基于SAAS的LVC裝備試驗資源實時調度模型研究

杜 楠, 彭文成, 譚亞新

(陸軍裝甲兵學院演訓中心, 北京 100072)

0 引 言

信息化條件下,武器裝備體系化特征更加明顯,裝備試驗對象由單個裝備向裝備體系拓展,試驗環境由單一簡單環境向實戰化的復雜環境轉變成為當前裝備體系試驗的必然要求[1-3]。真實-虛擬-構造(live-virtual-constructive, LVC)仿真可將當前分散的試驗場、訓練基地、演習場等環境連接、集成起來,解決虛實融合、數據傳輸、綜合評估、資源管理等一系列問題并且形成統一規范和標準,從而提供一個貼近實戰、功能多樣、綜合性強、開放性好的一體化環境,為裝備體系試驗提供有效技術手段[4-5]。LVC仿真的關鍵是真實、虛擬、構造仿真資源的建模與通信,實現資源間的互操作[6-8]。因此,如何使仿真資源間實現實時調度,以便更高效地執行仿真應用、更快返回仿真結果是需要解決的關鍵問題[9-10]。仿真即服務(simulation as a service, SAAS)是一種能夠快速、按需部署和執行仿真應用的方法,本文基于SAAS理念,通過遠程方法和優化調度策略實現云環境中裝備試驗資源的高效實時調度[9,11-14]。

文獻[15]將應用調度虛擬機和為虛擬機分配物理計算機資源的問題建模為約束滿足非確定性多項式(nondeterministic polynomially, NP)問題模型,將資源調度的目標作為算法的目標函數優化虛擬機資源分配,利用遺傳算法、粒子群算法、蟻群算法等啟發式算法求解資源調度問題。這類算法在網格計算中,取得了不錯的資源調度結果。然而,在云計算環境中,資源異構多樣,交互復雜,算法會面臨搜索速度慢、陷入局部最優,以及并行機制得不到充分應用的局面。文獻[16]設計了一種基于深度強化學習的資源調度算法框架,首先利用從網絡節點獲取的大量先驗數據,訓練深度學習網絡。其次,采用蒙特卡羅方法,對數據進行降維。最后,利用強化學習分配網絡資源,通過大量的自我對弈,實現算法的價值網絡學習。這種方法可解決大型、復雜、動態的資源分配問題,但計算機集群的可擴展性差,如果想要擴展計算機集群,需要重新開展神經網絡學習。從文獻中可以看出,云仿真調度取得了一些成果,但大多數調度策略較為簡單,無法同時滿足云仿真按需自助服務、廣泛的網絡接入、資源池、快速彈性、可度量的服務特點。

1 模型建立

基于SAAS的LVC裝備試驗資源實時調度模型包括遠程方法通信實現子模型、遠程方法云服務子模型、優化調度策略子模型,如圖1所示。遠程方法通信實現子模型,負責為LVC仿真提供及時、可控的遠程通信;遠程方法云服務子模型支持在云環境下,計算訂閱單元提出的調用需求,并將實現后的數據通過網絡傳輸反饋給訂閱單元。優化調度策略子模型通過優化調度算法完成遠程方法實現的優化調度,使遠程方法實現的效率接近最優。

圖1 調度模型結構組成圖Fig.1 Composition diagram of scheduling model

遠程,是指提出訂閱需求的訂閱單元所使用的計算機和遠程方法云服務子模型位于不同的計算機上,訂閱需求的實現方法即為遠程方法[17-18]。遠程方法是定義在虛擬化狀態對象(virtualization infrastructure object, VIO)中的方法,使得模型節點中想進行的操作得以執行。例如,坦克瞄準操作、函數計算操作。VIO為遵循虛擬試驗分布式對象描述語言定義的標準狀態對象,虛擬試驗分布式對象描述語言包括狀態分布對象、消息對象、本地對象、向量、接口、枚舉、狀態分布對象指針、基本類型,及其繼承、組合、聚合關系,訂閱了VIO的模型都可以對該VIO進行遠程調用[19-21]。使用遠程方法的必要性主要體現在,LVC試驗中存在大量分布的仿真軟件、模型資源、通用工具、數據庫等靶場資源,這些資源之間交互復雜,且為異構仿真資源對象。因此,當仿真資源之間通信量較大或某個模型的實現邏輯被多次調用時,交互的實時性通常難以滿足武器裝備體系快速響應的試驗任務需求。遠程方法通信作為一種通信機制,可為LVC裝備試驗系統提供及時、可控的遠程通信和模型處理,能最大限度地利用網絡資源處理遠程方法實現邏輯,縮短方法執行時間,提高執行效率,并且具有很好的可擴展性。

1.1 遠程方法通信實現子模型

遠程方法通信實現子模型,基于VIO通信機制完成實現單元和訂閱單元之間的信息傳輸,訂閱單元的訂閱需求為中間件對象時,可視為調用VIO的遠程方法。實物/半實物的設備模型被調用時,便等同于一個設備命令。例如,人員操控火炮發射可以通過遠程方法通信完成,在該過程中人員相當于主從調用關系的主體,火炮發射相當于聽從人員命令的從屬設備。遠程方法的復雜計算由遠程方法的Agent實現,在云服務端的計算機機群中進行合理分配,分配原則由優化調度策略子模型定義。模型節點之間通過點對點的通信完成數據交互,使信息由任何單獨的模型實現和訂閱,數據信息被直接從源路傳到任何感興趣的模型,雙方交互的數據信息從遠程方法云服務子模型獲取[22-23]。

1.2 遠程方法云服務子模型

云服務環境是指為訂閱單元和實現單元按需提供服務的計算機機群,該計算機機群的每個計算機為一個模型節點,該計算機中存儲有能完成訂閱單元訂閱需求的一個或多個遠程方法,并且Agent依托模型節點完成遠程方法的復雜計算[24-25]。遠程方法云服務子模型支持數個訂閱單元在同一時刻訪問云服務端提出訂閱需求,調用不同模型節點的遠程方法,并將實現后的數據通過網絡傳輸反饋給訂閱單元。遠程方法的實現分布在機群的多個模型節點中,當有訂閱需求時,遠程方法云服務子模型自動為該遠程方法創建實現Agent,由Agent根據訂閱單元的訂閱需求調用遠程方法的實現邏輯進行計算,得出輸出結果(即訂閱信息),通過遠程方法通信將輸出結果反饋給訂閱單元。遠程方法云服務子模型能夠根據每個遠程方法的實際調用需求,為該遠程方法創建多個Agent,該Agent的數量由云服務計算機機群中的計算機數量決定。如果該機群中有n臺計算機,則最多只能為遠程方法創建n個Agent。

1.3 優化調度策略子模型

優化調度策略子模型能夠針對訂閱單元不同的訂閱需求,綜合評估計算機機群的軟硬件性能,優化網絡資源,合理進行模型節點分配,通過基于Agent的優化調度算法完成遠程方法實現的優化調度,使遠程方法實現的效率達到或接近最優。優化調度策略子模型支持在兩個以上訂閱單元提出訂閱需求的情況下,通過遠程方法云服務子模型調用優化調度策略,將實現遠程方法的Agent合理分配到計算機機群中的相應計算機(即模型節點)中,仿真運行過程中不再動態創建或變更遠程方法的實現Agent。

遠程方法通信實現子模型,從遠程方法云服務子模型中作為訂閱單元的模型節點處接收訂閱需求,將該訂閱需求傳輸給遠程方法云服務子模型。優化調度策略子模型從遠程方法云服務子模型提取訂閱需求,根據訂閱需求,通過優化調度策略確定實現訂閱需求需調用的模型節點。優化調度策略即采用基于Agent的優化調度算法,確定實現訂閱需求的模型節點,完成遠程方法(即實現訂閱需求的方法)調用,使遠程方法實現的效率達到或接近最優。遠程方法云服務子模型在云環境下為選定的模型節點分配Agent。如果當前計算機機群節點地的所有計算機均不能合理有效地執行遠程方法的復雜計算,或其執行效率較低,可在仿真試驗前增加模型節點,即增加計算機數量,該模型節點只能用于遠程方法的實現[26-28]。

2 模型運行步驟

基于SAAS的LVC裝備試驗資源實時調度方法步驟如下:

步驟 1遠程方法通信實現子模型,從遠程方法云服務子模型中作為訂閱單元的模型節點處接收訂閱需求,將該訂閱需求傳輸給遠程方法云服務子模型。

步驟 2優化調度策略子模型從遠程方法云服務子模型提取訂閱需求,根據訂閱需求,通過優化調度策略確定作為實現單元的模型節點。

步驟 3將選定的實現單元信息發送給遠程方法云服務子模型。

步驟 4遠程方法云服務子模型在云環境下為選定的模型節點分配Agent,Agent可通過該選中的模型節點實現訂閱需求,同時能夠收到訂閱信息,將子模型的反饋信息發送給訂閱單元的模型節點。

3 模型運行實現

遠程方法通信實現基于公共對象請求代理體系結構(common object request broker architecture, CORBA)服務完成,CORBA是由對象管理組織(object management group, OMG)指定的一種標準的面向對象應用程序體系規范,在將包含遠程方法的VIO對象映射為CORBA的接口描述語言(interface definition language, IDL)文件并生成相應的目錄結構之后,可進一步生成支持遠程方法通信的客戶端和服務端代碼。但是,并不能直接使用CORBA服務的通信功能,模型開發人員需編寫VIO對應CORBA對象的引用綁定和引用獲取方面的C++代碼,技術難度較大,使用不方便。遠程方法通信子模型將煩瑣的任務封裝起來,使其對模型開發人員透明,模型開發人員不需要關心其通信的具體實現機制,僅需調用開放的遠程方法應用編程接口(application programming interface, API)編寫實現邏輯即可,極大地方便了試驗程序的開發[29-30]。由客戶端和服務端來完成遠程方法通信的底層實現,信息的交互要通過對象請求代理(object request broker, ORB)來完成訂閱單元的信息交互。如圖2所示,在模型層將VIO中的遠程方法封裝在RemoteMethodsImpl類中,該類繼承自遠程方法實現接口。遠程方法實現包括以下6類:遠程方法接口類、遠程方法工廠接口類、代理類、攔截器調用類、公共ORB體系結構服務者實施類和服務者類。其中,還包括郵局協議(post office protocol, POA)。

圖2 遠程方法通信實現子模型的設計類圖Fig.2 Design class diagram of remote method communication implementation submodel

6類通過工廠模式、委派模式、攔截器模式,協作實現了遠程方法實現和遠程方法調用與CORBA客戶端和服務端的解耦。CORBA的服務者類中,委派一個攔截器調用類成員,攔截器調用類繼承自遠程方法接口類,其中對一個遠程方法接口類進行引用,同時采取Delegate模式將自身委托給遠程方法接口類。與此同時,公共ORB體系結構服務者實施類調用攔截器調用類成員的方法,該方法需繼承自服務端所提供的POA_Servant,用攔截器的模式來實現服務端所提供的所有遠程方法的接口。

遠程方法云服務子模型采用私有云模式,只有參與LVC裝備試驗仿真遠程方法通信的模型才能管理云。以資源共享為基礎,所有模型均可使用云服務端的遠程方法,并認為在某一時刻可由自身獨立使用。在LVC裝備試驗仿真系統中布設的所有節點均屬于云服務端,該計算機機群同時又隸屬于可實現遠程方法調用的單元機群,故而各個模型中都可以包含屬于自己的遠程方法。遠程方法云服務子模型的工作流程如圖3所示。

圖3 遠程方法云服務子模型的工作流程圖Fig.3 Workflow diagram of remote method cloud service submodel

用于實現遠程方法的Agent是用于輔助完成遠程方法實現的代理,即遠程方法邏輯填寫并編譯通過之后,在仿真運行過程中可通過相應的Agent進行實現。遠程方法云服務子模型端為每個遠程方法實現創建一個或多個Agent,并根據實際的LVC裝備試驗仿真需求靈活累加。需求包括云服務端機群的計算性能不足以滿足仿真性能,需要分布式并行計算;LVC一體化仿真系統在之前所用的仿真模型基礎上又增加了其他模型,需要再增加Agent完成遠程方法的計算;為滿足某特殊計算需求,在云服務端機群中增加相應的高性能計算機,使用該計算機完成遠程方法計算等。當Agent沒有計算工作時,將其標志位設為0,當Agent正在參與遠程方法計算時,將其標志位設置為1。遠程方法Agent實現流程如圖4所示。

圖4 遠程方法Agent實現流程圖Fig.4 Flowchart of remote method Agent implementation

例如,LVC裝備試驗仿真系統中有5個模型需要調用遠程方法a,云服務端可為遠程方法A創建5個分布于云服務端的實現單元機群的Agent,并將其初始標志位設為0。當程序運行到某個時刻時,模型1調用遠程方法a,云服務端綜合考慮網絡現有資源,將Agent1分配用于遠程方法實現。此時,Agent1的標志位設為1,完成計算之后,標志位重置為0。模型2調用遠程方法A,云服務端將Agent3分配用于遠程方法實現。此時,Agent3的標志位設置為1,完成計算之后,標志位重置為0;依此類推。

優化調度策略子模型,通過優化調度策略實現遠程方法訂閱單元的優化調度,優化網絡資源。為了提高遠程方法的訪問效率及減少訪問時間,縮短程序執行時間,降低仿真執行延遲,優化調度策略子模型對LVC裝備試驗仿真任務(任務依賴關系、計算成本等)和實現單元機群的軟硬件性能進行分析(計算機顯卡、CPU使用率、內存使用率、吞吐量等),合理進行模型節點分配,使遠程方法實現的效率達到或接近最優。通過遠程方法云服務子模型調用優化調度策略將實現遠程方法的Agent合理分配到計算機機群中的相應計算機(即模型節點)中,仿真運行過程中不再動態創建或變更遠程方法的實現Agent,保證系統運行過程中不再增加仿真系統的運行負擔。Agent合理分配在仿真試驗前完成,仿真試驗是指模擬訂閱者提供訂閱需求,通過遠程方法通信實現子模型傳給遠程方法云服務子模型,優化調度策略子模型提取訂閱需求后根據優化調度策略挑選出能夠完成訂閱需求的模型節點,并由該節點對訂閱者的需求進行反饋。例如,LVC仿真系統中含有m個遠程方法,p個模型,n個節點,每個節點的計算性能各不相同,則可以為每個遠程方法最多創建n個Agent。為合理分配網絡資源,最大限度地減少仿真程序的執行時間,優化調度子模型采用近似優化算法,假設節點ni分配的是模型pi調用的遠程方法a的Agent1,Agent1在節點ni上的實現時間為ta,節點ni上實際分配的是模型pi調用的遠程方法b的Agent2,Agent2在節點ni上的實現時間為tb,應使Δt=|ta-tb|接近于零。近似優化算法的原則如下:

(1) 不斷移動每個節點需要實現的遠程方法的Agent,使得各個節點的Δt不斷變小;

(2) 如果把ni中某一遠程方法的Agent移動到nj中,使得ta和tb都變小,則移動該遠程方法的Agent;

(3) 如果把ni中某一遠程方法的Agent和nj中某一遠程方法的Agent交換,使得ta和tb都變小,則交換兩個節點分配遠程方法的Agent。

運行序列圖如圖5所示,序列如下:

(1) 訂閱單元根據需求通過遠程方法通信實現子模型向遠程方法云服務子模型的云服務端提出遠程方法訂閱需求,云服務端根據訂閱需求找到相應的遠程方法。

(2) 遠程方法云服務子模型根據優化調度策略子模型的近似優化算法,綜合評估計算機機群節點的軟、硬件性能,合理進行模型節點分配,使遠程方法實現的效率達到或接近最優。

(3) 遠程方法云服務子模型得出優化調度策略之后,根據訂閱單元的個數為遠程方法創建相應個數的實現Agent,并將Agent分配到合理的計算機機群節點中。

圖5 運行序列圖Fig.5 Operation sequence diagram

(4) 訂閱單元為其遠程方法的實現Agent提供輸入,Agent根據輸入完成遠程方法的復雜計算,并將計算結果反饋給遠程方法云服務子模型。

(5) 遠程方法云服務子模型通過遠程方法通信實現子模型將計算結果反饋給訂閱單元。

4 模型算法驗證

邏輯靶場的實際部署方式示意圖如圖6所示,虛實實體的信息時延是指從仿真網的發送端傳遞到接收端所消耗的時間,包括傳輸時延、傳播時延、排隊時延、處理時延。傳輸時延,是指從數據幀第一個比特到最后一個比特全部傳輸完畢的時間,與計算機處理性能、數據包大小有關,時間單位通常為ms級。傳播時延是指電磁波在無線鏈路上傳播所消耗的時間,其往返于我國距離最長兩地域間的時間約為40 ms。排隊時延是指數據在隊列中排隊等待和被處理過程中所消耗的時間,單位通常為ms級或μs級。處理時延是從數據包首部分析到數據提取、從數據調度到路由選擇、差錯檢驗等過程所消耗的時間,單位通常為ms級或μs級。排隊時延和處理時延一般較難計算,通常與數據包大小,先前已經到達的以及目前正在等待的數據包數量,以及交換機、路由器、中間件調度模型的性能有關[29-32]。

圖6 邏輯靶場的實際部署方式示意圖Fig.6 Schematic diagram of actual deployment method of logical range

模型算法性能測試是在條件變量可控、可重復的條件下,對模型進行的接近實際應用狀態的測試。這里假設虛實實體間能夠實時交互,因此將仿真步長定為50 ms。由于要按LVC仿真系統規定使用等步長推進和事件隊列原理,并在步長結束時,對發生在步長時間內的所有事件合計進行匯總,因此,減去傳輸時延,往返于我國距離最長兩地域間的40 ms傳播時延,以及局域網、交換機、路由器性能造成的排隊時延和處理時延,將模型時延要求定為小于1 ms標準。考慮裝備體系試驗仿真的規模大約為30個節點,以及仿真的可信性,因此將模型性能標準定為:標準測試環境下,模型時延要求小于1 ms,云服務環境可承載大約30個節點同時提出訂閱需求,并且調度成功率均大于95%,丟包率為0。

為了忽略數據包傳輸時延,更精確地測量出調度模型的性能,實驗測試環境采用千兆局域網,使用6類網線連接,單根網線長度不超過5 m,網絡拓撲圖如圖7所示。仿真系統包括計算機3臺,其中1臺計算機通過并行發送數據包來模擬一定數量的訂閱需求節點同時發出的訂閱需求;2臺計算機模擬云服務環境中的計算機機群,調度模型基礎環境和其他所需軟件環境均已在仿真系統中部署完畢。設置3臺計算機的軟硬件性能、包含的遠程方法、模型個數均相同。由于該測試具有一定的抽象性,因此可以得到具有度量價值的測試結果。

圖7 實驗測試網絡拓撲圖Fig.7 Topology diagram of experimental testing network

假設訂閱需求的數據包大小為1 kB,調度模型允許最大時延為1 ms,測試同時提出訂閱需求的節點數分別為1、10、30、40時,調度模型處理訂閱需求所需時延的大小,分別模擬1 000次,測試結果統計如圖8所示。可以看出,隨著提出訂閱需求的節點數量的增加,調度模型處理訂閱需求的時延在逐漸增加,節點數為1、10、30、40時,平均時延分別為0.42 ms,0.57 ms,0.93 ms,1.24 ms,這是因為云服務環境中服務器性能和分配的Agent資源有限。當節點數為30時,處理時延接近1 ms,節點數為40時,處理時延已經超過1 ms,說明在該測試環境下,云服務環境最多可承載大約30個節點同時提出訂閱需求。如果需要增加云服務環境承載量,就需要在環境中增加服務器數量,使到來的訂閱需求可分配到更多的Agent資源,或者提高服務器性能。在固定訂閱需求節點數量后的每1 000次的模擬過程中,模型處理時延會在平均值上下浮動。但是,也會出現一些離群點,例如節點數為1、10、30、40時,最大時延分別為0.61 ms,0.90 ms,1.37 ms,1.86 ms,這是因為云服務環境中,最多可分配兩個Agent。為合理分配網絡資源,最大限度地減少仿真程序的執行時間,優化調度子模型采用近似優化算法,使Agent1在服務器1上的實現時間t1與Agent2在服務器2上的實現時間t2的差值Δt=|ta-tb|接近于零。同時,雖然使用了優化算法由于服務器性能有限,會出現在處理過程中訂閱需求排隊等待的現象,便造成了離群點現象,但調度成功率都在98.5%以上,丟包率為0,符合模型性能要求,測試結果統計表如表1所示。

圖8 測試結果統計圖Fig.8 Statistical chart of test results

表1 測試結果統計表Table 1 Statistical table of test results

5 結 論

本文通過遠程方法服務完成訂閱單元與實現單元的通信需求,相比業內通用的發布訂閱模式,減少了網絡通信量,數據僅在有訂閱需求時才定向傳輸到相應的節點;通過云服務技術降低了數據傳輸延遲,遠程方法的實現被以最優的方案分配到相應的計算機機群節點中,合理使用網絡資源,在計算量和通信量方面提高了LVC一體化仿真系統的執行效率。該方法與現有方法相比,具有如下優點:

(1) 基于遠程方法模式構建LVC一體化仿真系統,能提供及時、可控的遠程通信和模型處理。這是因為該遠程方法采用VIO通信機制,當訂閱單元的訂閱需求為中間件對象時,能夠調用VIO的遠程方法來完成實現單元和訂閱單元之間的信息傳輸,進而完成模型間的緊耦合通信和模型間的主從調用關系。

(2) 基于遠程方法模式構建LVC一體化仿真系統,能最大限度地利用網絡資源處理遠程方法實現邏輯,縮短方法執行時間,提高執行效率。這是因為該遠程方法模式同一時刻支持訂閱單元與遠程方法之間多對多的調用關系,并且根據不同的遠程方法調用需求,通過創建相應的Agent實現遠程方法的復雜計算。即通過綜合評估計算機機群的軟硬件性能,優化網絡資源,合理進行模型節點分配,通過基于Agent機制的近似優化算法實現遠程方法Agent在計算機機群中的合理分配,優化網絡資源,實現負載均衡,提高訪問效率,減少訪問時間,減少仿真延遲,從而完成遠程方法實現的優化調度,使遠程方法實現的效率達到或接近最優。

(3) 基于遠程方法模式構建LVC一體化仿真系統,具有很好的擴展性。這是因為該遠程方法模式使得訂閱單元僅需調用該遠程方法的接口提出訂閱需求,根據訂閱單元的訂閱需求,將實現遠程方法的Agent在云服務端的計算機機群中進行合理分配。這使得試驗人員可在仿真試驗開始前動態增加計算機機群節點,但在仿真運行過程中不再動態創建或變更遠程方法的實現Agent。