APP下载

基于神经网络反馈的移动通信平台动态负载均衡算法

2022-05-09

大庆师范学院学报 2022年3期
关键词:吞吐量动态神经网络

李 岚

( 安徽交通职业技术学院 城市轨道交通与信息工程系,安徽 合肥 230001)

0 引言

信息技术的发展带动了网络的普及,利用移动通信平台进行工作交流也成为当今信息传输的主要形式。负载均衡建立在现有网络结构上,能够提供一种廉价有效且透明的方法来拓展网络设备和服务带宽、增加吞吐量,加强网络数据处理能力,提高网络的灵活性及可用性。(1)参见王文博、叶庆卫、周宇等:《基于排队论综合指标评估的动态负载均衡算法》,《电信科学》2018年第7期。移动通信平台上的负载平衡,就是将移动通信所负载的工作任务进行平衡,平均分摊到多个操作单元上运行,共同协作完成操作任务。

国外研究人员在各项集群技术的支持下,为移动通信平台动态负载均衡提供了多项参考,国内在现有操作服务器的支持下,研究得到了多种动态均衡算法,李松州等学者提出了基于流调度选择的方法,通过计算拥塞链路上各大流的最短路径,结合剩余路径中最大吞吐量的最优调度路径,将负载定义调度的拥塞概率作为大流调度选择的依据。(2)参见李松州、束永安:《基于流调度选择的DCN动态负载均衡算法》,《计算机应用研究》2019年第1期。邵必林等学者提出基于负载预测的改进算法,通过优化二次指数平滑预测算法,结合动态阈值计算模型,对动态负载值进行均衡判断,实现集群动态均衡。(3)参见邵必林、王莎莎:《基于负载预测的HDFS动态负载均衡改进算法》,《探测与控制学报》2019年第2期。上述方法为移动通信平台的正常运行提供了有效的算法支持。移动通信平台在客户端并发上传大量数据时,产生大量的流量削峰,形成大量的数据缓冲任务,导致在实际负载均衡算法使用时,上述算法的响应时间较长。因此,在控制移动通信平台动态负载均衡上,依旧需要不断研究改进。

根据神经网络运行过程中信息流向,可将神经反馈网络分为前反馈式和后反馈式两种基本类型。(4)参见吴文君、郭枭、赵家明等:《基于多路径传输的动态负载均衡路由算法》,《北京工业大学学报》2019年第4期。前反馈网络的输出仅由当前输入及权重矩阵决定,与网络先前的输出状态无关。在神经网络反馈下,本文通过利用神经网络反馈方式分割移动通信平台数据,处理高并发的移动通信数据访问需求,建立不同的数据处理进程,构建移动通信平台动态负载均衡算法,以期提高移动通信平台的运行效率,减少移动通信平台的响应时间,为其他平台控制负载均衡提供一个算法参考。

1 基于神经网络反馈的移动通信平台动态负载均衡算法

1.1 利用神经网络反馈方式分割移动通信平台数据

在分割移动通信平台数据时,利用神经网络的自适应特点和模式识别能力以及反馈方式,通过对移动通信平台运行数据中特征筛选情况,将移动通信平台运行相似且运行时间差异不大的节点归结在一起,使用k-means聚类将数据按异构性划分为不同的分组,通过对运行数据的优先级排序,划分不同的任务分配过程,完成基于神经网络算法的移动通信平台数据分割。(5)参见曹卫东、孙晓君、周原等:《面向JCF中间件的亲和性动态负载均衡算法》,《计算机工程与设计》2018年第8期。

任务分配过程如图2所示。

图1 任务分配过程

在如上图所示的任务分配过程下,不同Type产生了不同的分配过程,不同的分配过程产生了不同的数据,定义上图所示Type为数据传输的节点,移动通信平台数据的计算量Hw就可表示为:

Hw=C×Ns(6)参见王向周、张新、郑戍华:《基于人工神经网络动态标定算法的低成本视线追踪系统》,《北京理工大学学报》2018年第12期。

(1)

其中,C表示节点的计算能力,Ns表示移动通信处理数据的任务数量。区域划分上述计算得到的计算量,形成不同区域的移动通信平台数据,划分过程可表示为:

(2)

其中,Z(h)表示划分得到的区域面积,Wi表示节点计算能力函数,m表示移动通信任务数据量的类别。划分为不同的区域后,将上述计算公式中涉及到的各项变量作为参数,在移动通信平台上构建不同形式的分割程序,分割过程可表示为:

(3)

其中,Wci表示移动通信波动数据数量,WB表示分割函数,S(Wci)表示波动移动通信数据量的函数,其余参数含义不变。设定分割程序后,由于不同移动通信平台有着不同的运行环境,将移动通信平台的运行环境设置为不同类型的任务,在不同阶段设置相关任务的并发度,增强算法的吞吐量,以不同移动通信平台运行CPU中各个节点核心数的最小公倍数为并发度,(8)参见苏巧、魏以民、沈越泓:《基于神经网络的含噪动态源分离算法》,《电子技术应用》2018年第2期。(9)参见张树涛、谭海波、陈良锋等:《一种高效的分布式爬虫系统负载均衡策略》,《计算机工程》2019年第11期。计算公式可表示为:

(4)

上式中,LCM表示移动通信平台运载CPU核心数的最小公倍数,Cei表示移动通信平台的CPU处理数据的数量关系。在上述并发度控制下,在不同数据区域内,计算得到移动通信平台的不同运行环境性能参数,计算公式可表示为:

(5)

其中,Cc表示移动通信平台运行环境CPU核心性能差异函数,CB表示区域数据的处理能力,Ci表示数据属性函数,其余参数含义保持不变。根据上述计算公式得到的性能参数,将具有相似性能参数的数据划分在一个分组,并将剩余数据根据有序或是无序的性能划分为两个大分组,以相同序列属性的数据为划分目标,制定四项属性参数,将有序及无序的性能数据分割为更加明确的数据分组。(10)参见樊伟、徐华、李京:《SDN下的IPv6任意播实现负载均衡的路由算法研究》,《小型微型计算机系统》2019年第3期。(11)参见张彩霞:《基于EKF与TLS动态模糊神经网络算法》,《中山大学学报》(自然科学版)2019年第1期。以分割后的移动通信平台数据为作用对象,根据分割数据在移动通信平台运行时的变化,设定一个动态优化参数。

1.2 设定动态优化参数

以不同分割组内的数据为作用对象,在设定动态优化参数时,假设Si为一组移动通信平台的处理数据,初始化处理上述数据集后,挑选数据集群参数任务请求参数数值大的数据集作为转发目标,不同任务请求的转发概率就可计算为:

(6)

其中,Xi表示转发任务时目标数据的中间量。考虑到不同移动通信平台承载服务器的工作能力不同,设置一个分发权重数值,代表移动通信平台的平均工作能力,分发权重可表示为:

(7)

其中,ωi表示移动通信服务平台负载比例数值,ri表示分发权重。将分发权重数值与服务器进行匹配后,控制相同类型数据在移动通信平台内产生的重复缓存,缩短待执行任务的样本空间,提高任务请求的命中率,缩短相同任务在执行过程中耗费的响应时间。(13)参见高军、王恺、田晓宇等:《基于BP神经网络的风云四号遥感图像云检测算法》,《红外与毫米波学报》2018年第4期。(14)参见梁俊卿、赵建视、吕笑琳:《基于邻里支持和神经网络的WSN数据融合算法研究》,《微电子学与计算机》2019年第8期。采用即时创建方法控制分割后数据在移动通信平台中进程,采用FCFS原则处理高并发的移动通信数据访问需求,设置监听、空闲以及工作三种进程模式控制移动通信平台的动态变化过程,控制监听进程在接收到用户请求后转化为工作线程,此时空闲进程队列中会产生一个侦听进程,负责优化分割后的移动通信数据,工作进程在执行完毕后转化为空闲进程,等待下一个进程任务的出现。(15)参见卢超、杨翠丽、乔俊飞:《基于PSO算法的动态模块化神经网络结构设计》,《控制与决策》2018年第6期。根据上述进程控制过程来设定动态优化参数,优化过程选定一个进程通道,定义节点通道可计算为:

