曾 毅,馬琳娟,魚 明

(1.廣西大學(xué)行健文理學(xué)院 理工學(xué)部 計(jì)算機(jī)與信息工程系， 南寧 530005； 2.北京理工大學(xué) 計(jì)算機(jī)學(xué)院， 北京 100081； 3.石河子大學(xué) 經(jīng)濟(jì)與管理學(xué)院， 新疆 石河子 832000)

伴隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，全球信息互通和共享已經(jīng)逐步成為現(xiàn)實(shí)。社會(huì)大眾在日常工作和生活中，通過(guò)各種聯(lián)網(wǎng)設(shè)備進(jìn)行辦公和娛樂(lè)，大大提高了工作的效率和生活的便利性。然而，隨著互聯(lián)網(wǎng)用戶數(shù)量的快速增加，網(wǎng)絡(luò)信息量急劇增長(zhǎng)，意味著當(dāng)前已經(jīng)進(jìn)入了大數(shù)據(jù)信息化時(shí)代。當(dāng)用戶訪問(wèn)服務(wù)器時(shí)，對(duì)于以往的服務(wù)器運(yùn)行體系來(lái)說(shuō)，用戶必須保持與數(shù)據(jù)中心服務(wù)器的連接并發(fā)送訪問(wèn)資源的請(qǐng)求(占用資源)[1]。這種運(yùn)作模式已經(jīng)無(wú)法應(yīng)對(duì)現(xiàn)階段復(fù)雜的場(chǎng)景需求，造成了服務(wù)器上計(jì)算資源的大量浪費(fèi)。在上述背景下，云計(jì)算模式[2-3]應(yīng)運(yùn)而生。作為一種新興的商業(yè)計(jì)算模式，由Google提出的云計(jì)算在IT行業(yè)內(nèi)引起了第三次變革浪潮。

不同于傳統(tǒng)的數(shù)據(jù)中心，云數(shù)據(jù)中心的規(guī)模和自動(dòng)化程度更高，導(dǎo)致云數(shù)據(jù)中心的管理和維護(hù)需要解決更加復(fù)雜的問(wèn)題[4]。如何有效地管理和維護(hù)云數(shù)據(jù)中心成為目前相關(guān)研究領(lǐng)域的熱點(diǎn)[5]。其中，大數(shù)據(jù)遷移是云服務(wù)器新老系統(tǒng)更替、配置修改和升級(jí)軟件的基礎(chǔ)。如果數(shù)據(jù)中心中某些節(jié)點(diǎn)出現(xiàn)負(fù)載異常，就需要執(zhí)行動(dòng)態(tài)遷移策略將數(shù)據(jù)流量遷移到其他服務(wù)器設(shè)備上，以分布式處理方式完成負(fù)載均衡，這直接影響著云計(jì)算服務(wù)的效率?？梢钥闯?，一個(gè)先進(jìn)的動(dòng)態(tài)數(shù)據(jù)遷移策略對(duì)于云計(jì)算服務(wù)來(lái)說(shuō)十分重要[6]。

本文提出了一種基于群體智能算法的大數(shù)據(jù)遷移策略，解決了大數(shù)據(jù)遷移過(guò)程中的負(fù)載平衡和帶寬瓶頸問(wèn)題。在基于云計(jì)算架構(gòu)的大數(shù)據(jù)遷移技術(shù)基礎(chǔ)上，采用人工魚群優(yōu)化算法來(lái)解決m個(gè)服務(wù)器之間n個(gè)數(shù)據(jù)遷移的最優(yōu)解問(wèn)題。此外，把量子比特引入到人工魚群算法中，以避免陷入局部最優(yōu)并提高收斂速度。仿真結(jié)果表明，相比現(xiàn)有的遷移策略，本文算法更好地提升了云計(jì)算服務(wù)器的資源利用率，在一定程度上緩解了云數(shù)據(jù)中心的負(fù)載均衡和帶寬擁擠問(wèn)題。

