陳 荔，申 健

(長安大學(xué)信息與網(wǎng)絡(luò)管理處，陜西 西安 710064)

1 引言

目前，網(wǎng)絡(luò)已經(jīng)變成了人們生活中不可或缺的一部分，其發(fā)揮的作用也越來越大。隨著網(wǎng)絡(luò)技術(shù)的突飛猛進，網(wǎng)絡(luò)的功能越來越完善，其內(nèi)部架構(gòu)也變得越來越復(fù)雜，在復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)庫內(nèi)，經(jīng)常存在大量的異常信息或冗余信息，這些信息會占用大量寬帶資源，干擾用戶的上網(wǎng)體驗，甚至?xí)τ脩舢a(chǎn)生經(jīng)濟損失，對網(wǎng)絡(luò)的安全也造成了較大威脅。所以，怎樣對復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)庫內(nèi)信息資源進行有效的調(diào)度，已經(jīng)成為了計算機網(wǎng)絡(luò)領(lǐng)域中較為重要的核心問題。

為了解決這種復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)庫內(nèi)信息資源所帶來的困擾，研究者們提出相應(yīng)的資源調(diào)度方法。而信息資源調(diào)度方法實際上就是一種分類問題，把信息資源分成重要信息與異常信息，進而實現(xiàn)信息資源的分類[1]。目前階段，主要的網(wǎng)絡(luò)數(shù)據(jù)庫內(nèi)信息資源調(diào)度方法有：使用支持向量機、關(guān)聯(lián)規(guī)則以及模糊聚類的信息資源調(diào)度方法。其中，較為典型的即基于模糊聚類的信息資源調(diào)度，方法簡便、能效低[2]。

由于網(wǎng)絡(luò)數(shù)據(jù)庫中信息資源的調(diào)度對于確保網(wǎng)絡(luò)安全具有更為重要的利用價值，因此發(fā)展前景更為廣闊，同時它也成為眾多學(xué)者研究的重點課題。但是，依靠現(xiàn)階段的方法已經(jīng)很難適應(yīng)日益復(fù)雜的網(wǎng)絡(luò)環(huán)境下信息資源特征的高度動態(tài)變化，從而導(dǎo)致網(wǎng)絡(luò)系統(tǒng)的運行效率和使用上的不方便。因此針對傳統(tǒng)算法的缺點，本文提出了一種復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)庫中信息資源的調(diào)度方法，通過對信息資源的深度值進行排序，并對信息資源進行基礎(chǔ)區(qū)分，隨后添加信息原則，使其能夠被徹底地分類，最后依靠改進的粒子群算法對信息資源進行集群調(diào)度。仿真結(jié)果證明，本文方法能夠有效地對信息資源進行調(diào)度，并且分類的過程中不會影響到網(wǎng)絡(luò)系統(tǒng)的正常運作。

2 復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)庫中信息資源調(diào)度方法

2.1 系統(tǒng)設(shè)計與問題描述

在復(fù)雜網(wǎng)絡(luò)環(huán)境下，構(gòu)建數(shù)據(jù)庫內(nèi)信息資源調(diào)度模型，復(fù)雜網(wǎng)絡(luò)的多源信息資源服務(wù)本體、服務(wù)提供者均構(gòu)建對應(yīng)的網(wǎng)絡(luò)環(huán)境，在某種程度上完成了資源共享，用戶與服務(wù)商可以經(jīng)過間接或直接的形式進行交互，為復(fù)雜網(wǎng)絡(luò)環(huán)境下的運行模式提供了強有力的支持[3]。

復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)庫在進行大數(shù)據(jù)量訪問時都存在運算速度不高問題，磁盤與一些硬件設(shè)備不能實現(xiàn)高效的讀寫訪問，過長的延時可能會致使系統(tǒng)運行性能的嚴重下滑[4]。

2.2 復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)庫信息資源特征分析

為了實現(xiàn)復(fù)雜網(wǎng)絡(luò)信息資源的大數(shù)據(jù)特征集成調(diào)度提供數(shù)據(jù)基礎(chǔ)，在信息管理系統(tǒng)里，針對不同的信息源[5]，能夠通過ω來表示可信度，擬定第i種信息源的可信度是ωi，獲得資源調(diào)度置信區(qū)間為

m′i([pH，pL])=ωi×mi([pH，pL])

(1)

m′i([0，1])=ωi×mi([0，1])+1-ωi

(2)

