CN105786622A - 一种云环境下用于实时协同计算的节点选择方法 - Google Patents
一种云环境下用于实时协同计算的节点选择方法 Download PDFInfo
- Publication number
- CN105786622A CN105786622A CN201610116556.6A CN201610116556A CN105786622A CN 105786622 A CN105786622 A CN 105786622A CN 201610116556 A CN201610116556 A CN 201610116556A CN 105786622 A CN105786622 A CN 105786622A
- Authority
- CN
- China
- Prior art keywords
- node
- person
- matrix
- supplier
- standby
- 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
- 238000010187 selection method Methods 0.000 title abstract 2
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000003595 spectral effect Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 69
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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]
- G06F9/5005—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
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种云环境下用于实时协同计算的节点选择方法,包括:步骤1,搜集可用于实时协同计算的候选节点,同时用户提出资源需求并表示为一个用户节点,采用谱聚类算法将候选节点和用户节点进行聚类,得到一组小集群和离群点;步骤2,在用户所处的小集群中,采用稳定婚姻模型进行节点匹配,选择符合用户需求的多个节点作为资源提供者;步骤3,根据集群内的已出售资源,计算各提供者的牺牲百分比;步骤4,在离群点中,根据各提供者的牺牲百分比,采用稳定婚姻模型进行节点匹配,选择匹配的节点作为提供者的后备转移节点,作为提供者发生意外宕机时的后备保障。最终得到用于实时协同计算的普通节点和后备转移节点。
Description
技术领域
本发明涉及计算机实时计算领域,特别是一种云环境下用于实时协同计算的节点选择方法。
背景技术
随着数据量的不断增大,一台个人计算机有时仍很难满足用户的计算需求,同时,在全球范围内,大量的个人电脑设备在大多数情况下都未得到充分使用,存在大量的闲置计算资源,这促使了协同云计算的兴起和蓬勃发展。
协同云计算是一种流行的计算模式,同时也是目前世界上主流的分布式计算平台之一,它能组织来自世界各地的不同组织和个人的闲置计算资源,用于提供服务。近十年以来,协同云计算已成为最具有成本效益的分布式计算系统之一,参与者能通过提供闲置资源进行获利。
在协同云计算中,一个关键的问题是服务节点的选择问题,智能的资源选择方式能促使任务高效有序完成,反之采用性能较差的调度策略会降低平台性能,同时降低用户体验。近年来,协同云计算中的服务节点选择问题已得到广泛关注,例如对伯克利开放式网络计算平台(BOINC)节点选择、调度策略问题的研究,BOINC旨在为各研究者提供汇集全球各地大量个人电脑的强大运算能力。
现随着个人数据量的增加,用户所需的处理能力大幅上升,单一提供者难以满足需求,通常需要多个提供者进行协作服务,然而,传统节点选择方法在进行协作节点选择时,很少考虑已选中提供者的偏好,这在一定程度上会影响协作的效率和可靠性。
现有的协同云计算节点选择方法并不能很好满足用户的实际需求,一种个性化的智能服务节点的选择方法会被更加的需要。其能在考虑用户的需求的同时,同时结合已参与协作的提供者偏好,例如位置相近程度和信誉评分数据。该协同云计算节点选择方法能全面利用位置信息对节点进行聚类,缩小匹配域,然后,在聚类后的同一匹配域中,根据节点间主观、个性化的信誉评价,利用稳定婚姻模型进行节点匹配。该协同云计算节点选择方法能保障协作云计算服务的高效和可靠运行,即使在提供者发生不可预期的宕机行为等特殊情况下,仍能保证服务继续稳定执行。
发明内容
发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种云环境下用于实时协同计算的节点选择方法。
为了解决上述技术问题,本发明公开了一种基于谱聚类算法的景点路线推荐方法,包括以下步骤:
步骤1,搜集可用于实时协同计算的候选节点,同时用户提出资源需求并表示为一个用户节点,采用谱聚类算法将候选节点和用户节点进行聚类,得到一组小集群和离群点;
步骤2,在用户所处的小集群中,采用稳定婚姻模型进行节点匹配,选择符合用户需求的多个节点作为资源提供者(普通节点);
步骤3,根据提供者的已出售资源,计算各提供者的牺牲百分比;
步骤4,在离群点中,根据各提供者的牺牲百分比,采用稳定婚姻模型进行节点匹配,选择匹配的节点作为提供者的后备转移节点,作为提供者发生意外宕机时的后备保障。最终得到用于实时协同计算的普通节点和后备转移节点。
本发明的步骤1中,采用谱聚类算法将候选节点和用户节点进行聚类,包括以下步骤:
步骤1-1,根据用户所在节点、候选节点间的RTTij计算出节点间的权值,构成无向有权图:
其中,wij表示带权无向图中节点i和节点j两者间的权值,1≤i,j≤n+1,n表示所有候选节点的总数,RTTij表示通信测量得到的节点i和节点j间的RTT(Round-triptime)往返时延值。
步骤1-2,选取高斯核函数作为相似性函数构造所有节点的相似度矩阵S,根据相似度矩阵S构造度矩阵D和拉普拉斯矩阵L:
L=D-S
其中,sij表示节点i和节点j之间的相似度,1≤i,j≤n+1,n表示所有候选节点的总数,所有的sij构成相似矩阵S,wij表示带权无向图中节点i和节点j间的权值,将所有的wij进行从小到大排序,最小值记为最短权值dmin,最大值记为最大权值dmax,σ表示图中最大权值dmax与图中最短权值dmin之差的5%,σ=(dmax-dmin)*5%,di表示节点i的度,所有的di构成度矩阵D;
步骤1-3,计算出拉普拉斯矩阵L的前n+1个特征值及其对应的特征向量uc,1≤c≤n+1,,根据特征值对其对应特征向量进行升序排序,uc表示排序后第c个位置的特征值对应的特征向量,即第c个最小特征值对应的特征向量,所有的特征向量组成特征向量矩阵U;
步骤1-4,将步骤1-3中得到的特征向量矩阵U进行归一化,得到矩阵H,公式如下:
其中,Hva表示归一化矩阵中第v行第a列的值,uva表示特征向量矩阵U中第v行第a列的值,1≤v≤n+1,1≤a≤δ;uvy表示特征向量矩阵U第v行第y列的值,1≤y≤δ,表示特征向量矩阵U中第v行的所有列的值之和;
步骤1-5,设归一化矩阵H的第v行向量为yv,1≤v≤n+1,对求得的这n个行向量采用K-均值方法进行聚类,产生K个聚类,5≤K≤15,向量yv所属的类别即为节点v所属的小集群,只有一个节点的聚类称为离群点。
步骤2包括以下步骤:
步骤2-1,用户需要运行R个协同计算的任务,表示为R个请求者,用户所在集群的所有节点表示为Q个资源提供者;
步骤2-2,每个请求者分别对每个资源提供者打分,按照评分进行降序排序,得到评分矩阵reqb={reqb1,reqb2,…,reqbk,…,reqbQ},reqbk=T表示请求者b对资源提供者T的评分排在第k位;
步骤2-3,每个资源提供者分别对每个请求者打分,评分矩阵supz={supz1,supz2,…,supzg,…,supzR},supzg=P表示资源提供者z对请求者g的评分为P;
步骤2-4,选择一个尚未配对的请求者b,在它的评分矩阵reqb矩阵中找出目前尚未拒绝它的排名最高的资源提供者z,1≤b≤R。;若资源提供者z仍处于空闲状态,则将该请求者与资源提供者z进行匹配,否则资源提供者z已有配对的请求者α,比较supzb和supzα的大小,若前者大于后者,则资源提供者z不再和请求者α配对,而是和请求者b进行配对;否则标记资源提供者z拒绝了请求者b。
步骤2-5,重复2-4直到所有请求者均配对完毕,得到R个提供者。
本发明中,牺牲百分比表示提供者愿意根据其受欢迎程度进行一定的妥协,付出其收入的一定牺牲百分比购买后备转移节点,计算提供者牺牲百分比的公式如下:
其中,Xe表示提供者e的牺牲百分比,1≤e≤R,R表示提供者的总数,fe表示提供者e的已被使用的资源数,re表示提供者e的总资源数。
本发明中,考虑到提供者节点的两个特性:第一个是当某个节点出错时,如何保障未完成的任务迅速定位到可用的节点,使得服务正常进行;第二个是在服务的后期,各提供者完成任务的进度可能不完全一样,速度快的提供者希望能迅速脱离该任务,到市场中寻找下一个合作项目,但需要等待最慢的节点完成任务后才能离开,此时提供者需要将该任务转移到性能并不够优的节点上。故本发明鼓励提供者通过购买一定的转移节点以支持上述两个特性。
本发明中,后备转移节点是由提供者购买的冗余后备保障节点,故后备转移节点的定价要低于普通节点的定价。而离群点不和其他节点在一个集群内,所以它不可能作为普通节点提供服务,其价格低于普通节点,故后备转移节点在离群点内选择。
本发明中,当市场需求多时,提供者会更倾向于进行转移节点,以此带来盈利。本文定义牺牲百分比表示提供者愿意根据其受欢迎程度进行一定的妥协,付出其收入的一定牺牲百分比购买转移服务
本发明中,采用提供者的牺牲百分比计算出提供者对离群点的加权评分,公式如下:
peh=Xeqeh
其中,peh表示提供者e对离群点h的加权评分,1≤h≤β,β表示离群点的总数,qeh表示提供者e对离群点h的评分,Xe表示提供者e的牺牲百分比。
步骤4包括以下步骤:
步骤4-1,R个提供者对应R个待转移者,将β个离群点表示为β个后备者;
步骤4-2,每个待转移者分别对每个后备者打分,并乘以牺牲百分比,得到加权评分,按照评分进行降序排序,得到评分矩阵trane={pe1trane1,pe2trane2,…,pehtraneh,…,peβtraneβ},pehtraneh=Y表示待转移者e对后备者Y的加权评分排在第h位;
步骤4-3,每个后备者分别对每个待转移者打分,评分矩阵rech={rech1,rech2,…,reche,…,rechR},reche=V表示后备者h对待转移者e的评分为V;
步骤4-4,选择一个尚未配对的待转移者e,在它的评分矩阵trane矩阵中找出目前尚未拒绝它的排名最高的后备者h,1≤e≤R;若后备者h仍处于空闲状态,则将该待转移者与后备者h进行匹配,否则后备者h已有配对的请求者θ,比较reche和rechθ的大小,若前者大于后者,则后备者h不再和待转移者θ配对,而是和待转移者e进行配对;否则标记后备者h拒绝了待转移者e;
步骤4-5,重复4-4直到所有待转移者均配对完毕,得到R个后备转移节点。
本发明中,采用稳定婚姻模型进行提供者和离群点的匹配,计算出后备转移节点。最终得到用于实时协同计算的普通节点和后备转移节点。
与现有技术相比,本发明具有的有益效果是:
(1)在不影响用户的性能体验基础上,鼓励提供者通过购买一定的转移节点便于自己在任务后期进行任务转移,并同时能在提供者发生不可预期的宕机时,迅速承接服务提供保障。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是本发明的系统工作过程图。
具体实施方式
下面结合附图对本发明作具体说明。应该指出,所描述的实施例仅是为了说明的目的,而不是对本发明范围的限制。
本发明公开了一种云环境下用于实时协同计算的节点选择方法,该系统的示意图如图1所示,包括以下步骤:
步骤1,搜集可用于实时协同计算的候选节点,同时用户提出资源需求并表示为一个用户节点,采用谱聚类算法将候选节点和用户节点进行聚类,得到一组小集群和离群点;
谱聚类算法的步骤如下:
(1)根据用户所在节点、候选节点间的RTTij计算出节点间的权值,构成无向有权图:
其中,wij表示带权无向图中节点i和节点j两者间的权值,1≤i,j≤n+1,n表示所有候选节点的总数,RTTij表示通信测量得到的节点i和节点j间的RTT(Round-triptime)往返时延值。
(2)选取高斯核函数作为相似性函数构造所有节点的相似度矩阵S,根据相似度矩阵S构造度矩阵D和拉普拉斯矩阵L:
L=D-S
其中,sij表示节点i和节点j之间的相似度,1≤i,j≤n+1,n表示所有候选节点的总数,所有的sij构成相似矩阵S,wij表示带权无向图中节点i和节点j间的权值,将所有的wij进行从小到大排序,最小值记为最短权值dmin,最大值记为最大权值dmax,σ表示图中最大权值dmax与图中最短权值dmin之差的5%,σ=(dmax-dmin)*5%,di表示节点i的度,所有的di构成度矩阵D;
(3)计算出拉普拉斯矩阵L的前n+1个特征值及其对应的特征向量uc,1≤c≤n+1,,根据特征值对其对应特征向量进行升序排序,uc表示排序后第c个位置的特征值对应的特征向量,即第c个最小特征值对应的特征向量,所有的特征向量组成特征向量矩阵U;
(4)将特征向量矩阵V进行归一化,得到矩阵H,公式如下:
其中,Hva表示归一化矩阵中第v行第a列的值,uva表示特征向量矩阵U中第v行第a列的值,1≤v≤n+1,1≤a≤δ;uvy表示特征向量矩阵U第v行第y列的值,1≤y≤δ,表示特征向量矩阵U中第v行的所有列的值之和;
(5)设归一化矩阵H的第v行向量为yv,1≤v≤n+1,对求得的这n个行向量采用K-均值方法进行聚类,产生K个聚类,5≤K≤15,向量yv所属的类别即为节点v所属的小集群,只有一个节点的聚类称为离群点。
步骤2,在用户所处的小集群中,采用稳定婚姻模型进行节点匹配,选择符合用户需求的多个节点作为资源提供者(普通节点);
稳定婚姻模型的步骤如下:
(1)用户需要运行R个协同计算的任务,表示为R个请求者,用户所在集群的节点表示为Q个资源提供者;
(2)每个请求者分别对每个资源提供者打分,按照评分进行降序排序,得到评分矩阵reqb={reqb1,reqb2,…,reqbk,…,reqbQ},reqbk=T表示请求者b对资源提供者T的评分排在第k位;
(3)每个资源提供者分别对每个请求者打分,评分矩阵supz={supz1,supz2,…,supzg,…,supzR},supzg=P表示资源提供者z对请求者g的评分为P;
(4)选择一个尚未配对的请求者b,在它的评分矩阵reqb矩阵中找出目前尚未拒绝它的排名最高的资源提供者z,1≤b≤R。;若资源提供者z仍处于空闲状态,则将该请求者与资源提供者z进行匹配,否则资源提供者z已有配对的请求者α,比较supzb和supzα的大小,若前者大于后者,则资源提供者z不再和请求者α配对,而是和请求者b进行配对;否则标记资源提供者z拒绝了请求者b。
(5)重复步骤(4)直到所有请求者均配对完毕,得到R个提供者。
步骤3,根据提供者的已出售资源,计算各提供者的牺牲百分比;
本发明中牺牲百分比表示提供者愿意根据其受欢迎程度进行一定的妥协,付出其收入的一定牺牲百分比购买后备转移节点,计算提供者牺牲百分比的公式如下:
其中,Xe表示提供者e的牺牲百分比,1≤e≤R,R表示提供者的总数,fe表示提供者e的已被使用的资源数,re表示提供者e的总资源数。
步骤4,在离群点中,根据各提供者的牺牲百分比,采用稳定婚姻模型进行节点匹配,选择匹配的节点作为提供者的后备转移节点,作为提供者发生意外宕机时的后备保障。最终得到用于实时协同计算的普通节点和后备转移节点。
步骤4中的稳定婚姻模型包括以下步骤:
(1)R个提供者表示为R个待转移者,β个离群点表示为β个后备者;
(2)每个待转移者分别对每个后备者打分,并乘以牺牲百分比,得到加权评分,按照评分进行降序排序,得到评分矩阵trane={pe1trane1,pe2trane2,…,pehtraneh,…,peβtraneβ},pehtraneh=Y表示待转移者e对后备者Y的加权评分排在第h位;
(3)每个后备者分别对每个待转移者打分,评分矩阵rech={rech1,rech2,…,reche,…,rechR},reche=V表示后备者h对待转移者e的评分为V;
(4)选择一个尚未配对的待转移者e,在它的评分矩阵trane矩阵中找出目前尚未拒绝它的排名最高的后备者h,1≤e≤R;若后备者h仍处于空闲状态,则将该待转移者与后备者h进行匹配,否则后备者h已有配对的请求者θ,比较reche和rechθ的大小,若前者大于后者,则后备者h不再和待转移者θ配对,而是和待转移者e进行配对;否则标记后备者h拒绝了待转移者e;
(5)重复(4)直到所有待转移者均配对完毕,得到R个后备转移节点。
本发明中采用提供者的牺牲百分比计算出提供者对离群点的加权评分,公式如下:
peh=Xeqeh
其中,peh表示提供者e对离群点h的加权评分,1≤h≤β,β表示离群点的总数,qeh表示提供者e对离群点h的评分,Xe表示提供者e的牺牲百分比。
实施例
本实施例使用了电脑仿真的数据进行实验。
首先,搜集可用于实时协同计算的候选节点cani,1≤i≤7,同时用户提出资源需求并表示为一个用户节点user,采用谱聚类算法将候选节点和用户节点进行聚类,得到小集群group1、group2和离群点can2、can6。其中group1包含用户节点user、候选节点can3、can5、can7;group2包含候选节点can1、can4。;
其次,在用户所处的小集群中group1,采用稳定婚姻模型进行节点匹配,选择符合用户需求的多个节点作为资源提供者(普通节点),选择出的普通节点为can3、can5;
再次,根据提供者的已出售资源,计算各提供者的牺牲百分比。
最后,在离群点中,根据各提供者的牺牲百分比,采用稳定婚姻模型进行节点匹配,选择匹配的节点作为提供者的后备转移节点,作为提供者发生意外宕机时的后备保障,can3的后备转移节点是离群点can6,can5的后备转移节点是离群点can2。最终得到用于实时协同计算的普通节点和后备转移节点。
本发明提供了一种云环境下用于实时协同计算的节点选择方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (7)
1.一种云环境下用于实时协同计算的节点选择方法,其特征在于,包括以下步骤:
步骤1,搜集可用于实时协同计算的候选节点,同时将用户提出的资源需求表示为一个用户节点,采用谱聚类算法将候选节点和用户节点进行聚类,得到一组小集群和离群点;
步骤2,在用户节点所处的小集群中,采用稳定婚姻模型进行节点匹配,选择符合用户需求的节点作为资源提供者即普通节点;
步骤3,根据资源提供者提供的资源,计算各资源提供者的牺牲百分比;
步骤4,在离群点中,根据各资源提供者的牺牲百分比,采用稳定婚姻模型进行节点匹配,选择匹配的节点作为资源提供者的后备转移节点,作为资源提供者发生意外宕机时的后备保障,最终得到用于实时协同计算的普通节点和后备转移节点。
2.根据权利要求1所述的一种云环境下用于实时协同计算的节点选择方法,其特征在于,步骤1的谱聚类算法包括以下步骤:
步骤1-1,根据用户节点和候选节点间通信测得的往返时延值RTRij计算出节点间的权值wij,用于构成带权无向图:
其中,wij表示带权无向图中节点i和节点j两者间的权值,1≤i,j≤n+1,n表示所有候选节点的总数,RRRij表示通信测量得到的节点i和节点j间的RTT往返时延值;
步骤1-2,选取高斯核函数作为相似性函数构造所有节点的相似度矩阵S,根据相似度矩阵S构造度矩阵D和拉普拉斯矩阵L:
L=D-S,
其中,sij表示节点i和节点j之间的相似度,1≤i,j≤n+1,n表示所有候选节点的总数,所有的相似度sij构成相似矩阵S,wij表示带权无向图中节点i和节点j间的权值,将所有的wij进行从小到大排序,最小值记为最短权值dmin,最大值记为最大权值dmax,σ表示图中最大权值dmax与图中最短权值dmin之差的5%,di表示节点i的度,所有的di构成度矩阵D:
σ=(dmax-dmin)*5%;
步骤1-3,计算出拉普拉斯矩阵L的前n+1个特征值及其对应的特征向量uc,1≤c≤n+1,根据特征值对其对应特征向量进行升序排序,uc表示排序后第c个位置的特征值对应的特征向量,即第c个最小特征值对应的特征向量,所有的特征向量组成特征向量矩阵U;
步骤1-4,将步骤1-3中得到的特征向量矩阵U进行归一化,得到矩阵H,公式如下:
其中,Hva表示归一化矩阵中第v行第a列的值,uva表示特征向量矩阵U中第v行第a列的值,1≤v≤n+1,1≤a≤δ;uvy表示特征向量矩阵U第v行第y列的值,1≤y≤δ,表示特征向量矩阵U中第v行的所有列的值之和;
步骤1-5,设归一化矩阵H的第v行向量为yv,1≤v≤n+1,对求得的n个行向量采用K均值方法进行聚类,产生K个聚类,5≤K≤15,向量yv所属的类别即为节点v所属的小集群,只有一个节点的聚类称为离群点。
3.根据权利要求2所述的一种云环境下用于实时协同计算的节点选择方法,其特征在于,步骤2中的稳定婚姻模型包括以下步骤:
步骤2-1,运行R个协同计算的任务,表示为R个请求者,用户节点所在集群的所有节点表示为Q个资源提供者;
步骤2-2,每个请求者分别对每个资源提供者打分,按照评分进行降序排序,得到评分矩阵reqb={reqb1,reqb2,…,reqbk,…,reqbQ},reqbk=T表示请求者b对资源提供者T的评分排在第k位;
步骤2-3,每个资源提供者分别对每个请求者打分,评分矩阵supz={supz1,supz2,…,supzg,…,supzR},supzg=P表示资源提供者z对请求者g的评分为P;
步骤2-4,选择一个尚未配对的请求者b,在它的评分矩阵reqb矩阵中找出目前尚未拒绝它的排名最高的资源提供者z,1≤b≤R。;若资源提供者z仍处于空闲状态,则将该请求者与资源提供者z进行匹配,否则资源提供者z已有配对的请求者α,比较supzb和supza的大小,若前者大于后者,则资源提供者z不再和请求者α配对,而是和请求者b进行配对;否则标记资源提供者z拒绝了请求者b;
步骤2-5,重复2-4直到所有请求者均配对完毕,得到R个提供者。
4.根据权利要求3所述的一种云环境下用于实时协同计算的节点选择方法,其特征在于,步骤3中牺牲百分比表示提供者付出其收入的一定牺牲百分比购买后备转移节点,计算提供者牺牲百分比Xe的公式如下:
其中,Xe表示提供者e的牺牲百分比,1≤e≤R,R表示提供者的总数,fe表示提供者e的已被使用的资源数,re表示提供者e的总资源数。
5.根据权利要求4所述的一种云环境下用于实时协同计算的节点选择方法,其特征在于,步骤4的后备转移节点是由提供者购买的冗余后备保障节点,离群点不和其他节点在一个集群内,后备转移节点在离群点内选择。
6.根据权利要求5所述的一种云环境下用于实时协同计算的节点选择方法,其特征在于,步骤4中采用提供者的牺牲百分比计算出提供者对离群点的加权评分peh,公式如下:
peh=Xeqeh,
其中,peh表示提供者e对离群点h的加权评分,1≤h≤β,β表示离群点的总数,qeh表示提供者e对离群点h的评分,Xe表示提供者e的牺牲百分比。
7.根据权利要求6所述的一种云环境下用于实时协同计算的节点选择方法,其特征在于,步骤4中的稳定婚姻模型包括以下步骤:
步骤4-1,R个提供者对应有R个待转移者,将β个离群点表示为β个后备者;
步骤4-2,每个待转移者分别对每个后备者打分,并乘以牺牲百分比,得到加权评分,按照评分进行降序排序,得到评分矩阵:
trane={pe1trane1,pe2trane2,…,pehtraneh,…,peβtraneβ},
pehtraneh=Y表示待转移者e对后备者Y的加权评分排在第h位,h值的范围为1~β;待转移者e属于R个待转移者,后备者Y属于β个后备者;
步骤4-3,每个后备者分别对每个待转移者打分,评分矩阵:
rech={rech1,rech2,…,reche,…,rechR},
reche=V表示后备者h对待转移者e的评分为V;
步骤4-4,选择一个尚未配对的待转移者e,在它的评分矩阵trane矩阵中找出目前尚未拒绝它的排名最高的后备者h,1≤e≤R;若后备者h仍处于空闲状态,则将该待转移者与后备者h进行匹配,如果后备者h已有配对的请求者θ,比较reche和rechθ的大小,若reche大于rechθ前者大于后者,则使得后备者h不再和待转移者θ配对,而是和待转移者e进行配对;否则标记后备者h拒绝了待转移者e;
步骤4-5,重复4-4直到所有待转移者均配对完毕,得到R个后备转移节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610116556.6A CN105786622B (zh) | 2016-03-01 | 2016-03-01 | 一种云环境下用于实时协同计算的节点选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610116556.6A CN105786622B (zh) | 2016-03-01 | 2016-03-01 | 一种云环境下用于实时协同计算的节点选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105786622A true CN105786622A (zh) | 2016-07-20 |
CN105786622B CN105786622B (zh) | 2018-12-28 |
Family
ID=56387539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610116556.6A Expired - Fee Related CN105786622B (zh) | 2016-03-01 | 2016-03-01 | 一种云环境下用于实时协同计算的节点选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105786622B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108156032A (zh) * | 2017-12-22 | 2018-06-12 | 中国人民解放军战略支援部队信息工程大学 | 基于谱聚类与随机选择结合的参考节点选取方法 |
CN110442449A (zh) * | 2019-07-09 | 2019-11-12 | 北京云和时空科技有限公司 | 一种资源调度方法和装置 |
US11983568B2 (en) | 2021-04-23 | 2024-05-14 | Kabushiki Kaisha Toshiba | Allocation of heterogeneous computational resource |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464910A (zh) * | 2009-01-12 | 2009-06-24 | 浙江大学 | 基于数据相似的平衡聚类压缩方法 |
CN103888541A (zh) * | 2014-04-01 | 2014-06-25 | 中国矿业大学 | 一种融合拓扑势和谱聚类的社区发现方法及系统 |
US20140359563A1 (en) * | 2013-06-04 | 2014-12-04 | Qualcomm Incorporated | Efficient execution of graph-based programs |
CN104572308A (zh) * | 2015-02-10 | 2015-04-29 | 飞狐信息技术(天津)有限公司 | 计算资源分配方法、分布式计算方法及装置 |
CN105095516A (zh) * | 2015-09-16 | 2015-11-25 | 中国传媒大学 | 基于谱聚类集成的广播电视用户分群系统及方法 |
-
2016
- 2016-03-01 CN CN201610116556.6A patent/CN105786622B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464910A (zh) * | 2009-01-12 | 2009-06-24 | 浙江大学 | 基于数据相似的平衡聚类压缩方法 |
US20140359563A1 (en) * | 2013-06-04 | 2014-12-04 | Qualcomm Incorporated | Efficient execution of graph-based programs |
CN103888541A (zh) * | 2014-04-01 | 2014-06-25 | 中国矿业大学 | 一种融合拓扑势和谱聚类的社区发现方法及系统 |
CN104572308A (zh) * | 2015-02-10 | 2015-04-29 | 飞狐信息技术(天津)有限公司 | 计算资源分配方法、分布式计算方法及装置 |
CN105095516A (zh) * | 2015-09-16 | 2015-11-25 | 中国传媒大学 | 基于谱聚类集成的广播电视用户分群系统及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108156032A (zh) * | 2017-12-22 | 2018-06-12 | 中国人民解放军战略支援部队信息工程大学 | 基于谱聚类与随机选择结合的参考节点选取方法 |
CN108156032B (zh) * | 2017-12-22 | 2020-11-24 | 中国人民解放军战略支援部队信息工程大学 | 基于谱聚类与随机选择结合的参考节点选取方法 |
CN110442449A (zh) * | 2019-07-09 | 2019-11-12 | 北京云和时空科技有限公司 | 一种资源调度方法和装置 |
US11983568B2 (en) | 2021-04-23 | 2024-05-14 | Kabushiki Kaisha Toshiba | Allocation of heterogeneous computational resource |
Also Published As
Publication number | Publication date |
---|---|
CN105786622B (zh) | 2018-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428147B (zh) | 结合社交和兴趣信息的异源图卷积网络的社交推荐方法 | |
CN108460619B (zh) | 一种提供融合显隐式反馈的协同推荐模型的方法 | |
CN104166702B (zh) | 一种面向服务供应链网络的服务推荐方法 | |
CN109063945A (zh) | 一种基于价值评估体系的售电公司360度客户画像构建方法 | |
CN103729359A (zh) | 一种推荐搜索词的方法及系统 | |
CN103064917A (zh) | 一种面向微博的特定倾向的高影响力用户群发现方法 | |
CN104462383A (zh) | 一种基于用户多种行为反馈的电影推荐方法 | |
CN103514255A (zh) | 一种基于项目层次类别的协同过滤推荐方法 | |
CN104765751A (zh) | 应用推荐方法及装置 | |
CN105976207A (zh) | 一种基于多属性动态权重分配的信息搜索结果生成方法及系统 | |
CN105787100A (zh) | 一种基于深度神经网络的用户会话推荐方法 | |
CN105786622A (zh) | 一种云环境下用于实时协同计算的节点选择方法 | |
CN106204162A (zh) | 一种互联网环境下新入网电力用户用电模式预测方法 | |
CN106886559A (zh) | 同时融入好友特征和相似用户特征的协同过滤方法 | |
CN103516792B (zh) | 一种基于网络延迟、网络传输能耗和服务器能耗的数据部署方法 | |
Mead | Requirements prioritization introduction | |
CN106952108A (zh) | 一种售电公司竞争力的分析评价方法 | |
CN106447219A (zh) | 一种云制造模式下自控阀企业的云服务提供商评估方法 | |
Lerman et al. | Productivity and efficiency of small and large farms in transition: Evidence from Moldova | |
Liu et al. | A decision-making method based on a two-stage regularized generalized canonical correlation analysis for complex multi-attribute large-group decision making problems | |
CN115222461B (zh) | 一种智能营销精准推荐方法 | |
CN106651564A (zh) | 一种目标客户获取方法及系统 | |
Hao et al. | Enhancing cross domain recommendation with domain dependent tags | |
CN106204161A (zh) | 一种互联网环境下电力用户群体分析方法 | |
Hinduja et al. | An intuitionistic fuzzy AHP based multi criteria recommender system for life insurance products |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181228 Termination date: 20200301 |