、波长一致性和连续性为约束条件,建立了星间激光链路的链路代价模型;优化了蜂群适应度函数,以最小化路径上经过的节点跳数和链路的波长资源利用率为目标,实现了路径的合理规划和波长的有效利用。研究结果表明,该算法有效地克服了卫星光网络长时延和高误码率的缺点,满足了实时业务的稳定传输,减轻了多普勒频移对通信性能的不利影响,并且能保证低阻塞率下波长资源的高效利用。2.基于安全路由策略的负载均衡算法论文基于空间环境的开放性所引发的安全性问题,设计了基于多层卫星信任度的安全路由策略,通过卫星群组划分、生成链路报告和可信路由计算等步骤,利用网络中时延、丢包率和可用带宽等信息构建信任度值,并由高层卫星管理者规划出一条信任度值较高的路径,以实现可信的数据传输,从而提高系统安全性;针对满足全球覆盖的单层卫星星座,提出了基于安全策略的负载均衡算法,解决了卫星光网络中由于全球流量分布不均引起的负载不均问题和路由安全性问题。通过设计基于安全机制的流量修正模型,分散热点区域的流量,同时限制通过不安全区域的流量,以达到安全目标下网络负载的有效均衡。与传统的启发式算法相比,所提算法具有更好的适应性,更低的阻塞率以及更加安全可靠的通信性能。3.基于业务分流的卫星拥塞控制算法论文针对大流量业务背景下星载处理能力有限和全局业务分布失衡所引发的网络拥塞问题,提出了一种基于业务分流的卫星拥塞控制算法,利用人工蜂群(Artificial Bee Colony,ABC)机制求解多约束条件下的拥塞控制优化模型。针对可预判的业务堆积造成的拥塞,提出了一种基于业务分布的链路代价修正模型,通过修正的路径代价来提前分散重负载区域流量,以得到全局最优的路由结果;针对网络的突发性拥塞,考虑到波长分配和路由选择的同时性,设计了基于波长利用率的拥塞控制指数,最大限度地避免局部拥塞给网络带来的瘫痪性影响;针对拥塞节点容易引发的级联拥塞现象,则通过设置拥塞区域进行路由绕行以避免性能进一步恶化。仿真结果表明,所提算法实现了高通信成功率和低传输时延性能,并能够在避免拥塞的基础上实现对波长资源的合理规划。4.基于多QoS保证的动态带宽分配方法论文基于宽带卫星通信系统的资源分配问题,提出了一种基于多服务质量(Quality of Service,QoS)保证的动态带宽分配方法以解决有限的星上资源和日益增长的宽带多媒体业务需求之间矛盾。首先,构建了一个跨层带宽分配模型,综合考虑应用层、介质访问控制(Medium Access Control,MAC)层和物理层的信息;然后,利用优化蜂群算法求解基于跨层信息的修正效用函数,从而得到带宽资源分配的最优解。所提算法充分考虑并分析了调制格式、编码效率、传输速率以及不同类型用户的QoS优先级等重要因素。最后,通过对所提算法效用值、用户满意度和吞吐量等性能的分析评估,验证了其不仅能够满足多用户的QoS需求,还能在兼顾物理层传输环境的基础上实现高效的带宽分配和高速的业务传输。
吴亚兰[9](2021)在《车联网中的任务迁移算法研究》文中指出依托新一代通信技术,车联网实现了车与车及路边基础设施等全方位的网络通信,并成为了未来智能交通系统的一个不可或缺的部分。此外,借助车辆和路边计算单元(Roadside Units,RSUs)的计算资源及边缘计算技术,车联网可为交通系统和车辆提供高质量的计算服务,从而实现为用户提供如导航、增强现实应用及驾驶辅助等不同的移动服务。然而,由于车联网中的车辆具有高速行驶的移动性、空间分布的差异性、任务请求的随机性、服务能力的异构性,以及RSUs具有状态切换等特性,这些特性将导致车联网在提供计算服务时面临任务响应延迟大、车辆或RSUs能耗高、网络性能不稳定等问题。本文针对不同的车联网模型,研究任务迁移算法,为用户提供更优的计算服务,主要工作及创新如下。(1)针对车辆到基础设施(Vehicle-to-Infrastructure,V2I)任务迁移的车联网模型,面向RSUs在工作和睡眠状态下可动态切换的场景,提出一个V2I任务迁移问题及三个迁移算法,从而为车辆提供低延时的计算服务。具体地,首先将车载任务请求建模为独立泊松流,并将RSUs的服务模型建模为简单的M/M/1排队系统。基于此,在RSUs任务队列存储空间等约束下,提出了一个以最小化任务总时延为目标的任务迁移问题,同时,证明了该问题为NP难解问题。为了解决该问题,提出了一个贪心算法,优先选择可最小化响应时间的RSUs来执行任务。同时,以所提出的贪心算法的解为初始解,定制了一个禁忌搜索算法,进一步降低任务的时延。此外,利用深度强化学习方法,构造了一个基于深度Q网络的任务迁移算法,以降低任务的响应时间。