计算资源

摘要： 移动边缘计算(Mobile Edge Computing,MEC)通过将云计算能力下沉至用户侧,提高了用户的任务执行能力。但在热点小区中,MEC服务器存在计算资源有限的问题。为了减少热点小区内任务执行总代价,提出了一种基于主从MEC系统的任务联合卸载方案。首先,方案随机生成卸载集,然后将卸载集内的任务分配至目标MEC服务器执行。为此提出基于贪婪的多MEC选择算法(Greedy Based Multi-MEC Selection Algorithm,GBMS),并通过求解凸函数完成计算资源分配。最后,根据任务的本地计算代价与卸载计算代价更新卸载集,进一步降低总代价。仿真结果表明,联合卸载方案可缓解热点小区计算资源有限的问题,相比其他方案可以有效降低热点小区内任务执行总代价。

摘要： 随着物联网技术的快速发展,大量的终端设备接入网络中将产生海量级的数据。传统的数据计算分析的计算资源是基于云计算进行的。但随着数据的急剧增加,数据由现场传送至云计算中心的过程中将会出现延时问题和数据泄露问题,这为云中心及时有效地处理数据带来了更大的挑战。

摘要： 在智慧城市云平台建设中,对计算资源的测算是进行合理硬件架构规划、准确的设备选型、配置以及硬件设备投资测算的核心。文章以某市智慧绿道为例,结合项目业务特性,在对各个智慧应用子系统业务规模分析的基础上,基于TPC-C基准测试的服务器性能需求计算模型,测算智慧绿道应用系统的计算资源需求。同时,结合经验模型对智慧云平台其他计算资源需求进行了测算。

摘要： 伴随云计算的普及应用,计算能源消耗成为亟待解决的主要问题。服务器、客户端、存储单元和网络各节点是能源消耗的主要部分,因此在计算过程中需要一部分计算资源冷却云计算中的IT负载。所以,高消耗成为云计算较大成本负担之一。本研究的主要目的是通过在云服务计算过程中引入识别计算资源需求的特定方法,通过节省云资源的能耗开发绿色计算环境。确保必需的计算资源保持工作状态,非必需的计算资源转为关闭或休眠状态,以此降低云数据中心的能耗。对比发现,本方法比其它基于云服务调度或云服务迁移和虚拟化的可用方法更加有效,并具有显著的能耗节省,本方法在计算资源上引入了电源管理方案,具有更高的操作效率和便捷性。节能减排、绿色云计算已成为趋势,本方法对设计基于绿色计算的云数据中心具有借鉴和参考价值。

摘要： 在经济社会数智化转型加速背景下,泛在的连接和算力成为各行各业用户的重要需求,打造计算资源可感知、可分配、可调度的一体化算力网络,已成为国家重点扶持方向与行业企业布局重点。本文通过梳理算力网络的基础信息、扶持政策等内容,全面分析产业发展现状与存在机遇,为运营商前瞻布局算力网络产业提出意见与建议。

摘要： 常规方法设置边缘数据分层部署约束条件时,忽略了链路负载和边缘数据中心负载的限制,导致执行任务的能耗和时延较高、吞吐量较低。提出物联网边缘计算资源分层部署建模与优化方法。最小化边缘计算资源中心执行任务时的时延、成本、能耗,计算边缘数据分层部署目标函数,设置中心处理用户请求的约束条件,包括链路负载约束、节点处理能力约束、基站调度约束、边缘数据中心服务率约束、边缘数据中心负载约束、时延成本关系约束,组成边缘计算资源分层部署模型,采用模拟退火遗传算法,求取模型最优解,得到优化后的边缘计算资源中心部署位置和部署数量。仿真分层型物联网拓扑结构,改变用户数量和任务数据大小,实验结果表明,设计方法提出的部署方案执行任务时,降低了终端能耗,减少了任务时延,提高了服务器吞吐量,提高了物联网整体性能。

