基于凸优化的未来网络资源分配策略

尹然然

(安徽交通职业技术学院 城市交通与信息工程系，合肥 230051)

未来网络资源是一类以分布式计算方式作为基础的新型计算策略与服务形式，可以通过应用凸优化的处理技术为计算数据提供可变的存储空间与网络资源数量，因此现阶段该算法得到了众多研究人员的密切关注[1].当前，各类信息数据不断增加，对于数据处理速度也提出了新的要求，同时随着信息处理系统复杂度的持续提升，要求进一步整合未来网络资源架构，从而确保系统计算性能获得提高的前提下进一步减少运行成本[2-3].目前，也有较多学者开展了网络资源利用率、集群负载、任务运行时间、集群性能、能耗等研究，运用了不同的优化算法对网络资源进行分配[4]，之后在仿真平台上对各个算法开展了性能测试分析，取得了良好的单一目标优化效果，而关于综合考虑性能方面的内容还需进一步深入研究[5].

本文综合分析了云平台运行期间的网络资源动态分配、负载与传统粒子群的优势与缺陷，根据网络资源动态分配特征，通过窗口思想对网络资源的位置分配状况进行预测，并在对网络资源的分配速率与效果进行整体考虑的基础上，实现网络资源的高效分配；引入了凸优化，以完成未来网络资源多目标的优化处理.在建立了未来网络资源系统后，选择更加合理的网络资源初始化放置形式，也能够提高未来网络资源的动态分配速率.[6]所以，可利用凸优化完成集群中的网络资源初始化配置，以及运行阶段的网络资源分配过程.

1 未来网络资源分配过程

1.1 多目标网络资源的初始化配置

把n个网络资源编号组合为队列形式，再利用搜索算法获得与m个物理节点之间的对应关系，之后把网络资源放置在相应的物理节点上，实现优化目标.可以将群体的各粒子位置与速率表示成如下形式：

(1)

(2)

为实现算法从局部最优解中脱离，在凸优化中加入了全局搜索的思想.结合Metropolis准则，当温度等于T时，粒子达到平衡状态的概率大小是exp(ΔE/kT).此处，E代表在T温度下对应的粒子内能，而ΔE是内能变化量，k是Boltzmann常数.在粒子群内，可以通过目标函数来模拟内能E，同时用参数t来模拟温度T.对于全局搜索算法的模拟，则通过控制参数t以及初始解i实现，之后利用解的迭代形成新解，计算目标函数的变化量，接受或拒绝该新解，同时当每轮迭代结束后，根据比例降低t值，全局搜索公式为：

T(t+1)=α×T(t)

(3)

其中，α是模拟全局搜索过程中的冷却衰减因子，其值是比1.00略小的正常数.

1.2 网络资源动态分配过程

利用时间序列预测平滑指数模型对热点进行预测，明显降低了热点的误判概率，同时也减少了分配次数.如果窗口显示CPU利用率多次出现警告值大于阈值的现象，并且超出了预定次数，同时CPU利用率也在阈值设定范围之外，则可以通过平滑指数模型对后续CPU利用率进行预测，当其处于阈值的范围之外时则对其进行分配，反之在窗口的警告次数上加1但不进行分配.

结合历史数值，对后续CPU使用率进行预测分析.在第t+1时刻相应的负载见式(4)：

xt+1=αxt+α2xt-1+…+αn+1xt-n+αt

(4)

其中，α是对平滑指数进行预测的参数，是一个比1小的正数，用于预测后续窗口CPU利用率的影响程度；αt是正态分布中的一个随机变量，确保预测结果能够符合随机性特征.

未来网络资源对于目标的优化作用是降低分配次数以及网络资源的分配时间，从而实现目标优化过程，这对分配质量及效率都将产生显著影响.

选择CPU利用率与网络资源内存策略，对网络资源进行分配时要确保其具有良好的分配质量，得到式(5)所示的分配函数.

(5)

其中：UCPU代表网络资源的CPU利用率，Rram是网络资源内存大小.如果CPU的利用率过大，而内存空间不足时，Q值将较大.采用网络资源分配方式能够快速实现热点消除，CPU与内存的数据都较少，将使分配时间快速减小.

对网络资源进行分配时需对数据进行全面复制.式(6)给出了网络资源的评价公式.

(6)

其中，UCPU、Uram、Ustorage分别为网络资源的CPU、内存、硬盘的占用值,UFCPU、UFS与UFR分别代表网络资源的CPU、硬盘及内存容量.随着网络资源的利用逐渐增大，其体积也会随之增加，在分配时就需复制更多的数据量.所以，在搜索期间这种形式的网络资源很少会被选择.

对分配效果与时间进行综合分析，利用较少的分配时间并显著降低分配次数与节点利用率，以此确保未来网络资源能够长期稳定高效的运行，结果见式(7).

E=a×Q+b×V

(7)

其中，a与b都是权值.将a与b的值设定成相等的结果，将得到分配效果与时间都不是最佳的网络资源，对这两个方面实现了兼顾考虑，从而能够快速消除所有集群热点.

2 实验结果与分析

2.1 仿真环境

图1 不同k值算法收敛性

利用CloudSim模拟未来网络资源进行实验，为仿真测试总共构建400个两种物理节点，并创建了263个四类配置网络资源，每个网络资源各自都能运行5个未来网络资源任务.模拟实验总共进行了1周时间，对算法的长期稳定性与效率进行了测试.

2.2 参数设置

当k等于不同的取值时，惯性权重将表现为不同的曲线形式，从而对凸优化的搜索区域与收敛速率产生明显影响，结果见图1.

从图1可以发现，在k值等于2.0的情况下，惯性权重曲线表现为凹函数形态，采用粒子群搜索算法可以获得良好的效果，所需迭代次数较少，并可以迅速搜索到具有最小适应度的解.其中，表1显示了采用凸优化的各参数值.

表1 全局搜索凸优化的参数

2.3 仿真结果与分析

2.3.1 SLA违背率分析

SLA违背率实验结果如表2所示.

根据表2可知，违背率最高的是贪心算法，FIFS分配方法具有最低的SLA违背率.从长期运行状态看，FRAS在前期具有更高的SLA违背率，当运行时间达到4天之后，其SLA违背率比标准凸优化更低，而且不断降低，体现出了FRAS在长期负载中的优势.

表2 SLA违背率

2.3.2 物理节点的剩余网络资源利用率

表3显示了剩余网络资源的测试结果.

表3 剩余网络资源利用率

表3显示了不同算法的网络资源利用率，从中可以发现平均剩余网络资源保持稳定状态，当任务完成后，为确保网络资源能够进一步获得高效利用，要求集中放置低载节点网络资源.FIFS剩余网络资源在任务完成后不断增加，这是由于当任务完成之后，内存与CPU的占用空间都降低了.PSO具有良好的初期表现状态，但后续运行中无法获得较高的剩余网络资源利用率.FIFS则与PSO刚好相反，其前期剩余网络资源利用率较低，而在长时间的运行中表现出了更好的优化效果.由此可见，此分配策略能够达到更佳的长期集群网络资源利用率.

3 结论

本文对未来网络资源中的网络资源分配过程进行了深入研究，分析了各算法的网络资源利用率、SLA、分配次数与能耗方面的测试结果，提出了基于凸优化的未来网络资源分配策略，对该算法进行了优化处理，并将其应用到未来网络资源的初始化放置与动态分配中，确保系统具有良好的SLA，同时在其它各项性能方面也能达到均衡性.仿真测试结果显示，此方法具有良好的服务性能与网络资源利用率，同时也可以有效地降低能耗，并提高了未来网络资源性能.