采用結(jié)構(gòu)相似度定位的數(shù)據(jù)庫存儲軟件調(diào)度設(shè)計

宋小芹 王東亞

摘要：提出一種基于結(jié)構(gòu)相似度定位的數(shù)據(jù)庫存儲軟件調(diào)度算法，首先構(gòu)建大規(guī)模集成軟件的數(shù)據(jù)庫存儲空間結(jié)構(gòu)模型，對存儲軟件調(diào)度信息進(jìn)行矢量重構(gòu)和信息流模型構(gòu)建，采用結(jié)構(gòu)相似度定位方法進(jìn)行數(shù)據(jù)庫存儲資源的特征提取和融合處理，以提高調(diào)度效率。仿真結(jié)果表明，采用該方法進(jìn)行大規(guī)模集成軟件數(shù)據(jù)庫存儲資源調(diào)度，效率與收斂性較高，吞吐性能較好，展示了較高的應(yīng)用價值。

關(guān)鍵詞關(guān)鍵詞：結(jié)構(gòu)相似度定位；數(shù)據(jù)庫存儲；存儲軟件

DOIDOI：10.11907/rjdk.161331

中圖分類號：TP391文獻(xiàn)標(biāo)識碼：A文章編號文章編號：16727800（2016）007015203

0引言

隨著計算機技術(shù)、信息技術(shù)的快速發(fā)展，產(chǎn)生了越來越多的數(shù)據(jù)信息資源。如何將這些大規(guī)模集成軟件的數(shù)據(jù)庫存儲資源利用起來，放在一個公共訪問區(qū)域，方便所有用戶和科技工作者訪問，從而提高大規(guī)模集成軟件的使用率是下一代計算機信息技術(shù)發(fā)展需要解決的首要問題。現(xiàn)代集成軟件調(diào)度和資源分布的弊端主要體現(xiàn)在資源分布地區(qū)差異大，不同地區(qū)資源持有程度嚴(yán)重不同，成為制約集成軟件信息技術(shù)發(fā)展均衡的首要因素。另外，資源成本高、使用率低下、共享技術(shù)落后也是影響信息現(xiàn)代化發(fā)展的瓶頸。因此，需要研究一種高效的大規(guī)模集成軟件的數(shù)據(jù)庫存儲資源優(yōu)化調(diào)度算法，以提高集成軟件的運行和開發(fā)效率＼[13＼]。

1大規(guī)模集成軟件的數(shù)據(jù)庫存儲空間結(jié)構(gòu)模型與信息流分析1.1大規(guī)模集成軟件的數(shù)據(jù)庫存儲空間結(jié)構(gòu)模型基礎(chǔ)

為了實現(xiàn)對大規(guī)模集成軟件的數(shù)據(jù)庫存儲資源優(yōu)化調(diào)度，首先采用遺傳算法構(gòu)建大規(guī)模集成軟件的數(shù)據(jù)庫存儲模型，進(jìn)行數(shù)據(jù)存儲結(jié)構(gòu)編碼。遺傳算法通常用最簡單的編碼方式來表示一個相對復(fù)雜的問題，編碼是變量集合，并對該編碼集進(jìn)行運算處理，最后再通過一組編碼來表示遺傳算法以及優(yōu)勝劣汰的選擇，同時對后面的搜索進(jìn)行學(xué)習(xí)指導(dǎo)并確定一個搜索方向。

遺傳算法在執(zhí)行數(shù)據(jù)庫大規(guī)模集成軟件數(shù)據(jù)庫存儲空間結(jié)構(gòu)的過程表述為：①首先隨機產(chǎn)生一個任意種群，即所需求解問題一個解的集合；② 每個初始種群中的個體都應(yīng)有一個解，每個個體攜帶基因的不同性質(zhì)決定了每個個體特征不同，遺傳算法通過一個適應(yīng)度函數(shù)對每個個體特征進(jìn)行辨別打分；③通過數(shù)據(jù)編碼計算后，算法會根據(jù)每個個體的適應(yīng)度配合不同的辨別選擇方案，挑選出部分個體進(jìn)入下一代，選擇個體的策略應(yīng)要讓高適應(yīng)度個體比低適應(yīng)度個體更容易進(jìn)入下一代，即高適應(yīng)度個體進(jìn)入下一代的概率要高于低適應(yīng)度個體；④ 對選擇出來的個體通過交叉和變異操作產(chǎn)生適應(yīng)度更高個體，經(jīng)過這樣反復(fù)操作，種群多樣性得到提高。通過上述分析，得到大規(guī)模集成軟件的數(shù)據(jù)庫存儲空間結(jié)構(gòu)模型如圖1所示。

