在容器技术和微服务框架的普及背景下,无服务器计算为开发者提供了一种无需关注服务器操作以及硬件资源管理的云计算范式.与此同时,无服务器计算通过弹性扩缩容实时地适应动态负载变化,能够有效降低请求响应延时并且减少服务成本,满足了客户对于云服务成本按需付费的需求.然而,无服务器计算中面临着弹性扩缩容需求导致的冷启动延迟问题.提前预热函数实例能够有效地降低冷启动发生频率和延时.然而,在云环境中流量突发问题极大地增加了预测预热函数实例数的难度.针对上述挑战,提出了一种基于概率分布的弹性伸缩算法(probability distribution based auto-scaling algorithm,PDBAA),利用监控指标历史数据预测未来请求的概率分布,以最小化请求响应延时为目的计算预热函数实例的最佳数量,并且PDBAA能够有效地结合深度学习技术的强大预测功能进一步提升性能.在Knative框架中,通过NASA和WSAL数据集对算法进行了验证,仿真实验表明,相比于Knative弹性伸缩算法以及其他预测算法,所提出的算法弹性性能提升了31%以上,平均响应时间降低了16%以上,能够更好地解决流量突发问题,有效地降低了无服务器计算请求的响应延时.
为更好促成建筑信息模型(building information modeling,BIM)技术在实际工程中的有效应用,需要深入了解利益相关方在BIM取舍时对何种决策更加支持,以及何种风险因素更可能左右其决策.通过分析施工、环境、技术、合同4种风险场景行为,...
详细信息
为更好促成建筑信息模型(building information modeling,BIM)技术在实际工程中的有效应用,需要深入了解利益相关方在BIM取舍时对何种决策更加支持,以及何种风险因素更可能左右其决策.通过分析施工、环境、技术、合同4种风险场景行为,构建业主方、设计方和施工方三方演化博弈模型,并根据这些风险的影响程度分别调查三方主体,得到特征属性差别大的高维数据集,借助机器学习中的主成分分析(principal component analysis,PCA)方法,对高维数据集进行降维,并在实际工程场景下进行仿真模拟,得到了实现三方利益最大化的最优稳定策略及风险控制措施.结果表明,设计方在策略选择时最易受到风险因素的影响,但仍旧会积极地应用BIM技术,承包方会考虑BIM设计与实际施工存在出入,更倾向于减少对BIM技术的依赖,业主方选择对BIM应用中的行为进行直接干预,则可以促进设计方和承包方的合作,最大限度地实现项目利益最大化和风险的有效控制.
暂无评论