異構混合云服務下的多任務算力度量方法

馮漢棗,黎元寶,劉運奇

(聯(lián)通(廣東)產(chǎn)業(yè)互聯(lián)網(wǎng)有限公司,廣東 廣州 510320)

云計算造成數(shù)據(jù)量出現(xiàn)了爆發(fā)式增長,過多的數(shù)據(jù)量傳輸也會給當前網(wǎng)絡任務調(diào)度帶來較大的壓力。為避免上述問題,應從多方面對網(wǎng)絡的靈活度、協(xié)同計算等能力進行優(yōu)化,以此滿足目前時代下的網(wǎng)絡數(shù)據(jù)處理能力需求[1-2]。在以上分析描述的基礎上,要想減輕網(wǎng)絡云計算壓力[3-4],需要以現(xiàn)代信息化的核心驅(qū)動力多任務算力為主,對網(wǎng)絡云計算開展結構性優(yōu)化。而多任務算力可以作為互聯(lián)網(wǎng)時代的基礎指標,將多種信息轉化成可識別特征。為了更好地應用多任務算力方法,應對多任務算力度量開展研究。

針對任務處理的方法比較成熟:文獻[5]提出一種多核系統(tǒng)任務調(diào)度算法動態(tài)度量方法,該方法首先構建了多核系統(tǒng)功能模型,利用一種多核系統(tǒng)動態(tài)度量方法對任務進行度量,根據(jù)度量結果完成對任務調(diào)度的功能驗證及性能評價,有效實現(xiàn)了任務動態(tài)度量,但該方法的度量結果存有誤差,存在度量性能低的問題。文獻[6]提出基于任務發(fā)生關系的流程模型相似性度量方法,該方法優(yōu)先分析了多任務數(shù)據(jù)節(jié)點的編號及算法,從中確立三種發(fā)生關系,以此構建相似性度量模型,利用該模型對多任務流程實施相似性度量,該方法的分析結果及計算結果不全面,存在度量效果低的問題。

完整度量網(wǎng)絡中的多任務算力,對網(wǎng)絡任務調(diào)度至關重要。異構網(wǎng)絡中混合云服務下的任務數(shù)據(jù)量復雜程度較高、數(shù)據(jù)維度高,影響多任務算力度量的效率及完成率,提出異構混合云服務下的多任務算力度量方法。

1 異構混合云服務系統(tǒng)構建及多任務算力指標特征提取

1.1 異構混合云服務系統(tǒng)分析

由于傳統(tǒng)的多任務算力數(shù)據(jù)在度量時存在數(shù)據(jù)量過大、復雜程度較高的問題,影響多任務算力數(shù)據(jù)度量效果,為提升整體度量效果,構建異構混合云服務系統(tǒng),從系統(tǒng)中采集多任務算力數(shù)據(jù),以此減少數(shù)據(jù)度量復雜度,有利于后續(xù)對多任務算力數(shù)據(jù)特征的提取及度量。

(1)虛擬化云數(shù)據(jù)庫

以往數(shù)據(jù)庫的虛擬化只需將數(shù)據(jù)庫安置到虛擬機內(nèi)即可,但這種操作存在潛在缺陷。如今在原始系統(tǒng)的基礎上設置單獨的虛擬機技術,從而實現(xiàn)虛擬機的獨立安裝,系統(tǒng)內(nèi)可以獨立虛擬出多種設備,以此隔絕外界資源,避免出現(xiàn)資源浪費的問題。

為避免以上問題,根據(jù)虛擬容器及虛擬機實現(xiàn)原理,將Docker作為云數(shù)據(jù)庫虛擬化的主要技術,該技術具備可以偽裝云端虛擬機的HOST進程,從而實現(xiàn)云端多任務資源的分配,同時還可以共享主機的內(nèi)核及硬件。因而只需利用Docker技術即可完成云數(shù)據(jù)庫虛擬化的部署[7]。

(2)數(shù)據(jù)交換及云端數(shù)據(jù)服務接口開發(fā)