在大規(guī)模集成軟件的數(shù)據(jù)庫存儲空間中，進(jìn)行數(shù)據(jù)存儲子空間的多維矢量特征重構(gòu)。設(shè)在大規(guī)模集成軟件的數(shù)據(jù)庫存儲空間進(jìn)行軟件分布式調(diào)度的概念格結(jié)點G1=（Mα1，Mβ1，Y1），G2=（Mα2，Mβ2，Y2），自適應(yīng)網(wǎng)格分布的適應(yīng)加權(quán)函數(shù)為：θ（t）=2π∫t/a-T/2（Kt0-t′）dt′=-2πKln（1-tat0）+θ0（1）其中，θ0=-2πKln（1+T2t0）為子代基因的中心矢量，用輸入數(shù)據(jù)包傳輸和監(jiān)測信息x（k）減去輸出y（k），可以得到M個大規(guī)模集成軟件數(shù)據(jù)庫存儲空間的節(jié)點采樣，并得到大規(guī)模集成軟件數(shù)據(jù)庫存儲空間的瞬時特征頻率為：fia（t）=12πdθdt=Kat0-t=Kt0-t+（a-1）t0（2）其中，t0為初始采樣時間檢測，a為自然選擇機制的軟件特征信息的幅值，數(shù)據(jù)的聚類中心滿足G1G2Y1Y2。將v插入有序集R1（u）中，由此實現(xiàn)數(shù)據(jù)庫的結(jié)構(gòu)分析和編碼特征優(yōu)化。

1.2數(shù)據(jù)庫存儲資源信息流模型構(gòu)建

在上述數(shù)據(jù)結(jié)構(gòu)和存儲空間分析的基礎(chǔ)上，構(gòu)建數(shù)據(jù)庫存儲資源信息流，在C/S構(gòu)架下的隱通道中進(jìn)行數(shù)據(jù)采樣，在數(shù)據(jù)庫資源信息采樣時刻t和t+τ進(jìn)行信息特征提取，得到關(guān)聯(lián)的初始化大數(shù)據(jù)資源子集為x（k-1），….，x（k-M）。假設(shè)信息流為數(shù)據(jù)序列{xn}，通過選擇適當(dāng)?shù)南辔沪?（k），在時間片Δ內(nèi)令自適應(yīng)權(quán)值（0）=0，通過子代基因逆轉(zhuǎn)技術(shù)，對遺傳算法進(jìn)行變異處理，使得子代基因有更強的自適應(yīng)能力。結(jié)合后續(xù)的子代基因逆轉(zhuǎn)，設(shè)S為支配點u的環(huán)形區(qū)域，令A(yù)={a1，a2，...，an}為大規(guī)模集成軟件數(shù)據(jù)庫中特征矢量的模糊聚類中心，基于Internet的Web架構(gòu)模式得到軟件資源流數(shù)據(jù)庫。簡化用戶操作數(shù)據(jù)庫，擴展數(shù)據(jù)庫應(yīng)用范圍，在軟件調(diào)度子空間中的特征分解中心頻率輸出的矢量模型為：x1（t）

nM（t）（3）其中，根據(jù)方向矢量在時頻域內(nèi)的特征采樣，以特征值降值排列，進(jìn)行解析濾波處理，得到大規(guī)模集成軟件數(shù)據(jù)庫存儲空間的指向性增益。采用波束形成方法進(jìn)行冗余數(shù)據(jù)濾波，濾波函數(shù)為：x1（t）

