夏秀峰，張 羽

（1.沈陽航空航天大學(xué) 遼寧省通用航空重點實驗室，遼寧 沈陽110136；2.沈陽航空航天大學(xué) 計算機(jī)學(xué)院，遼寧 沈陽110136）

0 引 言

目前，PDM （product data management）系統(tǒng)均采用基于RDB （relational database）實現(xiàn)，且采用獨立文件服務(wù)器存儲產(chǎn)品數(shù)據(jù)。隨著制造企業(yè)產(chǎn)品數(shù)據(jù)的不斷積累，面對海量數(shù)據(jù)高效存儲與訪問要求，傳統(tǒng)存儲方式成為制約PDM 系統(tǒng)性能的瓶頸之一。另一方面，RDB 橫向擴(kuò)展性差，且隨MBD （model based definition）／MBE （model based enterprise）技術(shù)的實施，PDM 數(shù)據(jù)的結(jié)構(gòu)特征越來越弱，因此使用NOSQL 數(shù)據(jù)庫存儲文件元數(shù)據(jù)信息，將云存儲技術(shù)應(yīng)用于PDM，構(gòu)建企業(yè)私有云環(huán)境下的PDM文件系統(tǒng)，在提升PDM 文件讀寫性能的同時，使PDM 文件系統(tǒng)具有更好的健壯性和擴(kuò)展性。

Hadoop［1，2］是一個優(yōu)秀的開源云計算平臺，以HDFS（Hadoop distributed file system）和MapReduce分布式計算框架為核心。其中，HDFS作為GFS （Google file system）的開源實現(xiàn)是Hadoop數(shù)據(jù)存儲的基礎(chǔ)。針對HDFS負(fù)載均衡的研究已經(jīng)取得一些成果?，F(xiàn)有研究多是基于數(shù)據(jù)節(jié)點存儲空間的負(fù)載均衡，通過合理的數(shù)據(jù)塊分布實現(xiàn)數(shù)據(jù)節(jié)點的負(fù)載均衡。在PDM 中，由于用戶對歷史產(chǎn)品數(shù)據(jù)的訪問大大少于對新產(chǎn)品數(shù)據(jù)的訪問，因此可能會出現(xiàn)數(shù)據(jù)節(jié)點存儲數(shù)據(jù)量相同，但數(shù)據(jù)節(jié)點用戶請求量相差較大的現(xiàn)象，使某些數(shù)據(jù)節(jié)點處于過載狀態(tài)，而其它數(shù)據(jù)節(jié)點處于低載或空載狀態(tài)。

本文提出一種基于負(fù)載信息的文件讀取均衡算法，算法使用動態(tài)負(fù)載均衡技術(shù)，即客戶端根據(jù)數(shù)據(jù)節(jié)點負(fù)載信息動態(tài)創(chuàng)建文件讀取請求，避免用戶請求過度集中于某些數(shù)據(jù)節(jié)點，較好實現(xiàn)數(shù)據(jù)節(jié)點負(fù)載均衡，并使用戶等待時間明顯縮短。

1 負(fù)載評價

通常，集群負(fù)載均衡可分為靜態(tài)和動態(tài)兩種方式。靜態(tài)負(fù)載均衡算法無需根據(jù)集群運行狀態(tài)進(jìn)行任務(wù)的調(diào)整；動態(tài)負(fù)載均衡在系統(tǒng)運行過程中根據(jù)各節(jié)點的資源利用情況，動態(tài)調(diào)整分配給各節(jié)點的任務(wù)。文獻(xiàn) ［3］對集群文件服務(wù)系統(tǒng)中常見的負(fù)載均衡算法進(jìn)行了詳細(xì)介紹。

靜態(tài)負(fù)載均衡不考慮當(dāng)前所有連接狀態(tài)及各節(jié)點之間當(dāng)前的負(fù)載情況。由于無需額外獲取服務(wù)器負(fù)載信息，任務(wù)分配與系統(tǒng)當(dāng)前狀態(tài)無關(guān)，造成任務(wù)分配具有盲目性的特點，因而導(dǎo)致負(fù)載均衡效果不理想。文獻(xiàn) ［4］對負(fù)載均衡算法進(jìn)行了詳細(xì)介紹并對比優(yōu)缺點。

