【摘 要】
：
如今,随着大数据、云计算等技术应用越来越广泛,数据中心网络成为了云计算与大数据处理的基础支撑,同时,数据中心网络也在不断地调整改进以适应当前网络高速发展的需求。本文主要对现有的数据中心网络的负载均衡方式进行了研究,并设计了基于轻量级带内全网遥测的网络负载系统,具体包括基于带内全网遥测和源路由的网络遥测框架以及基于Top K算法的选路和负载均衡框架。（1）本文设计的网络遥测框架利用胖树型数据中心网络
论文部分内容阅读
如今,随着大数据、云计算等技术应用越来越广泛,数据中心网络成为了云计算与大数据处理的基础支撑,同时,数据中心网络也在不断地调整改进以适应当前网络高速发展的需求。本文主要对现有的数据中心网络的负载均衡方式进行了研究,并设计了基于轻量级带内全网遥测的网络负载系统,具体包括基于带内全网遥测和源路由的网络遥测框架以及基于Top K算法的选路和负载均衡框架。（1）本文设计的网络遥测框架利用胖树型数据中心网络层级化、区域化的特征,将拓扑视为有向图并划分为多个最小欧拉子单元,在每个子单元中构建欧拉回路。对于任何规模的胖树拓扑,都可以实现探测路径0冗余度的目标,大大降低了信息采集时的资源浪费。同时该路径规划算法可以同时适用于系统故障情况下的链路重规划,并且只需要重新规划故障分区内的链路,避免了对全网链路的重规划,降低了故障对系统的影响,提高了故障情况下系统的处理和运行效率。（2）本文设计的基于Top K算法的选路和负载均衡框架,根据带内全网遥测结果,通过基于堆的TopK选路算法计算出数条较优路径,而不是一条最优路径,并且通过多线程和分布式部署,实现选路和负载均衡,并且保证了选路的效率与时效性。本文分别使用大规模组网仿真和小规模模拟环境,测试了本文提出的各个算法的时效性与运行效果,并针对不同的网络流量模型,对负载均衡算法进行了仿真实验。通过对比实验结果,证明了本文提出的架构与策略在算法开销、负载均衡效果上均有不错的表现,相比于ECMP,HULA均有提升。
其他文献
随着计算设备的发展,人机交互领域受到广泛关注。三维显示作为一种可以显著提高认知和交互效率的显示方式,是未来显示领域的发展方向。近年来,裸眼三维显示越来越受到人们的关注,它不需要任何助视设备便可以为人类提供自然的三维图像。然而,目前大多数研究都集中在裸眼三维显示器的显示性能提升方面,而缺乏对其认知效能的评估和对其人机交互行为的分析。因此,为提升裸眼三维显示设备的空间场景认知理解效率,设计更加高效的三
随着互联网技术的发展,每天都会产生海量的数据,而人们也从信息匮乏的时代跃迁到信息过载的时代。推荐系统作为用户与数据提供者之间的桥梁,缓解了信息过载的困境。它能够从用户的行为模式以及其他辅助信息中挖掘出用户的兴趣并为用户推荐信息。另外,随着社交媒体的发展,用户通过微博、微信等社交平台产生丰富的交互关系,如关注、转发、信任等,从而使得用户之间构成了一张巨大的社交网络。同时,用户对信息的偏好容易受到其在
超分辨率算法的目标是将低分辨率的图片重建出高分辨率图片。现实生活中的设备在精度上的不足,导致产生的图片往往无法满足人们对分辨率的需求,例如医学成像设备、遥感卫星、监控设备等。为了解决这个问题,一个解决方法是提升设备的精度。然而这种方法不仅成本较高,而且技术工艺复杂,不利于推广使用。因此有必要利用算法生成高分辨率图片。超分辨率算法需要解决以下几个问题。首先是如何解决图片种类繁多、物体尺寸各异的问题;
近年来,云计算凭借其按需使用、按量付费的特点,以及通过虚拟化技术等完成硬件资源和软件资源的融合,形成了资源池并提供统一调度接口为用户服务,极大地降低了成本并提升了易用性。基于超融合架构的云计算采用分布式存储,在一个单元设备内同时具有信息网络、信息存储以及虚拟化等诸多的资源和技术,降低服务器架构管理难度且多单元设备借助网络聚合来实现其自身模块化横向的扩展,已成为云计算架构的主流。然而,非法用户越权获
图像生成是计算机视觉中的研究热点,如何提高生成图像的真实性和多样性,以及如何降低硬件资源使用和模型存储大小使得更加有利于模型落地,是图像生成算法的研究重点和难点。而且,在实际应用中,许多其他任务与图像生成任务紧密相关,利用生成的图像可以降低数据获取成本,生成图像的质量直接影响其他任务的表现。本文的目的就是提高图像生成算法生成图像的真实性和多样性,降低硬件资源使用和模型存储大小、缩短训练和测试时间,
自旋玻璃的正确描述一直是理论物理中的一个难题,被认为与重整化群（RG）流中混沌的出现密切相关。为了实现这种混沌行为,以前的工作提出了具有复杂或非现实交互作用的模型。在本文的研究中,我们发现,只要保持铁磁和反铁磁相互作用之间的竞争,常用的具有长程关联作用的Potts模型可以在大参数范围内很好地完成这项工作。通过在层级晶格中添加反铁磁的长程关联作用这种简单性的操作,可以观察到混沌的出现敏感地依赖于层级
近几年,我国高度重视大数据对于社会经济发展的地位和作用,充足的政策支撑使得大数据技术与应用得到了显著的发展。与此同时,在线票务得益于移动互联网的普及,业务规模稳定增长,对产生的海量数据进行二次开发分析,为决策提供数据支撑,激发商业模式创新,催生新的业务增长点,最终占据更多的市场份额,成为各大互联网公司的重要驱动力。本文以某公司实际项目为背景,设计并实现了基于Hadoop的票务分析系统。该系统为在线
随着互联网生态的快速发展,推荐系统需要进行数据分析的数据量在近年以指数级增加,这对推荐系统的计算能力提出了越来越高的要求。本课题基于多GPU并行化计算技术搭建全新的高性能大数据并行化推荐系统,论文主要完成以下创新性工作:第一,提出了一种基于矩阵分解的GPU并行化推荐算法。该算法使用哈希表以初始化稀疏特征矩阵,规避了传统算法中对高稀疏性数据集中大量空白数据块的处理缺陷,并且通过在CPU内设置等待队列
互联网以及通信技术的快速发展使得社会中信息的传播形式由文本信息传播为主转变为文本、视频多模态传播。短视频作为多模态传播模式的主要形式之一,正逐渐成为人们闲暇时间的主要娱乐方式。同时,视频传播作为研究热点——传播动力学的类别之一,也受到了学者的广泛关注。研究表明,由于平台推荐以及社交网络的弱化,短视频传播与传统视频的传播存在一定的差异性。因此,揭示短视频传播中流行度的演化机制对信息传播的促进和舆情的
随着深度学习和强化学习技术的发展与成熟,将二者结合在一起的深度强化学习技术在面向单智能体的人工智能决策控制等领域取得了长足的进步,也为更加复杂的多智能体强化学习打下了坚实的基础。但是直接将深度强化学习应用到多智能体领域会面临拓展性、非稳态等严重的问题。为了解决上述的问题,现在一种主流的多智能体强化学习框架为“集中训练分布执行”,本文针对该框架展开研究:当前基于该框架的算法在遇到意外的策略改变时,会