【摘 要】
：
越来越多的行业开始利用云以降低成本提高生产力,支撑多样化的服务对数据中心的网络性能提出了更高的要求,如何高负载下优先保证各项服务的质量变得至关重要,云服务提供商同时也关注如何提高数据中心的网络资源利用率并降低能耗。结合上述问题,提出一种基于服务满足度对非服务网络流进行调度的方法。引入服务满足度这一概念,评估网络状态能否满足服务需要,然后依据网络流所支撑的不同服务将其分类,网络负载激增时基于服务满足度调整非用户服务依赖的网络流,降低网络负载缓解拥塞。仿真结果表明,主动避让方法在网络高负载时能优先保证服务的质
【机 构】
：
内蒙古大学计算机学院,内蒙古云计算与服务软件工程实验室,内蒙古数据处理与社会计算重点实验室,内蒙古师范大学计算机科学技术学院
【基金项目】
：
国家自然科学基金(61662054),内蒙古自治区高等学校“青年科技英才支持计划”(NJYT-19-A02),内蒙古自然科学基金重大项目(2019ZD15)。
论文部分内容阅读
越来越多的行业开始利用云以降低成本提高生产力,支撑多样化的服务对数据中心的网络性能提出了更高的要求,如何高负载下优先保证各项服务的质量变得至关重要,云服务提供商同时也关注如何提高数据中心的网络资源利用率并降低能耗。结合上述问题,提出一种基于服务满足度对非服务网络流进行调度的方法。引入服务满足度这一概念,评估网络状态能否满足服务需要,然后依据网络流所支撑的不同服务将其分类,网络负载激增时基于服务满足度调整非用户服务依赖的网络流,降低网络负载缓解拥塞。仿真结果表明,主动避让方法在网络高负载时能优先保证服务的质
其他文献
针对基于孪生网络的小样本调制识别算法存在相似识别类别混淆的问题,提出一种基于网络度量的三分支孪生网络调制识别算法。通过三分支孪生神经网络(Triplet Siamese Neural Network,TSN)将输入三元样本组的原始特征映射至特征子空间中。将正负样本与参考样本特征并联输入至两个参数共享的关系网络(Relation Network,RN),学习一个非线性的度量函数。通过各个类别的特征向量生成各类别的类原型,作为测试过程中的类特征输入。为降低信道噪声和信号接收误差对均值类原型表达的影响,采用局部
传统视觉方案无法应对无人机降落过程中复杂的环境变化,难以实现在机载处理器上的实时图像处理。为此,提出一种适用于无人机板载端轻量高效的Onboard-YOLO算法,使用可分离卷积代替常规卷积核提升计算速度,通过注意力机制自动学习通道特征权重提高模型准确度。在运动模糊、遮挡、目标出视野、光照、尺度变化等5种干扰环境下进行降落测试,结果表明,Onboard-YOLO可以解决降落过程中的复杂环境问题,在板
相较于协同过滤,矩阵分解有着更好的拓展性和灵活性,但同样受到数据稀疏和冷启动的困扰。针对上述问题,提出一种融合GNN和PMF的推荐算法GNN_MF。该算法通过神经网络对社交网络图以及用户项目图进行建模,将两个图内在的联系起来,学习目标用户在社会空间以及项目空间上的特征向量。通过MLP将两个特征向量串联提取用户的潜在特征向量,集成在概率矩阵分解模型上,产生预测评分。在真实数据集Epinions、Ciao上的大量实验表明,GNN_MF算法的均方根误差和平均绝对误差较传统PMF分别降低了2.91%、3.10%和
大多数社会化推荐算法仅考虑约束用户的特征向量并未限制物品的特征向量对推荐系统性能的影响,针对这一问题,提出了一种融合物品信息的社会化推荐算法。该算法先通过用户与物品的交互图构建物品相似性网络,在此基础上采用随机游走和SkipGram的方法构造出隐性物品相似性网络,再通过图神经网络的方法学习物品隐性相似性网络、社交网络和用户物品交互图,得到用户和物品编码的特征向量,最后在矩阵分解的基础上同时对用户和物品的特征向量做进一步约束,采用迭代更新的方式获取用户和物体最终的特征向量。为验证推荐算法的性能,在FilmT
说起火山，很多人的第一印象都是巖浆喷发的恐怖场景，但位于意大利的布斯卡火山却让人们觉得十分可爱。原来，这座意大利最小的火山仅有1.2米高，看起来就好像一个火堆。但是，布斯卡火山是一个天然的气体排放口，地下涌出的氢气与氧气、火源接触后会燃烧，导致即使风吹雨打，火焰都不会熄灭。因此，这座迷你火山被人们戏称为“最适合去烧烤的地方”。
生成对抗网络的理论研究与应用不断获得成功,已经成为当前深度学习领域研究的热点之一。对生成对抗网络理论及其应用从模型的类型、评价标准和理论研究进展等方面进行系统的综述:分别分析基于显式密度和基于隐式密度的生成模型的优缺点;总结生成对抗网络的评价标准,解读各标准之间的关系,并从应用层面介绍生成对抗网络在图像及其他领域中的研究进展,即通过图像转换、图像生成、图像修复、视频生成、文本生成及图像超分辨率等的
具有高性能以及非易失特性的SCM(Storage Class Memory,存储级内存)技术逐渐成熟并开始运用到存储系统设计中,而传统的SSD仍然在存储容量上具有优势,为键值存储系统提供大容量存储的支持。现有键值存储系统不能充分发挥SCM与SSD混合存储架构的优势,需要对数据布局以及系统结构进行重新设计。针对SCM和SSD的特点,设计了基于SCM与SSD的混合式高效键值存储系统(SCM and SSD Hybrid Key-Valuestore,SSHKV)。SSHKV通过将键值存储中元数据信息存储到SC
针对显著性区域突出不均匀和边缘不清晰导致显著性检测鲁棒性差等问题,提出了一种通道-空间联合注意力机制的显著性检测模型。改进了一种通道注意力机制,将特征图中的像素概率值逐像素相加以更好的获取通道中层间信息的关联性;在通道注意力机制的基础上并行融入了空间注意力机制,对特征图的空间信息进行加权获得目标突出的显著性区域;将通道注意力机制与空间注意力机制输出的两个特征图加权融合反馈至通道-空间联合注意力机制
近年来,深度学习被广泛应用于文本情感分析。其中文本卷积神经网络(TextCNN)最具代表性,但是TxetCNN的语义特征提取存在词嵌入维度语义特征丢失、最大池化算法特征提取不足和文本长期依赖关系丢失的问题。针对以上问题,提出多特征混合模型(BiLSTM-MFCNN)的文本情感分析方法。该方法使用双向长短记忆网络(BiLSTM)学习文本的长期依赖关系;改进TextCNN的卷积层和池化层提出多特征卷积神经网络(MFCNN),卷积层利用五种不同的卷积算法,分别从句子维度、整个词嵌入维度、单个词嵌入维度、相邻词向
深度神经网络在有着大量标注数据的图像识别任务上已经占据了统治地位,但是在只有少量标注数据的数据集上训练一个好的网络仍然是一个据有挑战性的任务。如何从有限的标注数据中学习已经成为了一个有着很多应用场景的热点问题。目前有很多解决小样本分类任务的方法,但是仍然存在识别准确率低的问题,根本原因是在小样本学习中,神经网络只能接收少量有标签的数据,导致神经网络不能获取足够的用来识别的信息。因此,提出了一种基于