楊麗華，鄂晶晶，馮 鋒

(1. 呼倫貝爾學院計算機學院，內(nèi)蒙古 呼倫貝爾 021000；2. 寧夏大學信息工程學院，寧夏 銀川 750021)

1 引言

Internet技術的快速發(fā)展下，各個類型的數(shù)據(jù)和信息均呈爆炸式增加，任務數(shù)據(jù)不斷增加。因此，如何有效保存數(shù)據(jù)成為網(wǎng)絡發(fā)展過程中的重要問題?，F(xiàn)階段，大部分網(wǎng)絡均采用的存儲策略為全部數(shù)據(jù)單獨存儲[1，2]，將其作為一個項目展開相關的管理工作。云存儲具有傳統(tǒng)存儲技術不可代替的優(yōu)勢，分別為安全性高以及通用性強等，同時通過云存儲還可以有效減少各個系統(tǒng)的運行成本，提升企業(yè)的運行效率。

和傳統(tǒng)的存儲計算相比，云存儲占據(jù)明顯優(yōu)勢。國內(nèi)相關專家也針對該方面的內(nèi)容展開了大量研究，例如李根[3]主要通過網(wǎng)絡處理技術以及電子信息技術完成數(shù)據(jù)存儲，通過云計算技術的分析，為后期進一步促進計算機云計算數(shù)據(jù)儲存技術的提升奠定基礎。周由勝等人[4]通過橢圓曲線組建基于密文策略的屬性基加密完成訪問控制，引入?yún)^(qū)塊鏈技術完成數(shù)據(jù)安全存儲以及刪除。謝鵬等人[5]將關系型數(shù)據(jù)庫存儲模式轉(zhuǎn)換為HBase存儲模式，以此為依據(jù)構建基于空間矢量數(shù)據(jù)的HBase存儲模型，通過模型完成數(shù)據(jù)存儲工作。

雖然上述方法均已經(jīng)取得了較好的研究成果，但是，云計算任務之間的差異性是完成數(shù)據(jù)存儲的關鍵因素，因此，為進一步實現(xiàn)數(shù)據(jù)的節(jié)能化存儲，在以上幾種算法的基礎上，本研究提出一種差異性云計算任務數(shù)據(jù)節(jié)能式存儲算法。經(jīng)實驗測試結果表明，所提算法能夠全面提升存儲容量以及系統(tǒng)利用率，同時還能夠有效縮短平均響應時間。

2 算法

2.1 冗余數(shù)據(jù)刪除

通過局部特征分析方法，可以得到差異性云計算下任務數(shù)據(jù)節(jié)能式存儲中各個類型冗余數(shù)據(jù)的主要特征，將全部特征作為后期分類處理的重要依據(jù)。由于網(wǎng)絡在使用過程中會有一定程度的延遲，所以，以下通過最優(yōu)分類超平面對差異性云計算任務數(shù)據(jù)中的冗余數(shù)據(jù)分類處理[6，7]，將冗余數(shù)據(jù)分類問題轉(zhuǎn)換為最優(yōu)平面求解問題R(t)，具體的計算式為

(1)

式中，βi，j代表判別函數(shù)；αi，j代表分類閾值；(x，y)代表網(wǎng)絡節(jié)點的坐標位置；i和j分別代表不同的節(jié)點。

其中，最優(yōu)超平面求解問題必須滿足式(2)中的約束條件

(2)

式中，p代表常數(shù)。

如果差異性云計算任務數(shù)據(jù)節(jié)能式存儲中冗余數(shù)據(jù)特征沒有滿足實際需求，需要對其轉(zhuǎn)換處理。主要借助最優(yōu)分類超平面求解，設定內(nèi)積為N(x，y)，則對應的轉(zhuǎn)換結果為

(3)

最優(yōu)分類函數(shù)可以表示為式(4)的形式

(4)

式中，H(x，y)代表最優(yōu)分類函數(shù)；m代表類別屬性。

根據(jù)式(4)可以獲取冗余數(shù)據(jù)片段，最優(yōu)分類平面算法主要是針對各個類型的冗余數(shù)據(jù)片段劃分。優(yōu)先分析不同冗余數(shù)據(jù)的屬性，以數(shù)據(jù)為依據(jù)將其轉(zhuǎn)換為二分類，同時對其詳細求解，最終將提取的冗余數(shù)據(jù)刪除。由于云計算下任務數(shù)據(jù)的冗余刪除具有一定的難度，同時冗余數(shù)據(jù)的特征值十分多，需要采用一對一的分類方式完成冗余數(shù)據(jù)的刪除操作[8，9]。