動態(tài)負(fù)載均衡根據(jù)集群各節(jié)點當(dāng)前狀態(tài)進(jìn)行任務(wù)的動態(tài)分配，負(fù)載均衡效果明顯優(yōu)于靜態(tài)負(fù)載均衡方式，但如果算法設(shè)計不合理容易導(dǎo)致負(fù)載均衡失敗并增加集群的額外開銷。文獻(xiàn) ［5］利用自適應(yīng)的反饋機(jī)制，有效降低獲取負(fù)載信息的額外開銷。文獻(xiàn) ［6］提出一種改進(jìn)的基于反饋的負(fù)載均衡算法，在考慮服務(wù)節(jié)點真實負(fù)載，處理能力的基礎(chǔ)上，盡量簡化負(fù)載均衡器的任務(wù)分配算法。

文獻(xiàn) ［7，8］分別對Hadoop默認(rèn)負(fù)載均衡算法進(jìn)行改進(jìn)，經(jīng)實驗對比數(shù)據(jù)節(jié)點存儲空間使用更加平均，實現(xiàn)了數(shù)據(jù)節(jié)點存儲空間的負(fù)載均衡。文獻(xiàn) ［9］建立基于控制變量的數(shù)據(jù)負(fù)載均衡數(shù)學(xué)模型，通過控制變量動態(tài)分配網(wǎng)絡(luò)帶寬以實現(xiàn)數(shù)據(jù)負(fù)載均衡。文獻(xiàn) ［10］提出基于結(jié)點網(wǎng)絡(luò)距離與數(shù)據(jù)負(fù)載計算每個結(jié)點的調(diào)度評價值，實現(xiàn)數(shù)據(jù)放置負(fù)載均衡的同時保證了良好的數(shù)據(jù)傳輸性能。

本文選用動態(tài)負(fù)載均衡方式進(jìn)行請求分配，為確定某一時刻數(shù)據(jù)節(jié)點的負(fù)載大小，需要對數(shù)據(jù)節(jié)點負(fù)載情況進(jìn)行計算。而負(fù)載評價因素的選取則直接影響動態(tài)負(fù)載均衡性能的好壞。①由于本文以企業(yè)私有云環(huán)境下PDM 文件系統(tǒng)動態(tài)負(fù)載均衡為研究背景，對數(shù)據(jù)節(jié)點的壓力負(fù)載主要是數(shù)據(jù)I／O 操作，所以將硬盤使用率作為第一個評價因素；②由于數(shù)據(jù)節(jié)點需要執(zhí)行MapReduce任務(wù)，因此將CPU做為第二個評價因素；③分布式文件系統(tǒng)通過網(wǎng)絡(luò)為用戶提供服務(wù)，網(wǎng)絡(luò)帶寬的使用率影響著數(shù)據(jù)節(jié)點響應(yīng)時間，因此將網(wǎng)絡(luò)帶寬作為最后一個評價因素。由此得出數(shù)據(jù)節(jié)點負(fù)載評價函數(shù)如式 （1）所示

式中：U（Disk）——硬盤使用率，U（CPU）——CPU 使用率，U（Net）——上行網(wǎng)絡(luò)帶寬使用率。U（Node）——負(fù)載大小，U（Node）數(shù)值越大代表數(shù)據(jù)節(jié)點負(fù)載越重。其中λ1、λ2、λ3為各評價因素的權(quán)重因子，且λ1＋λ2＋λ3＝1。

2 負(fù)載均衡算法

HDFS自帶的讀取算法 （以下簡稱默認(rèn)算法）中，選擇某個數(shù)據(jù)節(jié)點提供服務(wù)需要通過排序與選擇兩個階段完成。通過循環(huán)執(zhí)行排序算法和選擇算法，為文件的每個數(shù)據(jù)塊選擇合適的數(shù)據(jù)節(jié)點向用戶提供服務(wù)。默認(rèn)排序算法沒有考慮數(shù)據(jù)節(jié)點的實際負(fù)載情況，僅能隨機(jī)選擇某個數(shù)據(jù)節(jié)點提供服務(wù)，因而負(fù)載均衡效果較差。同時默認(rèn)算法使用順序讀取方式限制了數(shù)據(jù)節(jié)點的選擇范圍，導(dǎo)致用戶請求的過度集中造成數(shù)據(jù)節(jié)點過載現(xiàn)象的出現(xiàn)。

