云计算及LLF算法的光纤数据差异化调度策略

康万杰,潘有顺

(1.茅台学院酿酒工程自动化系,贵州 仁怀 564500；2.华中科技大学 武汉光电国家研究中心,湖北 武汉 430070)

1 引 言

在互联网技术逐渐深入发展的背景下,拥有更高数据传输能力的光纤网络也成为与网络环境相匹配的重要资源[1]。然而,高速度的数据传输相应地导致光纤网络中数据的爆炸式增长,海量数据以及分门别类的数据类型使计算机处理能力发生了很大的变化。为提升计算机处理能力,云计算应运而生[2]。云计算为数据处理提供了一个新的解决思路,不必将所有需要数据资源全部下载到个人计算机硬盘中,可通过网络云空间将数据置于虚拟环境中[3]。但这样的环境也使得传统数据调度方式不再具备优势。现有的研究成果中主要通过各类算法处理海量数据,并提供一个能够将大数据压缩计算的方法。

文献[4]提出设计基于改进蚁群算法的自适应云资源调度模型。该模型借助CloudSim平台对蚁群算法进行改进,通过改进蚁群算法对云资源进行有效地调度,并将负载均衡数据进行处理。该方法可有效提升云资源调度效率,但在调度过程中并未考虑调度顺序,存在一定局限。文献[5]提出一种基于数据挖掘的光纤通信网络数据调度方法。该方法首先对需要调度的资源数据进行合理属性划分,根据邻域区间半径确定相似属性云资源,借助高阶统计量对调度数据进行预处理,在此基础上,完成光纤网络资源的调度。该方法提升了光纤网络数据调度效率,但调度中未过多考虑其差异,导致调度的效果欠佳。

为此,本文设计云计算以及LLF算法研究光纤数据差异化调度策略。通过LLF算法下松弛度队列顺序的计算得到了众多数据的排序方式,解决数据调度模型构建中存在的问题,并将其应用在云计算模式中,完成了光纤数据差异化的调度。

2 光纤数据差异化调度策略

2.1 运算队列排序

计算机中运算资源相对有限,不可能同时计算所有资源的队列。因此,需要将这些运算队列进行排序,使其能够以一定的顺序依次进行计算[6]。在进行排序中,应满足以下条件:

(1)

式中,Pi表示调度的能量系数。当Pi大于1时,则该系统无法完成调度任务,只有当Pi小于等于1时,该系统才能安全调度,且调度系数越小,该系统调度方法越好；Ni表示系统内的任务量；i表示所计算到的第i个任务；Di表示处理i个任务所需要的周期时间[7]。

此时得到松弛度的计算公式为:

(2)

式中,α表示每一项任务的松弛度；T0表示必须完成某一项任务所需要的时间；T1表示执行完该项任务时相对于T0所剩余时间；T2表示系统在完成以往几项任务时所需要的总时间[8]。在此过程中,若任务Ti的调度松弛度为0,则说明为达到Ti所应具备的任务周期,可以将任务Ti放在下一轮的任务列表中；若任务Ti的松弛度在0～1之间,则说明任务Ti应该在近几轮内排列在松弛度队列中。Ti的松弛度越接近1,则该任务的队列越紧密[9]。

在实时调度任务中,经常会出现系统等待时间T1小于松弛度的情况,此时则需要进行任务的切换,使得CPU资源被重新调动。在等待队列中,设lf0为第一个任务的松弛度,lfi为第i个任务的松弛度,lf1为最后一个任务的松弛度,则三者关系为:

(3)

在排列LLF算法下任务的松弛度队列需要时刻注意将lf0排列在lf1之前,以确保松弛度较大的任务能够率先完成。

2.2 基于LLF算法的光纤数据调度模型

云计算是大数据系统运行中重要方式,由于光纤网络数据量日益增长,其数据库内数据特征存在显著差异。为了提高云环境下光纤网络数据的利用效率,本文制定最优化数据资源,以提高其访问和运算速度[10]。设数据库中光纤网络数据的中心节点为Fn,n表示有n个中心节点,数据库资源服务器数量的计算公式为:

(4)

假设每一台服务器的应用程序中能将云计算环境下差异性配置描述为:

β(ai)=θ(ai)+∂(ai)

(5)

式中,β(ai)表示利用所有节点判断出的数据特征值；θ(ai)表示在建立最优调度路径的过程中,分别表示为关键特征点的分量坐标；∂(ai)表示一个已经给定的全局参量,其取值区间为(0,1)。

通过以上公式能够构建一个半径为R的圆形区域作为光纤数据差异化调度中心,得到光纤数据调度模型为:

(6)

