CN108833302A - 云环境下基于模糊聚类及严格双边匹配的资源分配方法 - Google Patents

云环境下基于模糊聚类及严格双边匹配的资源分配方法 Download PDF

Info

Publication number
CN108833302A
CN108833302A CN201810682188.0A CN201810682188A CN108833302A CN 108833302 A CN108833302 A CN 108833302A CN 201810682188 A CN201810682188 A CN 201810682188A CN 108833302 A CN108833302 A CN 108833302A
Authority
CN
China
Prior art keywords
resource
task
value
class
matrix
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
Application number
CN201810682188.0A
Other languages
English (en)
Other versions
CN108833302B (zh
Inventor
何利
钱志成
姚元辉
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.)
Beijing Zhichanhui Technology Co ltd
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201810682188.0A priority Critical patent/CN108833302B/zh
Publication of CN108833302A publication Critical patent/CN108833302A/zh
Application granted granted Critical
Publication of CN108833302B publication Critical patent/CN108833302B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation
    • 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
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种云环境下基于模糊聚类及严格双边匹配的资源分配方法，包括以下步骤：步骤S1:分别获取任务数据集Ct和资源数据集Cr；步骤S2:将任务数据集Ct和资源数据集Cr分别进行标准化处理得到待划分的任务数据矩阵T和资源数据矩阵R；步骤S3:利用FCM方法对任务数据矩阵T和资源数据矩阵R进行聚类划分获得c个任务类和c个资源类，计算c个任务类和c个资源类的聚类中心的值；步骤S4:将c个任务类的聚类中心的值和c个资源类的聚类中心值进行01编码，计算海明距离，得到矩阵HD；步骤S5:对矩阵HD中的任务类与资源类进行相异度匹配，得到配对成功的任务类与资源类；步骤S6:将配对成功的任务类与资源类运用严格双边匹配方法进行最终匹配。

