CN109246032B - 一种基于遗传算法的cdn调度方法及设备 - Google Patents

一种基于遗传算法的cdn调度方法及设备 Download PDF

Info

Publication number
CN109246032B
CN109246032B CN201811139943.7A CN201811139943A CN109246032B CN 109246032 B CN109246032 B CN 109246032B CN 201811139943 A CN201811139943 A CN 201811139943A CN 109246032 B CN109246032 B CN 109246032B
Authority
CN
China
Prior art keywords
gene
cdn
scheduling
scheduling strategy
genes
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811139943.7A
Other languages
English (en)
Other versions
CN109246032A (zh
Inventor
刘小楷
黄福鑫
孙昌瑞
李�根
党水利
王江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Linkingcloud Painting Technology Co ltd
Original Assignee
Hangzhou Linkingcloud Painting Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Linkingcloud Painting Technology Co ltd filed Critical Hangzhou Linkingcloud Painting Technology Co ltd
Priority to CN201811139943.7A priority Critical patent/CN109246032B/zh
Publication of CN109246032A publication Critical patent/CN109246032A/zh
Application granted granted Critical
Publication of CN109246032B publication Critical patent/CN109246032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/50—Queue scheduling
    • H04L47/52—Queue scheduling by attributing bandwidth to queues
    • H04L47/522—Dynamic queue service slot or variable bandwidth allocation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请涉及一种基于遗传算法的CDN调度方法，其特征在于，包括：获取基于遗传算法确定的调度策略；接收客户端发送的内容访问请求，所述内容访问请求中包含通过Local DNS进行IP查询的DNS报文；确定所述Local DNS的IP对应的区域的应该服务的CDN设备集合；根据所述调度策略，在所述CDN设备集合中选择至少一个CDN设备；将所述请求分配到选择的CDN设备进行处理。

Description

一种基于遗传算法的CDN调度方法及设备
技术领域
本申请涉及CND设备调度领域领域，尤其涉及一种基于遗传算法的CDN调度方法及设备。
背景技术
CDN(Content Delivery Network，内容分发网络)其基本思路是尽可能避开互联网上有可能影响数据传输速度和稳定性的瓶颈和环节，使内容传输得更快、更稳定。基于DNS的CDN带宽调度的策略是一个非常复杂的问题，由于DNS的局限性，不能做到流量的任意调度，只能将某个区域的流量均分给节点CDN设备，造成了带宽调度策略计算十分复杂，目前来说，怎么能够从无数个调度方案中选择一个成本最优的方案，是一个几乎不可能做到的事情，有经验的调度员能够凭借经验花费大量时间计算出一个成本较优的调度方案，但是该方案距离最优方案还有很大提升空间。
发明内容
为至少在一定程度上克服相关技术中存在的问题，本申请提供一种基于遗传算法的CDN调度方法及设备。
本申请的方案如下：
根据本申请实施例的第一方面，提供一种基于遗传算法的CDN调度方法，包括：
获取基于遗传算法确定的调度策略；
接收客户端发送的内容访问请求，所述内容访问请求中包含通过Local DNS进行IP查询的DNS报文；
确定所述Local DNS的IP对应的区域的应该服务的CDN设备集合；
根据所述调度策略，在所述CDN设备集合中选择至少一个CDN设备；
将所述请求分配到选择的CDN设备进行处理。
优选的，结合以上内容，在本申请的一种可能的实现方式中，还包括：
获取各CDN设备的评估值，并根据所述评估值计算调度策略；
其中，所述计算调度策略包括：
随机初始化种群基因，每个基因对应一种调度策略；
获取全网峰值时刻最大带宽，并根据所述全网峰值时刻最大带宽设定基因进化方向；
基于遗传算法使初始种群基因向着所述基因进化方向进行进化，得到最优基因；
将最优基因对应的调度策略确定为调度策略。
优选的，结合以上内容，在本申请的一种可能的实现方式中，所述基于遗传算法使初始种群基因向着所述基因进化方向进行进化，得到最优基因，包括：
从初始种群基因开始，计算每个基因对应的调度策略所有评估值的得分之和；
若达到要求的评估值得分，则评测其是否满足已设定的约束条件；
若未达到要求的评估值得分，则舍弃；
若满足已设定的约束条件，则按照基因评估值得分的高低值进行排序，将评估值得分最高的基因直接放入子代种群，将父代基因进行选择、遗传和变异生成子代种群；
计算所述子代基因种群每个基因对应的调度策略所有评估值的得分之和；
重复以上步骤直到达到预设的迭代次数或者满足预设基因进化成功条件；
输出评估值最高的调度策略对应的最优基因。
优选的，结合以上内容，在本申请的一种可能的实现方式中，所述评估值包括：CDN设备带宽成本、CDN设备服务质量和是否满足基因进化方向。
优选的，结合以上内容，在本申请的一种可能的实现方式中，所述约束条件为CDN设备覆盖区域为其可服务区域、CDN设备服务带宽小于其最大服务带宽、所有域名在所有区域都有CDN设备服务。
优选的，结合以上内容，在本申请的一种可能的实现方式中，若基因所有评估值的得分之和未达到要求的评估值得分，对所有评估值的得分之和未达到要求的评估值得分的所述基因进行大幅度减分，并使所述基因继续参与选择，遗传，变异的过程。
优选的，结合以上内容，在本申请的一种可能的实现方式中，评估值得分最高的父代基因不仅直接放入子代种群，同时也作为进行选择、遗传和变异的父代基因。
优选的，结合以上内容，在本申请的一种可能的实现方式中，所述将所有父代基因进行选择、遗传和变异生成子代种群的过程包括：
通过预设的选择方法选择父代基因中所述所有评估值的得分之和较高的基因；
选择两个父代基因个体，随机交换父代的基因段；
抽取子代基因个体，替换其中部分基因。
优选的，结合以上内容，在本申请的一种可能的实现方式中，所述预设的选择方法为轮盘选择法。
根据本申请实施例的第二方面，提供一种CDN调度设备，包括：
调度模块，用于获取基于遗传算法确定的调度策略；
接收模块，用于接收客户端发送的内容访问请求，内容访问请求中包含通过LocalDNS获得的IP地址；
查找模块，用于确定所述Local DNS对应的区域的应该服务的CDN设备集合；
调度模块，还用于根据所述调度策略，在所述CDN设备集合中选择至少一个CDN设备；
执行模块，用于将所述请求分配到选择的CDN设备进行处理。
本申请提供的技术方案可以包括以下有益效果：本申请中，通过遗传算法对CDN设备的调度策略进行计算，对比熟练调度员给出的调度方案有非常大的成本优势，并且速度更快，从众多CDN设备调度策略中的得出优选的调度策略，并根据优选调度策略，优选调度策略为成本低，CDN设备服务质量好的调度策略。在CDN设备集合中选择至少一个CDN设备，将任务请求发送到CDN设备进行处理，提高对CDN设备带宽的利用率，提高用户的体验度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请一个实施例提供的一种CDN调度方法的流程图；