針對n種不同的信息源提出命題，擬定FDR代表p，共存在N組先驗數(shù)據(jù)，建造基于復(fù)雜網(wǎng)絡(luò)信息管理資源信息共享網(wǎng)絡(luò)系統(tǒng)，進而實現(xiàn)復(fù)雜網(wǎng)絡(luò)信息數(shù)據(jù)節(jié)點分裂歷史記錄方法，獲得資源先驗分布的描述式為

(3)

每種數(shù)據(jù)點p，依靠第k距離重新進行排列，這種排列會干擾空間內(nèi)的數(shù)據(jù)對象，擬定s={p1，p2，…，pr+1}代表數(shù)據(jù)對象，r代表ISk(p)的元素總量，e={e1，e2，…，er}代表與之相對應(yīng)的相似k距離鄰居序列軌跡。擬定s={p1，p2，…，pr+1}代表數(shù)據(jù)對象p的相似k距離鄰居序列，r代表ISk(p)的元素總量，e={e1，e2，…，er}代表與之相對應(yīng)的相似k的距離鄰居序列軌跡，那么p的鏈距離，能夠描述成c-distance(p)，定義如下

(4)

(5)

經(jīng)過上述方法，系統(tǒng)使用的是樹形架構(gòu)設(shè)計，進一步，設(shè)計子網(wǎng)格分區(qū)，對資源信息流進行信號模型建造，為最后實現(xiàn)對復(fù)雜網(wǎng)絡(luò)信息管理資源的稀疏性聚類調(diào)度提供精確的數(shù)據(jù)基礎(chǔ)。

2.3 約束關(guān)系處理

在同一種資源上啟動的兩種信息資源都要滿足DAG圖規(guī)定的邏輯關(guān)聯(lián)，如果Si，Sj都在某種序列內(nèi)，且Si，Sj滿足Si→Sj，那么任務(wù)i要在j之間運行。但是如果序列內(nèi)信息j先于信息i啟動，那么就會產(chǎn)生死鎖狀態(tài)。所以一定要利用適當(dāng)?shù)姆椒?，來免除死鎖狀態(tài)的發(fā)生。

2.3.1 深度值排序

上述的全部信息資源之間的邏輯關(guān)聯(lián)可以依靠一張DAG圖進行表示，設(shè)定對DAG圖進行分層處理，每層具有自身一定的深度值，深度值越小，就說明優(yōu)先級越高，深度值的運算方程如下所示。

(6)

式中，parent(sbi)傳輸?shù)氖切畔bi的父節(jié)點集合，max(level(parent(sbi)))的傳輸值是sbi父節(jié)點集合里具有最大深度值的父節(jié)點，可以憑借深度遍歷的方法獲得DAG圖節(jié)點的深度信息[6]。采集復(fù)雜網(wǎng)絡(luò)深度信息后，對運行同等數(shù)據(jù)庫上的信息序列，就可以依靠層次深度值從小到大進行排列，這樣優(yōu)先級越高的信息資源，在運行時順序就會靠前，對于同種數(shù)據(jù)庫上的所有信息，經(jīng)過排序之后得到的信息資源運行序列就不會出現(xiàn)死鎖狀態(tài)的發(fā)生。

2.3.2 短資源優(yōu)先原則

在同一數(shù)據(jù)庫上啟動不同深度值的信息，依靠深度值排序可以保證信息之間數(shù)據(jù)邏輯關(guān)聯(lián)的合法性，但是同等深度值的信息之間不具有依賴關(guān)聯(lián)，可以并行運行[7]。如果在數(shù)據(jù)庫內(nèi)出現(xiàn)了多個同等深度值的信息，它們會以任意的次序運行，可能會致使堵塞的狀態(tài)發(fā)生，信息sb3，sb4，sb5的深度值同等，且它們占用的資源狀況是不存在序列的，那么信息sb4將被信息sb3堵塞，并且因為信息sb6是信息sb4的子節(jié)點，因此sb6也會出現(xiàn)堵塞狀況，如果對數(shù)據(jù)庫上運行的同深度值可以并行的子信息，使用短信息有限的調(diào)度原則，短信息會被有限運行，就能夠解決長信息堵塞短信息的問題，即假如sb4優(yōu)先于sb3運行，那么sb6與sb3能夠并行運，信息R0上子信息的啟動的時間不變，而信息R2上的啟動時間由于sb6的提前啟動而縮減[8]。