Description

云环境下基于模糊聚类及严格双边匹配的资源分配方法
技术领域
本发明涉及计算机技术资源调度领域，尤其涉及一种云环境下基于模糊聚类及严格双边匹配的资源分配方法。
背景技术
云计算是以网络技术、虚拟化技术、分布式计算技术为基础，采用按需分配的一种网络服务模式，具备动态易扩展、资源共享、宽带接入和强大计算存储能力等特点。随着移动互联网的快速发展，随着远程办公、电子医疗、交互式游戏、虚拟现实、移动支付等应用的激增，由此所产生的海量数据都依赖于云平台强大计算能力的处理。探索研究专门面向云环境的资源配置方法有助于提高云平台的资源分配效率，且减小服务提供商的资源调度开销并提高用户的服务体验。
资源配置问题是完成特定状态下资源队列和任务队列的最佳匹配映射。现有针对云平台的资源配置方法主要是通过资源聚类或任务聚类的调度方法来减少资源调度开销，却忽略了在高并发任务量且存在大量零散资源的情况，单方面的资源或任务聚类仍不能减小高额的时间开销。其次，在考虑资源配置服务的满意度上，现有研究主要考虑资源供给一方或享受服务一方，在考量服务满意程度上，这种以单方面服务满意程度为目标的评价方法有失公平性。
发明内容
有鉴于此，本发明提供一种云环境下基于模糊聚类及严格双边匹配的资源分配方法，能够减小高额的时间开销，避免采用仅以单方面服务满意程度为目标的评价方法作为云资源的分配标准进行资源分配，而出现资源分配不公平的情况，确保提高云资源分配效率及分配精确度，同时提高资源配置双方满意程度。
本发明的云环境下基于模糊聚类及严格双边匹配的资源分配方法，包括以下步骤：包括以下步骤：
步骤S1:定义七元组任务数据和五元组资源数据；
从七元组任务数据中提取出任务所需的CPU资源tcpu、任务所需的带宽资源tb和任务所需的存储资源tmem，并根据七元组中的任务个数获取任务数据集Ct；从五元组资源数据中提取出资源的CPU属性rcpu、资源的带宽属性rb和资源的存储大小rmem，并根据五元组中的资源个数获取资源数据集Cr；
步骤S2:将获取的任务数据集Ct进行标准化处理得到待划分的任务数据矩阵T，将获取的资源数据集Cr进行标准化处理得到待划分的资源数据矩阵R；
步骤S3:利用FCM聚类方法对任务数据矩阵T进行聚类划分获得c个任务类，并通过迭代计算得出c个任务类的聚类中心的值，利用FCM对资源数据矩阵R进行聚类划分获得c个资源类,并通过迭代计算得出c个资源类的聚类中心的值；
步骤S4:将c个任务类的聚类中心的值和c个资源类的聚类中心的值利用编码原则分别进行01编码，并计算c个任务类与c个资源类之间的海明距离，得到一个c×c的海明距离矩阵HD；
步骤S5:将海明距离作为任务类与资源类之间的相异性度量参数，根据相异度匹配原则，对矩阵HD中的任务类与资源类进行相异度匹配，得到匹配成功的任务类与资源类；
步骤S6:将匹配成功的任务类与资源类运用严格双边匹配方法进行最终任务与资源匹配，确保一个任务对应唯一一个资源。
进一步，步骤S1中的任务数据通过以下步骤获得：
步骤S11：七元组任务数据分别为：任务所需的CPU资源tcpu、任务所需的带宽资源tb、任务所需的存储资源tmem、任务期望完成时间ttime、任务所需资源的可靠性tr、任务量大小tdc以及用户愿意支付的任务价格tc，提取其中的任务所需的CPU资源tcpu、任务所需的带宽资源tb和任务所需的存储资源tmem，组成一个m×3的任务数据集矩阵Ct，其中m为任务个数；
步骤S12：五元组资源数据分别为：资源的CPU属性rcpu、资源的带宽属性rb、资源的存储大小rmem、资源故障率rfr以及该资源运行任务的价格rp，提取其中的资源的CPU属性rcpu、资源的带宽属性rb和资源的存储大小rmem，组成一个n×3的资源数据集矩阵Cr，其中n为资源个数；
进一步，所述标准化处理方法为离差标准化方法，具体公式为：其中q表示数据矩阵中第σ列的任一元素，u表示数据矩阵的总列数，{pσ}表示数据矩阵的第σ列，和分别表示该列数据中的最小值和最大值，q'为q标准化处理之后的值。
进一步，步骤S3中的聚类中心的值的计算过程包括以下步骤：
步骤S31：确定任务类和资源类的分类个数均为c个，分类时的模糊化程度的值为s，确定迭代次数和停止迭代的阈值，将任务数据集和资源数据集按照模糊化程度值分别分为c类；
步骤S32：将任务数据集或资源数据集看成样本数据集，对数据集中的样本数据xη隶属于第k类的隶属度ukη在[0，1]随机赋值，保证样本数据xη隶属于所有类的隶属度的和为1，即其中，1≤k≤c，η＝1,2,…r,r代表样本个数,当对任务聚类时r＝m，对资源聚类时r＝n，得到初始化的FCM聚类的隶属度矩阵U；
步骤S33：计算聚类中心ck的值，ck的计算公式为：
其中，1≤k≤c，η＝1,2,…r，ukη可从隶属度矩阵U中读取，r代表总样本数据的个数,当对任务聚类时r＝m，对资源聚类时r＝n；
步骤S34：将聚类中心的值代入隶属度公式计算出样本数据xη的新的隶属度值uεη'，并得到新的隶属度矩阵U'，新的隶属度值uεη'的计算公式为：
其中，样本数据xη为第ε类中的元素，cε表示第ε类的聚类中心值；ck表示每一类的聚类中心的值，当ε＝k时，cε＝ck；
步骤S35：利用新的隶属度矩阵U'，并根据步骤S33计算新的聚类中心cε'的值，并重复步骤S34，反复迭代直到满足前后两次迭代的目标函数值之差小于设定的阈值或达到迭代次数时，FCM算法终止，得出最终的聚类中心的值，其中目标函数计算公式为：
进一步，所述步骤S4中的编码原则为：判断聚类中心的三个属性值的大小，若该属性值大于该属性取值范围的60％，即该属性值大于0.6，则编码为1，否则编码为0。
进一步，所述步骤S5中的相异度匹配原则为：以任务类为基准，海明距离为0的任务类和资源类最先匹配，其次是海明距离为1的任务类和资源类匹配，再是海明距离为2的任务类和资源类匹配，最后是海明距离为3的任务类和资源类匹配，已被匹配过的资源类不能被再次匹配，若同一个任务类与多个资源类的海明距离相等，则按资源类的序号顺位选择第一个未被匹配过的资源类进行优先匹配，剩余的任务类再寻找下一个未被匹配过的资源类进行匹配，直到所有任务类都找到与之匹配的资源类为止。
进一步，步骤S6的双边匹配方法包括以下步骤：
步骤S61：计算已匹配成功的任务类中的任务tj对资源类中的资源ri的偏好值tpij，并对任务tj对应的所有资源ri的偏好值排序，得到偏好值的排序值tij，即：tij表示任务tj对资源ri的偏好序值，得到任务对资源的偏好序矩阵TPm'×n'，tpij通过以下公式求得：
