欒明君，羅 翔，曹孝元

中國(guó)電子科技集團(tuán)公司第十五研究所 智能協(xié)同計(jì)算技術(shù)實(shí)驗(yàn)室，北京 100083

隨著聯(lián)合軍事行動(dòng)場(chǎng)景的出現(xiàn)，需要大量特定應(yīng)用軟件來(lái)完成相關(guān)任務(wù)。由于單個(gè)指揮中心的服務(wù)器容量有限，需要在各個(gè)指揮中心之間進(jìn)行網(wǎng)絡(luò)和計(jì)算資源共享。而這將面臨軟件分發(fā)效率和部署策略的穩(wěn)定性與資源利用率的問(wèn)題，具體表現(xiàn)在：一方面，某些軟件需要頻繁在多個(gè)相關(guān)指揮中心臨時(shí)分發(fā)；另一方面，一個(gè)指揮中心有限的服務(wù)器資源需要被頻繁地部署大量軟件[1]。本文針對(duì)頻繁的軟件分發(fā)和部署需求，對(duì)部隊(duì)內(nèi)主要依靠傳統(tǒng)的直發(fā)和貪婪或?qū)＜医?jīng)驗(yàn)的方式提出相關(guān)的計(jì)算方法和模型，致力于提升軟件分發(fā)和部署的效率。

軟件分發(fā)包括廣泛分布的數(shù)據(jù)中心網(wǎng)絡(luò)中的單播和多播傳輸場(chǎng)景，其中每個(gè)指揮中心被抽象為網(wǎng)絡(luò)中的一個(gè)節(jié)點(diǎn)[2]。隨著指揮中心數(shù)量的增加和軟件交換頻率的提高，必須靈活利用全局網(wǎng)絡(luò)資源，以避免交通爭(zhēng)用和資源搶占，從而在動(dòng)態(tài)環(huán)境中實(shí)現(xiàn)快速和可靠的數(shù)據(jù)傳輸。

軟件部署是在指揮中心的不同服務(wù)器上為多個(gè)不同大小的軟件組分配任務(wù)。依靠專家經(jīng)驗(yàn)或者簡(jiǎn)單的貪婪策略部署將導(dǎo)致嚴(yán)重的性能惡化和計(jì)算資源耗盡[3-5]。因此，需要一種根據(jù)其資源占用將每個(gè)軟件分配到一個(gè)或多個(gè)特定服務(wù)器上的更優(yōu)策略，以提高服務(wù)器資源利用率和系統(tǒng)穩(wěn)定性。在本文中，不僅考慮傳統(tǒng)一對(duì)一場(chǎng)景，還考慮了單個(gè)軟件多次部署的復(fù)雜情況的一對(duì)多場(chǎng)景，而這將極大地增加分配的復(fù)雜性，導(dǎo)致專家經(jīng)驗(yàn)和貪婪規(guī)則的失敗或資源更容易浪費(fèi)。

本文提出了從軟件分發(fā)到軟件部署的完整解決方案。軟件分發(fā)策略基于一個(gè)改進(jìn)的極小化極大整數(shù)線性規(guī)劃公式，將應(yīng)用軟件數(shù)據(jù)劃分成多個(gè)片段，并根據(jù)網(wǎng)絡(luò)能力沿不同路徑同時(shí)傳輸優(yōu)化了數(shù)據(jù)劃分和調(diào)度，提高了全局資源利用率和流量平衡，實(shí)現(xiàn)了數(shù)據(jù)分發(fā)的高效分發(fā)。對(duì)于軟件部署策略，采用改進(jìn)的整數(shù)多重背包模型，統(tǒng)一地處理每個(gè)軟件分配在一個(gè)服務(wù)器（一對(duì)一）和多個(gè)服務(wù)器（一對(duì)多）的兩種不同情形，創(chuàng)新地以負(fù)載平衡的方式利用服務(wù)器資源，從而大大提高了系統(tǒng)的穩(wěn)定性和資源利用率，適用部隊(duì)系統(tǒng)部署場(chǎng)景。仿真結(jié)果表明，軟件分發(fā)模型在25 節(jié)點(diǎn)網(wǎng)絡(luò)相比傳統(tǒng)直傳方式減少了90%分發(fā)時(shí)間，軟件部署規(guī)模在300個(gè)軟件和15個(gè)服務(wù)器場(chǎng)景下最高可提升30%的資源利用率。

