云計算及LLF算法的光纖數據差異化調度策略

康萬杰,潘有順

(1.茅臺學院釀酒工程自動化系,貴州 仁懷 564500；2.華中科技大學 武漢光電國家研究中心,湖北 武漢 430070)

1 引 言

在互聯網技術逐漸深入發展的背景下,擁有更高數據傳輸能力的光纖網絡也成為與網絡環境相匹配的重要資源[1]。然而,高速度的數據傳輸相應地導致光纖網絡中數據的爆炸式增長,海量數據以及分門別類的數據類型使計算機處理能力發生了很大的變化。為提升計算機處理能力,云計算應運而生[2]。云計算為數據處理提供了一個新的解決思路,不必將所有需要數據資源全部下載到個人計算機硬盤中,可通過網絡云空間將數據置于虛擬環境中[3]。但這樣的環境也使得傳統數據調度方式不再具備優勢。現有的研究成果中主要通過各類算法處理海量數據,并提供一個能夠將大數據壓縮計算的方法。

文獻[4]提出設計基于改進蟻群算法的自適應云資源調度模型。該模型借助CloudSim平臺對蟻群算法進行改進,通過改進蟻群算法對云資源進行有效地調度,并將負載均衡數據進行處理。該方法可有效提升云資源調度效率,但在調度過程中并未考慮調度順序,存在一定局限。文獻[5]提出一種基于數據挖掘的光纖通信網絡數據調度方法。該方法首先對需要調度的資源數據進行合理屬性劃分,根據鄰域區間半徑確定相似屬性云資源,借助高階統計量對調度數據進行預處理,在此基礎上,完成光纖網絡資源的調度。該方法提升了光纖網絡數據調度效率,但調度中未過多考慮其差異,導致調度的效果欠佳。

為此,本文設計云計算以及LLF算法研究光纖數據差異化調度策略。通過LLF算法下松弛度隊列順序的計算得到了眾多數據的排序方式,解決數據調度模型構建中存在的問題,并將其應用在云計算模式中,完成了光纖數據差異化的調度。

2 光纖數據差異化調度策略

2.1 運算隊列排序

計算機中運算資源相對有限,不可能同時計算所有資源的隊列。因此,需要將這些運算隊列進行排序,使其能夠以一定的順序依次進行計算[6]。在進行排序中,應滿足以下條件:

(1)

式中,Pi表示調度的能量系數。當Pi大于1時,則該系統無法完成調度任務,只有當Pi小于等于1時,該系統才能安全調度,且調度系數越小,該系統調度方法越好；Ni表示系統內的任務量；i表示所計算到的第i個任務；Di表示處理i個任務所需要的周期時間[7]。

此時得到松弛度的計算公式為:

(2)

式中,α表示每一項任務的松弛度；T0表示必須完成某一項任務所需要的時間；T1表示執行完該項任務時相對于T0所剩余時間；T2表示系統在完成以往幾項任務時所需要的總時間[8]。在此過程中,若任務Ti的調度松弛度為0,則說明為達到Ti所應具備的任務周期,可以將任務Ti放在下一輪的任務列表中；若任務Ti的松弛度在0～1之間,則說明任務Ti應該在近幾輪內排列在松弛度隊列中。Ti的松弛度越接近1,則該任務的隊列越緊密[9]。

在實時調度任務中,經常會出現系統等待時間T1小于松弛度的情況,此時則需要進行任務的切換,使得CPU資源被重新調動。在等待隊列中,設lf0為第一個任務的松弛度,lfi為第i個任務的松弛度,lf1為最后一個任務的松弛度,則三者關系為:

(3)

在排列LLF算法下任務的松弛度隊列需要時刻注意將lf0排列在lf1之前,以確保松弛度較大的任務能夠率先完成。

2.2 基于LLF算法的光纖數據調度模型

云計算是大數據系統運行中重要方式,由于光纖網絡數據量日益增長,其數據庫內數據特征存在顯著差異。為了提高云環境下光纖網絡數據的利用效率,本文制定最優化數據資源,以提高其訪問和運算速度[10]。設數據庫中光纖網絡數據的中心節點為Fn,n表示有n個中心節點,數據庫資源服務器數量的計算公式為:

(4)

假設每一臺服務器的應用程序中能將云計算環境下差異性配置描述為:

β(ai)=θ(ai)+?(ai)

(5)

式中,β(ai)表示利用所有節點判斷出的數據特征值；θ(ai)表示在建立最優調度路徑的過程中,分別表示為關鍵特征點的分量坐標；?(ai)表示一個已經給定的全局參量,其取值區間為(0,1)。

通過以上公式能夠構建一個半徑為R的圓形區域作為光纖數據差異化調度中心,得到光纖數據調度模型為:

(6)

