云资源数据传输效率评估数学模型的构建

陈海燕

(江苏安全技术职业学院 网络与信息安全学院，江苏 徐州 221011)

随着云计算和云存储技术的不断发展，在云环境的大背景下实现大数据传输和存储调度是未来数据信息传输的主要方向.随着感知获取的数据大量集中在云存储空间中，使得云存储空间中包含了大量的云资源，造成云存储空间的负荷不断增大，尤其是当多个用户同时请求服务时，海量数据的云链接使得网络面临着巨大压力，导致传输速率降低，服务质量降低.因此，构建优化的云资源数据传输效率评估模型，提高云资源数据传输的效率，从而保障云资源数据传输的安全性和准确性，具有重要的研究意义.相关的云资源数据传输效率评估模型研究也受到人们的极大关注[1].

在国内外的相关研究中，对云资源数据传输效率评估的方法主要有基于模糊关联规则的云资源数据传输效率评估方法、基于空时编码的云资源数据传输效率评估方法等，例如文献[2]通过不断更新事务数据库，结合AprioriTid思想，提出一种改进的模糊关联规则的数据传输挖掘方法，通过对云资源数据进行均衡配置和模糊特征匹配，实现云资源数据传输效率评估.文献[3]从空间域角度入手，通过空时预编码分离多个混叠数据流，利用链路功率来实现云资源数据传输效率的评估.但是上述传统方法由于未能有效进行数据的聚类均衡控制，导致云资源数据传输效率评估的收敛性不好，评估精度不高.

针对上述问题，本文提出基于融合差分聚类均衡控制的云资源数据传输效率评估数学模型.在云资源数据传输效率评估约束参量模型的基础上，对云资源数据进行特征检测和大数据信息融合，构建参数融合模型.结合自相关特征匹配的方法实现云资源数据传输过程中的均衡调度和语义分割，并根据对云资源数据的统计信息采样结果实现传输效率的均衡配置，最终完成云资源数据传输效率评估数学建模优化.通过仿真测试分析，本文方法提高了云资源数据传输效率评估的准确性和均衡性.

1 云资源数据传输效率约束参数和融合聚类分析

1.1 云资源数据传输效率约束参数

为了实现云资源数据传输效率评估，首先构建云资源数据传输效率评估的约束参数模型，以增强云资源数据传输效率评估的准确性.假设云资源数据的模糊聚类状态参数为T=ΔL·Lm，其中，ΔL>0，结合模糊度检测的方法[4]，建立云资源数据的特征分布集，用Wi表示，基于大数据分析，采用离散度调度的方法，得到云资源数据多样性模型参数稳定传输公式，其表示为

h=a·Wi+[t(e)+r]2，

(1)

其中，a为云资源数据传输效率评估的约束参量，t(e)为云资源数据传输效率的关联分布性为代价函数，r为融合差分聚类分析的方法参数.

(2)

其中，dr为云资源数据传输的量化均衡调度，s(w)为模糊度检测的方法参数.在全局离群点的数据集上，结合模糊度参数辨识的方法，建立云资源数据传输的密度网格簇心分类集，将网格对象i中的数据通过模糊参数辨识的方法进行网格分区块的匹配处理，此时，云资源数据传输效率回归分析值需满足e-Lms=1-Lms，在二维数据集的网格化聚类模型下[6]，得到网格聚类结果，其表示为

(3)

其中，Lm为云资源数据传输效率约束的代价函数，Tm为每个网格对象的密度值，Xp为概率密度，Xm为云资源数据特征采样间隔.根据网格聚类结果，结合自动决策所含有的稳定特征解，构建云资源数据传输效率评估的约束参数模型，其表达为

(4)

其中，α、β分别为范化残差学习代价因子列在a、b不同方向上的阶.可知约束代价函数是稳定收敛的，因此，在得到约束参数的基础上，采用粗糙集特征匹配的方法实现对云资源数据的特征检测和大数据信息融合，提高云资源数据的可靠性传输能力[7].

1.2 云资源数据融合聚类分析

采用统计特征分析方法进行云资源数据传输效率评估集的统计信息采样和融合聚类分析，在拟合数据点[8]得到云资源数据传输的模糊度参数为f(s)、f(k)，结合多径时延补偿的方法，对云资源数据的离散时间序列运用残差分析的方法进行空间融合聚类和特征采样，得到云资源数据的分布概念集为

u(p)=f(s)+f(k)+y(l) ，

(5)

其中，y(l)为云资源数据的特征检测参数.

在拟合决策图中，建立云资源数据传输的密度网格分布模型，得到云资源数据传输效率参数评估的可靠性函数用s*表示，采用有限维分析的方法，获得云资源数据传输效率的最佳博弈状态参量，则云资源数据传输效率评价的特征数据为

(6)

结合模糊度寻优方法，对云资源数据传输效率评估的大数据进行融合性调度，得到云资源数据融合聚类分析方程为

(7)

其中，Y为云资源数据传输的响应变量，Y*为云资源数据传输的拟合值.综上所述，利用规范化残差分析方法，实现云资源数据融合聚类分析[9].