1 軟件分發(fā)和部署策略

本文研究基于軟件劃分的協(xié)同分發(fā)和基于改進(jìn)多背包模型的軟件部署問(wèn)題，以優(yōu)化目標(biāo)函數(shù)建立數(shù)學(xué)模型。

1.1 軟件分發(fā)模型

針對(duì)復(fù)雜化、大規(guī)模和動(dòng)態(tài)化的信息分發(fā)交互需求，面向多中心分布式網(wǎng)絡(luò)環(huán)境[6-7]，提出基于分布式協(xié)同的多向優(yōu)選數(shù)據(jù)并發(fā)技術(shù)[8-9]，即針對(duì)分布式多中心的域間數(shù)據(jù)分發(fā)問(wèn)題，綜合利用全網(wǎng)節(jié)點(diǎn)域作為網(wǎng)內(nèi)緩存中繼，并基于網(wǎng)絡(luò)環(huán)境的狀態(tài)感知結(jié)果[8]和基于MiniMax ILP[10-12]的最優(yōu)化流量調(diào)度算法，并行選擇多條信道進(jìn)行數(shù)據(jù)分片的協(xié)同轉(zhuǎn)發(fā)，最大化利用網(wǎng)絡(luò)中的有限資源。同時(shí)依靠多節(jié)點(diǎn)域的緩存中繼能力，有效應(yīng)對(duì)戰(zhàn)術(shù)環(huán)境下網(wǎng)絡(luò)抖動(dòng)和中斷情況，提升信息分發(fā)的可靠性。另外，對(duì)于重復(fù)發(fā)送的數(shù)據(jù)內(nèi)容，接收方可直接從中繼節(jié)點(diǎn)拉取緩存數(shù)據(jù)，而無(wú)需從源端重新獲取，從而進(jìn)一步降低流量開(kāi)銷。支持基于網(wǎng)絡(luò)資源感知的流量動(dòng)態(tài)規(guī)劃、彈性調(diào)度和優(yōu)化編排，從而極大增強(qiáng)復(fù)雜異構(gòu)環(huán)境下大規(guī)模通信傳輸適應(yīng)能力、提高基礎(chǔ)信息網(wǎng)絡(luò)資源利用率、提升網(wǎng)絡(luò)管理自動(dòng)化水平、全面推動(dòng)網(wǎng)絡(luò)智能化改造進(jìn)程。

下面以多播分發(fā)方式為例說(shuō)明分發(fā)機(jī)制，其中單播是指只有一個(gè)目的節(jié)點(diǎn)，而多播指的是有多個(gè)目的節(jié)點(diǎn)。如圖1 所示為多播分布式優(yōu)選數(shù)據(jù)并發(fā)策略的典型示意圖?？紤]一個(gè)三節(jié)點(diǎn)的多中心互聯(lián)網(wǎng)絡(luò)，源節(jié)點(diǎn)A需要同時(shí)向三個(gè)目的節(jié)點(diǎn)B、C、D發(fā)送同一份數(shù)據(jù)，傳統(tǒng)分發(fā)模式采用并行的一發(fā)三模式從A 分別向三個(gè)方向發(fā)送三份完整數(shù)據(jù)，這種方式將在網(wǎng)絡(luò)中形成三倍的數(shù)據(jù)流量，且最終的任務(wù)完成時(shí)間取決于A-B、A-C 和A-D 三條路徑中最差的一條傳輸路徑。而優(yōu)選數(shù)據(jù)并發(fā)策略則有效統(tǒng)籌利用全網(wǎng)的節(jié)點(diǎn)和帶寬資源，從源端最少可以僅發(fā)送一份完整數(shù)據(jù)，并利用B、C、D 節(jié)點(diǎn)作為緩存中繼互相為其他目的節(jié)點(diǎn)轉(zhuǎn)發(fā)，從而最大化優(yōu)化網(wǎng)絡(luò)資源消耗，且最終的任務(wù)完成時(shí)間最大可節(jié)約50%以上。以圖1為例，具體的策略執(zhí)行過(guò)程如下：

圖1 分布式優(yōu)選數(shù)據(jù)并發(fā)策略Fig.1 Illustration of collaborated parallel data distribution

