基于云计算技术的船舶通信网络动态负载均衡研究

马 卓

(广东工业大学 计算机学院，广东 广州 510006)

0 引 言

船舶航行环境较为特殊，因此，传统单一的船舶网络服务器无法适应海上通信环境，且网络传输的信息有限[1]。在船舶网络内安装大量服务器，可提升船舶通信信息的处理效率。但大量服务器协同工作需要较强的负载均衡技术支撑[2]。通过负载均衡方法，平衡网络负载分布情况，缩短任务响应时间，为船舶航行提供较好的网络通信环境。对于负载均衡方法，学术界已累积了部分研究成果。王红运等[3]利用控制器采集网络的负载信息，通过改进蚁群算法，依据采集的网络负载信息，进行网络负载均衡。该方法可有效提升带宽利用率，但该方法需要实时采集网络的负载信息，额外增加了算法的开销，令网络出现新的负载压力，影响网络的服务效率。刘毅等[4]以最小迁移代价为目标，建立迁移模型，通过线性逼近算法，求解该模型，迁移交换机至控制器内，实现网络负载均衡[4]。但该方法容易出现局部收敛问题，影响交换机的迁移效果，导致网络负载均衡效果并不理想。

云计算技术的运算单位是虚拟机，通过在2 个服务器间无缝迁移运行虚拟机的方式[5]，实现网络负载均衡。虚拟机迁移时的宕机时间较短，且不易察觉，不会影响用户的网络操作。为此提出基于云计算技术的船舶通信网络动态负载均衡方法，提升网络动态负载均衡效果。

1 船舶通信网络动态负载均衡

1.1 云计算船舶通信网络服务器动态负载预测

基于云计算技术的船舶通信网络动态负载均衡的本质是虚拟机迁移。利用直觉模糊时间序列（intuitionistic fuzzy time series，IFTS）算法，预测云计算环境下船舶通信网络内服务器的动态负载，用于决定是否触发虚拟机迁移。云计算环境下船舶通信网络内服务器动态负载预测的步骤如下：

步骤1在云计算环境下船舶通信网络服务器负载观测数据集X(t)内，抽取样本值Xt={x1,x2,···,xt}，其中，t为时间。

步骤2船舶通信网络服务器负载序列论域是U=[xmin-ε1,xmax+ε2]，其中，2 个正数是 ε1和 ε2；[]代表向上、向下取整运算。通过K-means 聚类算法，聚类处理U，得到k个优化子区间ck。

步骤3对Xt实施直觉模糊化预处理，塑造服务器负载的I F T S。如果c k的直觉模糊集是Bj=那么Bj涵盖xt的直觉模糊函数是其中，µj(xt)为直觉模糊隶属度；qj(xt)为非隶属度函数。因此，可按照最大化的原则，直觉模糊化预处理xt。如果那么直觉模糊化结果为的计算公式如下：

其中：pj和pi为K-means 聚类中心；D为直觉模糊范数距离。

式中，α为犹豫度调节因子。

同理，可获取Xt相应的IFTS，即G=G1,G2,···,Gt；其中，Gt的计算公式为：

步骤4 预测t+1时刻的云计算船舶通信网络服务器负载预测值，计算公式为：

式中，ω为权重。

步骤5β为云计算船舶通信网络服务器负载预测误差阈值，服务器负载预测误差为et+1=||。其中，为期望服务器负载；如果et+1≤β，那么输出云计算船舶通信网络服务器负载预测结果xˆt+1。反之，跳转至步骤4，重新计算服务器负载预测值，以输出符合要求的服务器负载预测值为止[6]。

步骤6通过直觉模糊重心法，去模糊化处理，得到最终的云计算船舶通信网络服务器负载预测值Xˆ。公式如下：

1.2 云计算船舶通信网络迁移虚拟机选择

云计算船舶通信网络内服务器的上下限阈值为δmax，δmin。在预测服务器负载值连续2 个周期出现大于δmax或小于δmin的情况下，触发虚拟机迁移。综合考虑最短虚拟机迁移时间与最小迁移量，建立迁移目标虚拟机集合选择模型，表达公式如下：

式中：Zv为v占据的内存；Nv为v的可用带宽，Ts为全部Tv的总和。

利用遗传算法求解式(6)可确定待迁移的目标虚拟机集合R，具体步骤如下：

步骤1生成初始种群M，同时求解各染色体的适应度，如果某条染色体的适应度f为最优解，那么返回存在最佳解的染色体，继续步骤6。

步骤2在M内任意选择2 条染色体，进行交叉。

步骤3求解交叉操作后2 条染色体的f值，如果其中1 条染色体已是最佳解，那么返回存在最佳解的染色体，继续步骤6；反之，在交叉前后的染色体内选择最大f 对应的2 个染色体，对其进行变异操作。

步骤4求解变异后染色体的f值，如果其中1 条染色体已是最佳解，那么返回变异交叉前后的染色体内选择最大f对应的2 个染色体，存储至新种群内。

步骤5重复步骤2～步骤4，以获取最大f对应的染色体为止。

步骤6输出式(7)的求解结果，即待迁移的目标虚拟机集合R。

1.3 云计算船舶通信网络的目标服务器选择

在确定待迁移的目标虚拟机集合R后，便需选择目标服务器。以最大剩余容量为选择策略，选择目标服务器，其需要符合的条件为：

1）目标服务器能够为R提供足够的资源。

2）尽量避免出现二次迁移，降低虚拟机迁移次数。

依据上述选择策略，选择目标服务器，可尽可能减少虚拟机迁移次数与能源效果，提升资源利用率。

1.4 网络动态负载均衡的实现步骤

步骤1利用IFTS 算法，预测云计算船舶通信网络内服务器负载值xˆ。

步骤2分析服务器负载状态，若连续2 个周期存在＞δmax或xˆ ＜δmin情况，则触发虚拟机迁移。

步骤3虚拟机迁移。若服务器负载预测值连续2 个周期存在xˆ ＜δmin情况，那么以当下服务器内全部虚拟机为目标虚拟机，并以最大剩余容量为选择策略，在其余服务器内选取最佳目标服务器，对其进行动态在线迁移。如果服务器负载预测值连续2 个周期存在xˆ ＞δmax情况，那么综合考虑最短虚拟机迁移时间与最小迁移量，建立迁移目标虚拟机集合选择模型，通过遗传算法求解该模型，完成迁移目标虚拟机集合R的 选择。以最大剩余容量为选择策略，选择符合R的需求的目标服务器，进行动态在线迁移，完成船舶通信网络动态负载均衡。

2 实验结果与分析

以某船舶的通信网络为实验对象，该船舶通信网络内共包含8 个数据中心，各数据中心内均有10 台主机，处理速度在1 000～3 000 MIPS，带宽是15 M。各主机内均包含10 个虚拟机。通信任务数量均在100～1 000 个之间。

利用本文方法对该船舶通信网络进行动态负载均衡，以2 个服务器的动态负载均衡情况为例，船舶通信网络动态负载均衡结果如图1 所示。可知：在不同任务数量时，服务器1 的动态负载大概在30%～70%之间波动；在不同任务数量时，服务器2 的动态负载大概也在30%～70%之间波动。综合分析可知，船舶通信网络内2 个服务器间的动态负载较为均衡。实验证明，本文方法可有效实现船舶通信网络动态负载均衡。

图1 船舶通信网络动态负载均衡结果Fig.1 Dynamic load balancing results of ship communication network

分析不同任务数量时，本文方法的船舶通信网络动态负载均衡效果。不同任务数量时，经过本文方法处理后，该船舶通信网络的负载均衡度分析结果如图2 所示。可以看出，随着时间的延长，不同任务数量时，经过本文方法处理后，该船舶通信网络的负载均衡度均不断变小，代表船舶通信网络的物理资源与虚拟资源利用率不断接近均衡，即船舶通信网络动态负载均衡效果较优。实验证明，不同任务数量时，本文方法的船舶通信网络动态负载均衡效果均较优。

图2 船舶通信网络的负载均衡度分析结果Fig.2 Load balance analysis results of ship communication network

利用任务截止时间违背率，衡量本文方法的服务质量水平，其值越小，服务质量越佳，动态负载均衡效果越优，分析船舶通信网络遭受拒绝服务攻击与分布式拒绝服务攻击时，本文方法的任务截止时间违背率，分析结果如图3 所示。

图3 任务截止时间违背率分析结果Fig.3 Analysis results of task deadline violation rate

可以看出，随着虚拟机数量的提升，2 种攻击类型下，本文方法的任务截止时间违背率均呈上升趋势，分布式拒绝服务攻击的违背率，略高于拒绝服务攻击，但均未超过设置的阈值。实验证明，不同攻击类型下，本文方法的任务截止时间违背率均较低，即服务质量较高、动态负载均衡效果较优。

3 结 语

船舶航行安全离不开通信网络，提升通信质量的关键是负载均衡。为此提出基于云计算技术的船舶通信网络动态负载均衡方法，利用云计算技术，合理在线迁移虚拟机，确保各服务器的负载趋近均衡，实现通信网络动态负载均衡，避免服务器出现过载或轻载问题，提升通信质量。