图2是本申请另一个实施例提供的一种CDN调度方法的流程图；
图3是本申请又一个实施例提供的遗传算法流程图；
图4是本申请一个实施例提供的一种CDN调度设备的结构图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的一种基于遗传算法的CDN调度方法及设备的例子。
图1是本申请一个实施例提供的一种基于遗传算法的CDN调度方法，参照图1，包括：
S101：获取基于遗传算法确定的调度策略；
遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，通过遗传算法可以得到从多个当前周期的调度策略中计算出最优的调度策略。
S102：接收客户端发送的内容访问请求，内容访问请求中包含通过Local DNS进行IP查询的DNS报文；
客户端通过Local DNS获得IP地址的过程为，接收Local DNS的IP查询请求，其中，Local DNS的IP查询是客户端向Local DNS发起的；
向Local DNS返回Local DNS对应的IP地址，Local DNS再将IP地址返回给客户端。
接收客户端发送的包含通过Local DNS的IP地址的内容访问请求。
S103：确定Local DNS的IP对应的区域的应该服务的CDN设备集合；
在全国范围内，区域可以按照省来划分，更细一点可以按照市来划分，每个区域可以服务的CDN设备是一个CDN设备集合；不同的区域与不同的Local DNS的IP地址对应。
通过确定所述Local DNS对应的IP地址确定对应的区域应该服务的CDN设备集合。
S104：根据调度策略，在CDN设备集合中选择至少一个CDN设备；
S105：将请求分配到选择的CDN设备进行处理。
将请求分配到选择的CDN设备进行处理即为调度执行，调度执行***由DNS(Domain Name System，域名)***、GHR***实现，分别通过DNS、HTTP(HyperText TransferProtocol，超文本传输协议)302的方式以及HTTP DNS的方式来对带宽进行引导，达到调度策略要求的效果。
本申请中，通过遗传算法对CDN设备的调度策略进行计算，对比熟练调度员给出的调度方案有非常大的成本优势，并且速度更快，从众多CDN设备调度策略中的得出优选的调度策略，并根据优选调度策略，优选调度策略为成本低，CDN设备服务质量好的调度策略。在CDN设备集合中选择至少一个CDN设备，将任务请求发送到CDN设备进行处理，提高对CDN设备带宽的利用率，提高用户的体验度。
通过遗传算法对CDN设备的调度策略进行计算需要参考CDN设备的各项数据，数据的获取通过数据获取模块实现。
获取所有CDN设备的相关参数，包括：每个CDN设备可服务区域集合，CDN设备最大承受带宽，CDN设备保底带宽，CDN设备成本，CDN设备服务质量。
从上述数据中，获取各CDN设备的评估值，并根据评估值计算调度策略；
其中，参照图2，计算调度策略包括：
S201：随机初始化种群基因，每个基因对应一种调度策略；
将一种调度策略抽象为一个二进制编码的基因个体，方法如下：将所有区域按照固定顺序排列，如：P1、P2、P3，遍历每个区域，将每个区域的可服务CDN设备排列出来，如：P1(n1，n2)，P2(n3，n4)，P3(n1，n3，n5)，代表P1区域的可服务CDN设备为n1，n2，以此类推。同时，将所有域名排列出来，如：D1(P1(n1，n2)，P2(n3，n4)，P3(n1，n3，n5))，D2(P1(n1，n2)，P2(n3，n4)，P3(n1，n3，n5))。如果某个域名的某个区域的某个CDN设备提供服务，则排列中对应位置1，否则对应位置0，这样就得到了一串0，1的组合，即为二进制编码的基因，如：基因0101011 1001101对应的策略为：域名D1下：区域P1服务CDN设备为：n2，区域P2服务CDN设备为：n4，区域P3服务CDN设备为：n3、n5；域名D2下：区域P1服务CDN设备为：n1，区域P2服务CDN设备为：n4，区域P3服务CDN设备为：n1、n5。
S202：获取全网峰值时刻最大带宽，并根据全网峰值时刻最大带宽设定基因进化方向；
全网峰值时刻最大带宽通过根据全网带宽的历史数据预测得到，历史数据为当前时刻前一年的带宽历史数据；预测为通过长期预测对当前时刻之后一个月的全网峰值时刻最大带宽出现时刻进行预测；也可以通过短期预测对长期预测的全网峰值时刻最大带宽进行补正。
基因进化方向为全网带宽成本最小。
S203：基于遗传算法使初始种群基因向着基因进化方向进行进化，得到最优基因；参照图3，