（1）在發(fā)送端將原始數(shù)據(jù)分成固定大小的分片，并為每一個(gè)分片添加唯一的分片序列號(hào)。

（2）獲取從源節(jié)點(diǎn)到目的節(jié)點(diǎn)的路徑狀態(tài)（包括帶寬、丟包率、延時(shí)），基于MiniMax ILP 的流量調(diào)度算法將分片分配至不同的路徑并行傳輸。通常來(lái)說(shuō)，具有更多資源的路徑會(huì)被分配更多的數(shù)據(jù)分片。

（3）當(dāng)B、C、D 各自分別收到來(lái)自A 的部分?jǐn)?shù)據(jù)分片后緩存至本地，并作為中繼節(jié)點(diǎn)將副本轉(zhuǎn)發(fā)至其他兩個(gè)目的節(jié)點(diǎn)。

（4）B、C、D同時(shí)接收到來(lái)自A和其他中繼節(jié)點(diǎn)的數(shù)據(jù)分片并重新整合為完整的數(shù)據(jù)。

基于如上策略，圖1示例網(wǎng)絡(luò)中最終的數(shù)據(jù)分發(fā)結(jié)果如下：

（1）A-B方向，分片1和2傳輸路徑為A-C-D，分片3傳輸路徑為A-B，分片4傳輸路徑為A-D-B；

（2）A-C方向，分片1和2傳輸路徑為A-C，分片3傳輸路徑為A-B-C，分片4傳輸路徑為A-D-C；

（3）A-D方向，分片1和2傳輸路徑為A-C-D，分片3傳輸路徑為A-B-D，分片4傳輸路徑為A-D。

基于軟件分發(fā)策略，提出了一個(gè)適應(yīng)擁塞控制的最小最大整數(shù)線性規(guī)劃（ILP）的流量調(diào)度模型。該模型的參數(shù)、輸出變量和約束條件如下詳述。在此基礎(chǔ)上，進(jìn)一步探討了該模型的實(shí)際應(yīng)用。

流量調(diào)度優(yōu)化算法依據(jù)網(wǎng)絡(luò)鏈路的狀態(tài)（可用帶寬、丟包率、延時(shí)）分配各方向的數(shù)據(jù)分片數(shù)量，以達(dá)到網(wǎng)絡(luò)資源的最大化利用和分發(fā)效率的最大化提升。算法涉及的參數(shù)如下所示：

1.1.1 單播模型

目標(biāo)函數(shù)（1）最優(yōu)化從源節(jié)點(diǎn)到單個(gè)目的節(jié)點(diǎn)的分發(fā)效率，即最小化將數(shù)據(jù)分發(fā)到所有目的節(jié)點(diǎn)的最終任務(wù)完成時(shí)間。

1.1.2 多播模型

目標(biāo)函數(shù)（4）最優(yōu)化從源節(jié)點(diǎn)到多個(gè)目的節(jié)點(diǎn)的分發(fā)效率，即最小化將數(shù)據(jù)分發(fā)到所有目的節(jié)點(diǎn)的最終任務(wù)完成時(shí)間。

1.2 軟件部署模型

對(duì)于軟件分配策略，采用了一種改進(jìn)的整數(shù)多重背包模型[4，13-14]，相比于文獻(xiàn)[15]使用遺傳算法提高軟件部署中的參數(shù)配置效率而沒(méi)有處理軟件部署的系統(tǒng)穩(wěn)定性與資源利用效率問(wèn)題，本文通過(guò)將軟件組分配到不同的服務(wù)器上，以實(shí)現(xiàn)服務(wù)器資源的負(fù)載均衡，從而極大地提高了系統(tǒng)的穩(wěn)定性。

本文考慮兩種情況。在一對(duì)一的軟件分配情況下，每個(gè)軟件只分配一次，分配所有軟件后，每個(gè)服務(wù)器上的資源占用最平衡。相比之下，在一對(duì)多的軟件分配情況下，每個(gè)軟件可以在不同的服務(wù)器上被多次分配，這引入了更大的數(shù)學(xué)復(fù)雜性。具體的，考慮一對(duì)多的一個(gè)例子，將七個(gè)軟件分配到四個(gè)服務(wù)器上，根據(jù)軟件資源占用和服務(wù)器容量，本文的軟件分配策略提供了最負(fù)載平衡和最優(yōu)資源利用的分配方案。如圖2所示，分配結(jié)果是a-A，d-A；b-B，c-B；f-C；e-d，g-D，所有服務(wù)器資源利用率均為0.2%，實(shí)現(xiàn)負(fù)載均衡的資源利用。

