張 晨，孫 鵬

(西安科技大學(xué)高新學(xué)院，陜西 西安 710109)

1 引言

隨著網(wǎng)絡(luò)科技的發(fā)展，每天上網(wǎng)瀏覽的用戶越來越多，所留下的數(shù)據(jù)也愈發(fā)的龐大，由于普通的服務(wù)器空間、寬帶以及內(nèi)存等配置較低，現(xiàn)階段管理規(guī)劃已達不到實際要求，而為了對這些數(shù)據(jù)進行處理，誕生了云平臺技術(shù)，該項技術(shù)是用硬件資源以及軟件資源的服務(wù)，滿足對數(shù)據(jù)提供存儲、網(wǎng)絡(luò)以及計算。而云平臺下的混合服務(wù)能夠靈活的進行增配，不會影響使用情況，并且還存在大量數(shù)據(jù)的處理能力，提供龐大的空間容量，沒有空間的限制[1]。

在網(wǎng)絡(luò)內(nèi)一個節(jié)點就是一個連接點，代表一個再分發(fā)點或者是一個通信端點，其節(jié)點的定義主要是依賴網(wǎng)絡(luò)以及協(xié)議層，一個物理網(wǎng)絡(luò)節(jié)點就是一個能夠連接到網(wǎng)絡(luò)的有源電子設(shè)備，可以利用通信通道進行發(fā)送、轉(zhuǎn)發(fā)以及接收。所以無源分發(fā)點并不是節(jié)點。因各節(jié)點之間存在差異性，一旦某節(jié)點出現(xiàn)問題，需要及時處理。目前云平臺下的混合服務(wù)器應(yīng)用于各種商業(yè)模式下，其用戶的要求多樣化、動態(tài)化和服務(wù)器自身的異構(gòu)性，會致使其中的數(shù)據(jù)存在負(fù)載不均衡的情況，部分物理機器負(fù)載過重，其余物理機器處于空閑狀態(tài)，導(dǎo)致效率降低，因此需要利用負(fù)載均衡調(diào)度的方式，來調(diào)節(jié)物理機器之間的平衡，提高系統(tǒng)效率。傳統(tǒng)的負(fù)載均衡調(diào)度效果較差，不能夠完全的利用物理機器，達不到實際應(yīng)用的效果。所以該項技術(shù)一直是國內(nèi)外研究學(xué)者的重要挑戰(zhàn)。文獻[2]提出一種螢火蟲優(yōu)化的分布式互聯(lián)網(wǎng)絡(luò)資源負(fù)載均衡分配方法，根據(jù)當(dāng)前服務(wù)器的負(fù)載情況以及歷史數(shù)據(jù)來制定網(wǎng)絡(luò)資源調(diào)度的映射方案，給出網(wǎng)絡(luò)負(fù)載均衡分配問題的約束條件，將用戶任務(wù)完成時間最小作為資源負(fù)載均衡分配優(yōu)化的目標(biāo)函數(shù)，通過螢火蟲算法找到目標(biāo)函數(shù)值最優(yōu)的資源負(fù)載均衡分配策略。但是該方法的負(fù)載均衡調(diào)度效果較差、負(fù)載均衡度較低。文獻[3]提出了一種改進的負(fù)載均衡算法，該算法實時采集節(jié)點服務(wù)器的CPU使用率和內(nèi)存占用率，綜合計算出節(jié)點負(fù)載，選取最小負(fù)載節(jié)點作為應(yīng)用分配節(jié)點。但是該方法的系統(tǒng)執(zhí)行作業(yè)耗時較長。

針對上述問題，本文提出一種云平臺下混合服務(wù)器差異節(jié)點負(fù)載均衡調(diào)度方法。該方法首先提取云平臺混合服務(wù)器的差異節(jié)點特征，再利用遺傳算法對其進行負(fù)載檢測，然后構(gòu)建一個負(fù)載模型，通過神經(jīng)網(wǎng)絡(luò)對該負(fù)載模型進行處理，實現(xiàn)負(fù)載均衡調(diào)度，最后通過仿真驗證了本文方法的有效性。

