宋小芹 王東亞

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

關鍵詞關鍵詞：結構相似度定位；數據庫存儲；存儲軟件

DOIDOI：10.11907/rjdk.161331

中圖分類號：TP391文獻標識碼：A文章編號文章編號：16727800（2016）007015203

0引言

隨著計算機技術、信息技術的快速發(fā)展，產生了越來越多的數據信息資源。如何將這些大規(guī)模集成軟件的數據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發(fā)展需要解決的首要問題?，F代集成軟件調度和資源分布的弊端主要體現在資源分布地區(qū)差異大，不同地區(qū)資源持有程度嚴重不同，成為制約集成軟件信息技術發(fā)展均衡的首要因素。另外，資源成本高、使用率低下、共享技術落后也是影響信息現代化發(fā)展的瓶頸。因此，需要研究一種高效的大規(guī)模集成軟件的數據庫存儲資源優(yōu)化調度算法，以提高集成軟件的運行和開發(fā)效率＼[13＼]。

1大規(guī)模集成軟件的數據庫存儲空間結構模型與信息流分析1.1大規(guī)模集成軟件的數據庫存儲空間結構模型基礎

為了實現對大規(guī)模集成軟件的數據庫存儲資源優(yōu)化調度，首先采用遺傳算法構建大規(guī)模集成軟件的數據庫存儲模型，進行數據存儲結構編碼。遺傳算法通常用最簡單的編碼方式來表示一個相對復雜的問題，編碼是變量集合，并對該編碼集進行運算處理，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行學習指導并確定一個搜索方向。

遺傳算法在執(zhí)行數據庫大規(guī)模集成軟件數據庫存儲空間結構的過程表述為：①首先隨機產生一個任意種群，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有一個解，每個個體攜帶基因的不同性質決定了每個個體特征不同，遺傳算法通過一個適應度函數對每個個體特征進行辨別打分；③通過數據編碼計算后，算法會根據每個個體的適應度配合不同的辨別選擇方案，挑選出部分個體進入下一代，選擇個體的策略應要讓高適應度個體比低適應度個體更容易進入下一代，即高適應度個體進入下一代的概率要高于低適應度個體；④ 對選擇出來的個體通過交叉和變異操作產生適應度更高個體，經過這樣反復操作，種群多樣性得到提高。通過上述分析，得到大規(guī)模集成軟件的數據庫存儲空間結構模型如圖1所示。

在大規(guī)模集成軟件的數據庫存儲空間中，進行數據存儲子空間的多維矢量特征重構。設在大規(guī)模集成軟件的數據庫存儲空間進行軟件分布式調度的概念格結點G1=（Mα1，Mβ1，Y1），G2=（Mα2，Mβ2，Y2），自適應網格分布的適應加權函數為：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，用輸入數據包傳輸和監(jiān)測信息x（k）減去輸出y（k），可以得到M個大規(guī)模集成軟件數據庫存儲空間的節(jié)點采樣，并得到大規(guī)模集成軟件數據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，數據的聚類中心滿足G1G2Y1Y2。將v插入有序集R1（u）中，由此實現數據庫的結構分析和編碼特征優(yōu)化。

1.2數據庫存儲資源信息流模型構建

在上述數據結構和存儲空間分析的基礎上，構建數據庫存儲資源信息流，在C/S構架下的隱通道中進行數據采樣，在數據庫資源信息采樣時刻t和t+τ進行信息特征提取，得到關聯的初始化大數據資源子集為x（k-1），….，x（k-M）。假設信息流為數據序列{xn}，通過選擇適當的相位θ1（k），在時間片Δ內令自適應權值（0）=0，通過子代基因逆轉技術，對遺傳算法進行變異處理，使得子代基因有更強的自適應能力。結合后續(xù)的子代基因逆轉，設S為支配點u的環(huán)形區(qū)域，令A={a1，a2，...，an}為大規(guī)模集成軟件數據庫中特征矢量的模糊聚類中心，基于Internet的Web架構模式得到軟件資源流數據庫。簡化用戶操作數據庫，擴展數據庫應用范圍，在軟件調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，根據方向矢量在時頻域內的特征采樣，以特征值降值排列，進行解析濾波處理，得到大規(guī)模集成軟件數據庫存儲空間的指向性增益。采用波束形成方法進行冗余數據濾波，濾波函數為：x1（t）