圖2 負(fù)載均衡的軟件部署策略Fig.2 Software deployment strategies for load balancing

基于軟件部署規(guī)模的可擴(kuò)展性、軟件系統(tǒng)的穩(wěn)定性和資源利用效率三方面考慮，構(gòu)建軟件部署的改進(jìn)多背包模型。給定的參數(shù)和輸出變量如下所示：

給定參數(shù)：

k：表示所需安裝的軟件，總數(shù)為K；

m：表示每個(gè)服務(wù)器，總數(shù)為M；

sdk：表示安裝第k個(gè)軟件所需硬盤大??；

sgk：表示安裝第k個(gè)軟件所需安裝的個(gè)數(shù)；

sdm：表示第m個(gè)服務(wù)器硬盤大?。?/p>

輸出參數(shù)：

：表示第k個(gè)軟件是否安裝在第m個(gè)服務(wù)器，取值為0 或者1，其中1 表示安裝，0 表示不安裝。

基于可擴(kuò)展性、系統(tǒng)整體穩(wěn)定性和整體資源利用率構(gòu)建改進(jìn)的多背包模型，得到目標(biāo)函數(shù)：

服從下述的約束條件：

約束條件（1）表示部署在m臺(tái)服務(wù)器上的軟件總的所占硬盤大小不能超過(guò)該臺(tái)服務(wù)器本身的硬盤大??；約束條件（2）表示部署在所有服務(wù)器上的第k個(gè)軟件總和不能超過(guò)需要部署的個(gè)數(shù)；約束條件（3）表示變量取值為0 或者1。約束條件（2）的sgk可以取值1 也可以是其他任意符合要求的正整數(shù)，從而該模型將單個(gè)軟件只能部署一次和單個(gè)軟件可以部署多次兩種情形都涵蓋了，實(shí)際上也正是因?yàn)樵摷s束條件使得模型最糟糕復(fù)雜度從(2K)M增加至(2K+M)M，由于M一般是遠(yuǎn)大于K的，復(fù)雜度的增加導(dǎo)致依靠人工專家經(jīng)驗(yàn)的部署策略效率遠(yuǎn)差于依靠改進(jìn)背包模型的部署策略。

2 仿真評(píng)估

為了評(píng)估軟件分發(fā)和分配策略，本文使用LP 求解器Gekko 和OR-Tools 進(jìn)行了基于模擬的實(shí)驗(yàn)。為了比較，還實(shí)現(xiàn)了傳統(tǒng)的和貪婪的軟件分發(fā)和分配模型。具體而言，對(duì)于傳統(tǒng)的軟件分發(fā)，源節(jié)點(diǎn)將軟件數(shù)據(jù)文件分發(fā)到目標(biāo)節(jié)點(diǎn)，而不使用其他節(jié)點(diǎn)作為緩存節(jié)點(diǎn)。對(duì)于貪婪的軟件分發(fā)模型，軟件數(shù)據(jù)被分割并平均分配到每條路徑上以進(jìn)行并行傳輸。對(duì)于貪婪的軟件分配模型，每個(gè)軟件都分配給資源最空閑的服務(wù)器。

2.1 軟件分發(fā)仿真

對(duì)于軟件分發(fā)策略，在10、15、20、25 個(gè)節(jié)點(diǎn)的網(wǎng)絡(luò)中進(jìn)行了100 次迭代的隨機(jī)生成網(wǎng)絡(luò)條件的模擬。其中，隨機(jī)生成的每條鏈路可用帶寬在100 Mbit/s 到1 000 Mbit/s之間，丟包率在0到10%之間，延時(shí)在50 ms到1 s 之間。數(shù)據(jù)文件大小為1 000 MB，并從每個(gè)節(jié)點(diǎn)往所有其他節(jié)點(diǎn)分發(fā)。進(jìn)一步為了直觀地量化表示策略的優(yōu)勢(shì)程度，將最優(yōu)策略對(duì)比傳統(tǒng)策略的數(shù)據(jù)分發(fā)效率提升定義為：

將貪婪策略對(duì)比傳統(tǒng)策略的數(shù)據(jù)分發(fā)效率提升定義為：

2.1.1 單播軟件分發(fā)