針對上述問題，提出一種基于負(fù)載信息的文件讀取均衡算法。該算法采用動態(tài)負(fù)載均衡方式，使用數(shù)據(jù)節(jié)點負(fù)載評價函數(shù)為動態(tài)分配請求提供依據(jù)，并且通過非順序請求方式打破對數(shù)據(jù)節(jié)點選擇的限制，擴(kuò)大數(shù)據(jù)節(jié)點選擇范圍。算法將動態(tài)負(fù)載均衡技術(shù)與非順序請求相結(jié)合，最終實現(xiàn)集群的動態(tài)負(fù)載均衡。

2.1 算法基本思想

面對用戶大量并發(fā)請求，順序讀取方式限制了數(shù)據(jù)節(jié)點選擇范圍，導(dǎo)致請求集中于保存某些數(shù)據(jù)塊副本的節(jié)點上。而非順序請求方式可以擴(kuò)大數(shù)據(jù)節(jié)點的選擇范圍，存儲文件數(shù)據(jù)塊副本的所有節(jié)點均是選擇對象。PDM 系統(tǒng)中，用戶的一次訪問要求獲得文件的整體，并不關(guān)心文件數(shù)據(jù)塊的讀取順序，這種特點使非順序讀取成為可能。

算法的基本思想是，通過非順序請求方式增加數(shù)據(jù)節(jié)點的選擇對象之后，使用負(fù)載評價函數(shù)確定各數(shù)據(jù)節(jié)點負(fù)載大小，根據(jù)負(fù)載信息優(yōu)先選擇低負(fù)載數(shù)據(jù)節(jié)點提供服務(wù)，從而實現(xiàn)集群的負(fù)載均衡。

2.2 算法描述

根據(jù)算法的基本思想，下面給出基于負(fù)載信息的文件讀取均衡算法描述：

（1）根據(jù)用戶請求獲取請求文件信息，信息包括文件數(shù)據(jù)塊與數(shù)據(jù)節(jié)點存儲關(guān)系、文件長度。

（2）根據(jù)文件系統(tǒng)元信息為保存有請求文件數(shù)據(jù)塊的節(jié)點建立臨時映射，映射記錄數(shù)據(jù)節(jié)點自身與存儲請求文件數(shù)據(jù)塊的關(guān)系。

（3）使用集合結(jié)構(gòu)記錄文件數(shù)據(jù)塊，用于判斷文件所有數(shù)據(jù)塊是否讀取完成。

（4）判斷文件數(shù)據(jù)塊是否全部讀取，如果是則轉(zhuǎn)（11）。

（5）獲取保存有文件數(shù)據(jù)塊節(jié)點的負(fù)載信息，使用集合記錄節(jié)點負(fù)載信息。

（6）計算節(jié)點平均負(fù)載，從負(fù)載信息集合中刪除大于平均負(fù)載的數(shù)據(jù)節(jié)點。

（7）從負(fù)載信息集合中選擇一個數(shù)據(jù)節(jié)點提供服務(wù)。

（8）通過數(shù)據(jù)節(jié)點與數(shù)據(jù)塊的臨時映射，選擇一個數(shù)據(jù)塊為目標(biāo)進(jìn)行數(shù)據(jù)讀取。

（9）將讀取數(shù)據(jù)塊從所在數(shù)據(jù)節(jié)點的臨時映射中刪除。

（10）從數(shù)據(jù)塊讀取記錄中刪除讀取完成的數(shù)據(jù)塊，跳至 （4）。

（11）文件讀取結(jié)束。

算法的偽代碼如下。

輸入：文件路徑src

初始化：

3 實驗結(jié)果分析

為驗證算法的有效性，實驗使用一臺曙光A620r－G 服務(wù)器、兩臺曙光A840r－G 高性能服務(wù)器搭建分布式環(huán)境，存儲設(shè)備為曙光DS200－N10 磁盤陣列，Hadoop 版本為1.2.1。利用虛擬化技術(shù)創(chuàng)建8個數(shù)據(jù)節(jié)點，各數(shù)據(jù)節(jié)點網(wǎng)絡(luò)帶寬為100 Mbps。使用PC 作為客戶端模擬用戶并發(fā)請求文件，每個用戶網(wǎng)絡(luò)帶寬為10 Mbps，請求文件大小為271 MB。

