一种基于平衡能耗与服务质量的动态虚拟机整合方法和系统

    公开(公告)号:CN114741160A

    公开(公告)日:2022-07-12

    申请号:CN202210407757.7

    申请日:2022-04-19

    IPC分类号: G06F9/455 G06F9/50 G06N3/04

    摘要: 本发明公开了一种基于绿色节能的虚拟资源整合方法和系统,基于平衡能耗与服务质量的动态虚拟机整合方法,包括:1)物理主机负载预测:基于三次指数平滑模型和Elman神经网络模型的预测算法来预测下一时刻的物理主机的工作负载;2)物理主机负载状态检测:通过混合负载检测算法来识别当前的物理主机的负载状态;3)虚拟机选择:基于CPU与内存感知的虚拟机选择算法,来选择非适载主机上的需要迁移的虚拟机;4)虚拟机放置:基于资源需求伸缩量的虚拟机放置算法,根据虚拟机迁移队列的资源需求与数据中心内适载主机的资源信息,从中选取合适的用于安置迁移虚拟机的物理主机。本发明减少了虚拟机的迁移次数,在消耗较低能源同时维持了高水平的服务质量。

    一种基于特征选择算法的网络入侵检测方法

    公开(公告)号:CN112511519A

    公开(公告)日:2021-03-16

    申请号:CN202011313089.9

    申请日:2020-11-20

    IPC分类号: H04L29/06

    摘要: 本发明公开了一种基于特征选择算法的网络入侵检测方法,包括如下步骤:1:使用QBSO‑FS算法,对NSL‑KDD数据在多种机器学习模型上的分类效果进行优化,获得优化子集;2:使用步骤1得到的优化子集,联合决策出新的特征子集;3:使用步骤2得到新的特征子集作为输入,用于复杂机器学习模型分类使用。本发明方法是基于QBSO‑FS和机器学习的入侵检测方法,原始数据经过特征选择后在普通机器学习算法中分类精度有效提升,在融合多种机器学习算法分类的最优特征子集后,数据集在高性能机器学习分类算法上表现优于一般特征选择算法;通过使用特征选择来提升机器学习算法的分类精度,适用于物联网环境下设备计算资源不多的情况,实际布控可行性是高于复杂的深度学习模型的。