，，

(1.石家莊鐵道大學 信息科學與技術學院，石家莊 050043；2.中北大學 電子與計算機科學技術學院，太原 030051)

0 引言

隨著云計算的發(fā)展普及，云計算環(huán)境下動態(tài)數(shù)據(jù)越來越多，云計算下數(shù)據(jù)成為重要的信息資源。為了更好的利用這些資源，需要對云計算環(huán)境下動態(tài)數(shù)據(jù)進行聚集[1]。數(shù)據(jù)聚集是數(shù)據(jù)處理過程中的重要環(huán)節(jié)，對數(shù)據(jù)時代有著不可替代的作用。動態(tài)數(shù)據(jù)指在系統(tǒng)應用中隨時間變化而改變的數(shù)據(jù)，如庫存數(shù)據(jù)等，動態(tài)數(shù)據(jù)的準備和系統(tǒng)切換的時間有直接關系[2]。由于動態(tài)數(shù)據(jù)的變化性，導致在數(shù)據(jù)聚集過程中，數(shù)據(jù)信息存在失真甚至丟失的問題，因此云計算環(huán)境下動態(tài)數(shù)據(jù)存儲首先需要解決數(shù)據(jù)可靠性問題[3]。由于動態(tài)數(shù)據(jù)所具有的獨特性特征，導致傳統(tǒng)的數(shù)據(jù)聚集算法難以滿足動態(tài)數(shù)據(jù)聚集要求。這種情況下，使云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法達到最優(yōu)效果，成為當前迫切需要解決的重點問題[4]。而基于同態(tài)加密與改進ECC的云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法，通過使用同態(tài)加密與消息認證碼聚集密文與簽名；在此基礎上，對云計算中節(jié)點的動態(tài)數(shù)據(jù)進行提取，通過驗證消息的完整性、發(fā)送者的合法性以及識別惡意節(jié)點，從而完成動態(tài)數(shù)據(jù)的聚集[5]，這種方法有效的保證了數(shù)據(jù)的準確性及可靠性，成為這一課題的主要研究內容[6]。隨著信息化發(fā)展，互聯(lián)網的普及，動態(tài)數(shù)據(jù)聚集成為但僅社會研究的重點課題，隨著研究的不斷深入，產生了豐碩的研究成果[7]。

文獻[8]提出了一種基于線性時間概率計算算法的云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法。為解決動態(tài)數(shù)據(jù)中的冗余數(shù)據(jù)，減少數(shù)據(jù)傳輸，提出數(shù)據(jù)聚集操作過程中，在動態(tài)數(shù)據(jù)中間節(jié)點對動態(tài)數(shù)據(jù)進行預處理，在此基礎上，針對云計算環(huán)境下動態(tài)數(shù)據(jù)聚集操作路徑復雜，且容易出現(xiàn)動態(tài)數(shù)據(jù)重復計數(shù)問題，提出通過對副本不敏感的概要結構并優(yōu)化數(shù)據(jù)聚集算法特性，從而實現(xiàn)動態(tài)數(shù)據(jù)聚集算法。但這種算法難以保證數(shù)據(jù)的準確性。文獻[9]提出了一種半監(jiān)督空間化的動態(tài)數(shù)據(jù)聚集算法。針對傳統(tǒng)數(shù)據(jù)聚集算法存在的不足，引入具備半監(jiān)督學習能力的半監(jiān)督項對云計算環(huán)境下動態(tài)數(shù)據(jù)特征隸屬度矩陣進行增強，利用動態(tài)數(shù)據(jù)的聚類中心和中心鄰近的點組成數(shù)據(jù)空間，通過動態(tài)數(shù)據(jù)的樣本點與該空間的距離替代歐氏距離作為新的動態(tài)數(shù)據(jù)相似度度量標準，并給出判斷聚類中心能否合并的閾值參數(shù)，從而完成半監(jiān)督空間化的動態(tài)數(shù)據(jù)聚集算法，但這種算法復雜度較高，難以保證動態(tài)數(shù)據(jù)聚集前后的一致性。文獻[10]提出了一種基于物理干擾模型的動態(tài)數(shù)據(jù)聚集算法，通過構造一棵根在頭節(jié)點的局部數(shù)據(jù)聚集樹，將整個云計算空間劃分為若干個邊長相等且只包含一個節(jié)點的正方形區(qū)域，最后對節(jié)點所在區(qū)域內動態(tài)數(shù)據(jù)進行聚集，但這種方法存在聚集速度較慢的問題。