圖1為用戶平均等待時間的對比，不難看出，隨著用戶并發(fā)訪問數(shù)量的不斷增加，所提算法的性能優(yōu)勢逐漸體現(xiàn)出來。模擬20 個用戶并發(fā)請求時，集群處于低負(fù)載狀態(tài)。此時兩種算法的用戶平均等待時間區(qū)別較小。當(dāng)模擬80個用戶并發(fā)請求時，集群處于高負(fù)載狀態(tài)。由于默認(rèn)算法負(fù)載均衡效果不理想，未能充分利用集群中數(shù)據(jù)節(jié)點資源，與所提算法相比用戶平均等待時間明顯增加。

圖1 用戶平均等待時間對比

模擬20個用戶并發(fā)請求文件時默認(rèn)算法數(shù)據(jù)節(jié)點負(fù)載信息如圖2所示。由于默認(rèn)算法順序請求文件數(shù)據(jù)塊，用戶請求集中在存儲數(shù)據(jù)塊副本的3個數(shù)據(jù)節(jié)點上。由于用戶請求數(shù)量較少集群各數(shù)據(jù)節(jié)點處于低負(fù)載狀態(tài)，因此并未出現(xiàn)數(shù)據(jù)節(jié)點過載現(xiàn)象。

模擬20個用戶并發(fā)請求時所提算法數(shù)據(jù)節(jié)點負(fù)載信息如圖3所示。所提算法根據(jù)數(shù)據(jù)節(jié)點負(fù)載信息動態(tài)分配用戶請求，從而提高集群數(shù)據(jù)節(jié)點利用率。與默認(rèn)算法相比新算法能夠充分利用多個數(shù)據(jù)節(jié)點，因此降低了數(shù)據(jù)節(jié)點的負(fù)載，但低負(fù)載情況下兩種算法用戶平均等待時間差別較小。

圖2 默認(rèn)算法數(shù)據(jù)節(jié)點負(fù)載信息

圖3 所提算法數(shù)據(jù)節(jié)點負(fù)載信息

模擬80個用戶并發(fā)請求時默認(rèn)算法數(shù)據(jù)節(jié)點負(fù)載信息如圖4所示。集群處于高負(fù)載狀態(tài)下數(shù)據(jù)節(jié)點負(fù)載相差較大，集群數(shù)據(jù)節(jié)點多處于空載狀態(tài)。由于數(shù)據(jù)節(jié)點系統(tǒng)資源嚴(yán)重浪費，因此用戶平均等待時間大幅增加。

圖4 默認(rèn)算法數(shù)據(jù)節(jié)點負(fù)載信息

模擬80個用戶并發(fā)請求時新算法數(shù)據(jù)節(jié)點負(fù)載信息如圖5所示。集群處于高負(fù)載狀態(tài)下，所提算法充分利用集群數(shù)據(jù)節(jié)點資源實現(xiàn)了集群的負(fù)載均衡。與默認(rèn)算法相比用戶平均等待時間明顯縮短。

由于PDM 是裝備制造企業(yè)的核心軟件，在每個時刻，往往有幾百個用戶同時訪問，此時，所提算法的優(yōu)勢將更加明顯。

圖5 所提算法數(shù)據(jù)節(jié)點負(fù)載信息

4 結(jié)束語

本文分析了PDM 文件請求的特點，并提出一種基于負(fù)載信息的文件讀取均衡算法。該算法將動態(tài)負(fù)載均衡技術(shù)與非順序請求方式有效結(jié)合，增加了用戶請求節(jié)點的數(shù)量，避免因用戶請求集中而導(dǎo)致的數(shù)據(jù)節(jié)點過載問題的發(fā)生，從而實現(xiàn)集群的負(fù)載均衡。通過實驗對比，在低負(fù)載和中度負(fù)載情況下負(fù)載均衡效果比默認(rèn)算法有所提高，在高負(fù)載情況下負(fù)載均衡效果提升明顯，解決了PDM 數(shù)據(jù)高并發(fā)條件下存儲與訪問效率低下的問題。

［1］Borthaur D.The Hadoop distributed file system：Architecture and design ［EB／OL］.［2013－04－08］.http：／／hadoop.apche.org／docs／r1.2.1／hdfs＿design.html.