1 相關(guān)研究分析

大數(shù)據(jù)遷移直接影響著云計(jì)算服務(wù)的效率，是近年研究的熱點(diǎn)。黃冬梅等[7]針對(duì)混合云存儲(chǔ)架構(gòu)中的數(shù)據(jù)遷移問(wèn)題，提出了基于海洋生命周期的混合云存儲(chǔ)中大數(shù)據(jù)遷移算法。在該遷移算法中，將海洋數(shù)據(jù)的敏感度、數(shù)據(jù)訪問(wèn)頻率、數(shù)據(jù)大小、數(shù)據(jù)時(shí)間長(zhǎng)度等因素作為遷移因子，兼顧考慮了數(shù)據(jù)存儲(chǔ)容量和數(shù)據(jù)訪問(wèn)過(guò)程中的動(dòng)態(tài)變化，能夠有效降低數(shù)據(jù)管理成本，同時(shí)保證數(shù)據(jù)的訪問(wèn)速度。張晉芳等[8]分別針對(duì)云計(jì)算環(huán)境下大數(shù)據(jù)動(dòng)態(tài)策略中的全局時(shí)間消耗、網(wǎng)絡(luò)訪問(wèn)次數(shù)和全局負(fù)載均衡3個(gè)參數(shù)進(jìn)行求解，在Cloudsim仿真平臺(tái)中取得了良好的全局負(fù)載均衡效果。

群體智能優(yōu)化算法是指無(wú)智能的或具有簡(jiǎn)單智能的個(gè)體通過(guò)協(xié)作發(fā)揮出群體智能優(yōu)勢(shì)的優(yōu)化算法，可在沒(méi)有集中控制且不提供全局模型的條件下為復(fù)雜分布式問(wèn)題求解提供基礎(chǔ)[9-11]。由于具有并行性和分布式優(yōu)勢(shì)，群體智能優(yōu)化算法逐步成為各種復(fù)雜工程最優(yōu)求解問(wèn)題的一個(gè)重要研究方向。其中，人工魚群算法是一種基于模擬魚群行為的群體智能算法[12]，主要利用魚的三大基本行為(覓食、聚群和追尾行為)，采用自上而下的尋優(yōu)模式，從構(gòu)造個(gè)體的底層行為開(kāi)始，通過(guò)魚群中各個(gè)體的局部尋優(yōu)達(dá)到全局最優(yōu)值在群體中凸顯出來(lái)的目的。因此，本文將人工魚群算法應(yīng)用于多個(gè)服務(wù)器之間的負(fù)載尋求問(wèn)題，通過(guò)設(shè)定合理目標(biāo)函數(shù)進(jìn)行全局搜索。此外，為了減少搜索時(shí)間，獲得更好的全局尋優(yōu)能力，本文把量子比特引入到人工魚群算法中來(lái)完成最優(yōu)求解。

2 基于云計(jì)算架構(gòu)的大數(shù)據(jù)遷移問(wèn)題分析

2.1 問(wèn)題表述

人工魚群算法模擬了自然界中魚群往往能自行或尾隨其他魚找到營(yíng)養(yǎng)物質(zhì)豐富區(qū)域的行為，根據(jù)人工魚群的特點(diǎn)，構(gòu)造人工魚模擬魚群的覓食、聚群和追尾行為，從而實(shí)現(xiàn)尋優(yōu)的目的。人工魚群具有收斂速度快、模型簡(jiǎn)單的優(yōu)點(diǎn)，但存在優(yōu)化精度不足的缺點(diǎn)。

通常情況下，云計(jì)算的體系結(jié)構(gòu)如圖1所示。該架構(gòu)中的大數(shù)據(jù)遷移涉及云平臺(tái)的負(fù)載均衡問(wèn)題和帶寬利用率問(wèn)題。作為本文研究的目標(biāo)，數(shù)據(jù)遷移是一種將離線存儲(chǔ)與在線存儲(chǔ)融合的技術(shù)，其過(guò)程大致可以分為抽取、轉(zhuǎn)換、裝載3個(gè)步驟?；谠朴?jì)算架構(gòu)的大數(shù)據(jù)遷移問(wèn)題能看作為m個(gè)服務(wù)器之間n個(gè)數(shù)據(jù)遷移的最優(yōu)解問(wèn)題。設(shè)Sum為n個(gè)待遷移數(shù)據(jù)大小的總和，T為數(shù)據(jù)需要的傳輸時(shí)間，兩者的計(jì)算方式分別為：

(1)

(2)

