基于最佳子图检测的虚拟网络嵌入算法

分布式云环境下能量感知的虚拟网络嵌入方法

Energy-Aware Virtual Network Embedding Approach for Distributed Cloud

近年来，网络虚拟化引起了许多研究者的关注。它简化了在单个物理网络上创建多个虚拟网络的过程。然而，尽管有这个优点，网络虚拟化仍然存在以最有效的方式将虚拟链路和节点映射到物理网络的问题。这个问题被称为虚拟网络嵌入（“VNE”）。为了解决这个问题，人们提出了许多研究方法，这些方法有很多优化的方面，如改进嵌入策略以保持能量，降低嵌入成本和增加嵌入收益。此外，一些研究人员已经扩展了他们的算法，使其与分布式云而不是单个基础设施提供商（“ISP”）更兼容。提出一种适用于分布式云环境的能量感知粒子群优化算法。该算法旨在使用重团匹配技术（Heavy Clique Matching technique，HCM）将每个虚拟网络请求（virtual network request，VNR）划分为子图以生成粗化图。粗化图中的每个粗化节点被分配给合适的数据中心（“DC”）。在每个DC内部，启动一个改进的粒子群优化算法，以找到VNE问题的近最优解。通过大量的模拟，对所提出的算法进行了测试和评估，结果表明所提出的算法优于其他算法。

Distributed Training of Graph Convolutional Networks using Subgraph Approximation

Modern machine learning techniques are successfully being adapted to data modeled as graphs. However, many real-world graphs are typically very large and do not fit in memory, often making the problem of training machine learning models on them intractable. Distributed training has been successfully employed to alleviate memory problems and speed up training in machine learning domains in which the input data is assumed to be independently identical distributed (i.i.d). However, distributing the training of non i.i.d data such as graphs that are used as training inputs in Graph Convolutional N…

MIRAGE：一种基于迭代MapReduce的FrequentSubgraph挖掘算法

MIRAGE: An Iterative MapReduce based FrequentSubgraph Mining Algorithm

频繁子图挖掘是图数据探索性数据分析的一项重要任务。多年来，已经提出了许多算法来解决这个问题。这些算法假设挖掘任务的数据结构足够小，以适合计算机的主存储器。然而，随着真实世界的图形数据在大小和数量上的增长，这样的假设不再成立。为了克服这个问题，近年来已经提出了一些以图形数据库为中心的方法来解决FSM;然而，使用MapReduce范式的分布式解决方案尚未得到广泛的探索。由于MapReduce已经成为海量数据计算的事实范例，因此需要一种有效的FSM算法来处理这种范例。在这项工作中，我们提出了一个频繁的子图挖掘算法称为MINUS，它使用一个迭代的MapReduce为基础的框架。MINUS是完整的，因为它返回给定用户定义支持的所有频繁子图，并且它是高效的，因为它应用了最新FSM算法采用的所有优化。我们的实验与现实生活中的大型合成数据集验证了MINUCLEAR挖掘频繁子图从大型图数据集的有效性。MINUS的源代码可从www.cs.iupui.edu/alhasan/software/获得

虚拟网络嵌入的模因精英Pareto进化算法

Memetic Elitist Pareto Evolutionary Algorithm for Virtual Network Embedding

虚拟网络嵌入（Virtual Network Embedding）是云计算平台面临的一个主要挑战。提出了一种求解虚拟网络嵌入问题的模因精英Pareto进化算法MEPE-VNE。MEPE-VNE采用了一种基于非支配排序的多目标进化算法NSGA-II，降低了构建非支配Pareto前沿层次结构的计算复杂性，并根据其支配水平和拥挤距离值为每个虚拟网络嵌入解分配一个秩值。通过局部搜索增强虚拟网络嵌入解，加快算法的收敛速度。为了减少好的解决方案的损失，MEPE-VNE通过将具有最佳适应值的虚拟网络嵌入解决方案传递给下一代来确保精英主义。仿真结果表明，该算法在降低底层网络开销的同时，提高了虚拟网络嵌入的接受率和收益，提高了虚拟网络嵌入的性能。

虚拟计算实验室中用户请求的性能约束与功耗分配

Performance Constraint and Power-Aware Allocation For User Requests In Virtual Computing Lab

云计算由规模经济驱动。云系统使用虚拟化技术以虚拟机的形式向用户提供云资源（例如CPU、内存）。虚拟机（VM）是一种面向用户应用的沙箱，适合在教育环境中为教学和科研需求提供计算资源。在资源管理方面，他们希望通过降低大规模数据中心系统的电子账单的昂贵成本来降低运营成本。基于租赁的模型适用于我们的虚拟计算实验室，其中用户请求租赁虚拟机的资源。本文提出了两种主机选择策略MAP（minimum of active physical hosts）和MAP-H2 L，以及四种解决租用调度问题的算法。FF-MAP、FF-MAP-H2 L算法满足能量消耗和服务质量（例如性能）之间的折衷。通过对LLNL Atlas日志转换的7天工作负载的仿真，表明FF-MAP和FF-MAP-H2 L算法在租赁调度器Haizea中比现有贪婪映射算法分别降低了7.24%和7.42%的能耗。此外，在HalfPI-FF-MAP和PI-FF-MAP算法中引入了合并比θ，θ分别为π/2和π，仿真结果表明，它们的能耗分别降低了34.87%和63.12%。