异构混合云服务下的多任务算力度量方法

冯汉枣,黎元宝,刘运奇

(联通(广东)产业互联网有限公司,广东 广州 510320)

云计算造成数据量出现了爆发式增长,过多的数据量传输也会给当前网络任务调度带来较大的压力。为避免上述问题,应从多方面对网络的灵活度、协同计算等能力进行优化,以此满足目前时代下的网络数据处理能力需求[1-2]。在以上分析描述的基础上,要想减轻网络云计算压力[3-4],需要以现代信息化的核心驱动力多任务算力为主,对网络云计算开展结构性优化。而多任务算力可以作为互联网时代的基础指标,将多种信息转化成可识别特征。为了更好地应用多任务算力方法,应对多任务算力度量开展研究。

针对任务处理的方法比较成熟:文献[5]提出一种多核系统任务调度算法动态度量方法,该方法首先构建了多核系统功能模型,利用一种多核系统动态度量方法对任务进行度量,根据度量结果完成对任务调度的功能验证及性能评价,有效实现了任务动态度量,但该方法的度量结果存有误差,存在度量性能低的问题。文献[6]提出基于任务发生关系的流程模型相似性度量方法,该方法优先分析了多任务数据节点的编号及算法,从中确立三种发生关系,以此构建相似性度量模型,利用该模型对多任务流程实施相似性度量,该方法的分析结果及计算结果不全面,存在度量效果低的问题。

完整度量网络中的多任务算力,对网络任务调度至关重要。异构网络中混合云服务下的任务数据量复杂程度较高、数据维度高,影响多任务算力度量的效率及完成率,提出异构混合云服务下的多任务算力度量方法。

1 异构混合云服务系统构建及多任务算力指标特征提取

1.1 异构混合云服务系统分析

由于传统的多任务算力数据在度量时存在数据量过大、复杂程度较高的问题,影响多任务算力数据度量效果,为提升整体度量效果,构建异构混合云服务系统,从系统中采集多任务算力数据,以此减少数据度量复杂度,有利于后续对多任务算力数据特征的提取及度量。

(1)虚拟化云数据库

以往数据库的虚拟化只需将数据库安置到虚拟机内即可,但这种操作存在潜在缺陷。如今在原始系统的基础上设置单独的虚拟机技术,从而实现虚拟机的独立安装,系统内可以独立虚拟出多种设备,以此隔绝外界资源,避免出现资源浪费的问题。

为避免以上问题,根据虚拟容器及虚拟机实现原理,将Docker作为云数据库虚拟化的主要技术,该技术具备可以伪装云端虚拟机的HOST进程,从而实现云端多任务资源的分配,同时还可以共享主机的内核及硬件。因而只需利用Docker技术即可完成云数据库虚拟化的部署[7]。

(2)数据交换及云端数据服务接口开发

云数据库虚拟化完成后需要设定异构混合云服务数据库的交换格式。JSON是一种由欧洲计算协会制定的子集,其本身有着体积小、跨语言、易解析的优点,因而将JOSN用作异构混合云服务的数据库表示格式。

传统的SOAP WebService开发服务层接口有着效率低、操作性差的劣势,所以采用轻量级构架Restful WebService作为云端数据服务接口,与传统接口相反,Restful WebService更加简洁,效率更高,可以在系统内面向多种服务,有利于软件的开发及拓展性,同时还可以减小异构混合云服务系统的复杂性及耦合性。

(3)异构混合云服务系统分析

根据以上操作,构建的异构混合云服务系统主要由服务层、云数据库服务接口、多任务算力调度层及两个接口形成[8],建立的异构混合云服务系统如图1所示。

图1 构建的异构混合云服务系统架构图

由图1可知,用户从应用层向外发出多任务操作请求,多任务经接收后被提交到异构混合云服务数据库应用服务接口内,通过对发出任务的解析,将解析结果传输至算力调度层,对任务集合转换后输送到云数据库处理接口中,不同的接口可发出不同的算力执行指令,将指令转换成JOSN格式后,算力数据被输送到客户端,此时系统完成了对多任务算力数据的管理。从以上操作可以看出,异构混合云服务系统可以有效管理多任务数据,降低多任务数据的复杂性,便于对多任务数据的采集及处理。

1.2 多任务算力指标特征集

从上文的异构混合云服务系统中采集多任务算力数据,再采用EDLSFS算法从系统内提取多任务算力指标特征集,通过对多任务算力特征集的标识及量化,获取多任务算力度量值,以此构建算力度量矩阵,实现多任务算力度量。

在异构混合云服务系统中,有效距离可以反映出多任务算力过程的动态结构,取得多任务算力数据动态结构信息。在多任务算力数据特征学习中,利用有效距离向系统内引入动态结构信息,以此提升多任务算力数据指标特征提取[9]。本文选取有效距离、多任务算力数据样本相似度、拉普拉斯分数表示指标特征。

根据以上描述,设定在异构混合云服务系统内有一定的路径子集可以对多任务算力数据的动态结构实行有效控制,因而设置多任务算力数据样本关联矩阵由P定义,而各个数据节点之间的转移概率就标记Pab(0≤Pab≤1),其中a、b均定义为数据节点,节点a、b之间的有效距离就用下式定义:

Dab=(1-lgPab)

(1)

式中,Dab表式有效距离。

从方程(1)可知,当节点a、b之间的转移概率越小时,说明两者之间的距离越长,反之则越小。这主要因为P属于非对称性,所以多任务算力数据节点之间的有效距离矩阵也是非对称的。

基于有效矩阵D获取多任务算力数据样本相似度,定义如下:

(2)

式中,S定义相似度矩阵,ij标记样本数据数量,λ标记高斯函数宽度,e标记样本误差,Dij标记有效矩阵元素,Sij标记矩阵元素。同时Sij也对多任务算力数据样本xi及xj的相似性表示。

计算多任务算力数据样本第r维特征的拉普拉斯分数,表示如下:

(3)

2 多任务算力度量

2.1 多任务算力特征的标识及量化

根据以上提取的多任务算力指标数据特征,多任务算力特征开展标识及量化。

优先构建度量模型,并利用该模型向提取的多任务算力数据特征实施映射操作,构建的度量模型用下式定义:

RGPS=Role+Actor+Depend

(4)

式中,Role标记多任务算力行为及职责,Actor标记特定意图的实体,Depend标记多任务算力目标对另一目标实现的依赖。

基于方程(4)实现度量模型的构建,利用该模型映射多任务算力数据特征,定义如下:

IF:RGPSM→FS

(5)

式中,RGPSM标记模型的集合,同时满足RGPSM={m(i)|i=1,2,…,|RGPSM||}条件,其中,m(i)标记集合中第i个模型。IF标记多任务算力指标数据特征集合,满足IF={f(k)|k=1,2,…,|IF||},其中f(k)标记第k个多任务算力特征。FS标记多任务算力数据特征状态集合。

2.2 度量模型实例化

通过该方程表达式实现模型对多任务算力数据特征的映射,以此对度量模型开展实例化处理,用方程表达式定义如下:

α=IF(m),m∈RGPSM

(6)

式中,m表示具体的度量模型,α标记特征状态序列。

上述表达式主要利用特征集IF实例化模型m的流程,从模型m中得到指定的多任务算力数据特征状态序列,而α即为m的实例。当α=1或α=0时,即可对确定的多任务算力特征序列排序。

在表达式(6)的基础上,对模型集RGPSM实施实例化操作,用下述方程定义:

MIM=[α(i)]=[IF(m(i))],

i=1,2,…,|RGPSM|

(7)

式中,MIM标记模型实例矩阵,α(i)标记对模型m(i)的实例化处理。

2.3 建立多任务算力度量矩阵

通过对模型及模型集的实例化处理,对其开展相似性计算,从度量模型中取得多任务算力能力,以此提升多任务算力度量效果。因而采用杰卡德系数[10]对模型的实例相似性计算,其计算结果即为多任务算力度量能力,标记如下:

(8)

利用区分器及权重可以对表达式分母的模型状态及属于0的多任务算力特征过滤[11-12],还可以排除分子中模型与多任务算力特征不具备一致性的特征状态,最终取得与度量模型相对应的多任务算力能力计算结果。

通过方程(8)获取了模型的多任务算力能力,依据计算结果构建多任务算力度量矩阵IMM,该式表示如下:

IMM=[MI(m(i),m(j))],m(i),m(j)∈RGPSM,

i,j=1,2,…,|RGPSM|

(9)

2.4 多任务算力度量

依据以上研究,获取多任务算力度量流程,详情如下所示:

(1)多任务算力数据特征标识及量化

利用方程(5)～方程(7)对指定的多任务算力特征集IF及构建的度量模型开展标识及量化,以此输出RGPSM、MIM。

(2)度量模型多任务算力能力计算

将上述输出的RGPSM、MIM输入表达式(8)中,从中计算出模型内的多任务算力能力结果,即MI。

(3)构建多任务算力度量矩阵

将取得的MI代入表达式(9)中,以此构建出多任务算力度量矩阵,通过该矩阵实现对多任务算力能力的度量。

基于以上流程,实现基于异构混合云服务的多任务算力度量方法。

3 实验与分析

为了验证基于异构混合云服务的多任务算力度量方法的整体有效性,需要对该方法开展实验对比测试。采用基于异构混合云服务的多任务算力度量方法(方法1)、一种多核系统任务调度算法动态度量方法(方法2)和基于任务发生关系的流程模型相似性度量(方法3)实施对比测试。

3.1 多任务算力度量耗时性能测试

为测试三种方法的多任务算力度量性能,在构建的异构混合云服务系统中抽取500个任务算力数据集,采用三种方法对多任务算力特征数据集实施度量计算,根据三种方法的度量耗时,验证三种方法的性能表现,详情如图2所示。

图2 不同数据集的任务算力度量耗时测试

分析图2中的数据发现,方法1对500个多任务数据集的算力度量耗时为3.6 s,方法2和方法3的多任务算力度量耗时分别为10.2 s及13.6 s,均高于方法1,可见方法1的整体度量耗时性能表现最佳,验证了方法1的多任务算力度量效果最优。这是因为本文方法通过构建异构混合云服务系统提取了多任务算力数据的特征集,通过度量模型实现了多任务算力特征的量化,提升了多任务算力度量的效率。

3.2 多任务算力度量完成率性能测试

在异构混合云服务系统内选取大量任务算力数据信息,经过分析,获取系统中需要度量的500个任务算力数据集,由此构建任务算力模型,从中取得一个任务算力数据,定义如下:

TF1≤GXZC

(10)

式中,TF1表示任务算力数据,GXZC表示任务类型。

设置异构混合云服务系统能力函数为g(t),表示在异构混合云服务系统中成功完成任务算力度量的能力,g(t)也属于周期函数,其周期为T;再设置任务算力强度函数由f(t)表示,表示系统内任务算力度量需求强度。根据以上设置结果,获取任务算力度量强度函数与异构混合云服务系统的不规则能力曲线示意图,详情如图3所示。

图3 任务算力度量强度及系统能力曲线示意图

由图3可知,任务算力强度是超过异构混合云服务系统中成功完成任务算力度量的能力的。根据图3获取结果,采用方法1、方法2和方法3度量多任务算力数据,依据度量结果计算三种方法的任务算力度量完成率,以此验证三种方法的度量效果,详细测试如图4所示。

图4 多任务算力度量完成率对比测试

从图4中可以看出,在度量任务算力数据时,方法1的度量完成率最高,平均值为88%,其余方法的度量效果明显逊色于方法1,方法2的度量完成率平均值为61%,方法3的度量完成率平均值为70%。由此可见,方法1的度量完成效果最佳,这是因为方法1对多任务算力特征集实施了标识及量化,进而增强了该方法的度量效果,提升了多任务算力度量完成率。

4 结 论

针对过多的数据任务量会影响多任务算力度量效果这一问题,提出了基于异构混合云服务的多任务算力度量方法。该方法首先构建异构混合云服务系统,并从系统中采集出多任务算力数据,通过对该数据的特征集提取,对提取的特征进行标识和量化,从而提升整体度量效果。实验结果表明,利用基于异构混合云服务的多任务算力度量方法能够提升多任务算力度量的效率,提升算力度量完成率,实现整体度量。