其中：Mij表示第i個(gè)服務(wù)器中的第j個(gè)待遷移數(shù)據(jù)。設(shè)η為該服務(wù)器的帶寬占用率，則

(3)

其中：a表示當(dāng)前服務(wù)器上的數(shù)據(jù)變動(dòng)參數(shù)，a∈[0,π]。

2.2 基于人工魚群的服務(wù)器數(shù)據(jù)遷移

(4)

(5)

圖1 云計(jì)算的體系結(jié)構(gòu)

云計(jì)算架構(gòu)中基于人工魚群算法的大數(shù)據(jù)遷移原理如圖2所示，其中標(biāo)準(zhǔn)人工魚群算法的流程如圖3所示[13]。

圖2 基于人工魚群算法的大數(shù)據(jù)遷移原理

圖3 標(biāo)準(zhǔn)人工魚群算法的流程

3 改進(jìn)人工魚群算法

為避免人工魚群算法陷入局部極值點(diǎn)或者產(chǎn)生徘徊從而降低收斂速度，本文引入量子比特對(duì)標(biāo)準(zhǔn)人工魚群算法進(jìn)行改進(jìn)。

采用量子比特[14]與人工魚群相結(jié)合的方式對(duì)其進(jìn)行改進(jìn)。設(shè)種群大小為n，其信息素用量子位P=(p1,p2,…,pn)表示?；谌斯~群三大基本行為的算法流程如下：

(6)

其中：Rand 表示一個(gè)取值范圍為(0,1)的隨機(jī)數(shù)；step 表示步長(zhǎng)；dij表示人工魚的當(dāng)前鄰域。

2) 聚群行為。設(shè)人工魚群中人工魚的dij內(nèi)感知到的伙伴數(shù)目為nf且中心位置狀態(tài)為Pc。若Yc/nf<δYi，則說(shuō)明該伙伴中心處具有豐富的食物且附近擁擠程度較低，那么朝著該伙伴中心位置方向移動(dòng)一步；反之，跳轉(zhuǎn)到上一步覓食行為。其數(shù)學(xué)表達(dá)式為：

(7)

其中，δ表示擁擠度因子。

3) 追尾行為。設(shè)人工魚在當(dāng)前的dij內(nèi)感知到食物濃度最大狀態(tài)是Pmax，若Ymax/nf<δYj，說(shuō)明Pmax狀態(tài)存在較大的食物濃度且其附近擁擠程度較低，則朝Pmax的方向移動(dòng)一步；反之，跳轉(zhuǎn)到覓食行為。其數(shù)學(xué)表達(dá)式為：

(8)

4) 隨機(jī)行為。設(shè)人工魚此刻的狀態(tài)是Pi，在感知范圍Visual 內(nèi)隨機(jī)挑選另外一個(gè)狀態(tài)Pj并朝著此方向前進(jìn)一步。

通過(guò)公告板保存最優(yōu)人工魚群個(gè)體的狀態(tài)。對(duì)于所有人工魚個(gè)體來(lái)說(shuō)，在其尋優(yōu)過(guò)程中每次執(zhí)行結(jié)束都會(huì)將自身狀態(tài)和公告板上的狀態(tài)進(jìn)行對(duì)比，若其狀態(tài)比公告板狀態(tài)更好，則替換公告板的狀態(tài)。對(duì)于要解決的大數(shù)據(jù)服務(wù)節(jié)點(diǎn)遷移尋優(yōu)問(wèn)題，按照式(4)對(duì)量子人工魚群當(dāng)前的狀態(tài)進(jìn)行評(píng)估，挑選并執(zhí)行一個(gè)使種群接下來(lái)狀態(tài)為最優(yōu)的行為。人工魚群中個(gè)體的量子行為更新方式為[14]：

(9)

4 實(shí)驗(yàn)及結(jié)果分析

4.1 實(shí)驗(yàn)環(huán)境

本文采用開(kāi)源的虛擬化服務(wù)的云計(jì)算仿真平臺(tái)Cloud Sim，對(duì)基于量子人工魚群算法大數(shù)據(jù)遷移進(jìn)行了驗(yàn)證分析。實(shí)驗(yàn)硬件環(huán)境：Windows 7 操作系統(tǒng)，Intel(R) Core(TM) i5 CPU，4GB RAM，500G硬盤。實(shí)驗(yàn)軟件環(huán)境： Eclipse8.5，Cloud Sim3.0.3。量子人工魚群算法的參數(shù)設(shè)置如表1所示。

