基于凸優(yōu)化的未來網(wǎng)絡資源分配策略

尹然然

(安徽交通職業(yè)技術學院 城市交通與信息工程系，合肥 230051)

未來網(wǎng)絡資源是一類以分布式計算方式作為基礎的新型計算策略與服務形式，可以通過應用凸優(yōu)化的處理技術為計算數(shù)據(jù)提供可變的存儲空間與網(wǎng)絡資源數(shù)量，因此現(xiàn)階段該算法得到了眾多研究人員的密切關注[1].當前，各類信息數(shù)據(jù)不斷增加，對于數(shù)據(jù)處理速度也提出了新的要求，同時隨著信息處理系統(tǒng)復雜度的持續(xù)提升，要求進一步整合未來網(wǎng)絡資源架構，從而確保系統(tǒng)計算性能獲得提高的前提下進一步減少運行成本[2-3].目前，也有較多學者開展了網(wǎng)絡資源利用率、集群負載、任務運行時間、集群性能、能耗等研究，運用了不同的優(yōu)化算法對網(wǎng)絡資源進行分配[4]，之后在仿真平臺上對各個算法開展了性能測試分析，取得了良好的單一目標優(yōu)化效果，而關于綜合考慮性能方面的內(nèi)容還需進一步深入研究[5].

本文綜合分析了云平臺運行期間的網(wǎng)絡資源動態(tài)分配、負載與傳統(tǒng)粒子群的優(yōu)勢與缺陷，根據(jù)網(wǎng)絡資源動態(tài)分配特征，通過窗口思想對網(wǎng)絡資源的位置分配狀況進行預測，并在對網(wǎng)絡資源的分配速率與效果進行整體考慮的基礎上，實現(xiàn)網(wǎng)絡資源的高效分配；引入了凸優(yōu)化，以完成未來網(wǎng)絡資源多目標的優(yōu)化處理.在建立了未來網(wǎng)絡資源系統(tǒng)后，選擇更加合理的網(wǎng)絡資源初始化放置形式，也能夠提高未來網(wǎng)絡資源的動態(tài)分配速率.[6]所以，可利用凸優(yōu)化完成集群中的網(wǎng)絡資源初始化配置，以及運行階段的網(wǎng)絡資源分配過程.

1 未來網(wǎng)絡資源分配過程

1.1 多目標網(wǎng)絡資源的初始化配置

把n個網(wǎng)絡資源編號組合為隊列形式，再利用搜索算法獲得與m個物理節(jié)點之間的對應關系，之后把網(wǎng)絡資源放置在相應的物理節(jié)點上，實現(xiàn)優(yōu)化目標.可以將群體的各粒子位置與速率表示成如下形式：

(1)

(2)

為實現(xiàn)算法從局部最優(yōu)解中脫離，在凸優(yōu)化中加入了全局搜索的思想.結合Metropolis準則，當溫度等于T時，粒子達到平衡狀態(tài)的概率大小是exp(ΔE/kT).此處，E代表在T溫度下對應的粒子內(nèi)能，而ΔE是內(nèi)能變化量，k是Boltzmann常數(shù).在粒子群內(nèi)，可以通過目標函數(shù)來模擬內(nèi)能E，同時用參數(shù)t來模擬溫度T.對于全局搜索算法的模擬，則通過控制參數(shù)t以及初始解i實現(xiàn)，之后利用解的迭代形成新解，計算目標函數(shù)的變化量，接受或拒絕該新解，同時當每輪迭代結束后，根據(jù)比例降低t值，全局搜索公式為：

T(t+1)=α×T(t)

(3)

其中，α是模擬全局搜索過程中的冷卻衰減因子，其值是比1.00略小的正常數(shù).

1.2 網(wǎng)絡資源動態(tài)分配過程

利用時間序列預測平滑指數(shù)模型對熱點進行預測，明顯降低了熱點的誤判概率，同時也減少了分配次數(shù).如果窗口顯示CPU利用率多次出現(xiàn)警告值大于閾值的現(xiàn)象，并且超出了預定次數(shù)，同時CPU利用率也在閾值設定范圍之外，則可以通過平滑指數(shù)模型對后續(xù)CPU利用率進行預測，當其處于閾值的范圍之外時則對其進行分配，反之在窗口的警告次數(shù)上加1但不進行分配.

結合歷史數(shù)值，對后續(xù)CPU使用率進行預測分析.在第t+1時刻相應的負載見式(4)：

xt+1=αxt+α2xt-1+…+αn+1xt-n+αt

(4)

其中，α是對平滑指數(shù)進行預測的參數(shù)，是一個比1小的正數(shù)，用于預測后續(xù)窗口CPU利用率的影響程度；αt是正態(tài)分布中的一個隨機變量，確保預測結果能夠符合隨機性特征.

未來網(wǎng)絡資源對于目標的優(yōu)化作用是降低分配次數(shù)以及網(wǎng)絡資源的分配時間，從而實現(xiàn)目標優(yōu)化過程，這對分配質(zhì)量及效率都將產(chǎn)生顯著影響.

選擇CPU利用率與網(wǎng)絡資源內(nèi)存策略，對網(wǎng)絡資源進行分配時要確保其具有良好的分配質(zhì)量，得到式(5)所示的分配函數(shù).