其中，表示任务tj对资源ri在综合性能方面的偏好值，表示任务tj对资源ri在任务完成时间方面的偏好值，表示任务tj对资源ri在可靠性方面的偏好值，表示任务tj对资源ri服务价格方面的偏好值，x,y,z,v分别表示任务tj对资源ri在综合性能、任务完成时间、可靠性以及服务价格方面的权重，且x+y+z+v＝1；
步骤S62：计算已匹配成功的资源类中的资源ri对任务类中的任务tj的偏好值rpij，并对资源ri对应的所有任务tj的偏好值排序，得到偏好值的排序值rij，即：rij表示资源ri对任务tj的偏好序值，得到资源对任务的偏好序矩阵RPm'×n',rpij的计算公式为：
其中，tcj表示用户愿意支付的任务tj价格，tdcj表示任务tj的任务量的值，rcpui表示资源ri的CPU属性值，trj表示任务tj所需资源ri的可靠性；
步骤S63：根据任务对资源的偏好序值，建立任务满意度函数tsd(tij)，tsd(tij)表示任务对匹配资源的满意程度，得到任务完全满意度矩阵TSDm'×n'，根据资源对任务的偏好序值，建立资源满意度函数rsd(rij)，rsd(rij)表示资源对匹配任务的满意程度，得到资源完全满意度矩阵RSDm'×n'，
满意度函数tsd(tij)为：
资源满意度函数rsd(rij)为：
其中，n'表示步骤S5中配对成功的资源个数，m'表示步骤S5中配对成功的任务个数；
步骤S64：设立任务最高可接受偏好序hj和资源最高可接受偏好序di，分别计算任务的最低满意度αj和资源的最低满意度βi：
任务的最低满意度αj的计算公式为：资源的最低满意度βi的计算公式为：步骤S65：将任务完全满意度矩阵TSDm'×n'按照如下方法一转换为任务满意度截矩阵Θm'×n'，将资源完全满意度矩阵RSDm'×n'按照如下方法二转换为资源满意度截矩阵Φm'×n'：
方法一：
方法二：
其中，θij表示截矩阵Θm'×n'中的元素，φij表示截矩阵Φm'×n'中的元素；
步骤S66：根据任务满意度截矩阵Θm'×n'与资源满意度截矩阵Φm'×n'构建双目标优化模型：
任务满意度优化模型为：
资源满意度优化模型为：
其中，max FA表示任务的满意程度取最大值，max FB表示资源的满意程度取最大值，γij为0-1变量，当θij为该行最大值时，对应γij＝1，否则γij＝0(或者为该列最大值时，γij＝1，否则γij＝0)；
步骤S67：将以上两个目标函数利用线性加权法得到单目标优化模型，并提取最终匹配度系数fij，并得出最终匹配度系数矩阵Fm'×n'：
单目标优化模型为：
即：在max FA和max FB同时取最大值的时候才能保证max F取得最大值，认为取得最优匹配结果，
将(1)式变为：
由(2)式可得出：
其中：fij＝ωAθij+ωBφij (4)
其中，ωA与ωB分别为任务满意度目标函数的权重系数和资源满意度目标函数的权重系数，且ωA+ωB＝1；
步骤S68：根据资源与任务的最终匹配度系数fij的值越大越先配对，且先配对过的任务不再配对的原则，将资源与任务进行一一配对，使一个资源最终对应唯一一个任务。
进一步，所述双目标优化模型的约束条件为：
进一步，所述样本数据xη为三维数据。
本发明的有益效果是：本发明的云环境下基于模糊聚类及严格双边匹配的资源分配方法，通过将资源调度时的任务集和资源集分别进行聚类划分，以减小高并发任务量时的资源检索开销，再对聚类后的任务类和资源类进行相异度计算从而获得类别相近的任务类和资源类，使相似任务类和资源类完成匹配，最后将匹配的任务类和资源类，利用严格双边匹配方法建立双方综合满意度评价模型，综合双方偏好，从而提高资源配置过程中的调度效率和服务满意程度。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1是本发明的模型建立原理图；
图2为本发明的模型建立示意图；
图3为本发明的聚类示意图；
图4为本发明的严格双边匹配原理图。
具体实施方式
如图所示，本实施例中的云环境下基于模糊聚类及严格双边匹配的资源分配方法，
包括以下步骤：
步骤S11：定义七元组任务数据，分别为：任务所需的CPU资源tcpu、任务所需的带宽资源tb、任务所需的存储资源tmem、任务期望完成时间ttime、任务所需资源的可靠性tr、任务量大小tdc以及用户愿意支付的任务价格tc，提取其中的任务所需的CPU资源tcpu、任务所需的带宽资源tb和任务所需的存储资源tmem，组成一个m×3的任务数据集矩阵Ct，其中m为任务个数；
步骤S12：定义五元组资源数据，分别为：资源的CPU属性rcpu、资源的带宽属性rb、资源的存储大小rmem、资源故障率rfr以及该资源运行任务的价格rp，提取其中的资源的CPU属性rcpu、资源的带宽属性rb和资源的存储大小rmem，组成一个n×3的资源数据集矩阵Cr，其中n为资源个数；
步骤S1:定义七元组任务数据和五元组资源数据；
从七元组任务数据中提取出任务所需的CPU资源tcpu、任务所需的带宽资源tb和任务所需的存储资源tmem，并根据七元组中的任务个数获取任务数据集Ct；从五元组资源数据中提取出资源的CPU属性rcpu、资源的带宽属性rb和资源的存储大小rmem，并根据五元组中的资源个数获取资源数据集Cr；
步骤S2:将获取的任务数据集Ct进行标准化处理得到待划分的任务数据矩阵T，将获取的资源数据集Cr进行标准化处理得到待划分的资源数据矩阵R；
步骤S3:利用FCM聚类方法对任务数据矩阵T进行聚类划分获得c个任务类，并通过迭代计算得出c个任务类的聚类中心的值，利用FCM对资源数据矩阵R进行聚类划分获得c个资源类,并通过迭代计算得出c个资源类的聚类中心的值；
步骤S4:将c个任务类的聚类中心的值和c个资源类的聚类中心的值利用编码原则分别进行01编码，并计算c个任务类与c个资源类之间的海明距离，得到一个c×c的海明距离矩阵HD；
步骤S5:将海明距离作为任务类与资源类之间的相异性度量参数，根据相异度匹配原则，对矩阵HD中的任务类与资源类进行相异度匹配，得到匹配成功的任务类与资源类；
