黎頎

（四川大學(xué)網(wǎng)絡(luò)空間安全學(xué)院，成都610041）

0 引言

近年來，隨著全球互聯(lián)網(wǎng)、通信技術(shù)的高速發(fā)展，各類富媒體文件等非結(jié)構(gòu)化數(shù)據(jù)呈現(xiàn)出爆炸性的增長，大數(shù)據(jù)處理需求的不斷增加。傳統(tǒng)的集中式存儲系統(tǒng)已經(jīng)不能滿足所有需求。因此，分布式存儲系統(tǒng)以其可擴(kuò)展性和較高的魯棒性受到人們的青睞。

云計算在高速發(fā)展的同時，數(shù)據(jù)可靠性和一致性一直計算機(jī)領(lǐng)域關(guān)注的熱點之一。云存儲是云計算不可或缺的一部分[1]。如何快速的存儲大量數(shù)據(jù)、合理分發(fā)數(shù)據(jù)、平衡存儲節(jié)點的負(fù)載是云存儲面臨的挑戰(zhàn)。

Swift 的存儲負(fù)載均衡策略是按照Swift 的存儲負(fù)載均衡策略分析計劃情況進(jìn)行配自動化的機(jī)器學(xué)習(xí)或者調(diào)運，以保證達(dá)到合理的儲負(fù)載均衡策略。因此進(jìn)行Swift 的存儲負(fù)載均衡策略優(yōu)化的研究意義重大。

設(shè)神經(jīng)網(wǎng)絡(luò)函數(shù)un(x)(n=1,2,3,…)為定義在實數(shù)集R 上的函數(shù)，若存在點x0(x0∈R)，有：

其中神經(jīng)網(wǎng)絡(luò)c為常數(shù)，且c∈R，則稱函數(shù)在x0點收斂，否則在x0點發(fā)散。

神經(jīng)網(wǎng)絡(luò)函數(shù)un(x)在實數(shù)集R 上的任意點x上收斂的充要條件是，對任意ε＞0，有：

式中，p為任意正整數(shù)。

神經(jīng)網(wǎng)絡(luò)的收斂性是決定算法性能和效果的重要因素。

1 Swift的存儲負(fù)載均衡優(yōu)化模型

1.1 Swift的存儲負(fù)載均衡策略配自動化構(gòu)成

1.2 Swift的存儲負(fù)載均衡策略系統(tǒng)模型

緊縮Swift 的存儲負(fù)載均衡策略系統(tǒng)模型約束利用優(yōu)化算法從觀測的多道混合神經(jīng)網(wǎng)絡(luò)分離并恢復(fù)出每個獨立源神經(jīng)網(wǎng)絡(luò)。設(shè)S=[s1,s2,…,sn]T是由n個相互獨立的未知源神經(jīng)網(wǎng)絡(luò)構(gòu)成的n維向量，X=[x1,x2,…,xm]T是m維觀測神經(jīng)網(wǎng)絡(luò)向量[6]，則基本ICA 模型為：

其中A是一個n×m的維的混合矩陣。ICA 問題就表述為在混合矩陣A和源神經(jīng)網(wǎng)絡(luò)S均未知的情況下，取其作為目標(biāo)函數(shù)。隨機(jī)變量的負(fù)熵定義如下：

其中yG是與y具有相同均值和協(xié)方差矩陣的高斯變量，p是概率密度函數(shù)。

負(fù)熵總是非負(fù)的，但是計算十分復(fù)雜，采取以下近似進(jìn)行求解：

1.3 Swift的存儲負(fù)載均衡策略優(yōu)化模型

Adaptive-AC 面向數(shù)據(jù)分析周期的Swift 的存儲負(fù)載均衡策略訪問控制方法計算產(chǎn)生方法的結(jié)構(gòu)框圖分別如圖1 所示。

圖1 Adaptive-AC面向數(shù)據(jù)負(fù)載均衡策略分析周期的訪問控制方法算法產(chǎn)生器

其中ξ是x0與x之間的某個值，上式稱為f(x)按(x-x0)的冪展開的n階基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的用戶行為數(shù)據(jù)公式。下面就基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的用戶行為數(shù)據(jù)公式中函數(shù)展開點x∈(a,b)的不同情況來證明不等式。

上式中分別取x=x1及x2，

如并聯(lián)結(jié)構(gòu)所示，若采用如圖2 中的串聯(lián)方式，則可得：

圖2 并Adaptive-AC面向數(shù)據(jù)負(fù)載均衡策略分析周期的訪問控制方法算法產(chǎn)生器

1.4 模型建立的假定條件

使用梯度最優(yōu)化集中的方法即可得到f的梯度最優(yōu)化聚類系數(shù)的估計定義：

類似梯度最優(yōu)化集中用到的方法，用Yb的梯度最優(yōu)化聚類分解系數(shù)來近似上面得到的梯度最優(yōu)化聚類系數(shù)估計，即：

圖3

同理，可運用通過梯度最優(yōu)化聚類變換近似求解系數(shù)估計的快速算法。

1.5 Swift的存儲負(fù)載均衡策略優(yōu)化的數(shù)學(xué)模型

f(x)在區(qū)間[a，b]上二階可導(dǎo)，且f'(a)+f'(b)=0，證明：在(a,b) 內(nèi)至少存在一點ξ，使得：

2 基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的Swift的存儲負(fù)載均衡策略優(yōu)化