摘要： 空中机器人仅手掌大小,既能自主可控又能实现群体结队飞行。它有一个智慧“大脑”,能够独立计算处理飞行过程中遇到的海量信息,将复杂问题背后隐秘的特殊数学结构化繁为简,并利用少量的机载计算资源完美破题。

摘要： 毋庸置疑,云计算给我们的生活带来了极大的便利,它让企业使用计算资源时,可以像使用水电一样便捷。但是任何事物的发展都具有两面性,如果所有数据都要通过云端存储计算,那么随之而来的问题就是数据过度集中,而复杂网络环境带来的时间延迟很可能使物联网设备在关键时刻无法正常发挥作用,完全依靠云计算必然造成信息传输堵塞。因此传统的云计算集中式的数据处理模式已经难以满足行业数字化转型的需要。在这样的背景下,边缘计算技术作为云计算技术的延伸和补充,进入了人们的视野。

摘要： 为在移动边缘计算服务器计算资源有限的情况下最小化系统总成本,提出一种多用户卸载决策与资源分配策略.优化任务执行位置选择和计算资源分配过程,对基于精英选择策略的遗传算法在编码、交叉、变异等操作方面进行改进,设计联合卸载决策与资源分配的improve-eGA算法.实验结果表明,与All_local、All_offload、RANDOM和CGA等算法相比,improve-eGA在迭代次数、任务周期数、任务传输数据量等影响因素下系统总成本均为最低,验证了所提策略的有效性.

摘要： 针对当今高校一卡通系统软件化所带来的核心计算资源运维的需求,分析了目前一卡通运维存在的问题,设计出一卡通计算资源体系架构,并对体系内的核心计算资源进行分类,建立了核心计算资源的管理模型和数据模型.在此基础上,开发了一卡通核心计算资源管理平台,对一卡通核心计算资源进行统一管理和调度,该系统应用在华南理工大学一卡通系统运维中,目前学校一卡通近500台设备已经纳入该系统的管理,实现了学校一卡通核心计算资源的统一管理和信息共享.

摘要： 为减少网络中心战中单机航电系统计算资源的备份数量,增强作战机群计算资源的可用度,提高机群完成作战任务的可靠性,针对ASAAC综合模块化航空电子系统模型进行改造,通过增加中间件和重构管理组件等措施,创新性地构造了一体化的分布式集群航电系统,设计了主从武通信机制下的消息格式,建立了集群航电系统容错重构管理机制,设计了本地静态重构和远程动态重构决策算法,分析了远程容错重构的时间性能,讨论了计算资源重构面临的挑战问题.

摘要： 数据中心涵盖网络架构、计算、存储资源、基础设施以及一整套综合性强、复杂度高的管理体系.结合虚拟化技术应用,对数据中心网络、计算资源的统一管理将打破传统独立管理的低效率,也避免了两者协同管理所带来的维护难度,提高数据中心的资源自动化部署能力.目前，国内外大多厂商的云管理实现都是基于OpenStack完成的封装，本文的实现方法也是基于此原理。其具体流程实现如下：Nova调度器通过对接虚拟化系统接口将虚拟管理中心所管理的集群当作一个单独的主机，主机的资源由下面系统节点共同组成；Nova调度器一旦选定了一个虚拟集群后，不再参与集群中具体的选主机工作；虚拟管理中心会根据动态资源分配来选择一个具体的节点主机，并自动进行负载均衡和业务分发，这个过程Nova是无感知的；SDN Controller通过接口对接虚拟管理中心，感知虚拟机上下线消息。同时通过远程控制接口对接虚拟管理中心代理组件，完成虚机网卡与虚拟核心的绑定、虚机交换设备所属端口组配置以及安全组等特性配置的下发SDN控制器通过OpenFlow／OVSDB配置通道配置虚拟交换机，完成叠加网络的封装与解封装以及本地转发功能；租户管理员通过统一云平台界面发放网络与计算资源。

摘要： 深度学习近年来取得了突出进展,然而,深度学习模型需要占用大量的与计算相关的资源,同时其学习过程需要大量的数据与标记,因此目前深度学习领域的一个热点是降低其对计算和数据资源的渴求,即研究资源受限的深度学习.本文首先分析深度学习对资源的渴求及其导致的挑战,然后分别从数据、标记、计算资源受限3 个方面对目前的研究进展简要描述,并以在计算机视觉领域的研究实践为例进行较详细的介绍.