(8)

式中,Ci表示节点通道函数,Ti表示节点通道的时间周期,Tj表示进程节点的优化周期。在节点通道参数的控制下,将一个移动通信平台的进程数据表示为:

(9)

其中,β表示任务进程参数,S表示进程的合适度。以上述计算得到的合适度作为优化参数的数值,结合移动通信平台支持硬件性能参数,计算得到动态优化参数,计算公式可表示为:

(10)

其中,c表示移动通信平台服务器服务参数,cs表示CPU处理参数,Wm表示平台储存数据的参数,M表示移动通信平台处理数据量,Ms表示动态变化数据量函数。以计算得到的动态优化参数作为移动通信平台每组任务请求数据变化数值,在构建负载均衡算法时,综合考虑该参数,构建一个动态负载均衡表达式。(16)参见吕晨旭:《基于神经网络的光伏系统MPPT控制算法设计》,《现代电子技术》2018年第3期。

1.3 构建负载均衡算法

以移动通信平台完成一次任务请求为算法构建对象,移动通信平台的任务请求过程如下图所示:

系统初始化阶段,计算移动通信平台的控制参数,在一次请求任务到达集群内部后,设置一个负载均衡器以增强算法的计算量,处理集群内部产生的负载信息,计算出一次任务请求的权值,并利用该权值构建一个负载分配数量关系。(17)参见王欣、靳鸿、杨冀豫:《基于共轭梯度下降法的RBF神经网络预测算法》,《探测与控制学报》2019年第5期。该分配数量关系可表示为:

(11)

图2 任务请求过程

(11)式中,pa表示分配过程,k表示一个常数,Ll表示负载最小值,LH表示负载最大值,其余参数含义不变。因此,在构建负载均衡算法时,设定边界值B作为算法触动的数值。(18)参见唐伦、周钰、杨友超等:《5G网络切片场景中基于预测的虚拟网络功能动态部署算法》,《电子与信息学报》2019年第9期。当原始负载数据进入集群时,在边界外计算负载均衡算法的权值差异,并将超过该边界值的负载均衡值整合到移动通信平台任务请求进程中,将负载均衡算法的权值作为构建算法的元素,即:

(12)

其中,Bi表示边界函数,k1,k2均表示一个常数参数,且满足:k1+k2=1,M(Si)表示权值表达函数,C(Si)表示可用权值表达函数。根据上述计算公式可知,考虑到移动通信负载过程中发生CPU与内存使用率同时到达峰值情况,边界参数值的数值关系就可表示为:

(13)

式中,F(Si)表示权值函数,其余参数含义不变,由上述计算公式可知,当边界值取值越小,权值控制移动通信平台负载参数的频率也就越高,当边界值B取值为0时,每一次处理过程都能够满足移动通信平台动态负载均衡需求,当边界值B为1时,则表示该种控制过程不满足实际平台的负载平衡需求,在边界数值B为1时,选用一个IPVS调度器写入边界值对应的频率值,调用一个recvfrom()函数处理该频率值,处理完毕后,调用一个setsockopt()函数更新处理,更新完毕后,再调用计算公式(11)(12)更新权值,直至符合边界函数的条件。(19)参见任神河、郑寇全、关冬冬等:《基于IFTS的网络动态负载均衡方法》,《火力与指挥控制》2019年第8期。(20)参见郑宪秋:《基于时空约束和小波设计的非侵入式负载数据协同挖掘算法》,《西安工程大学学报》2019年第6期。综合上述处理,最终完成对移动通信平台动态负载均衡算法的构建。

