-
公开(公告)号：CN110109733A
公开(公告)日：2019-08-09
申请号：CN201910354679.7
申请日：2019-04-29
Applicant: 东北大学
Abstract: 本发明提供一种面向不同老化场景的虚拟机工作队列和冗余队列更新方法，涉及云计算技术领域。该方法首先根据虚拟机的生存时间和负载的波动情况划分不同的软件老化场景，然后采用基于岭回归的虚拟机工作队列动态更新的方法，动态地调整工作虚拟机副本的数目和顺序；最后基于二元决策图动态更新虚拟机的冗余队列。本发明提供的面向不同老化场景的虚拟机工作队列和冗余队列更新方法，通过选择和切换策略平衡虚拟机的服务质量和资源成本，保证系统的服务质量，即使工作虚拟机出现服务失效，冗余虚拟机能在短时间内切换状态，完全替代服务失效虚拟机。
-
公开(公告)号：CN110096335A
公开(公告)日：2019-08-06
申请号：CN201910355147.5
申请日：2019-04-29
Applicant: 东北大学
Abstract: 本发明提供一种针对虚拟机不同类型的业务并发量预测方法，涉及云计算技术领域。一种针对虚拟机不同类型的业务并发量预测方法，首先采集虚拟机的历史业务并发量，并进行预处理，然后基于改进的1最近邻-动态时间调整方法1NN-DTW判断虚拟机业务并发量的类型；最后采用分类回归树拟合不具有周期变化的业务并发量；采用傅里叶级数FS和分类回归树CART拟合具有周期变化的业务并发量；本发明提供的针对虚拟机不同类型的业务并发量预测方法，对虚拟机各业务的并发量进行预测，可以为下一步虚拟机的增加或者减少提供依据，同时有助于准确估计虚拟机的软件老化状况，以达到提高工作虚拟机性能和可靠性的目的。
-
公开(公告)号：CN115221955A
公开(公告)日：2022-10-21
申请号：CN202210829762.7
申请日：2022-07-15
Applicant: 东北大学
Abstract: 本发明设计基于样本差异分析的多深度神经网络参数融合系统及方法，属于深度学习和神经网络领域；包括代表性样本选取模块、边缘样本特征差异系数计算模块和多边参数融合模块；所述代表性样本选取模块从边缘样本集中选取最佳边界训练数据，以此作为边缘代表性样本数据，并将其发送到边缘样本特征差异系数计算模块，边缘样本特征差异系数计算模块对边缘代表性样本数据每一维度进行差异性计算，得到边缘代表性样本数据的差异系数；基于差异系数，多边参数融合模块对深度神经网络模型参数进行参数融合；对有需要的边缘设备端神经网络模型参数进行融合调整，有效的提升边缘设备端神经网络模型的质量，进而提升边缘设备端实时决策的能力。
-
公开(公告)号：CN115203478A
公开(公告)日：2022-10-18
申请号：CN202210820128.7
申请日：2022-07-13
Applicant: 东北大学
Abstract: 本发明提供一种基于物联网数据动态相关分析的数据约简系统及方法，所述系统包括环境变化检测模块、相关关系集构建模块、替代关系生成模块、传感器替代模型求解模块和替代关系动态调整模块；该方法动态地对多传感器进行分组得到相关关系集，基于相关关系集生成传感器替代模型用于数据约简和数据重建。同时根据数据相关性的实时变化动态修正感器数据间的相关关系，并可动态地更新替代关系和替代模型，因而保证了自适应地通过传感器间替代关系降低被预测传感器传输率的约简目的。
-
公开(公告)号：CN110188002B
公开(公告)日：2022-08-30
申请号：CN201910466716.3
申请日：2019-05-31
Applicant: 东北大学
IPC: G06F11/14
Abstract: 本发明提出一种支持可靠性保障的冷热操模式虚拟机数量评估方法，包括：初始化参数；虚拟机的失效率排序；当前系统的可靠性与可靠性上限阈值比较，进行模式转换；前系统的可靠性与可靠性下限阈值比较，进行模式转换；单个操作模式虚拟机失效率与失效限定条件比较，进行模式转换；调用MDD算法重新评估系统的可靠性R1，系统可靠性R1与可靠性下限阈值比较，进行模式转换。为了使虚拟机冷热模式之间的数量分配达到平衡，本发明在操作模式虚拟机数量变化时，在满足可靠性要求R的基础上，调整冷热备份模式数量使系统满足可靠性要求，可靠性的高低通过平均响应时间和平均请求失败率来反映，实验证明本发明可以使得系统可靠性提高。
-
Patent Agency Ranking
公开(公告)号：CN110187990B
公开(公告)日：2021-11-16
申请号：CN201910466719.7
申请日：2019-05-31
Applicant: 东北大学