云數(shù)據(jù)庫虛擬化完成后需要設定異構混合云服務數(shù)據(jù)庫的交換格式。JSON是一種由歐洲計算協(xié)會制定的子集,其本身有著體積小、跨語言、易解析的優(yōu)點,因而將JOSN用作異構混合云服務的數(shù)據(jù)庫表示格式。

傳統(tǒng)的SOAP WebService開發(fā)服務層接口有著效率低、操作性差的劣勢,所以采用輕量級構架Restful WebService作為云端數(shù)據(jù)服務接口,與傳統(tǒng)接口相反,Restful WebService更加簡潔,效率更高,可以在系統(tǒng)內(nèi)面向多種服務,有利于軟件的開發(fā)及拓展性,同時還可以減小異構混合云服務系統(tǒng)的復雜性及耦合性。

(3)異構混合云服務系統(tǒng)分析

根據(jù)以上操作,構建的異構混合云服務系統(tǒng)主要由服務層、云數(shù)據(jù)庫服務接口、多任務算力調(diào)度層及兩個接口形成[8],建立的異構混合云服務系統(tǒng)如圖1所示。

圖1 構建的異構混合云服務系統(tǒng)架構圖

由圖1可知,用戶從應用層向外發(fā)出多任務操作請求,多任務經(jīng)接收后被提交到異構混合云服務數(shù)據(jù)庫應用服務接口內(nèi),通過對發(fā)出任務的解析,將解析結果傳輸至算力調(diào)度層,對任務集合轉換后輸送到云數(shù)據(jù)庫處理接口中,不同的接口可發(fā)出不同的算力執(zhí)行指令,將指令轉換成JOSN格式后,算力數(shù)據(jù)被輸送到客戶端,此時系統(tǒng)完成了對多任務算力數(shù)據(jù)的管理。從以上操作可以看出,異構混合云服務系統(tǒng)可以有效管理多任務數(shù)據(jù),降低多任務數(shù)據(jù)的復雜性,便于對多任務數(shù)據(jù)的采集及處理。

1.2 多任務算力指標特征集

從上文的異構混合云服務系統(tǒng)中采集多任務算力數(shù)據(jù),再采用EDLSFS算法從系統(tǒng)內(nèi)提取多任務算力指標特征集,通過對多任務算力特征集的標識及量化,獲取多任務算力度量值,以此構建算力度量矩陣,實現(xiàn)多任務算力度量。

在異構混合云服務系統(tǒng)中,有效距離可以反映出多任務算力過程的動態(tài)結構,取得多任務算力數(shù)據(jù)動態(tài)結構信息。在多任務算力數(shù)據(jù)特征學習中,利用有效距離向系統(tǒng)內(nèi)引入動態(tài)結構信息,以此提升多任務算力數(shù)據(jù)指標特征提取[9]。本文選取有效距離、多任務算力數(shù)據(jù)樣本相似度、拉普拉斯分數(shù)表示指標特征。

根據(jù)以上描述,設定在異構混合云服務系統(tǒng)內(nèi)有一定的路徑子集可以對多任務算力數(shù)據(jù)的動態(tài)結構實行有效控制,因而設置多任務算力數(shù)據(jù)樣本關聯(lián)矩陣由P定義,而各個數(shù)據(jù)節(jié)點之間的轉移概率就標記Pab(0≤Pab≤1),其中a、b均定義為數(shù)據(jù)節(jié)點,節(jié)點a、b之間的有效距離就用下式定義:

Dab=(1-lgPab)

(1)

式中,Dab表式有效距離。

從方程(1)可知,當節(jié)點a、b之間的轉移概率越小時,說明兩者之間的距離越長,反之則越小。這主要因為P屬于非對稱性,所以多任務算力數(shù)據(jù)節(jié)點之間的有效距離矩陣也是非對稱的。

基于有效矩陣D獲取多任務算力數(shù)據(jù)樣本相似度,定義如下:

(2)