实验结果表明,在任务响应时间方面,提出的基于深度Q网络的任务迁移算法优于其他算法,且所有提出的算法性能均优于随机算法。(2)针对车辆到车辆(Vehicle-to-Vehicle,V2V)任务迁移的车联网模型,面向高速行驶的移动性、空间分布的差异性、任务请求的随机性、服务能力的异构性,提出了一个负载均衡问题,并设计了相应的V2V任务迁移算法和功率调整算法,以实现车辆之间的负载均衡。具体地,在车辆发送功率、存储空间等约束下,提出了一个以最小化最大的计算负载为优化目标的NP难解问题。为解决该问题,将其分解为两个子问题:1)在给定功率的前提下,如何迁移任务;2)在给定迁移策略的前提下,如何调整功率。针对第一个子问题,提出了近似求解算法、深度强化学习算法、基于联盟的集中式激励算法、基于联盟的分布式激励算法、以及基于深度强化学习的激励算法,以降低最大车辆计算负载。针对第二个子问题,定制了一个功率调整算法,以便进一步降低负载。在OSM、SUMO和NS-3的模拟平台和谷歌任务数据集上的实验结果表明,在多数情况下,所提出的任务迁移算法成功降低了系统的最大计算负载。此外,提出的功率调整算法可进一步降低车辆计算负载。(3)针对V2I和V2V共存的任务迁移车联网模型,面向十字路口场景,提出了一个车联网组网方式和三个任务迁移算法,以便为用户提供稳定且高效的计算服务。具体地,在所提出的车联网组网方式中,根据车辆在十字路口的转向,将车辆划分为三个车联子网。在每个子网中,车辆之间可通过V2V通信,车辆与RSUs之间可通过V2I通信。基于所提出的车联网模型,为了最小化车载任务的平均响应时间,提出了一个贪心算法,优先选择最邻近的车辆协助任务的执行。此外,基于Kunhn-Munkras方法和最小花费最大流(Min-cost Max-flow)方法,提出了两个二分匹配算法,以降低车载任务平均响应时间。在OSM、SUMO和NS-3结合的模拟平台上的仿真实验结果表明,所提出的车联网组网方式成功地降低了任务的平均响应时间。此外,所提出的二分匹配算法性能上均优于现有的算法;所提出的贪心算法在运行时间上均优于其他算法。
贾吾财[10](2021)在《基于TSACN预测的SDN控制平面动态负载均衡研究》文中指出SDN(Software Defined Network)是一种新型的网络架构,解耦控制平面与数据平面,实现网络的集中控制,有效解决了传统网络配置复杂、设备管理困难等问题,能更好的实现全局优化。但随着网络规模的不断扩张,单控制器部署有限的处理能力以及易出现单点失效等问题,已成为整个SDN网络的瓶颈。因而多控制器部署已成为必然趋势。但由于网络流量具有时变性和突发性,极易引发控制平面负载不均衡,致使网络整体性能下降和大量网络资源被浪费,因而如何解决SDN控制平面负载不均衡问题已成为研究的热点。在现有解决负载不均衡问题的策略中,静态负载均衡策略由于控制器与交换机的映射关系固定不变难以应对实时变化的网络流量,易产生新的负载不均,不适合真实网络。本文主要针对现有的动态负载均衡策略中无法很好的避免控制器过载,交换机迁移时机选择粗放、难以实现实时智能负载均衡等问题进行深入研究,提出了一种基于负载预测的动态负载均衡策略,利用深度学习进行负载预测,并在此基础上确定合理的交换机迁移时机,再借助深度强化学习模型最终实现实时智能化的动态负载均衡,有效提高了网络性能和资源利用率。主要研究内容如下:首先,从数据驱动的角度出发,本文引入了知识定义网络(Knowledge Definition Network,KDN)的理念,设计了一种新的动态负载均衡架构,该架构可减少控制器间的通信开销,并借助负载预测产生的知识以及具有负载均衡知识的决策模型快速制定出高效的负载均衡策略,最终实现网络管理的自动化、智能化。其次,针对现有的动态负载均衡策略无法很好的避免控制器过载的问题,本文设计了时序自注意力卷积神经网络(Temporal Self Attention Convolutional Network,TSACN)模型实现对控制器负载的预测。该模型在时序卷积网络(Temporal Convolutional Network,TCN)模型的基础上添加了自注意力机制并进行了修改,实现在增加对序列数据内部相关性捕获的基础上,同时维护了模型的可解释性。提高了负载均衡决策所需要知识的质量,以便后续迁移时机的确定和智能负载均衡的实现,进而避免控制器过载的发生。第三,针对交换机迁移时机选择粗放问题,本文设计了触发交换机迁移阈值,即利用获得的控制器预测负载,判断出在未来W时间窗口内是否存在过载控制器并且控制器过载次数是否超过触发交换机迁移阈值,据此确定合适的交换机迁移时机,因而在实现对交换机迁移代价以及收益权衡的基础上有效避免了控制器过载的发生。