2.3.3 父節(jié)點優(yōu)先原則

對于一些子信息節(jié)點，其本身即父節(jié)點，具有自己的子節(jié)點，也可能不存在子節(jié)點，或是本身即子節(jié)點[9]。針對一組在數(shù)據(jù)庫上可以并行的子信息，除了要考慮其運行的時長外，還需要考慮它們是否具有自己的子節(jié)點，存在子節(jié)點的子信息會優(yōu)先運行，擬定子信息sb3，sb4，sb5具有同等的深度值，子信息占據(jù)的資源也是同等的，sb4具有子節(jié)點，sb3本身即子節(jié)點，這時由于sb3有限運行，所以sb6的運行就會被堵塞，如果提前運行sb4，那么sb6，sb3就可以并行運行，信息R0上的子信息的運行時間不變，而信息R2上的運行時間因為sb6的提前運行而出現(xiàn)減少。

2.4 適應(yīng)值計算

依靠上述的有限原則，對每一種信息憑借資源編號進行區(qū)分，得到所有信息上啟動的子信息集合，依據(jù)上述的原則取得所有信息上子信息的運行序列，利用子信息之間的邏輯關(guān)聯(lián)和子信息的運行序列，就可以運算出信息資源完成該資源上所有任務(wù)需要消耗的時間，取最大消耗時間的倒數(shù)描述適應(yīng)值的大小，因此消耗的時間越長，適應(yīng)值就會越小[10]。

運算適應(yīng)值要先運算全部任務(wù)的完成時間，設(shè)定任務(wù)i在信息j上的消耗時間為fin[i][j]，那么

fin[i][j]=start[i][j]+E[i][j]

(7)

式中，start[i][j]代表任務(wù)i在信息j上的運行開始時間，start[i][j]通過三種因素評定：信息的空閑時間、任務(wù)i的父節(jié)點最晚消耗時間、最晚父節(jié)點任務(wù)所在的信息資源與任務(wù)i所在的資源之間的通信延遲，估算公式如下所示：

start[i][j]=max{r[j]max(fin(p(i)))+Tr[m][j]}

(8)

式中，r[j]代表信息資源j上最近一次空閑時間，max(fin(p(i)))返回值為任務(wù)i的每一種父節(jié)點任務(wù)完成時間的最大值，Tr[m][j]代表該父節(jié)點所處信息資源m與任務(wù)所處信息資源j之間存在的通信延遲。

2.5 基于PSO的復(fù)雜網(wǎng)絡(luò)信息資源調(diào)度

PSO方法具有較多的優(yōu)點，但是因為傳統(tǒng)方法隨機性較大，所以存在較多不完善的地方，本文主要從動態(tài)多群體協(xié)作與變異粒子逆向飛行兩種方向進行優(yōu)化改進。動態(tài)多群體協(xié)作提高了算法的收斂效率與求解精度，變異粒子逆向飛行可以在一定程度上剔除陷入局部最優(yōu)的影響，維持與增加了種群的多樣性，對調(diào)節(jié)系統(tǒng)的負載平衡具有一定的幫助[11]。這種改進粒子群優(yōu)化方法，復(fù)雜網(wǎng)絡(luò)集群可以完成信息交互、資源搜索、次群推薦最優(yōu)資源至主群、變異粒子逆向飛行與主群篩選全局最優(yōu)。

2.5.1 改進粒子群優(yōu)化方法

針對每個資源請求者，復(fù)雜網(wǎng)絡(luò)集群一定要推薦出一種比較優(yōu)質(zhì)的資源。每一代，所有子群都會把最優(yōu)的單獨信息傳送至主群，主群從中挑選最優(yōu)子群個體并優(yōu)化。方法內(nèi)主、次群的架構(gòu)如圖1所示。

圖1 主、次群體架構(gòu)

主群方法公式如下

(9)

2.5.2 信息資源調(diào)度

在復(fù)雜網(wǎng)絡(luò)平臺上，具有一種Datacenter類的軟件對主機體進行管理，這些主機體遵照一定的分配策略能夠被分配到多種或一種虛擬機內(nèi)，它們能夠模擬與復(fù)雜網(wǎng)絡(luò)存在關(guān)聯(lián)的基礎(chǔ)設(shè)施服務(wù)。因此，在平臺上不需要基礎(chǔ)設(shè)施，可以優(yōu)先考慮集群資源調(diào)度策略。整體的復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)庫集群，首先需要初始化虛擬資源池，將資源池分為n種，其中，1為主群，n-1為次群。運行多群協(xié)作方法，主群運行式(8)與(9)，ω經(jīng)過式(10)線性遞減獲得

(10)

