基于机器学习的复杂网络数据流均衡调度仿真

摘要

针对传统方法下复杂网络数据流均衡调度中,普遍存在着调度准确率较低、完成时间较长和能量消耗较大等问题,提出了一种基于机器学习的复杂网络数据流均衡调度方法。通过对网络数据流进行分析,获取数据流节点相关参数,利用机器学习中的KNN算法对数据流节点进行分类,数据流节点和存储节点之间不同属性相应的重要程度不同,考虑到数据流任务公平性问题,根据数据流公平性获取数据流负载均衡度,以负载均衡度构建数学模型,考虑最短时间和最优数据流负载构建猫群算法的适应度函数,获取最优调度方案,完成数据流均衡调度。实验结果表明,所提方法调度准确率较高、完成时间较短、能量消耗较低。