基于聚合度热点收敛映射机制的云计算人工智能数据筛选算法研究＊

胡珊

（广州工商学院，广东 广州 510850）

传统算法存在显著的局限性，应用性能和处理能力有限，为此应积极探讨新型算法。常规算法应用后，因为存在热度聚集问题，较易造成数据缺少收敛性，导致运算精度降低。目前数据筛选算法中，应用范围较广、应用评价较好的算法是TSC-SF 算法和UEG 算法这2 种，但是实际应用效果均不理想。

1 传统算法的应用缺陷

结合云计算技术的人工智能技术常见应用于数据筛选运算，当前技术水平下，通常采用的调度模式为“网-边缘”调度方法。分析现有资源规模、特点，以网络数据为依据，利用云中间件构建数学模型，通过模型处理数据资源和业务。通过模型分析可确定调度函数，然后以此为依据定义筛选数据的原则。当前技术方案应用时主要为经济调度模式，通常将云中心作为数据库，在数据库中存储大量决定参数，包括筛选进程、中间件以及带宽等。受此影响，在实际调度过程中，各个云中心调度模型时所耗费的成本存在显著差异。

TSC-SF 算法即时间片累积调度筛选，UEG 算法即超欧里几何数据筛选。TSC-SF 算法采用分配时间片方法轮询调度数据，然而实际应用中缺少大规模的调度参数参与，导致其筛选性能低于预期。UEG 算法使用时，业务收敛实现方式是拓扑映射，但是在实际应用中供给侧至用户侧未能予以有效资源分配，导致UEG 算法实际应用时筛选质量、筛选效率不理想。因此，优化智能数据筛选算法具有必要性[1]。

2 数据筛选算法主要优化思路

想要将用户任务成本降低至可能范围内的最低水平，必须大量占用云中心资源，影响系统性能，因此目标用户任务通常难以以最低成本完成资源调度。在经济调度应用时，对用户数据质量要求较高，在支付层处理数据时，通常比较重视支付稳定性评价，积极提高支付效率，但是在任务匹配数据时，通常侧重于促进及时匹配以及提高匹配效率，导致算法应用效果较差。智能数据筛选模式不同时，需要动态监控供需侧情况，促进供需平衡。与此同时，应明确用户需求，从而动态驱动云中心资源，使其与用户需求有效适配。

基于此种背景，优化设计新型经济调动方案，新算法以调度时间片、用户需求成本为基础条件，促进智能化动态驱动匹配，在裁决任务时，调度参数取决于用户需求聚合度。在此基础上，采用热点收敛映射处理方法整合聚合成本因素、一般成本因素以及中心资源，映射处理云中心资源时采用2 组调度序列模式，裁决模式为“时间片-成本”模式，以期通过此种算法优化实现数据筛选提质增效。

在应用经济模型时，应保证云调度中心尽可能利用现有资源满足用户需求。达成此目标后，应积极降低系统资源消耗，从而保证系统运行性能良好。通过交互方法筛选数据可满足上述要求。基于云计算技术筛选数据时，需要保证算法性能符合数据吞吐容量要求，具有较好的数据可用性，并且一定确定数据筛选时间等。通过设置相关参数调度用户。本文算法优化中，选取3 个重要参数，分别为用户可靠度（W－P）、时间片（T－P）、聚焦成本（K－P）。对（W－P）参数、（T－P）参数与（K－P）参数进行抽象化处理，得出裁决函数（W－P）参数、（T－P）参数、（K－P）参数。调度资源过程中使用裁决函数描述调度经济成本，然后分析经济成本得出最优解，即作出裁决。云中心可并行处理多个调度任务，当多组用户需求等待处理时可采用上述裁决函数实施并行处理，以此为背景设计并发调度模型作为数据筛选工具[2]。