式中，ω∈[0.4，0.9]，ωs=0.4，ωe=0.9，T代表最大的迭代數(shù)量，t代表目前的迭代次數(shù)。

出現(xiàn)下一代主群與次群離子的當(dāng)前坐標、搜索速度、全局最優(yōu)坐標與最優(yōu)坐標，之后產(chǎn)生變異粒子，變異粒子的總量由隨機數(shù)產(chǎn)生。更改方向逆向飛行，更新整體信息量，如果沒有到達最優(yōu)解或是沒到達迭代閾值，就繼續(xù)進行迭代。為了確保資源在分配時能夠保持負載平衡，變異粒子逆向飛行時，給其增添權(quán)重因子，測量節(jié)點網(wǎng)絡(luò)，導(dǎo)致負載失衡。

二是企業(yè)內(nèi)部市場開發(fā)工作的學(xué)習(xí)活動不系統(tǒng)，很多企業(yè)或者部門忙著抓生產(chǎn)而忽視了市場開發(fā)活動，把經(jīng)濟效益放在第一位，而當(dāng)時效益不那么明顯的市場開發(fā)工作放在后面，造成企業(yè)內(nèi)部人員矛盾重重，市場開發(fā)沒有影響力和號召力，遇到問題的時候一盤散沙，無法真正處理和解決問題，影響了企業(yè)的公信力［1］。

3 仿真證明

仿真環(huán)境為Intel Celeron Tulatin1GHz CPU和384MB SD內(nèi)存的硬件環(huán)境和MATLAB6.1的軟件環(huán)境。

為了證明本文方法的實用性，擬定實驗?zāi)Ｐ?，如圖2所示。

圖2 實驗?zāi)Ｐ?/p>

首先利用查詢產(chǎn)生器憑借隨機數(shù)搜索查詢與其所需處理的節(jié)點，之后將搜索到的查詢信息傳送到查詢隊列里，為了讓查詢隊列內(nèi)不存在太多查詢，在查詢隊列的前面設(shè)定調(diào)度窗口，只有進入調(diào)度窗口內(nèi)查詢才會進入下次調(diào)度，最后使用本文調(diào)度方法，從調(diào)度窗口內(nèi)搜索能夠共同運行的查詢組合，將選取的查詢傳輸?shù)椒?wù)單元里運行。

首先設(shè)定調(diào)度窗口的尺寸為33，每次調(diào)度是查詢隊列前的33個查詢，節(jié)點的數(shù)量分別是17、33、65與129，通過本文方法與傳統(tǒng)方法的對比來驗證，不同方法在調(diào)度信息資源時對系統(tǒng)利用率的影響，結(jié)果如圖3所示。

圖3 不同方法調(diào)度信息資源時對系統(tǒng)利用率的影響

通過圖3能夠看出，本文方法存在較好的系統(tǒng)利用率。為了了解調(diào)度窗口的大小對系統(tǒng)效率的干擾，把處理節(jié)點數(shù)量固定成33，然后改變調(diào)度窗口的大小，結(jié)果如圖4所示。

圖4 不同方法的調(diào)度窗口對系統(tǒng)利用率的影響

算法系統(tǒng)利用率均隨窗口大小的增大而上升，因隨窗口大小的增加，調(diào)度存在了更多的查詢選擇空間，因此可以找到更為優(yōu)質(zhì)的查詢組合，其中，本文方法的效率最高，在大多數(shù)狀況下，能夠使用到所有處理節(jié)點，很少會出現(xiàn)閑置處理的節(jié)點。

4 結(jié)束語

為了降低復(fù)雜網(wǎng)絡(luò)中節(jié)點查詢量的負載情況，提升網(wǎng)絡(luò)系統(tǒng)的處理效率，本文提出了一種復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)庫中信息資源的調(diào)度方法。

1)構(gòu)建短資源優(yōu)先原則與父節(jié)點優(yōu)先原則，憑借上述的有限原則，對每一種信息憑借資源編號進行分類，獲得每種信息上運行的子信息集合。

2)對傳統(tǒng)的PSO方法進行優(yōu)化，并將優(yōu)化后的算法添加上述原則，依靠該算法對信息集合進行集群調(diào)度。

3)本文方法能夠有效地對信息資源進行調(diào)度，存在較好的系統(tǒng)利用率。

4)本文方法的調(diào)度效率最高，在大多數(shù)狀況下，能夠使用到所有處理節(jié)點，很少會出現(xiàn)閑置處理的節(jié)點。