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

2算法改進設計與實現

在上述進行了存儲空間結構分析和數據信息流模型構建的基礎上，進行數據庫存儲調度算法改進設計。傳統(tǒng)方法采用DctAF框架式云緩存調度方法，當軟件集成深度和數據庫的差異信息特征較大時，云緩存調度的計算開銷過大，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構相似度定位的數據庫存儲軟件調度算法，首先構建大規(guī)模集成軟件的數據庫存儲空間結構模型，對存儲軟件調度信息進行矢量重構和信息流模型構建，采用結構相似度定位方法進行數據庫存儲資源的特征提取和融合處理，得到數據庫中大數據采樣的支配節(jié)點信息融合采樣代價函數為：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）輸入的數據庫存儲軟件大數據時間序列u（k）經過自適應平滑濾波和自適應子空間加權處理，把有限數據集合X分為c類，提取數據庫存儲軟件大數據信息流的時間序列為{x（t0+iΔt）}，i=0，1，...，N-1。通過結構相似度特征提取，得到相似度定義為：fY（y；λ0）=2yλ0e-y2λ0（8）其中，λ0表示各數據庫存儲軟件節(jié)點與資源整合聚類中心的目標函數值。此時，大數據系統(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]，對于數據庫存儲軟件的實體AU，取αj=minΨj，相似性特征測度v（A）>0。當滿足約束目標函數，數據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，由于數據庫系統(tǒng)本身的多樣性，為了使O/R Mapping能訪問各種數據庫系統(tǒng)，設X和Y為類判別屬性集合，在軟件嵌入式的網絡系統(tǒng)中，設數據調度的資源方位時刻t內的有效性調度的檢測閾值ε滿足2-λt<ε，λ>0。基于Z變換，結合變換式xi=2εi-1，構造出特征分解的軟件屬性分類種類序列Χ=x1，x2，...，xn。

使用多個不同權限的用戶頻繁訪問系統(tǒng)，得到數據庫存儲軟件資源業(yè)務量，用參量X的二項式表示為Sn=x1+x2+...+xn。進一步采用尺度整合方法進行自適應尺度修正，得到穩(wěn)態(tài)調度的收斂尺度滿足正態(tài)分布函數，即滿足limn→∞PSnn≤z=z=12π∫z-∞e-u2/2du，進行軟件關聯博弈線性規(guī)劃。通過對數據庫存儲軟件資源業(yè)務量的優(yōu)化約束，得到可靠度統(tǒng)計量Sobs=Snn。根據正態(tài)分布特性，得到基于結構相似度定位的大規(guī)模集成軟件的數據庫存儲調度博弈函數滿足：limn→∞PSobs=Snn≤z

（9）根據上述描述，得到本文設計的數據庫存儲軟件調度流程如圖2所示。

為了測試本文算法在進行大規(guī)模集成軟件數據庫存儲資源優(yōu)化調度中的性能，進行仿真實驗。實驗建立在Matlab仿真軟件基礎上，試驗平臺為通用PC機，CPU為Intel CoreTM i7-2600，仿真模型包括：關系副本選擇、網絡站點選擇、通信傳輸能力以及網絡節(jié)點處理等。構建全局數據狀態(tài)和動態(tài)數據狀態(tài)，實現大規(guī)模集成軟件的數據庫存儲調度。首先進行數據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，得到數據庫存儲資源的時間序列波形如圖3所示。

以上述采樣數據為研究對象，進行數據庫存儲軟件調度仿真實驗，將數據調度的執(zhí)行時間作為測試指標，得到仿真結果如圖4所示。

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

參考文獻：

劉經南，方媛，郭遲，等.位置大數據的分析處理研究進展[J].武漢大學學報：信息科學版，2014，39（4）：379385.

吳鴻華，穆勇，屈忠鋒，等.基于面板數據的接近性和相似性關聯度模型[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].通信學報，2015（5）：7480.

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

責任編輯（責任編輯：黃?。?/p>