賀 涌，王 磊，李立秋，陳善貴

(1.太原理工大學，山西 太原 030000；2.中國礦業(yè)大學，江蘇 徐州 221000)

1 引言

信息量的日益劇增，信息處理方式也在發(fā)生重大變化。云計算是一種新型的商業(yè)計算模型，通過該方法，用戶可以在不了解云機構(gòu)的狀態(tài)下，對終端用戶展開大量計算。在大多云平臺軟件中Hadoop應用性更強。Hadoop為一種開源計算框架，能夠?qū)崿F(xiàn)分布式存儲，目的是保證所有數(shù)據(jù)集群不間斷地給用戶供應計算服務與分布式儲存。但目前Hadoop平臺局限于處理少量大文件，無法高質(zhì)量處理大量小文件的情況，導致高負載量環(huán)境下Hadoop經(jīng)常出現(xiàn)資源處理異?，F(xiàn)象，使運作效率變慢，計算質(zhì)量變低。對此國內(nèi)外學者提出了以下幾種解決方法。

文獻[1]構(gòu)建Hadoop云體系下的資源信息狀態(tài)監(jiān)測模型。利用資源匹配算法和信息挖掘算法將Hadoop內(nèi)的資源信息進行關(guān)聯(lián)性整合，在Hadoop平臺內(nèi)構(gòu)建用戶多元信息資源接口機制，利用虛擬化技術(shù)分類資源云信息，利用接口機制監(jiān)測高負載量Hadoop資源情況。但是該方法需要單獨構(gòu)建接口機制，并且該機制的構(gòu)建過程耗時較長，導致對Hadoop進行監(jiān)測時出現(xiàn)整體效率過低的問題。文獻[2]提出了一種高負載量Hadoop資源多層監(jiān)測方法。首先分層處理Hadoop，分析應用層對象、網(wǎng)絡傳輸層對象、用戶層對象、表示層對象和服務層對象，獲取各個層次之間的閾值，并實現(xiàn)融合處理，完成對Hadoop的資源監(jiān)測。但是該方法沒有構(gòu)建出符合與閾值匹配的檢測系統(tǒng)，導致監(jiān)測結(jié)果誤差較大。文獻[3]提出了一種基于自適應反饋調(diào)度的高負載量Hadoop資源監(jiān)測方法。融合Hadoop資源節(jié)點與作業(yè)的性能信息，在反饋調(diào)度器上啟動動態(tài)資源類似度監(jiān)測方案，有效識別集群執(zhí)行能力差異，根據(jù)服務器作業(yè)任務需求對Hadoop的資源信息高負載量進行動態(tài)監(jiān)測。但該方法需通過實時檢測數(shù)據(jù)，而個別平臺沒有此功能，導致該方法具有局限性。

針對上述問題，提出新的高負載量移動服務器Hadoop資源信息智能監(jiān)測方法。利用時間序列將Hadoop資源分化至多種資源訪問序列中，計算高負載系數(shù)，獲取特征向量集向量，完成高負載量移動服務器Hadoop資源信息智能監(jiān)測。仿真結(jié)果驗證了，論文新方法能夠?qū)崿F(xiàn)Hadoop高負載量的低能耗監(jiān)測，并且效率較高，時延問題得以明顯改善。

2 移動服務器Hadoop資源信息智能監(jiān)測

2.1 Hadoop運行原理

當前，Hadoop的構(gòu)造過程模型如圖1所示。

圖1 移動服務器Hadoop結(jié)構(gòu)模型

Hadoop中含有一種jobTracker節(jié)點，主要對Hadoop實行任務監(jiān)測、資源管理和調(diào)度。其中含有多種slave節(jié)點，處理全部的MapReduce任務[4]。當用戶遞交新任務時，通知NameNode節(jié)點，再將用戶的任務數(shù)據(jù)使用Na-meNode儲存到云平臺中，隨后將要進行處理的數(shù)據(jù)導入Hadoop里，同時儲存到Slave節(jié)點中。在運行Slave節(jié)點時，將心跳信息輸送至job-Tracker中，jobTracker收到心跳信息后會依據(jù)預處理數(shù)據(jù)的規(guī)劃情況，向具體的Slave節(jié)點分配Map/ReduceTask。Slave運行時，會每隔一段時間向job-Tracker傳輸心跳信息，jobTracker憑借集群中資源和Slave傳輸?shù)男奶畔⑶闆r，向Slave節(jié)點發(fā)放任務。

