基于大數據切片流概率穩定調控機制的云網絡數據評測算法?

趙 鐸

（陜西交通職業技術學院 西安 710018）

1 引言

隨著云網絡技術的不斷發展，各種不同制式不同源終端的數據結構復雜程度也不斷提高，采用一定的數據評測機制實現對網絡中切片流進行調度預估，實現云網絡數據高效穩定的運行，成為當前業界研究的熱點領域之一［1］。然而考慮到云網絡中數據流往往以切片形式進行調制、發送、存儲，且具有并發評估的特性，傳統網絡數據評測均基于簡單的CS模式，須建立專用的客戶端-服務端交互機制實現精確評估，該種模式難以適應云網絡中的切片評估模式，因此需要采取新的評估方式以便滿足云網絡中諸如高清視頻業務等片式數據流新業務［2］。

考慮到當前云網絡數據評測過程中存在嚴重的穩定性不足的問題，且評測過程中往往單純從切片角度對網絡業務資源進行調度，難以實現對評測過程及調度過程的精確化。對此，諸多學者提出可以采取概率覆蓋的方式對網絡中數據流進行評測，實現在云網絡條件下對業務數據流的定向匹配［3］。如Di.L［4］等提出了一種隨機節點片式監測機制的云網絡數據評測算法，通過區域次節點的方式對網絡數據進行用戶分組調度指令的發送，能夠在惡劣的網絡環境下實現對大數據流的穩定評測調度，仿真實驗表面該策略能夠在用戶節點競爭激烈的情況下實現較好的評測穩定性能。但是，由于該策略對大數據流切片過程中的調度烈度考慮不足，因此當網絡中用戶節點數量較多時極易導致嚴重評估失效現象。Niu B［5］等提出了一種基于片擁塞控制技術的云網絡數據評測算法，該算法證明通過適當的擁塞調度機制能夠實現對全部業務資源的覆蓋，隨后的仿真實驗證明該評測算法能夠在云網絡節點處于較低流動性狀態下實現較高效率的數據評測調度。然而，該解決方案脫胎于傳統固定式云網絡評測體系，未對網絡數據處于高速流動狀態時進行有效評估，若節點處于流動狀態，則該機制將因網絡業務流漂移嚴重的原因導致嚴重的用戶體驗下降。Shengli.Z［6］等考慮到云網絡數據具有的隨機特性，提出可以依據數據的統計規律進行數據建模，從而實現數據模型與實際業務流的一一匹配。然而由于該算法評測過程中需要鏈路抖動保持在較低的水平，一旦信道噪聲干擾嚴重，導致業務數據流也呈現抖動特性，則會導致嚴重的網絡擁塞現象，使得評測過程出現嚴重的二次抖動現象。

為了解決上述不足，本文提出了一種基于大數據切片流概率穩定調控機制的云網絡數據評測算法，采取基于概率層次差和業務數據帶寬并發概率評測的機制，對網絡中的業務流涉及的時間及資源量進行評測，且能夠在評測過程中實現對網絡數據帶寬的并發排序，從而使得網絡業務流的得到均衡，且能夠實現高效評測。最后采用了Matlab仿真實驗環境，驗證了本文方案具有的優越性能。

2 本文云網絡數據評測算法

當業務數據在云網絡中進行傳輸時，業務資源是以切片形式在網絡中以大數據并發態勢進行傳輸的，因此需要采取一定的評測方案進行優化調度［7］。若云網絡節點處于帶寬或者緩存首先狀態時，切片數據的并發傳輸將處于嚴重的受阻狀態，且節點將由于傳輸受阻而頻繁發生數據重傳現象，導致網絡出現嚴重數據擁塞。為改善該種情況，需要綜合考慮大數據切片流、節點帶寬及節點傳輸能力并進行資源評測，從而實現數據的高效傳輸［8］。

對于云網絡中隨機的大數據切片而言，其傳輸可以按照切片數量、節點剩余帶寬、節點總傳輸帶寬三種維度來進行評測［9］。因此本文在上述維度基礎上，采取基于概率層次差和業務數據帶寬并發概率評測的方式，從而便于進行大數據切片的評測，整個評測過程由切片評測和帶寬評測兩部分構成：

2.1 基于大數據切片中心分布概率PT(x)的切片

評測

大數據切片在進行調度時，傳輸節點對該切了的調度可由傳輸周期內切片被送入該節點的帶寬分布梯度及帶寬顆粒度來決定［9］。在某個時間點t0抵達傳輸節點的切片流滿足泊松分布，特征參數為λ，傳輸節點能夠正常服務的時間X服從相同的分布且節點傳輸帶寬與切片中心分布處于互相獨立的狀態。因此整個大數據切片的期望程度NQ為：

首先對傳輸節點的傳輸帶寬進行評測，假如傳輸節點剩余帶寬的分布概率與大數據切片中心分布處于同一變化規律，則大數據切片能夠被正確評測的概率PT(x)將能夠滿足傳輸需求。倘若傳輸節點能分配的帶寬小于大數據切片，且下一時刻均無有效改善，則本次數據評測過程將失效，即

2.2 基于業務數據帶寬的二次評測

首先根據大數據切片在傳輸節點上的業務數據帶寬并發概率 p'來確定傳輸概率Pr(x)，確保切片流能夠在有效評測的基礎上實現高效傳輸。

由于業務數據帶寬并發概率Pr(x)對傳輸概率不具有同一性，因此可基于該種特性實現傳輸概率Pr(x)的穩定性，即：

其中傳輸概率 p'為按照時間規律發生變化，可由按如下模型進行表述：

其中 p為業務數據帶寬并發概率 p'對傳輸概率的時間變化因子，該因子滿足狄克維多函數分布規律。

不妨設當前業務數據帶寬為Fc傳輸節點提供的可調度資源總量為Fp，傳輸節點的帶寬穩定服務概率為Nnest，則當前業務數據帶寬Fc的有效評測概率PFC滿足：

傳輸節點的傳輸能力與概率層次差Δ為覆蓋關系，及概率層次差Δ越大，則接入業務數據帶寬并發概率的適應性能也就越好，因此抽取概率層次差最大的時刻Δt，整個覆蓋關系Δs滿足：

經簡化，模型（6）可以寫為

故當前業務數據帶寬Fc在傳輸節點的可調度資源總量Fp固定時，傳輸節點的帶寬穩定服務概率Nnest滿足：

據此可求得業務數據帶寬被戶成功服務的概率Pmax滿足：

據模型（10）訪問概率Pmax＞0.5時，則當前時刻的業務切片能夠得到有效的服務，且能夠實現高效傳輸。

上述步驟可歸納為

Step 1：根據業務數據切片大小，以根據就近原則調度鄰近及誒點進行處理；

Step 2：對業務數據切片的大小進行排序，見圖1，按照模型（2）～（4）進行第一次資源匹配；

Step 3：進行完上述兩個過程的評測，在每一次業務數據切片進行切換的時刻，直到下一次業務數據切片被調度為止，完成本次業務數據切片的評測工作；

Step 4：繼續進行下一周期內的業務數據切片評測，直到業務數據切片傳輸完畢。

圖1 本文算法資源調度步驟

3 仿真實驗

3.1 仿真環境設置

為證明本文算法的優越性能，采取MATLAB仿真實驗環境對當前常用的超帶寬評估傳輸算法［12］（Ultra Bandwidth Evaluation Transmission Algo?rithm，UBET算法）、線性粒度評測傳輸算法［13］（Lin?ear Granularity Evaluation Transmission Algorithm，LGET算法）進行仿真對比，相關參數如下：

表1 仿真參數表

本文實驗中，考慮到云計算網絡節點的流動特性，本次仿真主要從大數據切片粒度、傳輸帶寬兩個變量，同UBET算法和LGET算法進行對比，對比指標為：切片傳輸帶寬、傳輸節點剩余帶寬、切片存儲帶寬、評測錯誤率四個指標。

3.2 結果比對

圖2顯示了本文算法與UBET算法和LGET算法在切片傳輸速率不斷增大時切片傳輸帶寬的對比，由圖可知，本文算法的切片傳輸帶寬較高，且穩定性能要好于對照組算法。這是由于本文算法能夠通過傳輸帶寬和業務數據切片兩個維度進行針對性評測，當僅當業務數據切片與傳輸節點的剩余帶寬處于一一對應時才進行業務切片的傳輸；對照組僅采用重傳輸機制，一旦數據評測過程受阻，則將由于頻繁進行數據傳輸而導致嚴重的擁塞現象，因此切片傳輸帶寬的性能要差于本文算法。

圖2 三種算法的切片傳輸帶寬

圖3為本文算法與對照組算法在切片傳輸帶寬不斷增大時傳輸節點剩余帶寬的測試數據。由圖可知，本文算法在切片傳輸帶寬不斷增大時，傳輸冗余帶寬的下降程度要顯著低于對照組算法；這是由于本文算法的業務數據切片傳輸的評測過程具有的魯棒性更高，且能夠根據傳輸節點的實時冗余情況進行二次條件，可以有效地抵御突發流量的沖擊。對照組算法由于僅采用簡單的調度機制，若當前時刻傳輸節點剩余帶寬較低，則需要等待剩余帶寬恢復正常時才能夠進行業務數據的評測，因此本文算法在傳輸節點剩余帶寬的性能上具有明顯的優勢。

圖3 三種算法的傳輸節點剩余帶寬

圖4為本文算法與UBET算法和LGET算法在傳輸節點冗余帶寬不斷增加時的切片剩余帶寬測試結果。由圖可知，本文算法的切片存儲帶寬要始終低于對照組算法，這是由于本文算法能夠通過業務數據切片的方式不斷降低傳輸節點中切片緩存的大小，能夠在節點的傳輸能力不斷增加時顯著降低節點中的切片存儲帶寬；對照組算法由于在進行切片分發時采取隨機分發的方式，當網絡中節點數量增多時將導致嚴重的流量溢出的現象，因此本文算法的切片存儲帶寬較對照組算法要低。

圖4 三種算法的切片存儲帶寬

圖5顯示了本文算法與UBET算法和LGET算法在傳輸節點負載不斷增加時評測錯誤率測試結果，由圖可知，本文算法和對照組算法均隨著傳輸節點負載的不斷增加，出現評測錯誤率不斷增加的情況，這是顯然的：隨著傳輸節點負載的不斷增加，傳輸錯誤率也隨之增加，因此評測錯誤率也隨之提高；然而本文算法的評測錯誤率提高幅度顯著低于對照組算法，這是由于本文算法引入了梯度控制方式，能夠在傳輸節點負載不斷增加的情況下滿足當前網絡的存儲需求，因此評測錯誤率較低，而對照組算法對此未加考慮，因此本文算法在評測錯誤率指標上具有顯著的優勢。

圖5 存儲錯誤率

4 結語

由于云網絡資源評測過程中存在網絡節點傳輸及評測能力受限，控制困難，評測維度較高等問題，容易導致因評測失誤而出現嚴重的網絡擁塞，從而降低云網絡的傳輸性能。對此，本文提出了一種新的基于大數據切片流概率穩定調控機制的云網絡數據評測算法，該方案通過綜合評測業務數據切片的分布概率及傳輸節點的資源控制能力，采取節點傳輸資源帶寬冗余性能進行資源評測控制，大大提高了網絡的資源傳輸能力，增強了網絡的數據評測效果，具有顯著的實踐意義。

下一步，將考慮本文算法對移動云網絡適用困難的問題，通過引入流節點資源控制機制，提高本文算法對移動云網絡中數據評測難題的解決能力，促進本文方案在實踐中的進一步推廣使用。