第四,针对难以实现实时智能负载均衡问题,本文利用深度强化学习善于处理高度时变环境的特点,将改进后的A3C算法作为交换机迁移算法,将TSACN预测产生的知识和网络状态信息作为输入,综合优化目标作为奖励函数,再利用与环境的不断交互生成对应网络状态下的最佳负载均衡策略,最终实现实时智能的动态负载均衡。此外,对原本A3C算法中的优势函数以及动作空间探索进行改进,进一步加快收敛速度和提高解的质量。最后,利用Mininet和Ryu搭建本文的实验仿真环境,首先对TSACN模型的预测性能进行验证,实验结果表明该模型在平均绝对百分比误差(MAPE)上与TCN、LSTM、GRU模型相比分别减少了1.85%,3.04%,3.40%。其次通过对交换机迁移时机进行分析,有效证明了TSACN-LBA算法能在权衡交换机迁移收益与代价的基础上有效避免控制器过载的发生。最后将本文提出的TSACN-LBA算法与NMD、DALB、Q-Learning算法进行对比,实验结果表明TSACN-LBA在系统吞吐量上分别提升了21.89%、16.64%、5.98%,在平均响应时延上分别降低了25.40%、20.36%、5.17%,在资源利用率方差上分别减少了0.0123、0.01、0.0026,证明了本文算法的有效性。
二、全局服务负载均衡策略的常见技术及应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、全局服务负载均衡策略的常见技术及应用(论文提纲范文)
(1)软件定义网络多控制器负载均衡策略的研究与实现(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 本文的主要工作 |
1.4 论文组织结构 |
第二章 相关技术介绍 |
2.1 SDN概述 |
2.1.1 SDN体系架构 |
2.1.2 OpenFlow协议 |
2.2 SDN多控制器 |
2.2.1 SDN多控制器架构 |
2.2.2 SDN多控制器通信 |
2.3 基于交换机迁移的多控制器负载均衡技术 |
2.3.1 交换机迁移协议 |
2.3.2 基于交换机迁移的负载均衡策略 |
2.4 本章小结 |
第三章 基于新流密度迁移交换机的多控制器负载均衡技术 |
3.1 多控制器负载均衡问题 |
3.2 设计思路 |
3.3 基于新流密度的迁移备选方案搜索算法 |
3.4 基于TOPSIS模型和组合权重最终迁移方案的决策算法 |
3.5 实验与分析 |
3.5.1 实验环境 |
3.5.2 实验结果 |
3.6 本章小结 |
第四章 SDN多控制器负载均衡系统设计与实现 |
4.1 需求分析 |
4.2 系统架构 |
4.3 多控制器负载均衡系统的实现 |
4.3.1 负载收集模块实现 |
4.3.2 负载计算模块实现 |
4.3.3 时延计算模块实现 |
4.3.4 策略搜索模块实现 |
4.3.5 迁移决策模块实现 |
4.3.6 交换机迁移模块实现 |
4.4 管理系统的实现 |
4.4.1 控制器查询模块实现 |
4.4.2 拓扑查询模块实现 |
4.4.3 负载管理模块实现 |
4.5 系统功能测试 |
4.5.1 测试环境 |
4.5.2 测试结果 |
4.6 本章小结 |
第五章 总结和展望 |
5.1 工作总结 |
5.2 展望 |
参考文献 |
致谢 |
(2)列车通信以太网网络重构及性能优化研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景与意义 |
1.2 列车通信以太网性能优化研究 |
1.2.1 网络协议与应用现状 |
1.2.2 网络架构与性能指标 |
1.2.3 国内外研究现状 |
1.2.3.1 调度控制优化研究 |
1.2.3.2 路由管理优化研究 |
1.3 网络重构优化基本问题与研究现状 |
1.3.1 网络资源调度重构理论 |
1.3.1.1 列车通信以太网网络资源调度 |
1.3.1.2 预调度重构研究现状 |
1.3.1.3 动态调度重构研究现状 |
1.3.2 网络拓扑路由重构理论 |
1.3.2.1 列车通信以太网网络拓扑路由 |
1.3.2.2 网络拓扑路由重构研究现状 |
1.4 论文整体结构与内容 |
1.4.1 本文研究的主要问题 |
1.4.2 整体研究架构 |
1.4.3 章节安排 |
2 基于SCBFO的网络资源预调度重构策略 |
2.1 引言 |
2.2 系统间网络资源预调度模型 |
2.2.1 时间触发流量通信原理 |
2.2.2 系统间实时流量传输结构建模 |