通過jobTracker中資源管理過程和任務監(jiān)測的分析，可以證明Hadoop的資源管理是隨著指定調(diào)度將新任務規(guī)劃至負荷的TaskTracker內(nèi)進行處理。但在Hadoop集群里，jobTracker節(jié)點只有一個，因此會出現(xiàn)JobTracker負載超重的狀況，致使jobTracker的處理速度降低，導致Hadoop集群[5]的整體運作速度緩慢。例如Hadoop平臺默認監(jiān)測器，在JobTracker對資源進行監(jiān)測時，經(jīng)調(diào)整完成的TaskScheduler接口與JobQueueTaskScheduler類型的實例assignTasks方法，可以對資源監(jiān)測和任務進行展開。從上圖1可以得知，假使存在可單獨對Hadoop任務文件監(jiān)控的方法，便可降低JobTracker的負擔，提高工作效率。

2.2 資源訪問序列劃分

利用時間序列將收集到的Hadoop資源進行消耗分化至多種資源的訪問序列中，再分化有序資源到資源集合中，從而建造一種尺寸固定的有序結(jié)合。并分析序列類似度，進而估算不同序列內(nèi)的類似值。而計算最鄰近節(jié)點方法，可以估算出高負載系數(shù)的序列，最后劃分出集合中的高負載序列。

圖2 資源訪問序列劃分流程

對高負載Hadoop的分布式平臺信息資源進行訪問時，集群內(nèi)信息資源消耗出現(xiàn)緩慢增長趨勢，需要將Hadoop集群中資源使用狀況通過時間序列[6]進行模式代替。本文使用四元組(t，b，k，l)代表Hadoop集群資源消耗模式，其中t代表橫坐標，即采集時間；b代表縱坐標，即Hadoop集群資源消耗總數(shù)；k為斜率，即兩個采集時間點的Hadoop資源利用變化曲線斜率；l即兩個采集時間的間隔Hadoop資源消耗線段大小，以此構(gòu)建Hadoop集群資源信息消耗時間變化曲線。在該四元組內(nèi)，擬定含有時間點(t1，b1)和(t2，b2)，假如采集時間間隔類似，資源消耗線段尺寸隨著斜率k而變化

(1)

通過式(1)可以看出，Hadoop資源消耗線段大小是l經(jīng)過斜率k和時間的間隔來判斷的，而l變量里不含有特殊意義，因此該四元組可以使用二元組(b，k)進行消除。因有序時間序列組合是利用多種時間序列向量組合建造的，而線段模式[7]是由相鄰的序列點構(gòu)成的，所以多種線段模式可以代替時間序列，進而能夠劃分所有Hadoop集群資源消耗的時間序列。

2.3 Hadoop高負載系數(shù)計算

(2)

為了找出兩個序列的高負載狀況，需使用區(qū)域的序列密度分布[9]表示高負載狀況。設定兩種區(qū)域和序列最相似的鄰居密度高于某種臨界值，證明近鄰與該序列類似，相似度越高表示鄰近值越大，反之鄰近值越低。計算高負載系數(shù)公式為

(3)

其中，P(s)代表時間序列s的均衡可達長度，其值越小，表明密度越高，高負載的幾率就越小，d(s，c)代表c序列至s序列中的長度，N(s)就是指序列s所在的時間序列集合。

2.4 高負載量移動服務器Hadoop資源異常監(jiān)測

Hadoop集群內(nèi)資源信息所消耗的數(shù)據(jù)關(guān)鍵點是通過集群內(nèi)硬盤、CPU進行處理的。其中CPU信息資源消耗被分布式估算影響，能量消耗被分布式儲存[10]影響，則需利用硬盤與CPU的差異轉(zhuǎn)變，對Hadoop的資源信息的高負載異常消耗進行監(jiān)測。內(nèi)存資源的消耗主要是被MAP/Reduce的分布式計算干擾，因此可以通過大范圍分布式的計算差異，評測內(nèi)存中的資源消耗高負載情況。硬盤資源的消耗主要受分布式儲存的影響，通過獲取文件輸送的硬盤資源消耗與差異數(shù)據(jù)來測評。

使用時間順序?qū)個資源[11]的特征向量進行監(jiān)測，監(jiān)測完成后，將第一種特征向量內(nèi)的n種有序向量集合內(nèi)取出，通過第n+1中的特征向量憑借順序引入此集合內(nèi)，具體過程如圖3所示。

圖3 基于時間的資源消耗監(jiān)測模型

在時間序列資源消耗模型中，具有n種資源消耗的特征向量。本文將特征向量設定為一種最近鄰類似值分析法中的目標，通過上述目標對n個特征向量內(nèi)的局部高覆蓋系數(shù)進行計算，最終對某個時間點的信息資源消耗異常狀況進行分析。