nM（t）（4）若冗余數(shù)據(jù)的子空間均為窄帶的，數(shù)據(jù)庫存儲軟件調(diào)度的計算性能通過訓(xùn)練集進(jìn)行特征分類，構(gòu)建資源分類屬性集。B={b1，b2，...，bm}為數(shù)據(jù)庫存儲軟件調(diào)度特征挖掘的屬性類別集，得到數(shù)據(jù)庫存儲軟件調(diào)度的加權(quán)特征參量迭代式為：θ1（k+1）=θ1（k）-μRe[y（k）φ*（k）]（5）其中，μ是大數(shù)據(jù)分布的收斂步長，ia表示數(shù)據(jù)庫存儲軟件映射與調(diào)度尺度a的有限數(shù)據(jù)集屬性。通過在矢量空間中進(jìn)行特征信息流分析，為進(jìn)行調(diào)度算法優(yōu)化設(shè)計提供準(zhǔn)確的數(shù)據(jù)基礎(chǔ)。

2算法改進(jìn)設(shè)計與實現(xiàn)

在上述進(jìn)行了存儲空間結(jié)構(gòu)分析和數(shù)據(jù)信息流模型構(gòu)建的基礎(chǔ)上，進(jìn)行數(shù)據(jù)庫存儲調(diào)度算法改進(jìn)設(shè)計。傳統(tǒng)方法采用DctAF框架式云緩存調(diào)度方法，當(dāng)軟件集成深度和數(shù)據(jù)庫的差異信息特征較大時，云緩存調(diào)度的計算開銷過大，效率不高。為了克服傳統(tǒng)方法的弊端，本文提出一種基于結(jié)構(gòu)相似度定位的數(shù)據(jù)庫存儲軟件調(diào)度算法，首先構(gòu)建大規(guī)模集成軟件的數(shù)據(jù)庫存儲空間結(jié)構(gòu)模型，對存儲軟件調(diào)度信息進(jìn)行矢量重構(gòu)和信息流模型構(gòu)建，采用結(jié)構(gòu)相似度定位方法進(jìn)行數(shù)據(jù)庫存儲資源的特征提取和融合處理，得到數(shù)據(jù)庫中大數(shù)據(jù)采樣的支配節(jié)點信息融合采樣代價函數(shù)為：HB（z）=（1+sinθ2）cosθ2cosθ1（k）cosθ2z-11+sinθ1（k）（1+sinθ2）z-1+sinθ2z-2G（z）（6）其中：G（z）=1-sinθ221-z-21+sinθ1（k）（1+sinθ2）z-1+sinθ2z-2（7）輸入的數(shù)據(jù)庫存儲軟件大數(shù)據(jù)時間序列u（k）經(jīng)過自適應(yīng)平滑濾波和自適應(yīng)子空間加權(quán)處理，把有限數(shù)據(jù)集合X分為c類，提取數(shù)據(jù)庫存儲軟件大數(shù)據(jù)信息流的時間序列為{x（t0+iΔt）}，i=0，1，...，N-1。通過結(jié)構(gòu)相似度特征提取，得到相似度定義為：fY（y；λ0）=2yλ0e-y2λ0（8）其中，λ0表示各數(shù)據(jù)庫存儲軟件節(jié)點與資源整合聚類中心的目標(biāo)函數(shù)值。此時，大數(shù)據(jù)系統(tǒng)中分布空間的聚類中心特征分量為CF，記為CF=[F，Q，n，RT1，RT2，RW]，對于數(shù)據(jù)庫存儲軟件的實體AU，取αj=minΨj，相似性特征測度v（A）>0。當(dāng)滿足約束目標(biāo)函數(shù)，數(shù)據(jù)庫存儲軟件尺度整合信息的初始聚類中心矢量收斂值為V1j=（v1j1，v1j2，…，v1jn）。在ASP.NET中，由于數(shù)據(jù)庫系統(tǒng)本身的多樣性，為了使O/R Mapping能訪問各種數(shù)據(jù)庫系統(tǒng)，設(shè)X和Y為類判別屬性集合，在軟件嵌入式的網(wǎng)絡(luò)系統(tǒng)中，設(shè)數(shù)據(jù)調(diào)度的資源方位時刻t內(nèi)的有效性調(diào)度的檢測閾值ε滿足2-λt<ε，λ>0。基于Z變換，結(jié)合變換式xi=2εi-1，構(gòu)造出特征分解的軟件屬性分類種類序列Χ=x1，x2，...，xn。