2 混合服務(wù)器的負(fù)載目標(biāo)特征提取

在云平臺下混合服務(wù)器的差異節(jié)點負(fù)載檢測流程時，首先要對混合服務(wù)器的節(jié)點目標(biāo)負(fù)載特征進行提取，以此提供服務(wù)器的負(fù)載檢測基礎(chǔ)[4]。

云平臺混合服務(wù)器的差異節(jié)點目標(biāo)特征建立集合，可以利用V表述，其表達式為

V={V1，V2，…，Vy}

(1)

式中：y代表用來表達全部服務(wù)器節(jié)點的負(fù)載目標(biāo)特征個數(shù)。對服務(wù)器節(jié)點的負(fù)載目標(biāo)特征提取時，要對負(fù)載目標(biāo)特征的個數(shù)所組成的集合提取，同時依據(jù)以上公式可以得到不同服務(wù)器節(jié)點的負(fù)載目標(biāo)特征權(quán)重Vl∈V，Yl(E)，且能夠有效的進行排序，進而提取云平臺下混合服務(wù)器的差異節(jié)點負(fù)載目標(biāo)特征X(E)，其表達式為

(2)

式中：hl代表云平臺下的混合服務(wù)器的目標(biāo)特征個數(shù)，R代表所有服務(wù)器的差異節(jié)點個數(shù)，yl代表服務(wù)器的節(jié)點負(fù)載能量數(shù)值[5]。

依據(jù)上述方法，可以基于得到的云平臺下混合服務(wù)器的差異節(jié)點負(fù)載目標(biāo)特征，對前y個權(quán)重比較大的負(fù)載目標(biāo)特征提取，主要表述此服務(wù)器所能夠覆蓋的區(qū)域位置，以此為云平臺下混合服務(wù)器差異節(jié)點的檢測提供了基礎(chǔ)[6]。

3 云平臺下混合服務(wù)器的差異節(jié)點負(fù)載檢測

依據(jù)上述所提取的目標(biāo)特征，采用遺傳算法，可以檢測云平臺下混合服務(wù)器的差異節(jié)點負(fù)載。在對其進行檢測時，采用自然數(shù)的編碼方式，可以設(shè)置染色體的路經(jīng)以及長度個數(shù)。對云平臺下混合服務(wù)器的差異節(jié)點進行編號，把所有節(jié)點都作為一個目標(biāo)特征遺傳算法內(nèi)的染色體。其以上的流程內(nèi)，染色體長度是已知的，而目標(biāo)特征遺傳算子，只是一個變量[7]。

在正常情況下，要任意選擇一組染色體，來作為原始群體，其云平臺下混合服務(wù)器的差異節(jié)點數(shù)據(jù)信息傳輸路經(jīng)編號所構(gòu)建的集合，可以采用Rj進行表述，而其中，混合服務(wù)器的節(jié)點數(shù)據(jù)傳輸路經(jīng)最大值，可以利用Yj表述，那么所有的服務(wù)器差異節(jié)點下的原始染色群體，都能夠利用(z1，z2，…，z|L|)表述。

對該混合服務(wù)器的差異節(jié)點進行負(fù)載檢測，可以轉(zhuǎn)換為一個極小值計算流程，因此需要采用以下的適應(yīng)度函數(shù)來對節(jié)點負(fù)載檢測方法進行計算，具體公式為

(3)

在目標(biāo)特征的遺傳算法中，其主要包括了變異、交叉以及選擇操作，把全部染色體當(dāng)成交叉單點來進行變異，可以得到全新的染色體種群。

依據(jù)適應(yīng)度函數(shù)可以判斷目前的染色體是否為最佳解。其檢測云平臺下混合服務(wù)器的差異節(jié)點負(fù)載的具體流程如下所示：

1)首先設(shè)置采用目標(biāo)特征的遺傳算法，來對其原始化的負(fù)載進行檢測。在進行檢測時，計算含有種群內(nèi)的染色體個數(shù)，變異與交叉處理概率，迭代操作的個數(shù)最大值。