式中,T表示区域范围选择依据；R表示圆形半径；N1表示数据资源的属性；β(ai)表示利用所有节点判断出的数据特征值；β表示聚类时对于节点n的圆心半径环形区域分度值[11-12]。

2.3 光纤数据差异化调度策略

在调度光纤数据时,需要着重观察各数据的松弛度,设总数据库为Ma,单个节点a,则可以得到该节点的覆盖率为:

(7)

式中,β(a)表示a节点在总数据库中的节点覆盖率；pa表示在总数据库中能够立即接收任务请求的个数；qa表示总数据库中的节点个数[13]。如果节点a与节点b拥有相同的数据备份,则此时节点资源利用率为:

(8)

式中,α(b)表示节点b的资源利用率；γ表示节点的比例因子；Qb表示该节点进行统计与运算时的CPU利用率。通过计算某个节点的资源利用率能够得到整个数据库块的有效处理方法[14]。

在整个调度网络模型中,各节点之间相互连接,最中心节点被称为中心节点,最外面节点被称为边缘节点,中间连接边缘节点与中心节点的被称为路径节点[15-16]。路径节点是数据传输与计算的主要路径,如图1所示。在将若干队列统一信号处理之后,能够从整体上协调各模块关键数据,但是在路径节点中通常需要很长缓存时间,因此需要控制路径节点中各队列的排队时间,如图2所示。

图1 路径节点计算流程Fig.1 Path node calculation process

图2 LLF算法下信令机制Fig.2 The signaling mechanism under the LLF algorithm

综上所述,得到LLF算法下网络闲置信令的冲突节点,并通过该算法绕过迂回时延特性,降低路径节点中队列排序降低的运算速率,提高光纤数据差异化调度策略的性能。

3 实验研究

3.1 实验准备

为验证所提方法的优势,进行实验分析。实验中构建20个数据节点,其中4个为边缘节点,4个为核心节点,设置相同数据库,所有实验过程中需要的数据均从数据库中调动。在每一组实验中设置相同大小的数据包,计算数据调动速度、数据计算速度以及总响应时间,检验本文算法得到的光纤数据差异化调度策略是否在响应速度上优于现有调度策略。

实验中计算机2台,其中一台为建立云数据库的云端机,另一台负责编写LLF调度算法,并进行光纤数据的差异化调度任务,此外还需要磁盘阵列一台以及不间断电源一台。计算机使用Windows7系统,实验的模拟环境为CloudSim平台,通过MapReduce框架计算光纤数据的调度优化策略,并在计算机中建立数据分割模型,保证该调度模型能够更好地完成对数据库中数据的调度,降低调度能耗,使算法能够更好地完成调度任务。

3.2 实验结果分析

比较四种不同算法在云环境下性能,分别对其进行五折交叉验证与十折交叉验证,即将云数据库中的数据平均分为五份或十份,将其中四份或九份作为训练组,另外一份作为实验组,分别测试该算法的运行时间。测试结果分别如表1、表2所示。

表1 五折交叉验证时四组算法运行时间/sTab.1 Running time of four algorithms in 50 % cross validation unit:s

表2 十折交叉验证时四组算法运行时间/sTab.2 Running time of four groups of algorithms in 10 % cross validation unit:s

根据表1、表2中测试结果可知,在五折交叉验证与十折交叉验证下,这些数据集分别为不同运算结果,且在相同数据集中每一个实验组运算结果不相同。但是任意一个数据集中实验组运行时间最短,平均约小于其他三组1.914～2.47 s。由此可见,所提方法进行资源差异化调度时效率较高。

为了保证基于云计算LLF算法在光纤数据差异化调度中的应用与适应能力,实验环境中测试其数据调动速度和数据计算速度,并结合二者计算总响应时间。将现有三种算法策划的调度策略与文中的调度策略相对比,得到四组不同的响应结果,如图3所示。

图3 光纤数据差异化调度时间测试Fig.3 Test of optical fiber data differential scheduling time

根据图3中测试结果可以看出,随着运算的数据量逐渐增长,所需要数据计算时间以及数据调动时间都在相应增加。实验组中数据平均计算时间约为26.3 s,而三个对照组中的数据平均计算时间约为32.1 s、27.4 s、32.5 s。在数据调动时间计算中,实验组约为18.6 s,三个对照组约为31.2 s、29.8 s、28.4 s。由此可见,无论是数据计算时间还是数据调动时间,实验组速度均大于三个对照组,验证了所提方法的有效性。

4 结 语

本文提出基于云计算与LLF调度算法对光纤数据的差异化调度策略,通过计算LLF算法下松弛度队列顺序,设计网络调度模型,与传统方法相比本文方法具有一定优势。