云计算环境下资源调度系统设计与实现

张露;尚艳玲

【摘 要】在云计算环境下,对开放的网络大数据库信息系统中的数据进行优化调度,提高数据资源的利用效率和配置优化能力;传统的资源调度算法采用资源信息的自相关匹配方法进行资源调度,当数据传输信道中的干扰较大及资源信息流的先验数据缺乏时,资源调度的均衡性不好,准确配准度不高;提出一种基于云计算资源负载均衡控制和信道自适应均衡的资源调度算法,并进行调度系统的软件开发和设计;首先构建了云计算环境下开放网络大数据库信息资源流的时间序列分析模型,采用自适应级联滤波算法对拟合的资源信息流进行滤波降噪预处理,提取滤波输出的资源信息流的关联维特征,通过资源负载均衡控制和信道自适应均衡算法实现资源调度改进;仿真结果表明,采用资源调度算法进行资源调度系统的软件设计,提高了资源调度的信息配准能力和抗干扰能力,计算开销较小,技术指标具有优越性. 【期刊名称】《计算机测量与控制》 【年(卷),期】2017(025)001 【总页数】4页(P131-134)

【关键词】云计算;资源调度;数据分析;自适应均衡 【作 者】张露;尚艳玲

【作者单位】安阳职业技术学院电大工作部,河南安阳455000;安阳师范学院软件学院,河南安阳455000 【正文语种】中 文

【中图分类】TP391

随着网络信息技术和大数据处理技术的发展，数据在网络空间中的规模越来越大，对数据信息的计算和处理的实时性要求越来越高。大数据信息中含有大量的资源，比如开放的数据库资源、网络信息资源、图书馆资源等，通过对这些资源的优化调度和处理，提高资源信息的利用能力和均衡配置能力，防止资源拥堵和资源欠缺。在大数据信息条件下，采用云计算进行大数据分析成为未来信息处理发展的必然趋势，云计算是通过网格分布式计算和网络集成计算方法，实现对大数据的信息特征分析和特征提取，采用大数据信息采样方法，在网络空间中实现资源集成重整，提高资源信息的并行处理和多线程调度能力。在云计算环境下，对开放的网络大数据库信息系统中的数据进行优化调度，提高数据资源的利用效率和配置优化能力，研究云计算环境下资源调度算法和相应的系统设计方法具有重要意义，相关的算法设计研究受到人们的极大重视。

云计算环境下资源调度算法研究是建立在对资源信息流的时间序列分析和信息处理基础上的，通过对资源信息流的特征提取和时间序列特征拟合，结合相应的信息调度算法，实现资源的优化配置。传统方法中，在云计算环境下进行开放网络大数据库信息资源负载均衡调度方法采用的是实体模型分析方法和语义特征提取方法、基于子空间特征降噪的资源负载均衡调度算法、基于资源状态的相空间重组和最大Lyapunove指数分析的云计算环境下资源调度算法等[1-3]，其中，文献[4]提出一种基于时间尺度分析的大型开放网络大数据库信息资源负载均衡算法，通过云计算实现任务权衡和调度，对云计算资源信息流在时频域内进行特征分解，降低了资源调度的复杂度，但是该算法抗干扰性能不好，在资源大数据信息中含有大量的干扰成分时，资源配置的准确性不好。文献[5]提出一种基于模糊循环堆栈控制的云计算环境下的开放网络大数据库信息资源负载均衡调度算法，进行云计算环境下的开放网络大数据库信息资源负载数据堆栈存储设计，提取开放网络大数据库信息资源

负载数据信息流语义本体特征，以此为基础进行移动云资源的开放网络大数据库信息资源调度，该方法的优点是具有较好的抗干扰能力和收敛性能，但是该方法计算开销较大，实时性不好。文献[6]采用资源信息的自相关匹配方法进行资源调度，当数据传输信道中的干扰较大及资源信息流的先验数据缺乏时，资源调度的均衡性不好，准确配准度不高。针对上述问题，名本文提出一种基于云计算资源负载均衡控制和信道自适应均衡的资源调度算法，并进行调度系统的软件开发和设计。首先构建了云计算环境下开放网络大数据库信息资源流的时间序列分析模型，采用自适应级联滤波算法对拟合的资源信息流进行滤波降噪预处理，提取滤波输出的资源信息流的关联维特征，通过资源负载均衡控制和信道自适应均衡算法实现资源调度改进。最后通过仿真实验进行了性能测试和分析，采用资源调度算法进行资源调度系统的软件设计，提高了资源调度的信息配准能力和抗干扰能力，得出有效性结论。 1.1 基本知识及开放网络大数据库资源信息流模型构建