2 仿真实验

2.1 测试环境的搭建

根据现有移动通信平台的运载情况,搭建承载移动通信平台运行的LVS集群,在VS/DR模式下构建LVS集群后,在RS上安装服务器,编写承载算法运行的程序并模拟集群的Web服务,采用JMeter参数设置调整移动通信平台的任务请求并发量,调整集群环境服务器存在的差异。搭建测试环境的硬件参数如下表所示:

表1 算法测试使用硬件参数

在上表所示的参数控制下,在硬件连接的结构中安装管理程序ipvsadm,为了实现移动通信平台各任务的正常切换,在服务器内部安装Keepalived。测试环境搭建完毕后,选用两种传统动态负载均衡算法与文中设计的均衡算法进行实验,确定平台内模拟节点的参数,以首个周期内虚拟节点数目为算法的周期参数,设定服务器虚拟节点数目为200,以200个虚拟节点为一个区间,选取10个区间作为实验对象,以移动通信平台用户对虚拟节点区间请求的响应时间与对集群的最大吞吐量为对比指标,测试三种负载均衡算法的性能。

2.2 实验结果及分析

基于上述实验设备,定义在移动通信平台客户端的JMeter上测试虚拟节点读取的压力测试结果为算法的响应时间,采用基于流调度选择的DCN动态负载均衡算法(算法一)、基于负载预测的HDFS动态负载均衡改进算法(算法二)与本文算法作对比实验,结果表明:

当移动通信平台起始数据请求量为100时,三种均衡算法的响应时间存在较小的差别,数值差在50ms以内;当数据请求量增长到300~500之间后,三种均衡负载算法的响应时间相差最大,两种传统负载均衡算法的响应时间数值差在100ms左右;当算法处理的数据请求量大于500时,三种均衡算法响应时间差别不大,文中研究的负载均衡算法响应时间最短,将数据请求量800为对比标准,文中研究的均衡算法的响应时间为300ms,与两种传统均衡负载算法相比,该种均衡负载算法的响应时间最短。从响应时间结果来看,在数据请求量小时,三种均衡负载算法表现出的响应时间差异不大,数据请求量多时,文中研究的负载均衡算法表现出的响应时间最短。

保持上述实验环境不变,模拟搭建1到8种移动通信平台任务环境,以该8种请求任务为实验对象,调整移动通信平台客户端JMeter的请求任务数量参数后,记录三种动态负载均衡算法的吞吐量结果,如下表所示:

表2 三种负载均衡算法的吞吐量结果

由上表所示的吞吐量结果可知,在不同任务请求下,三种负载均衡算法表现出了不同的吞吐量实验结果,由吞吐量数值可知,两种传统负载均衡算法的吞吐量数值均小于3000reqs/sec,无法更好地处理不同任务产生的数据,可能存在算法出错的情况。而文中研究的动态负载均衡算法实际的吞吐量在3500~4000reqs/sec之间,能够满足移动通信平台在多任务运行时,对吞吐量大小的需求。综合上述实验结果可知,文中研究的动态负载均衡算法,无论是在响应时间上还是在数据吞吐量上,均表现出了符合移动通信平台实际运行需求,更加适合在移动通信平台中使用。

3 结 语

在大数据技术的应用下,如何平衡数据传输时负载的均衡成为研究的重要课题,移动通信平台作为用户数量庞大的平台群体,如何动态平衡任务请求时产生的负载成为业务难题,在神经网络反馈控制下,构建一个新的动态负载均衡算法能够改善传统均衡算法响应时间过长、吞吐量过少的不足,但该种算法对运行环境要求较高,算法还需不断改善。

猜你喜欢

吞吐量动态神经网络
国内动态
国内动态
国内动态
神经网络抑制无线通信干扰探究
动态
基于神经网络的中小学生情感分析
2017年3月长三角地区主要港口吞吐量
2016年10月长三角地区主要港口吞吐量
2016年11月长三角地区主要港口吞吐量
基于神经网络的拉矫机控制模型建立