2)依據(jù)適應(yīng)度的函數(shù)，可以計算云平臺下混合服務(wù)器的差異節(jié)點負(fù)載檢測流程的染色體適應(yīng)性值。

3)在依據(jù)染色體適應(yīng)性的數(shù)值，以此對染色體進行變異、交叉以及選擇處理，可以得到全新染色體種群。

4)計算得到的全新種群子代個體適應(yīng)性。

5)染色體的計數(shù)器個數(shù)設(shè)置可以利用u=0表述，其迭代的操作個數(shù)可以利用F表述。以此判斷得到的全新染色是否為最佳解，若是最佳解，那么對得到的結(jié)果保存；反之，需要執(zhí)行u=u+1，重新返回至1)，繼續(xù)計算。

6)如果檢測云平臺下混合服務(wù)器的差異節(jié)點負(fù)載，其迭代操作次數(shù)到達最大值，那么則需要執(zhí)行5)，且u=u+1；反之，則需要返回至2)繼續(xù)計算，一直得到最佳解[8]。

依據(jù)以上方法，能夠有效的檢測云平臺下混合服務(wù)器的差異節(jié)點負(fù)載情況。

4 混合服務(wù)器差異節(jié)點的負(fù)載均衡調(diào)度

4.1 構(gòu)建差異節(jié)點的負(fù)載模型

為了對混合服務(wù)器的差異節(jié)點負(fù)載進行均衡調(diào)度，利用基于線性的時間序列的方式，構(gòu)建一個負(fù)載模型，其本質(zhì)上是利用足夠多的數(shù)值去模擬一個組數(shù)據(jù)，以此期望獲得最優(yōu)擬合度[9]。

基于線性的時間序列方法模型，在網(wǎng)絡(luò)流量的變化穩(wěn)定環(huán)境內(nèi)，具有較好的適應(yīng)性。且該類方法的復(fù)雜度較低，容易實現(xiàn)。

將ARMA轉(zhuǎn)換成ARMA(p，q)，并構(gòu)建差異節(jié)點的負(fù)載模型，具體公式如下所示

(4)

式中：xt表示云計算中節(jié)點在t時刻過載的負(fù)載量；φ表示云環(huán)境整體負(fù)載；p代表AR模型階數(shù)值，q代表MA模型的階數(shù)值。

在p=0時，則會退化成MA模型；而q=0時，則會退化成AR模型。

其ARMA模型，是建立在假設(shè)的時間序列平穩(wěn)基礎(chǔ)之上的，所以只能夠使用在目標(biāo)沒有劇烈的變化情況下，相對于網(wǎng)絡(luò)流量來說，更適用于在較短的時間內(nèi)以及小局域網(wǎng)的流量變換平穩(wěn)情況下。

4.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是信號的前向傳播和誤差反向傳播。在輸入樣本的刺激下，通過神經(jīng)網(wǎng)絡(luò)不斷的對節(jié)點間權(quán)值改變和閾值的激發(fā)，期望獲得滿意的輸出值最佳擬合。而BP神經(jīng)網(wǎng)絡(luò)是通過輸出層、隱層以及輸入層3層構(gòu)成的。依據(jù)Kolmogorov原理，3層神經(jīng)網(wǎng)絡(luò)可以表達隨意的非線性函數(shù)，具體圖像如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)框架圖像

BP神經(jīng)網(wǎng)絡(luò)的算法流程如下所示：

BP神經(jīng)網(wǎng)絡(luò)的前向傳播：信號依次通過輸入層、隱層和輸出層，在前向傳播時，輸出層生成輸出信號，若輸出信號能夠滿足誤差的要求，或者是達到訓(xùn)練的次數(shù)，那么計算就會結(jié)束；反之，若輸出信號達不到輸出的要求，那么將會轉(zhuǎn)入誤差，進行反向傳播[10]。

如果輸入層具有a個神經(jīng)單元，那么i代表隨意的一個神經(jīng)元，若隱層具有b個神經(jīng)元，那么j代表隨意的一個神經(jīng)元，而輸出層具有c個神經(jīng)元，那么k代表隨意的一個神經(jīng)元。vij代表隱層和輸入層間點的權(quán)值，voi代表隱層的閾值，ujk代表輸出層和隱層間的權(quán)值，uok代表輸出層的閾值。如果Ij是隱層輸入，yj是隱層的輸出，那么輸出層利用Ik作為輸入，zk作為輸出。利用X=(X1，X2，…Xr，…Xn)來作為訓(xùn)練樣本，其實際的輸出則是zr=(zr1，zr2，…，zro)，理想的輸出為dr=(dr1，dr2，…dro)，r=1，2，…，n。

