基于云计算的大数据中心资源分配方法研究

房明磊　耿显亚

【摘   要】   为解决传统资源分配均衡度低的问题，提出云计算设计大数据中心的资源分配方法。分析研究现状，提出大数据中心资源分配目标函数，基于云计算标定分配参数，对大数据中心资源动态分配量适应度排序，完成资源分配。实例分析结果表明，设计方法的分配均衡度明显高于对照组，能够解决传统资源分配均衡度低的问题。

【关键词】   云计算;大数据中心;资源分配方法;均衡度低

Research on Resource Allocation Method of Big Data

Center Based on Cloud Computing

Fang Minglei， Geng Xianya

（Anhui University of Science and Technology， Huainan 232001， China）

【Abstract】    In order to solve the problem of low balance of traditional resource allocation， a resource allocation method of cloud computing design big data center is proposed. Based on the analysis of the current research status， the objective function of resource allocation in big data center is proposed. Based on this allocation parameter， the dynamic allocation of resources in big data center is sorted by fitness to complete resource allocation. The results of case analysis show that the design method has a higher balance of resource allocation than the control group， which can solve the problem of low balance of traditional resource allocation.

【Key words】     cloud computing; big data center; resource allocation method; low balance

〔中圖分类号〕  TP391              〔文献标识码〕  A              〔文章编号〕 1674 - 3229（2021）02- 0010 - 04

0     引言

大数据中心通过特殊的网络虚拟专线，实现了大量数据资源的有机整合，为了提高大数据中心资源利用的共享性，大数据中心资源分配应更加均衡且合理优化。信息化社会的不断发展，人们对大数据中心的要求也愈加提高，大数据中心的用户逐步增加，由于不同时间段内大数据中心资源的荷载量不同，经常导致大数据中心信道出现资源分配不均衡的情况，需要对大数据中心资源实现均衡分配。由此可见，资源分配方法是实现资源均衡分配的重要手段。大数据中心资源基数大、类型复杂，对大数据中心资源分配造成了很大的困难[1-2]。本文基于云计算设计大数据中心资源分配方法，致力于通过云计算极大程度地提高大数据中心资源分配均衡度。

1     云计算

云计算技术是当前各领域中广泛应用的一种数据技术手段，同时也是近几年来开发出的以分布式结构为主要特点的计算平台环境。通过云计算的实际应用，能够有效提升各类数据、信息等资源与实际主机设备的相互连接，能够实现对各类虚拟资源的高效利用。同时，云计算在应用过程中，也逐步体现了其成本低、效率高、适应性强等优势[3]。通常情况下，云计算平台包含了四个基本层次结构，分别为上位机显示层、中间层、分析处理层以及服务器终端层。不同层次能够实现云计算平台的不同功能，并且能够保证各项任务的高效和精准完成。基于此，下文将展开基于云计算的大数据中心资源分配方法设计。

2     基于云计算的大数据中心资源分配方法

2.1   研究现状

在我国，传统的大数据中心资源分配方法主要通过计算大数据中心资源的阻抗函数，动态分配大数据中心资源。但这种方法在实际应用过程中存在分配均衡度低的现象，无法实现大数据中心资源均衡分配，导致资源分配效率低，证明传统分配方法仍存在不足之处，有待改进。为此，有必要针对大数据中心资源分配方法展开优化设计。大数据中心资源分配方法作为一种新兴分配方式，以往关注点在于用户端的输入量，对于客户端的资源信道均衡分配仍存在一些不足[4]。而基于云计算，能够通过分布式计算的方式，用于迭代求解，实现负载均衡，合理分配资源，进而提高分配均衡度，得到精准解。因此，应将云计算应用在大数据中心资源分配方法的优化设计中。

2.2   提出大数据中心资源分配目标函数

本文提出大数据中心资源分配目标函数，作为构建大数据中心资源分配方法的第一步[5]。考虑到在大数据中心中，每个节点执行的大数据中心资源分配任务不同，有大有小，并不能做到均衡分配，有的网络节点被分配的资源任务过多，就会导致节点耗能过大进而分配任务失效或者节点功能失效。为有效防止此现象的发生，设分配节点延迟最小目标函数为[minL]，可得公式（1）：