通過基于遺傳算法的冗余數(shù)據(jù)分配算法展開冗余數(shù)據(jù)的分類處理，詳細的操作流程如圖1所示：

1)根據(jù)實際需求，需要優(yōu)先設定冗余數(shù)據(jù)的進化參數(shù)。

2)采用二進制中的串結構數(shù)據(jù)分別描述不同類型的冗余數(shù)據(jù)片段。

3)通過選育方式對全部群體初始化處理，同時提取通信代價最小的前n個個體，進而構建初始種群，確保群體內(nèi)個體的優(yōu)秀水準。

4)計算群體內(nèi)不同個體的通信代價，通信代價對應的導數(shù)即為各個個體的適應度取值。

5)通過冗余數(shù)據(jù)分類算法將最優(yōu)存儲數(shù)據(jù)和數(shù)據(jù)選擇兩者綜合處理，完成最優(yōu)個體選擇操作。

6)對全部個體交叉處理。

7)對全部個體變異處理。

8)判斷是否滿足停止準則，假設滿足，則直接輸出差異性云計算任務數(shù)據(jù)節(jié)能式存儲中冗余數(shù)據(jù)分類結果；反之，則跳轉(zhuǎn)至步驟(1)。

根據(jù)差異性云計算任務數(shù)據(jù)節(jié)能式存儲中的冗余數(shù)據(jù)分類結果，將無利用價值的任務數(shù)據(jù)刪除，最終完成冗余數(shù)據(jù)刪除處理。

2.2 構建差異性云計算任務數(shù)據(jù)節(jié)能式存儲模型

空間數(shù)據(jù)模型是完成任務數(shù)據(jù)節(jié)能式存儲的重要基礎[10，11]，也就是構建數(shù)據(jù)庫的核心。針對任務數(shù)據(jù)的特點，需要設定不同的分塊方式，具體如下所示：

1)固定字節(jié)長度分塊方式

長度的設定是通過相關先驗知識確定，和任務數(shù)據(jù)的存儲內(nèi)容并沒有存在實際關聯(lián)，具有操作簡單以及計算速度快等優(yōu)勢。其中，固定長度分塊方式更加適用于柵格數(shù)據(jù)集以及對象數(shù)據(jù)集。通過式(5)計算不同數(shù)據(jù)塊對應的序號

(5)

上式中，Block(kid)代表數(shù)據(jù)塊序號；offset代表文件頭的字節(jié)總數(shù)；blocksize代表字節(jié)長度。

(2)數(shù)據(jù)差異性分塊

通過從上到下以及從左到右的順序?qū)θ蝿諗?shù)據(jù)劃分處理。同時采用差異性排序的方式對各個數(shù)據(jù)塊編碼處理。其中，各個數(shù)據(jù)塊的編號LBlock(kid)可以通過(6)展開計算：

(6)

上式中，gridwidth和grideigth分別代表數(shù)據(jù)存儲差異性分塊的寬度以及高度；width代表數(shù)據(jù)存儲原始寬度。

(3)數(shù)據(jù)特征分塊

分析高分數(shù)據(jù)特征，引入面向?qū)ο笏枷氤橄蟮臄?shù)據(jù)管理方式，通過不同的任務數(shù)據(jù)類型選擇對應的數(shù)據(jù)切分模型，分析數(shù)據(jù)存儲特點，以此為依據(jù)，對任務數(shù)據(jù)存儲節(jié)點分配處理。

以下將任務數(shù)據(jù)作為研究對象，結合時空理論，設定對應的數(shù)據(jù)對象，如式(7)所示：

Objectrs={ObjectRawImage，ObjectImage，ObjectVector}

(7)

上式中，Objectrs代表數(shù)據(jù)對象；ObjectRawImage代表初始任務數(shù)據(jù)；ObjectImage代表產(chǎn)品數(shù)據(jù)對象；ObjectVector代表矢量數(shù)據(jù)。

在云計算平臺下，通過數(shù)據(jù)存儲技術可以全面提升資源的利用率，同時還能夠簡化數(shù)據(jù)動態(tài)遷移過程。為了建立虛擬服務器，首先需要虛擬化存儲節(jié)點，對任務數(shù)據(jù)完成均衡分配。在虛擬服務器的內(nèi)部，主要通過直接尋址的方式管理任務數(shù)據(jù)。其中任務數(shù)據(jù)和初級任務數(shù)據(jù)的存儲只需要通過選擇合適的球面網(wǎng)格劃分標準即可。當對原始任務數(shù)據(jù)展開切分處理，數(shù)據(jù)自身則不實行任何操作。