在云计算环境下，云计算网格空间通过资源信息调度进行内存管理、进程管理和设备文件系统管理，云计算环境的开放网络大数据库资源信息服务拓扑结构分为三层，第一层开放网络大数据库连接资源信息服务中心层；第二层由LAN(本地局域网)层，通过LAN构成开放网络数据分析中心，来为用户提供软件服务；第三层是中间件层，实现开放网络大数据库资源的收集和信息加工[7]。云计算环境下开放网络大数据库资源管理结构模型如图1所示。

从图1可见，云计算环境中聚集了各种信息资源，且资源的规模较大，通过对云计算环境下开放网络大数据库资源优化调度设计，提高数据资源的利用效率和配置优化能力。本文为了实现对云计算开放网络大数据库信息资源的优化调度，首先进行云计算开放网络大数据库信息资源信息流模型构建，以构建的云计算开放网络大数据库信息资源信息流模型为基础进行数据信息流的时间序列分析，对移动云计算开放网络大数据库信息资源数据按照特征匹配度进行序列分区，在开放网络大数据

库资源信息采集模型中，通过每个测试点的逆进行数据特征的链路重组，表示为U∈Rm×m，其为一个正交矩阵，V∈RM×M，其中UT=U-1，VT=V-1，D∈Rm×M。通过特征重构，资源调度的状态变量满足D=[∑0]。在数据结构的状态空间信息域中采用代价约束常量ISk(p)取出数据对象，使得c1满足ISk(p)中的关联度主特征信息SKDNS(p)，设资源搜索模块的开放网络大数据库资源信息的特征集合为:

其中：m表示开放网络大数据库资源分布空间的维数，pm为节点交换数据时间序列，对多个开放网络大数据库资源流进行数据融合，在嵌入式平台下进行资源匹配，此时待分配的开放网络大数据库资源流为：

式中，q表示多个开放网络大数据库资源流集合的存储深度，nq表示开放网络大数据库资源信息流的数据序列，N表示开放网络大数据库资源总数。由此实现了开放网络大数据库资源信息流模型构建。 1.2 资源信息流数据抗干扰滤波预处理

云计算环境下开放网络大数据库资源受到海量的网络信息的干扰，为了提高调度性能，实现云计算环境下资源调度系统的优化设计，需要进行抗干扰滤波处理，采用自适应级联滤波算法对拟合的资源信息流进行滤波降噪预处理，云计算环境中，每个簇头节点上都记载着信息资源输入数据，得到开放网络大数据库资源逻辑信息输入特征集合为：

其中：k为云计算调度平台中的信息采样节点数，N为资源规模，对开放网络大数据库资源信息特征结合的实部z(t)进行自适应调制分解，得到含有干扰项的资源信息流时间序列模型为：

其中：sc(t)表示云计算开放网络大数据库信息资源训练集中属于bi类的元素的概率密度，ej2πf0t表示大数据库信息资源的特征调度独立相关变量。设计自适应级联滤波器，滤波器的结构框图如图2所示。

根据图2所示的自适应级联滤波结构框图，得到滤波器的传递函数为： 其中：s(t)表示输入的开放网络大数据库信息资源信息参量，h(t)表示单位冲激响应函数，H[s(t)]为自适应级联滤波的平均响应传递向量。对云计算环境下的开放网络大数据库信息资源信息进行特征空间建模，得到输出的特征空间波束流为： 其中：W矩阵为n×m维的特征状态解析矩阵，采用多尺度小波分解，得到开放网络大数据库信息资源的资源调度的扩频滤波，滤波输出为：

其中：P为功率谱密度，τ为时延参量，由此实现对云计算开放网络大数据库信息资源信息流的离散归一化处理和滤波，提高资源调度的抗干扰能力。 2.1 资源信息流的关联维特征提取

在上述进行了开放网络大数据库资源信息流模型构建和数据抗干扰滤波预处理的基础上，进行资源调度算法优化设计，分析得知，传统方法采用资源信息的自相关匹配方法进行资源调度，当数据传输信道中的干扰较大及资源信息流的先验数据缺乏时，资源调度的均衡性不好，准确配准度不高[8-12]。为了克服传统方法的弊端，本文提出一种基于云计算资源负载均衡控制和信道自适应均衡的资源调度算法，提取滤波输出的资源信息流的关联维特征，通过资源负载均衡控制和信道自适应均衡算法实现资源调度改进。首先给出云计算下开放网络大数据库信息资源调度的功耗表达为：

在单位资源调度功耗一致条件下，进行关联维特征提取，假设关联维特征的子空间中，u(n)(x,y)为第i条路径的时延，在资源负载均衡条件下，进行云资源信息筛选，实现信息融合，得到开放网络大数据库信息资源的关联维单频特征组成为： 定义ΓI(v)={e∈E|head(e)=v}，输入到开放网络大数据库信息资源的调度链路集合中的资源关联维特征|ΓI(v)|为节点v的入度，采用语义信息融合方法进行关联维的维度统计，然后得到输出统计特征为：

其中，x,y为别表示开放网络大数据库信息资源信息实向量和干扰向量，ωi为关联

维特征提取过程中的信息融合尺度，对资源信息流的关联维特征进行负载均衡配置，计算云计算环境中资源信息的自适应功率谱密度特征，在资源信息流为均匀分布下，得到开放网络大数据库资源信息流的小波尺度特征可以定义为：

其中：τ为资源调度的时间延迟，u为尺度系数，α(τ,v)为频谱配准系数，基于资源负载均衡控制，在特征子空间中构成的矩阵的秩为n+t的线性子空间Zm，得到开放网络大数据库资源调度的状态转移方程：

开放网络大数据库资源调度冲激函数是由两个参数a和τ决定的，随着时间延迟的增大，开放网络大数据库资源调度过程的聚焦性能提高，由此可见，通过对资源信息流的关联维特征提取。可以将开放网络大数据库资源调度问题转换为求一个多元未知参量的信道自适应均衡问题。

2.2 基于资源负载均衡控制和信道自适应均衡的资源调度实现

根据上述资源信息流的特征提取结果，采用资源负载均衡控制和信道自适应均衡设计实现开放网络大数据库资源调度，在云计算环境中，开放网络大数据库资源调度的进程配置时间片长度分别记作x1,x2,…,xm+1，在不同干扰强度下，得到资源调度的资源负载均衡控制函数为：

其中：T为尺度均衡系数，xm+1为开放网络大数据库资源调度散布元，把开放网络大数据库资源调度的时间轴划分成均匀分布的时间窗口，构建双门限均衡控制调度模型，假设每个开放网络大数据库资源节点v(V都有一个延迟属性delay(v)，得到开放网络大数据库资源调度的上下门限分别为：

其中：delay(v)为信息流采样窗口延迟，AT(u)为权向量，RT(w)为信道均衡系数，采用信道自适应均衡调度，得到开放网络大数据库资源调度的自适应信道均衡控制方程为：

采用连续函数向量进行资源配置的最优约束参量搜索，由此实现了基于资源负载均衡控制和信道自适应均衡的资源调度优化算法设计。

采用STM32型处理器作为开放网络大数据库资源调度系统的核心处理单元，进行资源调度系统的软件开发设计，采用RFID技术进行开放网络大数据的特征信息采样，系统设计CAN2.0B接口作为资源信息的存取端，使用S3C2440自带的AD系统进行开放网络大数据资源信息的6通道同步采样设计。采用一种多线程的RFID射频识别方法进行资源信息的特征提取和抗干扰识别。在软件开发中，通过模块化设计，构建资源调度系统的控制执行单元模型、信息核心处理模块、抗干扰滤波模块、输出接口模块、以及人机交互模块、数据输接口设计等。软件设计以嵌入式Linux2.6.32内核为平台，使用VisualDSP++的Simulator和Emulator确定变量和数组需要的存储空间，开放网络大数据库资源调度信息流采样采用PSK调制，模拟100个大学的开放网络大数据库资源调度任务，在开放网络大数据库资源调度中，资源信息传输的比特率为0.5 Mbps，全局迭代次数为500次，k=49 655 Hz/s，f0=7.7 Hz，k的相对误差为0.69%，根据上述软件开发环境构建和参数设计，进行资源调度系统测试和算法仿真，得到开放网络大数据库资源信息流的时域波形和频域特征如图3所示。

图3 开放网络大数据库资源信息流时域和频域仿真波形从图可见，采用本文方法进行开放网络大数据库资源调度，对大数据库资源信息流采样和时频域分析的结果较为准确，具有较好的频谱响应，以此为研究对象，进行资源调度，采用本文方法和文献给出的传统方法，在不同的虚警下以资源调度的配准度为测试指标，得到对比结果如图4所示，相关的技术指标对比结果见表1。 图3 开放网络大数据库资源信息流时域和频域仿真波形

分析上述仿真结果可见，采用本文方法进行资源调度，从资源调度的配准性、资源调度的执行耗时、信道均衡性和衰减性等参量作为测试，对比结果可知，本文方法对资源的配准度较高，耗时较小，信道均衡性能较好，具有更低的特征衰减，说明抗干扰能力较强。综合指标分析表明采用本文方法进行云计算环境下的资源调度的

性能优越。

云计算环境下资源调度算法研究是建立在对资源信息流的时间序列分析和信息处理基础上的，本文提出一种基于云计算资源负载均衡控制和信道自适应均衡的资源调度算法，并进行调度系统的软件开发和设计。首先构建了云计算环境下开放网络大数据库信息资源流的时间序列分析模型，采用自适应级联滤波算法对拟合的资源信息流进行滤波降噪预处理，提取滤波输出的资源信息流的关联维特征，通过资源负载均衡控制和信道自适应均衡算法实现资源调度改进。仿真结果表明，采用资源调度算法进行资源调度系统的软件设计，提高了资源调度的信息配准能力和抗干扰能力，计算开销较小，技术指标具有优越性，具有较高的应用价值。

【相关文献】

[1] 崔永君,张永花.基于特征尺度均衡的Linux系统双阈值任务调度算法[J].计算机科学,2015,42(6):181-184.

[2] 王晓初,王士同,包 芳,等.最小化类内距离和分类算法[J].电子与信息学报,2016,38(3):532-540. [3] 赵 梦,李蜀瑜.云计算环境下基于蚁群优化的任务负载均衡调度算法[J].电子设计工程,2016,24(8)：112-123.

[4] Plan Y and Vershynin R. Robust 1-bit compressed sensing and sparse logistic regression:A convex programming approach[J].IEEE Transactions on Information Theory,2013,59(1):482-494.

[5] El-Mezouar M C, Kpalma K, Taleb N, et al. A Pan-sharpening Based on the Non-subsampled Contourlet Transform:Application to Worldview-2 Imagery[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2014,7(5):1806-1815. [6] Li Shutao, Yang Bin. A New Pan-sharpening Method Using a Compressed Sensing Technique[J].IEEE Transactions on Geoscience and Remote Sensing,2011,49(2):738-746. [7] 张普宁,刘元安,吴 帆,等.物联网中适用于内容搜索的实体状态匹配预测方法[J].电子与信息学报,2015,37(12):2815-2820.

[8] 何大阔,高飞雪,杨 乐,等.一类未知MIMO非线性离散系统的改进自适应准滑模解耦控制[J].控制与决策,2016,31(5):783-789.

[9] ST-Charles P, Bilodeau G, and Bergevin R.Subsense:a universal change detection method with local adaptive sensitivity[J].IEEE Transactions on Image

Processing,2015,24(1):359-373.

[10] Moghadam A A, Kumar M, and Radha H.Common and Innovative visuals:a sparsity modeling framework for video[J].IEEE Transactions on Image Processing,2014,23(9):4055-4069.

[11] Svensson D, Ulmke M, and Hammarstrand L. Multitarget sensor resolution model and joint probabilistic data association[J].IEEE Transactions on Aerospace and Electronic Systems,2012,48(4):3418-3434.

[12] 王跃飞,于 炯,鲁 亮.面向内存云的数据块索引方法[J].计算机应用,2016,36(5):1222-1227.