基于云计算的高校实验室学生实验系统设计

韦昌有

(南宁学院 艺术设计学院，南宁 530020)

0 引言

在信息技术和互联网技术快速发展的今天，为了实现海量异构数据的高效处理，同时为了提高实验室的科学化、精细化管理，需要借助先进的软硬件系统建立相应的信息处管理系统[1]。云计算[2-3]技术的产生与不断进步，为大量数据的快速、精确处理带来了有效的解决手段。

文献[4]介绍了大规模流数据集成和实时处理所面临的挑战，并分析了相应的解决方案的可行性。文献[5]针对大量数据处理中所产生的任务调度问题，提出一种基于猫群优化算法的调度控制策略，实现了云环境下系统任务的高效管理。文献[6]利用整数线性规划方法解决计算中的计算资源分配问题，并对资源分配中的关键参数选取进行了优化。文献[7]针对基于云存储的数据中心的能量管理问题，提出一种基于虚拟机和整数二次规划的新型控制方法，对包含多台数据处理器的数据中心能量使用进行了科学规划。文献[8]提出了一种用于图书馆读者信息安全管理系统，利用云计算实现了系统信息的可靠检索与保护。

在以上研究的基础上，针对实验室信息管理系统性能亟需改善的事实，提出一种采用云计算思想的实验室信息系统升级方案：利用高性能计算机搭建用于分布式存储与分布式计算的终端配置，用于替换目前性能较低的硬件平台；基于免疫遗传算法建立云数据备份方案，用于故障发生时的应急处理，提高信息存储的可靠性；设计基于粒子群算法的任务分配与查询机制，实现信息系统的有效管理。在实验室实物平台上进行了实验，结果表明提出的架构和算法可以实现实验室信息的高效管理。

1 终端设计

计算机硬件系统是实现云计算存储、运算与查询的物理基础。鉴于目前实验室计算机运算性能较低，很难兼容云环境下的众多先进软件与算法，因此需要对硬件设备进行全面升级，从而为构造高性能实验室学生实验系统打下基础。

以目前较为先进的计算机系统配置信息为依据，选用的主要软硬件设备及基本配置如下表1和2所示。需要注意的是，单台计算机服务器的配置信息,如表1、2所示。

在选定实验室计算机服务器配置之后，需要将相同配置的多台计算机进行合理部署和连接，从而形成能够进行协调配合与统一调度的云计算互联系统。该实验室云计算硬件系统为由40个物理节点构成的云系统，包括2个控制节点、30个由主机构成计算节点(网络节点位于计算节点上)、8个存储节点。云系统硬件部署架构,如图1所示。

表1 计算机服务器配置信息

表2 计算机软件配置

图1 云计算物理架构

完整的硬件系统可以确保各类高级应用的有效实现，为云计算提供了可靠的物理支撑。由图1可知，该系统由计算机/服务器，监控中心，数据云，交换机，通信线缆组成。采用高性能服务器并利用由内网、外网组成的通信网络，形成了完整的云计算物理系统的设计。

2 核心算法实现

在实验室环境下，为了确保各类数据的安全可靠，除了凭借性能优异的硬件存储设备，还需要设计相应的故障冗余机制，从而提高系统应对突发情况的能力。此外，针对信息系统中数据的查询与任务调度，也需要配置相应的算法来实现系统的高效管理。

2.1 基于免疫遗传算法的故障冗余方法

免疫遗传算法是一种基于免疫原理与遗传算法的复合寻优算法，可以有效避免搜索陷入局部最优，广泛应用于多目标自适应寻优问题中[9]。数据安全性是云计算系统中极为重要的问题，为了避免故障造成的数据丢失，必须建立相应的冗余方法。

在建立包含存储成本、通信价格与带宽价格的数据恢复成本函数的基础上，设计基于适应度函数的免疫遗传算法，从而求解最优数据备份方案。

数据恢复成本函数C的表达,为式(1)。

(1)

式中i=1,…,n代表第i个数据块，Ri为数据块的数据量，Si为数据块存储成本，Ti为数据块存储时间，Ei为通信价格，Fi为带宽价格。

适应度函数f(s)的表达式为式(2)。

f(s)=αC+(1-α)D

(2)