从初始种群基因开始，计算每个基因对应的调度策略所有评估值的得分之和；
若达到要求的评估值得分，则评测其是否满足已设定的约束条件；
若未达到要求的评估值得分，则舍弃；
若满足已设定的约束条件，则按照基因评估值得分的高低值进行排序，将评估值得分最高的基因直接放入子代种群，将所有父代基因进行选择、遗传和变异生成子代种群；
计算所述子代基因种群每个基因对应的调度策略所有评估值的得分之和；
重复以上步骤直到达到预设的迭代次数或者满足预设基因进化成功条件；
其中，预设基因进化成功条件为根据基因对应的调度策略进行调度所产生的全网带宽成本小于预设的全网带宽成本。
输出评估值最高的调度策略对应的最优基因。
评估值包括：CDN设备带宽成本之和，是否满足基因进化方向。
其中，CDN设备带宽成本可直接获取。
若CDN设备带宽成本越小，则评估值越高。
判断是否满足基因进化方向，包括：
若该基因中CDN设备成本带宽之和小于预设值，则满足满足基因进化方向；
若该基因中CDN设备成本带宽之和不小于预设值，则不满足满足基因进化方向。
若满足满足基因进化方向，则评估值进行大量加分。
将CDN设备带宽成本，是否满足基因进化方向分配权重值，以百分制对各个评估值进行打分，然后根据分配的权重值得出该调度策略的评估值总分。
约束条件为CDN设备覆盖区域为其可服务区域、CDN设备服务带宽小于其最大服务带宽、所有域名在所有区域都有CDN设备服务。
其中，预设迭代次数可以为50次。预设迭代次数越少则计算速度越快，预设迭代次数越多则计算速度越慢。
其中，若满足已设定的约束条件，则按照基因评估值得分的高低值进行排序，将评估值得分最高的基因直接放入子代种群，将所有父代基因进行选择、遗传和变异生成子代种群，具体为，
选择：通过预设的选择方法选择父代基因中所述所有评估值的得分之和较高的基因；
预设的选择方法可以但不限于为轮盘选择法，轮盘选择法是依据个体的适应度值计算每个个体在子代中出现的概率，并按照此概率随机选择个体构成子代种群。轮盘选择法的出发点是适应度值越好的个体被选择的概率越大。因此，在求解最大化问题的时候，可以直接采用适应度值来进行选择。但是在求解最小化问题的时候，必须首先将问题的适应度函数进行转换，以将问题转化为最大化问题。
遗传：选择两个父代基因个体，随机交换父代的基因段，例如代表两种调度策略的基因分别为0101011 1001101和1101011 1000101，进行交换后可以为0101011 1000101，1101011 1001101；
变异：抽取子代基因个体，即达到要求的评估值得分的调度策略，替换其中某些基因，进行改变，0变1，1变0，如将1001101的基因变为0110010,1000001等，其调度策略随之改变。
评估值得分最高的父代基因不仅直接放入子代种群，同时也作为进行选择、遗传和变异的父代样本。
一些实施例中，若未达到要求的评估值得分，还可以选择将未达到要求评估值得分的调度策略对应的基因进行大幅度减分，继续参与选择，遗传，变异的过程。因为一些评估值未达到要求的基因，可能由于前半段基因不符合要求，但是后半段基因很优，通过基因交换是有可能把后半段继承到后代的，以此保持基因的多样性。
S204：将最优基因对应的调度策略确定为调度策略。
可以理解的是，在一些实施例中，本申请提供的方法还具有另一种评估方式，评估值包括：CDN设备带宽成本之和，是否满足基因进化方向。
其中，CDN设备带宽成本可直接获取。
若CDN设备带宽成本越小，则评估值越低。
判断是否满足基因进化方向，包括：
若该基因中CDN设备成本带宽之和小于预设值，则满足满足基因进化方向；
若该基因中CDN设备成本带宽之和不小于预设值，则不满足满足基因进化方向。
若满足满足基因进化方向，则评估值进行大量减分。
对于未达到要求的评估值得分，还可以选择将未达到要求评估值得分的调度策略对应的基因进行大幅度加分，继续参与选择，遗传，变异的过程。因为一些评估值未达到要求的基因，可能由于前半段基因不符合要求，但是后半段基因很优，通过基因交换是有可能把后半段继承到后代的，以此保持基因的多样性。
图4是本申请一个实施例提供的一种CDN调度设备的结构图，参照图4，一种CDN调度设备，包括：
调度模块，用于获取基于遗传算法确定的调度策略；
接收模块，用于接收客户端发送的内容访问请求，内容访问请求中包含通过LocalDNS获得的IP地址；
查找模块，用于确定所述Local DNS对应的区域的应该服务的CDN设备集合；
调度模块，还用于根据所述调度策略，在所述CDN设备集合中选择至少一个CDN设备；
执行模块，用于将所述请求分配到选择的CDN设备进行处理。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种基于遗传算法的CDN调度方法，其特征在于，包括：
获取基于遗传算法确定的调度策略；