［2］Jeffrey Shafer，Scott Rixner，Alan L Cox.The Hadoop distributed filesystem：Balancing portability and performance ［C］／／Proc of ISPASS.Piscataway，NJ：IEEE，2010：122－133.

［3］LIU Enhai，LI Wei，ZHANG Suqi，et al.Research of load balancing algorithm in cluster file service system ［J］.Computer Engineering and Design，2013，34 （8）：2755－2758（in Chinese）.［劉恩海，李偉，張素琪，等.集群文件服務(wù)系統(tǒng)中的負(fù)載均衡算法的研究［J］.計算機(jī)工程與設(shè)計，2013，34 （8）：2755－2758.］

［4］LI Kun，WANG Baijie.Research on load balancing of web server system and comparison of algorithms［J］.Computer and Modernization，2009，25 （8）：7－10 （in Chinese）.［李坤，王百杰.服務(wù)器集群負(fù)載均衡技術(shù)研究及算法比較 ［J］.計算機(jī)與現(xiàn)代化，2009，25 （8）：7－10.］

［5］ZHANG Congping，YIN Jianwei.Dynamic load balancing algorithm of distributed file system ［J］.Journal of Chinese Computer Systems，2011，32 （7）：1424－1426 （in Chinese）. ［張聰萍，尹建偉.分布式文件系統(tǒng)的動態(tài)負(fù)載均衡算法 ［J］.小型微型計算機(jī)系統(tǒng)，2011，32 （7）：1424－1426.］

［6］TIAN Shaoliang，ZUO Ming，WU Shaowei.Improved dynamic load balancing algorithm based on feed＿back ［J］.Computer Engineering and Design，2007，28 （3）：572－574 （in Chinese）.［田紹亮，左明，吳紹偉.一種改進(jìn)的基于動態(tài)反饋的負(fù)載均衡算法 ［J］.計算機(jī)工程與設(shè)計，2007，28 （3）：572－574.］

［7］LIU Kun，XIAO Lin，ZHAO Haiyan.Research and optimize of cloud data load balancing in Hadoop ［J］.Microelectronics＆Computer，2012，29 （9）：18－21 （in Chinese）. ［劉琨，肖琳，趙海燕.Hadoop中云數(shù)據(jù)負(fù)載均衡算法的研究及優(yōu)化［J］.微電子學(xué)與計算機(jī)，2012，29 （9）：18－21.］

［8］LIU Kun，NIU Wenliang.An improved data load balancing algorithm for Hadoop ［J］.Journal of Henan Polytechnic University （Natural Science），2013，32 （3）：332－336 （in Chi－nese）.［劉琨，鈕文良.一種改進(jìn)的Hadoop數(shù)據(jù)負(fù)載均衡算法 ［J］.河南理工大學(xué)學(xué)報 （自然科學(xué)版），2013，32 （3）：332－336.］

［9］LIN Weiwei，LIU Bo.Hadoop data load balancing method based on dynamic bandwidth ［J］.Journal of South China University of Technology （Natural Science Edition），2012，40（9）：42－47 （in Chinese）. ［林偉偉，劉波.基于動態(tài)帶寬分配的Hadoop數(shù)據(jù)負(fù)載均衡方法 ［J］.華南理工大學(xué)學(xué)報 （自然科學(xué)版），2012，40 （9）：42－47.］

［10］LIN Weiwei.KNN query technology of mobile terminals in highway networks［J］.Journal of South China University of Technology （Natural Science Edition），2012，40 （1）：152－158 （in Chinese）.［林偉偉.一種改進(jìn)的Hadoop數(shù)據(jù)放置策略 ［J］.華南理工大學(xué)學(xué)報（自然科學(xué)版），2012，40 （1）：152－158.］