異構混合云服務下的多任務算力度量方法

馮漢棗,黎元寶,劉運奇

(聯通(廣東)產業互聯網有限公司,廣東 廣州 510320)

云計算造成數據量出現了爆發式增長,過多的數據量傳輸也會給當前網絡任務調度帶來較大的壓力。為避免上述問題,應從多方面對網絡的靈活度、協同計算等能力進行優化,以此滿足目前時代下的網絡數據處理能力需求[1-2]。在以上分析描述的基礎上,要想減輕網絡云計算壓力[3-4],需要以現代信息化的核心驅動力多任務算力為主,對網絡云計算開展結構性優化。而多任務算力可以作為互聯網時代的基礎指標,將多種信息轉化成可識別特征。為了更好地應用多任務算力方法,應對多任務算力度量開展研究。

針對任務處理的方法比較成熟:文獻[5]提出一種多核系統任務調度算法動態度量方法,該方法首先構建了多核系統功能模型,利用一種多核系統動態度量方法對任務進行度量,根據度量結果完成對任務調度的功能驗證及性能評價,有效實現了任務動態度量,但該方法的度量結果存有誤差,存在度量性能低的問題。文獻[6]提出基于任務發生關系的流程模型相似性度量方法,該方法優先分析了多任務數據節點的編號及算法,從中確立三種發生關系,以此構建相似性度量模型,利用該模型對多任務流程實施相似性度量,該方法的分析結果及計算結果不全面,存在度量效果低的問題。

完整度量網絡中的多任務算力,對網絡任務調度至關重要。異構網絡中混合云服務下的任務數據量復雜程度較高、數據維度高,影響多任務算力度量的效率及完成率,提出異構混合云服務下的多任務算力度量方法。

1 異構混合云服務系統構建及多任務算力指標特征提取

1.1 異構混合云服務系統分析

由于傳統的多任務算力數據在度量時存在數據量過大、復雜程度較高的問題,影響多任務算力數據度量效果,為提升整體度量效果,構建異構混合云服務系統,從系統中采集多任務算力數據,以此減少數據度量復雜度,有利于后續對多任務算力數據特征的提取及度量。

(1)虛擬化云數據庫

以往數據庫的虛擬化只需將數據庫安置到虛擬機內即可,但這種操作存在潛在缺陷。如今在原始系統的基礎上設置單獨的虛擬機技術,從而實現虛擬機的獨立安裝,系統內可以獨立虛擬出多種設備,以此隔絕外界資源,避免出現資源浪費的問題。

為避免以上問題,根據虛擬容器及虛擬機實現原理,將Docker作為云數據庫虛擬化的主要技術,該技術具備可以偽裝云端虛擬機的HOST進程,從而實現云端多任務資源的分配,同時還可以共享主機的內核及硬件。因而只需利用Docker技術即可完成云數據庫虛擬化的部署[7]。

(2)數據交換及云端數據服務接口開發

云數據庫虛擬化完成后需要設定異構混合云服務數據庫的交換格式。JSON是一種由歐洲計算協會制定的子集,其本身有著體積小、跨語言、易解析的優點,因而將JOSN用作異構混合云服務的數據庫表示格式。

傳統的SOAP WebService開發服務層接口有著效率低、操作性差的劣勢,所以采用輕量級構架Restful WebService作為云端數據服務接口,與傳統接口相反,Restful WebService更加簡潔,效率更高,可以在系統內面向多種服務,有利于軟件的開發及拓展性,同時還可以減小異構混合云服務系統的復雜性及耦合性。

(3)異構混合云服務系統分析

根據以上操作,構建的異構混合云服務系統主要由服務層、云數據庫服務接口、多任務算力調度層及兩個接口形成[8],建立的異構混合云服務系統如圖1所示。

圖1 構建的異構混合云服務系統架構圖

由圖1可知,用戶從應用層向外發出多任務操作請求,多任務經接收后被提交到異構混合云服務數據庫應用服務接口內,通過對發出任務的解析,將解析結果傳輸至算力調度層,對任務集合轉換后輸送到云數據庫處理接口中,不同的接口可發出不同的算力執行指令,將指令轉換成JOSN格式后,算力數據被輸送到客戶端,此時系統完成了對多任務算力數據的管理。從以上操作可以看出,異構混合云服務系統可以有效管理多任務數據,降低多任務數據的復雜性,便于對多任務數據的采集及處理。

1.2 多任務算力指標特征集

從上文的異構混合云服務系統中采集多任務算力數據,再采用EDLSFS算法從系統內提取多任務算力指標特征集,通過對多任務算力特征集的標識及量化,獲取多任務算力度量值,以此構建算力度量矩陣,實現多任務算力度量。

在異構混合云服務系統中,有效距離可以反映出多任務算力過程的動態結構,取得多任務算力數據動態結構信息。在多任務算力數據特征學習中,利用有效距離向系統內引入動態結構信息,以此提升多任務算力數據指標特征提取[9]。本文選取有效距離、多任務算力數據樣本相似度、拉普拉斯分數表示指標特征。

根據以上描述,設定在異構混合云服務系統內有一定的路徑子集可以對多任務算力數據的動態結構實行有效控制,因而設置多任務算力數據樣本關聯矩陣由P定義,而各個數據節點之間的轉移概率就標記Pab(0≤Pab≤1),其中a、b均定義為數據節點,節點a、b之間的有效距離就用下式定義:

Dab=(1-lgPab)

(1)

式中,Dab表式有效距離。

從方程(1)可知,當節點a、b之間的轉移概率越小時,說明兩者之間的距離越長,反之則越小。這主要因為P屬于非對稱性,所以多任務算力數據節點之間的有效距離矩陣也是非對稱的。

基于有效矩陣D獲取多任務算力數據樣本相似度,定義如下:

(2)

式中,S定義相似度矩陣,ij標記樣本數據數量,λ標記高斯函數寬度,e標記樣本誤差,Dij標記有效矩陣元素,Sij標記矩陣元素。同時Sij也對多任務算力數據樣本xi及xj的相似性表示。

計算多任務算力數據樣本第r維特征的拉普拉斯分數,表示如下:

(3)

2 多任務算力度量

2.1 多任務算力特征的標識及量化

根據以上提取的多任務算力指標數據特征,多任務算力特征開展標識及量化。

優先構建度量模型,并利用該模型向提取的多任務算力數據特征實施映射操作,構建的度量模型用下式定義:

RGPS=Role+Actor+Depend

(4)

式中,Role標記多任務算力行為及職責,Actor標記特定意圖的實體,Depend標記多任務算力目標對另一目標實現的依賴。

基于方程(4)實現度量模型的構建,利用該模型映射多任務算力數據特征,定義如下:

IF:RGPSM→FS

(5)

式中,RGPSM標記模型的集合,同時滿足RGPSM={m(i)|i=1,2,…,|RGPSM||}條件,其中,m(i)標記集合中第i個模型。IF標記多任務算力指標數據特征集合,滿足IF={f(k)|k=1,2,…,|IF||},其中f(k)標記第k個多任務算力特征。FS標記多任務算力數據特征狀態集合。

2.2 度量模型實例化

通過該方程表達式實現模型對多任務算力數據特征的映射,以此對度量模型開展實例化處理,用方程表達式定義如下:

α=IF(m),m∈RGPSM

(6)

式中,m表示具體的度量模型,α標記特征狀態序列。

上述表達式主要利用特征集IF實例化模型m的流程,從模型m中得到指定的多任務算力數據特征狀態序列,而α即為m的實例。當α=1或α=0時,即可對確定的多任務算力特征序列排序。

在表達式(6)的基礎上,對模型集RGPSM實施實例化操作,用下述方程定義:

MIM=[α(i)]=[IF(m(i))],

i=1,2,…,|RGPSM|

(7)

式中,MIM標記模型實例矩陣,α(i)標記對模型m(i)的實例化處理。

2.3 建立多任務算力度量矩陣

通過對模型及模型集的實例化處理,對其開展相似性計算,從度量模型中取得多任務算力能力,以此提升多任務算力度量效果。因而采用杰卡德系數[10]對模型的實例相似性計算,其計算結果即為多任務算力度量能力,標記如下:

(8)

利用區分器及權重可以對表達式分母的模型狀態及屬于0的多任務算力特征過濾[11-12],還可以排除分子中模型與多任務算力特征不具備一致性的特征狀態,最終取得與度量模型相對應的多任務算力能力計算結果。

通過方程(8)獲取了模型的多任務算力能力,依據計算結果構建多任務算力度量矩陣IMM,該式表示如下:

IMM=[MI(m(i),m(j))],m(i),m(j)∈RGPSM,

i,j=1,2,…,|RGPSM|

(9)

2.4 多任務算力度量

依據以上研究,獲取多任務算力度量流程,詳情如下所示:

(1)多任務算力數據特征標識及量化

利用方程(5)～方程(7)對指定的多任務算力特征集IF及構建的度量模型開展標識及量化,以此輸出RGPSM、MIM。

(2)度量模型多任務算力能力計算

將上述輸出的RGPSM、MIM輸入表達式(8)中,從中計算出模型內的多任務算力能力結果,即MI。

(3)構建多任務算力度量矩陣

將取得的MI代入表達式(9)中,以此構建出多任務算力度量矩陣,通過該矩陣實現對多任務算力能力的度量。

基于以上流程,實現基于異構混合云服務的多任務算力度量方法。

3 實驗與分析

為了驗證基于異構混合云服務的多任務算力度量方法的整體有效性,需要對該方法開展實驗對比測試。采用基于異構混合云服務的多任務算力度量方法(方法1)、一種多核系統任務調度算法動態度量方法(方法2)和基于任務發生關系的流程模型相似性度量(方法3)實施對比測試。

3.1 多任務算力度量耗時性能測試

為測試三種方法的多任務算力度量性能,在構建的異構混合云服務系統中抽取500個任務算力數據集,采用三種方法對多任務算力特征數據集實施度量計算,根據三種方法的度量耗時,驗證三種方法的性能表現,詳情如圖2所示。

圖2 不同數據集的任務算力度量耗時測試

分析圖2中的數據發現,方法1對500個多任務數據集的算力度量耗時為3.6 s,方法2和方法3的多任務算力度量耗時分別為10.2 s及13.6 s,均高于方法1,可見方法1的整體度量耗時性能表現最佳,驗證了方法1的多任務算力度量效果最優。這是因為本文方法通過構建異構混合云服務系統提取了多任務算力數據的特征集,通過度量模型實現了多任務算力特征的量化,提升了多任務算力度量的效率。

3.2 多任務算力度量完成率性能測試

在異構混合云服務系統內選取大量任務算力數據信息,經過分析,獲取系統中需要度量的500個任務算力數據集,由此構建任務算力模型,從中取得一個任務算力數據,定義如下:

TF1≤GXZC

(10)

式中,TF1表示任務算力數據,GXZC表示任務類型。

設置異構混合云服務系統能力函數為g(t),表示在異構混合云服務系統中成功完成任務算力度量的能力,g(t)也屬于周期函數,其周期為T;再設置任務算力強度函數由f(t)表示,表示系統內任務算力度量需求強度。根據以上設置結果,獲取任務算力度量強度函數與異構混合云服務系統的不規則能力曲線示意圖,詳情如圖3所示。

圖3 任務算力度量強度及系統能力曲線示意圖

由圖3可知,任務算力強度是超過異構混合云服務系統中成功完成任務算力度量的能力的。根據圖3獲取結果,采用方法1、方法2和方法3度量多任務算力數據,依據度量結果計算三種方法的任務算力度量完成率,以此驗證三種方法的度量效果,詳細測試如圖4所示。

圖4 多任務算力度量完成率對比測試

從圖4中可以看出,在度量任務算力數據時,方法1的度量完成率最高,平均值為88%,其余方法的度量效果明顯遜色于方法1,方法2的度量完成率平均值為61%,方法3的度量完成率平均值為70%。由此可見,方法1的度量完成效果最佳,這是因為方法1對多任務算力特征集實施了標識及量化,進而增強了該方法的度量效果,提升了多任務算力度量完成率。

4 結 論

針對過多的數據任務量會影響多任務算力度量效果這一問題,提出了基于異構混合云服務的多任務算力度量方法。該方法首先構建異構混合云服務系統,并從系統中采集出多任務算力數據,通過對該數據的特征集提取,對提取的特征進行標識和量化,從而提升整體度量效果。實驗結果表明,利用基于異構混合云服務的多任務算力度量方法能夠提升多任務算力度量的效率,提升算力度量完成率,實現整體度量。