接收客户端发送的内容访问请求，所述内容访问请求中包含通过Local DNS进行IP查询的DNS报文；
确定所述Local DNS的IP对应的区域的应该服务的CDN设备集合；
根据所述调度策略，在所述CDN设备集合中选择至少一个CDN设备；
将所述请求分配到选择的CDN设备进行处理；
其中，所述调度策略是根据获取的各CDN设备的评估值计算得到的；
计算调度策略包括：
随机初始化种群基因，每个基因对应一种调度策略；
获取全网峰值时刻最大带宽，并根据所述全网峰值时刻最大带宽设定基因进化方向；
基于遗传算法使初始种群基因向着所述基因进化方向进行进化，得到最优基因；
将最优基因对应的调度策略确定为调度策略；
其中，所述根据所述全网峰值时刻最大带宽设定基因进化方向，包括：
根据全网带宽的历史数据，通过长期预测对当前时刻之后的全网峰值时刻最大带宽出现时刻进行预测，通过短期预测对长期预测的全网峰值时刻最大带宽进行补正；
将所述基因进化方向设定为全网带宽成本最小。
2.根据权利要求1所述的方法，其特征在于，所述基于遗传算法使初始种群基因向着所述基因进化方向进行进化，得到最优基因，包括：
从初始种群基因开始，计算每个基因对应的调度策略所有评估值的得分之和；
若达到要求的评估值得分，则评测其是否满足已设定的约束条件；
若未达到要求的评估值得分，则舍弃；
若满足已设定的约束条件，则按照基因评估值得分的高低值进行排序，将评估值得分最高的基因直接放入子代种群，将父代基因进行选择、遗传和变异生成子代种群；
计算所述子代基因种群每个基因对应的调度策略所有评估值的得分之和；
重复以上步骤直到达到预设的迭代次数或者满足预设基因进化成功条件；
输出评估值最高的调度策略对应的最优基因。
3.根据权利要求2所述的方法，其特征在于，所述评估值包括：CDN设备带宽成本、CDN设备服务质量和是否满足基因进化方向。
4.根据权利要求2所述的方法，其特征在于，所述约束条件为CDN设备覆盖区域为其可服务区域、CDN设备服务带宽小于其最大服务带宽、所有域名在所有区域都有CDN设备服务。
5.根据权利要求2所述的方法，其特征在于，若基因所有评估值的得分之和未达到要求的评估值得分，对所有评估值的得分之和未达到要求的评估值得分的所述基因进行大幅度减分，并使所述基因继续参与选择，遗传，变异的过程。
6.根据权利要求2所述的方法，其特征在于，评估值得分最高的父代基因不仅直接放入子代种群，同时也作为进行选择、遗传和变异的父代基因。
7.根据权利要求2-6任一项所述的方法，其特征在于，所述将父代基因进行选择、遗传和变异生成子代种群的过程包括：
通过预设的选择方法选择父代基因中所述所有评估值的得分之和较高的基因；
选择两个父代基因个体，随机交换父代的基因段；
抽取子代基因个体，替换其中部分基因。
8.根据权利要求7所述的方法，其特征在于，所述预设的选择方法为轮盘选择法。
9.一种CDN调度设备，其特征在于，包括：
调度模块，用于获取基于遗传算法确定的调度策略；
接收模块，用于接收客户端发送的内容访问请求，内容访问请求中包含通过Local DNS获得的IP地址；
查找模块，用于确定所述Local DNS对应的区域的应该服务的CDN设备集合；
调度模块，还用于根据所述调度策略，在所述CDN设备集合中选择至少一个CDN设备；
执行模块，用于将所述请求分配到选择的CDN设备进行处理；
其中，所述调度策略是根据获取的各CDN设备的评估值计算得到的；
计算调度策略包括：
随机初始化种群基因，每个基因对应一种调度策略；
获取全网峰值时刻最大带宽，并根据所述全网峰值时刻最大带宽设定基因进化方向；
基于遗传算法使初始种群基因向着所述基因进化方向进行进化，得到最优基因；
将最优基因对应的调度策略确定为调度策略；
其中，所述根据所述全网峰值时刻最大带宽设定基因进化方向，包括：
根据全网带宽的历史数据，通过长期预测对当前时刻之后的全网峰值时刻最大带宽出现时刻进行预测，通过短期预测对长期预测的全网峰值时刻最大带宽进行补正；
将所述基因进化方向设定为全网带宽成本最小。
CN201811139943.7A 2018-09-28 2018-09-28 一种基于遗传算法的cdn调度方法及设备 Active CN109246032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811139943.7A CN109246032B (zh) 2018-09-28 2018-09-28 一种基于遗传算法的cdn调度方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811139943.7A CN109246032B (zh) 2018-09-28 2018-09-28 一种基于遗传算法的cdn调度方法及设备

