基于凸優(yōu)化的未來網(wǎng)絡(luò)資源分配策略

尹然然

(安徽交通職業(yè)技術(shù)學院 城市交通與信息工程系，合肥 230051)

未來網(wǎng)絡(luò)資源是一類以分布式計算方式作為基礎(chǔ)的新型計算策略與服務(wù)形式，可以通過應(yīng)用凸優(yōu)化的處理技術(shù)為計算數(shù)據(jù)提供可變的存儲空間與網(wǎng)絡(luò)資源數(shù)量，因此現(xiàn)階段該算法得到了眾多研究人員的密切關(guān)注[1].當前，各類信息數(shù)據(jù)不斷增加，對于數(shù)據(jù)處理速度也提出了新的要求，同時隨著信息處理系統(tǒng)復(fù)雜度的持續(xù)提升，要求進一步整合未來網(wǎng)絡(luò)資源架構(gòu)，從而確保系統(tǒng)計算性能獲得提高的前提下進一步減少運行成本[2-3].目前，也有較多學者開展了網(wǎng)絡(luò)資源利用率、集群負載、任務(wù)運行時間、集群性能、能耗等研究，運用了不同的優(yōu)化算法對網(wǎng)絡(luò)資源進行分配[4]，之后在仿真平臺上對各個算法開展了性能測試分析，取得了良好的單一目標優(yōu)化效果，而關(guān)于綜合考慮性能方面的內(nèi)容還需進一步深入研究[5].

本文綜合分析了云平臺運行期間的網(wǎng)絡(luò)資源動態(tài)分配、負載與傳統(tǒng)粒子群的優(yōu)勢與缺陷，根據(jù)網(wǎng)絡(luò)資源動態(tài)分配特征，通過窗口思想對網(wǎng)絡(luò)資源的位置分配狀況進行預(yù)測，并在對網(wǎng)絡(luò)資源的分配速率與效果進行整體考慮的基礎(chǔ)上，實現(xiàn)網(wǎng)絡(luò)資源的高效分配；引入了凸優(yōu)化，以完成未來網(wǎng)絡(luò)資源多目標的優(yōu)化處理.在建立了未來網(wǎng)絡(luò)資源系統(tǒng)后，選擇更加合理的網(wǎng)絡(luò)資源初始化放置形式，也能夠提高未來網(wǎng)絡(luò)資源的動態(tài)分配速率.[6]所以，可利用凸優(yōu)化完成集群中的網(wǎng)絡(luò)資源初始化配置，以及運行階段的網(wǎng)絡(luò)資源分配過程.

1 未來網(wǎng)絡(luò)資源分配過程

1.1 多目標網(wǎng)絡(luò)資源的初始化配置

把n個網(wǎng)絡(luò)資源編號組合為隊列形式，再利用搜索算法獲得與m個物理節(jié)點之間的對應(yīng)關(guān)系，之后把網(wǎng)絡(luò)資源放置在相應(yīng)的物理節(jié)點上，實現(xiàn)優(yōu)化目標.可以將群體的各粒子位置與速率表示成如下形式：

(1)

(2)

為實現(xiàn)算法從局部最優(yōu)解中脫離，在凸優(yōu)化中加入了全局搜索的思想.結(jié)合Metropolis準則，當溫度等于T時，粒子達到平衡狀態(tài)的概率大小是exp(ΔE/kT).此處，E代表在T溫度下對應(yīng)的粒子內(nèi)能，而ΔE是內(nèi)能變化量，k是Boltzmann常數(shù).在粒子群內(nèi)，可以通過目標函數(shù)來模擬內(nèi)能E，同時用參數(shù)t來模擬溫度T.對于全局搜索算法的模擬，則通過控制參數(shù)t以及初始解i實現(xiàn)，之后利用解的迭代形成新解，計算目標函數(shù)的變化量，接受或拒絕該新解，同時當每輪迭代結(jié)束后，根據(jù)比例降低t值，全局搜索公式為：

T(t+1)=α×T(t)

(3)

其中，α是模擬全局搜索過程中的冷卻衰減因子，其值是比1.00略小的正常數(shù).

