虛擬化云計算動態移動數據實時去噪處理系統設計

謝芳

摘 要： 現有系統進行虛擬化云計算動態移動數據去噪時，存在數據單個體運行且一次性完成去噪處理的問題。為提高云計算結果的準確性，設計新的虛擬化云計算動態移動數據實時去噪處理系統。該設計方法主要分為兩個層次：基于Hadoop云計算平臺描述系統硬件設計的三項功能，結合三項功能從前端控制層、運行層、用戶層對系統C/S模式進行設計，實現海量動態移動數據的并行化處理；系統軟件通過AFLS、并行處理中間件、查詢服務器、DBMS、OTS五大結構，實現云計算動態移動數據的查詢和簡單去噪處理，采用網閘實時去噪處理方法對云計算動態移動數據進行二次實時去噪處理。實驗結果表明，該系統與Matlab小波去噪系統和FPGA去噪系統相比，最高魯棒性分別提高0.02%和0.08%，最低魯棒性分別提高0.03%和0.05%；相同噪聲數量下，去噪誤差率最大值優于其他兩種方法，分別為0.24%，0.29%；所設計的系統弱化了現有方法的不足，具有去噪精度高、穩定性好的優勢。

關鍵詞： 云計算； 動態移動數據； 去噪處理； C/S模式； 系統設計； 魯棒性

中圖分類號： TN929.5?34； TP314 文獻標識碼： A 文章編號： 1004?373X（2018）22?0017?04

Abstract： The existing system has the problems of single data running and one?time denoising processing during the denoising of virtualized cloud computing dynamic mobile data. Therefore， a new real?time denoising processing system for virtualized cloud computing dynamic mobile data is designed to improve the accuracy of cloud computing results. The design method is mainly divided into two levels. Three functions of system hardware design based on the Hadoop cloud computing platform are described. Combining with the three functions， the C/S mode of the system consisting of the front?end control layer， running layer and user layer is designed to realize parallelization of massive dynamic mobile data. In the system software， five structures of the AFLS， parallel processing middleware， query server， DBMS and OTS are used to realize query and simple denoising processing of cloud computing dynamic mobile data. The GAP real?time denoising processing method is adopted to conduct secondary real?time denoising processing of cloud computing dynamic mobile data. The experimental results show that， the maximum robustness of the designed system is 0.02% and 0.08% higher respectively than that of the Matlab wavelet denoising system and FPGA denoising system， and the minimum robustness of the designed system is 0.03% and 0.05% higher respectively than that of the Matlab wavelet denoising system and FPGA denoising system； under the same quantity of noises， the maximum value of the denoising error rate is 0.24% and 0.29% lower than that of the other two methods； the designed system attenuates the shortcomings of the existing methods and has the advantages of high denoising precision and good stability.

Keywords： cloud computing； dynamic mobile data； denoising processing； C/S mode； system design； robustness

0 引 言

云計算作為一種按量付費使用、計算功能極其強大的新模式，在天氣預測、核爆炸仿真模擬、經濟狀況走勢研究方面發揮了不可替代的作用[1]。對于云計算應用，人們往往關注其總體計算能力，忽略云計算動態移動數據存在噪聲問題，嚴重影響數據計算效率與精確度。

文獻[2]分別對離群點噪聲和內部高頻噪聲進行處理，能夠方便、快捷地去除不同尺度的噪聲，但沒有考慮數據單個體運行問題。文獻[3]給出結構魯棒性檢測樣本，并使用量化方法和結構魯棒性檢測語言對樣本進行分析，沒有考慮噪聲干擾。文獻[4]針對不同特征區域分別采用鄰域距離平均濾波算法和自適應雙邊濾波算法進行去噪濾波。該方法在區域數據處理時，角度單一。

為避免以上缺陷，提出虛擬化云計算動態移動數據實時去噪處理系統。通過設計硬件系統的C/S模式，實現海量動態移動數據的并行化處理，節約系統運行時間。對軟件系統動態移動數據進行二次實時去噪處理，增加了該系統去噪精度。仿真實驗結果表明，本文設計系統具有穩定性好、效率高、誤差小的優勢。

1 虛擬化云計算動態移動數據實時去噪處理系統設計

1.1 系統硬件設計

1.1.1 Hadoop云計算平臺

HDFS分布式文件系統與MapReduce編程模型構成了Hadoop云計算平臺，該平臺屬于分布式系統基礎架構的一種[5]。為解決超大文件的處理問題、實現流數據訪問模式，HDFS應運而生[6]。HDFS在不同機器與節點上存儲超大文件的動態移動數據，個別動態移動數據一旦遭到破壞HDFS自動識別其備份數據，實現動態移動數據的穩定與安全存儲。MapReduce編程模型以Job的形式開展工作，Job一般采用Map函數與Reduce函數來描述。

1.1.2 系統硬件功能設計

Hadoop云計算平臺中的動態移動數據主要來自HBase數據庫，該數據庫具有實時性、高性能優勢[7]。本文系統設計的硬件主要實現以下3項功能：

1） 上傳動態移動數據。傳感器負責數據的獲取，傳感器采集節點以網絡為傳輸介質，將動態移動數據傳輸到云計算平臺。

2） 存儲動態移動數據。HBase數據庫發揮其保管數據的作用，向平臺管理者提供相關研究數據。

3） 動態移動數據實時去噪處理。對存在噪聲的動態移動數據進行實時去噪處理，實現云計算平臺中的動態移動數據與噪聲的分離，保證用戶從云計算平臺中獲取可靠的、真實的數據信息[8]。該項功能的實現依賴于系統的C/S模式。

1.1.3 系統的C/S模式設計

基于傳統N/S系統模式的局限性，本文設計的動態移動數據實時去噪處理系統選取存在優勢的C/S系統模式，具有足夠能力處理本文系統面對的大型動態移動數據，另一方面升級和維護系統更加靈活、快捷[9]。3個不同層面共同構成C/S模式部分：

1） 前端控制層。即虛擬化云計算動態移動數據實時去噪處理系統命令控制層。

2） 運行層。計算器功能、數據調控器功能、數據庫功能等都位于系統的運行層內。

3） 用戶層。識別用戶的身份、向其傳遞信息下達命令等操作都在用戶層完成，主要通過文件驅動器、感知運行器以及CVDO來實現。

1.2 系統軟件設計

1.2.1 系統軟件結構

本文系統的軟件結構如圖1所示，從圖中可以看出，其主要包括AFLS、并行處理中間件、查詢服務器、DBMS、OTS 五大部分。AFLS即應用服務器容錯和負載平衡服務，不同事物處理中間件的聯系、用戶與并行事物處理中間件的聯系都是通過AFLS進行構建；OTS即對象事物服務，云計算平臺數據庫由不同的DBMS共同組成，而該數據庫的事物特性依賴于OTS進行處理；并行處理中間件由數據劃分中間件、表加載中間件、查詢分析中間件等構成，云計算平臺中動態移動數據的緩存與批量加載通過表加載中間件實現，對于云計算平臺中動態移動數據的查詢與詢問工作由查詢分析中間件完成[10]；查詢服務器采用相同的接口處理不同云計算平臺數據庫的數據查詢，作為云計算平臺中的詢問服務器對帶有噪聲的數據進行簡單過濾，為系統進行動態移動數據去噪減輕工作量。

基于系統的軟件構成及功能，對云計算動態移動數據進行實時去噪處理。

1.2.2 網閘實時去噪處理方法

本文系統采用網閘實時去噪方法處理虛擬化云計算動態移動數據，對動態移動數據實施去噪處理在優化系統計算能力的同時彌補系統中配差計算失衡的缺陷。本文系統實施去噪采用的符號型屬性依據不同的動態移動數據而定，詳細的符號型屬性選取標準如表1所示。

根據表1描述的符號型屬性選取標準對云計算中各種類型動態移動數據實施有針對性的實時去噪處理，獲取的去噪結果更加理想。定義本文系統的去噪閾值用[Fu，v]表示；Web網絡中的動態移動數據包含的識別屬性用[fx，y]描述；動態移動數據提取系數的參照比用[uπ]描述，根據上述參數獲取符號型屬性公式。

根據上述方法對虛擬化云計算中的動態移動數據實施初步歸納，分離不存在噪聲和存在噪聲的動態移動數據，獲取初步去噪結果，一方面降低了本文系統去噪的工作難度，另一方面增加了動態移動數據去噪結果的精確度。接著采用條件矩陣對初步去噪結果實施矩陣去噪。采用圖的形式表達動態移動數據的矩陣[Ti，j]、條件矩陣[T′i，j]，如圖2、圖3所示。

將實際動態移動數據的矩陣[Ti，j]中不同于條件矩陣[T′i，j]的部分去除，即完成實時去噪處理。

2 實驗分析

為驗證本文系統對于虛擬化云計算中動態移動數據實時去噪的有效性，采用本文系統在云計算仿真開發包ClougSim中展開仿真實驗。采用FPGA去噪系統、Matlab小波去噪系統進行對比實驗，根據實驗環境與實驗設置，將三種系統獲取的實驗結果制成折線圖。圖4描述了魯棒性測試結果。圖5描述了去噪誤差測試結果。

2.1 系統魯棒性分析

分析圖4能夠看出，隨著實驗次數的增長，本文系統折線始終位于FPGA去噪系統、Matlab小波去噪系統的上方。本文系統的最高魯棒性為0.45%，最低魯棒性為0.1%；Matlab小波去噪系統最高魯棒性為0.43%，最低魯棒性為0.07%；FPGA去噪系統的最高魯棒性為0.37%，最低魯棒性為0.05%。說明本文系統的魯棒性高于其他兩種系統，而魯棒性是描述系統穩定性的重要參數。實驗結果表明，本文系統具有實時去噪、穩定性優勢。

2.2 系統去噪誤差率分析

分析圖5能夠看出，隨著噪聲數量的增長，本文系統的去噪誤差率增長緩慢。總的增長趨勢可以分為兩個階段：在噪聲數量為100～270條時的前階段，誤差率上升的較快達到0.29%；在噪聲數量為270～400條時的后階段，誤差率上升趨勢大幅減緩，最終的去噪誤差率最大值僅為0.31%，后階段的去噪誤差率僅增長了0.02%。Matlab小波去噪系統的去噪誤差率走勢直線上升，在噪聲數量為400條時，其最高誤差率為0.55%。FPGA去噪系統的去噪誤差率增長趨勢可分為三個階段，其中在165～200條階段去噪誤差率上漲趨勢較陡，說明其增長速度快；在噪聲數量為200～300條的第三階段，去噪誤差率漲勢稍遜第二階段，但仍快速增長達到最高值0.6%。對比三種系統測試結果可知，本文系統的去噪誤差率極小，具有去噪精確度高的優勢。

3 結 論

本文設計的虛擬化云計算動態移動數據去噪系統，從硬件設計、軟件設計兩部分描述其去噪過程。實驗結果表明，所設計系統具有穩定性好、效率高、誤差率小的優勢。同時本文系統為云計算數據的噪聲去除提供了有效手段，具有實際應用價值。

參考文獻

[1] 王斌鋒，蘇金樹，陳琳.云計算數據中心網絡設計綜述[J].計算機研究與發展，2016，53（9）：2085?2106.

WANG Binfeng， SU Jinshu， CHEN Lin. Review of the design of data center network for cloud computing [J]. Journal of computer research and development， 2016， 53（9）： 2085?2106.

[2] 林靜懷.基于云計算的電網調度控制培訓仿真系統設計[J].電力系統自動化，2017，41（14）：164?170.

LIN Jinghuai. Cloud computing based system design for power grid dispatching and control training simulation [J]. Automation of electric power systems， 2017， 41（14）： 164?170.

[3] 張千，陳朝根，梁鴻.基于虛擬化技術的私有云計算平臺設計[J].計算機應用，2015，35（11）：3063?3069.

ZHANG Qian， CHEN Chaogen， LIANG Hong. Private cloud platform design based on virtualization technology [J]. Journal of computer applications， 2015， 35（11）： 3063?3069.

[4] 閆淑梅.基于云計算的煤炭企業數據中心桌面備份系統的設計與實現[J].煤炭技術，2014，33（2）：126?128.

YAN Shumei. Design and implementation of coal enterprise data centers desktop backup system based on cloud computing [J]. Coal technology， 2014， 33（2）： 126?128.

[5] 王笑帝，張云勇，劉鏑，等.云計算虛擬化安全技術研究[J].電信科學，2015，31（6）：8?12.

WANG Xiaodi， ZHANG Yunyong， LIU Di， et al. Research on security of virtualization on cloud computing [J]. Telecommunications science， 2015， 31（6）： 8?12.

[6] 俞華鋒.基于云計算的三維虛擬學習環境的設計與應用[J].計算機仿真，2010，27（9）：315?318.

YU Huafeng. Design and application of virtual 3D study environment based on cloud computing [J]. Computer simulation， 2010， 27（9）： 315?318.

[7] 張京妹，李英俊，蘇廣文，等.嵌入式云計算系統的資源實時共享方法研究[J].西北工業大學學報，2016，34（3）：393?398.

ZHANG Jingmei， LI Yingjun， SU Guangwen， et al. The research on resource real?time sharing in the embedded cloud computing system [J]. Journal of Northwestern Polytechnical University， 2016， 34（3）： 393?398.

[8] 何恒靖，趙偉，黃松嶺.云計算環境下儀器虛擬化研究[J].電測與儀表，2014，51（16）：11?16.

HE Hengjing， ZHAO Wei， HUANG Songling. Research on the instrumentation virtualization in cloud computing environment [J]. Electrical measurement & instrumentation， 2014， 51（16）： 11?16.

[9] 武志學.云計算虛擬化技術的發展與趨勢[J].計算機應用，2017，37（4）：915?923.

WU Zhixue. Advances on virtualization technology of cloud computing [J]. Journal of computer applications， 2017， 37（4）： 915?923.

[10] 郭欣.基于云計算的Moodle虛擬化集群研究[J].控制工程，2015，22（6）：1175?1180.

GUO Xin. A study on Moodle virtual cluster based on cloud computing [J]. Control engineering of China， 2015， 22（6）： 1175?1180.