CN113722112B - 一种服务资源负载均衡处理方法及*** - Google Patents
一种服务资源负载均衡处理方法及*** Download PDFInfo
- Publication number
- CN113722112B CN113722112B CN202111292721.0A CN202111292721A CN113722112B CN 113722112 B CN113722112 B CN 113722112B CN 202111292721 A CN202111292721 A CN 202111292721A CN 113722112 B CN113722112 B CN 113722112B
- Authority
- CN
- China
- Prior art keywords
- service
- predation
- algorithm
- task execution
- load balancing
- 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
Links
- 238000003672 processing method Methods 0.000 title description 4
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000013468 resource allocation Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 33
- 241000282326 Felis catus Species 0.000 claims description 24
- 230000001133 acceleration Effects 0.000 claims description 18
- 230000005684 electric field Effects 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 235000005770 birds nest Nutrition 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 235000005765 wild carrot Nutrition 0.000 description 2
- 241000272177 Cuculiformes Species 0.000 description 1
- 241000544061 Cuculus canorus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 230000024241 parasitism Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种服务资源负载均衡处理方法及***,所述方法包括:获取每个服务节点的运行指标,根据所述运行指标计算服务节点的总体任务执行效率和服务节点之间的负载均衡度;以服务节点的总体任务执行效率最高和服务节点之间的负载均衡度最好为目标建立服务资源分配评价函数;以服务资源分配评价函数作为改进的寄生‑捕食算法的适应度函数,通过改进的寄生‑捕食算法构建负载均衡调度模型;通过负载均衡调度模型进行服务资源负载均衡优化。本发明以服务节点的总体任务执行效率最高和服务节点之间的负载均衡度最好为目标建立服务资源分配评价函数,并通过改进的寄生‑捕食算法进行负载均衡优化,兼顾了负载均衡分配和任务处理效率。
Description
技术领域
本发明属于负载均衡技术领域,具体涉及一种服务资源负载均衡处理方法及***。
背景技术
负载均衡技术是一种在高并发高吞吐的情况下把海量任务请求按照一定算法分配到不同的服务节点上去,分而治之的策略。在进行负载分配时,若存在分配不均衡的问题,会使各个物理服务节点的负载差异很大,从而造成部分物理服务节点因负载过大而带来宕机的风险,或部分物理服务节点因某种负载过小而带来资源的浪费。通过负载均衡技术能够加以解决服务节点集群的后台服务节点负载不均衡问题,提高服务节点集群的资源利用率,从而提升整个服务节点集群的性能,降低用户的请求响应等待延迟。
现有的负载均衡技术大多集中在提高资源利用率和资源均衡分配上,而忽略了任务处理效率,导致任务执行时间过长,可能造成后续任务响应时间或处理时间延迟。
发明内容
有鉴于此,本发明提出了一种服务资源负载均衡处理方法及***,用于解决服务资源负载均衡处理过程中不能兼顾任务处理效率的问题。
本发明第一方面,公开一种服务资源负载均衡处理方法,所述方法包括:
获取每个服务节点的运行指标,根据所述运行指标计算服务节点的总体任务执行效率和服务节点之间的负载均衡度;
以服务节点的总体任务执行效率最高和服务节点之间的负载均衡度最好为目标建立服务资源分配评价函数;
以服务资源分配评价函数作为改进的寄生-捕食算法的适应度函数,通过改进的寄生-捕食算法构建负载均衡调度模型;
通过负载均衡调度模型进行服务资源负载均衡优化调度。
优选的,所述运行指标包括:内存利用率、CPU占用率、带宽利用率、硬盘使用率、每个任务的等待响应时间、每个任务的任务执行时间、每个服务节点的任务执行成功率。
优选的,所述根据所述运行指标计算服务节点的总体任务执行效率和服务节点之间的负载均衡度具体包括:
根据所述运行指标分别计算每个服务节点的负载参考值和任务执行效率;每个服务节点的负载参考值根据内存利用率、CPU占用率、带宽利用率、硬盘使用率加权求和计算得到;每个服务节点的任务执行效率根据每个任务的等待响应时间、每个任务的任务执行时间、每个服务节点的任务执行成功率计算得到;
其中,n=1,2,…,N,N为服务节点总数,m=1,2,…,N n ,N n 为服务节点n上的任务数,记为任务总数,α n 为服务节点n上的任务执行成功率,为服务节点n上的第m个任务的等待响应时间,为服务节点n上的第m个任务的任务执行时间;
计算服务节点之间的负载均衡度ε:
优选的,所述根据总的任务执行效率和服务节点之间的负载均衡度建立服务资源分配评价函数具体包括:
其中,f为服务资源分配评价函数,w 1、w 2为权重系数。
优选的,所述改进的寄生-捕食算法为通过人工电场优化算法改进的寄生-捕食算法,其原理为:
在寄生-捕食算法的捕食阶段引入人工电场优化算法中的加速度算子,进行猫群速度和位置更新,公式为:
其中,为第t次迭代时,第k个电荷的单位质量,为电荷p在第d维上受到电荷k的库仑力,为第t次迭代时作用在电荷k上总的电荷作用力,rand()产生[0,1]之间的随机数;P为电荷总数,与寄生-捕食算法的捕食阶段的猫群种群大小相同;Kt为第t次迭代的库仑常数,分别为第t次迭代时作用电荷k和被作用电荷p的电荷量;、分别为第t次迭代时第k、p个电荷在第d维的位置,与寄生-捕食算法的捕食阶段第t次迭代时第k、p只猫在第d维的位置对应;为电荷p在第t次迭代时获得的最佳适应度值的位置。
本发明第二方面,公开一种服务资源负载均衡处理***,所述***包括:
运行指标计算模块:获取每个服务节点的运行指标,根据所述运行指标计算服务节点的总体任务执行效率和服务节点之间的负载均衡度;
评价函数建议模块:以服务节点的总体任务执行效率最高和服务节点之间的负载均衡度最好为目标建立服务资源分配评价函数;
调度模型建立模块:以服务资源分配评价函数作为改进的寄生-捕食算法的适应度函数,通过改进的寄生-捕食算法构建负载均衡调度模型;
负载均衡优化模块:通过负载均衡调度模型进行服务资源负载均衡优化调度。
本发明第三方面,公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明第一方面所述的方法。
本发明第四方面,公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使计算机实现如本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果:
1)根据每个任务的等待响应时间、每个任务的任务执行时间、每个服务节点的任务执行成功率计算得到总的任务执行效率,以服务节点的总体任务执行效率最高和服务节点之间的负载均衡度最好为目标建立服务资源分配评价函数,兼顾了资源负载均衡分配和任务处理效率,减少任务处理延迟情况;
2)在寄生-捕食算法的捕食阶段引入人工电场优化算法中的加速度算子,通过模拟电荷之间的相互吸引力使粒子向最优解聚拢,加快寄生-捕食算法的收敛速度,通过这种混合优化算法建立负载均衡调度模型,进行服务资源负载均衡优化调度,得到在一定的任务处理效率下最优的负载均衡策略。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的服务资源负载均衡处理方法流程示意图。
图2为本发明通过改进的寄生-捕食算法构建负载均衡调度模型的流程图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
请参阅图1,本发明提出一种服务资源负载均衡处理方法,所述方法包括:
S1、获取每个服务节点的运行指标,根据所述运行指标计算服务节点的总体任务执行效率和服务节点之间的负载均衡度;
具体的,将每个服务节点的内存利用率、CPU占用率、带宽利用率、硬盘使用率、每个任务的等待响应时间、每个任务的任务执行时间、每个服务节点的任务执行成功率等作为运行指标,每个服务节点的任务执行成功率可以是上一周期对应的服务节点的历史任务成功率,通过该服务节点在上一周期的任务处理成功数除以任务总数得到,该服务节点在上一周期的历史任务成功率作为当前负载均衡调度中任务成功率的参考值。
根据每个服务节点的内存利用率λ 1、CPU占用率λ 2、带宽利用率λ 3、硬盘使用率λ 4进行加权求和计算得到各个服务节点的负载参考值,即服务节点i的负载参考值为,k 1、k 2、k 3、k 4分别为权重系数,k 1+k 2+k 3+k 4=1。
根据每个服务节点的负载参考值计算服务节点之间的负载均衡度ε:
其中,n=1,2,…,N, m=1,2,…,N n ,N n 为服务节点n上的任务数,记为任务总数,α n 为服务节点n上的任务执行成功率,为服务节点n上的第m个任务的等待响应时间,为服务节点n上的第m个任务的任务执行时间。
S2、以服务节点的总体任务执行效率最高和服务节点之间的负载均衡度最好为目标建立服务资源分配评价函数。
建立服务资源分配评价函数具体包括:
其中,f为服务资源分配评价函数,f值越大服务资源分配评价评价越好,表示服务资源负载均衡效果越优越,w 1、w 2为权重系数。
以服务节点的总体任务执行效率最高和服务节点之间的负载均衡度最好为目标建立服务资源分配评价函数,能在保证一定的任务执行效率的基础上实现负载均衡调度,将待执行任务合理调度至各个服务节点,实现任务执行效率和负载均衡的平衡。