[minL=i=1MAi+TRij]                                  （1）

公式（1）中，[M]是大数据中心资源集合;[i]是资源分配次数;[T]是大数据中心资源分配时间;[R]是大数据中心资源接收端信噪比。通过公式（1），提出大数据中心资源分配目标函数。

2.3   基于云计算标定大数据中心资源分配参数

根据大数据中心资源分配目标函数，由于云计算需要估计的参数很少，本文基于云计算的负载均衡假定对其进行最大后验假设，使大数据中心资源属性之间相互独立。设大数据中心资源分配属性最大后验假定可按[N]的方程式计算，则有公式（2）：

[N=p（ci）p（x）j=1np（xjci）minL]  （2）

公式（2）中，[p]是大数据中心服务器个数，为实数;[ci]是大数据中心资源分配次数下的服务器最大资源容量;[x]是大数据中心资源分配具有最高后验概率的类;[n]是大数据中心资源分配过程中的资源浪费量;[j]是大数据中心虚拟机个数，为实数。通过公式（2），以大数据中心资源分配属性最大后验假定表示向量为关键参数，得到具有高区分度的表示向量，进而使属性之间相互独立，且属性之间的独立性能够被分类器所识别[6]。为提高大数据中心资源分配精度，设目标函数为[D]，则有公式（3）：

[D=ηLn+A=vηlogvp（vn（v））]       （3）

在公式（3）中，[η]是大数据中心资源分配结构特征的参数;[A]是中间向量;[v]是辅助向量。基于具有高区分度的表示向量标定资源分配参数，通过在表示向量目标函数中融合分配均衡因素，在一定程度上提高了资源分配均衡度[7]。在资源分配过程中，必须满足资源分配的规范化需求。通过不断调整资源分配参数，一方面可以利用具有高区分度的表示向量分配大数据中心资源，使得表示向量包含资源分配结构关系特征：另一方面表示向量又可以利用 朴素贝叶斯模型（Naive Bayesian Model）学习到资源分配的期望分配均衡度特征，从而得到标定资源分配参数的最优解。

2.4   大数据中心资源动态分配量适应度排序

完成对资源分配参数标定后，计算大数据中心资源动态分配量适应度，通过对大数据中心资源动态分配量适应度排序，实现对不同优先级资源的动态分配[8]。利用云计算划分大数据中心资源动态分配量适应度等级，从而避免在大数据中心资源动态分配过程中的冲突和低优先级队列饥饿问题。设大数据中心资源动态分配量适应度的计算表达式为[s]，则有公式（4）：

[s=Fi/i=1nFi]                                          （4）

通過公式（4），可以得出大数据中心资源动态分配量适应度。以此为依据，基于云计算分配量适应度高低排序机制，进行大数据中心资源动态分配量适应度排序。基于云计算的分配量适应度高低排序机制如图1所示。

结合图1排序机制，基于云计算，以大数据中心资源动态分配量适应度作为本次分配中的选择算子，利用突变进化的方式在保留大数据中心资源动态分配量多样性的同时，通过大数据中心资源动态分配量适应度排序，区分了大数据中心资源动态分配量之间的相似性。

2.5   完成基于云计算的大数据中心资源分配

通过大数据中心资源动态分配量适应度排序，构建完整的基于云计算的大数据中心资源分配方法，实现大数据中心资源均衡分配，如图2所示。

基于云计算采用八元组的方式表示大数据中心资源分配的目标函数，设目标函数表达式为[ω]，可得公式（5）：

[ω=（Pmin，B，O，L，h，z，M，Pmax）]             （5）

公式（5）中，[O]是资源分配路径;[h]是资源分配网络的平均连通度;[z]是资源分配路径上的通信资源量;[M]是大数据中心节点拥挤程度。在基于云计算的资源分配目标函数的基础上，通过比例公平算法，保证资源分配均衡性，设定[ω]的边界函数。设[ω]的边界函数的表达式为[?]，则有公式（6）：