圖3 所示為一個(gè)25 節(jié)點(diǎn)網(wǎng)絡(luò)的單播分發(fā)結(jié)果對(duì)比。由圖中可見(jiàn)，提出的最優(yōu)策略由于采用了最優(yōu)流量調(diào)度算法，在所有100 次仿真中對(duì)比其他兩種策略，在分發(fā)時(shí)間上均表現(xiàn)出極大的優(yōu)勢(shì)。貪婪策略由于采用均分的流量分配模式，得出的分配結(jié)果遠(yuǎn)不如最優(yōu)解。而傳統(tǒng)策略則具有最差的分發(fā)效率。

圖3 單播數(shù)據(jù)分發(fā)時(shí)間對(duì)比Fig.3 Comparison of data distribution time for unicast case

圖4 所示為在不同規(guī)模網(wǎng)絡(luò)下采用不同分發(fā)策略的效率提升對(duì)比。其中，在25 節(jié)點(diǎn)網(wǎng)絡(luò)中采用最優(yōu)策略對(duì)比傳統(tǒng)策略可實(shí)現(xiàn)85%以上的效率提升，且隨著網(wǎng)絡(luò)規(guī)模擴(kuò)大，提升效果也更明顯。相比之下，貪婪策略對(duì)比傳統(tǒng)策略也有60%～80%的效率提升，但仍不及提出的最優(yōu)策略。其原因在于最優(yōu)策略實(shí)際在值域空間中選取了最優(yōu)的流量分配解，而貪婪策略則只選取了平均解。

圖4 單播數(shù)據(jù)分發(fā)效率提升Fig.4 Improvement ratio of data distribution efficiency for unicast case

2.1.2 多播軟件分發(fā)

圖5 展示了在一個(gè)25 個(gè)節(jié)點(diǎn)的網(wǎng)絡(luò)中多播軟件分發(fā)策略效果。在所有的100個(gè)樣本中，全局網(wǎng)絡(luò)資源進(jìn)行并行傳輸?shù)淖顑?yōu)方式明顯優(yōu)于貪心和傳統(tǒng)的軟件分發(fā)模型。

圖5 多播數(shù)據(jù)分發(fā)時(shí)間對(duì)比Fig.5 Comparison of data distribution time for multicast case

圖6可以看出，最優(yōu)分發(fā)模型相比傳統(tǒng)直傳方式可以減少85%左右的分發(fā)時(shí)間而貪婪模型只能減少75%左右，顯示出最優(yōu)模型的優(yōu)勢(shì)。

圖6 多播數(shù)據(jù)分發(fā)效率提升Fig.6 Improvement ratio of data distribution efficiency for multicast case

實(shí)際上，極小化最大整數(shù)線性規(guī)劃（ILP）方法試圖在廣闊的搜索空間中尋找最優(yōu)解，傳統(tǒng)的投遞算法和貪心的投遞算法的結(jié)果可以被視為整個(gè)搜索空間中的兩個(gè)特殊解決方案，對(duì)于傳統(tǒng)的投遞算法，被安排到緩存節(jié)點(diǎn)的數(shù)據(jù)切片設(shè)置為0，而對(duì)于貪心投遞算法，被安排到所有緩存節(jié)點(diǎn)的數(shù)據(jù)切片是相等的。因此，合理地說(shuō)這兩個(gè)解決方案的性能應(yīng)該比最優(yōu)解決方案差，這與仿真結(jié)果是相符的。

2.2 軟件部署仿真

對(duì)于軟件分配策略，運(yùn)行了一對(duì)一和一對(duì)多兩種情況的模擬。對(duì)于每種情況，隨機(jī)生成了100個(gè)軟件和服務(wù)器條件。模擬參數(shù)隨機(jī)生成如下：軟件大小在300 MB和10 000 MB之間隨機(jī)生成，服務(wù)器存儲(chǔ)大小在200 GB和600 GB 之間隨機(jī)生成。對(duì)于一對(duì)多的情況，每個(gè)軟件的數(shù)量在1 到2 之間隨機(jī)生成，總軟件數(shù)量為300 和200兩種場(chǎng)景，服務(wù)器數(shù)量為10和15兩種。