摘要： 通信与计算融合是未来移动通信网络发展的大趋势.与边缘计算相协同,5G移动网络不仅是一个异构通信网络,同时也是一个多级计算网络.本文首先提出了通信与计算融合的5G移动通信及边缘计算网络架构,然后分析了移动通信网络中通信与计算融合的基础理论和关键技术,包括通信与计算融合的5G网络容量,通信与计算资源的协同优化,利用计算存储资源降低无线资源的需求等,最后总结了通信与计算融合仍面临众多挑战,亟需深入的研究探讨.

摘要： 深度置信网络(DBN)模型常伴随高维度、大数据量等计算,使得其训练过程相对缓慢.为提高深度置信网络的模型训练效率,提出了一种基于异构平台的混合并行优化方法.主要包括:(1)模型训练分解为细粒度子任务,设计单个子任务的并行优化方法.(2)针对多核CPU和众核GPU设备,设计细粒度子任务的调度方案,使两种计算资源负载均衡.(3)数据并行与任务并行策略相结合,实现一种异构混合并行算法.在Intel(R)Xeom(R)CPU(6核)和NVIDIA Tesla K20Xm GPU(2688核)实验平台上,针对MNIST手写体识别数据集,在保证识别准确率98.07％的前提下,混合并行算法与CPU串行程序相比,取得6.3x加速比,与CPU多核并行程序相比,取得2x加速比.

摘要： 遗传算法是一种解决优化问题的启发式全局搜索算法,并行遗传算法是遗传算法的并行扩展,可以有效地减少遗传算法的运行时间.传统的主从式并行遗传算法具有不能充分利用从节点计算资源的缺点,据此本文提出一种改进的基于Xeon Phi的主从式并行遗传算法IPMSPGA来充分利用大规模计算中从节点的计算资源.IPMSPGA采用线程并行和VPU并行两层并行方案,其中线程并行通过多线程来实现单指令多数据并行、VPU并行通过KCi指令来获得数据并行.其实验结果相对基于CPU的传统MSPGA和host端运行的multi-core MSPGA分别可达到12倍和4倍的提升.

摘要： 真实感流体的模拟是计算机图形学领域中研究的热点和难点之一,海浪模拟是流体模拟动画的重要组成部分,其真实感、实时性和交互性等直接影响到海面场景逼真的程度.重点回顾了基于物理的海浪模拟研究方法的发展,并对近年来海浪模拟的热点问题如波浪的翻卷和破碎、浪花的飞溅和泡沫、流固耦合、两相流和多相流的模拟进行了详细的分析,最后针对有限的系统资源与随着规模增长的计算资源之间的矛盾,重点讨论了加速策略.未来将结合多种模拟方法的优点,对海浪建模进行合理的简化,改善数据结构,并在此基础上实现GPU并行化,以满足实时仿真的要求,这将是基于物理的海浪模拟的发展方向.

摘要： 为了充分利用GPU集群(Cluster)中各节点的资源,提高GPU集群(Cluster)整体的计算效率.本文以3G网络中海量视频质量分析为研究背景,提出了一种面向CPU和GPU集群的负载均衡策略,构建了一个GPU异构集群系统.实验表明,该负载均衡策略能很好地利用GPU和CPU计算资源、提高集群计算效率.

摘要： 按照水利信息化整合项层设计思想和要求,黄委信息资源整合建设是利用现代信息技术,完善信息化综合体系,有效挖掘信息资源的潜能,显著提升信息资源的整体服务能力.计算存储资源整合共享建设是黄委信息资源整合建设的重要组成部分,本文基于黄委水利信息化建设成就、计算存储资源现状和存在问题,提出计算存储资源整合共享建设的目标、任务,详细阐述了总体思路、框架和组成,并对建设效果进行了展望.