產(chǎn)品數(shù)據(jù)和任務產(chǎn)品數(shù)據(jù)兩者疊加應用，具有優(yōu)勢互補性能。所以可以通過標準金字塔模型組織完成不同類型數(shù)據(jù)的結構存儲。

在差異性云計算環(huán)境下，主要通過比較簡單的哈希取模法將任務數(shù)據(jù)分配到不同的存儲節(jié)點，將數(shù)據(jù)的切片行列號相加處理，然后和存儲空間總數(shù)展開取模計算，確定任務數(shù)據(jù)的存儲位置。

對于云計算環(huán)境下的服務器虛擬化處理，可以將全部節(jié)點映射為多個虛擬節(jié)點。其中，虛擬節(jié)點和物理節(jié)點屬于多對一關系，將存儲系統(tǒng)的一致性哈希環(huán)形存儲空間劃分為多個等份，同時提取任務數(shù)據(jù)特征，經(jīng)過計算獲取一致性哈希函數(shù)，如式(8)所示：

J=hash(ObjectRawImage)

(8)

式中，J代表一致性哈希函數(shù)；hash代表存儲節(jié)點數(shù)量。

在采用一致性哈希算法后，需要從根本解決任務數(shù)據(jù)節(jié)能式存儲問題。當系統(tǒng)內(nèi)加入全新節(jié)點后，需要將原始兩個節(jié)點之間的哈?？臻g分裂處理，進而加入全新的節(jié)點，這樣可以確保在存儲器出現(xiàn)異常時，不會出現(xiàn)數(shù)據(jù)大規(guī)模遷移的情況，只需要維護出現(xiàn)變動的任務數(shù)據(jù)即可。

設定共有n臺服務器，根據(jù)設定參數(shù)，獲取參數(shù)和服務器最大參數(shù)兩者之間的比值Cur(n)，如式(9)所示

(9)

式中，Cur(n)代表參數(shù)；Cumax代表服務器最大參數(shù)。

通過式(9)可以準確分析集群服務器性能的強弱，引入加權平均法將全部任務數(shù)據(jù)整合處理，獲取對應服務器的總體性能值Sr(n)，如式(10)所示

(10)

式中，Mcr(n)代表第n臺服務器的利用率。

通過集群服務器統(tǒng)計的實時性能，可以獲取服務器的實際負載權重閾值，如式(11)所示

(11)

式中，ω(i，j)代表實際負載權重閾值。

通過分析任務數(shù)據(jù)的不同特征，結合云計算相關特點構建任務數(shù)據(jù)節(jié)能式存儲模型，詳細的操作流程如圖1所示。

圖1 任務數(shù)據(jù)節(jié)能式存儲模型構建流程圖

1)在數(shù)據(jù)中心分別接收不同類型的任務數(shù)據(jù)，通過任務類型將數(shù)據(jù)分類處理，同時統(tǒng)一全部數(shù)據(jù)的時空基準[12，13]。

2)提取差異性云計算任務數(shù)據(jù)的主要特征，將其作為服務器存儲的分散因子，經(jīng)過相關操作得到對應的空間特征。

3)通過哈希一致性算法將服務器設定為存儲核心，通過動態(tài)分配策略將全部任務數(shù)據(jù)均勻分配到哈希環(huán)形空間內(nèi)，同時根據(jù)提取的特征完成存儲服務器均勻分布處理[14，15]。

4)通過任務數(shù)據(jù)庫完成數(shù)據(jù)的采集以及管理等相關工作，結合數(shù)據(jù)庫組建不同任務數(shù)據(jù)之間的映射關系。

5)以任務數(shù)據(jù)之間的映射關系為依據(jù)，構建差異性云計算任務數(shù)據(jù)節(jié)能式存儲模型，如式(12)所示

(12)

式中，Cubot(x，y)代表差異性云計算任務數(shù)據(jù)節(jié)能式存儲模型。

將全部經(jīng)過冗余數(shù)據(jù)刪除的任務數(shù)據(jù)輸入到差異性云計算任務數(shù)據(jù)節(jié)能式存儲模型模型，最終實現(xiàn)任務數(shù)據(jù)節(jié)能式存儲。