針對上述產生的問題，提出一種基于粒子群優(yōu)化算法的云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法，首先分析云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法數(shù)學模型，然后，提出通過粒子群優(yōu)化算法完成云計算環(huán)境下動態(tài)數(shù)據(jù)聚集。通過對云計算環(huán)境中的動態(tài)數(shù)據(jù)結構模型進行分析，實現(xiàn)對數(shù)據(jù)的離散樣本頻譜特征的計算，從而完成云計算環(huán)境下動態(tài)數(shù)據(jù)聚集樣本的特征提取和信息模型構建。通過混沌映射方法對其進行優(yōu)化，通過生成混沌序列，解決粒子群算法存在的收斂速度慢問題，通過粒子群優(yōu)化算法對云計算環(huán)境中動態(tài)數(shù)據(jù)的特征進行聚集，從而完成云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法。實驗結果表明，本文所提算法是一種穩(wěn)定、可靠的動態(tài)數(shù)據(jù)聚集算法，其在存儲空間和準確率上均有良好的性能體現(xiàn)，為該領域的發(fā)展創(chuàng)造了條件。

1 基于最小覆蓋集的動態(tài)數(shù)據(jù)聚集算法

1.1 動態(tài)數(shù)據(jù)最小覆蓋集的查找以及聚集樹的構造

最小覆蓋集查找算法中，每個云計算節(jié)點按照云計算環(huán)境下動態(tài)數(shù)據(jù)ID升序的順序從一跳鄰居節(jié)點集AL中挑選一個未被選取的云計算環(huán)境下動態(tài)數(shù)據(jù)節(jié)點，并對該數(shù)據(jù)節(jié)點所覆蓋的鄰居節(jié)點中包括的二跳鄰居節(jié)點集BL沒有被覆蓋節(jié)點個數(shù)進行判斷，比較二跳鄰居節(jié)點集BL沒有被覆蓋節(jié)點個數(shù)和AL中的其余節(jié)點個數(shù)，尋求云計算下動態(tài)數(shù)據(jù)節(jié)點數(shù)量最多；在對網絡能量均衡問題進行考慮過程中，設定動態(tài)數(shù)據(jù)節(jié)點x的當前剩余能量用Ex進行表示，加入最小覆蓋集的動態(tài)數(shù)據(jù)節(jié)點閾值利用Ethreshold進行表示，則有Ex>Ethreshold，只有當數(shù)據(jù)節(jié)點同時滿足Ex>Ethreshold條件的同時動態(tài)數(shù)據(jù)節(jié)點數(shù)量最多，才可以加入云計算環(huán)境下動態(tài)數(shù)據(jù)的最小覆蓋集中，隨著時間的推移，Ethreshold閾值隨著云計算網絡能量的變化而動態(tài)的發(fā)生變化，從而適應最小覆蓋集算法的需求，實現(xiàn)對云計算環(huán)境下動態(tài)數(shù)據(jù)最小覆蓋集的查找。

再次基礎上，對動態(tài)數(shù)據(jù)聚集樹進行構造，在進行動態(tài)數(shù)據(jù)聚集樹構造過程中，通過云計算環(huán)境下動態(tài)數(shù)據(jù)的最小覆蓋集查找方法，得到MCS，在此基礎上，向外廣播動態(tài)數(shù)據(jù)聚集樹，完成包含MCS的數(shù)據(jù)節(jié)點列表的動態(tài)數(shù)據(jù)信息ATC的構建，當動態(tài)數(shù)據(jù)節(jié)點收到ATC消息后，執(zhí)行最小覆蓋集轉發(fā)算法，其具體過程如下所述。

對云計算環(huán)境下動態(tài)數(shù)據(jù)節(jié)點接收ATC次數(shù)進行判斷，如果不是第1次接收ATC，則終止算法，如果是第1次接收ATC，則可以利用該云計算環(huán)境下動態(tài)數(shù)據(jù)節(jié)點的鄰居節(jié)點進行下一跳轉發(fā)，并對該節(jié)點是否屬于MCS中的節(jié)點進行判定，如果不屬于MCS節(jié)點，則終止算法，否則，對該節(jié)點的MCS進行計算，繼續(xù)廣播，重復上述步驟，直至在云計算環(huán)境下動態(tài)數(shù)據(jù)的每個層都產生一個MCS，且以Sink為根的樹。MCS中的節(jié)點覆蓋次序與查找算法中依次加入的次序相同，也就是說覆蓋次序與覆蓋BL中數(shù)據(jù)節(jié)點數(shù)量相關，在進行下一次對ATC的覆蓋前，需要在一段適合的時間后，從而避免多個節(jié)點同時覆蓋過程中存在相同MCS鄰居節(jié)點產生的碰撞；此外，當動態(tài)數(shù)據(jù)節(jié)點收到來自上層節(jié)點的相同ATC信息，則選擇較早的覆蓋節(jié)點作為自己的下一跳轉發(fā)節(jié)點。