(5)

其中：UCPU代表網(wǎng)絡資源的CPU利用率，Rram是網(wǎng)絡資源內(nèi)存大小.如果CPU的利用率過大，而內(nèi)存空間不足時，Q值將較大.采用網(wǎng)絡資源分配方式能夠快速實現(xiàn)熱點消除，CPU與內(nèi)存的數(shù)據(jù)都較少，將使分配時間快速減小.

對網(wǎng)絡資源進行分配時需對數(shù)據(jù)進行全面復制.式(6)給出了網(wǎng)絡資源的評價公式.

(6)

其中，UCPU、Uram、Ustorage分別為網(wǎng)絡資源的CPU、內(nèi)存、硬盤的占用值,UFCPU、UFS與UFR分別代表網(wǎng)絡資源的CPU、硬盤及內(nèi)存容量.隨著網(wǎng)絡資源的利用逐漸增大，其體積也會隨之增加，在分配時就需復制更多的數(shù)據(jù)量.所以，在搜索期間這種形式的網(wǎng)絡資源很少會被選擇.

對分配效果與時間進行綜合分析，利用較少的分配時間并顯著降低分配次數(shù)與節(jié)點利用率，以此確保未來網(wǎng)絡資源能夠長期穩(wěn)定高效的運行，結果見式(7).

E=a×Q+b×V

(7)

其中，a與b都是權值.將a與b的值設定成相等的結果，將得到分配效果與時間都不是最佳的網(wǎng)絡資源，對這兩個方面實現(xiàn)了兼顧考慮，從而能夠快速消除所有集群熱點.

2 實驗結果與分析

2.1 仿真環(huán)境

圖1 不同k值算法收斂性

利用CloudSim模擬未來網(wǎng)絡資源進行實驗，為仿真測試總共構建400個兩種物理節(jié)點，并創(chuàng)建了263個四類配置網(wǎng)絡資源，每個網(wǎng)絡資源各自都能運行5個未來網(wǎng)絡資源任務.模擬實驗總共進行了1周時間，對算法的長期穩(wěn)定性與效率進行了測試.

2.2 參數(shù)設置

當k等于不同的取值時，慣性權重將表現(xiàn)為不同的曲線形式，從而對凸優(yōu)化的搜索區(qū)域與收斂速率產(chǎn)生明顯影響，結果見圖1.

從圖1可以發(fā)現(xiàn)，在k值等于2.0的情況下，慣性權重曲線表現(xiàn)為凹函數(shù)形態(tài)，采用粒子群搜索算法可以獲得良好的效果，所需迭代次數(shù)較少，并可以迅速搜索到具有最小適應度的解.其中，表1顯示了采用凸優(yōu)化的各參數(shù)值.

表1 全局搜索凸優(yōu)化的參數(shù)

2.3 仿真結果與分析

2.3.1 SLA違背率分析

SLA違背率實驗結果如表2所示.

根據(jù)表2可知，違背率最高的是貪心算法，F(xiàn)IFS分配方法具有最低的SLA違背率.從長期運行狀態(tài)看，F(xiàn)RAS在前期具有更高的SLA違背率，當運行時間達到4天之后，其SLA違背率比標準凸優(yōu)化更低，而且不斷降低，體現(xiàn)出了FRAS在長期負載中的優(yōu)勢.

表2 SLA違背率

2.3.2 物理節(jié)點的剩余網(wǎng)絡資源利用率

表3顯示了剩余網(wǎng)絡資源的測試結果.

表3 剩余網(wǎng)絡資源利用率

表3顯示了不同算法的網(wǎng)絡資源利用率，從中可以發(fā)現(xiàn)平均剩余網(wǎng)絡資源保持穩(wěn)定狀態(tài)，當任務完成后，為確保網(wǎng)絡資源能夠進一步獲得高效利用，要求集中放置低載節(jié)點網(wǎng)絡資源.FIFS剩余網(wǎng)絡資源在任務完成后不斷增加，這是由于當任務完成之后，內(nèi)存與CPU的占用空間都降低了.PSO具有良好的初期表現(xiàn)狀態(tài)，但后續(xù)運行中無法獲得較高的剩余網(wǎng)絡資源利用率.FIFS則與PSO剛好相反，其前期剩余網(wǎng)絡資源利用率較低，而在長時間的運行中表現(xiàn)出了更好的優(yōu)化效果.由此可見，此分配策略能夠達到更佳的長期集群網(wǎng)絡資源利用率.

3 結論

本文對未來網(wǎng)絡資源中的網(wǎng)絡資源分配過程進行了深入研究，分析了各算法的網(wǎng)絡資源利用率、SLA、分配次數(shù)與能耗方面的測試結果，提出了基于凸優(yōu)化的未來網(wǎng)絡資源分配策略，對該算法進行了優(yōu)化處理，并將其應用到未來網(wǎng)絡資源的初始化放置與動態(tài)分配中，確保系統(tǒng)具有良好的SLA，同時在其它各項性能方面也能達到均衡性.仿真測試結果顯示，此方法具有良好的服務性能與網(wǎng)絡資源利用率，同時也可以有效地降低能耗，并提高了未來網(wǎng)絡資源性能.