文摘
为了提高智能资源调度效率的高校教育体系,提高教育资源的稳定和安全处理,本文结合云协同计算技术提高云计算任务调度算法,并使用改进的任务调度算法。此外,本文结合了全局优化和局部优化过程使最终的最优解的性能更好,进一步减少集群中的任务调度执行时间,从而提高云计算的计算效率。此外,本文结合了改进算法来构造系统结构框架,并通过实验验证了系统的性能。实验研究结果表明,高校智能教育系统基于云协作计算任务调度算法本文构造的各方面很好,在处理教育资源有更大的优势。
1。介绍
今天,当网络信息技术变得越来越成熟,教学交互的概念变得越来越丰富,这也让学习方法和内容更加多样化的选择。目前,越来越普遍使用便携式移动设备实现课程的教学互动。在评价理论和互动教学理论中,学生和教师都是评价的主体。此外,学生评价自己的学习成果主要是通过相互评价和自我评价,和学生也可以评估教师的教学行为(1]。这样的技术手段不仅可以帮助学生养成更好的学习习惯和强烈的学习兴趣也使教师能够更直观地了解每个学生的学习情况。特别是,该方法更重要的是当大部分老师还是主观地评价学生的学习行为,从而能够评估之前认为是不可能的(2]。云存储(3)是一种新的网络存储技术的基础上扩展和发展云计算。高速网络和Web 2.0技术的前提下,它使用集群技术,分布式文件系统技术、网络技术、数据压缩技术和其他相关技术连接大量的各种类型的硬件存储设备,分散在不同的地方,和工作在一起,并提供了数据存储、访问和其他功能,形成一个可扩展的存储资源池。
本文结合了云协作计算任务调度算法来构建一个智能高校教育体系,分析高校智能教育的过程中,并进一步提高智能教育的影响在此基础上。
2。相关工作
云计算的概念的兴起推动云存储技术的发展。云存储服务模型提供的云存储服务提供商主要划分为两种类型(4):一个是大容量文件共享,关注大文件的存储和共享用户;另一个是云同步存储,同步存储的文件。然而,由于云存储市场的混乱,因为有太多的云存储产品,很难定义两种存储模式(5]。Dropbox是一个在线文件存储服务Dropbox开发的。它通过云计算同步文件和其他先进技术在网络环境中。用户可以存储和共享各种文件和文件夹,支持不同的操作系统和多个智能客户端(6]。Google Drive是一个在线云存储服务推出了谷歌。它不仅可以提供免费空间也为扩张能力;与此同时,Google Docs是内置的,用户可以实时地与他人合作;此外,Google还将提供第三方提供者API接口,允许人们来自其他项目的内容保存到Google Drive (7]。OneDrive(原名天空驱动)是微软推出的云存储服务,文件存储,文件管理、权限控制、在线办公,和其他服务8]。它可以访问信息化的研究现状和情报领域的国内外教育通过多个客户。文献[9)主要研究如何实现系统集成和资源共享,提高硬件利用率,但缺乏对大规模数据处理的研究。文献[10]提出了解决信息孤岛的问题企业的混合架构模型的两个,但没有介绍资源整合和如何提高资源利用率。文献[11)提出了一个基于云计算的虚拟桌面系统研究在教育领域虚拟教室的使用。文献[12)提出了集成知识组织和知识管理和治疗知识作为服务(成熟),演示如何使用这个概念在英国大学。文献[13主要研究资源共享和利用,但它不解决不平衡的问题利用资源。文献[14]提出模型的复杂因果关系系统中通过构造一个系统模型和验证result-factor通过模型分析系统模型中存在的关系。文献[15)提出了一种新的教学课件资源的系统整合Web服务SOAP协议。文献[16)总结了从传统教育信息化转变为教育服务在云计算环境下的云计算架构的教育。
相互独立和关闭的问题教育系统,大多数的研究是进行SOA的集成异构系统资源,系统之间的互连和可操作性还通过大量的研究等方面的集成,重建和适应。文献[17)描述了现代远程教育的体系结构和基本特征基于云计算,分析远程教育云的变化带来了教育和教学方法,并期待其部署。文献[18)总结了基础教育云高级特性,比如高效的机构组织,教育资源共享,减少研发投资,管理和操作成本。计算机科学学科更关心的问题,如基础设施和教育云服务的实现技术。文献[19]提出一种基于云架构模型共享内容对象参考模型,它突破传统学习系统的巩固了学习方法和实现统一存储分配和灵活的课程和学习资料等教育资源建设内容访问中间件。文献[20.]描述了从传统的电子学习转变为云服务和云服务架构和讨论的商业化模式教育云服务和推广的潜在风险和操作。
3所示。教育资源云任务调度
云计算系统任务调度过程涉及到用户级别,任务调度机制,虚拟机级别,数据中心的水平。用户提交的任务,服务代理连接用户和虚拟机将任务分配给虚拟机执行任务根据提供的调度策略任务调度机制。流程如图1。
