-
公开(公告)号：CN106506229B
公开(公告)日：2019-04-23
申请号：CN201611077438.5
申请日：2016-11-30
Applicant: 东北大学
Abstract: 本发明提供一种SBS云应用自适应资源优化调整系统及方法，该系统包括：规则生成单元；监测单元；触发单元；动态决策单元；方案执行单元。该方法包括：生成自适应资源优化调整规则；在线实时获取SBS云应用的运行状态信息和云环境的运行状态信息；对SBS云应用进行自适应资源优化调整规则在线触发判断，确定触发的自适应资源优化调整规则；生成一组自适应资源优化调整动作，决策出自适应资源优化调整方案，进行SBS云应用自适应资源优化调整。本发明根据SBS云应用提供者与云环境提供者所签订的SLA，调整SBS云应用所占用的资源，实现了在保障SBS云应用性能的同时最小化资源调整的成本。
-
公开(公告)号：CN104301403B
公开(公告)日：2017-09-26
申请号：CN201410512536.1
申请日：2014-09-26
Applicant: 东北大学 , 辽宁北方实验室有限公司
Abstract: 一种基于组件服务副本增删的云服务资源动态配置系统及方法，该系统包括注册模块、质量参数生成模块、监测模块、评价模块和控制模块。方法包括对SLA进行注册；提取SLA中的信息，生成约定质量参数；周期性采集云服务环境中的虚拟机资源状态、云服务性能状态数据并保存；得出各虚拟机资源信息、组件服务质量、组件服务重要性、组件服务资源需求量；确定适合删除最优组件服务副本的虚拟机和适合部署瓶颈组件服务副本的虚拟机，得出组件服务副本增删决策；进行组件服务增删。本发明通过对历史数据的学习，预测用户的并发请求量，通过判断瓶颈组件服务和最优组件服务得出组件服务副本增删策略，达到实现云服务的性能保证的效果。
-
公开(公告)号：CN104951425B
公开(公告)日：2018-03-13
申请号：CN201510426784.9
申请日：2015-07-20
Applicant: 东北大学
IPC: G06F15/18
Abstract: 本发明提供一种基于深度学习的云服务性能自适应动作类型选择方法，包括监测物理机群数据、虚拟机数据、服务组件数据；结合SLA中约定的约束事件和实时监测的数据，判定当前服务性能是否需要优化：若当前数据触发约束事件，则根据自适应方法库决策自适应动作类型，否则继续监测；根据决策的自适应动作类型进行云服务性能自优化；反馈学习，更新自适应方法库，返回继续监测。云环境自身具有高可伸缩、动态重构的特性，致使云服务的服务性能在实际运行环境中受到多因素的制约，本发明方法在服务组件进行服务性能自优化时，根据不同场景的实际情况从自适应动作集中选择出最佳的自适应动作。
-
公开(公告)号：CN104283946B
公开(公告)日：2017-08-25
申请号：CN201410505945.9
申请日：2014-09-26
Applicant: 东北大学 , 辽宁北方实验室有限公司
Abstract: 一种单物理机下多虚拟机的资源自适应调整系统及方法，该系统在单物理机中实现，包括数据采集模块、预处理模块、预测模块、资源调整策略生成模块、资源调整策略收益计算模块、监测模块、策略评价模块和历史数据库；该方法包括：采集服务器的历史数据并将其存入历史数据库中；对服务器的历史数据进行预处理；对下一时刻并发用户请求量进行预测，再利用并发用户请求量预测值得出虚拟机资源需求量预测区间；确定最优资源调整策略；进行CPU资源调整和内存资源调整；对最优资源调整策略进行评价；将当前最优资源调整策略及其评价值存入历史数据库。本发明能动态调整单物理机上各虚拟机资源量来适应动态变化的资源需求，使单物理机资源得到最大的收益。
-
公开(公告)号：CN104298339B
公开(公告)日：2017-02-15
申请号：CN201410538015.3
申请日：2014-10-11
Applicant: 东北大学
IPC: G06F1/32
Abstract: 本发明提供一种面向最小能耗的服务器整合方法，包括：周期性获取服务器及其上虚拟机的资源状态和性能数据，同时在物理服务器上用外接瓦特计来周期性测量服务器的能耗并保存；周期性收集服务器的资源状态数据、虚拟机的资源状态数据、服务器的性能数据和虚拟机的性能数据，并进行数据预处理；构建服务器能耗模型；建立虚拟机迁移代价预测模型；求出各虚拟机迁移代价预测值；利用改进的层次分析法进行虚拟机综合评价；计算服务器的服务稳定性指标；确定服务器整合方案；进行服务器整合。本发明根据虚拟机资源需求量和服务器资源剩余量，利用动态装箱算法将虚拟机迁移到适合的服务器中。在保持服务平稳运行情况下开机服务器数量最少。
-
Patent Agency Ranking
公开(公告)号：CN104409031A