使用多個不同權(quán)限的用戶頻繁訪問系統(tǒng)，得到數(shù)據(jù)庫存儲軟件資源業(yè)務(wù)量，用參量X的二項式表示為Sn=x1+x2+...+xn。進(jìn)一步采用尺度整合方法進(jìn)行自適應(yīng)尺度修正，得到穩(wěn)態(tài)調(diào)度的收斂尺度滿足正態(tài)分布函數(shù)，即滿足limn→∞PSnn≤z=z=12π∫z-∞e-u2/2du，進(jìn)行軟件關(guān)聯(lián)博弈線性規(guī)劃。通過對數(shù)據(jù)庫存儲軟件資源業(yè)務(wù)量的優(yōu)化約束，得到可靠度統(tǒng)計量Sobs=Snn。根據(jù)正態(tài)分布特性，得到基于結(jié)構(gòu)相似度定位的大規(guī)模集成軟件的數(shù)據(jù)庫存儲調(diào)度博弈函數(shù)滿足：limn→∞PSobs=Snn≤z

（9）根據(jù)上述描述，得到本文設(shè)計的數(shù)據(jù)庫存儲軟件調(diào)度流程如圖2所示。

為了測試本文算法在進(jìn)行大規(guī)模集成軟件數(shù)據(jù)庫存儲資源優(yōu)化調(diào)度中的性能，進(jìn)行仿真實驗。實驗建立在Matlab仿真軟件基礎(chǔ)上，試驗平臺為通用PC機，CPU為Intel CoreTM i7-2600，仿真模型包括：關(guān)系副本選擇、網(wǎng)絡(luò)站點選擇、通信傳輸能力以及網(wǎng)絡(luò)節(jié)點處理等。構(gòu)建全局?jǐn)?shù)據(jù)狀態(tài)和動態(tài)數(shù)據(jù)狀態(tài)，實現(xiàn)大規(guī)模集成軟件的數(shù)據(jù)庫存儲調(diào)度。首先進(jìn)行數(shù)據(jù)庫中的資源信息特征采樣，采樣時間間隔為T=2.3s，采樣頻率為15Hz，得到數(shù)據(jù)庫存儲資源的時間序列波形如圖3所示。

以上述采樣數(shù)據(jù)為研究對象，進(jìn)行數(shù)據(jù)庫存儲軟件調(diào)度仿真實驗，將數(shù)據(jù)調(diào)度的執(zhí)行時間作為測試指標(biāo)，得到仿真結(jié)果如圖4所示。

可以看出，采用本文算法，通過數(shù)據(jù)庫存儲軟件調(diào)度，數(shù)據(jù)查詢特征相關(guān)匹配度達(dá)到97.3%，比傳統(tǒng)算法提高了25.6%。大幅縮短了迭代時間。特別在查詢關(guān)系數(shù)較大時，尋優(yōu)時間較傳統(tǒng)算法大幅縮短。采用該方法進(jìn)行大規(guī)模集成軟件數(shù)據(jù)庫存儲資源調(diào)度，效率與收斂性較高，吞吐性能較好，展示了較好的應(yīng)用性能。

參考文獻(xiàn)：

劉經(jīng)南，方媛，郭遲，等.位置大數(shù)據(jù)的分析處理研究進(jìn)展[J].武漢大學(xué)學(xué)報：信息科學(xué)版，2014，39（4）：379385.

吳鴻華，穆勇，屈忠鋒，等.基于面板數(shù)據(jù)的接近性和相似性關(guān)聯(lián)度模型[J].控制與決策，2016，31（3）：555558.

張博，郝杰，馬剛，等.混合概率典型相關(guān)性分析[J].計算機研究與發(fā)展，2015，52（7）：14631476.

吳濤，陳黎飛，郭躬德.優(yōu)化子空間的高維聚類算法[J].計算機應(yīng)用，2014，34（8）：22792284.

余曉東，雷英杰，岳韶華，等.基于粒子群優(yōu)化的直覺模糊核聚類算法研究[J].通信學(xué)報，2015（5）：7480.

孫超，楊春曦，范莎，等.能量高效的無線傳感器網(wǎng)絡(luò)分布式分簇一致性濾波算法[J].信息與控制，2015，44（3）：379384.

責(zé)任編輯（責(zé)任編輯：黃健）