CN103440224A - 基于多尺度熵的跨层感知自配置系统及方法 - Google Patents
基于多尺度熵的跨层感知自配置系统及方法 Download PDFInfo
- Publication number
- CN103440224A CN103440224A CN2013103850249A CN201310385024A CN103440224A CN 103440224 A CN103440224 A CN 103440224A CN 2013103850249 A CN2013103850249 A CN 2013103850249A CN 201310385024 A CN201310385024 A CN 201310385024A CN 103440224 A CN103440224 A CN 103440224A
- Authority
- CN
- China
- Prior art keywords
- network
- configuration
- layer
- self
- module
- 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.)
- Granted
Links
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供的是一种基于多尺度熵的跨层感知自配置系统及方法。包括监督模块、分析模块、配置模块和历史重配置策略集数据库。所述监督模块包括终端节点、交换节点和当前状态数据库;所述分析模块包括网络子层参数分析和策略集生成;所述配置模块包括网络参数配置、网络性能评估和策略集。本发明动态实现各网络层之间和网络整体资源优化配置,同时减少系统开销。应用多尺度熵理论分析各网络层间的关联特性,对网络整体性能进行分析优化。解决了多次单一网络参数优化配置,导致参数配置效果叠加引起的网络资源浪费问题、与各网络层参数优化互干扰致使自配置失效问题。本发明的系统的自适应能力强,系统性能稳定性高,更新、维护简单。
Description
技术领域
本发明涉及的是一种关键任务系统的资源自配置系统,本发明也涉及一种关键任务系统的资源自配置方法。
背景技术
在无法预知的自然灾害、严酷的场地环境等突发状况下维持一个稳定可用的基础平台,保证系统稳定高效地持续运行,已经成为当前关键任务系统发展的当务之急。而网络环境日益复杂,网络类型种类繁多、用户需求复杂多变,要求网络能够实时感知各种变化,对节点参数进行智能配置。为解决此问题,国内研究机构与组织已对自配置方法进行了研究,但现有的研究仍存在通用性不强,针对网络类型单一,不具有动态性等问题。
自配置源于IBM主管科研副总裁P.Horn在哈佛大学的一次演讲中提出的自主计算,自配置具体是指系统能够根据高层目标配置自身,自主的解决系统中的配置与重配置问题。在无人为干预或少人为干预情况下,自动的完成各种活动。美国德克萨斯大学的Christine Julien提出通过感知应用层动态资源需求,配置路由的路径信息,实现网络对路由的重配置。但此方法只针对Ad Hoc网络的路由路径信息调整,具有一定局限性(JulienChristine,Venkataraman Meenakshi.Cross-layer discovery and routing in reconfigurable wirelessnetworks.IEEE International Conference on Mobile Ad Hoc and Sensor Systems(MASS),Pages119-128,Oct2007)。 Loukil提出支持移动多媒体系统的全局管理和局部操控组成的自配置框架结构,主要通过协调硬件、操作系统、应用层提高用户QoS,但此方法不具有动态配置能力且不能避免迭代优化引起的整体性能降低( Loukil,Nader Ben Amor,Mohamed Abid.Self adaptive reconfigurable system based on middleware cross layeradaptation model.6th International Multi-Conference on Systems,Signals and Devices(SSD),Pages1-9,Mar2009)。G.Dimitrakopoulos提出一种分布式跨层重配置架构,针对于流媒体业务,采用贝叶斯网络建立策略数据库,每次需要访问整个数据库查找配置方法,浪费大量系统资源,且仅适用于B3G网络(G.Dimitrakopoulos,K.Tsagkaris,et al.16thIST Mobile and Wireless Communications Summit,Pages1-5,Jul2007)。
综上所述,现在自配置方法还存在以下几点不足:
(1)当前的自配置方法不具有动态性和智能性,自配置决策选择方法复杂,仅能满足某些特定网络环境,应用范围有限,且难以及时应对变化的网络环境,通用性较弱。
(2)当前的自配置方法只针对单一关键任务系统的网络参数进行优化,实现整体性能优化需要多次监控和分析,并需要多次执行自配置,导致系统资源的大量消耗和浪费。
发明内容
本发明的目的在于提供一种自适应能力强,系统性能稳定性高,更新、维护简单的基于多尺度熵的跨层感知自配置系统。本发明的目的还在于提供一种基于多尺度熵的跨层感知自配置方法。
本发明的基于多尺度熵的跨层感知自配置系统包括监督模块、分析模块、配置模块和历史重配置策略集(History_Strategy)数据库;
所述监督模块包括终端节点、交换节点和当前状态数据库(Current_Data),实时监控当前终端节点和交换节点的各网络子层,正常运行状态时,按照时钟触发器设定的时序检测当前节终端节点和交换节点资源状态信息,标记可重配置的资源,并将获取的信息存储到当前状态数据库中,作为分析模块的输入;异常运行状态下,直接向分析模块提交异常预警,请求分析处理;
所述分析模块包括网络子层参数分析和策略集生成,分析模块从当前状态数据库集获取数据,分析各个网络子层参数的关联性、约束条件,获取业务的时空尺度特性,预测下一时刻网络性能,并获取业务的优先级,如果有必要进行重配置,若是初次事件,则提出重配置的动态策略规则集,转向配置模块;若属于历史事件,则检索所述历史重配置策略集数据库,获得动态策略集,转向配置模块;
所述配置模块包括网络参数配置、网络性能评估和策略集,配置模块执行策略集配置条件,对网络各子层参数进行重新配置,负责各节点资源的自我优化调整,实现全局资源的优化,并记录重配置的结果信息,提交给所述历史重配置策略集数据库。
本发明的基于多尺度熵的跨层感知自配置方法为:
(1)监督模块作为入口,建立当前状态数据库;
(2)实时监控当前终端节点和交换节点的各网络子层,检测系统运行状态是正常还是异常,若正常转向步骤(3),若异常转向步骤(4);
(3)依照时钟触发器设定的时序检测当前终端节点和交换节点资源状态信息,标记可重配置的资源,更新当前状态数据库所保存的系统状态,作为步骤(5)分析模块的输入;
(4)异常运行状态下,直接向步骤(5)的分析模块提交异常预警,请求分析处理;
(5)分析模块从当前状态数据库获取数据,分析各个网络子层参数的关联性、约束条件等,获取业务的时空尺度特性,预测下一时刻网络性能,并获取业务的优先级;
(6)判断是否需要重配置,若需要重配置转向步骤(7),若不需要重配置,转向步骤(2);
(7)判断历史重配置策略集是否有相应的历史事件,若无对应的策略信息,转向步骤(8),若有对应的策略配置,转向步骤(9);
(8)属于初次事件,提出重配置的动态策略规则集,转向步骤(10);
(9)属于历史事件,则检索历史重配置策略集,获得动态策略集,转向步骤(10);
(10)配置模块执行策略集配置条件,对网络各子层参数进行重新配置,负责各节点资源的自我优化调整,以实现全局资源的优化,并记录重配置的结果信息,提交给历史重配置策略集数据库,返回步骤(1)。
本发明的基于多尺度熵的跨层感知自配置系统和方法,动态实现各网络层之间和网络整体资源优化配置,同时减少系统开销。应用多尺度熵理论分析各网络层间的关联特性,对网络整体性能进行分析优化。解决了多次单一网络参数优化配置,导致参数配置效果叠加引起的网络资源浪费问题、与各网络层参数优化互干扰致使自配置失效问题。本发明的系统的自适应能力强,系统性能稳定性高,更新、维护简单。
本发明与现有的资源自配置系统相比,具有以下优点:
(1)采用多尺度熵对关键任务系统的网络层进行关联分析,使得本发明的系统具有动态预测性、智能决策性和多网通用性。
(2)采用跨层感知的方法对各关键任务系统的网络节点进行整体监控分析,使得自配置具有高效性,并节省大量系统资源的消耗和浪费。
附图说明
图1是本发明的基于多尺度熵的跨层感知自配置系统框图;
图2是本发明的基于多尺度熵的跨层感知自配置系统实施流程图。
具体实施方式
下面结合附图对本发明做更详细地描述。
结合图1对本发明的具体实施方案作详细描述。
本发明提供的基于多尺度熵的跨层感知自配置系统主要包括监督模块、分析模块、配置模块和历史重配置策略集(History_Strategy)数据库。
(1)监督模块:监督模块包括终端节点、交换节点和Current_Data数据库。首先监督模块实时监控当前终端节点和交换节点的各网络子层。正常运行状态时,按照时钟触发器设定的时序检测当前节点资源状态信息,标记可重配置的资源,并将获取的信息存储到当前状态数据库(Current_Data)中,作为步骤(2)分析模块的输入;异常运行状态下,直接向步骤(2)的分析模块提交异常预警,请求分析处理。
(2)分析模块:分析模块包括网络子层参数分析、策略集生成和History_Strategy数据库。分析模块从Current_Data集获取数据,分析各个网络子层参数的关联性、约束条件等,以获取业务的时空尺度特性预测下一时刻网络性能,并获取业务的优先级。如果有必要进行重配置,若是初次事件,则提出重配置的动态策略规则集,转向步骤(3);若属于历史事件,则检索历史重配置策略集(History_Strategy),获得动态策略集,转向步骤(3)。
(3)配置模块:配置模块包括网络参数配置、网络性能评估、策略集和History_Strategy数据库。配置模块执行策略集配置条件,对网络各子层参数进行重新配置,负责各节点资源的自我优化调整,以实现全局资源的优化。并记录重配置的结果信息,提交给History_Strategy数据库。
结合图2对本发明的具体实施方式作进一步详细描述。
(1)监督模块作为系统入口,建立Current_Data数据库;
(2)实时监控当前终端节点和交换节点的各网络子层,检测系统运行状态是正常还是异常。若正常转向步骤(3),若异常转向步骤(4);
(3)依照时钟触发器设定的时序检测当前节点资源状态信息,标记可重配置的资源,更新当前状态数据库(Current_Data)所保存的系统状态,作为步骤(5)分析模块的输入;
(4)异常运行状态下,直接向步骤(5)的分析模块提交异常预警,请求分析处理;
(5)分析模块从Current_Data集获取数据,分析各个网络子层参数的关联性、约束条件等,以获取业务的时空尺度特性,预测下一时刻网络性能,并获取业务的优先级;
(6)判断是否需要重配置。若需要重配置转向步骤(7),若不需要重配置,转向步骤(2);
(7)判断History_Strategy是否有相应的历史事件,若无对应的策略信息,转向步骤(8),若有对应的策略配置,转向步骤(9);
(8)属于初次事件,提出重配置的动态策略规则集,转向步骤(10);
(9)属于历史事件,则检索历史重配置策略集(History_Strategy),获得动态策略集,转向步骤(10);
(10)配置模块执行策略集配置条件,对网络各子层参数进行重新配置,负责各节点资源的自我优化调整,以实现全局资源的优化。并记录重配置的结果信息,提交给History_Strategy数据库。返回步骤(1)。
其中,在所述步骤(1)监督模块作为系统的初始入口,首先建立跨层感知资源信息的五元组:T=(G,R,X,C,free),即Current_Data数据库,系统开始运行,按照时钟触发器时序更新Current_Data。具体如下:
①建立跨层感知的时钟触发器时序序列集合,G={M_Sec,Sec,Min,Hour,Day},其中M_Sec表示毫秒、Sec表示秒、Min表示分钟,Hour表示小时,Day表示天。此时序序列作为层间关联分析时间尺度。
②建立网络资源类型集合,R={Res1,Res2,…,Resn}。
③建立不同网络子层资源变量集合X={PHY1,…,PHYj,MAC1,…,MACi;}Tran1,…,Trank;App1,,Appm},其中0≤i≤NPHY,0≤j≤NMAC,0≤k≤NTran,0≤m≤NApp,分别代表物理层,MAC层,传输层,应用层的资源数目。并且为每种资源设置标志位,可重配置的标志位置1,不可重配置的标志位置0。
④建立跨层约束条件结合C={Con1,Con2,…,Conp},其中Conp≥0,P∈1,2,…M,限制条件包括网络资源限制、QoS需求限制、各网络子层的参数限制等。
⑤free为空闲集合,作为系统升级、性能扩展的预留字段。
其中,在所述步骤(5)中,分析模块是本发明的核心内容。根据监督模块获取的信息,分析各网络子层参数和业务特性之间的关联关系,一方面成为重配置策略集生成初始条件,另一方面成为预测下一时刻业务流的准备条件。设Y为最佳资源配置方案集合,即分析模块的目的实现网络资源最良好利用、用户需求最大化满足,即是实现max Y(T)。
本发明采用多尺度熵理论从平均意义上分析网络资源的总体特征,和各层之间的关联关系,并对其复杂度进行量化,以给出最好的资源配置策略集。具体如下:
①初始化网络各子层复杂度参数τ,m和r,τ是尺度因子,m是嵌入维数,r是阈值,也称相似系数。
②取离散序列表示不同网络层得设计变量集,x1,x2,……,xL共L个点,表示不同网络层的设计变量集,对序列进行coarse-graining变换,得到新的时间时空尺度。拟设τ,表示但不限于毫秒级、秒级、分级、时级等尺度因子,相应的coarse-graining时间序列的长度为L/τ。
③依据d[Y(τ)(i),Y(τ)(j)]=max{d[y(τ)(i+k),y(τ)(j-k)]},k=0,1,2,……,m-1,i,j=1,2,3,……,N-m+1,i≠j。对i值计算Y(τ)(i)与其余矢量Y(τ)(j)间的距离d[Y(τ)(i),Y(τ)(j)]。设定不同的阈值r,对于每一个i≤N-m+1的值,统计d[Y(τ)(i),Y(τ)(j)]小于r的数目及次数目与距离总数N-m的比值,记作(r),计算所有Y(τ)(j)(i≠j)与Y(τ)(i)的关联程度。
④对同网络子层、同时间粒度的网络行为特征进行整合,即:
⑤Cτ,m(r)表示矢量{Y(τ)(j)}在尺度τ下的平均自相关程度。多尺度熵定义为样本熵值在多个尺度下的集合,多尺度熵值为
MSE={τ|SampEn(τ,m,r)=-ln[Cτ,m+1(r)/Cτ,m(r)]}
其中估计值SampEn(τ,m,r)=-ln[Cτ,m+1/Cτ,m(r)]。
⑥依照以上步骤,分别对不同网络层的时空尺度关联性进行分析,建立网络层策略集合和资源的映射函数为SMAX=argMax(S(xi))(i≥1),并提交给自配置模块。
其中在所述步骤(10)中,重配置模块根据策略集,动态执行配置网络参数命令,各终端节点和交换节点依次对自身参数执行自配置,配置成功后,评估当前计算机系统性能,根据性能优化程度,设置优化等级。并把当前执行的策略集合优化等级一并存储到History_Data数据库中。
本实施方式具有以下实施效果:(1)打破计算机系统的层间限制结构,使得信息获取更具有完整性;分析层间关联,去除大量冗余信息,使本系统的实现更具有高效性。(2)无需消耗大量系统资源的情况,就可实施对计算机节点的动态自配置,方法实现简单,通用性强。
Claims (2)
1.一种基于多尺度熵的跨层感知自配置系统,包括监督模块、分析模块、配置模块和历史重配置策略集数据库,其特征是:
所述监督模块包括终端节点、交换节点和当前状态数据库,实时监控当前终端节点和交换节点的各网络子层,正常运行状态时,按照时钟触发器设定的时序检测当前节终端节点和交换节点资源状态信息,标记可重配置的资源,并将获取的信息存储到当前状态数据库中,作为分析模块的输入;异常运行状态下,直接向分析模块提交异常预警,请求分析处理;
所述分析模块包括网络子层参数分析和策略集生成,分析模块从当前状态数据库集获取数据,分析各个网络子层参数的关联性、约束条件,获取业务的时空尺度特性,预测下一时刻网络性能,并获取业务的优先级,如果有必要进行重配置,若是初次事件,则提出重配置的动态策略规则集,转向配置模块;若属于历史事件,则检索所述历史重配置策略集数据库,获得动态策略集,转向配置模块;
所述配置模块包括网络参数配置、网络性能评估和策略集,配置模块执行策略集配置条件,对网络各子层参数进行重新配置,负责各节点资源的自我优化调整,实现全局资源的优化,并记录重配置的结果信息,提交给所述历史重配置策略集数据库。
2.一种基于多尺度熵的跨层感知自配置方法,其特征是:
(1)监督模块作为入口,建立当前状态数据库;
(2)实时监控当前终端节点和交换节点的各网络子层,检测系统运行状态是正常还是异常,若正常转向步骤(3),若异常转向步骤(4);
(3)依照时钟触发器设定的时序检测当前终端节点和交换节点资源状态信息,标记可重配置的资源,更新当前状态数据库所保存的系统状态,作为步骤(5)分析模块的输入;
(4)异常运行状态下,直接向步骤(5)的分析模块提交异常预警,请求分析处理;
(5)分析模块从当前状态数据库获取数据,分析各个网络子层参数的关联性、约束条件等,获取业务的时空尺度特性,预测下一时刻网络性能,并获取业务的优先级;
(6)判断是否需要重配置,若需要重配置转向步骤(7),若不需要重配置,转向步骤(2);
(7)判断历史重配置策略集是否有相应的历史事件,若无对应的策略信息,转向步骤(8),若有对应的策略配置,转向步骤(9);
(8)属于初次事件,提出重配置的动态策略规则集,转向步骤(10);
(9)属于历史事件,则检索历史重配置策略集,获得动态策略集,转向步骤(10);
(10)配置模块执行策略集配置条件,对网络各子层参数进行重新配置,负责各节点资源的自我优化调整,以实现全局资源的优化,并记录重配置的结果信息,提交给历史重配置策略集数据库,返回步骤(1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310385024.9A CN103440224B (zh) | 2013-08-29 | 2013-08-29 | 基于多尺度熵的跨层感知自配置系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310385024.9A CN103440224B (zh) | 2013-08-29 | 2013-08-29 | 基于多尺度熵的跨层感知自配置系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103440224A true CN103440224A (zh) | 2013-12-11 |
CN103440224B CN103440224B (zh) | 2016-07-06 |
Family
ID=49693916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310385024.9A Active CN103440224B (zh) | 2013-08-29 | 2013-08-29 | 基于多尺度熵的跨层感知自配置系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103440224B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102364893A (zh) * | 2011-10-21 | 2012-02-29 | 南京邮电大学 | 一种基于认知网络的重配置管理平面及重配置方法 |
CN102547735A (zh) * | 2010-12-16 | 2012-07-04 | 北京邮电大学 | 认知网络架构及其自配置方法 |
US20120209582A1 (en) * | 2011-02-15 | 2012-08-16 | Tata Consultancy Services Limited | Dynamic Self Configuration Engine for Cognitive Networks and Networked Devices |
-
2013
- 2013-08-29 CN CN201310385024.9A patent/CN103440224B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102547735A (zh) * | 2010-12-16 | 2012-07-04 | 北京邮电大学 | 认知网络架构及其自配置方法 |
US20120209582A1 (en) * | 2011-02-15 | 2012-08-16 | Tata Consultancy Services Limited | Dynamic Self Configuration Engine for Cognitive Networks and Networked Devices |
CN102364893A (zh) * | 2011-10-21 | 2012-02-29 | 南京邮电大学 | 一种基于认知网络的重配置管理平面及重配置方法 |
Non-Patent Citations (1)
Title |
---|
冯光升等: "面向认知网络的用户QoS动态自配置方法", 《通信学报》, vol. 31, no. 3, 31 March 2010 (2010-03-31), pages 133 - 140 * |
Also Published As
Publication number | Publication date |
---|---|
CN103440224B (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11062235B1 (en) | Predictive power management in a wireless sensor network | |
Tayeh et al. | A distributed real-time data prediction and adaptive sensing approach for wireless sensor networks | |
US20200192741A1 (en) | Automatic model-based computing environment performance monitoring | |
CN103036974A (zh) | 基于隐马尔可夫模型的云计算资源调度方法和系统 | |
CA3032409C (en) | Distributed resource electrical demand forecasting system and method | |
US10003502B1 (en) | Integrated wireless sensor network (WSN) and massively parallel processing database management system (MPP DBMS) | |
CN109313841B (zh) | 用于在传感器网络中实现自适应聚类的方法和系统 | |
CN102622273A (zh) | 基于自学习负载预测的集群按需启动方法 | |
US20170104623A1 (en) | Server Load Management | |
US20160112256A1 (en) | Method for configuring an m2m system | |
Kumari et al. | An energy efficient smart metering system using edge computing in LoRa network | |
Qazi et al. | Workload prediction of virtual machines for harnessing data center resources | |
Balis et al. | Holistic approach to management of IT infrastructure for environmental monitoring and decision support systems with urgent computing capabilities | |
CN104717272A (zh) | 事件串流处理系统及其方法 | |
CN117909083A (zh) | 一种分布式云容器资源调度方法及系统 | |
US20240022492A1 (en) | Top KPI Early Warning System | |
CN110099415B (zh) | 一种基于流量预测的云无线接入网计算资源分配方法及系统 | |
CN103440224A (zh) | 基于多尺度熵的跨层感知自配置系统及方法 | |
CN102077513A (zh) | 用于管理网络的方法和网络 | |
KR20140115130A (ko) | 사물지능통신 기기의 전원 관리 방법,및 사물지능통신 기기의 전원 관리를 위한 네트워크 서버 | |
Mingshi et al. | Failure prediction based vnf migration mechanism for multimedia services in power grid substation monitoring | |
Gopalakrishnan | Optimal schedules for sensor network queries | |
Nie et al. | Requirements, challenges and opportunities of wireless sensor networks in structural health monitoring | |
JP7517464B2 (ja) | ニューラルアーキテクチャ探索システムおよび探索方法 | |
Xia et al. | The status prediction of physical machine in iaas cloud environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |