摘要：本发明公开了一种虚拟机迁移过程中的数据流自适应系统及相应的调整方法，针对现有技术中“停机‑重启”中因忽略了对后续到达原物理机的数据包的处理所带来的数据包丢失的问题，包括虚拟机停机时重定向数据包的发送端、虚拟机重启后重发数据包的接收端以及数据包在发送端和接收端之间的转移机制。本发明方法通过这三部分的有序结合，可以使得虚拟机在新的物理机上重启后仍然能够处理到达原来物理机的数据包，从而实现在整个迁移过程中到达虚拟机的数据包几乎无损失的效果，为上层的各种虚拟机方案设计提供了一个基础。

摘要：本发明涉及一种基于虚拟化的动态资源管理方法，其中，所述基于虚拟化的动态资源管理方法通过依据虚拟机的资源需求的随机变量完成对虚拟机的部署。在虚拟机的资源需求动态变化且需预知的情况下，将虚拟机的资源需求用随机变量的形式部署到物理机以及从物理机进行移除，从而实现将资源需求动态变化的虚拟机部署到物理机当中，同时，物理机有较高的资源利用效率。

摘要：本发明涉及一种虚拟化动态资源管理系统，其中，所述虚拟化动态资源管理系统通过依据虚拟机的资源需求的随机变量完成对虚拟机的部署。在虚拟机的资源需求动态变化且需预知的情况下，将虚拟机的资源需求用随机变量的形式部署到物理机以及从物理机进行移除，从而实现将资源需求动态变化的虚拟机部署到物理机当中，同时，物理机有较高的资源利用效率。

摘要：本发明公开了一种面向大数据处理的动态缓存替换方法及设备，方法包括：将大数据处理应用抽象成有向无环图G＝(V,E)，节点集合V表示大数据处理应用中计算的数据，边集合E表示数据间的依赖关系；基于有向无环图G＝(V,E)中包含的数据，以最小化大数据处理应用的整体执行时间为目标建立缓存替换问题数学模型，模型决策每个时刻t的待缓存数据；基于大数据处理特征简化缓存替换问题；基于动态规划思想求解简化后的缓存替换问题。本发明实现了动态适配数据处理过程中的数据访问模式的缓存替换，能够提高内存使用效率，大幅降低大数据处理应用的执行时间。

摘要：本发明公开了一种云数据中心高效能容器编排方法及系统，其包括获取云数据中心总体信息，包括服务器数量、各服务器资源上限、各服务器最小功率、各服务器最大功率，云数据中心提供的平均迁移网络带宽预算；获取一段连续时隙内所有容器的信息，包括容器数量、各容器资源请求量、各容器镜像大小、各容器运行时间、各容器迁移属性；根据该段连续时隙内所有容器的信息以及云数据中心总体信息，构建以最小化云数据中心平均能耗为目标的优化问题并求解，获得该段连续时隙的容器编排决策。本发明能够在无法准确获知未来容器创建请求数量和容器规格参数的情况下，在满足各种资源约束条件的情况下，获得当前时隙容器编排决策，高效节能环保。

摘要：本发明提供了一种气缸式动态载荷试验机，涉及光伏组件测试领域，控制组件、PLC及控制器，所述控制器通过线缆与所述PLC连接，所述PLC通过线缆与若干控制组件连接，所述控制组件包括比例阀、电磁阀、气缸、压力传感器及真空万向吸盘，所述PLC通过线缆分别与所述比例阀及两个所述电磁阀连接，所述比例阀通过气管与所述电磁阀连接，所述气缸通过气管与所述电磁阀连接，所述气缸的下方连接有所述压力传感器，所述压力传感器的下方固定有真空万向吸盘。

摘要：本项发明揭示了一种边缘推断应用干扰感知的GPU资源配置方法、装置和系统。该方法针对不同版本推断模型在单边缘节点上的吞吐量以及多版本推断模型并发运行的干扰进行建模，并通过Lyapunov将长期的队列平均优化问题转化成单时隙的多目标优化问题，并采取马尔可夫近似不断局部迭代找到最优解，确定当前时隙下边缘节点多版本推断模型在单边缘GPU上的资源配置决策。此方法依据实时监测的网络带宽、节点内推断请求的积累及前一时隙模型部署的效果，综合考虑推断请求的队列积累以及放置推断模型的平均精度，持续优化边缘节点的模型分配和资源利用，可在不确定的推断请求量出现之前，实现边缘节点上多个版本推断模型的GPU资源配置调整。

摘要：本发明公开了一种多方交互式实时视频流持续一致性保障方法和系统。本发明考虑了在多个远程计算节点与终端间的实时网络延迟、远程计算节点的渲染到编码延迟、传输与传播延迟以及终端设备的解码延迟，在视频流的端到端延迟阈值内，最大化多方用户的持续一致性水平，并将伴随服务实体切换产生的一致性损失控制在合理范围内。通过建立一致性损失积压队列，将长期问题解耦至时隙内，随后进行定义域放松，并使用凸优化方法对单个时间片问题求解。面对违反约束的情况，采用局部搜索策略调整方案以确保解的质量。调整后的方案将作为最终计算节点切换的决策，并在当前时隙中重新部署渲染任务。本发明能有效提高多方用户的持续一致性水平。

摘要：本发明公开了基于深度学习任务的算力资源状态预测方法、装置和系统。通过结合深度学习任务自身特征和任务实际运行的硬件环境特征，基于部分硬件环境下已知的任务算力资源状态，对该任务在其他硬件环境中运行时的算力资源状态利用机器学习方法进行预测。其中所述算力资源状态包括但不限于GPU利用率、显存占用量等量化指标。本发明能够在无法准确获知深度学习模型具体结构与配置时，利用不涉及模型隐私信息的任务特征、硬件环境特征和部分硬件环境下已有的任务算力资源状态。

摘要：本发明公开了一种随着负载变化，动态调整计算资源的云计算平台中Web应用的自适应伸缩控制系统及其方法，系统包括性能监视器、负载数据库、性能模型计算模块、优化控制器和自动配置模块。方法为：首先性能监视器根据Web应用的结构和请求处理流程，构造分层队列网络模型；通过在真实的云计算平台中部署web应用，并在web应用的每一层组件中插入记录标签，以记录每个请求在每个组件的每种资源处的实际执行时间，从而得到性能模型计算模块中web应用性能模型所需要的参数；当应用负载发生变化时，优化控制器通过启发式的搜索算法，计算每一种资源配置方案下应用的性能，找到所需代价最小又能同时满足用户QoS需求的配置方案，作为最优配置方案；最后由自动配置模块重新调整应用每个组件所需要的资源。