步骤S6:将匹配成功的任务类与资源类运用严格双边匹配方法进行最终任务与资源匹配，确保一个任务对应唯一一个资源；通过对需要调度的资源集和任务集进行聚类划分，利用聚类中心值对资源集和任务集的数据进行简化处理，大大提高了大数据的运算效率，计算分类后的资源集的聚类中心与任务集的聚类中心之间的海明距离，并将海明距离用作相异度评判标准对任务集和资源集进行相异度匹配，可减小高并发任务量时所需的资源检索开销，对已匹配的任务类和资源类，利用严格双边匹配方法建立双方综合满意度评价模型，再综合双方偏好进行最终的资源匹配，实现资源与任务之间的唯一配对结果，完全避免发生资源分配不公平的情况，提高了资源配置过程中的调度效率和服务满意程度。
本实施例中，标准化处理方法为离差标准化方法，具体公式为：其中q表示数据矩阵中第σ列的任一元素，u表示数据矩阵的总列数，{pσ}表示数据矩阵的第σ列，和分别表示该列数据中的最小值和最大值，q'为q标准化处理之后的值。采用离差标准化方法，可将原始数据转换为线性数据，将资源集与任务集的值统一为[0,1]的值，有利于后续资源配对运算，避免在资源匹配过程中因取值范围不同而增大资源分配的工作量，减少云计算的产生的误差。
本实施例中，步骤S3中的聚类中心的值的计算过程包括以下步骤：
步骤S31：确定任务类和资源类的分类个数均为c个，分类时的模糊化程度的值为s，确定迭代次数和停止迭代的阈值，将任务数据集和资源数据集按照模糊化程度值分别分为c类；
步骤S32：将任务数据集或资源数据集看成样本数据集，对数据集中的样本数据xη隶属于第k类的隶属度ukη在[0，1]随机赋值，保证样本数据xη隶属于所有类的隶属度的和为1，即其中，1≤k≤c，η＝1,2,…r,r代表样本个数,当对任务聚类时r＝m，对资源聚类时r＝n，得到初始化的FCM聚类的隶属度矩阵U；例如，样本数据集的分类个数为3，样本数据xη隶属于第一类、第二类和第三类的隶属度分别为u1η＝0.3、u2η＝0.6、u3η＝0.1，那么，u1η+u2η+u3η＝0.3+0.6+0.1＝1；由于每一个任务数据和资源数据均包含了三个属性值，即：(任务所需的CPU资源tcpu、任务所需的带宽资源tb、任务所需的存储资源tmem)和(资源的CPU属性rcpu、资源的带宽属性rb、资源的存储大小rmem)，因此，任务数据集和资源数据集的样本数据均为三维数据；
步骤S33：将样本数据xη的值带入以下公式，通过现有的高维计算得出每一类聚类中心ck的值，ck的计算公式为：
其中，1≤k≤c，η＝1,2,…r，ukη可从隶属度矩阵U中读取，r代表总样本数据的个数,当对任务聚类时r＝m，对资源聚类时r＝n；
步骤S34：将聚类中心的值带入隶属度公式计算出样本数据xη的新的隶属
度值uεη'，并得到新的隶属度矩阵U'，新的隶属度值uεη'的计算公式为：
其中，样本数据xη为第ε类中的元素，cε表示第ε类的聚类中心值；ck表示每一类的聚类中心的值，cε的值可根据步骤S33求出，当ε＝k时，cε＝ck；
步骤S35：利用新的隶属度矩阵U'，并根据步骤S33计算新的聚类中心cε'的值，并重复步骤S34，反复迭代直到满足前后两次迭代的目标函数值之差小于设定的阈值或达到迭代次数时，FCM算法终止，得出最终的聚类中心的值，其中目标函数计算公式为：
若目标函数之差，即ΔJ＝|J-J’|小于设定的阈值，FCM算法终止，Cε'为最终的聚类中心的值。因为在一个类中，这些数据是和类中心高度相似的，所以可以用类中心的特征来代替这个类的特征，因此，用聚类划分得到的聚类中心用来代替它所在类的所有数据的类型，可简化资源集与任务集的数据的复杂运算过程，使大数据运算速度更快，得出的资源分配结果更加准确。
本实例中，步骤S4中的编码原则为，判断聚类中心的三个属性值的大小，若该属性值大于该属性取值范围的60％，即该属性值大于0.6，则编码为1，否则编码为0。如果某个属性值超过了0.6，则表示样本数据的这个属性方面比较强，用编码1表示，若某个属性值小于0.6，则表示样本数据的这个属性方面比较弱，用编码0表示。将资源集与任务集的数据进一步向量化，使资源配对运算的准确度更高，将各类样本数据的取值进一步统一，更有利于进行大量而快速计算。由于步骤S3中隶属度ukη的取值在[0，1]，样本数据xη为三维数据，推导出聚类中心的值cε'同样为三维数据，且cε'的三个数据的取值范围均为[0，1]。例如，利用FCM对任务矩阵进行聚类划分获得的聚类中心矩阵为：因为0.79＞0.6，0.69＞0.6，0.29＜0.6，于是第一个任务类cluster0编码为110，因此任务类cluster0,cluster1,cluster2,cluster3,cluster4的类型分别为110、001、101、100、010。假设资源类cluster0,cluster1,cluster2,cluster3,cluster4的类型分别为110、101、000、011、111。那么任务类cluster0(110)与资源类cluster0(101)的海明距离为2，以此类推得出所有任务类与所有资源类之间的海明距离为：
则海明距离矩阵为：
本实例中，步骤S5中的相异度匹配原则为：以任务类为基准，海明距离为0的任务类和资源类最先匹配，其次是海明距离为1的任务类和资源类匹配，再是海明距离为2的任务类和资源类匹配，最后是海明距离为3的任务类和资源类匹配，已被匹配过的资源不能被再次匹配，若同一个任务类与多个资源类的海明距离相等，则按资源类的序号顺位选择第一个未被匹配过的资源类进行优先匹配，剩余的任务类再寻找下一个未被匹配过的资源类进行匹配，直到所有任务类都找到与之匹配的资源类为止。
本实例中，步骤S6的双边匹配方法包括以下步骤：
步骤S61：由步骤S5得到含有m'个任务的任务类集合与含有n'个资源的资源类集合匹配成功，由于任务对资源的偏好值分别受资源的综合性能、任务完成时间、资源的可靠性和资源的服务价格方面的影响，因此需分别计算任务tj对资源ri在综合性能方面的偏好值任务tj对资源ri在任务完成时间方面的偏好值任务tj对资源ri在可靠性方面的偏好值以及任务tj对资源ri在服务价格方面的偏好值
(1)任务tj对资源ri在综合性能方面的偏好值与任务所需的计算能力tcpu、通信能力tb、存储能力tmem有关，任务tj要求的综合性能tcp可通过以下公式求得：
资源本身的综合性能rcp与资源本身的计算能力rcpu、通信能力rb、存储能力rmem相关，资源的综合性能rcp计算公式为：
其中，a,b,c分别表示任务对资源计算能力、通信能力、存储能力要求的经验系数；
根据实际经验分析可得：云资源ri的综合性能必须大于任务tj所要求的综合性能才能满足任务所需的要求，因此，tj对ri在综合性能方面的偏好值为：