式中,T表示區域范圍選擇依據；R表示圓形半徑；N1表示數據資源的屬性；β(ai)表示利用所有節點判斷出的數據特征值；β表示聚類時對于節點n的圓心半徑環形區域分度值[11-12]。

2.3 光纖數據差異化調度策略

在調度光纖數據時,需要著重觀察各數據的松弛度,設總數據庫為Ma,單個節點a,則可以得到該節點的覆蓋率為:

(7)

式中,β(a)表示a節點在總數據庫中的節點覆蓋率；pa表示在總數據庫中能夠立即接收任務請求的個數；qa表示總數據庫中的節點個數[13]。如果節點a與節點b擁有相同的數據備份,則此時節點資源利用率為:

(8)

式中,α(b)表示節點b的資源利用率；γ表示節點的比例因子；Qb表示該節點進行統計與運算時的CPU利用率。通過計算某個節點的資源利用率能夠得到整個數據庫塊的有效處理方法[14]。

在整個調度網絡模型中,各節點之間相互連接,最中心節點被稱為中心節點,最外面節點被稱為邊緣節點,中間連接邊緣節點與中心節點的被稱為路徑節點[15-16]。路徑節點是數據傳輸與計算的主要路徑,如圖1所示。在將若干隊列統一信號處理之后,能夠從整體上協調各模塊關鍵數據,但是在路徑節點中通常需要很長緩存時間,因此需要控制路徑節點中各隊列的排隊時間,如圖2所示。

圖1 路徑節點計算流程Fig.1 Path node calculation process

圖2 LLF算法下信令機制Fig.2 The signaling mechanism under the LLF algorithm

綜上所述,得到LLF算法下網絡閑置信令的沖突節點,并通過該算法繞過迂回時延特性,降低路徑節點中隊列排序降低的運算速率,提高光纖數據差異化調度策略的性能。

3 實驗研究

3.1 實驗準備

為驗證所提方法的優勢,進行實驗分析。實驗中構建20個數據節點,其中4個為邊緣節點,4個為核心節點,設置相同數據庫,所有實驗過程中需要的數據均從數據庫中調動。在每一組實驗中設置相同大小的數據包,計算數據調動速度、數據計算速度以及總響應時間,檢驗本文算法得到的光纖數據差異化調度策略是否在響應速度上優于現有調度策略。

實驗中計算機2臺,其中一臺為建立云數據庫的云端機,另一臺負責編寫LLF調度算法,并進行光纖數據的差異化調度任務,此外還需要磁盤陣列一臺以及不間斷電源一臺。計算機使用Windows7系統,實驗的模擬環境為CloudSim平臺,通過MapReduce框架計算光纖數據的調度優化策略,并在計算機中建立數據分割模型,保證該調度模型能夠更好地完成對數據庫中數據的調度,降低調度能耗,使算法能夠更好地完成調度任務。

3.2 實驗結果分析

比較四種不同算法在云環境下性能,分別對其進行五折交叉驗證與十折交叉驗證,即將云數據庫中的數據平均分為五份或十份,將其中四份或九份作為訓練組,另外一份作為實驗組,分別測試該算法的運行時間。測試結果分別如表1、表2所示。

表1 五折交叉驗證時四組算法運行時間/sTab.1 Running time of four algorithms in 50 % cross validation unit:s

表2 十折交叉驗證時四組算法運行時間/sTab.2 Running time of four groups of algorithms in 10 % cross validation unit:s

根據表1、表2中測試結果可知,在五折交叉驗證與十折交叉驗證下,這些數據集分別為不同運算結果,且在相同數據集中每一個實驗組運算結果不相同。但是任意一個數據集中實驗組運行時間最短,平均約小于其他三組1.914～2.47 s。由此可見,所提方法進行資源差異化調度時效率較高。

為了保證基于云計算LLF算法在光纖數據差異化調度中的應用與適應能力,實驗環境中測試其數據調動速度和數據計算速度,并結合二者計算總響應時間。將現有三種算法策劃的調度策略與文中的調度策略相對比,得到四組不同的響應結果,如圖3所示。

圖3 光纖數據差異化調度時間測試Fig.3 Test of optical fiber data differential scheduling time

根據圖3中測試結果可以看出,隨著運算的數據量逐漸增長,所需要數據計算時間以及數據調動時間都在相應增加。實驗組中數據平均計算時間約為26.3 s,而三個對照組中的數據平均計算時間約為32.1 s、27.4 s、32.5 s。在數據調動時間計算中,實驗組約為18.6 s,三個對照組約為31.2 s、29.8 s、28.4 s。由此可見,無論是數據計算時間還是數據調動時間,實驗組速度均大于三個對照組,驗證了所提方法的有效性。

4 結 語

本文提出基于云計算與LLF調度算法對光纖數據的差異化調度策略,通過計算LLF算法下松弛度隊列順序,設計網絡調度模型,與傳統方法相比本文方法具有一定優勢。