公开(公告)日：2015-03-11
申请号：CN201410557057.1
申请日：2014-10-20
Applicant: 东北大学
Abstract: 本发明一种面向移动终端的智能旅游服务系统及方法，属于定位技术和语音多媒体技术领域，通过GPS定位与基站定位相结合的方式确定游客位置，获取所在景区的景点信息，当游客经过景点时将根据游客的喜好设置自动触发语音解说，游客根据地图上的景点标识，任意选择浏览、收听景点讲解，同时当游客对远处的某一景点感兴趣时，使用摇一摇功能，指向该景点，系统将自动切换的该景点的讲解语音；本发明提供景区景点维护以及语音包维护等操作，并克服了现有技术在利用GPS确定游客位置精度不足以及系统通用性差等方面的不足，实现了快速、准确的向游客提供旅游景点及景物信息的查询服务。
-
公开(公告)号：CN106533750B
公开(公告)日：2019-05-21
申请号：CN201610966190.1
申请日：2016-10-28
Applicant: 东北大学
IPC: H04L12/24
Abstract: 本发明提供一种云环境下非平稳型应用用户并发量的预测系统及方法，涉及云环境下服务性能优化技术领域。系统包括历史数据获取模块、非平稳型业务判定模块和应用用户并发量预测模块，通过对历史数据的分析，进行业务性质的识别，判断出并发量序列具有趋势性或周期性，并针对两种性质分别进行并发量预测。本发明针对云环境下非平稳型业务的趋势性与周期性应用用户并发量的特点，利用不同的预测方法构造了预测模型，对含有两种性质的并发量进行预测，能自动识别趋势性和周期性并分发量序列的特征，并能自动计算出序列的周期数，且无需人工干预，能自行完成预测过程，同时能有效提高非平稳型业务并发量预测的准确性。
-
公开(公告)号：CN105760213B
公开(公告)日：2019-03-01
申请号：CN201610096360.5
申请日：2016-02-22
Applicant: 东北大学
IPC: G06F9/455
Abstract: 云环境下虚拟机资源利用率的预警系统及方法，属于云环境下虚拟机性能优化领域。系统包括数据获取模块、含有数据预处理模块、间断点判断模块、间断点估测与补充模块、数据预测模块和数据还原模块的数据处理与预测模块和资源利用率预警模块。方法包括：获取云环境下虚拟机资源利用率历史数据；对前述数据进行预处理；云环境下虚拟机资源利用率历史数据时间序列中间断点的估测与补充；通过可变周期的时间序列预测算法预测未来一段时间内的云环境下虚拟机资源利用率数据时间序列；对云环境下虚拟机资源利用率预测数据进行还原处理；云环境下虚拟机资源利用率预警；提高了对未来一段时间内的云环境下虚拟机资源利用率数据进行预测的准确性。
-
公开(公告)号：CN104932898B
公开(公告)日：2018-03-23
申请号：CN201510374260.X
申请日：2015-06-30
Applicant: 东北大学
Abstract: 本发明一种基于改进多目标粒子群优化算法的待增组件选择方法，属于云服务优化技术领域，本发明通过分析历史应用用户并发量，根据其数据分布趋势，利用自相关系数分析方法将并发量分为平稳型和非平稳型；针对不同的特征利用不同的时间序列预测方法，预测应用用户并发量；该方法不但提高了预测的效率，而且提升了预测方法的灵活度；此外利用组件调用关系和组件调用频率分解应用用户并发量，计算各组件并发量，综合考虑组件并发量和组件响应时间两种直观反映组件工作性能的因素，并以此为选择待增组件的依据，提高组件选择方法的准确性；针对传统粒子群优化算法约束条件精度低的问题，提出半可行域，有效的提高约束条件的精度。
-
公开(公告)号：CN107036617A
公开(公告)日：2017-08-11
申请号：CN201710348800.6
申请日：2017-05-17
Applicant: 东北大学
IPC: G01C21/34
Abstract: 本发明提供一种出租车与地铁组合的出行路线规划方法及系统，方法包括：接收用户设备发送的路线规划请求，路线规划请求包括：出发地、目的地；根据出发地和目的地获取所有的能够到达目的地的组合出行方式，每一种组合出行方式为采用出租车和地铁两种交通工具组合的方式；根据每一组合出行方式中每一种交通工具的起始点、终止点，采用出行路线优化模型确定所有组合出行方式中的最优路线；最优路线为组合出行方式的时间最短路线，或者最优路线为组合出行方式的费用最少路线；将最优路线发送用户设备，用户能够方便的通过手机等智能设备获取本发明系统发送的最优出行路线，达到优化出行路线、缩短出行时间、提高出行时间的可预测性的效果。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.017 seconds)