[?=e1p1（t）+...+ekpk（t）=Θω]      （6）

公式（6）中，[e1]是资源分配发射功率;[p1]是每个大数据中心资源组合的平均速度;[t]是最大蜂窝信噪比;[k]是大数据中心资源节点个数，为实数;[Θ]是大数据中心资源分配阈值。在设定[ω]边界函数后，可得到完整的基于云计算的资源分配表达式，设其表达式为[ρi]，可得公式（7）：

[ρi=m.tmax（ω?）s.t1maxE（A）s.t2maxE（γ）s.t3P（w）>（1-θ1）θ2-r/?]   （7）

在公式（7）中，[E]是资源分配特征;[γ]是资源分配行为的解析参数;[θ1]是资源分配达到高质量的概率;[θ2]是资源分配低质量的概率。通过公式（7），以[ρi]取值最大为最优解，执行资源分配。

3     实例分析

3.1   实验准备

本文通过设计实例分析的方式，选取某大数据中心作为实验对象，随机抽取大数据中心中2个真实数据集作为大数据中心资源，分别为：Tyhusge数据集以及Cfisnja数据集，使用Ecldevgsdefsw Luna-SR3作为资源分配代码实现的开发IDE。为验证本文设计方法的优越性与先进性，实验对象选取某边长为10km的圆形区域，并设置200个通信节点，首先使用本文基于云计算设计的分配方法，分配大数据中心资源，通过Kerterly软件测得分配均衡度，记为实验组;而后使用传统分配方法，分配大数据中心资源，同样通过Kerterly软件测得分配均衡度，记为对照组。实验内容为测试两种分配方法的分配均衡度，分配均衡度越高，证明该分配方法的分配合理性越高。设置分配次数为20次，以每2次作为一个记录节点，记录实验结果。

3.2   实验结果与分析

整理实验结果，如表1所示。通过表1可知，实验组分配均衡度最低值在实验第20次时为1.29，对照组分配均衡度最低值在实验第16次时为0.53，实验组比对照组高0.76;实验组分配均衡度最高值在实验第16次为1.58，对照组分配均衡度最高值在第4次为0.78，实验组比对照组高0.8。可明显看出本文设计方法分配均衡度明显高于对照组，能够实现大数据中心资源均衡分配，具有实际应用价值。

4     结语

本文通过实例分析的方式，证明了设计分配方法在实际应用中的适用性，并证明此次优化设计能够解决传统资源分配中存在的缺陷。但本文同样存在不足之处，主要表现为未对实例分析结果的精密度与准确度进行检验，需进一步提高测定结果的可信度。这一点，在未来针对此方面的研究中可以加以补足。与此同时，还需要对大数据中心的优化设计进行深入研究，以期为提高资源分配的质量提供建议。

[参考文献]

[1] 杨世康，王长清，白维维. 基于大数据的无线通信频谱资源分批协作分配系统设计[J]. 现代电子技术， 2020（17）：28-32.

[2] Peicong L ， Xiaoying W . Research on the resource allocation algorithm based on forecasting in mobile cloud computing[J]. Journal of Intelligent & Fuzzy Systems，2018，35（2）：1315-1324.

[3] 王海涛， 李战怀， 张晓，等. 基于历史数据的虚拟机资源分配方法[J]. 计算机研究与发展， 2019， 56（4）：105-115.

[4] Belgacem A ， Beghdad-Bey K ， Nacer H . Dynamic resource allocation method based on Symbiotic Organism Search algorithm in cloud computing[J]. IEEE Transactions on Cloud Computing， 2020（99）：1.

[5] 王莉， 陈治伯. 底层网络大数据信息资源并行分配优化仿真[J]. 计算机仿真，2019，36（2）：267-270.

[6] B C V A， A A S， A E V， et al. SDN-based and multitenant-aware resource provisioning mechanism for cloud-

based big data streaming-ScienceDirect[J]. Journal of Network and Computer Applications， 2019（126）：133-149.

[7] 郭駿， 张勇， 王琪，等. 基于云计算的海量微服务资源调度系统设计与实现[J]. 电子设计工程， 2019，27（11）：43-46.

[8] 林晓农. 基于人工智能技术的云计算资源分配研究[J]. 现代电子技术， 2020， 43 （21）：178-181+186.