基于聚合度熱點收斂映射機制的云計算人工智能數據篩選算法研究＊

胡珊

（廣州工商學院，廣東 廣州 510850）

傳統算法存在顯著的局限性，應用性能和處理能力有限，為此應積極探討新型算法。常規算法應用后，因為存在熱度聚集問題，較易造成數據缺少收斂性，導致運算精度降低。目前數據篩選算法中，應用范圍較廣、應用評價較好的算法是TSC-SF 算法和UEG 算法這2 種，但是實際應用效果均不理想。

1 傳統算法的應用缺陷

結合云計算技術的人工智能技術常見應用于數據篩選運算，當前技術水平下，通常采用的調度模式為“網-邊緣”調度方法。分析現有資源規模、特點，以網絡數據為依據，利用云中間件構建數學模型，通過模型處理數據資源和業務。通過模型分析可確定調度函數，然后以此為依據定義篩選數據的原則。當前技術方案應用時主要為經濟調度模式，通常將云中心作為數據庫，在數據庫中存儲大量決定參數，包括篩選進程、中間件以及帶寬等。受此影響，在實際調度過程中，各個云中心調度模型時所耗費的成本存在顯著差異。

TSC-SF 算法即時間片累積調度篩選，UEG 算法即超歐里幾何數據篩選。TSC-SF 算法采用分配時間片方法輪詢調度數據，然而實際應用中缺少大規模的調度參數參與，導致其篩選性能低于預期。UEG 算法使用時，業務收斂實現方式是拓撲映射，但是在實際應用中供給側至用戶側未能予以有效資源分配，導致UEG 算法實際應用時篩選質量、篩選效率不理想。因此，優化智能數據篩選算法具有必要性[1]。

2 數據篩選算法主要優化思路

想要將用戶任務成本降低至可能范圍內的最低水平，必須大量占用云中心資源，影響系統性能，因此目標用戶任務通常難以以最低成本完成資源調度。在經濟調度應用時，對用戶數據質量要求較高，在支付層處理數據時，通常比較重視支付穩定性評價，積極提高支付效率，但是在任務匹配數據時，通常側重于促進及時匹配以及提高匹配效率，導致算法應用效果較差。智能數據篩選模式不同時，需要動態監控供需側情況，促進供需平衡。與此同時，應明確用戶需求，從而動態驅動云中心資源，使其與用戶需求有效適配。

基于此種背景，優化設計新型經濟調動方案，新算法以調度時間片、用戶需求成本為基礎條件，促進智能化動態驅動匹配，在裁決任務時，調度參數取決于用戶需求聚合度。在此基礎上，采用熱點收斂映射處理方法整合聚合成本因素、一般成本因素以及中心資源，映射處理云中心資源時采用2 組調度序列模式，裁決模式為“時間片-成本”模式，以期通過此種算法優化實現數據篩選提質增效。

在應用經濟模型時，應保證云調度中心盡可能利用現有資源滿足用戶需求。達成此目標后，應積極降低系統資源消耗，從而保證系統運行性能良好。通過交互方法篩選數據可滿足上述要求。基于云計算技術篩選數據時，需要保證算法性能符合數據吞吐容量要求，具有較好的數據可用性，并且一定確定數據篩選時間等。通過設置相關參數調度用戶。本文算法優化中，選取3 個重要參數，分別為用戶可靠度（W－P）、時間片（T－P）、聚焦成本（K－P）。對（W－P）參數、（T－P）參數與（K－P）參數進行抽象化處理，得出裁決函數（W－P）參數、（T－P）參數、（K－P）參數。調度資源過程中使用裁決函數描述調度經濟成本，然后分析經濟成本得出最優解，即作出裁決。云中心可并行處理多個調度任務，當多組用戶需求等待處理時可采用上述裁決函數實施并行處理，以此為背景設計并發調度模型作為數據篩選工具[2]。

在設計模型時，首先設定系統基礎運行原則，并且匹配模式采用“供給側-需求側”模式。調度用戶需求時，當用戶任務大于1 個，并且任務之間無顯著相互影響，可進行并行調度。選取用戶任務時，可通過抽象化處理全部任務為（T－P）性能、（K－P）性能和（W－P）性能。云中心在進行資源調度時，采用鎖模式處理用戶任務，在此種模式中，調度用戶任務時用戶任務與時間片為一對一關系。輪詢調度原則是時間片的基礎運行原則，用戶需求未處理時，系統自動鎖定相關資源。

此種調度屬于“N-M”調度。在此種調度中，云調度中心作為供給側主體，中心在執行任務時主要預期是保證現有資源得到充分利用，同時有效控制時間片成本，從而積極提高經濟效益。用戶作為需求側主體，其在調度過程中任務目標是積極降低聚焦成本，同時保證調度高效率完成。調度過程的主要目標是降耗、提質、增效。假設系統中當前存在N個用戶任務等待系統篩選處理，資源分配情況為Ti，聚焦成本（K－P）、時間片（T－P）符合用戶初始化要求。在調度時，由高到低排序不同任務對應的資源量。當業務為B0時，其對應的時間片為Ti0，對應的資源量為T0，對應的聚焦成本為K0；當業務為Bn-1時，其對應的時間片為Tn-1，對應的資源量為Tn-1，對應的聚焦成本為Kn-1[3]。

3 算法優化設計

時間片即Ti描述為（T－P）；聚焦成本K聚焦為（K－P），即K聚焦=（K－P）；業務（work）使用W表示，用戶可靠度描述為（W－P）。云系統運行中，第j個時間片描述為Tij，第i個業務描述為Wi，Tij節點處理Wi時，Wi預申請資源用x（i，j）表示。假設Tij范圍系統資源總量用y（j）表示，此時資源分配時符合如下約束條件：

云系統預分配時間片描述為T（i），Wi與的t（i）需求匹配的模型為：

資源j處Wi需要付出代價描述為u（i，j），全部代價描述為u（j），同時u（j）符合如下條件：

使用K描述成本，使用P描述利潤，權重描述為w。K聚焦直接受到成本影響。K聚焦與業務熱點呈正相關。模型參數以模型（1）—模型（4）參數為依據，數據業務聚焦成本描述為K業務聚焦，K業務聚焦權重描述為：

時間片描述為（T－K），影響（T－K）耗費代價的核心因素為系統篩選時間，即T系統篩選。業務開支中時間片權重為：

第n組業務資源需求完成數量描述為L（i，n），時間片冗余使用D描述，根據模型（1）、模型（2）、模型（3）進行模型參數設置。由此可構建如下模型：

業務收斂程度采用用戶可靠度表示，描述為（W－P），系統業務處理水平與（W－P）呈正相關。時間片在系統中運行期間完成的業務量描述為A1，當前業務總量描述為A2，由此創建模型：

疊加模型（4）—模型（6）可得出系統調動效率，描述為（C云－P），符合如下模型關系：

網絡資源分配宏觀預期是基于固定資源量，服務于任意業務即W（i）。在此種情況下，C云－P=T+KP+W－P應符合如下條件：

在構建該模型時參數設置與模型（1）—模型（8）一致。通過拉格朗日法針對該模型求出最優解，得出拉格朗日函數：

針對該函數設定如下條件：

利用該模型計算得出最優聚焦成本K聚焦與時間片Ti。優化供給側資源，根據模型（1）—模型（8）參數設置條件構建如下模型：

結合上述模型可得出如下拉格朗日函數：

一階微分處理該模型，從而得出供給側資源成本P資源、最優時間片Ti最優。

4 算法應用效果檢驗

4.1 仿真實驗方法

采用仿真實驗方法進行優化后算法應用效果檢驗。分別應用本文優化后算法、TSC-SF 算法以及UEG 算法3 種算法，進行對照分析實驗，評價本文優化后算法的實際應用性能。軟件工具選用MATLAB，構建仿真實驗環境，實施仿真實驗[4]。

4.2 實驗參數設置

仿真指標主要選擇2 項內容，分別為數據處理帶寬與數據篩選業務量。在設置仿真參數時，業務維持時間參數設置為10 h，云資源池密度參數設置為10 以上，設置處理速率為96 Mbps 以上，資源更新周期參數為超過512 s。

4.3 算法應用效果和優勢

篩選業務量分析顯示，本算法具有篩選業務量更大、篩選效率更高、增幅顯著的優勢。資源池中分為2 種資源，分別為低密度資源與高密度資源，如圖1 所示。

圖1 業務量篩選情況

解讀圖1 信息可知：當云資源池滿足不同密度條件時，采用本文建模數據篩選算法時，數據篩選結果與TSC-SF 算法、UEG 算法篩選結果存在一定差異。應用本文算法后，總體篩選業務量呈現持續增長趨勢，其他2 種算法雖然也可見此種趨勢，但是增幅顯著低于本文算法。經過分析認為，此種表現的核心誘因是本文算法中結合聚合度熱點收斂映射，在使用模型運算處理數據時優先處理高聚焦度用戶，即熱點用戶。本文結合熱點收斂映射實現算法優化，降低熱度聚集產生的消極影響，促使數據有效收斂。應用此種算法篩選目標數據時，多方位應用拉格朗日法促進配置均衡，促使業務篩選處理高效率完成。

數據處理帶寬方面，針對不同密度的數據資源，應用TSC-SF 算法、UEG 算法效果相對較差，本文算法應用效果顯著。帶寬測試結果顯示，本算法帶寬水平較高，同時穩定性較好。TSC-SF 算法、UEG 算法存在波動顯著、穩定性較差的問題。本文通過特殊收斂映射機制應用，同時進行拉格朗日法進行算法優化，與傳統算法相比顯著提高了業務處理效率，可更大規模地并行處理業務，具有顯著應用優勢。

5 結論

綜上所述，當前數據篩選運算中主要采用TSC-SF算法、UEG 算法，但是上述2 種算法均存在一定弊端，處理數據時帶寬、篩選業務量低于預期。本文從當前算法缺陷出發，采用聚合度熱點收斂映射機制構建新型算法，優化供給側與需求側資源匹配，分析用戶可靠度、聚焦成本與時間片，同時進行拉格朗日法促進算法優化，提高了算法應用效率，應用效果顯著。