3 仿真研究

為了驗證所提差異性云計算任務數(shù)據(jù)節(jié)能式存儲算法的有效性，需要展開實驗測試。對比方法為文獻[3]設計的基于計算機云計算的數(shù)據(jù)存儲算法和文獻[4]設計的基于區(qū)塊鏈的數(shù)據(jù)安全存儲算法。在設定客戶端數(shù)量下，分析三種不同算法的平均響應時間，詳細的實驗測試結果如圖2所示。

圖2 客戶端數(shù)量影響下不同算法平均響應時間測試

通過分析圖2中的實驗數(shù)據(jù)可知，在客戶端數(shù)量已知的情況下，各個算法的平均響應時間也發(fā)生了比較明顯的變化。雖然所提算法的平均響應時間也呈直線上升趨勢，但是變化幅度不大且響應時間更短。

在以上實驗分析的基礎上，分析用戶請求數(shù)量不斷增加情況下各個算法的平均響應時間變化情況，詳細的實驗測試結果如圖3所示。

圖3 用戶請求數(shù)量影響下不同算法平均響應時間測試

由圖3中的實驗數(shù)據(jù)可知，各個算法的平均響應時間均會受到用戶請求數(shù)量的影響。但是在三種算法中，所提算法所受到的影響相對較小一些，同時平均響應時間也更低一些。

綜合分析不同節(jié)點數(shù)量下各個算法的系統(tǒng)利用率情況，詳細的實驗測試結果如表1所示。

表1 不同數(shù)據(jù)節(jié)點下不同算法的系統(tǒng)利用率測試

由表1中的實驗數(shù)據(jù)可知，各個算法的系統(tǒng)利用率會不同程度受到數(shù)據(jù)節(jié)點數(shù)量的影響。但是相比另外兩種算法，所提算法的系統(tǒng)利用率明顯更高一些，進一步驗證了所提算法的優(yōu)越性。

為了分析不同算法的存儲性能，實驗將存儲容量作為測試指標，詳細的實驗測試結果如圖4所示。

圖4 不同算法的最大存儲容量測試

分析圖4中的實驗數(shù)據(jù)可知，由于所提算法在差異性云計算任務數(shù)據(jù)節(jié)能式存儲前期實行了冗余任務數(shù)據(jù)刪除操作，將全部無利用價值的冗余數(shù)據(jù)刪除，全面降低了數(shù)據(jù)存儲量，同時優(yōu)化了存儲容量，促使所提方法可以更好完成數(shù)據(jù)存儲，具有較大的存儲容量。

為測試不同數(shù)據(jù)存儲算法的節(jié)能效果，采用數(shù)據(jù)存儲后網(wǎng)絡剩余能量與初始能量的比值作為測試指標，網(wǎng)絡剩余能量越高，即該比值越高，則說明數(shù)據(jù)存儲算法的節(jié)能效果越優(yōu)。具體測試結果如圖5所示。

圖5 不同算法應用下網(wǎng)絡剩余能量對比測試

根據(jù)圖5可知，隨著云計算任務數(shù)據(jù)的存儲事件數(shù)量的增多，不同云計算任務數(shù)據(jù)存儲算法應用下網(wǎng)絡剩余能量與初始總能量的比值出現(xiàn)降低，相比之下，研究算法的網(wǎng)絡剩余能量更高，當云計算任務數(shù)據(jù)的存儲事件數(shù)量達2000個時，網(wǎng)絡剩余能量與初始總能量的比值仍可達0.4，由此可知研究算法具有更理想的節(jié)能效果。

4 結束語

面對海量任務數(shù)據(jù)，快速準確完成數(shù)據(jù)存儲是研究的關鍵。為此，提出一種差異性云計算任務數(shù)據(jù)節(jié)能式存儲算法。經(jīng)過大量仿真對比和分析可知，所提算法可以有效減少平均響應時間，提升系統(tǒng)利用率以及存儲容量，獲取更加滿意的存儲效果。

雖然現(xiàn)階段所提算法取得了比較滿意的研究成果，但是仍然存在不足，后續(xù)將針對以下幾方面的內(nèi)容展開研究：

1)擴大研究范圍，針對復雜數(shù)據(jù)展開更加深入的研究。

2)現(xiàn)階段研究沒有考慮存儲開銷問題，后續(xù)將針對該方面內(nèi)容展開研究和分析。