2.2.3 预调度重构约束与优化目标 |
2.3 自适应细菌觅食算法设计 |
2.3.1 细菌觅食算法架构与建模 |
2.3.2 自适应趋化控制改进设计 |
2.3.2.1 基于细菌搜索自调整趋化曲线的游动位移 |
2.3.2.2 基于细菌间信息交流的翻转方向改进 |
2.3.3 SCBFO算法整体流程设计 |
2.4 算法性能与稳定性测试分析 |
2.4.1 实验环境与参数配置 |
2.4.2 算法结果与性能分析 |
2.4.2.1 最优解优化结果分析对比 |
2.4.2.2 最优解搜索趋势分析对比 |
2.4.2.3 最优解优化稳定性分析对比 |
2.5 预调度重构模拟实验与评估 |
2.5.1 系统间网络资源模拟实验模型设置 |
2.5.2 预调度重构优化结果与分析 |
2.6 本章小结 |
3 基于MOFPSO的子网网络资源动态调度重构策略 |
3.1 引言 |
3.2 ECN子网资源动态调度建模 |
3.2.1 ECN子网调度模型分析 |
3.2.2 ECN子网资源模型时域化 |
3.2.3 动态调度重构约束条件 |
3.2.4 动态调度重构分配策略目标 |
3.3 多目标模糊粒子群算法设计 |
3.3.1 多目标粒子群算法设计 |
3.3.2 状态自评估模糊控制器设计 |
3.3.3 MOFPSO算法整体框架设计 |
3.4 动态调度重构模拟实验与分析 |
3.4.1 实验环境设置 |
3.4.2 重构策略参数设定 |
3.4.3 实验结果与分析 |
3.4.4 子网规模调整与优化分析 |
3.5 本章小结 |
4 基于TDE的网络拓扑路由重构策略 |
4.1 引言 |
4.2 列车通信以太网网络拓扑架构建模 |
4.2.1 ETB与 ECN网络拓扑结构分析 |
4.2.2 网络拓扑架构稀疏化建模 |
4.2.3 路由性能分析与约束条件 |
4.3 差分进化混合禁忌算法设计 |
4.3.1 差分进化算法架构与建模 |
4.3.1.1 参数向量初始化 |
4.3.1.2 差分变异操作 |
4.3.1.3 向量交叉重组 |
4.3.1.4 贪婪选择操作 |
4.3.2 禁忌搜索混合改进设计 |
4.3.3 TDE算法整体框架设计 |
4.4 拓扑路由重构模拟实验与分析 |
4.4.1 模拟实验环境设置 |
4.4.2 重构策略参数设定 |
4.4.3 重构优化结果与分析 |
4.5 本章小结 |
5 基于列车通信以太网实验平台的重构优化实验 |
5.1 引言 |
5.2 网络重构优化实验平台设计 |
5.2.1 列车通信以太网实验平台总体设计 |
5.2.2 网络故障重构优化实验设计 |
5.2.3 网络实时资源与异常流量设计 |
5.3 基于TRDP的网络性能监控设备设计 |
5.3.1 基于MIB的网络性能状态感知 |
5.3.2 基于TRDP的网络重构通信设备 |
5.4 网络重构优化组网实验与分析 |
5.4.1 系统间预调度重构优化实验 |
5.4.2 ECN子网动态调度重构优化实验 |
5.4.3 网络拓扑路由重构优化实验 |
5.5 本章小结 |
6 结论与展望 |
参考文献 |
附录 A SCBFO 算法 CEC2015 测试函数对比实验结果 |
作者简历及攻读博士学位期间取得的研究成果 |
学位论文数据集 |
(3)基于蚁群优化算法的工业SDN流量调度算法研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.2.1 SDN流量调度研究现状 |
1.2.2 蚁群优化算法研究现状 |
1.3 研究目标及意义 |
1.4 主要研究内容及结构安排 |
2 SDN流量调度及其相关理论 |
2.1 SDN概述 |
2.2 SDN接口协议 |
2.2.1 南向接口协议 |
2.2.2 北向接口协议 |
2.3 OpenFlow交换机 |
2.4 SDN控制器 |
2.5 工业SDN |
2.6 本章小结 |
3 基于蚁群优化算法的工业SDN流量调度 |
3.1 流量调度技术 |
3.1.1 多链路流量调度算法 |
3.1.2 面向SDN链路负载均衡的流量调度算法 |
3.2 最小花销算法 |
3.2.1 最小花销算法设计 |
3.2.2 算法描述 |
3.3 基于蚁群优化算法的工业SDN流量调度算法 |
3.3.1 路径负载评估 |
3.3.2 流量分类 |
3.4 蚁群优化算法流量调度 |
3.4.1 蚁群算法的基本原理 |
3.4.2 蚁群算法的改进 |
3.4.3 算法描述 |
3.5 本章小结 |
4 流量调度实验结果与分析 |
4.1 实验环境相关介绍与搭建 |
