馮漢棗,黎元寶,劉運(yùn)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(dāng)前網(wǎng)絡(luò)任務(wù)調(diào)度帶來較大的壓力。為避免上述問題,應(yīng)從多方面對網(wǎng)絡(luò)的靈活度、協(xié)同計算等能力進(jìn)行優(yōu)化,以此滿足目前時代下的網(wǎng)絡(luò)數(shù)據(jù)處理能力需求[1-2]。在以上分析描述的基礎(chǔ)上,要想減輕網(wǎng)絡(luò)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(wù)算力為主,對網(wǎng)絡(luò)云計算開展結(jié)構(gòu)性優(yōu)化。而多任務(wù)算力可以作為互聯(lián)網(wǎng)時代的基礎(chǔ)指標(biāo),將多種信息轉(zhuǎn)化成可識別特征。為了更好地應(yīng)用多任務(wù)算力方法,應(yīng)對多任務(wù)算力度量開展研究。

針對任務(wù)處理的方法比較成熟:文獻(xiàn)[5]提出一種多核系統(tǒng)任務(wù)調(diào)度算法動態(tài)度量方法,該方法首先構(gòu)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(wù)進(jìn)行度量,根據(jù)度量結(jié)果完成對任務(wù)調(diào)度的功能驗證及性能評價,有效實現(xiàn)了任務(wù)動態(tài)度量,但該方法的度量結(jié)果存有誤差,存在度量性能低的問題。文獻(xiàn)[6]提出基于任務(wù)發(fā)生關(guān)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(wù)數(shù)據(jù)節(jié)點(diǎn)的編號及算法,從中確立三種發(fā)生關(guān)系,以此構(gòu)建相似性度量模型,利用該模型對多任務(wù)流程實施相似性度量,該方法的分析結(jié)果及計算結(jié)果不全面,存在度量效果低的問題。

完整度量網(wǎng)絡(luò)中的多任務(wù)算力,對網(wǎng)絡(luò)任務(wù)調(diào)度至關(guān)重要。異構(gòu)網(wǎng)絡(luò)中混合云服務(wù)下的任務(wù)數(shù)據(jù)量復(fù)雜程度較高、數(shù)據(jù)維度高,影響多任務(wù)算力度量的效率及完成率,提出異構(gòu)混合云服務(wù)下的多任務(wù)算力度量方法。

1 異構(gòu)混合云服務(wù)系統(tǒng)構(gòu)建及多任務(wù)算力指標(biāo)特征提取

1.1 異構(gòu)混合云服務(wù)系統(tǒng)分析

由于傳統(tǒng)的多任務(wù)算力數(shù)據(jù)在度量時存在數(shù)據(jù)量過大、復(fù)雜程度較高的問題,影響多任務(wù)算力數(shù)據(jù)度量效果,為提升整體度量效果,構(gòu)建異構(gòu)混合云服務(wù)系統(tǒng),從系統(tǒng)中采集多任務(wù)算力數(shù)據(jù),以此減少數(shù)據(jù)度量復(fù)雜度,有利于后續(xù)對多任務(wù)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(jī)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(chǔ)上設(shè)置單獨(dú)的虛擬機(jī)技術(shù),從而實現(xiàn)虛擬機(jī)的獨(dú)立安裝,系統(tǒng)內(nèi)可以獨(dú)立虛擬出多種設(shè)備,以此隔絕外界資源,避免出現(xiàn)資源浪費(fèi)的問題。

為避免以上問題,根據(jù)虛擬容器及虛擬機(jī)實現(xiàn)原理,將Docker作為云數(shù)據(jù)庫虛擬化的主要技術(shù),該技術(shù)具備可以偽裝云端虛擬機(jī)的HOST進(jìn)程,從而實現(xiàn)云端多任務(wù)資源的分配,同時還可以共享主機(jī)的內(nèi)核及硬件。因而只需利用Docker技術(shù)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(wù)接口開發(fā)

云數(shù)據(jù)庫虛擬化完成后需要設(shè)定異構(gòu)混合云服務(wù)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(diǎn),因而將JOSN用作異構(gòu)混合云服務(wù)的數(shù)據(jù)庫表示格式。