2 云资源数据传输效率评估数学建模

2.1 云资源数据传输效率的均衡调度控制

为了实现云资源数据传输效率评估，需对云资源数据传输效率进行均衡调度控制，因此，采用空间均衡控制的方法，来构建云资源数据传输的量化均衡调度模型.首先，结合自相关特征匹配的方法实现云资源数据传输过程中的均衡调度和语义分割[10]，以云资源数据传输效率的关联分布性为代价函数，采用多元拟合函数来拟合数据点，得到云资源数据的线性拟合模型为

(8)

其中，x为云资源数据传输的有限域，ω为云资源数据的多径特征分量.

在资源配置过程中，采用二维数据集规划的方法，得到云资源数据传输的模糊辨识参数模型[11]，在规范化残差图Q中，求得逆矩阵Q-1，并对Q-1做二值变换，得到云资源数据传输效率估计的变量间函数为

A(s)=Q-1+(ε+jh)，

(9)

其中，ε为云资源数据传输的共同标记特征集.在数据传输的均衡配置模型中，如果est1独立于est2，云资源数据传输效率的均衡调度控制模型为

(10)

其中，f(c)为云资源数据传输的密度网格分布模型参数，在最近邻方向得到云资源数据传输均衡配置函数d(f)的决策寻优矩阵和收敛矩阵的特征解.综上分析，实现云资源数据传输均衡调度和效率评估，依据均衡调度控制结果构建传输效率评估数学模型.

2.2 云资源数据传输效率评估数学模型

以云资源数据传输效率的均衡调度控制结果为代价函数，根据对云资源数据的统计信息采样结果实现传输效率均衡配置[12]，得到云资源数据传输的二层规划双曲模型描述为

(11)

其中，z为采用残差分析数值，h(n)为稳定周期解判断的方法参数，得到云资源数据的特征点满足x=0,结合云资源数据传输信道的非边缘点的距离估计方法，得到稳态特征解β=(β1,…,βm)T∈GF(2n)m，采用二分法得到云资源数据传输效率评估的稳定周期解为n=1,2,3,…，x∈[0,1]，μ∈[0,4].结合二维数据集的网格化结果完成特征分解，输出为

(12)

(13)

其中，zc为对应的观测值参数，w(m)为相应的拟合值参数.采用融合差分聚类分析的方法实现云资源数据聚类和属性归并处理，得到云资源数据传输效率评估数学模型为

(14)

其中，Xmax、Xmin分别为最大评估阈值和最小评估阈值.综上分析，实现了云资源数据传输效率评估数学建模的优化设计.

3 仿真测试

在云资源数据传输效率评估的仿真测试中，设定云资源数据的规模为1200 Mbit，评估的迭代次数为200，云资源数据传输效率评估的先验概率密度为0.55，相关系数为0.36，自适应加权系数为0.14，云资源数据传输效率评估的变量分布如表1所示.

表1 云资源数据传输效率评估的变量分布

根据上述参数设定，构建云资源数据传输效率评估模型，得到云资源数据分布如图1所示.

图1 云资源数据分布

根据图1所示的云资源数据分布特征，对云资源数据传输效率进行评估，得到云资源数据传输的散点分布图如图2所示.

图2 云资源数据传输的散点分布图

根据图2的云资源数据传输的散点分布图可知，当前云资源数据传输效率较差.为进一步验证所提出的云资源数据传输效率评估数学模型的应用性能，将文献[2]中的方法和文献[3]中的方法作为对比，判断云资源数据传输效率的收敛性，得到结果如图3所示.

图3 云资源数据传输效率的收敛性判断

分析图3可知，本文方法在完成云资源数据传输效率评估时的收敛性较好，其收敛效果明显优于文献[2]方法和文献[3]方法.由此可见，本文构建的云资源数据传输效率评估数学模型能够保障云资源数据传输的稳定安全性.

测试不同方法下云资源数据传输效率评估的精度，得到对比结果如表2所示.

表2 云资源数据传输效率评估精度测试(%)

分析表2的结果得知，本文方法实现云资源数据传输效率评估的精度较高，在相同迭代次数的情况下，本文方法的评估精度高于文献[2]中的方法和文献[3]中的方法近乎10%的精度值.由此可见，本文构建的云资源数据传输效率评估数学模型能够提高云资源数据传输的准确性.

4 结语

为了优化云资源数据传输效率评估模型，增强云资源数据传输的安全性和准确性，结合信道均衡控制的方法，构建基于融合差分聚类均衡控制的云资源数据传输效率评估数学模型.采用空间均衡控制的方法，构建云资源数据传输的量化均衡调度模型，采用粗糙集特征匹配的方法实现对云资源数据的特征检测和大数据信息融合，根据对云资源数据的统计信息采样结果实现传输效率均衡配置，采用有限维分析的方法，实现对云资源数据传输效率评估的大数据融合性调度.通过实验分析得知，本文方法实现云资源数据传输效率评估的精度较高，普遍高于96%，且收敛性较好.