1.2 數(shù)據(jù)聚集算法

針對云計算環(huán)境下動態(tài)數(shù)據(jù)中間節(jié)點，利用讀向量相似性的方法去除其冗余和錯誤數(shù)據(jù)信息，通過讀向量的形式將正確的云計算環(huán)境下動態(tài)數(shù)據(jù)發(fā)送到下一個動態(tài)數(shù)據(jù)的中間節(jié)點，通過數(shù)據(jù)緩存窗口Δt內的一系列讀數(shù)對云計算環(huán)境下動態(tài)數(shù)據(jù)節(jié)點Ni的讀向量進行描述，Ri={xi(t-Δt+1),xi(t-Δt+2),…,xi(t)}表示云計算環(huán)境下動態(tài)數(shù)據(jù)節(jié)點Ni的讀數(shù)，其中，xi(t)表示動態(tài)數(shù)據(jù)節(jié)點Ni在t時刻的數(shù)據(jù)采樣值。節(jié)點Ni在緩存窗口Δt內的讀數(shù)代表一個讀向量。

由于云計算環(huán)境下動態(tài)數(shù)據(jù)在正常情況下是漸變且有趨勢的，而錯誤數(shù)據(jù)信息會改變數(shù)據(jù)變化的趨勢，或當前數(shù)據(jù)發(fā)生跳躍，為發(fā)現(xiàn)這種錯誤數(shù)據(jù)信息，通過讀向量相似系數(shù)ρ對動態(tài)數(shù)據(jù)進行判斷。

(1)

式中，E(X)表示讀向量的數(shù)學期望，E(X)表示讀向量的方差，ρXY∈[-1,1]。|ρXY|與XY之間誤差成反比關系，隨著|ρXY|的增大，誤差逐漸減小，冗余性提高；反之，則說明該讀取向量中存在錯誤信息。通過在數(shù)據(jù)聚集時設置一個云計算動態(tài)數(shù)據(jù)中間節(jié)點閾值θ，當ρXY<θ時，認為該動態(tài)數(shù)據(jù)為錯誤數(shù)據(jù)，將其放入錯誤數(shù)據(jù)集，在算法完成后，丟棄錯誤數(shù)據(jù)集；否則，將云計算數(shù)據(jù)放入冗余數(shù)據(jù)集，并求取冗余數(shù)據(jù)集的平均值，將結果發(fā)送到下一個動態(tài)數(shù)據(jù)聚集節(jié)點，反復上述操作，直到完成對所有云計算下數(shù)據(jù)聚集，從而實現(xiàn)云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法。

2 基于粒子優(yōu)化群算法的動態(tài)數(shù)據(jù)聚集算法

2.1 云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法數(shù)學模型

設待聚集的云計算環(huán)境下動態(tài)數(shù)據(jù)的樣本空間為X={x1,x2,…,xn}，其中云計算環(huán)境下動態(tài)數(shù)據(jù)樣本xi=(xi1,xi2,…,xip)(i=1,2,…,n)表示P維特征空間RP中的一點。聚集問題可以表示成找到一個劃分C=(C1,C2,…,CK)，滿足公式(2)，并使得總的類間距離和最小。類間距離和用公式(3)進行計算。

(2)

(3)

2.2 基于粒子群優(yōu)化算法的動態(tài)數(shù)據(jù)聚集算法

在上述云計算環(huán)境下動態(tài)數(shù)據(jù)聚集模型的基礎上，提出通過粒子群優(yōu)化算法的云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法。

設定一個D維動態(tài)數(shù)據(jù)聚集搜索空間，存在一個由m個粒子組成的粒子群，每個云計算環(huán)境下動態(tài)數(shù)據(jù)信息特征矢量Ai對應的函數(shù)可以表示成：

li(k)=(1-ρ)li(k-1)+γf(xi(k))

(4)

式中，fi表示Ai模因組適應度函數(shù)，xi(k)表示第i個粒子k時刻的全局優(yōu)化粒子權值。

設置門限值Nth，當Neff

xk+1=sin(a/xk),0<|xk|≤1

(5)