其輸入訓(xùn)練樣本Xr，具體的前向傳播公式如下所示

(5)

(6)

(7)

(8)

(9)

式中：若E(m)

BP神經(jīng)網(wǎng)絡(luò)的誤差反向傳播：其誤差是指網(wǎng)絡(luò)內(nèi)的期望值和實際輸出值之間的差距，誤差先從輸出層開始反向向隱層以及輸入層傳播，傳播的過程中，依據(jù)所反饋回來的誤差，調(diào)整網(wǎng)絡(luò)權(quán)值。在每調(diào)節(jié)一次都會重新的前向傳播。而權(quán)值的修正流程，同樣會致使實際輸出越來越逼近期望值，一直滿足設(shè)置的誤差。

其誤差反向傳播的公式如下所示

(10)

ujk(m+1)=ujk(m)+Δujk(m)

(11)

(12)

vij(m+1)=vij(m)+Δvij(m)

(13)

式中：η是一個給定的整數(shù)，代表學(xué)習(xí)速率。

4.3 負(fù)載均衡調(diào)度策略實現(xiàn)

通過分析以上信息，假設(shè)將系統(tǒng)的目前時段pv視為p(t)，那么預(yù)測下個時間段pv為p′(t+1)，系統(tǒng)在目前時段全部后端實例平均CPU利用率為c，而其中0≤c≤1。系統(tǒng)的目前時段采用實例個數(shù)為n。利用負(fù)載均衡調(diào)度策略，實現(xiàn)云平臺下混合服務(wù)器差異節(jié)點負(fù)載均衡調(diào)度。具體的調(diào)度策略如下所示：

由于中小制造企業(yè)的小而精的特征，多數(shù)企業(yè)都專注于某個單獨細(xì)分產(chǎn)業(yè)。以壓縮機械產(chǎn)業(yè)為例，空氣壓縮機產(chǎn)業(yè)是為我國工業(yè)生產(chǎn)提供基礎(chǔ)能源的關(guān)鍵行業(yè)，需求量大，因而10年內(nèi)空壓機企業(yè)在我國大量產(chǎn)生，產(chǎn)生了一批專業(yè)化的單一設(shè)備生產(chǎn)企業(yè)。上游的配套零部件包括鑄件、電機、軸承、冷卻器、電控系統(tǒng)、壓力容器、潤滑系統(tǒng)等，也產(chǎn)生了大量專業(yè)化的生產(chǎn)企業(yè)。由于成功的中小企業(yè)大多專心某一個產(chǎn)品，將全部資本和人力都投在上面，效果往往也是最好的。如果能在新經(jīng)濟環(huán)境下搭上智能化制造順風(fēng)車，必然能極大地提升產(chǎn)品質(zhì)量，并為“中國2025” 戰(zhàn)略提供助力。

1)在n=1并且p′(t+1)>p(t)，那么調(diào)度策略則會增加一個負(fù)載均衡器的后端實例。

5 實驗證明

5.1 實驗環(huán)境

為了證明本文方法的有效性，在CloudSim平臺上進行實驗，在實驗內(nèi)模擬一個云計算中心，利用兩臺真實服務(wù)器和一臺負(fù)載均衡器搭建測試環(huán)境，由另外兩臺測試機將模擬用戶的大量訪問，測試平臺結(jié)構(gòu)如圖2所示。

圖2 測試平臺結(jié)構(gòu)

采用文獻[2]提出的分布式互聯(lián)網(wǎng)絡(luò)資源負(fù)載均衡分配方法、文獻[3]提出的改進的ICE中間件負(fù)載均衡方法和本文提出的云平臺下混合服務(wù)器差異節(jié)點負(fù)載均衡調(diào)度方法，通過測試平臺對數(shù)據(jù)中心系統(tǒng)的負(fù)載均衡度以及執(zhí)行作業(yè)耗時進行對比。具體實驗分成3組，其每一組的服務(wù)個數(shù)都相等，均為20個，不過由于任務(wù)個數(shù)不相同，分別為200個、2000個以及20000個。所有的任務(wù)都是隨機生成，并且大小不相同。

