基于聚合度熱點收斂映射機(jī)制的云計算人工智能數(shù)據(jù)篩選算法研究＊

胡珊

（廣州工商學(xué)院，廣東 廣州 510850）

傳統(tǒng)算法存在顯著的局限性，應(yīng)用性能和處理能力有限，為此應(yīng)積極探討新型算法。常規(guī)算法應(yīng)用后，因為存在熱度聚集問題，較易造成數(shù)據(jù)缺少收斂性，導(dǎo)致運算精度降低。目前數(shù)據(jù)篩選算法中，應(yīng)用范圍較廣、應(yīng)用評價較好的算法是TSC-SF 算法和UEG 算法這2 種，但是實際應(yīng)用效果均不理想。

1 傳統(tǒng)算法的應(yīng)用缺陷

結(jié)合云計算技術(shù)的人工智能技術(shù)常見應(yīng)用于數(shù)據(jù)篩選運算，當(dāng)前技術(shù)水平下，通常采用的調(diào)度模式為“網(wǎng)-邊緣”調(diào)度方法。分析現(xiàn)有資源規(guī)模、特點，以網(wǎng)絡(luò)數(shù)據(jù)為依據(jù)，利用云中間件構(gòu)建數(shù)學(xué)模型，通過模型處理數(shù)據(jù)資源和業(yè)務(wù)。通過模型分析可確定調(diào)度函數(shù)，然后以此為依據(jù)定義篩選數(shù)據(jù)的原則。當(dāng)前技術(shù)方案應(yīng)用時主要為經(jīng)濟(jì)調(diào)度模式，通常將云中心作為數(shù)據(jù)庫，在數(shù)據(jù)庫中存儲大量決定參數(shù)，包括篩選進(jìn)程、中間件以及帶寬等。受此影響，在實際調(diào)度過程中，各個云中心調(diào)度模型時所耗費的成本存在顯著差異。

TSC-SF 算法即時間片累積調(diào)度篩選，UEG 算法即超歐里幾何數(shù)據(jù)篩選。TSC-SF 算法采用分配時間片方法輪詢調(diào)度數(shù)據(jù)，然而實際應(yīng)用中缺少大規(guī)模的調(diào)度參數(shù)參與，導(dǎo)致其篩選性能低于預(yù)期。UEG 算法使用時，業(yè)務(wù)收斂實現(xiàn)方式是拓?fù)溆成洌窃趯嶋H應(yīng)用中供給側(cè)至用戶側(cè)未能予以有效資源分配，導(dǎo)致UEG 算法實際應(yīng)用時篩選質(zhì)量、篩選效率不理想。因此，優(yōu)化智能數(shù)據(jù)篩選算法具有必要性[1]。

2 數(shù)據(jù)篩選算法主要優(yōu)化思路

想要將用戶任務(wù)成本降低至可能范圍內(nèi)的最低水平，必須大量占用云中心資源，影響系統(tǒng)性能，因此目標(biāo)用戶任務(wù)通常難以以最低成本完成資源調(diào)度。在經(jīng)濟(jì)調(diào)度應(yīng)用時，對用戶數(shù)據(jù)質(zhì)量要求較高，在支付層處理數(shù)據(jù)時，通常比較重視支付穩(wěn)定性評價，積極提高支付效率，但是在任務(wù)匹配數(shù)據(jù)時，通常側(cè)重于促進(jìn)及時匹配以及提高匹配效率，導(dǎo)致算法應(yīng)用效果較差。智能數(shù)據(jù)篩選模式不同時，需要動態(tài)監(jiān)控供需側(cè)情況，促進(jìn)供需平衡。與此同時，應(yīng)明確用戶需求，從而動態(tài)驅(qū)動云中心資源，使其與用戶需求有效適配。

基于此種背景，優(yōu)化設(shè)計新型經(jīng)濟(jì)調(diào)動方案，新算法以調(diào)度時間片、用戶需求成本為基礎(chǔ)條件，促進(jìn)智能化動態(tài)驅(qū)動匹配，在裁決任務(wù)時，調(diào)度參數(shù)取決于用戶需求聚合度。在此基礎(chǔ)上，采用熱點收斂映射處理方法整合聚合成本因素、一般成本因素以及中心資源，映射處理云中心資源時采用2 組調(diào)度序列模式，裁決模式為“時間片-成本”模式，以期通過此種算法優(yōu)化實現(xiàn)數(shù)據(jù)篩選提質(zhì)增效。

在應(yīng)用經(jīng)濟(jì)模型時，應(yīng)保證云調(diào)度中心盡可能利用現(xiàn)有資源滿足用戶需求。達(dá)成此目標(biāo)后，應(yīng)積極降低系統(tǒng)資源消耗，從而保證系統(tǒng)運行性能良好。通過交互方法篩選數(shù)據(jù)可滿足上述要求?；谠朴嬎慵夹g(shù)篩選數(shù)據(jù)時，需要保證算法性能符合數(shù)據(jù)吞吐容量要求，具有較好的數(shù)據(jù)可用性，并且一定確定數(shù)據(jù)篩選時間等。通過設(shè)置相關(guān)參數(shù)調(diào)度用戶。本文算法優(yōu)化中，選取3 個重要參數(shù)，分別為用戶可靠度（W－P）、時間片（T－P）、聚焦成本（K－P）。對（W－P）參數(shù)、（T－P）參數(shù)與（K－P）參數(shù)進(jìn)行抽象化處理，得出裁決函數(shù)（W－P）參數(shù)、（T－P）參數(shù)、（K－P）參數(shù)。調(diào)度資源過程中使用裁決函數(shù)描述調(diào)度經(jīng)濟(jì)成本，然后分析經(jīng)濟(jì)成本得出最優(yōu)解，即作出裁決。云中心可并行處理多個調(diào)度任務(wù)，當(dāng)多組用戶需求等待處理時可采用上述裁決函數(shù)實施并行處理，以此為背景設(shè)計并發(fā)調(diào)度模型作為數(shù)據(jù)篩選工具[2]。

在設(shè)計模型時，首先設(shè)定系統(tǒng)基礎(chǔ)運行原則，并且匹配模式采用“供給側(cè)-需求側(cè)”模式。調(diào)度用戶需求時，當(dāng)用戶任務(wù)大于1 個，并且任務(wù)之間無顯著相互影響，可進(jìn)行并行調(diào)度。選取用戶任務(wù)時，可通過抽象化處理全部任務(wù)為（T－P）性能、（K－P）性能和（W－P）性能。云中心在進(jìn)行資源調(diào)度時，采用鎖模式處理用戶任務(wù)，在此種模式中，調(diào)度用戶任務(wù)時用戶任務(wù)與時間片為一對一關(guān)系。輪詢調(diào)度原則是時間片的基礎(chǔ)運行原則，用戶需求未處理時，系統(tǒng)自動鎖定相關(guān)資源。

此種調(diào)度屬于“N-M”調(diào)度。在此種調(diào)度中，云調(diào)度中心作為供給側(cè)主體，中心在執(zhí)行任務(wù)時主要預(yù)期是保證現(xiàn)有資源得到充分利用，同時有效控制時間片成本，從而積極提高經(jīng)濟(jì)效益。用戶作為需求側(cè)主體，其在調(diào)度過程中任務(wù)目標(biāo)是積極降低聚焦成本，同時保證調(diào)度高效率完成。調(diào)度過程的主要目標(biāo)是降耗、提質(zhì)、增效。假設(shè)系統(tǒng)中當(dāng)前存在N個用戶任務(wù)等待系統(tǒng)篩選處理，資源分配情況為Ti，聚焦成本（K－P）、時間片（T－P）符合用戶初始化要求。在調(diào)度時，由高到低排序不同任務(wù)對應(yīng)的資源量。當(dāng)業(yè)務(wù)為B0時，其對應(yīng)的時間片為Ti0，對應(yīng)的資源量為T0，對應(yīng)的聚焦成本為K0；當(dāng)業(yè)務(wù)為Bn-1時，其對應(yīng)的時間片為Tn-1，對應(yīng)的資源量為Tn-1，對應(yīng)的聚焦成本為Kn-1[3]。

3 算法優(yōu)化設(shè)計

時間片即Ti描述為（T－P）；聚焦成本K聚焦為（K－P），即K聚焦=（K－P）；業(yè)務(wù)（work）使用W表示，用戶可靠度描述為（W－P）。云系統(tǒng)運行中，第j個時間片描述為Tij，第i個業(yè)務(wù)描述為Wi，Tij節(jié)點處理Wi時，Wi預(yù)申請資源用x（i，j）表示。假設(shè)Tij范圍系統(tǒng)資源總量用y（j）表示，此時資源分配時符合如下約束條件：

云系統(tǒng)預(yù)分配時間片描述為T（i），Wi與的t（i）需求匹配的模型為：

資源j處Wi需要付出代價描述為u（i，j），全部代價描述為u（j），同時u（j）符合如下條件：

使用K描述成本，使用P描述利潤，權(quán)重描述為w。K聚焦直接受到成本影響。K聚焦與業(yè)務(wù)熱點呈正相關(guān)。模型參數(shù)以模型（1）—模型（4）參數(shù)為依據(jù)，數(shù)據(jù)業(yè)務(wù)聚焦成本描述為K業(yè)務(wù)聚焦，K業(yè)務(wù)聚焦權(quán)重描述為：

時間片描述為（T－K），影響（T－K）耗費代價的核心因素為系統(tǒng)篩選時間，即T系統(tǒng)篩選。業(yè)務(wù)開支中時間片權(quán)重為：

第n組業(yè)務(wù)資源需求完成數(shù)量描述為L（i，n），時間片冗余使用D描述，根據(jù)模型（1）、模型（2）、模型（3）進(jìn)行模型參數(shù)設(shè)置。由此可構(gòu)建如下模型：

業(yè)務(wù)收斂程度采用用戶可靠度表示，描述為（W－P），系統(tǒng)業(yè)務(wù)處理水平與（W－P）呈正相關(guān)。時間片在系統(tǒng)中運行期間完成的業(yè)務(wù)量描述為A1，當(dāng)前業(yè)務(wù)總量描述為A2，由此創(chuàng)建模型：

疊加模型（4）—模型（6）可得出系統(tǒng)調(diào)動效率，描述為（C云－P），符合如下模型關(guān)系：

網(wǎng)絡(luò)資源分配宏觀預(yù)期是基于固定資源量，服務(wù)于任意業(yè)務(wù)即W（i）。在此種情況下，C云－P=T+KP+W－P應(yīng)符合如下條件：

在構(gòu)建該模型時參數(shù)設(shè)置與模型（1）—模型（8）一致。通過拉格朗日法針對該模型求出最優(yōu)解，得出拉格朗日函數(shù)：

針對該函數(shù)設(shè)定如下條件：

利用該模型計算得出最優(yōu)聚焦成本K聚焦與時間片Ti。優(yōu)化供給側(cè)資源，根據(jù)模型（1）—模型（8）參數(shù)設(shè)置條件構(gòu)建如下模型：

結(jié)合上述模型可得出如下拉格朗日函數(shù)：

一階微分處理該模型，從而得出供給側(cè)資源成本P資源、最優(yōu)時間片Ti最優(yōu)。

4 算法應(yīng)用效果檢驗

4.1 仿真實驗方法

采用仿真實驗方法進(jìn)行優(yōu)化后算法應(yīng)用效果檢驗。分別應(yīng)用本文優(yōu)化后算法、TSC-SF 算法以及UEG 算法3 種算法，進(jìn)行對照分析實驗，評價本文優(yōu)化后算法的實際應(yīng)用性能。軟件工具選用MATLAB，構(gòu)建仿真實驗環(huán)境，實施仿真實驗[4]。

4.2 實驗參數(shù)設(shè)置

仿真指標(biāo)主要選擇2 項內(nèi)容，分別為數(shù)據(jù)處理帶寬與數(shù)據(jù)篩選業(yè)務(wù)量。在設(shè)置仿真參數(shù)時，業(yè)務(wù)維持時間參數(shù)設(shè)置為10 h，云資源池密度參數(shù)設(shè)置為10 以上，設(shè)置處理速率為96 Mbps 以上，資源更新周期參數(shù)為超過512 s。

4.3 算法應(yīng)用效果和優(yōu)勢

篩選業(yè)務(wù)量分析顯示，本算法具有篩選業(yè)務(wù)量更大、篩選效率更高、增幅顯著的優(yōu)勢。資源池中分為2 種資源，分別為低密度資源與高密度資源，如圖1 所示。

圖1 業(yè)務(wù)量篩選情況

解讀圖1 信息可知：當(dāng)云資源池滿足不同密度條件時，采用本文建模數(shù)據(jù)篩選算法時，數(shù)據(jù)篩選結(jié)果與TSC-SF 算法、UEG 算法篩選結(jié)果存在一定差異。應(yīng)用本文算法后，總體篩選業(yè)務(wù)量呈現(xiàn)持續(xù)增長趨勢，其他2 種算法雖然也可見此種趨勢，但是增幅顯著低于本文算法。經(jīng)過分析認(rèn)為，此種表現(xiàn)的核心誘因是本文算法中結(jié)合聚合度熱點收斂映射，在使用模型運算處理數(shù)據(jù)時優(yōu)先處理高聚焦度用戶，即熱點用戶。本文結(jié)合熱點收斂映射實現(xiàn)算法優(yōu)化，降低熱度聚集產(chǎn)生的消極影響，促使數(shù)據(jù)有效收斂。應(yīng)用此種算法篩選目標(biāo)數(shù)據(jù)時，多方位應(yīng)用拉格朗日法促進(jìn)配置均衡，促使業(yè)務(wù)篩選處理高效率完成。

數(shù)據(jù)處理帶寬方面，針對不同密度的數(shù)據(jù)資源，應(yīng)用TSC-SF 算法、UEG 算法效果相對較差，本文算法應(yīng)用效果顯著。帶寬測試結(jié)果顯示，本算法帶寬水平較高，同時穩(wěn)定性較好。TSC-SF 算法、UEG 算法存在波動顯著、穩(wěn)定性較差的問題。本文通過特殊收斂映射機(jī)制應(yīng)用，同時進(jìn)行拉格朗日法進(jìn)行算法優(yōu)化，與傳統(tǒng)算法相比顯著提高了業(yè)務(wù)處理效率，可更大規(guī)模地并行處理業(yè)務(wù)，具有顯著應(yīng)用優(yōu)勢。

5 結(jié)論

綜上所述，當(dāng)前數(shù)據(jù)篩選運算中主要采用TSC-SF算法、UEG 算法，但是上述2 種算法均存在一定弊端，處理數(shù)據(jù)時帶寬、篩選業(yè)務(wù)量低于預(yù)期。本文從當(dāng)前算法缺陷出發(fā)，采用聚合度熱點收斂映射機(jī)制構(gòu)建新型算法，優(yōu)化供給側(cè)與需求側(cè)資源匹配，分析用戶可靠度、聚焦成本與時間片，同時進(jìn)行拉格朗日法促進(jìn)算法優(yōu)化，提高了算法應(yīng)用效率，應(yīng)用效果顯著。