4.1.1 Mininet相关介绍 |
4.1.2 Mininet环境搭建 |
4.1.3 Floodlight环境搭建 |
4.2 性能评估指标 |
4.3 实验结果分析 |
4.3.1 最小花销算法结果分析 |
4.3.2 基于蚁群优化算法的工业SDN流量调度算法结果分析 |
4.4 本章小结 |
5 总结与展望 |
5.1 工作总结 |
5.2 未来展望 |
致谢 |
参考文献 |
附录 |
(4)5G云接入网中基于深度强化学习的高能效负载均衡技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景 |
1.1.1 5G C-RAN |
1.1.2 5G C-RAN的能量效率 |
1.1.3 负载均衡技术 |
1.1.4 基于深度强化学习的高能效负载均衡 |
1.2 论文主要研究内容 |
1.3 论文结构安排 |
第二章 理论基础及研究现状 |
2.1 5G C-RAN网络架构 |
2.2 深度强化学习技术 |
2.2.1 强化学习基本概念 |
2.2.2 梯度下降策略 |
2.2.3 Double Deep Q-learning Network算法 |
2.2.4 Actor-Critic算法 |
2.3 高能效负载均衡技术研究现状 |
2.3.1 5G C-RAN基站休眠技术 |
2.3.2 5G C-RAN负载均衡技术 |
2.3.3 SON负载均衡技术 |
2.4 本章小结 |
第三章 基于深度强化学习的负载和资源匹配策略 |
3.1 系统模型 |
3.2 基于深度强化学习的负载和资源匹配算法 |
3.2.1 基站功率消耗模型 |
3.2.2 优化问题建模 |
3.2.3 基于深度强化学习的基站休眠算法框架 |
3.2.4 优化问题求解 |
3.3 仿真结果与分析 |
3.4 本章小结 |
第四章 基于深度强化学习的双层负载均衡策略 |
4.1 传统的移动性负载均衡算法 |
4.1.1 双层负载均衡算法 |
4.1.2 基于无线资源管理的分布式移动负载均衡算法 |
4.1.3 传统负载均衡算法存在的主要问题 |
4.2 系统模型 |
4.3 基于深度强化学习的移动性负载均衡算法 |
4.3.1 优化问题建模 |
4.3.2 顶层负载聚类算法 |
4.3.3 深度强化学习模型 |
4.3.4 深度强化学习训练过程 |
4.3.5 负载均衡优化算法框架 |
4.4 仿真结果与性能分析 |
4.5 本章小结 |
第五章 总结和展望 |
5.1 论文工作成果总结 |
5.2 未来工作展望 |
参考文献 |
附录 缩略语 |
致谢 |
攻读学位期间发表的学术论文和申请的发明专利 |
(5)基于低轨卫星网络的半分布式负载均衡路由算法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景与研究意义 |
1.2 研究现状 |
1.2.1 LEO卫星通信系统研究现状 |
1.2.2 LEO卫星网络路由算法研究现状 |
1.3 研究内容与创新点 |
1.4 论文组织结构 |
第二章 卫星网络系统及相关技术理论 |
2.1 引言 |
2.2 卫星星座研究 |
2.2.1 卫星星座轨道参数 |
2.2.2 卫星星座分类 |
2.2.3 星间链路 |
2.3 低轨卫星网络路由研究 |
2.3.1 低轨卫星网络路由概述 |
2.3.2 低轨卫星网络路由特点 |
2.3.3 现有路由算法分类及缺陷 |
2.4 本章小结 |
第三章 基于拥塞通知和链路状态的优先级转发策略 |
3.1 引言 |
3.2 低轨卫星网络建模 |
3.3 基于拥塞通知和链路状态的优先级转发策略 |
3.3.1 拥塞通知机制 |
3.3.2 优先级度量 |
3.3.3 分布式路由计算 |
3.4 本章小结 |
第四章 半分布式负载均衡路由算法 |
4.1 分布式与集中式负载均衡算法的缺陷 |
4.2 半分布式负载感知机制 |
4.3 两跳路由优先级度量 |
4.4 半分布式转发机制 |
4.5 半分布式路由计算 |
4.6 本章小结 |
第五章 仿真与性能评估 |
5.1 引言 |
5.2 OPNET仿真软件介绍 |
5.2.1 OPNET仿真机制 |
5.2.2 OPNET三层建模方法 |
5.3 SDLBR算法建模 |
5.3.0 网络模型及流量模型 |
5.3.1 网络层建模 |
5.3.2 节点层建模 |
5.3.4 进程层建模 |
5.4 仿真结果与性能分析 |
5.4.1 端到端时延 |
5.4.2 丢包率和吞吐量 |
5.4.3 时延抖动 |