2.2.1 1對(duì)1軟件部署仿真

圖7 展示了在300 個(gè)軟件和15 個(gè)服務(wù)器的一對(duì)一場(chǎng)景，從仿真圖可看出最優(yōu)部署策略資源利用效率遠(yuǎn)高于貪婪策略，這是因?yàn)樽顑?yōu)策略能夠以最優(yōu)且負(fù)載平衡的方式充分利用全局服務(wù)器資源。

圖7 一對(duì)一軟件部署效率對(duì)比Fig.7 One-to-one software deployment efficiency comparison

2.2.2 1對(duì)多軟件部署仿真

圖8 展示了在300 個(gè)軟件和15 個(gè)服務(wù)器的一對(duì)多場(chǎng)景，從仿真圖可看出最優(yōu)部署策略資源利用效率仍然遠(yuǎn)高于貪婪策略。

圖8 一對(duì)多軟件部署效率對(duì)比Fig.8 One-to-many software deployment efficiency comparison

表1 列出了一對(duì)一和一對(duì)多在各種場(chǎng)景下平均資源利用情況。對(duì)于一對(duì)一情況，最優(yōu)策略相對(duì)貪婪模型提高了接近30%的資源利用率，對(duì)于一對(duì)多情況，最優(yōu)策略相對(duì)貪婪模型最高實(shí)現(xiàn)了接近20%的資源利用率提升，最后一列給出了最優(yōu)部署策略相比貪婪策略資源利用率具體的提升比率。最優(yōu)軟件分配策略在廣泛的搜索空間中尋找最優(yōu)且負(fù)載平衡的解決方案。事實(shí)上，貪婪模型的解決方案可以被視為整個(gè)搜索空間中的特殊解決方案。因此，貪心模型的性能比最優(yōu)解決方案差是可以理解的，這與模擬結(jié)果相符。

表1 最優(yōu)策略與貪婪策略部署資源利用率對(duì)比Table 1 Comparison of resource utilization between optimal strategy and greedy strategy deployment

3 實(shí)驗(yàn)結(jié)果

為了進(jìn)一步驗(yàn)證分發(fā)和部署策略技術(shù)的可行性，分別進(jìn)行了多播分發(fā)和軟件部署的實(shí)驗(yàn)場(chǎng)景驗(yàn)證。

3.1 軟件分發(fā)實(shí)驗(yàn)結(jié)果

為進(jìn)一步驗(yàn)證提出的技術(shù)可行性，搭建了一個(gè)四節(jié)點(diǎn)網(wǎng)絡(luò)，并基于可靠UDP傳輸協(xié)議實(shí)現(xiàn)數(shù)據(jù)分發(fā)策略，實(shí)驗(yàn)拓?fù)鋮⒖紙D1，測(cè)試從A往B、C、D三個(gè)節(jié)點(diǎn)分發(fā)數(shù)據(jù)的場(chǎng)景。首先測(cè)試對(duì)比最優(yōu)策略與傳統(tǒng)策略。數(shù)據(jù)文件大小為1 GB，設(shè)置每條鏈路具有相同的帶寬、丟包率和延時(shí)，其中帶寬固定為1 Gbit/s，丟包率和延時(shí)變化。對(duì)比測(cè)試的數(shù)據(jù)分發(fā)時(shí)間結(jié)果如表2所示（鏈路狀態(tài)為鏈路丟包率和延時(shí)）。在相同網(wǎng)絡(luò)條件和數(shù)據(jù)樣本下，采用最優(yōu)策略比采用傳統(tǒng)策略用時(shí)平均減少50%以上，最后一行給出了具體的提升效率。

表2 最優(yōu)策略與傳統(tǒng)策略數(shù)據(jù)分發(fā)時(shí)間對(duì)比Table 2 Comparison of data distribution time for optimal strategy and conventional strategy

其次測(cè)試對(duì)比最優(yōu)策略與貪婪策略。鏈路狀態(tài)設(shè)置為：A-B，帶寬1 Gbit/s，丟包率0%，延時(shí)0 ms；A-C，帶寬800 Mbit/s，丟包率2%，延時(shí)50 ms；A-D，帶寬500 Mbit/s，丟包率4%，延時(shí)100 ms；其他鏈路，帶寬1 Gbit/s，丟包率0%，延時(shí)0 ms。表3 所示為采用兩種策略的數(shù)據(jù)分發(fā)時(shí)間對(duì)比（運(yùn)行10 次實(shí)驗(yàn)測(cè)試）。結(jié)果顯示，采用最優(yōu)策略與貪婪策略相比，數(shù)據(jù)分發(fā)用時(shí)平均減少57%，具體提升為表3最后一列。