傳統(tǒng)的SOAP WebService開發(fā)服務(wù)層接口有著效率低、操作性差的劣勢,所以采用輕量級構(gòu)架Restful WebService作為云端數(shù)據(jù)服務(wù)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(wù),有利于軟件的開發(fā)及拓展性,同時還可以減小異構(gòu)混合云服務(wù)系統(tǒng)的復(fù)雜性及耦合性。

(3)異構(gòu)混合云服務(wù)系統(tǒng)分析

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

圖1 構(gòu)建的異構(gòu)混合云服務(wù)系統(tǒng)架構(gòu)圖

由圖1可知,用戶從應(yīng)用層向外發(fā)出多任務(wù)操作請求,多任務(wù)經(jīng)接收后被提交到異構(gòu)混合云服務(wù)數(shù)據(jù)庫應(yīng)用服務(wù)接口內(nèi),通過對發(fā)出任務(wù)的解析,將解析結(jié)果傳輸至算力調(diào)度層,對任務(wù)集合轉(zhuǎn)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(zhuǎn)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(wù)算力數(shù)據(jù)的管理。從以上操作可以看出,異構(gòu)混合云服務(wù)系統(tǒng)可以有效管理多任務(wù)數(shù)據(jù),降低多任務(wù)數(shù)據(jù)的復(fù)雜性,便于對多任務(wù)數(shù)據(jù)的采集及處理。

1.2 多任務(wù)算力指標(biāo)特征集

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

在異構(gòu)混合云服務(wù)系統(tǒng)中,有效距離可以反映出多任務(wù)算力過程的動態(tài)結(jié)構(gòu),取得多任務(wù)算力數(shù)據(jù)動態(tài)結(jié)構(gòu)信息。在多任務(wù)算力數(shù)據(jù)特征學(xué)習(xí)中,利用有效距離向系統(tǒng)內(nèi)引入動態(tài)結(jié)構(gòu)信息,以此提升多任務(wù)算力數(shù)據(jù)指標(biāo)特征提取[9]。本文選取有效距離、多任務(wù)算力數(shù)據(jù)樣本相似度、拉普拉斯分?jǐn)?shù)表示指標(biāo)特征。

根據(jù)以上描述,設(shè)定在異構(gòu)混合云服務(wù)系統(tǒng)內(nèi)有一定的路徑子集可以對多任務(wù)算力數(shù)據(jù)的動態(tài)結(jié)構(gòu)實行有效控制,因而設(shè)置多任務(wù)算力數(shù)據(jù)樣本關(guān)聯(lián)矩陣由P定義,而各個數(shù)據(jù)節(jié)點(diǎn)之間的轉(zhuǎn)移概率就標(biāo)記Pab(0≤Pab≤1),其中a、b均定義為數(shù)據(jù)節(jié)點(diǎn),節(jié)點(diǎn)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(dāng)節(jié)點(diǎn)a、b之間的轉(zhuǎn)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(wù)算力數(shù)據(jù)節(jié)點(diǎn)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(wù)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(biāo)記樣本數(shù)據(jù)數(shù)量,λ標(biāo)記高斯函數(shù)寬度,e標(biāo)記樣本誤差,Dij標(biāo)記有效矩陣元素,Sij標(biāo)記矩陣元素。同時Sij也對多任務(wù)算力數(shù)據(jù)樣本xi及xj的相似性表示。

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

(3)

2 多任務(wù)算力度量

2.1 多任務(wù)算力特征的標(biāo)識及量化

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

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

RGPS=Role+Actor+Depend

(4)

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

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

IF:RGPSM→FS

(5)

式中,RGPSM標(biāo)記模型的集合,同時滿足RGPSM={m(i)|i=1,2,…,|RGPSM||}條件,其中,m(i)標(biāo)記集合中第i個模型。IF標(biāo)記多任務(wù)算力指標(biāo)數(shù)據(jù)特征集合,滿足IF={f(k)|k=1,2,…,|IF||},其中f(k)標(biāo)記第k個多任務(wù)算力特征。FS標(biāo)記多任務(wù)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(dá)式實現(xiàn)模型對多任務(wù)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(dá)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(biāo)記特征狀態(tài)序列。

上述表達(dá)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(wù)算力數(shù)據(jù)特征狀態(tài)序列,而α即為m的實例。當(dāng)α=1或α=0時,即可對確定的多任務(wù)算力特征序列排序。