5.4.4 负载分布指数 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 工作展望 |
参考文献 |
致谢 |
攻读学位期间取得的研究成果 |
(6)软件定义数据中心网络的拥塞控制策略研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.3 本文结构安排 |
第二章 相关技术研究 |
2.1 软件定义网络的关键技术研究 |
2.1.1 SDN架构 |
2.1.2 OpenFlow协议 |
2.1.3 OVS简介 |
2.1.4 Ryu控制器 |
2.2 数据中心网络相关研究 |
2.2.1 数据中心网络特征 |
2.2.2 数据中心网络拓扑结构 |
2.2.3 数据中心网络流量特征 |
2.3 数据中心网络拥塞控制技术 |
2.3.1 反应式拥塞控制 |
2.3.2 主动式拥塞控制 |
2.4 本章小结 |
第三章 基于分段标签下发的拥塞控制策略 |
3.1 问题的引出 |
3.1.1 控制器的负载 |
3.1.2 证明实验 |
3.2 策略描述 |
3.2.1 策略的思想 |
3.2.2 问题抽象分析 |
3.2.3 问题时间复杂度分析 |
3.2.4 基于贪心策略的负载优化算法 |
3.3 仿真实验 |
3.3.1 实验环境 |
3.3.2 实验设置 |
3.3.3 其他对比实验的介绍 |
3.4 性能分析指标 |
3.4.1 确定链路额外负载σ的阈值 |
3.4.2 流表项安装的总数目 |
3.4.3 控制器的时延 |
3.4.4 网络数据包的平均往返时延 |
3.4.5 实验结果总结 |
3.5 本章小结 |
第四章 基于模糊逻辑的流量调度策略 |
4.1 模糊逻辑理论介绍 |
4.1.1 隶属函数和模糊集 |
4.1.2 模糊集合的计算 |
4.1.3 模糊逻辑推理 |
4.1.4 Mamdani模糊逻辑算法 |
4.2 模糊逻辑模型搭建 |
4.2.1 模糊化 |
4.2.2 推理规则制定 |
4.2.3 去模糊化 |
4.3 基于模糊逻辑推理的选路算法 |
4.3.1 KSP算法选取路径 |
4.3.2 模糊逻辑流量调度算法 |
4.4 仿真实验 |
4.4.1 实验环境 |
4.4.2 实验设置 |
4.4.3 其他对比实验介绍 |
4.4.4 流量分布 |
4.5 仿真结果分析 |
4.5.1 性能指标 |
4.5.2 结果和分析 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 论文的主要工作和创新点 |
5.2 未来展望 |
参考文献 |
致谢 |
作者攻读学位期间发表的学术论文目录 |
(7)一种基于云计算的资源调度方案的研究与实现(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 云计算研究现状 |
1.2.2 资源调度研究现状 |
1.3 论文研究内容 |
1.4 论文组织结构 |
第二章 云计算资源调度技术综述 |
2.1 云计算基础 |
2.1.1 云计算定义 |
2.1.2 云计算分类 |
2.1.3 体系结构 |
2.1.4 虚拟化技术 |
2.2 资源调度概述 |
2.2.1 资源调度简介 |
2.2.2 资源调度优化目标 |
2.2.3 资源调度算法 |
2.3 OpenStack云平台 |
2.4 CloudSim云仿真平台 |
2.5 本章小结 |
第三章 基于遗传量子粒子群算法的虚拟机调度方案 |
3.1 问题分析 |
3.2 调度数学模型的构建 |
3.2.1 问题描述与定义 |
3.2.2 负载均衡模型 |
3.2.3 资源利用率模型 |
3.2.4 云平台能耗模型 |
3.3 算法基础 |
3.3.1 遗传算法 |
3.3.2 量子粒子群优化算法 |
3.4 HGQP算法 |
3.4.1 编解码以及种群初始化 |
3.4.2 适应度函数的确定 |
3.4.3 遗传算子的确定 |
3.4.4 收缩扩张系数的确定 |
3.4.5 平均最佳位置的改进 |
3.5 仿真实验 |
3.5.1 实验环境和配置 |
3.5.2 实验结果与分析 |
3.6 本章小结 |
第四章 云计算资源调度平台设计与实现 |
4.1 需求分析 |
4.1.1 功能性需求分析 |
4.1.2 非功能性需求分析 |
4.2 平台详细设计与实现 |
4.2.1 总体架构 |
4.2.2 管理模块 |
4.2.3 资源监控模块 |
4.2.4 资源调度模块 |
4.3 平台搭建与测试 |
4.3.1 环境搭建 |
4.3.2 管理模块功能测试 |