S3、以服务资源分配评价函数作为改进的寄生-捕食算法的适应度函数,通过改进的寄生-捕食算法构建负载均衡调度模型;
请参阅图2,通过改进的寄生-捕食算法构建负载均衡调度模型具体包括:
1)初始化种群及寄生-捕食算法和人工电场优化算法的参数,将种群中的个体作为负载均衡调度模型的候选解;
具体的,设定解集的边界范围,在边界范围内随机初始化种群,定义第i个粒子第t次迭代的位置为,t=1,2,…,T,T为迭代总次数,d=1,2,…,D,D为解的维度,每一维度的解代表一个服务节点的负载调度方案。
2)以服务资源分配评价函数为适应度函数评估各个个体的适应度值,确定最优解及最优鸟巢。
3)计算寄生-捕食算法的猫群数量n cat ,乌鸦群数量n crow 和鸟巢数量。
4)进入筑巢阶段,通过生成随机的候选乌鸦X r1,通过莱维飞行为乌鸦i生成一个新的位置:
r1为随机数下标, LF为莱维飞行函数,n crow 为乌鸦群数量;对超出维度范围的种群位置进行修正,防止出界。
r2、r3为随机数下标,SG服从高斯分布,为二进制矩阵,,Pa=2t/T,利用二进位矩阵尽可能地保留相当一部分旧布谷鸟,保持探索搜索空间。在寄生阶段开始时,矩阵被1填充,然后逐渐增加,以保持种群多样性。
6)进入捕食阶段,捕食阶段引入人工电场优化算法中的加速度算子,进行猫群速度和位置更新,公式为:
和分别为第t次迭代和t+1次迭代时第k只猫在第d维的速度,k=1,2,…,n cat ,为人工电场优化算法中的加速度算子,表示当前猫群加速度,和分别为第t次迭代和t+1次迭代时第k只猫在第d维的位置。
其中,为第t次迭代时,第k个电荷的单位质量,为电荷p在第d维上受到电荷k的库仑力,为第t次迭代时作用在电荷k上总的电荷作用力,rand()产生[0,1]之间的随机数;P为电荷总数,与寄生-捕食算法的捕食阶段的猫群种群大小相同;Kt为第t次迭代的库仑常数,分别为第t次迭代时作用电荷k和被作用电荷p的电荷量;、分别为第t次迭代时第k、p个电荷在第d维的位置,与寄生-捕食算法的捕食阶段第t次迭代时第k、p只猫在第d维的位置对应;为电荷p在第t次迭代时获得的最佳适应度值的位置。
在寄生-捕食算法的捕食阶段引入人工电场优化算法中的加速度算子,通过模拟电荷之间的相互吸引力使粒子向最优解聚拢,加快寄生-捕食算法的收敛速度,从而进行服务资源负载均衡优化调度,在负载均衡处理的过程中保障一定的任务处理效率,减少任务处理延迟,加快服务节点响应和处理速度。
7)重新评估适应度函数值,并更新全局最优解。
8)判断是否满足迭代条件,若是满足则输出最优解,否则返回步骤2重新迭代更新计算。
S4、通过负载均衡调度模型进行服务资源负载均衡优化调度。
步骤S3输出的最优解即为最优的服务资源负载均衡处理方案,按照待处理任务总数对各个服务节点进行任务分配,基于本发明的负载均衡调度模型,在进行任务分配时会综合考量总体的任务执行效率,若某个服务节点的任务执行效率下降,将适度减少该服务节点的任务量,防止因个别服务节点的故障或其他原因带来的任务失败率高、任务处理延迟大而影响总体任务执行,实现任务执行效率与负载均衡的双平衡。
与上述方法实施例相对应,本发明还提出一种服务资源负载均衡处理***,所述***包括:
运行指标计算模块:获取每个服务节点的运行指标,根据所述运行指标计算服务节点的总体任务执行效率和服务节点之间的负载均衡度;
评价函数建议模块:以服务节点的总体任务执行效率最高和服务节点之间的负载均衡度最好为目标建立服务资源分配评价函数;
调度模型建立模块:以服务资源分配评价函数作为改进的寄生-捕食算法的适应度函数,通过改进的寄生-捕食算法构建负载均衡调度模型;
负载均衡优化模块:通过负载均衡调度模型进行服务资源负载均衡优化调度。
以上***实施例是和方法实施例一一对应的,***实施例简述之处请参阅方法实施例即可,不再赘述。
本发明还公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括:U盘、移动硬盘、只议存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的***实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下,可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种服务资源负载均衡处理方法,其特征在于,所述方法包括:
获取每个服务节点的运行指标,根据所述运行指标计算服务节点的总体任务执行效率和服务节点之间的负载均衡度;
以服务节点的总体任务执行效率最高和服务节点之间的负载均衡度最好为目标建立服务资源分配评价函数;
以服务资源分配评价函数作为改进的寄生-捕食算法的适应度函数,通过改进的寄生-捕食算法构建负载均衡调度模型;所述改进的寄生-捕食算法为通过人工电场优化算法改进的寄生-捕食算法,其原理为:
在寄生-捕食算法的捕食阶段引入人工电场优化算法中的加速度算子,进行猫群速度和位置更新,公式为:
其中,t=1,2,…,T,T为迭代总次数,d=1,2,…,D,D为解的维度,和分别为第t次迭代和t+1次迭代时第k只猫在第d维的速度, 为人工电场优化算法中的加速度算子,表示当前猫群加速度,和分别为第t次迭代和t+1次迭代时第k只猫在第d维的位置;
通过负载均衡调度模型进行服务资源负载均衡优化。
2.根据权利要求1所述的服务资源负载均衡处理方法,其特征在于,所述运行指标包括:内存利用率、CPU占用率、带宽利用率、硬盘使用率、每个任务的等待响应时间、每个任务的任务执行时间、每个服务节点的任务执行成功率。
3.根据权利要求2所述的服务资源负载均衡处理方法,其特征在于,所述根据所述运行指标计算服务节点的总体任务执行效率和服务节点之间的负载均衡度具体包括:
根据所述运行指标分别计算每个服务节点的负载参考值和任务执行效率;每个服务节点的负载参考值根据内存利用率、CPU占用率、带宽利用率、硬盘使用率加权求和计算得到;每个服务节点的任务执行效率根据每个任务的等待响应时间、每个任务的任务执行时间、每个服务节点的任务执行成功率计算得到;
其中,n=1,2,…,N,N为服务节点总数,m=1,2,…,Nn,Nn为服务节点n上的任务数,αn为服务节点n上的任务执行成功率,为服务节点n上的第m个任务的等待响应时间,为服务节点n上的第m个任务的任务执行时间;
计算服务节点之间的负载均衡度ε:
6.一种服务资源负载均衡处理***,其特征在于,所述***包括:
运行指标计算模块:获取每个服务节点的运行指标,根据所述运行指标计算服务节点的总体任务执行效率和服务节点之间的负载均衡度;
评价函数建议模块:以服务节点的总体任务执行效率最高和服务节点之间的负载均衡度最好为目标建立服务资源分配评价函数;
调度模型建立模块:以服务资源分配评价函数作为改进的寄生-捕食算法的适应度函数,通过改进的寄生-捕食算法构建负载均衡调度模型;所述改进的寄生-捕食算法为通过人工电场优化算法改进的寄生-捕食算法,其原理为:
在寄生-捕食算法的捕食阶段引入人工电场优化算法中的加速度算子,进行猫群速度和位置更新,公式为:
其中,t=1,2,…,T,T为迭代总次数,d=1,2,…,D,D为解的维度,和分别为第t次迭代和t+1次迭代时第k只猫在第d维的速度,为人工电场优化算法中的加速度算子,表示当前猫群加速度, 和分别为第t次迭代和t+1次迭代时第k只猫在第d维的位置;
负载均衡优化模块:通过负载均衡调度模型进行服务资源负载均衡优化。
7.一种电子设备,其特征在于,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现如权利要求1~5任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机指令,所述计算机指令使计算机实现如权利要求1~5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111292721.0A CN113722112B (zh) | 2021-11-03 | 2021-11-03 | 一种服务资源负载均衡处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111292721.0A CN113722112B (zh) | 2021-11-03 | 2021-11-03 | 一种服务资源负载均衡处理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113722112A CN113722112A (zh) | 2021-11-30 |
CN113722112B true CN113722112B (zh) | 2022-01-11 |
Family
ID=78686658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111292721.0A Active CN113722112B (zh) | 2021-11-03 | 2021-11-03 | 一种服务资源负载均衡处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113722112B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116166443B (zh) * | 2023-04-23 | 2023-06-23 | 欢喜时代(深圳)科技有限公司 | 一种游戏任务***的负载优化方法及*** |
CN116880412B (zh) * | 2023-08-10 | 2024-05-17 | 上海兴岩信息科技有限公司 | 一种基于云的可视化生产管理平台 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105187488A (zh) * | 2015-08-05 | 2015-12-23 | 江苏科技大学 | 一种基于遗传算法实现mas负载均衡的方法 |
CN106295886A (zh) * | 2016-08-12 | 2017-01-04 | 梁广俊 | 基于混沌理论的改进模糊神经网络公交车智能调度方法 |
CN109491761A (zh) * | 2018-11-07 | 2019-03-19 | 中国石油大学(华东) | 基于eda-ga混合算法的云计算多目标任务调度方法 |
CN111338765A (zh) * | 2020-03-23 | 2020-06-26 | 武汉轻工大学 | 基于猫群算法的虚拟机部署方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9628343B2 (en) * | 2012-12-13 | 2017-04-18 | Level 3 Communications, Llc | Content delivery framework with dynamic service network topologies |
-
2021
- 2021-11-03 CN CN202111292721.0A patent/CN113722112B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105187488A (zh) * | 2015-08-05 | 2015-12-23 | 江苏科技大学 | 一种基于遗传算法实现mas负载均衡的方法 |
CN106295886A (zh) * | 2016-08-12 | 2017-01-04 | 梁广俊 | 基于混沌理论的改进模糊神经网络公交车智能调度方法 |
CN109491761A (zh) * | 2018-11-07 | 2019-03-19 | 中国石油大学(华东) | 基于eda-ga混合算法的云计算多目标任务调度方法 |
CN111338765A (zh) * | 2020-03-23 | 2020-06-26 | 武汉轻工大学 | 基于猫群算法的虚拟机部署方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
A Cat Swarm Optimization-Based QoS Routing in ICN;Dandan Cheng;《2018 14th ICNC-FSKD》;20181231;全文 * |
基于混沌猫群算法的云计算多目标任务调度;黄伟建;《微电子学与计算机》;20191231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113722112A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110365753B (zh) | 基于边缘计算的物联网服务低时延负载分配方法及装置 | |
CN107172166B (zh) | 面向工业智能化服务的云雾计算*** | |
CN113722112B (zh) | 一种服务资源负载均衡处理方法及*** | |
CN110688219B (zh) | 基于反向混沌布谷鸟搜索的自适应权重负载均衡算法 | |
CN112988345B (zh) | 一种基于移动边缘计算的依赖型任务卸载方法及装置 | |
CN112764936B (zh) | 基于深度强化学习的边缘计算服务器信息处理方法及装置 | |
CN108111335B (zh) | 一种调度和链接虚拟网络功能的方法及*** | |
CN113141317B (zh) | 流媒体服务器负载均衡方法、***、计算机设备、终端 | |
CN109451012B (zh) | 一种端云协同负载均衡调度方法、***及存储介质 | |
CN112486690A (zh) | 一种适用于工业物联网的边缘计算资源分配方法 | |
CN111585811B (zh) | 一种基于多智能体深度强化学习的虚拟光网络映射方法 | |
CN113485826A (zh) | 一种边缘服务器负载均衡方法、*** | |
CN115033359A (zh) | 一种基于时延控制的物联代理多任务调度方法和*** | |
Xu et al. | Efficient graph-based dynamic load-balancing for parallel large-scale agent-based traffic simulation | |
CN113703984B (zh) | 5g云边协同场景下基于soa架构的云任务优化策略方法 | |
CN111027665A (zh) | 一种基于改进混沌蝙蝠群算法的云制造调度方法 | |
Singhrova et al. | Prioritized GA-PSO algorithm for efficient resource allocation in fog computing | |
CN113157344B (zh) | 移动边缘计算环境下基于drl的能耗感知任务卸载方法 | |
CN114816755A (zh) | 调度方法及调度装置、处理核、电子设备、可读介质 | |
JESI et al. | LOAD BALANCING IN CLOUD COMPUTING VIA MAYFLY OPTIMIZATION ALGORITHM | |
CN117056089B (zh) | 一种服务动态分配***及方法 | |
CN117215719A (zh) | 一种基于相对资源需求和负载更新的容器化服务部署方法 | |
CN117171261B (zh) | 面向多数据库单元的弹性扩展智能调用方法和*** | |
Taheri et al. | A Pareto frontier for optimizing data transfer and job execution in grids | |
CN115242796B (zh) | 一种面向云-边-端场景的任务调度方法 |
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 |