式中,S定義相似度矩陣,ij標記樣本數(shù)據(jù)數(shù)量,λ標記高斯函數(shù)寬度,e標記樣本誤差,Dij標記有效矩陣元素,Sij標記矩陣元素。同時Sij也對多任務算力數(shù)據(jù)樣本xi及xj的相似性表示。

計算多任務算力數(shù)據(jù)樣本第r維特征的拉普拉斯分數(shù),表示如下:

(3)

2 多任務算力度量

2.1 多任務算力特征的標識及量化

根據(jù)以上提取的多任務算力指標數(shù)據(jù)特征,多任務算力特征開展標識及量化。

優(yōu)先構建度量模型,并利用該模型向提取的多任務算力數(shù)據(jù)特征實施映射操作,構建的度量模型用下式定義:

RGPS=Role+Actor+Depend

(4)

式中,Role標記多任務算力行為及職責,Actor標記特定意圖的實體,Depend標記多任務算力目標對另一目標實現(xiàn)的依賴。

基于方程(4)實現(xiàn)度量模型的構建,利用該模型映射多任務算力數(shù)據(jù)特征,定義如下:

IF:RGPSM→FS

(5)

式中,RGPSM標記模型的集合,同時滿足RGPSM={m(i)|i=1,2,…,|RGPSM||}條件,其中,m(i)標記集合中第i個模型。IF標記多任務算力指標數(shù)據(jù)特征集合,滿足IF={f(k)|k=1,2,…,|IF||},其中f(k)標記第k個多任務算力特征。FS標記多任務算力數(shù)據(jù)特征狀態(tài)集合。

2.2 度量模型實例化

通過該方程表達式實現(xiàn)模型對多任務算力數(shù)據(jù)特征的映射,以此對度量模型開展實例化處理,用方程表達式定義如下:

α=IF(m),m∈RGPSM

(6)

式中,m表示具體的度量模型,α標記特征狀態(tài)序列。

上述表達式主要利用特征集IF實例化模型m的流程,從模型m中得到指定的多任務算力數(shù)據(jù)特征狀態(tài)序列,而α即為m的實例。當α=1或α=0時,即可對確定的多任務算力特征序列排序。

在表達式(6)的基礎上,對模型集RGPSM實施實例化操作,用下述方程定義:

MIM=[α(i)]=[IF(m(i))],

i=1,2,…,|RGPSM|

(7)

式中,MIM標記模型實例矩陣,α(i)標記對模型m(i)的實例化處理。

2.3 建立多任務算力度量矩陣

通過對模型及模型集的實例化處理,對其開展相似性計算,從度量模型中取得多任務算力能力,以此提升多任務算力度量效果。因而采用杰卡德系數(shù)[10]對模型的實例相似性計算,其計算結果即為多任務算力度量能力,標記如下:

(8)

利用區(qū)分器及權重可以對表達式分母的模型狀態(tài)及屬于0的多任務算力特征過濾[11-12],還可以排除分子中模型與多任務算力特征不具備一致性的特征狀態(tài),最終取得與度量模型相對應的多任務算力能力計算結果。

通過方程(8)獲取了模型的多任務算力能力,依據(jù)計算結果構建多任務算力度量矩陣IMM,該式表示如下:

IMM=[MI(m(i),m(j))],m(i),m(j)∈RGPSM,

i,j=1,2,…,|RGPSM|

(9)

2.4 多任務算力度量

依據(jù)以上研究,獲取多任務算力度量流程,詳情如下所示:

(1)多任務算力數(shù)據(jù)特征標識及量化

利用方程(5)～方程(7)對指定的多任務算力特征集IF及構建的度量模型開展標識及量化,以此輸出RGPSM、MIM。

(2)度量模型多任務算力能力計算

將上述輸出的RGPSM、MIM輸入表達式(8)中,從中計算出模型內(nèi)的多任務算力能力結果,即MI。

(3)構建多任務算力度量矩陣

將取得的MI代入表達式(9)中,以此構建出多任務算力度量矩陣,通過該矩陣實現(xiàn)對多任務算力能力的度量。

基于以上流程,實現(xiàn)基于異構混合云服務的多任務算力度量方法。

3 實驗與分析

為了驗證基于異構混合云服務的多任務算力度量方法的整體有效性,需要對該方法開展實驗對比測試。采用基于異構混合云服務的多任務算力度量方法(方法1)、一種多核系統(tǒng)任務調(diào)度算法動態(tài)度量方法(方法2)和基于任務發(fā)生關系的流程模型相似性度量(方法3)實施對比測試。

3.1 多任務算力度量耗時性能測試

為測試三種方法的多任務算力度量性能,在構建的異構混合云服務系統(tǒng)中抽取500個任務算力數(shù)據(jù)集,采用三種方法對多任務算力特征數(shù)據(jù)集實施度量計算,根據(jù)三種方法的度量耗時,驗證三種方法的性能表現(xiàn),詳情如圖2所示。

圖2 不同數(shù)據(jù)集的任務算力度量耗時測試

分析圖2中的數(shù)據(jù)發(fā)現(xiàn),方法1對500個多任務數(shù)據(jù)集的算力度量耗時為3.6 s,方法2和方法3的多任務算力度量耗時分別為10.2 s及13.6 s,均高于方法1,可見方法1的整體度量耗時性能表現(xiàn)最佳,驗證了方法1的多任務算力度量效果最優(yōu)。這是因為本文方法通過構建異構混合云服務系統(tǒng)提取了多任務算力數(shù)據(jù)的特征集,通過度量模型實現(xiàn)了多任務算力特征的量化,提升了多任務算力度量的效率。

3.2 多任務算力度量完成率性能測試

在異構混合云服務系統(tǒng)內(nèi)選取大量任務算力數(shù)據(jù)信息,經(jīng)過分析,獲取系統(tǒng)中需要度量的500個任務算力數(shù)據(jù)集,由此構建任務算力模型,從中取得一個任務算力數(shù)據(jù),定義如下:

TF1≤GXZC

(10)

式中,TF1表示任務算力數(shù)據(jù),GXZC表示任務類型。

設置異構混合云服務系統(tǒng)能力函數(shù)為g(t),表示在異構混合云服務系統(tǒng)中成功完成任務算力度量的能力,g(t)也屬于周期函數(shù),其周期為T;再設置任務算力強度函數(shù)由f(t)表示,表示系統(tǒng)內(nèi)任務算力度量需求強度。根據(jù)以上設置結果,獲取任務算力度量強度函數(shù)與異構混合云服務系統(tǒng)的不規(guī)則能力曲線示意圖,詳情如圖3所示。

圖3 任務算力度量強度及系統(tǒng)能力曲線示意圖

由圖3可知,任務算力強度是超過異構混合云服務系統(tǒng)中成功完成任務算力度量的能力的。根據(jù)圖3獲取結果,采用方法1、方法2和方法3度量多任務算力數(shù)據(jù),依據(jù)度量結果計算三種方法的任務算力度量完成率,以此驗證三種方法的度量效果,詳細測試如圖4所示。

圖4 多任務算力度量完成率對比測試

從圖4中可以看出,在度量任務算力數(shù)據(jù)時,方法1的度量完成率最高,平均值為88%,其余方法的度量效果明顯遜色于方法1,方法2的度量完成率平均值為61%,方法3的度量完成率平均值為70%。由此可見,方法1的度量完成效果最佳,這是因為方法1對多任務算力特征集實施了標識及量化,進而增強了該方法的度量效果,提升了多任務算力度量完成率。

4 結 論

針對過多的數(shù)據(jù)任務量會影響多任務算力度量效果這一問題,提出了基于異構混合云服務的多任務算力度量方法。該方法首先構建異構混合云服務系統(tǒng),并從系統(tǒng)中采集出多任務算力數(shù)據(jù),通過對該數(shù)據(jù)的特征集提取,對提取的特征進行標識和量化,從而提升整體度量效果。實驗結果表明,利用基于異構混合云服務的多任務算力度量方法能夠提升多任務算力度量的效率,提升算力度量完成率,實現(xiàn)整體度量。