式中，xk表示云計算環(huán)境下第k個動態(tài)數(shù)據(jù)的慣性權重；a表示動態(tài)數(shù)據(jù)聚集中心的控制參量。

∑τ=diag(max(σi-τ,0))

(6)

根據(jù)不同的動態(tài)數(shù)據(jù)聚集任務，對適應度函數(shù)內權重進行調整，得到新的聚集權重系數(shù)可以表示為：

(7)

式中，{α,β}表示云計算環(huán)境下動態(tài)數(shù)據(jù)聚集的分集聚斂目標函數(shù)，從而得到優(yōu)化的聚集目標函數(shù)可以表示為：

(8)

其中：粒子的位置對應云計算環(huán)境下樣本數(shù)據(jù)的k個聚類中心。除了粒子位置外，對粒子的適應度和速度進行編碼。由于樣本數(shù)據(jù)的屬性向量維數(shù)為d，則粒子的位置和速度為k×d維矩陣。

針對粒子群算法進行動態(tài)數(shù)據(jù)聚集存在的早熟并且收斂速度慢的問題，本文通過混沌映射方法對其進行優(yōu)化，混沌方法首先要生成混沌序列，混沌序列可以表示為：

Zn+1=μZn(1-Zn)

(9)

隨著粒子群的不斷進行迭代計算，當其計算超過一定閾值，粒子群算法收斂速度開始下降，為了解決這一問題，利用生成的混沌序列來對全局最優(yōu)粒子進行擾動。將上述云計算下動態(tài)數(shù)據(jù)的m個粒子的每一維度在(0,1)范圍上一一映射，從而得到向量D=(d1,d2,…,dm)。其中，d1表示粒子第i維，其表達式可以表述為：

di=(gbesti-a)/(b-a)

(10)

式中，gbesti表示動態(tài)數(shù)據(jù)粒子中適應度最高粒子的第i維；a和b分別表示動態(tài)數(shù)據(jù)粒子在任意維度中的取值下限和上限。

利用混沌擾動重新對云計算環(huán)境下動態(tài)數(shù)據(jù)進行迭代計算，得到新序列：

Z1=(Z11,Z12,…,Z1m)

(11)

將上式計算得到的新序列Z1當成云計算環(huán)境下動態(tài)數(shù)據(jù)的新粒子，并進行適應度計算，與之前搜索得到的最優(yōu)解適應度相比，如果計算得到Z1適應度更高，則可以說明Z1為當前最優(yōu)解。

通過上述論述，在云計算環(huán)境下動態(tài)數(shù)據(jù)聚集表示一個任務調度策略，從而完成基于粒子群優(yōu)化算法的云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法。

3 實驗及結果分析

為了證明本文提出的基于粒子群優(yōu)化算法的云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法的有效性和實用性，以Intel P4 2G處理器為硬件環(huán)境，MATLAB2008a為平臺，運用對比法將本文提出的基于粒子群優(yōu)化算法的云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法與文獻[8]和文獻[9]所提云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法進行比較，完成本次實驗。

3.1 實驗步驟

1)對比3種云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法的復雜度；

2)改變云計算環(huán)境下動態(tài)數(shù)據(jù)大小，得到不同大小數(shù)據(jù)聚集時間對比；

3)對比各方法下不同大小動態(tài)數(shù)據(jù)聚集所占空間；

4)通過對比數(shù)據(jù)聚集后的原始性，比較3種云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法的可靠度，；

5)對3種云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法的能耗(焦)進行對比。

3.2 實驗結果分析

首先對比3種云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法的復雜度，設算法的復雜度單位為%，其計算方法如公式(12)所示。

(12)

式中，n表示算法的循環(huán)次數(shù)，通過計算，得到3種算法的復雜度對比，對比結果如圖1所示。

圖1 3種算法的復雜度對比

通過圖1可以看出，本文所提算法的復雜度較文獻[8]和文獻[9]低，說明本文所提算法的復雜度較低，算法執(zhí)行較為簡單，且利于后續(xù)維護工作的開展。

表1是云計算環(huán)境下不同大小動態(tài)數(shù)據(jù)聚集時間(s)對比。通過改變云計算環(huán)境下動態(tài)數(shù)據(jù)大小，得到不同大小數(shù)據(jù)聚集時間對比。

表1 不同大小數(shù)據(jù)聚集時間對比

通過對表1的分析可知，本文采用粒子群優(yōu)化算法，改善粒子群算法進行數(shù)據(jù)聚集存在的收斂速度慢問題，提高了數(shù)據(jù)聚集時間，證明本文所提方法具有較好的可行性。表2是3種算法對不同動態(tài)數(shù)據(jù)進行數(shù)據(jù)聚集所占的空間(MB)對比，通過實驗不同大小動態(tài)數(shù)據(jù)聚集所占空間，完成該實驗。

表2 3種算法數(shù)據(jù)聚集所占存儲空間對比

通過表2可知，本文所提算法在進行數(shù)據(jù)聚集時，數(shù)據(jù)所占內存變化較小，說明本文所提算法進行數(shù)據(jù)聚集，能夠較好的保證數(shù)據(jù)的原始性，也就是說，本文所提算法能夠較好的保證數(shù)據(jù)的準確性。

對比3種云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法的可靠度，設可靠度單位為%，通過對比數(shù)據(jù)聚集后的原始性，完成本次試驗。通過實驗，得到3種算法的可靠度對比，對比結果如圖2所示。

圖2 3種算法的可靠度對比

通過對上圖的分析可知，本文所提方法由于在進行云計算環(huán)境下數(shù)據(jù)聚集之前，首先構建了數(shù)據(jù)聚集算法的數(shù)學模型，使本文所提云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法的可靠度與文獻[8]和文獻[9]所提算法可靠度相比，有了較大幅度提高，且本文所提算法的可靠度較穩(wěn)定。

最后對3種云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法的能耗(焦)進行對比，通過實驗，得到3種云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法的運行能耗對比，對比結果如圖3所示。

圖3 3種算法的運行能耗對比

通過圖3可知，本文所提算法的運行能耗較少，由于本文所提算法可靠度較為穩(wěn)定且進行數(shù)據(jù)聚集的時間較短。

綜上所述，本文所提云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法能夠有效提高數(shù)據(jù)聚集的可靠度，降低數(shù)據(jù)聚集時間及能耗，且數(shù)據(jù)聚集占用的內存較少，數(shù)據(jù)聚集算法的復雜度較高，具有良好的使用價值。

4 結束語

隨著云計算的普及，云計算數(shù)據(jù)越來越多，對云計算環(huán)境下的數(shù)據(jù)進行聚集成為新的關注熱點。傳統(tǒng)的云環(huán)境下動態(tài)數(shù)據(jù)聚集算法由于其動態(tài)復雜度高，且收斂速度慢等問題，提出一種基于基于粒子群優(yōu)化算法的云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法。并通過實驗證明，所提方法能夠有效提高云計算環(huán)境下動態(tài)數(shù)據(jù)聚集算法的數(shù)據(jù)聚集時間較短，且其復雜度較低，是一種可靠、節(jié)能、穩(wěn)定的數(shù)據(jù)聚集算法，對云計算環(huán)境下動態(tài)數(shù)據(jù)管理起著積極作用。

[1] 林國勇,黃 帆.一種用于云計算的數(shù)據(jù)容災分配算法的改進[J].科學技術與工程,2017,17(1):260-264.

[2] 李曉峰.云平臺中大數(shù)據(jù)并行聚類方法優(yōu)化研究仿真[J].計算機仿真,2016,33(7):327-330.

[3] 張 宇.基于極值特征的雷達偵察數(shù)據(jù)BIRCH聚類方法[J].電子設計工程,2016,24(9):15-18.

[4] 解 鋒,葉曉慧.一種數(shù)據(jù)特征敏感的高效數(shù)據(jù)聚集編碼方案[J].計算機測量與控制,2016,24(3):179-182.

[5] 龍 虎,張小梅.基于修正二階錐規(guī)劃模型的大數(shù)據(jù)聚類算法[J].科技通報,2016,32(8):168-171.

[6] 周永正,張金良.聚集數(shù)據(jù)多元線性模型參數(shù)的多元聚集廣義嶺估計的相對效率[J].數(shù)學的實踐與認識,2016,46(9):149-155.

[7] 范凌云,文國琴,張文濤.VANET中基于認知代理與回歸聚集的低延遲數(shù)據(jù)處理算法[J].計算機應用研究,2016,33(6):1871-1876.

[8] 應可珍,鄔錦彬,戴國勇,等.一種基于線性時間概率計數(shù)算法的數(shù)據(jù)聚集技術[J].傳感技術學報,2015,28(1):99-106.

[9] 于 平,王士同.半監(jiān)督空間化競爭聚集算法及其在圖像分割中的應用[J].計算機工程,2015,41(2):234-241.

[10] 劉文彬,劉紅冰,李香寶,等.基于物理干擾模型的無通信沖突的數(shù)據(jù)聚集調度算法[J].計算機應用研究,2015,32(7):2092-2096.