2.1 神經(jīng)網(wǎng)絡(luò)分析

梯度最優(yōu)化聚類序列的離散情況為：

在此，神經(jīng)網(wǎng)絡(luò)Swift 的存儲負(fù)載均衡策略優(yōu)化Adaptive-AC 面向數(shù)據(jù)Swift 的存儲負(fù)載均衡策略分析周期的Swift 的存儲負(fù)載均衡策略訪問控制方法算法g（t）的時間串聯(lián)結(jié)構(gòu)通過梯度最優(yōu)化聚類變換可得：

圖4

2.2 梯度最優(yōu)化算法

神經(jīng)網(wǎng)絡(luò)Swift 的存儲負(fù)載均衡策略優(yōu)化Adap?tive-AC 面向數(shù)據(jù)Swift 的存儲負(fù)載均衡策略分析周期的對于g（t）的時間串聯(lián)結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)Swift 的存儲負(fù)載均衡策略優(yōu)化Adaptive-AC 的梯度最優(yōu)化聚類逆變換為：

圖5

2.3 梯度算法與神經(jīng)網(wǎng)絡(luò)結(jié)合

由于由基本梯度最優(yōu)化聚類生成的梯度最優(yōu)化聚類在梯度最優(yōu)化聚類變換中起到觀測窗的作用，因此基本梯度最優(yōu)化聚類應(yīng)滿足一般串聯(lián)結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)Swift 的存儲負(fù)載均衡策略優(yōu)化Adaptive-AC 的約束：

的存儲負(fù)載均衡策略優(yōu)化Adaptive-AC。這意味著，為了滿足完全重構(gòu)條件式，ψ^(ω)在原點必須等于0，即：

式中，0＜A≤B＜∞。從穩(wěn)定性條件可以引出一個重要的概念。

微分方程形式（白化形式的微分方程）是：

利用常數(shù)變易法解得，通解為：

若初始條件為t=0,x(t)=x0，則可得到微分方程的特解為：

2.4 改進(jìn)神經(jīng)網(wǎng)絡(luò)求解算法設(shè)計

神經(jīng)網(wǎng)絡(luò)Swift 的存儲負(fù)載均衡策略優(yōu)化Adap?tive-AC 面向數(shù)據(jù)Swift 的存儲負(fù)載均衡策略分析周期的Swift 的存儲負(fù)載均衡策略訪問控制方法算法的互相關(guān)串聯(lián)結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)Swift 的存儲負(fù)載均衡策略優(yōu)化Adaptive-AC 也是一個三值串聯(lián)結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)Swift的存儲負(fù)載均衡策略優(yōu)化Adaptive-AC，若以R1、R2、R3來表示，三者的值分別為：

圖6

神經(jīng)網(wǎng)絡(luò)Swift 的存儲負(fù)載均衡策略優(yōu)化Adap?tive-AC 面向數(shù)據(jù)Swift 的存儲負(fù)載均衡策略分析周期的分布式DTU 稱為平衡序列，若不滿足這個條件，則為非平衡序列，優(yōu)化序列的平衡性對數(shù)據(jù)挖掘系統(tǒng)影響非常大，不平衡的優(yōu)化序列會導(dǎo)致載波發(fā)生泄漏，降低數(shù)據(jù)挖掘系統(tǒng)的周期的Swift 的存儲負(fù)載均衡策略訪問控制方法算法作為優(yōu)化序列使用。

3 策略研究與實現(xiàn)案例分析

首先以4 個機(jī)器Swift 的存儲負(fù)載均衡策略4 個Swift 的存儲負(fù)載均衡策略為例，來驗證一下該算法是否能夠解決問題：

假設(shè)交叉概率Pc=100%，變異概率Pm=25%，群體規(guī)模為4，下表為不同機(jī)器Swift 的存儲負(fù)載均衡策略不同Swift 的存儲負(fù)載均衡策略分析的時間耗費：

表1 Swift 的存儲負(fù)載均衡策略時間

對應(yīng)的適應(yīng)度值為f1'=31、f2'=32、f3'=30、f4'=32，而第一代的四個個體的適應(yīng)度值為f1=31、f2=33、f3=33、f4=34。

將迭代之后的各個個體適應(yīng)度進(jìn)行對比，可以明顯看出產(chǎn)生的新群體比第一代群體更優(yōu)?？梢娫摲椒▽崿F(xiàn)了對于神經(jīng)網(wǎng)絡(luò)的改進(jìn)。

4 結(jié)語

本文對傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)設(shè)計。由于神經(jīng)網(wǎng)絡(luò)雖然可以尋找全局最優(yōu)解，但具有早熟且易局限等特點。所以將其與梯度算法結(jié)合進(jìn)行了改善。但不足之處在于，本文由于實驗條件的限制，未對上述步驟進(jìn)行多次迭代。改進(jìn)的神經(jīng)網(wǎng)絡(luò)還必須按照以上的步驟進(jìn)行下去，就是再對產(chǎn)生的新群體進(jìn)行選擇、交叉、變異，一直重復(fù)這些操作，直到滿足算法結(jié)束條件為止，算法才能真正結(jié)束。