CN106789312A - 一种基于云计算的安全资源优化分配方法 - Google Patents
一种基于云计算的安全资源优化分配方法 Download PDFInfo
- Publication number
- CN106789312A CN106789312A CN201611260787.0A CN201611260787A CN106789312A CN 106789312 A CN106789312 A CN 106789312A CN 201611260787 A CN201611260787 A CN 201611260787A CN 106789312 A CN106789312 A CN 106789312A
- Authority
- CN
- China
- Prior art keywords
- particle
- integrated information
- method based
- compressibility factor
- cloud computing
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5041—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the time relationship between creation and deployment of a service
- H04L41/5051—Service on demand, e.g. definition and deployment of services in real time
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Abstract
本发明公开了一种基于云计算的安全资源优化分配方法,步骤如下:在云系统中通过云服务器收集各物理节点可用资源的情况以及各虚拟机使用实例;收集用户们对于不同任务的不同要求,了解用户的具体需求情况;采用压缩因子综合信息粒子群算法优化分配云系统中的资源,使得资源得到最优配置:初始化算法的参数,计算当前适应度,选择全局最优值;计算当前粒子综合信息位置P;计算压缩因子;进入主循环,遍历所有粒子;将P代入速度和位置更新公式,升级粒子速度和位置;计算当前最优值,以及全局最优值;判断当前位置是否为全局最优位置,如果满足则算法结束,否则继续循环。本发明高效可靠,可以显著提高异构网络中的能量利用效率,并减少其能量消耗。
Description
技术领域
本发明属于计算机云计算技术领域,特别是一种基于云计算的安全资源优化分配方法。
背景技术
云计算是一种解决问题的方法,例如,企业应用联系传统信息技术基础设施,软件销售和发展模型的许可,发行,配置与操作。从传统模型发展为云模型为企业的客户降低了维护的复杂性和开销,并且,为软件服务的供应商提供了持续长久的收入。客户和软件服务供应商需要建立一个软件服务水平协议来确保服务的品质。软件服务供应商力的主要目标就是力求成本最小化和提高客户满意度。因此,我们提出了客户驱动的基于软件服务的资源配置算法,即通过减少资源和惩罚成本使得成本最小化,通过减少软件服务违例来提高客户满意度。这个配置算法通过考虑客户配置文件和供应商的质量参数来解决客户的动态需求和企业基础设施水平等级的不同化。我们同样也通过考虑客户的侧参数(如比例升级需求)以及基础设施等级的参数(如服务的响应时间)来比较算法。仿真结果表明,我们的算法和之前考虑到的最好的算法相比,减少了百分之五十四的总成本和百分之四十五的软件服务违例。
云计算分成三类:软件服务,平台服务和基础设施服务。软件服务云给用户提供软件服务。基础设施服务云提供一个可以根据用户需求分配不同计算能力的虚拟机的虚拟的计算环境。在软件服务和基础设施服务中,平台服务云提供应用发展,应用工具和执行管理服务。在云之前和早期的基于网络的企业应用发展环境中,由于单一的资源配置目标是性能,所以管理任务很容易,如花在资源配置上的时间。在这段时间里,应用的复杂性提高了,因此提高了管理方面的困难度。根据这个,企业意识到了把他们的部分应用程序通过云计算外包给第三方软件服务供应商将会更有效。因为降低了由于复杂度的增长带来的成本的增长,并且不需要再投资昂贵的软件许可证和硬件前期。因此,通过使用软件服务模型,客户将从持续的软件维护中获益。软件服务供应商已经成功的使复杂度过度到新版本的透明化管理。多亏了软件服务模型的灵活性,可扩展性和成本效应,这个模型已经渐渐被应用到更多的企业软件系统中,比如电子商务。企业需要和软件服务供应商服务水平协议。软件服务协议是一个法律合同,以确保客户的服务要求品质被满足。
为了保证软件水平协议,行业里的企业供应商会给顾客分配专用的虚拟机,所以他们可以保证软件的响应时间,但是也可能由于非高峰期资源的应用引起硬件资源的浪费。现阶段,软件服务供应商还处于初期发展阶段,并且,当前的关于云计算的出版书籍主要集中于市场导向的模式。所以,之前提出的算法是为了达到成本最小化和减少服务水平协议的违例行为,并没有考虑到客户,也没有为软件服务供应商保留后备资源。
发明内容
本发明的目的在于提供一种基于云计算的安全资源优化分配方法,从考虑客户配置文件以及供应商的质量参数方面按需分配资源,以提高客户满意度,降低总成本。
实现本发明目的的技术解决方案为:一种基于云计算的安全资源优化分配方法,包含以下步骤:
步骤1,在云系统中通过云服务器收集各物理节点可用资源的情况以及各虚拟机使用实例;
步骤2,收集用户们对于不同任务的不同要求,了解用户的具体需求情况;
步骤3,采用压缩因子综合信息粒子群算法优化分配云系统中的资源,使得资源得到最优配置。
进一步地,步骤1所述虚拟机使用实例包括各供应商的分配算法及成本。
进一步地,步骤2所述收集用户们对于不同任务的不同要求,具体为:
云服务器收集用户的任务请求,所述的任务请求包括每个任务需要的CPU资源、内存资源、硬盘资源及带宽资源。
进一步地,步骤3所述的采用压缩因子综合信息粒子群算法优化分配云系统中的资源,具体步骤如下:
步骤3.1,初始化压缩因子综合信息粒子群算法的参数,计算当前适应度,选择全局最优值;
步骤3.2,计算当前粒子综合信息位置P;
步骤3.3,计算压缩因子;
步骤3.4,进入主循环,遍历所有粒子;
步骤3.5,将P代入压缩因子综合信息粒子群算法速度和位置更新公式,升级粒子速度和位置;
步骤3.6,计算当前最优值,以及全局最优值;
步骤3.7,判断是否满足循环结束条件,即当前位置是否为全局最优位置,如果满足则算法结束,否则继续跳转到3.2。
进一步地,步骤3.1所述的初始化粒子参数包括:粒子的速度Vel,加速因子C,压缩因子χ,全局最优位置G,粒子当前位置X。
进一步地,步骤3.2所述计算当前粒子综合信息位置P,公式如下:
P=C1×Rand×(Pi-1-X(i))+C2×Rand×(Pi-X(i))+C3×Rand×(Pi+1-X(i))+C4×Rand×(G-X(i))
其中,Pi,Pi-1,Pi+1指的是当前粒子和相邻的粒子,X(i)是粒子当前位置,C1,C2,C3,C4是加速因子,Rand为随机常数。
进一步地,步骤3.3所述计算压缩因子χ,公式如下:
进一步地,步骤3.5所述将P代入压缩因子综合信息粒子群算法速度和位置更新公式,升级粒子速度和位置,公式如下:
Vel(k+1)=χ×(Vel(k)+C1×Rand×(P-X)+C2×Rand×(G-X))
本发明与现有技术相比,其显著优点在于:(1)云系统中云服务器采用压缩因子综合信息粒子群算法对云系统中的资源进行分配;(2)最大限度地降低了成本和提高了客户满意度,满足了客户以及供应商的要求;(3)为高效利用云系统中的资源提供技术支持。
附图说明
图1为本发明云系统资源分配的流程图。
图2为本发明云系统中资源分配示意图。
图3为本发明压缩因子综合信息粒子群算法流程图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
结合图1~2,本发明基于云计算的安全资源优化分配方法,包括以下步骤:
步骤1,在云系统中通过云服务器收集各物理节点可用资源的情况以及各虚拟机使用实例;
所述虚拟机使用实例包括各供应商的分配算法及成本。
步骤2,收集用户们对于不同任务的不同要求,了解用户的具体需求情况;
所述收集用户们对于不同任务的不同要求,具体为:
云服务器收集用户的任务请求,所述的任务请求包括每个任务需要的CPU资源、内存资源、硬盘资源及带宽资源。
步骤3,采用压缩因子综合信息粒子群算法优化分配云系统中的资源,使得资源得到最优配置,结合图3,具体步骤如下:
步骤3.1,初始化压缩因子综合信息粒子群算法的参数,计算当前适应度,选择全局最优值;所述的初始化粒子参数包括:粒子的速度Vel,加速因子C,压缩因子χ,全局最优位置G,粒子当前位置X。
步骤3.2,计算当前粒子综合信息位置P;所述计算当前粒子综合信息位置P,公式如下:
P=C1×Rand×(Pi-1-X(i))+C2×Rand×(Pi-X(i))+C3×Rand×(Pi+1-X(i))+C4×Rand×(G-X(i))
计算当前粒子综合信息位置P,其中Pi、Pi-1、Pi+1指的是当前粒子和相邻的粒子,在粒子升级过程中,综合信息可以防止粒子后期进化陷入局部最优值,从而在速度和位置的升级过程中,除了包括当前最优值、全局最优值,还包括相邻粒子的当前最优值,X(i)是粒子当前位置,C1,C2,C3,C4是加速因子。
步骤3.3,计算压缩因子χ,公式如下:
压缩因子不同于惯性权重,它可以较好地平衡全局与局部的矛盾
步骤3.4,进入主循环,遍历所有粒子,升级粒子速度和位置,粒子数为N;
步骤3.5,将P代入压缩因子综合信息粒子群算法速度和位置更新公式,升级粒子速度和位置,公式如下:
Vel(k+1)=χ×(Vel(k)+C1×Rand×(P-X)+C2×Rand×(G-X))
步骤3.6,计算当前最优值,以及全局最优值;
步骤3.7,判断是否满足循环结束条件,即当前位置是否为全局最优位置,如果满足则算法结束,否则继续跳转到3.2。
实施例1
本发明采用压缩因子综合信息粒子群算法进行资源分配,步骤如下:
步骤1,收集云计算环境中的虚拟机实例,如表1所示:
表1
步骤2,,云系统中收集用户的任务请求;
步骤3,云系统中云服务器采用压缩因子综合信息粒子群算法对云系统中的资源进行分配,图3为本发明压缩因子综合信息粒子群算法的资源分配流程:
首先,初始化参数:种群空间的大小N=30,种群收敛程度阀值C=0.05,粒子的个数m=100,Vel为粒子的速度,p为粒子当前最优位置,G是全局最优位置,加速度因子c1=c2=c3=c4=1.49。
然后,随机产生N个粒子的初始位置X=[X1...Xi...XN],其中Xi(Xi1,Xi2,,,Xin)的飞行速度为Vi(Vi1,Vi2,,,Vin);
其次,按照公式计算压缩因子;
再次,循环,遍历所有粒子的速度和位置;
然后,根据公式计算升级粒子的速度和位置,并且计算当前最优值和全局最优值;
循环进行上述步骤,不断更新数值,直到获得最优解。
实施例2
本发明采用压缩因子综合信息粒子群算法进行资源分配,步骤如下:
步骤1,收集云计算环境中的虚拟机实例,如表2所示:
表2
步骤2,云系统中收集用户的任务请求;
步骤3,云系统中云服务器采用压缩因子综合信息粒子群算法对云系统中的资源进行分配,图3为本发明压缩因子综合信息粒子群算法的资源分配流程:
首先,初始化参数:种群空间的大小N=100,种群收敛程度阀值C=0.15,粒子的个数m=300,Vel为粒子的速度,p为粒子当前最优位置,G是全局最优位置,加速度因子c1=c2=c3=c4=2。
然后,随机产生N个粒子的初始位置X=[X1...Xi...XN],其中Xi(Xi1,Xi2,,,Xin)的飞行速度为Vi(Vi1,Vi2,,,Vin);
其次,按照公式计算压缩因子;
再次,循环,遍历所有粒子的速度和位置;
然后,根据公式计算升级粒子的速度和位置,并且计算当前最优值和全局最优值;
循环进行上述步骤,不断更新数值,直到获得最优解。
实施例3
本发明采用压缩因子综合信息粒子群算法进行资源分配,步骤如下:
步骤1,收集云计算环境中的虚拟机实例,如表3所示:
表3
步骤2,云系统中收集用户的任务请求;
步骤3,云系统中云服务器采用压缩因子综合信息粒子群算法对云系统中的资源进行分配,图3为本发明压缩因子综合信息粒子群算法的资源分配流程:
首先,初始化参数:种群空间的大小N=500,种群收敛程度阀值C=0.5,粒
子的个数m=100,Vel为粒子的速度,p为粒子当前最优位置,G是全局最优位置,加速度因子c1=c2=c3=c4=3。
然后,随机产生N个粒子的初始位置X=[X1...Xi...XN],其中Xi(Xi1,Xi2,,,Xin)的飞行速度为Vi(Vi1,Vi2,,,Vin);
其次,按照公式计算压缩因子;
再次,循环,遍历所有粒子的速度和位置;
然后,根据公式计算升级粒子的速度和位置,并且计算当前最优值和全局最优值循环进行上述步骤,不断更新数值,直到获得最优解。
综上所述,本发明是一种高效、可靠的云系统资源利用率最大化资源分配方法,能够实现成本最小化和提高客户满意度。
Claims (8)
1.一种基于云计算的安全资源优化分配方法,其特征在于,包含以下步骤:
步骤1,在云系统中通过云服务器收集各物理节点可用资源的情况以及各虚拟机使用实例;
步骤2,收集用户们对于不同任务的不同要求,了解用户的具体需求情况;
步骤3,采用压缩因子综合信息粒子群算法优化分配云系统中的资源,使得资源得到最优配置。
2.根据权利要求1所述的基于云计算的安全资源优化分配方法,其特征在于,步骤1所述虚拟机使用实例包括各供应商的分配算法及成本。
3.根据权利要求1所述的基于云计算的安全资源优化分配方法,其特征在于,步骤2所述收集用户们对于不同任务的不同要求,具体为:
云服务器收集用户的任务请求,所述的任务请求包括每个任务需要的CPU资源、内存资源、硬盘资源及带宽资源。
4.根据权利要求1所述的基于云计算的安全资源优化分配方法,其特征在于,步骤3所述的采用压缩因子综合信息粒子群算法优化分配云系统中的资源,具体步骤如下:
步骤3.1,初始化压缩因子综合信息粒子群算法的参数,计算当前适应度,选择全局最优值;
步骤3.2,计算当前粒子综合信息位置P;
步骤3.3,计算压缩因子;
步骤3.4,进入主循环,遍历所有粒子;
步骤3.5,将P代入压缩因子综合信息粒子群算法速度和位置更新公式,升级粒子速度和位置;
步骤3.6,计算当前最优值,以及全局最优值;
步骤3.7,判断是否满足循环结束条件,即当前位置是否为全局最优位置,如果满足则算法结束,否则继续跳转到3.2。
5.根据权利要求4所述的基于云计算的安全资源优化分配方法,其特征在于,步骤3.1所述的初始化粒子参数包括:粒子的速度Vel,加速因子C,压缩因子χ,全局最优位置G,粒子当前位置X。
6.根据权利要求5所述的基于云计算的安全资源优化分配方法,其特征在于,步骤3.2所述计算当前粒子综合信息位置P,公式如下:
P=C1×Rand×(Pi-1-X(i))+C2×Rand×(Pi-X(i))+C3×Rand×(Pi+1-X(i))+C4×Rand×(G-X(i))
其中,Pi,Pi-1,Pi+1指的是当前粒子和相邻的粒子,X(i)是粒子当前位置,C1,C2,C3,C4是加速因子,Rand为随机常数。
7.根据权利要求6所述的基于云计算的安全资源优化分配方法,其特征在于,步骤3.3所述计算压缩因子χ,公式如下:
8.根据权利要求6所述的基于云计算的安全资源优化分配方法,其特征在于,步骤3.5所述将P代入压缩因子综合信息粒子群算法速度和位置更新公式,升级粒子速度和位置,公式如下:
Vel(k+1)=χ×(Vel(k)+C1×Rand×(P-X)+C2×Rand×(G-X))。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611260787.0A CN106789312A (zh) | 2016-12-30 | 2016-12-30 | 一种基于云计算的安全资源优化分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611260787.0A CN106789312A (zh) | 2016-12-30 | 2016-12-30 | 一种基于云计算的安全资源优化分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106789312A true CN106789312A (zh) | 2017-05-31 |
Family
ID=58953542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611260787.0A Pending CN106789312A (zh) | 2016-12-30 | 2016-12-30 | 一种基于云计算的安全资源优化分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106789312A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109062674A (zh) * | 2018-07-09 | 2018-12-21 | 南京邮电大学 | 混合决策驱动的云制造能源管理方法、存储介质和终端 |
CN110442452A (zh) * | 2019-07-31 | 2019-11-12 | 南京能迪电气技术有限公司 | 基于粒子群优化算法边缘计算终端硬件资源使用调度方法 |
CN110868435A (zh) * | 2018-08-27 | 2020-03-06 | 中移(苏州)软件技术有限公司 | 一种裸金属服务器调度方法、装置及存储介质 |
CN111930469A (zh) * | 2020-07-20 | 2020-11-13 | 湖北美和易思教育科技有限公司 | 一种基于云计算的高校大数据竞赛管理系统及方法 |
CN113965575A (zh) * | 2021-10-15 | 2022-01-21 | 山东乾云启创信息科技股份有限公司 | 用于云主机服务选择的云资源分发系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218459A (zh) * | 2013-05-13 | 2013-07-24 | 无锡职业技术学院 | 基于邻域信息优化算法的混沌系统参数估计方法 |
CN103853618A (zh) * | 2014-03-06 | 2014-06-11 | 南京理工大学 | 基于截止日期驱动的云系统代价最小化资源分配方法 |
EP2835792A1 (en) * | 2013-08-07 | 2015-02-11 | Axis AB | Method and system for selecting position and orientation for a monitoring camera |
CN104536828A (zh) * | 2014-12-26 | 2015-04-22 | 湖南强智科技发展有限公司 | 基于量子粒子群算法的云计算的任务调度方法和系统 |
CN104618269A (zh) * | 2015-01-29 | 2015-05-13 | 南京理工大学 | 基于能耗要求的云系统利用率最大化资源分配方法 |
CN105488562A (zh) * | 2015-11-27 | 2016-04-13 | 浙江工业大学义乌科学技术研究院有限公司 | 一种基于多因子粒子群算法的不规则件排样方法 |
-
2016
- 2016-12-30 CN CN201611260787.0A patent/CN106789312A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218459A (zh) * | 2013-05-13 | 2013-07-24 | 无锡职业技术学院 | 基于邻域信息优化算法的混沌系统参数估计方法 |
EP2835792A1 (en) * | 2013-08-07 | 2015-02-11 | Axis AB | Method and system for selecting position and orientation for a monitoring camera |
CN103853618A (zh) * | 2014-03-06 | 2014-06-11 | 南京理工大学 | 基于截止日期驱动的云系统代价最小化资源分配方法 |
CN104536828A (zh) * | 2014-12-26 | 2015-04-22 | 湖南强智科技发展有限公司 | 基于量子粒子群算法的云计算的任务调度方法和系统 |
CN104618269A (zh) * | 2015-01-29 | 2015-05-13 | 南京理工大学 | 基于能耗要求的云系统利用率最大化资源分配方法 |
CN105488562A (zh) * | 2015-11-27 | 2016-04-13 | 浙江工业大学义乌科学技术研究院有限公司 | 一种基于多因子粒子群算法的不规则件排样方法 |
Non-Patent Citations (1)
Title |
---|
张成兴: "压缩因子综合信息粒子群算法", 《计算机科学与探索》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109062674A (zh) * | 2018-07-09 | 2018-12-21 | 南京邮电大学 | 混合决策驱动的云制造能源管理方法、存储介质和终端 |
CN109062674B (zh) * | 2018-07-09 | 2022-07-26 | 南京邮电大学 | 混合决策驱动的云制造能源管理方法、存储介质和终端 |
CN110868435A (zh) * | 2018-08-27 | 2020-03-06 | 中移(苏州)软件技术有限公司 | 一种裸金属服务器调度方法、装置及存储介质 |
CN110442452A (zh) * | 2019-07-31 | 2019-11-12 | 南京能迪电气技术有限公司 | 基于粒子群优化算法边缘计算终端硬件资源使用调度方法 |
CN111930469A (zh) * | 2020-07-20 | 2020-11-13 | 湖北美和易思教育科技有限公司 | 一种基于云计算的高校大数据竞赛管理系统及方法 |
CN111930469B (zh) * | 2020-07-20 | 2024-04-09 | 武汉美和易思数字科技有限公司 | 一种基于云计算的高校大数据竞赛管理系统及方法 |
CN113965575A (zh) * | 2021-10-15 | 2022-01-21 | 山东乾云启创信息科技股份有限公司 | 用于云主机服务选择的云资源分发系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106789312A (zh) | 一种基于云计算的安全资源优化分配方法 | |
CN104850450B (zh) | 一种面向混合云应用的负载均衡方法及系统 | |
Cui et al. | A novel offloading scheduling method for mobile application in mobile edge computing | |
CN108170530B (zh) | 一种基于混合元启发式算法的Hadoop负载均衡任务调度方法 | |
CN102664814B (zh) | 一种虚拟网络中基于灰色预测的自适应动态资源分配方法 | |
CN103336722B (zh) | 一种虚拟机cpu资源监控和动态分配方法 | |
CN104902001B (zh) | 基于操作系统虚拟化的Web请求负载均衡方法 | |
CN103414752B (zh) | 一种网络感知的云数据中心虚拟机分配方法 | |
Xu et al. | Migration cost and energy-aware virtual machine consolidation under cloud environments considering remaining runtime | |
CN103488539A (zh) | 一种基于cpu动态调频技术的数据中心节能方法 | |
CN102281290A (zh) | 一种PaaS云平台的仿真系统及方法 | |
CN107317836A (zh) | 一种混合云环境下时间可感知的请求调度方法 | |
Bhalaji | Delay diminished efficient task scheduling and allocation for heterogeneous cloud environment | |
Addya et al. | CoMCLOUD: Virtual machine coalition for multi-tier applications over multi-cloud environments | |
Sahoo et al. | LVRM: On the design of efficient link based virtual resource management algorithm for cloud platforms | |
Zhou et al. | Strategy optimization of resource scheduling based on cluster rendering | |
Cao et al. | Towards tenant demand-aware bandwidth allocation strategy in cloud datacenter | |
Martins et al. | Agile optimization for a real‐time facility location problem in Internet of Vehicles networks | |
Xu et al. | Online learning algorithms for offloading augmented reality requests with uncertain demands in MECs | |
Kavitha et al. | Dynamic resource allocation in cloud infrastructure using ant lion‐based auto‐regression model | |
Li et al. | Online placement and scaling of geo-distributed machine learning jobs via volume-discounting brokerage | |
Hu et al. | A proactive auto-scaling scheme with latency guarantees for multi-tenant NFV cloud | |
CN106357800A (zh) | 一种基于QoE的云计算服务架构 | |
Alzahrani et al. | Energy-aware virtual network embedding approach for distributed cloud | |
Ge et al. | Dynamic hierarchical caching resource allocation for 5G-ICN slice |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |