虚拟计算环境下基于改进二分K均值的任务聚类模型
针对虚拟计算环境中任务具有数量庞大、需求模糊、种类多样等特征,本文通过虚拟计算实验床平台公布的一周数据,提出了一种对任务特征进行聚类的分析模型,通过分析任务特征,从运行需求、服务指标、任务状态与消耗情况等方面进行分析,并基于机器学习理论对任务特征进行聚类研究,经实验结果验证,应用与任务消耗之间的关系不是绝对的.根据不同任务特征进行聚类,其聚类结果也各不相同.此外,取值半径越小,簇类数量越少;当取值半径的数值不变时,合并因子越小,簇类数量越多.这些实验结果为构建任务仿真模型与解决虚拟计算环境下资源匹配面临的挑战提供新思路.
计算机网络 虚拟计算环境 任务分配 聚类算法 机器学习理论
国内会议
西安
中文
126-131
2016-06-24（万方平台首次上网日期，不代表论文的发表时间）