摘要： 按照水利信息化整合项层设计思想和要求,黄委信息资源整合建设是利用现代信息技术,完善信息化综合体系,有效挖掘信息资源的潜能,显著提升信息资源的整体服务能力.计算存储资源整合共享建设是黄委信息资源整合建设的重要组成部分,本文基于黄委水利信息化建设成就、计算存储资源现状和存在问题,提出计算存储资源整合共享建设的目标、任务,详细阐述了总体思路、框架和组成,并对建设效果进行了展望.

摘要： 本发明提供了终端占用网络资源的计算方法、装置和网络资源计算服务器，所述方法包括：采集使用数据业务的每个终端与提供所述数据应用业务的应用服务器之间的交互信息；根据所述交互信息为所述每个终端确定网络资源参数与第一应用之间的第一对应关系；根据所述第一对应关系计算所述每个终端截止到当前数据包进行所述第一应用所占用的网络资源数；根据所述每个终端截止到当前数据包所占用的网络资源数，计算所有终端截止到当前数据包进行所述第一应用所占用的网络资源总数。本发明通过建立网络资源参数与终端使用的数据业务之间的对应关系，计算得到终端进行某一应用所占用的网络资源总数，提升了数据准确性。

摘要： 所公开的装置和方法涉及对计算机集群或云计算平台的资源节点执行资源调度。所公开的方法包括：接收节点集中的节点的节点标识符，并接收所述节点标识符中的每一个的节点属性的值；接收一系列任务，每个任务指定任务参数的值；生成节点图结构，所述节点图结构具有至少一个节点图结构顶点，所述至少一个节点图结构顶点映射到坐标空间；将每个任务映射到所述坐标空间；通过分析位于每个任务的适合区域内的所述至少一个节点图结构顶点，确定第一节点的第一节点标识符；将所述第一节点标识符映射到每个任务以生成调度方案。

摘要： 本申请公开了一种确定用于预测计算资源的样本空间的方法、计算资源分配方法及装置。本申请中，获取目标设备的计算资源历史数据；根据所述计算资源历史数据中第一时间段内的第一历史数据集合，得到W个用于进行预测计算资源的样本数据集合；分别根据所述W个样本数据集合对所述计算资源历史数据中第二时间段内的M个时间点的计算资源数据进行预测，得到W个预测数据集合；根据所述W个预测数据集合与所述第二历史数据集合的相似度，从所述W个预测数据集合中选取最优预测数据集合；根据所述最优预测数据集合，得到用于对所述目标设备进行预测计算资源的样本空间。进一步地，可根据该样本空间对该目标设备在未来时间段内的计算资源进行预测。

摘要： 本发明提供一种物联网中雾计算的计算资源和频谱资源分配方法，包括：建立雾计算系统模型；初始化量子种子群及参数，通过对量子种子进行测量，得到量子种子的位置；计算所有量子种子的适应度值，得到量子种子群全局最优位置并选择量子种子精英位置集；根据量子种子播撒规则，更新种群中所有量子种子的量子位置；对所有更新后的量子种子的量子位置进行测量得到相应的位置，计算每一个量子种子的适应度值，更新全局最优位置和量子种子精英位置集；如果迭代次数小于预先设定的最大迭代次数，返回第四步；否则，终止迭代，输出量子种子群的全局最优位置，得到相应的计算资源和频谱资源分配方案。本发明可以解决物联网中雾计算的网络能量效率优化问题。

摘要： 本发明提供一种计算机系统资源的管理方法及其系统，包括如下步骤：服务器接收客户端进程请求；所述服务器根据调度算法在候选节点群中选择第一节点；所述服务器通知所述第一节点启动进程；若启动进程成功，则所述服务器更新节点资源表，并向所述客户端反馈进程信息；否则，在排除该节点的候选节点群中确定第一节点，直至所述候选节点群为空集时，所述服务器提示所述客户端系统繁忙；客户端关闭进程时，所述服务器接收所述客户端发出的关闭请求，并通知所述第一节点关闭该进程，同时更新节点资源表。本发明通过服务器对各节点进行分布式部署，能够灵活进行横向扩展，最优分配有效的计算资源，提高整个系统的高计算量、吞吐量和工作效率。