Publications (2)

Publication Number Publication Date
CN109246032A CN109246032A (zh) 2019-01-18
CN109246032B true CN109246032B (zh) 2022-04-05

Family

ID=65057908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811139943.7A Active CN109246032B (zh) 2018-09-28 2018-09-28 一种基于遗传算法的cdn调度方法及设备

Country Status (1)

Country Link
CN (1) CN109246032B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008015B (zh) * 2019-04-09 2022-09-30 中国科学技术大学 边缘计算***中有带宽限制的在线任务分派调度方法
CN112910698B (zh) * 2021-01-27 2023-08-22 网宿科技股份有限公司 一种cdn覆盖方案的调整方法、装置及设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104166630A (zh) * 2014-08-06 2014-11-26 哈尔滨工程大学 一种面向内容中心网络中基于预测的最优化缓存放置方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090276317A1 (en) * 2008-05-01 2009-11-05 Ds-Iq, Inc. Dynamic inventory management for systems presenting marketing campaigns via media devices in public places
WO2016049333A1 (en) * 2014-09-24 2016-03-31 Interdigital Patent Holdings, Inc. Method and system for creating a pre-fetching list for managed caching in small cell networks
US10963506B2 (en) * 2016-11-15 2021-03-30 Evolv Technology Solutions, Inc. Data object creation and recommendation using machine learning based offline evolution
US11403532B2 (en) * 2017-03-02 2022-08-02 Cognizant Technology Solutions U.S. Corporation Method and system for finding a solution to a provided problem by selecting a winner in evolutionary optimization of a genetic algorithm

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104166630A (zh) * 2014-08-06 2014-11-26 哈尔滨工程大学 一种面向内容中心网络中基于预测的最优化缓存放置方法

Also Published As

Publication number Publication date
CN109246032A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
CN109067670B (zh) 一种cdn调度方法及cdn调度设备
CN106503836B (zh) 一种多目标优化的纯电动汽车物流配送优化调度方法
US8098584B2 (en) Optimization of traffic routing for data center services
CN108287666B (zh) 用于云存储环境的数据存储方法及装置
CN108573326B (zh) 基于遗传蚁群混合算法的视频服务器选址方法
CN103957269B (zh) P2P网络节点选择方法及点对点重定向P2P Redirector服务器
Chew et al. Genetic algorithm for biobjective urban transit routing problem
CN109246032B (zh) 一种基于遗传算法的cdn调度方法及设备
Wei et al. Effective mechanism for social recommendation of news
WO2020026142A1 (en) Joint placement and chaining of virtual network functions for virtualized systems based on a scalable genetic algorithm
CN110995619B (zh) 一种服务质量感知的虚拟网络映射方法和装置
CN110601978B (zh) 流量分发控制方法和装置
CN113285832B (zh) 基于nsga-ii的电力多模态网络资源优化分配方法
WO2021008675A1 (en) Dynamic network configuration
CN115118732B (zh) 一种区块链赋能数据共享的基于动态权重的共识方法
CN109962947A (zh) 一种对等网络中的任务分配方法及装置
CN113472671A (zh) 组播路由的确定方法、装置和计算机可读存储介质
CN109889573B (zh) 混合云中基于ngsa多目标的副本放置方法
CN116611505B (zh) 一种卫星集群观测任务调度方法、***、设备及存储介质
Li et al. Genetic algorithm for spanning tree construction in P2P distributed interactive applications
CN109474696B (zh) 一种网络服务方法、装置、电子设备及可读存储介质
Wakisaka et al. Timely information updates for the internet of things with serverless computing
Hajian et al. Improve energy efficiency routing in WSN by using automata
Efstathiou et al. Efficient multi-objective optimisation of service compositions in mobile ad hoc networks using lightweight surrogate models
Kwon et al. Adaptive tree-based P2P video streaming multicast system under high peer-churn rate

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant