【摘 要】
:
近年来,随着科技的进步和发展,人类生活的计算和存储需求在不断增加,集群技术的应用也越来越广泛。然而,随着集群规模的扩大,集群管理问题也日益凸显。由于集群中节点的异构性,物理分散性和节点数目的不确定性等问题,目前的集群管理系统在通信复杂度,数据的一致性以及跨平台的可视化上还存在很大的弊端。针对现有集群管理系统的弊端,论文提出了一种基于ZooKeeper的集群管理方案,并使用图形界面程序Qt进行可视化
论文部分内容阅读
近年来,随着科技的进步和发展,人类生活的计算和存储需求在不断增加,集群技术的应用也越来越广泛。然而,随着集群规模的扩大,集群管理问题也日益凸显。由于集群中节点的异构性,物理分散性和节点数目的不确定性等问题,目前的集群管理系统在通信复杂度,数据的一致性以及跨平台的可视化上还存在很大的弊端。针对现有集群管理系统的弊端,论文提出了一种基于ZooKeeper的集群管理方案,并使用图形界面程序Qt进行可视化,最后实现了一个集群管理系统。管理人员可以使用该系统监控集群中节点服务器状态,并完成集群管理的相关操作。本论文在对经典的分布式选择算法(欺负选举算法和其改进算法)以及传统集群管理方案进行深入研究后,提出了一种基于节点性能和分布式协调服务ZooKeeper的选举算法,并根据集群管理系统的需求分析设计并实现了一个完整的集群管理系统。该集群管理系统不仅可以降低集群运行时内部各节点的通信复杂度和通信时长,保证节点服务器之间数据的强一致性,还可以提供直观简易的集群管理操作界面,满足不同平台下集群管理系统的安装和使用需求。最后,对设计并实现的集群管理系统进行实际部署和测试,结果表明本文提出的基于节点性能和分布式协调服务ZooKeeper的选举算法在选举时的通信复杂度和通信时间上均优于之前的选举算法,本文设计并实现的集群管理系统在功能上,操作上,跨平台运行上都有较好的实用价值。
其他文献
储层总有机碳含量预测可用于储层含油气水平及生烃潜力评估,对非常规油气勘探和开发具有重要意义。然而传统的储层总有机碳含量预测方法通常存在测井数据信息提取能力差、预测精度有限等问题。为解决上述不足,本文以储层总有机碳含量为研究对象,从数据处理角度出发,利用机器学习理论方法,分别从提升测井数据质量、测井特征优选、总有机碳含量预测精度改善的角度,系统地开展测井数据驱动总有机碳含量预测方法研究,重点解决测井
近年来,云计算发展迅速,已成为互联网行业构建基础设施的利器。云的弹性灵活不仅能节约资源,而且能支撑业务快速发展。因此开发云服务,整合产品资源解决用户使用成本高、研发团队重复建设等问题成为必要。本课题通过整合算法资源,实现了面向计算机视觉应用的云服务系统,为用户提供优秀的产品解决方案。为了承载不断扩张的需求带来的计算压力,更好、更快、更强地开发运维系统服务,本课题提出采用消息中间件与容器虚拟化等关键
随着计算机技术的不断发展,互联网已经成为了人们日常生活中不可分割的一部分。一些大型网站提供不间断的服务,每天巨大的访问量给系统的正常运行带来了严峻的挑战,单个服务器已经不能满足企业的需求。为了满足系统支持高并发、低延迟的需求,许多大型网站的后端系统采用了服务器集群的方式,而不再是单一的服务器。通过集群内服务器节点的协同合作,提供稳定的服务。但这种方式带来了一个新的问题,服务器集群可能会出现负载不均
序列推荐是推荐系统领域近几年来新兴起的一个研究热点,与传统的推荐系统利用用户的长期兴趣偏好进行推荐不同,序列推荐考虑到用户的兴趣会随着时间的变化而发生改变,依靠用户与项目交互而产生的序列信息动态地构建用户的兴趣偏好,可以更为精确的完成对用户的推荐任务。目前,提取用户行为序列信息的方法有很多种,最为新颖的一种是在时间和潜在空间中将用户的行为序列信息嵌入进一幅“图像”中,利用卷积神经网络中的卷积滤波器
随着互联网时代的到来,每天有数以亿计的信息在网络上更新,当用户需求不明确时,如何在纷繁复杂的信息中快速找到用户所需内容成为了挑战。推荐系统不仅可以向用户推荐曾经购买过的其他类似物品,还可以通过推荐物品附件来增加用户购买量,捆绑推荐相比于传统推荐更加符合用户的消费习惯及购买偏好。在捆绑推荐基础上针对捆绑包中各个物品的序列关系,综合考虑静态捆绑包及动态捆绑包,提出序列化的捆绑推荐模型。不仅考虑捆绑包间
随着互联网时代的到来,互联网技术被广泛应用于各个行业、各个领域,其中也包括教育领域。高校针对学生(主要为应届生)提供的就业服务的发展也是日益完善。基于互联网的高校就业服务指导工作创新凸显了互联网时代“互联网+就业服务指导”的创新有效性,为高校在该领域健康有效发展创造了契机,也凸显了互联网的诸多技术优势。本课题针对高校就业指导中心、应届毕业生和企业的实际需要,设计并开发了高校就业服务系统。本课题根据