對局部資源消耗異常分析，先把n個局部資源信息消耗特征向量進行整理，構(gòu)造資源信息消耗特征向量集合{t1，t2，…，tn}。本文使用n×n的特征矩陣代替所有特征向量間的尺寸

(4)

式中傳入是憑借時間順序收集到的Hadoop集群資源信息消耗特征向量集{t1，t2，…，tn}，將n擬定為集群里的特征向量，傳輸為有差異的特征向量。具體步驟如下：

1)采用特征向量集所獲取的n種特征向量，轉(zhuǎn)換成n×n的特征矩陣；

2)收集一種特征向量，

再計算特征向量的最近鄰。

3)對特征向量中的局部密度進行計算，再估算差異系數(shù)。當差異系數(shù)大于閾值時，將該特征向量標記為高負載點，把該向量加入差異特征向量結(jié)果中并轉(zhuǎn)至2)。閾值大于融入該差異系統(tǒng)的數(shù)值時，則表示該特征向量是否為向量集內(nèi)第n個特征向量，如果是則轉(zhuǎn)至4)，反之跳轉(zhuǎn)至2)。

4)傳輸高負載特征信息監(jiān)測結(jié)果，算法完成。

在特征向量矩陣里，t12為特征向量t1與t12的大小，tnn表示特征向量tn到自身的長度，距離為零，該矩陣是對稱矩陣，主對角線的值為零。利用矩陣可以得知，ti到n種近鄰間的距離是[ti1，ti2，…，tin]，對該長度集合進行排序，獲取k種值，通過k值能獲取ti的k個最近鄰居。使用局部的密度公式對ti的值進行估算，估算的值越大，表明類似的目標越多。而時間點越小的資源，則表明局部可達密度越小，其類似的目標越少，該時間點信息資源異常[12]的幾率越大。

3 仿真證明

仿真環(huán)境為Intel Celeron Tulatin1GHz CPU，硬件環(huán)境為384MB SD內(nèi)存，軟件環(huán)境為MATLAB6.1。

圖4 Hadoop資源信息智能監(jiān)測環(huán)境

為了證明本文方法對Hadoop高負載的監(jiān)測性能，實驗與文獻[1]、文獻[2]及文獻[3]方法進行對比測試。本次實驗擬定實驗內(nèi)Slave節(jié)點并非考慮的關(guān)鍵點，所有Slace節(jié)點的處理效率是1000MIPS。該Hadoop集群內(nèi)含有20種節(jié)點。將任務Task所需要的指令尺寸設置在70000MIPS，原始實驗數(shù)據(jù)如圖5所示。

為測試不同方法對Hadoop高負載的監(jiān)測能耗，設置從1000～10000個移動設備運行時，對比消耗功率的大小。實驗結(jié)果如圖6所示。

圖6 不同方法下監(jiān)測能耗對比

根據(jù)圖6數(shù)據(jù)可知，隨著移動設備數(shù)量的增加，所有方法的能耗均隨之增加。其中文獻[1]方法與文獻[2]方法能耗變化趨勢相近，在移動設備數(shù)量為10000時，能耗達到350kW。文獻[3]方法能耗較前兩種方法略低，在移動設備數(shù)量為10000時，能耗約為347kW。本文方法能耗最低，在移動設備數(shù)量為10000時，能耗為253kW。說明本文方法對Hadoop高負載監(jiān)測的能耗低，更具有使用性。

為驗證不同方法的處理效率，在相同數(shù)據(jù)環(huán)境中測試平均請求響應時延，實驗如圖7所示。

圖7 不同方法下平均請求響應時延

根據(jù)圖7數(shù)據(jù)可知，文獻[1]方法與文獻[2]方法的響應時延變化趨勢相近，隨移動設備數(shù)量的增加而增長，當測試數(shù)量最大時響應時延達到340ms。文獻[3]方法的響應時延也隨設備數(shù)量增加而增長，設備數(shù)量最大時響應時延為280ms。本文方法的響應時延在測試期間均保持在4ms左右，說明該方法檢測效率高。

4 結(jié)論

為解決Hadoop常出現(xiàn)高負載問題，本文提出高負載量移動服務器Hadoop資源信息智能監(jiān)測方法。分析Hadoop資源序列類似度，計算高負載系數(shù)，獲取特征向量集向量，完成高負載量移動服務器Hadoop資源信息智能監(jiān)測。通過仿真對比實驗證明，新方法能夠有效的對Hadoop高負載量進行監(jiān)測，且能量消耗低，效率高。在今后的研究中需進一步考慮降低監(jiān)測成本問題，解決該領域更多難點問題。