表1 實(shí)驗(yàn)參數(shù)設(shè)置

4.2 算法性能驗(yàn)證

為進(jìn)一步驗(yàn)證量子人工魚群算法的性能，選擇文獻(xiàn)[15]中的實(shí)例，將蟻群算法[16]、標(biāo)準(zhǔn)人工魚群算法[15]和量子人工魚群算法進(jìn)行對(duì)比，結(jié)果如表2所示。不同算法在已知最優(yōu)解為295時(shí)的收斂速度如圖4所示。

表2 數(shù)值結(jié)果對(duì)比

圖4 不同算法的收斂速度對(duì)比

4.3 數(shù)據(jù)遷移結(jié)果分析

在實(shí)驗(yàn)環(huán)境下根據(jù)帶寬占用率(%)，將本文的量子人工魚群與隨機(jī)遷移策略、最優(yōu)遷移策略[17]進(jìn)行對(duì)比，對(duì)比結(jié)果如表3所示。可以看出，隨著帶寬的不斷提高，3種策略的服務(wù)能力會(huì)相應(yīng)提高，即帶寬占用率會(huì)越來(lái)越低。從表3可以看出，在相同帶寬條件下，相比隨機(jī)策略和最優(yōu)策略，基于量子人工魚群算法的遷移策略因?yàn)檎加玫膸捀?，具有更好的帶寬利用率，從而可以讓云?jì)算數(shù)據(jù)中心提供更多的服務(wù)。

設(shè)置10周的測(cè)試時(shí)間，在負(fù)載均衡方面對(duì)待遷移數(shù)據(jù)的目標(biāo)位置選擇策略進(jìn)行驗(yàn)證分析，期間每2周采集1次數(shù)據(jù)。10周內(nèi)3種算法的負(fù)載均衡的對(duì)比結(jié)果如圖5所示。可以看出，隨著測(cè)試時(shí)間的增加，3種遷移策略的負(fù)載均衡度均不斷降低。但是，在相同時(shí)間點(diǎn)時(shí)基于量子人工魚群算法的遷移策略具有最好的負(fù)載均衡效果，有效增加了云計(jì)算服務(wù)器集群中數(shù)據(jù)節(jié)點(diǎn)的資源利用率。

表3 帶寬占用率的對(duì)比結(jié)果

圖5 負(fù)載均衡的比較

綜上所述，基于量子人工魚群算法的云數(shù)據(jù)遷移策略是一種具有較好帶寬利用率和負(fù)載均衡效果的方法。

5 結(jié)束語(yǔ)

本文提出了一種基于群體智能算法的大數(shù)據(jù)遷移策略，有效解決了大數(shù)據(jù)遷移過(guò)程中的負(fù)載平衡和帶寬瓶頸問(wèn)題。在基于云計(jì)算架構(gòu)的大數(shù)據(jù)遷移技術(shù)基礎(chǔ)上，采用人工魚群優(yōu)化算法來(lái)解決m個(gè)服務(wù)器之間n個(gè)數(shù)據(jù)遷移的最優(yōu)解問(wèn)題。此外，把量子比特引入人工魚群算法中，從而避免陷入局部最優(yōu)并實(shí)現(xiàn)了快速收斂速度。仿真結(jié)果表明，相比現(xiàn)有的遷移策略，提出算法更好地提升了云計(jì)算服務(wù)器的資源利用率，在一定程度上緩解了云數(shù)據(jù)中心的負(fù)載均衡和帶寬擁擠問(wèn)題。

本文將量子比特機(jī)制引入人工魚群算法中，在大數(shù)據(jù)的遷移問(wèn)題中，過(guò)大的數(shù)據(jù)量將帶來(lái)大的計(jì)算負(fù)擔(dān)。未來(lái)將重點(diǎn)關(guān)注提高人工魚群收斂速度的研究，計(jì)劃通過(guò)分布式計(jì)算提高尋優(yōu)速度，從而提高算法的實(shí)用性。