表3 最優(yōu)策略與貪婪策略數(shù)據(jù)分發(fā)時(shí)間對(duì)比Table 3 Comparison of data distribution time for optimal strategy and greedy strategy

3.2 軟件部署實(shí)驗(yàn)結(jié)果

為了驗(yàn)證軟件部署策略的有效性，考慮五臺(tái)服務(wù)器的實(shí)際部署場(chǎng)景。其中，五臺(tái)服務(wù)器的配置相同，內(nèi)存均為16 GB，存儲(chǔ)空間分別是512 GB、512 GB、1 TB、256 GB、1 TB，待部署軟件有160 個(gè)，這些軟件包括Tomcat-9.027、人大金倉(cāng)數(shù)據(jù)-12.1.0.2、Python-3.5.2、neo4j-3.5.9、py2neo-4.3.0、Flask-1.1.2、curl-7.71.1 等相關(guān)軟件應(yīng)用，軟件大小從35 MB 到2.1 GB 不等。下面針對(duì)一對(duì)多部署場(chǎng)景隨機(jī)從160個(gè)軟件中抽取100個(gè)軟件測(cè)試10組部署數(shù)據(jù)，對(duì)比貪婪和目標(biāo)部署策略。表4實(shí)驗(yàn)數(shù)據(jù)表明，對(duì)于有多種大小服務(wù)器部署的場(chǎng)景，貪婪策略對(duì)資源利用率更低，本文所提出的部署策略具有更好的平均資源利用率，利用率提高了大約17%，具體提升比率為表4最后一列。

表4 最優(yōu)策略與貪婪策略軟件部署資源利用率對(duì)比Table 4 Comparison of resource utilization between optimal strategy and greedy strategy deployment

4 結(jié)束語(yǔ)

由于需要使用大量種類繁多的應(yīng)用軟件來(lái)完成相關(guān)任務(wù)，而單個(gè)指揮中心的服務(wù)器容量有限，因此需要在各個(gè)指揮中心之間進(jìn)行網(wǎng)絡(luò)和計(jì)算資源共享。針對(duì)目前軟件分發(fā)和部署所存在的效率與穩(wěn)定性和資源利用率等問(wèn)題，提出了軟件分發(fā)和部署模型提高分發(fā)效率和部署的穩(wěn)定性與資源利用率。具體而言，對(duì)于軟件分發(fā)，將軟件數(shù)據(jù)分成多個(gè)片段，并沿不同路徑傳輸，通過(guò)不同路徑并行傳輸，實(shí)現(xiàn)數(shù)據(jù)的協(xié)同傳輸。對(duì)于軟件部署，通過(guò)考慮負(fù)載均衡，利用改進(jìn)的整數(shù)多背包模型構(gòu)建了部署策略，實(shí)現(xiàn)部署的穩(wěn)定性和資源利用率的提升。仿真結(jié)果表明，在一個(gè)25節(jié)點(diǎn)網(wǎng)絡(luò)中，軟件分發(fā)策略減少了最高85%以上的傳輸時(shí)間；對(duì)于300個(gè)軟件和15個(gè)服務(wù)器的軟件部署場(chǎng)景，軟件部署策略提高了最高30%的資源利用率。更進(jìn)一步，通過(guò)實(shí)驗(yàn)環(huán)境驗(yàn)證，軟件分發(fā)最優(yōu)策略相比于傳統(tǒng)的直發(fā)和貪婪的均發(fā)方式都能減少50%以上的傳輸時(shí)間，軟件部署資源利用率相比貪婪的方式可提高20%左右資源利用率。表明本文所提出的軟件分發(fā)和部署策略的有效性。

更進(jìn)一步，某些特殊情形下會(huì)遇到網(wǎng)絡(luò)抖動(dòng)的軟件分發(fā)和帶依賴關(guān)系的復(fù)雜軟件部署問(wèn)題，而目前分發(fā)模型是無(wú)法處理網(wǎng)絡(luò)抖動(dòng)的情形，部署模型也需要改進(jìn)才可以處理帶依賴關(guān)系的部署問(wèn)題。后續(xù)將改進(jìn)本文相關(guān)的方法去解決上述問(wèn)題。