任务调度是地图任务提交的用户在数据中心中虚拟机资源,映射过程是通过一定的算法实现。云计算任务调度过程是基于虚拟机执行任务的过程。它可以分为两个级别的任务调度:第一级调度主要是用户和虚拟机之间的调度,和第二级调度主要是主机和虚拟机之间的调度。图1显示第一级调度过程。
云计算任务调度过程之间的差异和其他系统的任务调度过程是由云计算平台的特殊性造成的。首先,云计算所在的网络环境决定了任务调度过程中可用资源的多样性。其次,云计算的分布式特性决定了大规模的任务调度。最后,云计算使用组的多样性决定了不同。任务调度必须符合不同的约束。
云计算任务调度的过程中,需要考虑用户提出的各种需求,比如如何降低成本,提高资源利用率,提高工作效率。目前,更多考虑的优化目标的云计算任务调度过程如下:(1)时间:当以时间为优化目标。这里的时间可以从很多方面考虑,比如任务的完成时间。平均完成时间:用户和云计算服务提供商希望在相对少量的时间完成他们的工作,或者在同一时间完成更多的工作,所以时间是一个重要的任务调度过程中优化目标。(2)资源利用率:资源利用率是指物理资源的合理分配任务调度过程中最大化系统中虚拟机的使用。资源利用率的提高也是提高工作效率,所以资源利用率是一个非常重要的任务调度过程中优化目标。(3)成本:成本是指为用户所需的费用提交工作任务处理的虚拟机。成本问题是用户和供应商的共同关心,所以成本问题是值得研究的。(4)系统负载:系统负载合理化可以确保系统虚拟机分配合理,也就是说,确保任务完成进度,还能提高工作效率的虚拟机,这取决于所使用的调度算法的优缺点。因此,系统负载优化的目标之一,和它的地位是不言而喻的。
混乱的猫群算法用于混沌猫组算法的调度模型提出了基于猫群算法是一种改进。其中,初混沌猫群的实现算法,猫群需要初始化。根据分组率先生(混合比例),猫群分为搜索模式和跟踪模式。搜索模式可以被视为本地优化和跟踪模式可以被视为一个全球优化。两个优化过程后,最终获得最优解决方案。猫在两种模式会有不同的活动状态。在搜索模式下,猫的速度和位置更新通过一系列的操作按照国家模式的猫。根据本文中所开发的适应度函数,猫在当前位置的健身价值计算和最优值是保留。在跟踪模式,更新的速度分量和位置分量猫和检查值是否超过了设置最大和最小范围。对于那些在范围内,不进行处理,个人超出范围的值设置为相应的边界值通过映射变换,和个人健身价值计算位置改变后。 More detailed operation steps of the two modes will be given below. The algorithm compares the cat population fitness values in the two modes and selects the largest fitness value in the population and keeps it as the optimal solution for this iteration. After that, the algorithm compares the experimental results according to the end conditions set in the algorithm in advance. If the requirements are met, the program will end, and if the requirements are not met, we continue to the next step. In the next step, the cat in the search mode and the cat in the tracking mode will exchange information, and the cat’s position information will be chaotically mapped. The chaotic mapping is mainly to improve the diversity of the population and avoid the algorithm “premature.” The population after chaos mapping has returned to the mode division, and the next generation of population optimization will be started from then on. The specific solution steps of the cat group algorithm are simplified to the following steps:(1)算法初始化猫群,即初始化的位置和猫组的速度分量,人口规模 ,最大迭代次数 ,分组率(混合比例)先生,等等。猫组是活动的范围 。分组率的大小决定了先生的猫跟踪模式。根据实际情况,大多数猫是一个懒散的状态,大多数猫是在搜索模式,和一些在跟踪模式,所以先生的价值通常是很小的(2)该算法计算种群中所有的猫的健身价值和记录的最大的健身价值(3)随机算法组猫组根据分组率先生:这是判断猫是否跟踪模式或搜索模式的下一步(4)跟踪模式(5)搜索模式(6)算法计算个体的适应度值的两种模式并选择个人最大的当前最佳的健身(7)该算法法官是否满足终止条件。如果满意,算法输出最优解和结束过程:否则,使用混乱的地图更新的位置猫和重复这个过程(3)-(6)进行优化和迭代处理。一般的算法有两个终止条件:迭代次数达到上限和最优解满足需求。本文使用的最大数量的迭代执行
云计算任务调度任务调度的过程可以分为两个层次:第一层是完成用户和虚拟机之间的调度,第二个层次是完成主机和虚拟机之间的调度。云计算任务调度过程中,任务分工需要考虑用户和虚拟机之间,以及主机和虚拟机之间的调度需要考虑它们之间的映射关系。任务调度研究属于一级调度。在这个任务调度过程中,用户提交的大任务分成更小的子任务。然后,使用任务调度策略和负载平衡的原则后,最优跨度,QoS,等等,这些子任务合理地分配给相应的计算资源节点执行( )。调度模型如图3。
如图3,任务调度过程包括用户、任务调度器和虚拟机。用户提交的任务,系统划分为多个大型任务的子任务和分配任务到指定的虚拟机执行调度器的调度策略。这里提到的调度机制是指不同的调度算法提出的用户根据自己的需求。
3.1。任务执行时间函数
从上面的任务调度模型建立在任务调度过程中,用户提交的任务分配虚拟机,和数量的任务远远大于虚拟机的数量 。被定义为虚拟机列表 ,在哪里是虚拟机的数量。所有提交的任务的列表长度的定义是集 ,TaskLength每个任务对应的长度。用户提交的任务的执行时间上的虚拟机设置为Exetime,公式如下:
其中,VMdeal是每个虚拟机的计算能力,及其计算公式如下公式所示:
其中,代表每个虚拟机的数量的cpu,代表指令每秒处理的CPU, BW是虚拟机的网络带宽。在实际的任务调度过程中,由于随机性的任务分配,每个任务可以分配给多个虚拟机。因此,在虚拟机的计算时间,是不可能简单地加起来。现在,我们给总当所有虚拟机执行任务,和公式如下所示:
这意味着一个任务在多个虚拟机的运行时间是平均第一,然后,所有任务的执行时间是总结。
3.2。负载均衡功能
虚拟机的负载定义如下:在任务分配方案 ,负载一个虚拟机的任务执行时间分配上的所有任务 - - - - - -虚拟机。公式如下所示:
其中,VMload任务指令长度的总和在虚拟机,和它的公式如下所示:
因此,所有虚拟机的负载值如下:
根据计算能力每个虚拟机的上面提到的,系统的最大计算功率显示如下:
平均计算时间的所有虚拟机系统被定义为 ,和它的公式如下所示:
首先,系统负载平衡程度,及其功能如下所示:
Loadsys不仅是系统负载的标准差;它还代表了系统的负载平衡。为了使系统更加平衡,Loadsys应尽可能小。
在多目标任务调度的过程中,选择两个目标为优化对象,并根据优化目标函数是制定目标达到最优化的效果。设计目标函数主要用来计算个人的健身价值的大小。健身价值的大小也被称为个人的健身价值。一般来说,健身值是负的,和健身价值的大小反映了个人的健康。健身价值越大,越大个人健康。基于适者生存的原则在人群的迭代过程,人们更愿意选择个人更适合保留,所以最终适应度函数的设计还表明,个人优势健身价值成正比。然而,对于目标函数的设计,因为要优化的目标是多样化,及达到的程度也是不同的,积极的和消极的结果不是必需的。例如,为了获得一个更小的值,目标函数是较小的,然后,个人的健身价值会更大。
摘要混沌猫群算法用于优化多目标函数,函数选择执行时间和负载平衡的优化目标。当人口迭代选择、健身作为选择条件。个人具备更大的健身和适应度函数设置根据用户需求。根据健身原理,设置的位置 - - - - - -th猫后迭代,然后,适应度函数的设计来计算它的价值。适应度函数如下所示:
其中,公式(10)是个体的适应度函数的执行时间的人口,和公式(11)的负荷计算个体的适应度函数的人口。
为了整合巨大差异的两个函数,每个函数的值的对数,然后把倒数最后加起来获得目标函数所示(12)。
迭代过程的混乱的猫,这只猫组分为两个工作模式根据分组率先生追踪模式进行了分析。混乱的猫组跟踪模式,猫群的位置信息的变化相对比的变化简单搜索模式,但其搜索范围变得更大的结果,所以这种模式对应于算法的全局优化过程。由于大搜索范围,更新猫组信息时,有必要考虑是否更新的猫集团已经跑出规定范围的活动。一旦超出了范围,超出部分需要更改的信息,和改变的方法就是地图的位置超过的部分。跟踪方式的具体步骤如下:(1)该算法使用公式(12)和(13)来更新每个猫和比较它的速度变量设置速度边界值。如果超出范围,它将设置为周边边界值 (2)该算法使用公式(14)和(15)来更新每个猫和比较它的位置变量的设置位置边界值。如果超出范围,它将设置为周边边界值
其中,适应度函数的最优值的吗 - - - - - -猫,是一个常数,然后呢是一个变量,通常在[0,1]。
chaos-improved猫群算法主要用于改善全局优化。首先,我们使用了七种不同的混沌映射来提高算法的模型的步骤。通过研究和分析,我们得出结论,物流和正弦图被认为是最好的。最后,我们比较改进前后的算法通过实验证明改进算法的优越性。因此,本文中使用的映射是一个逻辑混乱的映射。
逻辑混乱的地图可以让整个人口之间实现平衡全局搜索能力和局部搜索能力,在资源分配任务调度有很好的优势。中使用的逻辑混乱的地图是混乱的猫群算法,及其表达式如下所示:
其中,是迭代的数量,混沌参数, , 。在经典的逻辑映射,是一个变量。它可以看到从方程(16),影响物流的状态映射。的价值也受到影响 。当增加,的值范围也会增加,分布更均匀。时的值增加到4,逻辑映射也往往是满射,序列分布最均匀。这是进一步证实了计算。计算后,发现当 , ,和 ,系统的混沌状态是安全的。传统的变量 。之后,我们使用公式(17)和(18)映射和转换混乱变量。公式如下:
其中,和是猫群的活动范围,然后呢是猫的位置。
4所示。高校建设的智能教育系统基于云计算任务调度算法
multitenant-oriented,低成本和可伸缩的数字教育云服务架构需要建立。架构的层次都是互相联系又相互独立的,和上层实现依赖底层特征,但底层的结果需要上层交付给用户,如图4。
从云计算服务级别和范围的划分,高性能的智能教育云服务平台的体系结构分为三层。它由一个教育云基础设施层,一个教育云服务平台层、和一个教育软件和系统应用程序层如图5。
教育云服务用户发现页面中的选项来更改服务服务。这里的页面改变服务是公共服务的特定页面上的变化。例如,普通学生想要添加一个评论模块下的远程课程。特定页面服务工作流如图6。
智能教育云服务平台的数据中心解决了高质量的教育资源利用率低的问题,通过构建数据服务数据处理效率低。通过构建一个云存储环境中,分散的问题,非共享和低存储容量的教育资源是解决。数据中心包括一个物理层和虚拟层,及其数据资源结构图如图7。
图8显示了整体服务水平结构的智能教育云服务平台。
从系统分层的角度,基于SOA的云服务架构可以分为物理资源层,虚拟化资源池层,SOA服务中间件层,建筑层。其体系结构模型如图9。
本文计算的性能智能教育系统基于云中的合作的高校分别计算任务调度算法提出了和项云任务调度,教育资源处理和教育系统的效果评估。结果如表所示1- - - - - -3。
从艺术的研究,我们可以看到,学院和大学的智能教育系统基于云协作计算任务调度算法本文构造的各方面很好,在处理教育资源有更大的优势。
5。结论
使用云存储的分布式存储技术,教育资源分为多个块和在云中存储在节点,和云存储技术是用来改善备份管理和容量管理,大大保证了数据安全的教育。因此,根据当前的教育系统面临的许多瓶颈,云存储技术是用于建立一个智能教育云存储系统中,用于集中和虚拟化和云计算技术的管理各种类型的教育硬件设施设备。此外,通过有效的存储和高各种教育资源和数据的共享,它打破了孤立的教育制度建设模式;保证了安全性、灵活性、稳定性和可靠性的教育数据资源;并避免多级重复建设。本文结合了云协作计算任务调度算法来构建一个智能高校教育体系,分析高校智能教育的过程中,并进一步提高智能教育的影响在此基础上。学院和大学的智能教育系统基于云协作计算任务调度算法本文构造的各方面很好,在处理教育资源有更大的优势。
数据可用性
标签数据集用于支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究是由厦门大学的技术。