CN109067581A - 基于层次分析法的计算网络选择方法及平台 - Google Patents
基于层次分析法的计算网络选择方法及平台 Download PDFInfo
- Publication number
- CN109067581A CN109067581A CN201810876967.4A CN201810876967A CN109067581A CN 109067581 A CN109067581 A CN 109067581A CN 201810876967 A CN201810876967 A CN 201810876967A CN 109067581 A CN109067581 A CN 109067581A
- Authority
- CN
- China
- Prior art keywords
- layer
- network
- weighing factor
- judgment matrix
- rule
- 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
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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45595—Network integration; Enabling network access in virtual machine instances
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于层次分析法的计算网络选择方法及平台,该方法包括:构建计算网络选择模型,所述计算网络选择模型包括目标层、准则层和方案层,所述目标层为最佳计算网络方案,所述准则层包括隔离性、基础设施可变性和镜像大小三个因素,所述方案层包括虚拟机网络和容器网络两个因素;根据所述计算网络选择模型生成准则层判断矩阵和方案层判断矩阵,所述方案层判断矩阵为多个;根据所述准则层判断矩阵和所述方案层判断矩阵生成最佳计算网络。本发明能够根据流量特性从虚拟机网络和容器网络中选择出最佳计算网络。
Description
技术领域
本发明涉及网络技术领域,特别涉及一种基于层次分析法的计算网络选择方法及平台。
背景技术
容器和虚拟机均摆脱了对物理硬件的需求,使得用户可以更为高效地使用计算资源。虚拟机依赖于hypervisor(虚拟机管理器),当hypervisor被安装完成,hypervisor即可从系统可用计算资源当中分配虚拟机实例,每台虚拟机都能够获得唯一的操作系统和应用程序。对于容器来说,当容器层安装完成后即可从系统可用计算资源中分配容器实例,每个容器化应用都共享相同的操作系统。相较虚拟机而言,容器具有更为出色的轻量化特征。
基于虚拟机和容器的不同特性,虚拟机网络和容器网络可作为互补计算网络在同一个数据中心中共存。综上,在同一个数据中心中,如何根据流量特性从虚拟机网络和容器网络中选择最佳计算网络成为亟待解决的问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,提供了一种基于层次分析法的计算网络选择方法及平台,能够根据流量特性从虚拟机网络和容器网络中选择出最佳计算网络。
为实现上述目的,本发明提供了一种基于层次分析法的计算网络选择方法,包括:
构建计算网络选择模型,所述计算网络选择模型包括目标层、准则层和方案层,所述目标层为最佳计算网络方案,所述准则层包括隔离性、基础设施可变性和镜像大小三个因素,所述方案层包括虚拟机网络和容器网络两个因素;
根据所述计算网络选择模型生成准则层判断矩阵和方案层判断矩阵,所述方案层判断矩阵为多个;
根据所述准则层判断矩阵和所述方案层判断矩阵生成最佳计算网络。
可选地,所述根据所述准则层判断矩阵和所述方案层判断矩阵生成最佳计算网络包括:
生成所述准则层判断矩阵的最大特征值对应的第一特征向量;
生成多个所述方案层判断矩阵的最大特征值对应的多个第二特征向量;
根据所述第一特征向量和多个第二特征向量生成方案层对目标层的影响权重向量,所述影响权重向量包括虚拟机网络对目标层的影响权重和容器网络对目标层的影响权重;