(2)根据实际经验可得：云资源ri的任务处理时间必须满足任务tj期望完成时间才能使任务顺利完成，因此，任务tj对资源ri在任务完成时间方面的偏好值为：
(3)根据实际经验可得：云资源ri的可靠性必须满足云任务tj所要求的可靠性约束才能使任务顺利完成，因此，tj对ri在可靠性方面的偏好值为：
(4)根据实际情况：用户为云任务tj愿意支付的价格必须要大于完成任务tj所需要的开销，因此，tj对ri在服务价格方面的偏好值为：
(5)根据和的值计算已匹配成功的任务类中的任务tj对资源类中的资源ri的偏好值tpij，并对任务tj对应的所有资源ri的偏好值按从大到小的顺序排序，得到偏好值的排序值tij，即：tij表示任务tj对资源ri的偏好序值，得到任务对资源的偏好序矩阵TPm'×n'，tpij通过以下公式求得：
其中，x,y,z,v分别表示任务tj对资源ri在综合性能、任务完成时间、可靠性以及服务价格方面的权重，且x+y+z+v＝1；
tpij越大，说明任务tj对资源ri偏好越大，排序越靠前，得到的tij越小；
步骤S62：由于云资源对云任务的偏好值，受任务的执行效益和任务所要求资源的可靠性联合影响，因此，可利用资源的CPU属性rcpui、任务所需资源的可靠性trj、任务量大小tdcj以及用户愿意支付的任务价格tcj,计算已匹配成功的资源类中的资源ri对任务类中的任务tj的偏好值rpij，并对资源ri对应的所有任务tj的偏好值按从大到小的顺序排序，得到偏好值的排序值rij，即：rij表示资源ri对任务tj的偏好序值，得到资源对任务的偏好序矩阵RPm'×n',rpij的计算公式为：
其中，tcj表示用户愿意支付的任务tj价格，tdcj表示任务tj的任务量的值，rcpui表示资源ri的CPU属性值，trj表示任务tj所需资源ri的可靠性；rpij越大，说明资源ri对任务tj偏好越大，排序越靠前，得到的rij越小；
步骤S63：根据任务对资源的偏好序值，建立任务满意度函数tsd(tij)，tsd(tij)表示任务对匹配资源的满意程度，得到任务完全满意度矩阵TSDm'×n'，根据资源对任务的偏好序值，建立资源满意度函数rsd(rij)，rsd(rij)表示资源对匹配任务的满意程度，得到资源完全满意度矩阵RSDm'×n'，
满意度函数tsd(tij)为：
资源满意度函数rsd(rij)为：
其中，n'表示步骤S5中配对成功的资源个数，m'表示步骤S5中配对成功的任务个数；
步骤S64：由于一个任务可能参考匹配多个资源，或一个资源可能参考匹配多个任务，故需要设立任务最高可接受偏好序hj和资源最高可接受偏好序di，即：任务最多参考匹配的资源的个数hj和资源最多参考匹配的任务的个数di，分别计算任务的最低满意度αj和资源的最低满意度βi：
任务的最低满意度αj的计算公式为：资源的最低满意度βi的计算公式为：步骤S65：将任务完全满意度矩阵TSDm'×n'按照如下方法一转换为任务满意度截矩阵Θm'×n'，将资源完全满意度矩阵RSDm'×n'按照如下方法二转换为资源满意度截矩阵Φm'×n'：
方法一：
方法二：
其中，θij表示截矩阵Θm'×n'中的元素，φij表示截矩阵Φm'×n'中的元素；
步骤S66：根据任务满意度截矩阵Θm'×n'与资源满意度截矩阵Φm'×n'构建双目标优化模型：
任务满意度优化模型为：
资源满意度优化模型为：
为确保一个任务最多匹配一个资源，或一个资源最多匹配一个任务，故建立双目标优化模型的约束条件为：
其中，max FA表示任务的满意程度取最大值，max FB表示资源的满意程度取最大值，γij为0-1变量，当θij为该行最大值时，对应γij＝1，否则γij＝0(或者为该列最大值时，γij＝1，否则γij＝0)；
步骤S67：将以上两个目标函数利用线性加权法得到单目标优化模型，并提取最终匹配度系数fij，并得出最终匹配度系数矩阵Fm'×n'：
单目标优化模型为：
即：在max FA和max FB同时取最大值的时候才能保证max F取得最大值，认为取得最优匹配结果，
将(1)式变为：
由(2)式可得出：
其中：fij＝ωAθij+ωBφij (4)
其中，ωA与ωB分别为任务满意度目标函数的权重系数和资源满意度目标函数的权重系数，且ωA+ωB＝1；
步骤S68：根据资源与任务的最终匹配度系数fij的值越大越先配对，且先配对过的任务不再配对的原则，将资源与任务进行一一配对，使一个资源最终对应唯一一个任务。通过引入严格双边匹配方法，即设立最低满意度标准，同等考虑任务需求和资源偏好，综合提高云资源分配过程中双方的满意度，建立资源与任务的最终匹配度系数，以最终匹配度系数的大小为参考值进行最终配对，避免了在资源分配时只考虑资源供给一方或享受服务一方，在考量服务满意程度上，仅以单方面服务满意程度为目标的评价方法使资源分配不公平，由于在资源分配过程中充分考虑了任务与资源的相互偏好及约束条件，使云环境下的资源分配方法更加合理，资源分配结果更加准确。
为了使步骤S6的内容更加清楚，以下是对步骤S6的举例说明：
假设某一匹配的任务类与资源类中，任务类集合元素个数为9，资源类集合元素个数为6，任务对资源的偏好序tij矩阵如下表所示：
表中，任务1把资源6排在第2位，则t16＝2。
资源对任务的偏好序rij矩阵如下表所示：
表中，资源6把任务2排在第5位，则r62＝5。
因此任务对资源的完全满意度矩阵TSDm'×n'为：
tsdij r1 r2 r3 r4 r5 r6
t1 0.028 0.250 1 0.444 0.111 0.694
t2 1 0.111 0.250 0.694 0.444 0.028
t3 0.694 0.444 1 0.250 0.028 0.111
t4 0.111 0.444 0.250 0.694 1 0.028
t5 0.250 0.444 0.111 1 0.694 0.028
t6 0.694 0.250 0.444 0.111 0.028 1
t7 0.694 0.250 0.111 0.444 1 0.028
t8 1 0.028 0.250 0.444 0.694 0.111
t9 0.694 0.444 0.111 0.250 1 0.028
资源对任务的完全满意度矩阵RSDm'×n'为：
rsdij r1 r2 r3 r4 r5 r6
t1 0.605 0.790 0.111 0.309 0.790 0.012
t2 0.012 0.049 0.605 0.012 1 0.309
t3 0.790 0.444 0.198 1 0.309 0.111
t4 0.111 0.198 0.309 0.049 0.012 0.790
t5 0.198 0.111 0.790 0.198 0.049 0.605
t6 0.049 1 0.012 0.605 0.111 0.198
t7 0.444 0.309 0.049 0.444 0.605 1
t8 1 0.012 0.444 0.790 0.198 0.049
t9 0.309 0.605 1 0.111 0.444 0.444
假设任务方设置的最高可接受偏好序为h1＝h2＝4,h3＝h4＝h5＝h6＝h7＝h8＝h9＝3，则任务最低满意度为α1＝α2＝0.250,α3＝α4＝α5＝α6＝α7＝α8＝α9＝0.444；资源方设置的最高可接受偏好序为d1＝4,d2＝3,d3＝d4＝d5＝d6＝4，则资源最低满意度为β1＝0.444,β2＝0.605,β3＝β4＝β5＝β6＝0.444；依据任务、资源最低满意度，将任务、资源完全满意度矩阵转化为满意度截矩阵；因此任务对资源的满意度截矩阵Θm'×n'为：
θij r1 r2 r3 r4 r5 r6
t1 -∞ 0.250 1 0.444 -∞ 0.694
t2 1 -∞ 0.250 0.694 0.444 -∞
t3 0.694 0.444 1 -∞ -∞ -∞
t4 -∞ 0.444 -∞ 0.694 1 -∞
t5 -∞ 0.444 -∞ 1 0.694 -∞
t6 0.694 -∞ 0.444 -∞ -∞ 1
t7 0.694 -∞ -∞ 0.444 1 -∞
t8 1 -∞ -∞ 0.444 0.694 -∞
t9 0.694 0.444 -∞ -∞ 1 -∞
资源对任务的满意度截矩阵Φm'×n'为：
假设任务与资源双方有相等的权重，则ωA＝ωB＝0.5
其中，由以上任务对资源的满意度截矩阵和资源对任务的满意度截矩阵得出系数矩阵fij：
fij r1 r2 r3 r4 r5 r6
t1 -∞ 0.52 -∞ -∞ -∞ -∞
t2 -∞ -∞ 0.4275 -∞ 0.722 -∞
t3 0.742 0.444 -∞ -∞ -∞ -∞
t4 -∞ -∞ -∞ -∞ -∞ -∞
t5 -∞ -∞ -∞ -∞ -∞ -∞
t6 -∞ -∞ -∞ -∞ -∞ -∞
t7 0.569 -∞ -∞ 0.444 0.8025 -∞
t8 1 -∞ -∞ 0.617 -∞ -∞
t9 -∞ 0.5245 -∞ -∞ 0.722 -∞
因此匹配结果为(r1,t3),(r2,t9),(r3,t2),(r4,t8),(r5,t7),r6无匹配对象。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：包括以下步骤：
步骤S1:定义七元组任务数据和五元组资源数据；
从七元组任务数据中提取出任务所需的CPU资源tcpu、任务所需的带宽资源tb和任务所需的存储资源tmem，并根据七元组中的任务个数获取任务数据集Ct；从五元组资源数据中提取出资源的CPU属性rcpu、资源的带宽属性rb和资源的存储大小rmem，并根据五元组中的资源个数获取资源数据集Cr；
步骤S2:将获取的任务数据集Ct进行标准化处理得到待划分的任务数据矩阵T，将获取的资源数据集Cr进行标准化处理得到待划分的资源数据矩阵R；
步骤S3:利用FCM聚类方法对任务数据矩阵T进行聚类划分获得c个任务类，并通过迭代计算得出c个任务类的聚类中心的值，利用FCM对资源数据矩阵R进行聚类划分获得c个资源类,并通过迭代计算得出c个资源类的聚类中心的值；
步骤S4:将c个任务类的聚类中心的值和c个资源类的聚类中心的值利用编码原则分别进行01编码，并计算c个任务类与c个资源类之间的海明距离，得到一个c×c的海明距离矩阵HD；
步骤S5:将海明距离作为任务类与资源类之间的相异性度量参数，根据相异度匹配原则，对矩阵HD中的任务类与资源类进行相异度匹配，得到匹配成功的任务类与资源类；
步骤S6:将匹配成功的任务类与资源类运用严格双边匹配方法进行最终任务与资源匹配，确保一个任务对应唯一一个资源。
2.根据权利要求1所述的云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：步骤S1中的任务数据通过以下步骤获得：
步骤S11：七元组任务数据分别为：任务所需的CPU资源tcpu、任务所需的带宽资源tb、任务所需的存储资源tmem、任务期望完成时间ttime、任务所需资源的可靠性tr、任务量大小tdc以及用户愿意支付的任务价格tc，提取其中的任务所需的CPU资源tcpu、任务所需的带宽资源tb和任务所需的存储资源tmem，组成一个m×3的任务数据集矩阵Ct，其中m为任务个数；
步骤S12：五元组资源数据分别为：资源的CPU属性rcpu、资源的带宽属性rb、资源的存储大小rmem、资源故障率rfr以及该资源运行任务的价格rp，提取其中的资源的CPU属性rcpu、资源的带宽属性rb和资源的存储大小rmem，组成一个n×3的资源数据集矩阵Cr，其中n为资源个数。
3.根据权利要求2所述的云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：所述标准化处理方法为离差标准化方法，具体公式为：其中q表示数据矩阵中第σ列的任一元素，u表示数据矩阵的总列数，{pσ}表示数据矩阵的第σ列，和分别表示该列数据中的最小值和最大值，q'为q标准化处理之后的值。
4.根据权利要求3所述的云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：步骤S3中的聚类中心的值的计算过程包括以下步骤：
步骤S31：确定任务类和资源类的分类个数均为c个，分类时的模糊化程度的值为s，确定迭代次数和停止迭代的阈值，将任务数据集和资源数据集按照模糊化程度值分别分为c类；
步骤S32：将任务数据集或资源数据集看成样本数据集，对数据集中的样本数据xη隶属于第k类的隶属度ukη在[0，1]随机赋值，保证样本数据xη隶属于所有类的隶属度的和为1，即其中，1≤k≤c，η＝1,2,…r,r代表样本个数,当对任务聚类时r＝m，对资源聚类时r＝n，得到初始化的FCM聚类的隶属度矩阵U；
步骤S33：计算聚类中心ck的值，ck的计算公式为：
其中，1≤k≤c，η＝1,2,…r，ukη可从隶属度矩阵U中读取，r代表总样本数据的个数,当对任务聚类时r＝m，对资源聚类时r＝n；
步骤S34：将聚类中心的值代入隶属度公式计算出样本数据xη的新的隶属度值uεη’，并得到新的隶属度矩阵U'，新的隶属度值uεη’的计算公式为：
其中，样本数据xη为第ε类中的元素，cε表示第ε类的聚类中心值；ck表示每一类的聚类中心的值，当ε＝k时，cε＝ck；
步骤S35：利用新的隶属度矩阵U’，并根据步骤S33计算新的聚类中心cε’的值，并重复步骤S34，反复迭代直到满足前后两次迭代的目标函数值之差小于设定的阈值或达到迭代次数时，FCM算法终止，得出最终的聚类中心的值，其中目标函数计算公式为：
5.根据权利要求4所述的云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：所述步骤S4中的编码原则为：判断聚类中心的三个属性值的大小，若该属性值大于该属性取值范围的60％，即该属性值大于0.6，则编码为1，否则编码为0。
6.根据权利要求5所述的云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：所述步骤S5中的相异度匹配原则为：以任务类为基准，海明距离为0的任务类和资源类最先匹配，其次是海明距离为1的任务类和资源类匹配，再是海明距离为2的任务类和资源类匹配，最后是海明距离为3的任务类和资源类匹配，已被匹配过的资源类不能被再次匹配，若同一个任务类与多个资源类的海明距离相等，则按资源类的序号顺位选择第一个未被匹配过的资源类进行优先匹配，剩余的任务类再寻找下一个未被匹配过的资源类进行匹配，直到所有任务类都找到与之匹配的资源类为止。
7.根据权利要求6所述的云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：步骤S6的双边匹配方法包括以下步骤：
步骤S61：计算已匹配成功的任务类中的任务tj对资源类中的资源ri的偏好值tpij，并对任务tj对应的所有资源ri的偏好值排序，得到偏好值的排序值tij，即：tij表示任务tj对资源ri的偏好序值，得到任务对资源的偏好序矩阵TPm'×n'，tpij通过以下公式求得：
其中，表示任务tj对资源ri在综合性能方面的偏好值，表示任务tj对资源ri在任务完成时间方面的偏好值，表示任务tj对资源ri在可靠性方面的偏好值，表示任务tj对资源ri服务价格方面的偏好值，x,y,z,v分别表示任务tj对资源ri在综合性能、任务完成时间、可靠性以及服务价格方面的权重，且x+y+z+v＝1；
步骤S62：计算已匹配成功的资源类中的资源ri对任务类中的任务tj的偏好值rpij，并对资源ri对应的所有任务tj的偏好值排序，得到偏好值的排序值rij，即：rij表示资源ri对任务tj的偏好序值，得到资源对任务的偏好序矩阵RPm'×n',rpij的计算公式为：
其中，tcj表示用户愿意支付的任务tj价格，表示任务tj的任务量的值，表示资源ri的CPU属性值，表示任务tj所需资源ri的可靠性；
步骤S63：根据任务对资源的偏好序值，建立任务满意度函数tsd(tij)，tsd(tij)表示任务对匹配资源的满意程度，得到任务完全满意度矩阵TSDm'×n'，根据资源对任务的偏好序值，建立资源满意度函数rsd(rij)，rsd(rij)表示资源对匹配任务的满意程度，得到资源完全满意度矩阵RSDm'×n'，
满意度函数tsd(tij)为：
资源满意度函数rsd(rij)为：
其中，n'表示步骤S5中配对成功的资源个数，m'表示步骤S5中配对成功的任务个数；
步骤S64：设立任务最高可接受偏好序hj和资源最高可接受偏好序di，分别计算任务的最低满意度αj和资源的最低满意度βi：
任务的最低满意度αj的计算公式为：
资源的最低满意度βi的计算公式为：
步骤S65：将任务完全满意度矩阵TSDm'×n'按照如下方法一转换为任务满意度截矩阵Θm'×n'，将资源完全满意度矩阵RSDm'×n'按照如下方法二转换为资源满意度截矩阵Φm'×n'：
方法一：
方法二：
其中，θij表示截矩阵Θm'×n'中的元素，φij表示截矩阵Φm'×n'中的元素；
步骤S66：根据任务满意度截矩阵Θm'×n'与资源满意度截矩阵Φm'×n'构建双目标优化模型：
任务满意度优化模型为：
资源满意度优化模型为：
其中，max FA表示任务的满意程度取最大值，max FB表示资源的满意程度取最大值，γij为0-1变量，当θij为该行最大值时，对应γij＝1，否则γij＝0(或者为该列最大值时，γij＝1，否则γij＝0)；
步骤S67：将以上两个目标函数利用线性加权法得到单目标优化模型，并提取最终匹配度系数fij，并得出最终匹配度系数矩阵Fm'×n'：
单目标优化模型为：
即：在max FA和max FB同时取最大值的时候才能保证max F取得最大值，认为取得最优匹配结果，
将(1)式变为：
由(2)式可得出：
其中：fij＝ωAθij+ωBφij (4)
其中，ωA与ωB分别为任务满意度目标函数的权重系数和资源满意度目标函数的权重系数，且ωA+ωB＝1；
步骤S68：根据资源与任务的最终匹配度系数fij的值越大越先配对，且先配对过的任务不再配对的原则，将资源与任务进行一一配对，使一个资源最终对应唯一一个任务。
8.根据权利要求7所述的云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：所述双目标优化模型的约束条件为：
。
9.根据权利要求4所述的云环境下基于模糊聚类及严格双边匹配的资源分配方法，其特征在于：所述样本数据xη为三维数据。
CN201810682188.0A 2018-06-27 2018-06-27 云环境下基于模糊聚类及严格双边匹配的资源分配方法 Active CN108833302B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810682188.0A CN108833302B (zh) 2018-06-27 2018-06-27 云环境下基于模糊聚类及严格双边匹配的资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810682188.0A CN108833302B (zh) 2018-06-27 2018-06-27 云环境下基于模糊聚类及严格双边匹配的资源分配方法

Publications (2)

Publication Number Publication Date
CN108833302A true CN108833302A (zh) 2018-11-16
CN108833302B CN108833302B (zh) 2021-12-24

Family

ID=64139096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810682188.0A Active CN108833302B (zh) 2018-06-27 2018-06-27 云环境下基于模糊聚类及严格双边匹配的资源分配方法

Country Status (1)

Country Link
CN (1) CN108833302B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144701A (zh) * 2019-12-04 2020-05-12 中国电子科技集团公司第三十研究所 一种分布式环境下etl作业调度资源分类评估的方法
CN111737190A (zh) * 2020-07-03 2020-10-02 北京智芯微电子科技有限公司 嵌入式系统的动态软硬件协同方法、嵌入式系统
CN112311525A (zh) * 2020-10-26 2021-02-02 深圳供电局有限公司 一种电网中分布式终端的资源匹配方法
CN117436679A (zh) * 2023-12-21 2024-01-23 四川物通科技有限公司 一种元宇宙资源匹配方法及其系统
CN117828377A (zh) * 2024-03-01 2024-04-05 齐鲁工业大学(山东省科学院) 一种基于公平加权因子的教育感知聚类方法及系统
CN118567868A (zh) * 2024-07-31 2024-08-30 中移动信息技术有限公司 资源匹配方法、装置、设备、存储介质及产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105224321A (zh) * 2015-09-25 2016-01-06 北京大学 实体双边匹配方法及系统
CN106446959A (zh) * 2016-10-10 2017-02-22 北京邮电大学 一种云计算资源动态匹配方法及装置
CN106981221A (zh) * 2017-03-24 2017-07-25 北京航空航天大学 基于时空间维度分解的机场停机位分配方法及系统
CN107229757A (zh) * 2017-06-30 2017-10-03 中国科学院计算技术研究所 基于深度学习和哈希编码的视频检索方法
CN107302801A (zh) * 2017-05-19 2017-10-27 南京邮电大学 一种5G混合场景下面向QoE的双层匹配博弈方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105224321A (zh) * 2015-09-25 2016-01-06 北京大学 实体双边匹配方法及系统
CN106446959A (zh) * 2016-10-10 2017-02-22 北京邮电大学 一种云计算资源动态匹配方法及装置
CN106981221A (zh) * 2017-03-24 2017-07-25 北京航空航天大学 基于时空间维度分解的机场停机位分配方法及系统
CN107302801A (zh) * 2017-05-19 2017-10-27 南京邮电大学 一种5G混合场景下面向QoE的双层匹配博弈方法
CN107229757A (zh) * 2017-06-30 2017-10-03 中国科学院计算技术研究所 基于深度学习和哈希编码的视频检索方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144701A (zh) * 2019-12-04 2020-05-12 中国电子科技集团公司第三十研究所 一种分布式环境下etl作业调度资源分类评估的方法
CN111144701B (zh) * 2019-12-04 2022-03-22 中国电子科技集团公司第三十研究所 一种分布式环境下etl作业调度资源分类评估的方法
CN111737190A (zh) * 2020-07-03 2020-10-02 北京智芯微电子科技有限公司 嵌入式系统的动态软硬件协同方法、嵌入式系统
CN112311525A (zh) * 2020-10-26 2021-02-02 深圳供电局有限公司 一种电网中分布式终端的资源匹配方法
CN112311525B (zh) * 2020-10-26 2024-03-12 深圳供电局有限公司 一种电网中分布式终端的资源匹配方法
CN117436679A (zh) * 2023-12-21 2024-01-23 四川物通科技有限公司 一种元宇宙资源匹配方法及其系统
CN117436679B (zh) * 2023-12-21 2024-03-26 四川物通科技有限公司 一种元宇宙资源匹配方法及其系统
CN117828377A (zh) * 2024-03-01 2024-04-05 齐鲁工业大学(山东省科学院) 一种基于公平加权因子的教育感知聚类方法及系统
CN117828377B (zh) * 2024-03-01 2024-05-10 齐鲁工业大学(山东省科学院) 一种基于公平加权因子的教育感知聚类方法及系统
CN118567868A (zh) * 2024-07-31 2024-08-30 中移动信息技术有限公司 资源匹配方法、装置、设备、存储介质及产品

Also Published As

Publication number Publication date
CN108833302B (zh) 2021-12-24

Similar Documents

Publication Publication Date Title
CN108833302B (zh) 云环境下基于模糊聚类及严格双边匹配的资源分配方法
CN110399222B (zh) Gpu集群深度学习任务并行化方法、装置及电子设备
CN108665148B (zh) 一种电子资源质量评价方法、装置和存储介质
CN109388565B (zh) 基于生成式对抗网络的软件系统性能优化方法
CN114332984B (zh) 训练数据处理方法、装置和存储介质
CN111431961A (zh) 一种云数据中心的节能任务分配方法
CN104978236A (zh) 一种基于多衡量指标的hdfs负载源宿节点选取方法
CN114418035A (zh) 决策树模型生成方法、基于决策树模型的数据推荐方法
CN111966495B (zh) 数据处理方法和装置
CN112417500B (zh) 一种隐私保护的数据流统计发布方法
Amruthnath et al. Modified rank order clustering algorithm approach by including manufacturing data
Almusallam et al. Towards an unsupervised feature selection method for effective dynamic features
Jia et al. Weighted k‐Prototypes Clustering Algorithm Based on the Hybrid Dissimilarity Coefficient
CN116339932A (zh) 资源调度方法、装置和服务器
CN111209469A (zh) 一种个性化推荐方法、装置、计算机设备及存储介质
Chen et al. MTAD: a multitarget heuristic algorithm for virtual machine placement
CN106156142A (zh) 一种文本聚类的处理方法、服务器及系统
CN110705606A (zh) 一种基于Spark分布式内存计算的空间K均值聚类方法
CN113723514A (zh) 一种基于混合采样的安全接入日志数据平衡处理方法
CN110058942B (zh) 基于层次分析法的资源分配系统及方法
CN105956012B (zh) 基于图划分策略的数据库模式抽象方法
CN116523640A (zh) 一种基于调度反馈算法的金融信息管理系统
CN117093885A (zh) 融合分层聚类和粒子群的联邦学习多目标优化方法
CN110781003A (zh) 一种粒子群融合变异控制的负载均衡方法
CN112241811A (zh) “互联网+”环境下定制产品的分层混合性能预测方法

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
TR01 Transfer of patent right

Effective date of registration: 20240820

Address after: 810, 8th Floor, Building 10, Courtyard 1, Tianxing Street, Fangshan District, Beijing, 102400

Patentee after: Beijing Zhichanhui Technology Co.,Ltd.

Country or region after: China

Address before: 400065 Chongqing Nan'an District huangjuezhen pass Chongwen Road No. 2

Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS

Country or region before: China

TR01 Transfer of patent right