导读:本文包含了动态计算环境论文开题报告文献综述及选题提纲参考文献，主要关键词:Kubernetes,容器技术,边缘计算,动态反馈
动态计算环境论文文献综述
林博,张惠民[1]（2019）在《边缘计算环境下基于动态反馈的Kubernetes调度算法》一文中研究指出针对资源受限的边缘计算环境下的容器应用的调度问题,提出了一种基于动态反馈的Kubernetes调度算法,该调度算法结合了边缘计算的资源环境,加入了网络带宽、磁盘容量和I/O速率作为调度侧率输入参数,并结合动态反馈的机制提升调度算法对节点硬件资源的感知能力,以提高边缘计算环境下的应用调度效率和硬件资源的利用效率。通过构建集群验证该调度算法相较与Kubernetes默认算法具有明显提升。(本文来源于《信息技术与信息化》期刊2019年10期）
王鹏然,任建吉[2]（2019）在《动态物联网环境下的联盟学习计算卸载优化》一文中研究指出智能城市、智慧工厂等对物联网设备(Internet of Things,IoT)的性能和连接性提出了挑战。边缘计算的出现弥补了这些能力受限的设备,通过将密集的计算任务从它们迁移到边缘节点(Edge Node,EN),物联网设备能够在节约更多能耗的同时,仍保持服务质量。计算卸载决策涉及协作和复杂的资源管理,应该根据动态工作负载和网络环境实时确定计算卸载决策。采用模拟实验的方法,通过在物联网设备和边缘节点上都部署深度强化学习代理来最大化长期效用,并引入联盟学习来分布式训练深度强化学习代理。首先构建支持边缘计算的物联网系统,IoT从EN处下载已有模型进行训练,密集型计算任务卸载至EN进行训练;IoT上传更新的参数至EN,EN聚合该参数与EN处的模型得到新的模型;云端可在EN处获得新的模型并聚合,IoT也可以从EN获得更新的参数应用在设备上。经过多次迭代,该IoT能获得接近集中式训练的性能,并且降低了物联网设备和边缘节点之间的传输成本,实验证实了决策方案和联盟学习在动态物联网环境中的有效性。(本文来源于《计算机工程与应用》期刊2019年16期）
朱新峰,张智浩,王彦凌[3]（2019）在《移动边缘计算环境下的动态资源分配策略》一文中研究指出在通讯设备爆炸式增长的时代,移动边缘计算作为5G通讯技术的核心技术之一,对其进行合理的资源分配显得尤为重要。移动边缘计算的思想是把云计算中心下沉到基站部署(边缘云),使云计算中心更加靠近用户,以快速解决计算资源分配问题。但是,相对于大型的云计算中心,边缘云的计算资源有限,传统的虚拟机分配方式不足以灵活应对边缘云的计算资源分配问题。为解决此问题,提出一种根据用户综合需求变化的动态计算资源和频谱分配算法(DRFAA),采用"分治"策略,并将资源模拟成"流体"资源进行分配,以寻求较大的吞吐量和较低的传输时延。实验仿真结果显示,动态计算资源和频谱分配算法可以有效地降低用户与边缘云之间的传输时延,也可以提高边缘云的吞吐量。(本文来源于《计算机工程与科学》期刊2019年07期）
孙新越[4]（2019）在《云计算环境下的动态虚拟机整合算法研究》一文中研究指出云计算为大数拟据时代的发展增添了新的动力,它使用虚拟化技术将云数据中心的计算资源、网络资源以及存储资源抽象为共享资源池,并通过互联网与全球用户分享。为了满足用户对不同资源的需求,云数据中心运行着大量的物理主机,但这会产生巨大的能量消耗。目前,云数据中心节能的主要方式是虚拟机整合,它可以提高云数据中心的资源利用率和能源效率。但是,过于积极的虚拟机整合方法可能导致物理主机过载和大规模的虚拟机迁移,这些现象导致云计算的服务质量(QoS)下降。因此,如何在少量的虚拟机迁移下通过虚拟机整合来提高云数据中心的能源效率、资源利用率和QoS成为了一项重大挑战。为了解决这个问题,本文分析了虚拟机整合过程中的过载物理主机检测阶段、虚拟机选择阶段和虚拟机放置阶段,并分别提出了相对应的算法:(1)针对云数据中心过载物理主机检测的问题,提出了一种基于差分整合移动平均自回归模型(ARIMA)模型的过载主机检测算法(AROD)。它充分考虑了云计算工作负载之间的强相关性,并使用ARIMA模型来估计物理主机未来过载的可能性,从而在过载之前迁移物理主机上的多余虚拟机,以避免过载现象发生。(2)针对现有虚拟机选择算法中虚拟机迁移效率低和迁移过多的问题,提出了一种提升相对迁移收益的虚拟机选择算法(ERMB)。首先,分析了虚拟机迁移对云数据中心整体计算资源损失的影响,并提出了虚拟机迁移的相对迁移收益模型。然后,采用该模型对无效虚拟机迁移和有效虚拟机迁移进行分类,并评估每个虚拟机迁移的有效性。最后,ERMB算法优先考虑具有更高相对迁移收益的有效虚拟机迁移,同时避免无效虚拟机迁移的发生。实验结果表明,ERMB算法提升了每次虚拟机迁移的有效性,从而在少量的虚拟机迁移下,提升云数据中心的能效和QoS。(3)针对虚拟机放置后物理主机容易发生二次过载的问题,本文提出了一种计算资源约束的虚拟机放置算法(CRRC)。首先,基于物理主机的历史资源使用情况,提出一种自适应计算资源约束。然后,根据物理主机的计算资源约束和资源利用率,建立可接收虚拟机的候选物理主机列表,并改进BFD算法。最后,通过改进的BFD算法将待迁移虚拟机放置到候选物理主机中。实验结果表明,CRRC算法可以有效避免物理主机二次过载,并提高云数据中心的QoS和能效。最后,将AROD算法、ERMB算法、CRRC算法组合成一种提高能效和QoS的动态虚拟机整合算法(EQVC),并与现有的虚拟机整合算法在两个不同的真实云数据中心工作负载数据集下,进行了 7个评价指标的比较。实验结果表明,EQVC算法在少量的虚拟机迁移下,使云数据中心能够在低能耗的状态下保证高水平的QoS。(本文来源于《东北林业大学》期刊2019-04-01）
沈华峰[5]（2019）在《一种云计算环境下的虚拟机动态迁移策略》一文中研究指出提出一种云计算环境下的虚拟机动态迁移策略DMS-VM (Dynamic Migration Strategy for Virtual Machine);首先,假设了一种云计算环境下虚拟机迁移场景,在该场景下多种应用服务请求处于动态变化之中,并且提供的应用服务与虚拟机是一对一绑定的;其次,提出了该场景下的基于多约束的多目标规划模型,并设计遗传算法作为虚拟机的主要迁移策略;最后利用某个企业的大数据中心作为云端测试环境,对比测试DMS-VM算法与已有的虚拟机迁移算法的性能;实验结果表明,DMS-VM迁移策略能够更好的减少物理主机的使用数量和虚拟机的迁移次数,同时降低数据中心能耗,性能优于已有的迁移策略。(本文来源于《计算机测量与控制》期刊2019年03期）
殷小虹,胡丹,胡全连[6]（2019）在《移动云计算环境下动态数据隐私密码机制仿真》一文中研究指出数据加密是当前保障数据隐私安全的主要途径,针对现有隐私保护机制的加密过程中,部分加密数据特征明显易被破解,以及加密过程耗时长等问题,提出一种基于随机树的动态数据隐私密码机制。以云计算动态数据的定义域、值域以及所设密钥为依据,构建数据随机树;通过随机树父节点随机分解完成动态数据的区域划分,根据得到的与数据点对应的子节点的值域计算父节点之间的条件熵。结合条件熵值进行数据重构,利用模糊函数对重构数据进行映射,得到数据伪随机序列,完成动态数据加密。仿真证明,所提数据隐私保护机制的加密与解密时间更少,隐私保护效果更好。(本文来源于《计算机仿真》期刊2019年01期）
王莹,张幼宽,梁修雨,谢显传[7]（2019）在《沙颍河安徽段水环境容量计算及动态分析》一文中研究指出基于对沙颍河安徽段污染负荷的调查以及水质和流量监测数据的分析,采用MIKE11模型建立水流与水质模型,采用线性规划法,以入淮河干流Ⅲ类水为水质目标,计算沙颍河安徽段水环境容量并分析其动态特征。结果表明:沙颍河安徽段CODMn和氨氮年水环境容量分别为2.39万、0.76万t/a;受流量及上游水质影响,CODMn和氨氮水环境容量月变化较大,8月水环境容量最大,分别为3 557、1 363 t,3月水环境容量最小,分别为621、181 t;上游水质对沙颍河安徽段水环境容量影响显着。(本文来源于《人民黄河》期刊2019年01期）
吴洲[8]（2018）在《云计算环境下基于信任主体和效益值的动态任务调度算法研究》一文中研究指出云计算环境下信任机制对任务调度过程中的内在机理研究还不够深入,导致任务完成率受信任主体的效益值影响较大。为了探索信任效益值与任务调度的关系,提出了一种动态信任效益任务调度算法。该算法采用信任效益函数量化不同信任关系下调度结果对任务完成时间与完成率的影响。仿真实验结果显示该算法在任务完成时间、任务完成率、信任效益值等多个性能方面均优于其他传统的任务调度算法。(本文来源于《信息技术与网络安全》期刊2018年12期）
郭宝军[9]（2018）在《初探云计算环境下的业务流动态配置》一文中研究指出在中国不断发展的社会环境下,人民的生活水平日益提高,越来越重视科学技术的发展。尤其是在各类企业中。当今人们所处的社会环境竞争日益激励,企业所处的商业环境也再不停的变化,市场竞争也是日益激烈。企业要想在变幻莫测的环境中生存下去就必须随机应变,利用信息技术不断地对企业存在的各种业务流程进行调整,从而实现高效率的管理,并具有比较高的灵活性与可靠性。(本文来源于《中国新通信》期刊2018年20期）
袁爱平[10]（2018）在《云计算环境中虚拟机动态迁移技术研究》一文中研究指出预拷贝是虚拟机动态迁移的主要方法之一,通过迭代传输内存页完成源节点到目标节点的迁移。但预拷贝方法由于重复传输同一脏页内存,导致了迁移过程占据较长的时间。本文通过对预拷贝方法的改进,提出了一种快速的虚拟机实时迁移方法,提高了迭代过程中脏页内存的传输效率。实验结果证明,与传统的预拷贝方法相比,改进后的预拷贝方法明显地减少了迁移时间和传输数据,达到了虚拟机快速迁移的目的。(本文来源于《计算机时代》期刊2018年10期）
动态计算环境论文开题报告
（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：
智能城市、智慧工厂等对物联网设备(Internet of Things,IoT)的性能和连接性提出了挑战。边缘计算的出现弥补了这些能力受限的设备,通过将密集的计算任务从它们迁移到边缘节点(Edge Node,EN),物联网设备能够在节约更多能耗的同时,仍保持服务质量。计算卸载决策涉及协作和复杂的资源管理,应该根据动态工作负载和网络环境实时确定计算卸载决策。采用模拟实验的方法,通过在物联网设备和边缘节点上都部署深度强化学习代理来最大化长期效用,并引入联盟学习来分布式训练深度强化学习代理。首先构建支持边缘计算的物联网系统,IoT从EN处下载已有模型进行训练,密集型计算任务卸载至EN进行训练;IoT上传更新的参数至EN,EN聚合该参数与EN处的模型得到新的模型;云端可在EN处获得新的模型并聚合,IoT也可以从EN获得更新的参数应用在设备上。经过多次迭代,该IoT能获得接近集中式训练的性能,并且降低了物联网设备和边缘节点之间的传输成本,实验证实了决策方案和联盟学习在动态物联网环境中的有效性。
（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。
动态计算环境论文参考文献
[1].林博,张惠民.边缘计算环境下基于动态反馈的Kubernetes调度算法[J].信息技术与信息化.2019
[2].王鹏然,任建吉.动态物联网环境下的联盟学习计算卸载优化[J].计算机工程与应用.2019
[3].朱新峰,张智浩,王彦凌.移动边缘计算环境下的动态资源分配策略[J].计算机工程与科学.2019
[4].孙新越.云计算环境下的动态虚拟机整合算法研究[D].东北林业大学.2019
[5].沈华峰.一种云计算环境下的虚拟机动态迁移策略[J].计算机测量与控制.2019
[6].殷小虹,胡丹,胡全连.移动云计算环境下动态数据隐私密码机制仿真[J].计算机仿真.2019
[7].王莹,张幼宽,梁修雨,谢显传.沙颍河安徽段水环境容量计算及动态分析[J].人民黄河.2019
[8].吴洲.云计算环境下基于信任主体和效益值的动态任务调度算法研究[J].信息技术与网络安全.2018
[9].郭宝军.初探云计算环境下的业务流动态配置[J].中国新通信.2018
[10].袁爱平.云计算环境中虚拟机动态迁移技术研究[J].计算机时代.2018
标签：Kubernetes; 容器技术; 边缘计算; 动态反馈;