4.3.3 资源调度模块功能测试 |
4.3.4 资源监控模块功能测试 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 论文工作总结 |
5.2 未来工作展望 |
参考文献 |
致谢 |
(8)卫星动态光网络的路由和资源管理方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 卫星动态路由算法研究现状 |
1.2.2 全光网络波长路由研究现状 |
1.2.3 星上资源管理研究现状 |
1.3 论文研究内容和创新点 |
1.4 论文组织结构 |
第二章 卫星光网络中基于蜂群优化的RWA算法 |
2.1 引言 |
2.2 卫星光网络模型 |
2.2.1 卫星星座类型 |
2.2.2 卫星空间位置的数学模型 |
2.2.3 卫星光网络的路由设备 |
2.2.4 基于波长路由的卫星光网络模型 |
2.3 基于链路代价的蜂群优化RWA算法 |
2.3.1 蜂群算法基本原理 |
2.3.2 全局路由预计算和初始化 |
2.3.3 基于链路代价函数的路径搜索 |
2.3.4 基于可行解比较的全局优化 |
2.4 BCO-LCRWA算法仿真与性能分析 |
2.4.1 仿真参数设置 |
2.4.2 仿真结果与性能分析 |
2.5 本章小结 |
第三章 卫星光网络中基于安全路由策略的负载均衡算法 |
3.1 引言 |
3.2 卫星网络安全路由方案 |
3.2.1 空间网络的安全威胁 |
3.2.2 基于信任评估安全路由方案 |
3.3 基于安全路由的负载均衡算法 |
3.3.1 基于安全机制的负载修正模型 |
3.3.2 卫星光网络中基于安全策略的负载均衡算法 |
3.3.3 仿真与性能分析 |
3.4 本章小结 |
第四章 基于业务分流的卫星拥塞控制算法 |
4.1 引言 |
4.2 常见的网络服务机制 |
4.3 基于业务分布的流量修正模型 |
4.4 基于大流量业务需求的拥塞控制算法 |
4.4.1 拥塞控制问题优化模型 |
4.4.2 基于波长利用率的拥塞指标 |
4.4.3 基于人工蜂群机制的拥塞控制算法 |
4.4.4 仿真与性能分析 |
4.5 本章小结 |
第五章 基于多QoS保证的带宽分配方法 |
5.1 引言 |
5.2 宽带卫星系统模型 |
5.3 基于多QoS保证的动态带宽分配方法 |
5.3.1 跨层带宽分配模型 |
5.3.2 基于效用函数的优化模型 |
5.3.3 基于蜂群优化的动态带宽分配算法 |
5.4 BO-CL-DBA算法仿真性能分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
附录: 缩略语列表 |
致谢 |
攻读学位期间发表的学术论文和其他成果 |
(9)车联网中的任务迁移算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 V2I任务迁移的车联网模型 |
1.2.2 V2V任务迁移的车联网模型 |
1.2.3 V2I和V2V共存的任务迁移车联网模型 |
1.2.4 现有研究存在的问题 |
1.3 本文主要研究内容及贡献点 |
1.4 本文组织结构 |
第二章 相关知识 |
2.1 V2I与V2V任务迁移 |
2.2 常见的车联网模型 |
2.2.1 V2I任务迁移的车联网模型 |
2.2.2 V2V任务迁移的车联网模型 |
2.2.3 V2I和V2V共存的任务迁移车联网模型 |
2.3 算法技术 |
2.3.1 禁忌搜索 |
2.3.2 深度强化学习 |
2.3.3 联盟博弈 |
2.3.4 二分匹配 |
第三章 面向RSUs状态动态切换的V2I任务迁移算法 |
3.1 引言 |
3.2 系统模型 |
3.2.1 计算模型 |
3.2.2 通信模型 |
3.2.3 任务队列排队模型 |
3.2.4 问题定义 |
3.3 任务迁移算法 |
3.3.1 贪心算法 |
3.3.2 定制的禁忌搜索算法 |
3.3.3 基于深度Q网络的算法 |
3.4 实验结果与分析 |
3.4.1 实验环境 |
3.4.2 对比算法 |
3.4.3 实验结果 |
3.5 本章小结 |
第四章 面向负载均衡的V2V任务迁移算法 |
4.1 引言 |
4.2 系统模型 |
4.2.1 任务模型 |
4.2.2 计算与通信模型 |
4.2.3 能耗模型 |
4.2.4 存储空间 |
4.2.5 问题定义 |
4.3 面向子问题P_1的任务迁移算法 |
4.3.1 非激励的启发式算法 |
4.3.2 非激励的深度强化学习算法 |
4.3.3 基于联盟的集中式激励算法 |
4.3.4 基于联盟的分布式激励算法 |
4.3.5 基于深度强化学习的激励算法 |
4.4 面向子问题P_2的功率调整算法 |
4.5 实验结果与分析 |
4.5.1 实验数据集及仿真平台 |
4.5.2 对比算法 |
4.5.3 实验结果 |
4.6 本章小结 |
第五章 面向方向性移动的车联网模型及任务迁移算法 |
5.1 引言 |
5.2 系统模型 |
5.2.1 车联网模型 |
5.2.2 任务模型 |
5.2.3 计算时延 |
5.2.4 通信时延 |
5.2.5 响应时间 |
5.2.6 问题定义 |
5.3 任务迁移算法 |
5.3.1 贪心算法 |
5.3.2 二分匹配算法 |
5.4 实验结果与分析 |
5.4.1 仿真平台与参数设置 |
5.4.2 对比模型与算法 |
5.4.3 模型对比实验结果 |
5.4.4 算法对比实验结果 |
5.5 本章小结 |
结论与展望 |
参考文献 |
攻读博士学位期间发表的论文及其他成果 |
致谢 |
(10)基于TSACN预测的SDN控制平面动态负载均衡研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 静态负载均衡策略 |
1.2.2 动态负载均衡策略 |
1.3 本文的主要研究内容 |
1.4 论文章节安排 |
第2章 相关理论与技术 |
2.1 SDN简介 |
2.1.1 SDN架构 |
2.1.2 Open Flow协议 |
2.1.3 知识定义网络架构 |
2.2 控制平面负载均衡技术 |
2.2.1 多控制器的体系架构 |
2.2.2 控制器管理角色 |
2.2.3 交换机迁移常用的算法 |
2.3 深度学习简介 |
2.3.1 深度神经网络 |
2.3.2 卷积神经网络 |
2.3.3 循环神经网络 |
2.4 深度强化学习 |
2.4.1 深度强化学习概述 |
2.4.2 深度Q网络 |
2.4.3 异步优势行动者评论家算法 |
2.5 本章小结 |
第3章 基于TSACN预测的SDN控制平面动态负载均衡 |
3.1 基于TSACN预测的SDN控制平面负载均衡架构 |
3.1.1 动态负载均衡架构 |
3.1.2 动态负载均衡流程 |
3.2 基于TSACN的负载预测 |
3.2.1 概述 |
3.2.2 问题描述 |
3.2.3 时序自注意力卷积神经网络模型 |
3.2.4 TSACN模型训练过程 |
3.2.5 控制器的负载预测算法 |
3.2.6 触发交换机迁移的时机 |
3.3 基于深度强化学习的交换机动态迁移 |
3.3.1 概述 |
3.3.2 问题描述 |
3.3.3 网络模型以及优化目标 |
3.3.4 基于A3C的交换机迁移算法架构 |
3.3.5 基于A3C的交换机迁移算法 |
3.3.6 基于TSACN预测的动态负载均衡算法整体设计 |
3.4 本章小结 |
第4章 实验和结果分析 |
4.1 仿真实验环境 |
4.1.1 仿真环境准备 |
4.1.2 仿真实验拓扑搭建 |
4.2 实验结果与性能分析 |
4.2.1 控制器负载预测分析 |
4.2.2 控制平面负载均衡性能分析 |
4.3 本章小结 |
第5章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
四、全局服务负载均衡策略的常见技术及应用(论文参考文献)
- [1]软件定义网络多控制器负载均衡策略的研究与实现[D]. 王瑶. 北京邮电大学, 2021(01)
- [2]列车通信以太网网络重构及性能优化研究[D]. 陈煌. 北京交通大学, 2021
- [3]基于蚁群优化算法的工业SDN流量调度算法研究[D]. 张倩. 西安科技大学, 2021(02)
- [4]5G云接入网中基于深度强化学习的高能效负载均衡技术研究[D]. 张轲然. 北京邮电大学, 2021(01)
- [5]基于低轨卫星网络的半分布式负载均衡路由算法研究[D]. 赵小浩. 北京邮电大学, 2021(01)
- [6]软件定义数据中心网络的拥塞控制策略研究[D]. 杨旭. 北京邮电大学, 2021(01)
- [7]一种基于云计算的资源调度方案的研究与实现[D]. 康妍. 北京邮电大学, 2021(01)
- [8]卫星动态光网络的路由和资源管理方法研究[D]. 刘晔祺. 北京邮电大学, 2021(01)
- [9]车联网中的任务迁移算法研究[D]. 吴亚兰. 广东工业大学, 2021(08)
- [10]基于TSACN预测的SDN控制平面动态负载均衡研究[D]. 贾吾财. 四川大学, 2021(02)