基于数据挖掘的电力云资源规划调度

doi:10.11959/j.issn.1000-0801.2015084

摘要/Abstract

摘要：

随着虚拟化技术的应用，数据中心的资源利用率已经得到一定程度的提高，但是云资源通常还是根据用户提出的需求预先分配，资源利用率仍然有待提高。为了进一步改进资源利用率，云中心的实际资源需求可分为“周期资源”及“峰期资源”。“周期资源”可以通过历史规律，利用递阶成分负载模型进行分析，预测出数据中心大部分时间的资源需求；“峰期资源”主要是满足短时间内的各种高峰资源需求，这种需求应用了排队论及随机均衡算法模型并根据实际应用的需要动态启用、分配和收回资源。通过使用资源收集与分配守护进程对云中心资源需求进行规划调度实验，效果明显，从而为云中心资源利用率的提升及节能减排提供了一种有效途径。

关键词: 数据挖掘, 智慧电力云, 云资源调度

Abstract:

Since the wide use of virtual technology,the resource use rate in cloud data center has been improved effectively than ever before.However,there is still a large space for improvement due to the resources usually are pre-started and pre-allocated by the user demand rather than the actual needs.In order to allocate available resource more accurately,two algorithms were proposed to meet the needs of the daily use in most of time.The available virtual resources would be arranged according the forecast using the algorithms of hierarchical composition of loading and the peek resources needs would be dynamic allocated using the algorithms of stochastic equilibrium and queuing theory.The results of experiment via the system based upon above theories show that the solution provides a kind of very effective advanced means for the optimal use of resources and energy saves.

Key words: data mining, smart grid cloud, cloud resource scheduling

庞松涛. 基于数据挖掘的电力云资源规划调度[J]. 电信科学, 2015, 31(3): 142-147.

Songtao Peng. Resource Scheduling for Cloud Data Center Based on Data Mining in Smart Grid[J]. Telecommunications Science, 2015, 31(3): 142-147.

图/表 8

图1

图2

图3

图4

图5

图6

图7

图8

参考文献 13

1	张大华，丁辉，吴向阳等. 面向智能电网的电力云计算架构. 电力通信管理暨智能电网通信技术论坛论文集，北京，中国, 2011 Zhang D H , Ding H , Wu X Y et al. Cloud computing architecture for smart grid. Proceedings of Electric Power Communication Management and Smart Grid Communications Technology Forum, Beijing,China, 2011
2	王利赛，杨明玉，孙月琴等. 电力云研究综述. 电力信息化， 2011（5） Wang L S , Yang M Y , Sun Y Q et al. Summary research on electric power cloud computing. Electric Power Information Technology, 2011（5）
3	王鹏 . 云计算的关键技术与应用实例. 北京：人民邮电出版社， 2010 Wang P . Examples of key techniques and application on cloud computing. Beijing: Posts and Telecom Press, 2010
4	徐国祥 . 统计预测和决策. 上海：上海财经大学出版社， 2011 Xu G X . Statistical forecast and decision making. Shanghai: Shanghai University of Finance and Economics Press, 2011
5	陆传赉 . 排队论. 北京：北京邮电大学出版社， 2009 Lu C L . Queuing Theory. Beijing: Beijing University of Posts and Telecommunications Press, 2009
6	Kalekar S P . Time series forecasting using holt-winters exponential smoothing. Kanwal Rekhi School of Information Technology Tech Rep, 2004
7	Dostal Z . Optimal Quadratic Programming Algorithms:With Application to Variations to Variational Inequalities. New York:Springer, 2009
8	Jiang Y , Perng S C , Li T , et al. ASAP:a self-adaptive prediction system for instant cloud resource demand provisioning. Proceedings of ICDM, Vancouver,Canada, 2011
9	杨巨龙 . 大数据技术全解. 北京：电子工业出版社， 2014 Yang J L . Big Data Technology Entire Solution. Beijing: Publishing House of Electronics Industry, 2014
10	苏跃进，韩英杰 . 基于分布式电站群的智能数据分析中心建设与实践. 电信科学， 2013（11）:122～126 Su Y J , Han Y J . Construction and practice of intelligent data analysis center based on distributed power plant. Telecommunications Science, 2013（11）:122～126
11	耿亮，吴燕，孟宪楠 . 电力数据挖掘在电网内部及各领域间的应用. 电信科学， 2013（11）:127～130 Geng L , Wu Y , Meng X N . Application of power data mining within and between grid fields. Telecommunications Science, 2013（11）:127～130
12	赵云山，刘焕焕 . 大数据技术在电力行业的应用研究. 电信科学， 2014（1）:57～62 Zhao Y S , Liu H H . Research on application of big data technique in electricity power industry. Telecommunications Science, 2014（1）:57～62
13	黄章树，刘晴晴 . 基于云计算服务模式的数据挖掘应用平台的构建. 电信科学， 2012（1）:53～57 Huang Z S , Liu Q Q . Construction of data mining application platform based on the service models of cloud computing. Telecommunications Science, 2012（1）:53～57

[1]	胡坚, 孙磊, 尹以雁, 杨晓康, 白金贵, 张叶江. 基于数据挖掘和地理可视化的4G/5G语音质量优化研究[J]. 电信科学, 2022, 38(10): 131-139.
[2]	周晶,孙喜民,于晓昆,边新宁. 知识图谱与数据应用——智能推荐[J]. 电信科学, 2019, 35(8): 165-172.
[3]	陈小峰,赵雅迪,张利鹏,朱峰. 电力潜在敏感客户预测的大数据方法应用[J]. 电信科学, 2019, 35(11): 117-124.
[4]	李卓航. 一种改进的CLTree算法[J]. 电信科学, 2016, 32(8): 124-127.
[5]	王雪琼,熊珺洁,姚晓辉. 基于大数据挖掘的终端换机模型[J]. 电信科学, 2016, 32(12): 43-52.
[6]	王永峰,程新洲,高洁. 大数据架构在企业中的应用[J]. 电信科学, 2015, 31(9): 170-174.
[7]	廖建新. 大数据技术的应用现状与展望[J]. 电信科学, 2015, 31(7): 1-12.
[8]	庞松涛. 基于数据挖掘的电力云资源规划调度[J]. 电信科学, 2015, 31(3): 2015084-.
[9]	张丽敏. 云环境下一种低成本的数据安全存储和处理框架[J]. 电信科学, 2015, 31(2): 46-51.
[10]	杨志敏,吴斌,舒然. 基于大数据处理技术的电力通信网检修工作分析方法[J]. 电信科学, 2015, 31(11): 166-173.
[11]	刘丽娇,陶俊才,肖晓军,卢宇. 电信大规模社交关系网络图数据挖掘研究[J]. 电信科学, 2015, 31(1): 2015035-.
[12]	刘丽娇,陶俊才,肖晓军,卢字. 电信大规模社交关系网络图数据挖掘研究[J]. 电信科学, 2015, 31(1): 23-31.
[13]	苏洋,刘晓军,唐勇,黄洋. 游戏大数据平台研究与实践[J]. 电信科学, 2014, 30(10): 21-26.
[14]	赵云山,刘焕焕. 大数据技术在电力行业的应用研究[J]. 电信科学, 2014, 30(1): 57-62.
[15]	张青. 移动互联网场景中客户特征分类技术研究[J]. 电信科学, 2014, 30(1): 136-141.