5.2 實驗結(jié)果和分析

5.2.1 負(fù)載均衡調(diào)度精度

在隨機生成的200任務(wù)下，利用以上三種方法對其調(diào)度，對比三種方法的混合服務(wù)器差異節(jié)點負(fù)載均衡調(diào)度精度，對比結(jié)果如表1所示。

表1 三種方法的負(fù)載均衡調(diào)度精度/%

根據(jù)上表能夠看出，隨著迭代次數(shù)的增加，本文方法的混合服務(wù)器差異節(jié)點負(fù)載均衡調(diào)度精度也在不斷增長，其精度在92.6%～99.8%之間；而文獻[2]方法和文獻[3]方法的混合服務(wù)器差異節(jié)點負(fù)載均衡調(diào)度精度在46.5%～65.7%之間和70.6%～79.9%之間。說明本文方法的負(fù)載均衡調(diào)度效果最佳，其次是文獻[3]方法，而文獻[2]方法的負(fù)載均衡調(diào)度效果最差。本文方法最佳是因為對混合服務(wù)器實時負(fù)載進行了考慮，能夠?qū)崿F(xiàn)對服務(wù)器的動態(tài)，賦予權(quán)值，并且依據(jù)任務(wù)種類的復(fù)雜程度，任務(wù)種類也需要加權(quán)計算。而其它兩種方法并沒有對混合服務(wù)器的任務(wù)權(quán)值以及實時負(fù)載情況進行考慮。

5.2.2 負(fù)載均衡度

為進一步驗證本文方法的有效性，對文獻[2]方法、文獻[3]方法和本文方法的混合服務(wù)器差異節(jié)點負(fù)載均衡度進行對比分析，對比結(jié)果如圖3所示。

圖3 負(fù)載均衡度對比結(jié)果

根據(jù)圖3可知，服務(wù)器工作時負(fù)載度越平穩(wěn)，方法的負(fù)載均衡效果越好，負(fù)載均衡度越高。而本文方法的混合服務(wù)器差異節(jié)點負(fù)載均衡度曲線比文獻[2]方法和文獻[3]方法的混合服務(wù)器差異節(jié)點負(fù)載均衡度曲線平穩(wěn)，說明本文方法的負(fù)載均衡效果較好，負(fù)載均衡度較高。

5.2.3 執(zhí)行作業(yè)耗時

在云平臺下，利用文獻[2]方法、文獻[3]方法和本文方法對混合服務(wù)器差異節(jié)點進行負(fù)載均衡調(diào)度，對比三種方法執(zhí)行作業(yè)所用的時間，對比結(jié)果如圖4所示：

圖4 執(zhí)行作業(yè)耗時對比結(jié)果

根據(jù)圖4可知，采用本文方法執(zhí)行作業(yè)所用的時間均少于文獻[2]方法、文獻[3]方法執(zhí)行作業(yè)所用的時間，說明本文所提云平臺下混合服務(wù)器差異節(jié)點負(fù)載均衡調(diào)度方法的執(zhí)行效率較高。

6 結(jié)束語

為了解決傳統(tǒng)節(jié)點負(fù)載均衡調(diào)度方法均衡調(diào)度效果差、執(zhí)行時間長的問題，本文提出一種云平臺下混合服務(wù)器差異節(jié)點負(fù)載均衡調(diào)度方法。提取服務(wù)器的負(fù)載特征，采用目標(biāo)特征的遺傳算法，檢測云平臺下混合服務(wù)器的差異節(jié)點負(fù)載，通過BP神經(jīng)網(wǎng)絡(luò)對構(gòu)建的線性時間序列模型進行處理，完成負(fù)載均衡調(diào)度。實驗結(jié)果表明，本文方法的混合服務(wù)器差異節(jié)點負(fù)載均衡調(diào)度效果較好，執(zhí)行效率較高。