判断所述虚拟机网络对目标层的影响权重是否大于容器网络对目标层的影响权重,若判断出所述虚拟机网络对目标层的影响权重大于容器网络对目标层的影响权重,生成的最佳计算网络为虚拟机网络,若判断出所述虚拟机网络对目标层的影响权重小于或等于容器网络对目标层的影响权重,生成的最佳计算网络为容器网络。
可选地,所述根据所述计算网络选择模型生成准则层判断矩阵和方案层判断矩阵包括:
通过公式生成所述准则层判断矩阵,其中,Ao表示准则层判断矩阵,x1表示准则层中第1个元素隔离性对目标层的影响权重,x2表示准则层中第2个元素基础设施可变性对目标层的影响权重,x3表示准则层中第3个元素镜像大小对目标层的影响权重。
可选地,所述根据所述计算网络选择模型生成准则层判断矩阵和方案层判断矩阵包括:
通过公式和生成所述方案层判断矩阵,其中,AT表示与准则层中第1个元素隔离性对应的方案层判断矩阵,AZ表示与准则层中第2个元素基础设施可变性对应的方案层判断矩阵,AG表示与准则层中第3个元素镜像大小对应的方案层判断矩阵, y1,T表示方案层中第1个元素虚拟机网络对准则层中第1个元素隔离性的影响权重,y2,T表示方案层中第2个元素容器网络对准则层中第1个元素隔离性的影响权重,y1,Z表示方案层中第1个元素虚拟机网络对准则层中第2个元素基础设施可变性的影响权重,y2,Z表示方案层中第2个元素容器网络对准则层中第2个元素基础设施可变性的影响权重,y1,G表示方案层中第1个元素虚拟机网络对准则层中第3个元素镜像大小的影响权重,y2,G表示方案层中第2个元素容器网络对准则层中第3个元素镜像大小的影响权重。
为实现上述目的,本发明还提供了一种基于层次分析法的计算网络选择平台,包括:
构建模块,用于构建计算网络选择模型,所述计算网络选择模型包括目标层、准则层和方案层,所述目标层为最佳计算网络方案,所述准则层包括隔离性、基础设施可变性和镜像大小三个因素,所述方案层包括虚拟机网络和容器网络两个因素;
第一生成模块,用于根据所述计算网络选择模型生成准则层判断矩阵和方案层判断矩阵,所述方案层判断矩阵为多个;
第二生成模块,用于根据所述准则层判断矩阵和所述方案层判断矩阵生成最佳计算网络。
可选地,所述第二生成模块包括:
生成子模块,用于生成所述准则层判断矩阵的最大特征值对应的第一特征向量,生成多个所述方案层判断矩阵的最大特征值对应的多个第二特征向量,根据所述第一特征向量和多个第二特征向量生成方案层对目标层的影响权重向量,所述影响权重向量包括虚拟机网络对目标层的影响权重和容器网络对目标层的影响权重,当判断出所述虚拟机网络对目标层的影响权重大于容器网络对目标层的影响权重时,生成的最佳计算网络为虚拟机网络,当判断出所述虚拟机网络对目标层的影响权重小于或等于容器网络对目标层的影响权重时,生成的最佳计算网络为容器网络;
判断子模块,用于判断所述虚拟机网络对目标层的影响权重是否大于容器网络对目标层的影响权重。
可选地,所述第一生成模块具体用于通过公式生成所述准则层判断矩阵,其中,Ao表示准则层判断矩阵, x1表示准则层中第1个元素隔离性对目标层的影响权重,x2表示准则层中第2个元素基础设施可变性对目标层的影响权重,x3表示准则层中第3个元素镜像大小对目标层的影响权重。
可选地,所述第一生成模块具体用于通过公式 和生成所述方案层判断矩阵,其中,AT表示与准则层中第1个元素隔离性对应的方案层判断矩阵,AZ表示与准则层中第2个元素基础设施可变性对应的方案层判断矩阵,AG表示与准则层中第3个元素镜像大小对应的方案层判断矩阵, y1,T表示方案层中第1个元素虚拟机网络对准则层中第1个元素隔离性的影响权重,y2,T表示方案层中第2个元素容器网络对准则层中第1个元素隔离性的影响权重,y1,Z表示方案层中第1个元素虚拟机网络对准则层中第2个元素基础设施可变性的影响权重,y2,Z表示方案层中第2个元素容器网络对准则层中第2个元素基础设施可变性的影响权重,y1,G表示方案层中第1个元素虚拟机网络对准则层中第3个元素镜像大小的影响权重,y2,G表示方案层中第2个元素容器网络对准则层中第3个元素镜像大小的影响权重。
本发明具有以下有益效果:
本发明提供的基于层次分析法的计算网络选择方法,首先构建计算网络选择模型,计算网络选择模型的目标层为最佳计算网络方案,准则层包括隔离性、基础设施可变性和镜像大小三个因素,方案层包括虚拟机网络和容器网络两个因素,再根据该计算网络选择模型生成最佳计算网络。该方法能够根据流量特性从虚拟机网络和容器网络中选择出最佳计算网络。
附图说明
图1为本发明实施例一提供的一种基于层次分析法的计算网络选择方法的流程示意图;
图2为本发明实施例二提供的一种基于层次分析法的计算网络选择方法的流程示意图;
图3为本发明实施例二提供的一种计算网络选择模型的层次结构示意图;
图4为本发明实施例三提供的一种基于层次分析法的计算网络选择平台的结构示意图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案,下面结合附图对本发明中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例一提供的一种基于层次分析法的计算网络选择方法的流程示意图,如图1所示,该方法包括以下步骤:
步骤101、构建计算网络选择模型,所述计算网络选择模型包括目标层、准则层和方案层,所述目标层为最佳计算网络方案,所述准则层包括隔离性、基础设施可变性和镜像大小三个因素,所述方案层包括虚拟机网络和容器网络两个因素。
步骤102、根据所述计算网络选择模型生成准则层判断矩阵和方案层判断矩阵,所述方案层判断矩阵为多个。
步骤103、根据所述准则层判断矩阵和所述方案层判断矩阵生成最佳计算网络。
本实施例提供的基于层次分析法的计算网络选择方法,首先构建计算网络选择模型,计算网络选择模型的目标层为最佳计算网络方案,准则层包括隔离性、基础设施可变性和镜像大小三个因素,方案层包括虚拟机网络和容器网络两个因素,再根据该计算网络选择模型生成最佳计算网络。本实施例的该方法能够根据流量特性从虚拟机网络和容器网络中选择出最佳计算网络。
图2为本发明实施例二提供的一种基于层次分析法的计算网络选择方法的流程示意图,如图2所示,该方法包括以下步骤:
步骤201、构建计算网络选择模型,所述计算网络选择模型包括目标层、准则层和方案层,所述目标层为最佳计算网络方案,所述准则层包括隔离性、基础设施可变性和镜像大小三个因素,所述方案层包括虚拟机网络和容器网络两个因素。
优选地,本实施例中的各步骤由基于层次分析法的计算网络选择平台执行。
层次分析法(AHP,Analytic Hierarchy Process)为一种包括多方案或多目标的、定性与定量相结合的典型决策分析方法。图3为本发明实施例二提供的一种计算网络选择模型的层次结构示意图,如图3所示,本实施例中的计算网络选择模型基于层次分析法构建,目标层仅包括最佳计算网络方案一个因素。
本实施例中用T表示隔离性,Z表示基础设施可变性,G表示镜像大小,V表示虚拟机网络,C表示容器网络。隔离性、基础设施可变性和镜像大小均为数据流的流量特性参数。
步骤202、根据所述计算网络选择模型生成准则层判断矩阵和方案层判断矩阵,所述方案层判断矩阵为多个。
具体地,步骤202包括以下步骤:
步骤202a、根据所述计算网络选择模型生成准则层判断矩阵。
准则层判断矩阵用于表示准则层各元素对目标层的权重排序。本实施例中的准则层判断矩阵的数量为一个。
具体地,通过公式生成准则层判断矩阵,其中,Ao表示准则层判断矩阵, x1表示准则层中第1个元素隔离性T对目标层的影响权重,x2表示准则层中第2个元素基础设施可变性Z对目标层的影响权重,x3表示准则层中第3个元素镜像大小G对目标层的影响权重。x1、x2和x3为预设的数值,其可根据实际应用场景进行预设。
本实施例中,x1表示准则层中第1个元素隔离性T对最佳计算网络方案的影响权重,x2表示准则层中第2个元素基础设施可变性Z对最佳计算网络方案的影响权重,x3表示准则层中第3个元素镜像大小G对最佳计算网络方案的影响权重。
步骤202b、根据所述计算网络选择模型生成方案层判断矩阵,所述方案层判断矩阵为多个。
方案层判断矩阵用于表示方案层各元素对准则层各元素的权重排序。本实施例中的方案层判断矩阵的数量为三个。
具体地,通过公式和生成所述方案层判断矩阵,其中,AT表示与准则层中第1个元素隔离性T对应的方案层判断矩阵,AZ表示与准则层中第2个元素基础设施可变性Z对应的方案层判断矩阵,AG表示与准则层中第3个元素镜像大小G对应的方案层判断矩阵, y1,T表示方案层中第1个元素虚拟机网络V对准则层中第1个元素隔离性T的影响权重,y2,T表示方案层中第2个元素容器网络C对准则层中第1个元素隔离性T的影响权重,y1,Z表示方案层中第1个元素虚拟机网络V对准则层中第2个元素基础设施可变性Z的影响权重,y2,Z表示方案层中第2个元素容器网络C对准则层中第2个元素基础设施可变性Z的影响权重,y1,G表示方案层中第1个元素虚拟机网络V对准则层中第3个元素镜像大小G的影响权重,y2,G表示方案层中第2个元素容器网络C对准则层中第3个元素镜像大小G的影响权重。进一步地, 其中,T0、Z0和G0均为根据实际的计算网络情况获取的与隔离性、基础设施可变性和镜像大小分别对应的数值。优选地,x1,T为TV,x1,Z为ZV,x1,G为GV,x2,T为TC,x2,Z为ZC,x2,G为GC,TV、ZV、GV、TC、ZC和GC均为预设的数值,其可根据实际应用场景进行预设。
步骤203、根据所述准则层判断矩阵和所述方案层判断矩阵生成最佳计算网络。
具体地,步骤203包括以下步骤:
步骤203a、生成所述准则层判断矩阵的最大特征值对应的第一特征向量。
如:生成的准则层判断矩阵Ao的最大特征值对应的第一特征向量为:WO=[wo1,wo2,wo3]T,WO为1×3的矩阵。
步骤203b、生成多个所述方案层判断矩阵的最大特征值对应的多个第二特征向量。
如生成的多个所述方案层判断矩阵的最大特征值对应的多个第二特征向量包括:
与AT的最大特征值对应的第二特征向量为:wc1=[wt1,wt2]T,与AZ的最大特征值对应的第二特征向量为:wc2=[wz1,wz2]T,与AG的最大特征值对应的第二特征向量为:wc3=[wg1,wg2]T。wc1、wc2和wc3均为1×2的矩阵。
步骤203c、根据所述第一特征向量和多个第二特征向量生成方案层对目标层的影响权重向量,所述影响权重向量包括虚拟机网络对目标层的影响权重和容器网络对目标层的影响权重。
根据wc1、wc2和wc3生成矩阵WC,WC为3×2的矩阵。生成方案层对最佳计算网络方案的影响权重向量为K,K为矩阵WO和矩阵WC的乘积,K为2×1的矩阵。
具体地,K=WCWO=[WV,WC],K包括WV和WC两个元素,WV表示虚拟机网络对最佳计算网络方案的影响权重,WC表示容器网络对最佳计算网络方案的影响权重。
步骤203d、判断所述虚拟机网络对目标层的影响权重是否大于容器网络对目标层的影响权重,若是,执行步骤203e;若否,执行步骤203f。
步骤203e、生成的最佳计算网络为虚拟机网络。
步骤203f、生成的最佳计算网络为容器网络。
具体地,判断虚拟机网络对最佳计算网络方案的影响权重WV是否大于容器网络对最佳计算网络方案的影响权重WC。若虚拟机网络对最佳计算网络方案的影响权重WV大于容器网络对最佳计算网络方案的影响权重WC,表示基于当前网络中数据流的流量特性,虚拟机网络更适宜作为计算网络;否则,表示容器网络更适宜作为计算网络。
本实施例提供的基于层次分析法的计算网络选择方法,首先构建计算网络选择模型,计算网络选择模型的目标层为最佳计算网络方案,准则层包括隔离性、基础设施可变性和镜像大小三个因素,方案层包括虚拟机网络和容器网络两个因素,再根据该计算网络选择模型生成最佳计算网络。本实施例的该方法量化了数据流选择过程中隔离性、基础设施可变性和镜像大小三个流量特征参数,根据流量特征参数从虚拟机网络和容器网络中智能化地选择出最佳计算网络,能够有效提升用户体验。
图4为本发明实施例三提供的一种基于层次分析法的计算网络选择平台的结构示意图,如图4所示,该平台包括构建模块11、第一生成模块12和第二生成模块13。
构建模块11用于构建计算网络选择模型,所述计算网络选择模型包括目标层、准则层和方案层,所述目标层为最佳计算网络方案,所述准则层包括隔离性、基础设施可变性和镜像大小三个因素,所述方案层包括虚拟机网络和容器网络两个因素。
第一生成模块12用于根据所述计算网络选择模型生成准则层判断矩阵和方案层判断矩阵,所述方案层判断矩阵为多个。
第二生成模块13用于根据所述准则层判断矩阵和所述方案层判断矩阵生成最佳计算网络。
进一步地,所述第二生成模块13包括生成子模块131和判断子模块132。
生成子模块131用于生成所述准则层判断矩阵的最大特征值对应的第一特征向量,生成多个所述方案层判断矩阵的最大特征值对应的多个第二特征向量,根据所述第一特征向量和多个第二特征向量生成方案层对目标层的影响权重向量,所述影响权重向量包括虚拟机网络对目标层的影响权重和容器网络对目标层的影响权重,当判断出所述虚拟机网络对目标层的影响权重大于容器网络对目标层的影响权重时,生成的最佳计算网络为虚拟机网络,当判断出所述虚拟机网络对目标层的影响权重小于或等于容器网络对目标层的影响权重时,生成的最佳计算网络为容器网络。判断子模块132用于判断所述虚拟机网络对目标层的影响权重是否大于容器网络对目标层的影响权重。
进一步地,所述第一生成模块12具体用于通过公式生成所述准则层判断矩阵,其中,Ao表示准则层判断矩阵, x1表示准则层中第1个元素隔离性对目标层的影响权重,x2表示准则层中第2个元素基础设施可变性对目标层的影响权重,x3表示准则层中第3个元素镜像大小对目标层的影响权重。
可选地,所述第一生成模块12具体用于通过公式 和生成所述方案层判断矩阵,其中,AT表示与准则层中第1个元素隔离性对应的方案层判断矩阵,AZ表示与准则层中第2个元素基础设施可变性对应的方案层判断矩阵,AG表示与准则层中第3个元素镜像大小对应的方案层判断矩阵, y1,T表示方案层中第1个元素虚拟机网络对准则层中第1个元素隔离性的影响权重,y2,T表示方案层中第2个元素容器网络对准则层中第1个元素隔离性的影响权重,y1,Z表示方案层中第1个元素虚拟机网络对准则层中第2个元素基础设施可变性的影响权重,y2,Z表示方案层中第2个元素容器网络对准则层中第2个元素基础设施可变性的影响权重,y1,G表示方案层中第1个元素虚拟机网络对准则层中第3个元素镜像大小的影响权重,y2,G表示方案层中第2个元素容器网络对准则层中第3个元素镜像大小的影响权重。
本实施例三提供的基于层次分析法的计算网络选择平台用于实现实施例一或实施例二提供的基于层次分析法的计算网络选择方法。
本实施例提供的基于层次分析法的计算网络选择平台,构建模块构建计算网络选择模型,计算网络选择模型的目标层为最佳计算网络方案,准则层包括隔离性、基础设施可变性和镜像大小三个因素,方案层包括虚拟机网络和容器网络两个因素,第一生成模块和第二生成模块根据该计算网络选择模型生成最佳计算网络。本实施例的该平台能够根据流量特性从虚拟机网络和容器网络中选择出最佳计算网络。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (8)
1.一种基于层次分析法的计算网络选择方法,其特征在于,包括:
构建计算网络选择模型,所述计算网络选择模型包括目标层、准则层和方案层,所述目标层为最佳计算网络方案,所述准则层包括隔离性、基础设施可变性和镜像大小三个因素,所述方案层包括虚拟机网络和容器网络两个因素;
根据所述计算网络选择模型生成准则层判断矩阵和方案层判断矩阵,所述方案层判断矩阵为多个;
根据所述准则层判断矩阵和所述方案层判断矩阵生成最佳计算网络。
2.根据权利要求1所述的基于层次分析法的计算网络选择方法,其特征在于,所述根据所述准则层判断矩阵和所述方案层判断矩阵生成最佳计算网络包括:
生成所述准则层判断矩阵的最大特征值对应的第一特征向量;
生成多个所述方案层判断矩阵的最大特征值对应的多个第二特征向量;
根据所述第一特征向量和多个第二特征向量生成方案层对目标层的影响权重向量,所述影响权重向量包括虚拟机网络对目标层的影响权重和容器网络对目标层的影响权重;
判断所述虚拟机网络对目标层的影响权重是否大于容器网络对目标层的影响权重,若判断出所述虚拟机网络对目标层的影响权重大于容器网络对目标层的影响权重,生成的最佳计算网络为虚拟机网络,若判断出所述虚拟机网络对目标层的影响权重小于或等于容器网络对目标层的影响权重,生成的最佳计算网络为容器网络。
3.根据权利要求1所述的基于层次分析法的计算网络选择方法,其特征在于,所述根据所述计算网络选择模型生成准则层判断矩阵和方案层判断矩阵包括:
通过公式生成所述准则层判断矩阵,其中,Ao表示准则层判断矩阵,x1表示准则层中第1个元素隔离性对目标层的影响权重,x2表示准则层中第2个元素基础设施可变性对目标层的影响权重,x3表示准则层中第3个元素镜像大小对目标层的影响权重。
4.根据权利要求1所述的基于层次分析法的计算网络选择方法,其特征在于,所述根据所述计算网络选择模型生成准则层判断矩阵和方案层判断矩阵包括:
通过公式和生成所述方案层判断矩阵,其中,AT表示与准则层中第1个元素隔离性对应的方案层判断矩阵,AZ表示与准则层中第2个元素基础设施可变性对应的方案层判断矩阵,AG表示与准则层中第3个元素镜像大小对应的方案层判断矩阵, y1,T表示方案层中第1个元素虚拟机网络对准则层中第1个元素隔离性的影响权重,y2,T表示方案层中第2个元素容器网络对准则层中第1个元素隔离性的影响权重,y1,Z表示方案层中第1个元素虚拟机网络对准则层中第2个元素基础设施可变性的影响权重,y2,Z表示方案层中第2个元素容器网络对准则层中第2个元素基础设施可变性的影响权重,y1,G表示方案层中第1个元素虚拟机网络对准则层中第3个元素镜像大小的影响权重,y2,G表示方案层中第2个元素容器网络对准则层中第3个元素镜像大小的影响权重。
5.一种基于层次分析法的计算网络选择平台,其特征在于,包括:
构建模块,用于构建计算网络选择模型,所述计算网络选择模型包括目标层、准则层和方案层,所述目标层为最佳计算网络方案,所述准则层包括隔离性、基础设施可变性和镜像大小三个因素,所述方案层包括虚拟机网络和容器网络两个因素;
第一生成模块,用于根据所述计算网络选择模型生成准则层判断矩阵和方案层判断矩阵,所述方案层判断矩阵为多个;
第二生成模块,用于根据所述准则层判断矩阵和所述方案层判断矩阵生成最佳计算网络。
6.根据权利要求5所述的基于层次分析法的计算网络选择平台,其特征在于,所述第二生成模块包括:
生成子模块,用于生成所述准则层判断矩阵的最大特征值对应的第一特征向量,生成多个所述方案层判断矩阵的最大特征值对应的多个第二特征向量,根据所述第一特征向量和多个第二特征向量生成方案层对目标层的影响权重向量,所述影响权重向量包括虚拟机网络对目标层的影响权重和容器网络对目标层的影响权重,当判断出所述虚拟机网络对目标层的影响权重大于容器网络对目标层的影响权重时,生成的最佳计算网络为虚拟机网络,当判断出所述虚拟机网络对目标层的影响权重小于或等于容器网络对目标层的影响权重时,生成的最佳计算网络为容器网络;
判断子模块,用于判断所述虚拟机网络对目标层的影响权重是否大于容器网络对目标层的影响权重。
7.根据权利要求5所述的基于层次分析法的计算网络选择平台,其特征在于,
所述第一生成模块具体用于通过公式生成所述准则层判断矩阵,其中,Ao表示准则层判断矩阵, x1表示准则层中第1个元素隔离性对目标层的影响权重,x2表示准则层中第2个元素基础设施可变性对目标层的影响权重,x3表示准则层中第3个元素镜像大小对目标层的影响权重。
8.根据权利要求5所述的基于层次分析法的计算网络选择平台,其特征在于,
所述第一生成模块具体用于通过公式 和生成所述方案层判断矩阵,其中,AT表示与准则层中第1个元素隔离性对应的方案层判断矩阵,AZ表示与准则层中第2个元素基础设施可变性对应的方案层判断矩阵,AG表示与准则层中第3个元素镜像大小对应的方案层判断矩阵, y1,T表示方案层中第1个元素虚拟机网络对准则层中第1个元素隔离性的影响权重,y2,T表示方案层中第2个元素容器网络对准则层中第1个元素隔离性的影响权重,y1,Z表示方案层中第1个元素虚拟机网络对准则层中第2个元素基础设施可变性的影响权重,y2,Z表示方案层中第2个元素容器网络对准则层中第2个元素基础设施可变性的影响权重,y1,G表示方案层中第1个元素虚拟机网络对准则层中第3个元素镜像大小的影响权重,y2,G表示方案层中第2个元素容器网络对准则层中第3个元素镜像大小的影响权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810876967.4A CN109067581B (zh) | 2018-08-03 | 2018-08-03 | 基于层次分析法的计算网络选择方法及平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810876967.4A CN109067581B (zh) | 2018-08-03 | 2018-08-03 | 基于层次分析法的计算网络选择方法及平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109067581A true CN109067581A (zh) | 2018-12-21 |
CN109067581B CN109067581B (zh) | 2021-07-02 |
Family
ID=64833141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810876967.4A Active CN109067581B (zh) | 2018-08-03 | 2018-08-03 | 基于层次分析法的计算网络选择方法及平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109067581B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083532A (zh) * | 2019-04-12 | 2019-08-02 | 北京中科寒武纪科技有限公司 | 基于深度学习框架的融合模式下运行错误定位方法及装置 |
CN110120919A (zh) * | 2019-04-04 | 2019-08-13 | 华中科技大学 | 一种用于容器网络的网络资源隔离方法和系统 |
CN110619466A (zh) * | 2019-09-16 | 2019-12-27 | 卓尔智联(武汉)研究院有限公司 | 信息处理方法、装置及存储介质 |
CN113407303A (zh) * | 2021-05-27 | 2021-09-17 | 中国联合网络通信集团有限公司 | 计算资源选择方法、系统及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226614A (zh) * | 2008-01-29 | 2008-07-23 | 四川大学 | 一种网络资产重要性评估方法 |
CN105611591A (zh) * | 2016-01-28 | 2016-05-25 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 异构网络垂直切换方法及其系统 |
CN106453646A (zh) * | 2016-11-29 | 2017-02-22 | 上海有云信息技术有限公司 | 一种安全服务平台的资源调度方法和装置 |
US20170206529A1 (en) * | 2009-01-28 | 2017-07-20 | Headwater Research Llc | Wireless End-User Device Providing Ambient or Sponsored Services |
-
2018
- 2018-08-03 CN CN201810876967.4A patent/CN109067581B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226614A (zh) * | 2008-01-29 | 2008-07-23 | 四川大学 | 一种网络资产重要性评估方法 |
US20170206529A1 (en) * | 2009-01-28 | 2017-07-20 | Headwater Research Llc | Wireless End-User Device Providing Ambient or Sponsored Services |
CN105611591A (zh) * | 2016-01-28 | 2016-05-25 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 异构网络垂直切换方法及其系统 |
CN106453646A (zh) * | 2016-11-29 | 2017-02-22 | 上海有云信息技术有限公司 | 一种安全服务平台的资源调度方法和装置 |
Non-Patent Citations (2)
Title |
---|
姜建: "异构无线网络环境下的联合网络选择策略", 《计算机学报》 * |
贾宝军: "跨数据中心的统一监控研究与实现", 《电信科学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110120919A (zh) * | 2019-04-04 | 2019-08-13 | 华中科技大学 | 一种用于容器网络的网络资源隔离方法和系统 |
CN110120919B (zh) * | 2019-04-04 | 2021-01-12 | 华中科技大学 | 一种用于容器网络的网络资源隔离方法和系统 |
CN110083532A (zh) * | 2019-04-12 | 2019-08-02 | 北京中科寒武纪科技有限公司 | 基于深度学习框架的融合模式下运行错误定位方法及装置 |
CN110083532B (zh) * | 2019-04-12 | 2023-05-23 | 中科寒武纪科技股份有限公司 | 基于深度学习框架的融合模式下运行错误定位方法及装置 |
CN110619466A (zh) * | 2019-09-16 | 2019-12-27 | 卓尔智联(武汉)研究院有限公司 | 信息处理方法、装置及存储介质 |
CN113407303A (zh) * | 2021-05-27 | 2021-09-17 | 中国联合网络通信集团有限公司 | 计算资源选择方法、系统及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109067581B (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109067581A (zh) | 基于层次分析法的计算网络选择方法及平台 | |
CN109818865A (zh) | 一种sdn增强路径装箱装置及方法 | |
CN105900403A (zh) | 软件定义网络中的分区系统和方法 | |
CN109146447A (zh) | 区块链透明分片方法、装置及系统 | |
CN105740051A (zh) | 基于改进的遗传算法的云计算资源调度实现方法 | |
CN102664784B (zh) | 一种节点链路压力权重自适应均衡的虚拟网络映射方法 | |
Parouha et al. | DPD: An intelligent parallel hybrid algorithm for economic load dispatch problems with various practical constraints | |
CN105375516B (zh) | 大型光伏电站的在线分群等值建模方法 | |
CN109039886B (zh) | 网络动态路由计算方法、装置及设备 | |
CN107318058B (zh) | 基于成本最优和负载均衡的配电通信网中onu部署方法 | |
CN105023121B (zh) | 一种分布式电源接入对配电网影响的综合评估方法 | |
CN109742779A (zh) | 一种分布式储能调度方法和装置 | |
CN101777990A (zh) | 多目标免疫优化组播路由路径选择方法 | |
CN110097218A (zh) | 一种时变环境下无人商品配送方法及系统 | |
CN111082971B (zh) | 一种面向云负载测试的共享式资源分配方法 | |
CN109754168A (zh) | 充电站选址方法和装置 | |
CN108832615A (zh) | 一种基于改进二进制粒子群算法的配电网重构方法及系统 | |
CN111626545A (zh) | 应急救援物资高维多目标分配方法和系统 | |
CN106325976A (zh) | 一种渲染任务调度处理方法及服务器 | |
CN109409746A (zh) | 一种生产调度方法及装置 | |
CN104394541B (zh) | 一种制造物联网感知覆盖洞修复方法 | |
Huang et al. | Bilevel programming approach to optimizing a logistic distribution network with balancing requirements | |
CN108737268A (zh) | 软件定义工业物联网资源调度方法 | |
CN105069517B (zh) | 基于混合算法的配电网多目标故障恢复方法 | |
CN108108228A (zh) | 一种基于差分进化算法的资源分配方法 |
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 |