摘要： 本申请涉及一种计算任务的资源成本计算方法与资源成本计算系统，通过统计完成计算任务所消耗的所有类型的资源，并计算每一类资源的单价，为后续计算不同类型资源的资源成本提供了一个中间参数，提高了后续计算不同类型资源的资源成本的便利性。通过分别计算计算任务输出的每一个数据文件所消耗的计算资源成本和存储资源成本，并进行加和，得到每一个数据文件所消耗的总的资源成本，让数据文件所消耗的资源成本的组成合理化，资源成本的计算结果更精确，更贴近实际情况。

摘要： 边缘计算中基于任务图整体资源需求的多应用在线计算卸载资源调度方法和系统，具体而言，是由需要为应用进行计算卸载的用户设备先根据当前移动边缘计算中边缘计算设备的负载状态和要卸载执行的应用的任务图结构生成一个离线的任务分配映射表，系统再从用户的角度，将满足每个用户的离线任务分配方案作为对计算资源的总需求，从最大化用户应用的总体价值角度，于当前收到的卸载请求集合中选择一个用户请求，并基于该用户的离线分配映射，将应用的任务全部分配到边缘计算网络的对应计算设备上。本发明中所采用的计算资源分配方法在应用的总价值、平均执行跨度和平均成功率方面均表现出较佳的效果，综合来看，其总体测试结果要明显优于现有的其它方法。

摘要： 本公开提供了一种计算资源控制模型的训练方法、计算资源控制方法及装置，涉及人工智能技术领域，尤其涉及智能推荐技术领域。实现方案为：响应于第一用户的第一推荐请求，生成与计算资源控制模型的参数相对应的参数扰动；基于计算资源控制模型的参数和参数扰动，生成临时控制模型；将第一推荐请求的请求特征输入临时控制模型，以得到临时控制模型输出的第一控制值，第一控制值用于控制处理第一推荐请求的计算资源的数量；基于第一控制值，处理第一推荐请求，以得到第一推荐请求的第一推荐结果；获取第一用户对第一推荐结果的第一行为数据；以及基于参数扰动和第一行为数据，调整计算资源控制模型的参数。

摘要： 本发明提供一种物联网中雾计算的计算资源和频谱资源分配方法，包括：建立雾计算系统模型；初始化量子种子群及参数，通过对量子种子进行测量，得到量子种子的位置；计算所有量子种子的适应度值，得到量子种子群全局最优位置并选择量子种子精英位置集；根据量子种子播撒规则，更新种群中所有量子种子的量子位置；对所有更新后的量子种子的量子位置进行测量得到相应的位置，计算每一个量子种子的适应度值，更新全局最优位置和量子种子精英位置集；如果迭代次数小于预先设定的最大迭代次数，返回第四步；否则，终止迭代，输出量子种子群的全局最优位置，得到相应的计算资源和频谱资源分配方案。本发明可以解决物联网中雾计算的网络能量效率优化问题。

摘要： 本申请公开了一种确定用于预测计算资源的样本空间的方法、计算资源分配方法及装置。本申请中，获取目标设备的计算资源历史数据；根据所述计算资源历史数据中第一时间段内的第一历史数据集合，得到W个用于进行预测计算资源的样本数据集合；分别根据所述W个样本数据集合对所述计算资源历史数据中第二时间段内的M个时间点的计算资源数据进行预测，得到W个预测数据集合；根据所述W个预测数据集合与所述第二历史数据集合的相似度，从所述W个预测数据集合中选取最优预测数据集合；根据所述最优预测数据集合，得到用于对所述目标设备进行预测计算资源的样本空间。进一步地，可根据该样本空间对该目标设备在未来时间段内的计算资源进行预测。