Abstract: 本发明提出一种基于模式转移的虚拟机混合备用动态可靠性评估方法，包括：采集资源和性能数据，并进行特性选择及标准化处理；对标准化后数据，预测基于HSMM的虚拟机失效概率；基于多值决策图的冷热备份云系统进行可靠性评估；为了达到准确的对系统的可靠性进行定量评估，本发明简化MDD的终端值，将从根节点到1的所有路径的发生概率的总和作为系统的可靠性。并将虚拟机分成三种不同模式即操作模式、冷备份模式和热备份模式，采用模式转移，使备用虚拟机在需要时替换失效的工作虚拟机来维持系统的运行，采用多值决策图进行可靠性评估。通过三组对比试验，验证得到本发明的平均响应时间和失效率低，可靠性高，从侧面验证本发明方法的正确性。
-
公开(公告)号：CN110196756B
公开(公告)日：2020-07-10
申请号：CN201910466889.5
申请日：2019-05-31
Applicant: 东北大学
IPC: G06F9/455
Abstract: 本发明提出一种支持能耗优化的虚拟机模式转移方法，包括：初始化参数；判断热模式调整的数量m是否大于0，进行虚拟机的模式转移；部署当前虚拟机系统；对每台服务器资源剩余量，从大到小进行排序；sum1与需要休眠的热模式虚拟机的数量相比较，进行模式转移，更新各模式集合；部署当前虚拟机系统；对每台服务器资源剩余量，从大到小再次进行排序；sum2与需要唤醒的冷模式虚拟机的数量相比较，进行模式转移，更新各模式集合；选择整个服务器处于睡眠状态中的冷模式虚拟机，还是运行的服务器中冷模式下虚拟机问题，对系统的能耗影响很大，本发明在既支持性能保障又满足虚拟机的可靠性的基础上，探讨虚拟机模式转移过程中的节能问题，达到了很好的效果。
-
公开(公告)号：CN110221909A
公开(公告)日：2019-09-10
申请号：CN201910510535.6
申请日：2019-06-13
Applicant: 东北大学
Abstract: 本发明提出一种基于负载预测的Hadoop计算任务推测执行方法，包括：资源管理器对备份任务数自适应调整，得到最大备份任务数；预测执行任务完成时间；将最大备份任务数与APPmaster设置的备份任务数比较，取最小值作为备份任务数阈值；判断备份任务数是否小于等于备份任务数阈值；判断任务数是否小于总任务数；预测备份任务完成时间；判断备份任务完成时间和执行任务完成时间大小，确定是否开启备份；本发明保证了当集群计算资源紧张的情况下，备份任务的开启不会对其他作业产生影响；执行任务的完成时间预测算法，有效避免了迟滞任务的误判导致计算资源浪费；备份任务完成时间预测算法，节约计算节点的计算资源，减少作业的完成时间，提高了集群的整体性能。
-
公开(公告)号：CN110196756A
公开(公告)日：2019-09-03
申请号：CN201910466889.5
申请日：2019-05-31
Applicant: 东北大学
IPC: G06F9/455
Abstract: 本发明提出一种支持能耗优化的虚拟机模式转移方法，包括：初始化参数；判断热模式调整的数量m是否大于0，进行虚拟机的模式转移；部署当前虚拟机系统；对每台服务器资源剩余量，从大到小进行排序；sum1与需要休眠的热模式虚拟机的数量相比较，进行模式转移，更新各模式集合；部署当前虚拟机系统；对每台服务器资源剩余量，从大到小再次进行排序；sum2与需要唤醒的冷模式虚拟机的数量相比较，进行模式转移，更新各模式集合；选择整个服务器处于睡眠状态中的冷模式虚拟机，还是运行的服务器中冷模式下虚拟机问题，对系统的能耗影响很大，本发明在既支持性能保障又满足虚拟机的可靠性的基础上，探讨虚拟机模式转移过程中的节能问题，达到了很好的效果。
-
公开(公告)号：CN110149237A
公开(公告)日：2019-08-20
申请号：CN201910510953.5
申请日：2019-06-13
Applicant: 东北大学
Abstract: 本发明提出一种Hadoop平台计算节点负载预测方法，包括：基于滑动窗口二次检测算法的数据预处理方法；基于ARIMA算法的节点负载线性预测方法；基于RNN算法的节点负载非线性残差预测方法；将ARIMA算法与RNN算法预测出来的结果进行线性相加作为最终的预测结果；本发明通过对各个结算节点历史数据的分析，可以提取有价值的信息，进而合理预测下一时间段内的计算节点的负载，精确预测计算节点的负载可以为资源管理器合理地给AppMaster分配资源提供依据，进而缓解高负载节点的压力，提升低负载节点的计算资源利用率，提高Hadoop集群的可靠性和性能。本发明通过ARIMA和RNN模型组合，更加精确的对负载进行预测。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.025 seconds)
