基于大数据切片流概率稳定调控机制的云网络数据评测算法∗

赵 铎

（陕西交通职业技术学院 西安 710018）

1 引言

随着云网络技术的不断发展，各种不同制式不同源终端的数据结构复杂程度也不断提高，采用一定的数据评测机制实现对网络中切片流进行调度预估，实现云网络数据高效稳定的运行，成为当前业界研究的热点领域之一［1］。然而考虑到云网络中数据流往往以切片形式进行调制、发送、存储，且具有并发评估的特性，传统网络数据评测均基于简单的CS模式，须建立专用的客户端-服务端交互机制实现精确评估，该种模式难以适应云网络中的切片评估模式，因此需要采取新的评估方式以便满足云网络中诸如高清视频业务等片式数据流新业务［2］。

考虑到当前云网络数据评测过程中存在严重的稳定性不足的问题，且评测过程中往往单纯从切片角度对网络业务资源进行调度，难以实现对评测过程及调度过程的精确化。对此，诸多学者提出可以采取概率覆盖的方式对网络中数据流进行评测，实现在云网络条件下对业务数据流的定向匹配［3］。如Di.L［4］等提出了一种随机节点片式监测机制的云网络数据评测算法，通过区域次节点的方式对网络数据进行用户分组调度指令的发送，能够在恶劣的网络环境下实现对大数据流的稳定评测调度，仿真实验表面该策略能够在用户节点竞争激烈的情况下实现较好的评测稳定性能。但是，由于该策略对大数据流切片过程中的调度烈度考虑不足，因此当网络中用户节点数量较多时极易导致严重评估失效现象。Niu B［5］等提出了一种基于片拥塞控制技术的云网络数据评测算法，该算法证明通过适当的拥塞调度机制能够实现对全部业务资源的覆盖，随后的仿真实验证明该评测算法能够在云网络节点处于较低流动性状态下实现较高效率的数据评测调度。然而，该解决方案脱胎于传统固定式云网络评测体系，未对网络数据处于高速流动状态时进行有效评估，若节点处于流动状态，则该机制将因网络业务流漂移严重的原因导致严重的用户体验下降。Shengli.Z［6］等考虑到云网络数据具有的随机特性，提出可以依据数据的统计规律进行数据建模，从而实现数据模型与实际业务流的一一匹配。然而由于该算法评测过程中需要链路抖动保持在较低的水平，一旦信道噪声干扰严重，导致业务数据流也呈现抖动特性，则会导致严重的网络拥塞现象，使得评测过程出现严重的二次抖动现象。

为了解决上述不足，本文提出了一种基于大数据切片流概率稳定调控机制的云网络数据评测算法，采取基于概率层次差和业务数据带宽并发概率评测的机制，对网络中的业务流涉及的时间及资源量进行评测，且能够在评测过程中实现对网络数据带宽的并发排序，从而使得网络业务流的得到均衡，且能够实现高效评测。最后采用了Matlab仿真实验环境，验证了本文方案具有的优越性能。

2 本文云网络数据评测算法

当业务数据在云网络中进行传输时，业务资源是以切片形式在网络中以大数据并发态势进行传输的，因此需要采取一定的评测方案进行优化调度［7］。若云网络节点处于带宽或者缓存首先状态时，切片数据的并发传输将处于严重的受阻状态，且节点将由于传输受阻而频繁发生数据重传现象，导致网络出现严重数据拥塞。为改善该种情况，需要综合考虑大数据切片流、节点带宽及节点传输能力并进行资源评测，从而实现数据的高效传输［8］。

对于云网络中随机的大数据切片而言，其传输可以按照切片数量、节点剩余带宽、节点总传输带宽三种维度来进行评测［9］。因此本文在上述维度基础上，采取基于概率层次差和业务数据带宽并发概率评测的方式，从而便于进行大数据切片的评测，整个评测过程由切片评测和带宽评测两部分构成：

2.1 基于大数据切片中心分布概率PT(x)的切片

评测

大数据切片在进行调度时，传输节点对该切了的调度可由传输周期内切片被送入该节点的带宽分布梯度及带宽颗粒度来决定［9］。在某个时间点t0抵达传输节点的切片流满足泊松分布，特征参数为λ，传输节点能够正常服务的时间X服从相同的分布且节点传输带宽与切片中心分布处于互相独立的状态。因此整个大数据切片的期望程度NQ为：

首先对传输节点的传输带宽进行评测，假如传输节点剩余带宽的分布概率与大数据切片中心分布处于同一变化规律，则大数据切片能够被正确评测的概率PT(x)将能够满足传输需求。倘若传输节点能分配的带宽小于大数据切片，且下一时刻均无有效改善，则本次数据评测过程将失效，即

2.2 基于业务数据带宽的二次评测

首先根据大数据切片在传输节点上的业务数据带宽并发概率 p'来确定传输概率Pr(x)，确保切片流能够在有效评测的基础上实现高效传输。

由于业务数据带宽并发概率Pr(x)对传输概率不具有同一性，因此可基于该种特性实现传输概率Pr(x)的稳定性，即：

其中传输概率 p'为按照时间规律发生变化，可由按如下模型进行表述：

其中 p为业务数据带宽并发概率 p'对传输概率的时间变化因子，该因子满足狄克维多函数分布规律。

不妨设当前业务数据带宽为Fc传输节点提供的可调度资源总量为Fp，传输节点的带宽稳定服务概率为Nnest，则当前业务数据带宽Fc的有效评测概率PFC满足：

传输节点的传输能力与概率层次差Δ为覆盖关系，及概率层次差Δ越大，则接入业务数据带宽并发概率的适应性能也就越好，因此抽取概率层次差最大的时刻Δt，整个覆盖关系Δs满足：

经简化，模型（6）可以写为

故当前业务数据带宽Fc在传输节点的可调度资源总量Fp固定时，传输节点的带宽稳定服务概率Nnest满足：

据此可求得业务数据带宽被户成功服务的概率Pmax满足：

据模型（10）访问概率Pmax＞0.5时，则当前时刻的业务切片能够得到有效的服务，且能够实现高效传输。

上述步骤可归纳为

Step 1：根据业务数据切片大小，以根据就近原则调度邻近及诶点进行处理；

Step 2：对业务数据切片的大小进行排序，见图1，按照模型（2）～（4）进行第一次资源匹配；

Step 3：进行完上述两个过程的评测，在每一次业务数据切片进行切换的时刻，直到下一次业务数据切片被调度为止，完成本次业务数据切片的评测工作；

Step 4：继续进行下一周期内的业务数据切片评测，直到业务数据切片传输完毕。

图1 本文算法资源调度步骤

3 仿真实验

3.1 仿真环境设置

为证明本文算法的优越性能，采取MATLAB仿真实验环境对当前常用的超带宽评估传输算法［12］（Ultra Bandwidth Evaluation Transmission Algo⁃rithm，UBET算法）、线性粒度评测传输算法［13］（Lin⁃ear Granularity Evaluation Transmission Algorithm，LGET算法）进行仿真对比，相关参数如下：

表1 仿真参数表

本文实验中，考虑到云计算网络节点的流动特性，本次仿真主要从大数据切片粒度、传输带宽两个变量，同UBET算法和LGET算法进行对比，对比指标为：切片传输带宽、传输节点剩余带宽、切片存储带宽、评测错误率四个指标。

3.2 结果比对

图2显示了本文算法与UBET算法和LGET算法在切片传输速率不断增大时切片传输带宽的对比，由图可知，本文算法的切片传输带宽较高，且稳定性能要好于对照组算法。这是由于本文算法能够通过传输带宽和业务数据切片两个维度进行针对性评测，当仅当业务数据切片与传输节点的剩余带宽处于一一对应时才进行业务切片的传输；对照组仅采用重传输机制，一旦数据评测过程受阻，则将由于频繁进行数据传输而导致严重的拥塞现象，因此切片传输带宽的性能要差于本文算法。

图2 三种算法的切片传输带宽

图3为本文算法与对照组算法在切片传输带宽不断增大时传输节点剩余带宽的测试数据。由图可知，本文算法在切片传输带宽不断增大时，传输冗余带宽的下降程度要显著低于对照组算法；这是由于本文算法的业务数据切片传输的评测过程具有的鲁棒性更高，且能够根据传输节点的实时冗余情况进行二次条件，可以有效地抵御突发流量的冲击。对照组算法由于仅采用简单的调度机制，若当前时刻传输节点剩余带宽较低，则需要等待剩余带宽恢复正常时才能够进行业务数据的评测，因此本文算法在传输节点剩余带宽的性能上具有明显的优势。

图3 三种算法的传输节点剩余带宽

图4为本文算法与UBET算法和LGET算法在传输节点冗余带宽不断增加时的切片剩余带宽测试结果。由图可知，本文算法的切片存储带宽要始终低于对照组算法，这是由于本文算法能够通过业务数据切片的方式不断降低传输节点中切片缓存的大小，能够在节点的传输能力不断增加时显著降低节点中的切片存储带宽；对照组算法由于在进行切片分发时采取随机分发的方式，当网络中节点数量增多时将导致严重的流量溢出的现象，因此本文算法的切片存储带宽较对照组算法要低。

图4 三种算法的切片存储带宽

图5显示了本文算法与UBET算法和LGET算法在传输节点负载不断增加时评测错误率测试结果，由图可知，本文算法和对照组算法均随着传输节点负载的不断增加，出现评测错误率不断增加的情况，这是显然的：随着传输节点负载的不断增加，传输错误率也随之增加，因此评测错误率也随之提高；然而本文算法的评测错误率提高幅度显著低于对照组算法，这是由于本文算法引入了梯度控制方式，能够在传输节点负载不断增加的情况下满足当前网络的存储需求，因此评测错误率较低，而对照组算法对此未加考虑，因此本文算法在评测错误率指标上具有显著的优势。

图5 存储错误率

4 结语

由于云网络资源评测过程中存在网络节点传输及评测能力受限，控制困难，评测维度较高等问题，容易导致因评测失误而出现严重的网络拥塞，从而降低云网络的传输性能。对此，本文提出了一种新的基于大数据切片流概率稳定调控机制的云网络数据评测算法，该方案通过综合评测业务数据切片的分布概率及传输节点的资源控制能力，采取节点传输资源带宽冗余性能进行资源评测控制，大大提高了网络的资源传输能力，增强了网络的数据评测效果，具有显著的实践意义。

下一步，将考虑本文算法对移动云网络适用困难的问题，通过引入流节点资源控制机制，提高本文算法对移动云网络中数据评测难题的解决能力，促进本文方案在实践中的进一步推广使用。