式中s代表染色体，α为权重因子，D为数据恢复时间。

基于免疫遗传算法的云计算数据存储故障冗余方法的原理图如图2所示。

图2 基于免疫遗传算法的故障冗余原理

由图2可知，通过设置初始样本、适应度函数等，借助迭代算法，即可实现数据存储的冗余备份，提高实验室学生实验系统的数据安全性。

2.2 基于粒子群算法的任务分配与查询机制

粒子群算法是一种新型的进化算法[10]，可以通过迭代运算搜索问题的全局最优解[11]。在实验室学生实验系统中，为了实现任务的精确分配与海量数据的快速查询，需要设计高效的分配与查询机制。

在建立包含任务调度模型与数据查询模型的复合模型的基础上，利用粒子群算法对实现该复合模型的最优值搜索，从而实现云计算系统任务与数据的优化管理。

任务调度模型P的表达为式(3)。

(3)

式中m为云系统中的节点数，κ为任务数，δj为第j个节点的任务进度值，τj代表第j个节点正在执行的任务，λj为第j个节点的任务结束时间。

数据查询模型Q的表达为式(4)。

(4)

式中γj为第j个节点的数据量，ηj为第j个节点的数据完整度，φj为第j个节点的数据查询效率。

云计算系统任务调度与数据查询的复合表达为式(5)。

Z=P+Q

(5)

为了寻找式(5)所示的任务调度与数据查询的最优解，采用粒子群算法进行迭代运算,如图3所示。

图3 基于粒子群算法的任务分配与数据查询方法

由图3可知，通过对任务及数据进行随机分配，借助虚拟机技术和种群迭代算法，即可实现分配与查询的最优解，从而实现云计算中任务与数据的高效管理。

3 实验分析

为了证明所提实验室学生实验系统的硬件架构、通信网络与软件算法的优越性，对技术改造之前和改造之后的实验室信息管理系统的主要性能进行了对比分析。改造之前实验室学生实验系统仅包含5台服务器，每台服务器的配置为如表3所示。

此外，改造前的系统并不具备任何云计算功能与高级算法，仅可以实现简单的数据存储与查询。

利用同一组任务和数据对改造前后的实验室学生实验系统的性能进行了实验分析，结果如图4所示。

图4为与硬件性能直接相关的性能对比分析，由图4可知，改造后的实验室学生实验系统具有更高的运行速度和数据处理速度，因此更加适应云计算环境。

表3 改造前实验室服务器配置信息

图4 系统主要硬件性能对比

图5、图6分别为正常、故障情况下改造前后系统的数据存储性能对比分析，由实验结果可知，改造后基于云计算技术的系统在对数据进行存储和提取时的精度要远高于改造前的系统，且随着数据量的不断升高，基于云计算技术的系统仍保持着非常高的精度。反之，改造前的系统由于缺乏相应的信息处理能力，在故障发生时，其数据处理精度会大大降低，很难满足现代信息处理要求的快速增大。

图5 正常情况下改造前后系统数据存储性能对比

图7、图8分别为任务分配与数据查询精度对比图，由实验结果可知，改造后的系统在应对大量任务与数据时，具有更为优异的处理性能，在处理多线程并行任务时具有更高的工作效率，而在对大量数据进行实时检索时具有更高的精度。

图6 故障情况下改造前后系统数据存储性能对比

图7 改造前后系统任务分配精度对比

图8 改造前后系统数据查询精度对比

4 总结

云计算技术的快速发展极大地推动了数字技术、工业系统、机器人、无人驾驶、人工智能等新型领域的快速发展。为了适应技术进步的需求，本文基于云计算技术对实验室学生实验系统进行了全方位的优化升级，已达到充分整合各类软硬件计算资源，提高实验室学生实验系统运行效率的目的。首先，利用高性能计算机搭建了分布式存储与计算物理平台，为云可计算的应用打下坚实的物质基础；其次，利用免疫遗传算法建立了数据故障应对方案，提高系统的在故障鲁棒性，提升了系统的安全运行水平；最后利用粒子群算法设计了云计算中任务的分配与数据的查询方法，实现了信息系统的高效管理。在实验平台上对所体系统及相关算法进行了实验验证，结果表明与传统实验室信息系统相比，提出的架构和算法可以实现实验室信息的高效管理。