1.2 網(wǎng)絡(luò)資源動態(tài)分配過程

利用時間序列預(yù)測平滑指數(shù)模型對熱點進行預(yù)測，明顯降低了熱點的誤判概率，同時也減少了分配次數(shù).如果窗口顯示CPU利用率多次出現(xiàn)警告值大于閾值的現(xiàn)象，并且超出了預(yù)定次數(shù)，同時CPU利用率也在閾值設(shè)定范圍之外，則可以通過平滑指數(shù)模型對后續(xù)CPU利用率進行預(yù)測，當其處于閾值的范圍之外時則對其進行分配，反之在窗口的警告次數(shù)上加1但不進行分配.

結(jié)合歷史數(shù)值，對后續(xù)CPU使用率進行預(yù)測分析.在第t+1時刻相應(yīng)的負載見式(4)：

xt+1=αxt+α2xt-1+…+αn+1xt-n+αt

(4)

其中，α是對平滑指數(shù)進行預(yù)測的參數(shù)，是一個比1小的正數(shù)，用于預(yù)測后續(xù)窗口CPU利用率的影響程度；αt是正態(tài)分布中的一個隨機變量，確保預(yù)測結(jié)果能夠符合隨機性特征.

未來網(wǎng)絡(luò)資源對于目標的優(yōu)化作用是降低分配次數(shù)以及網(wǎng)絡(luò)資源的分配時間，從而實現(xiàn)目標優(yōu)化過程，這對分配質(zhì)量及效率都將產(chǎn)生顯著影響.

選擇CPU利用率與網(wǎng)絡(luò)資源內(nèi)存策略，對網(wǎng)絡(luò)資源進行分配時要確保其具有良好的分配質(zhì)量，得到式(5)所示的分配函數(shù).

(5)

其中：UCPU代表網(wǎng)絡(luò)資源的CPU利用率，Rram是網(wǎng)絡(luò)資源內(nèi)存大小.如果CPU的利用率過大，而內(nèi)存空間不足時，Q值將較大.采用網(wǎng)絡(luò)資源分配方式能夠快速實現(xiàn)熱點消除，CPU與內(nèi)存的數(shù)據(jù)都較少，將使分配時間快速減小.

對網(wǎng)絡(luò)資源進行分配時需對數(shù)據(jù)進行全面復(fù)制.式(6)給出了網(wǎng)絡(luò)資源的評價公式.

(6)

其中，UCPU、Uram、Ustorage分別為網(wǎng)絡(luò)資源的CPU、內(nèi)存、硬盤的占用值,UFCPU、UFS與UFR分別代表網(wǎng)絡(luò)資源的CPU、硬盤及內(nèi)存容量.隨著網(wǎng)絡(luò)資源的利用逐漸增大，其體積也會隨之增加，在分配時就需復(fù)制更多的數(shù)據(jù)量.所以，在搜索期間這種形式的網(wǎng)絡(luò)資源很少會被選擇.

對分配效果與時間進行綜合分析，利用較少的分配時間并顯著降低分配次數(shù)與節(jié)點利用率，以此確保未來網(wǎng)絡(luò)資源能夠長期穩(wěn)定高效的運行，結(jié)果見式(7).

E=a×Q+b×V

(7)

其中，a與b都是權(quán)值.將a與b的值設(shè)定成相等的結(jié)果，將得到分配效果與時間都不是最佳的網(wǎng)絡(luò)資源，對這兩個方面實現(xiàn)了兼顧考慮，從而能夠快速消除所有集群熱點.

2 實驗結(jié)果與分析

2.1 仿真環(huán)境

圖1 不同k值算法收斂性

利用CloudSim模擬未來網(wǎng)絡(luò)資源進行實驗，為仿真測試總共構(gòu)建400個兩種物理節(jié)點，并創(chuàng)建了263個四類配置網(wǎng)絡(luò)資源，每個網(wǎng)絡(luò)資源各自都能運行5個未來網(wǎng)絡(luò)資源任務(wù).模擬實驗總共進行了1周時間，對算法的長期穩(wěn)定性與效率進行了測試.

2.2 參數(shù)設(shè)置

當k等于不同的取值時，慣性權(quán)重將表現(xiàn)為不同的曲線形式，從而對凸優(yōu)化的搜索區(qū)域與收斂速率產(chǎn)生明顯影響，結(jié)果見圖1.

從圖1可以發(fā)現(xiàn)，在k值等于2.0的情況下，慣性權(quán)重曲線表現(xiàn)為凹函數(shù)形態(tài)，采用粒子群搜索算法可以獲得良好的效果，所需迭代次數(shù)較少，并可以迅速搜索到具有最小適應(yīng)度的解.其中，表1顯示了采用凸優(yōu)化的各參數(shù)值.

表1 全局搜索凸優(yōu)化的參數(shù)

2.3 仿真結(jié)果與分析

2.3.1 SLA違背率分析

SLA違背率實驗結(jié)果如表2所示.

根據(jù)表2可知，違背率最高的是貪心算法，F(xiàn)IFS分配方法具有最低的SLA違背率.從長期運行狀態(tài)看，F(xiàn)RAS在前期具有更高的SLA違背率，當運行時間達到4天之后，其SLA違背率比標準凸優(yōu)化更低，而且不斷降低，體現(xiàn)出了FRAS在長期負載中的優(yōu)勢.

表2 SLA違背率

2.3.2 物理節(jié)點的剩余網(wǎng)絡(luò)資源利用率

表3顯示了剩余網(wǎng)絡(luò)資源的測試結(jié)果.

表3 剩余網(wǎng)絡(luò)資源利用率

表3顯示了不同算法的網(wǎng)絡(luò)資源利用率，從中可以發(fā)現(xiàn)平均剩余網(wǎng)絡(luò)資源保持穩(wěn)定狀態(tài)，當任務(wù)完成后，為確保網(wǎng)絡(luò)資源能夠進一步獲得高效利用，要求集中放置低載節(jié)點網(wǎng)絡(luò)資源.FIFS剩余網(wǎng)絡(luò)資源在任務(wù)完成后不斷增加，這是由于當任務(wù)完成之后，內(nèi)存與CPU的占用空間都降低了.PSO具有良好的初期表現(xiàn)狀態(tài)，但后續(xù)運行中無法獲得較高的剩余網(wǎng)絡(luò)資源利用率.FIFS則與PSO剛好相反，其前期剩余網(wǎng)絡(luò)資源利用率較低，而在長時間的運行中表現(xiàn)出了更好的優(yōu)化效果.由此可見，此分配策略能夠達到更佳的長期集群網(wǎng)絡(luò)資源利用率.

3 結(jié)論

本文對未來網(wǎng)絡(luò)資源中的網(wǎng)絡(luò)資源分配過程進行了深入研究，分析了各算法的網(wǎng)絡(luò)資源利用率、SLA、分配次數(shù)與能耗方面的測試結(jié)果，提出了基于凸優(yōu)化的未來網(wǎng)絡(luò)資源分配策略，對該算法進行了優(yōu)化處理，并將其應(yīng)用到未來網(wǎng)絡(luò)資源的初始化放置與動態(tài)分配中，確保系統(tǒng)具有良好的SLA，同時在其它各項性能方面也能達到均衡性.仿真測試結(jié)果顯示，此方法具有良好的服務(wù)性能與網(wǎng)絡(luò)資源利用率，同時也可以有效地降低能耗，并提高了未來網(wǎng)絡(luò)資源性能.