基于强化学习的SBS云应用自适应性能优化方法

来源 :计算机学报 | 被引量 : 0次 | 上传用户:vicovicovicovico
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
自适应的调整云应用所占用的资源是一种有效的保障云应用性能的方法,但传统的决策方法面向基于服务的系统(Service-Based System,SBS)时会存在一些问题,例如基于应用系统性能模型的决策方法不能很好适应云环境下SBS的动态变化,基于智能优化算法的决策方法效率较低.该文提出了一种基于强化学习的SBS云应用自适应性能优化方法.在该方法中,该文建立了自适应基本要素之间相互关系的特征描述框架,利用高层次的系统行为指标(如响应时间、用户并发量、资源量等)来描述系统性能的优化目标等.为了应对云环境以及SB
其他文献
在SDN中,作为网络大脑的Controller,不仅为下层转发节点Switch提供数据转发流表,还为上层应用程序提供各类网络基本信息,负担繁重.特别是当网络规模较大时,Controller会成为
随着网络技术的迅速发展和系统功能的日益复杂,系统越来越需要一个可以信赖的计算环境来保证敏感信息的安全性、完整性和可靠性.系统不仅需要保证敏感应用程序自身代码的安全
近年来,在研究人脸对齐问题上提出了许多高效、精确的算法.其中,许多算法都采用平均脸作为初始化形状,然后采用不同的方法对人脸的最终形状进行预测,这些算法在人脸表情、头部姿势、光照差异较大的情况下没有很好的鲁棒性.文中提出基于平均脸使用局部形状组合模型来构建一个更准确的人脸(组合脸).局部形状组合模型首先根据人脸基准点的分布特点把人脸形状划分为脸部轮廓、眉毛、眼睛、鼻子、嘴巴这5个部分,然后利用平均脸
随着互联网规模不断扩大,当前的网络为了能够支持最大的用户访问量并且能够同时保证服务质量,出现了过度供给的情况,正是这种过度供给的现象导致能耗问题日益严重.因此,以降