在表達(dá)式(6)的基礎(chǔ)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(biāo)記模型實例矩陣,α(i)標(biāo)記對模型m(i)的實例化處理。

2.3 建立多任務(wù)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(wù)算力能力,以此提升多任務(wù)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(jié)果即為多任務(wù)算力度量能力,標(biāo)記如下:

(8)

利用區(qū)分器及權(quán)重可以對表達(dá)式分母的模型狀態(tài)及屬于0的多任務(wù)算力特征過濾[11-12],還可以排除分子中模型與多任務(wù)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(yīng)的多任務(wù)算力能力計算結(jié)果。

通過方程(8)獲取了模型的多任務(wù)算力能力,依據(jù)計算結(jié)果構(gòu)建多任務(wù)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(wù)算力度量

依據(jù)以上研究,獲取多任務(wù)算力度量流程,詳情如下所示:

(1)多任務(wù)算力數(shù)據(jù)特征標(biāo)識及量化

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

(2)度量模型多任務(wù)算力能力計算

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

(3)構(gòu)建多任務(wù)算力度量矩陣

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

基于以上流程,實現(xiàn)基于異構(gòu)混合云服務(wù)的多任務(wù)算力度量方法。

3 實驗與分析

為了驗證基于異構(gòu)混合云服務(wù)的多任務(wù)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(gòu)混合云服務(wù)的多任務(wù)算力度量方法(方法1)、一種多核系統(tǒng)任務(wù)調(diào)度算法動態(tài)度量方法(方法2)和基于任務(wù)發(fā)生關(guān)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(wù)算力度量耗時性能測試

為測試三種方法的多任務(wù)算力度量性能,在構(gòu)建的異構(gòu)混合云服務(wù)系統(tǒng)中抽取500個任務(wù)算力數(shù)據(jù)集,采用三種方法對多任務(wù)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(wù)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(wù)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(wù)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(wù)算力度量效果最優(yōu)。這是因為本文方法通過構(gòu)建異構(gòu)混合云服務(wù)系統(tǒng)提取了多任務(wù)算力數(shù)據(jù)的特征集,通過度量模型實現(xiàn)了多任務(wù)算力特征的量化,提升了多任務(wù)算力度量的效率。

3.2 多任務(wù)算力度量完成率性能測試

在異構(gòu)混合云服務(wù)系統(tǒng)內(nèi)選取大量任務(wù)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(wù)算力數(shù)據(jù)集,由此構(gòu)建任務(wù)算力模型,從中取得一個任務(wù)算力數(shù)據(jù),定義如下:

TF1≤GXZC

(10)

式中,TF1表示任務(wù)算力數(shù)據(jù),GXZC表示任務(wù)類型。

設(shè)置異構(gòu)混合云服務(wù)系統(tǒng)能力函數(shù)為g(t),表示在異構(gòu)混合云服務(wù)系統(tǒng)中成功完成任務(wù)算力度量的能力,g(t)也屬于周期函數(shù),其周期為T;再設(shè)置任務(wù)算力強(qiáng)度函數(shù)由f(t)表示,表示系統(tǒng)內(nèi)任務(wù)算力度量需求強(qiáng)度。根據(jù)以上設(shè)置結(jié)果,獲取任務(wù)算力度量強(qiáng)度函數(shù)與異構(gòu)混合云服務(wù)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(wù)算力度量強(qiáng)度及系統(tǒng)能力曲線示意圖

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

圖4 多任務(wù)算力度量完成率對比測試

從圖4中可以看出,在度量任務(wù)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(wù)算力特征集實施了標(biāo)識及量化,進(jìn)而增強(qiáng)了該方法的度量效果,提升了多任務(wù)算力度量完成率。

4 結(jié) 論

針對過多的數(shù)據(jù)任務(wù)量會影響多任務(wù)算力度量效果這一問題,提出了基于異構(gòu)混合云服務(wù)的多任務(wù)算力度量方法。該方法首先構(gòu)建異構(gòu)混合云服務(wù)系統(tǒng),并從系統(tǒng)中采集出多任務(wù)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(jìn)行標(biāo)識和量化,從而提升整體度量效果。實驗結(jié)果表明,利用基于異構(gòu)混合云服務(wù)的多任務(wù)算力度量方法能夠提升多任務(wù)算力度量的效率,提升算力度量完成率,實現(xiàn)整體度量。