针对动态网格资源服务的不确定性问题,提出一种可量化分析资源服务QoS(quality of service)的多资源协同预留策略.该策略基于对运行在资源上的网格任务QoS指标分析,得出QoS满意度量化、归一化方法,建立资源服务QoS与预留容量之间的函数...
详细信息
针对动态网格资源服务的不确定性问题,提出一种可量化分析资源服务QoS(quality of service)的多资源协同预留策略.该策略基于对运行在资源上的网格任务QoS指标分析,得出QoS满意度量化、归一化方法,建立资源服务QoS与预留容量之间的函数关系,并以市场经济环境为背景,分析任务费用约束下资源价格与预留容量之间的关系,求解得出可均衡负载的多资源节点协同预留方案.理论分析给出了策略的有效性证明和算法,仿真实验采用真实网格系统中的任务负载信息作为实验负载,在较大规模的模拟网格系统中检验了所提出的预留策略的性能表现.实验结果显示,该策略在接纳任务数、资源利用率和任务违约率方面的性能表现显著优于传统的预留策略.
目的提出一种新的网络模型以解决COVID-19出现初期认知不够、检测能力受限以及潜伏期长等因素导致每天检测出的感染人数与真实感染人数存在差异的问题,并预测COVID-19疫情发展趋势。方法以历史时间窗检测出的数据为依据,将时间窗策略结合长短期记忆(long short term memory,LSTM)网络模型对世界各个地区的确诊人数进行预测分析。结果基于时间窗的LSTM网络模型与其他模型相比准确度较高。对时间窗宽度进行分析发现,当宽度取5时预测结果最接近真实数据,这与COVID-19的潜伏期普遍为3~7 d相吻合。结论该方法为COVID-19疫情发展以及其潜伏期的分析提供了参考。
暂无评论