在设计模型时，首先设定系统基础运行原则，并且匹配模式采用“供给侧-需求侧”模式。调度用户需求时，当用户任务大于1 个，并且任务之间无显著相互影响，可进行并行调度。选取用户任务时，可通过抽象化处理全部任务为（T－P）性能、（K－P）性能和（W－P）性能。云中心在进行资源调度时，采用锁模式处理用户任务，在此种模式中，调度用户任务时用户任务与时间片为一对一关系。轮询调度原则是时间片的基础运行原则，用户需求未处理时，系统自动锁定相关资源。

此种调度属于“N-M”调度。在此种调度中，云调度中心作为供给侧主体，中心在执行任务时主要预期是保证现有资源得到充分利用，同时有效控制时间片成本，从而积极提高经济效益。用户作为需求侧主体，其在调度过程中任务目标是积极降低聚焦成本，同时保证调度高效率完成。调度过程的主要目标是降耗、提质、增效。假设系统中当前存在N个用户任务等待系统筛选处理，资源分配情况为Ti，聚焦成本（K－P）、时间片（T－P）符合用户初始化要求。在调度时，由高到低排序不同任务对应的资源量。当业务为B0时，其对应的时间片为Ti0，对应的资源量为T0，对应的聚焦成本为K0；当业务为Bn-1时，其对应的时间片为Tn-1，对应的资源量为Tn-1，对应的聚焦成本为Kn-1[3]。

3 算法优化设计

时间片即Ti描述为（T－P）；聚焦成本K聚焦为（K－P），即K聚焦=（K－P）；业务（work）使用W表示，用户可靠度描述为（W－P）。云系统运行中，第j个时间片描述为Tij，第i个业务描述为Wi，Tij节点处理Wi时，Wi预申请资源用x（i，j）表示。假设Tij范围系统资源总量用y（j）表示，此时资源分配时符合如下约束条件：

云系统预分配时间片描述为T（i），Wi与的t（i）需求匹配的模型为：

资源j处Wi需要付出代价描述为u（i，j），全部代价描述为u（j），同时u（j）符合如下条件：

使用K描述成本，使用P描述利润，权重描述为w。K聚焦直接受到成本影响。K聚焦与业务热点呈正相关。模型参数以模型（1）—模型（4）参数为依据，数据业务聚焦成本描述为K业务聚焦，K业务聚焦权重描述为：

时间片描述为（T－K），影响（T－K）耗费代价的核心因素为系统筛选时间，即T系统筛选。业务开支中时间片权重为：

第n组业务资源需求完成数量描述为L（i，n），时间片冗余使用D描述，根据模型（1）、模型（2）、模型（3）进行模型参数设置。由此可构建如下模型：

业务收敛程度采用用户可靠度表示，描述为（W－P），系统业务处理水平与（W－P）呈正相关。时间片在系统中运行期间完成的业务量描述为A1，当前业务总量描述为A2，由此创建模型：

叠加模型（4）—模型（6）可得出系统调动效率，描述为（C云－P），符合如下模型关系：

网络资源分配宏观预期是基于固定资源量，服务于任意业务即W（i）。在此种情况下，C云－P=T+KP+W－P应符合如下条件：

在构建该模型时参数设置与模型（1）—模型（8）一致。通过拉格朗日法针对该模型求出最优解，得出拉格朗日函数：

针对该函数设定如下条件：

利用该模型计算得出最优聚焦成本K聚焦与时间片Ti。优化供给侧资源，根据模型（1）—模型（8）参数设置条件构建如下模型：

结合上述模型可得出如下拉格朗日函数：

一阶微分处理该模型，从而得出供给侧资源成本P资源、最优时间片Ti最优。

4 算法应用效果检验

4.1 仿真实验方法

采用仿真实验方法进行优化后算法应用效果检验。分别应用本文优化后算法、TSC-SF 算法以及UEG 算法3 种算法，进行对照分析实验，评价本文优化后算法的实际应用性能。软件工具选用MATLAB，构建仿真实验环境，实施仿真实验[4]。

4.2 实验参数设置

仿真指标主要选择2 项内容，分别为数据处理带宽与数据筛选业务量。在设置仿真参数时，业务维持时间参数设置为10 h，云资源池密度参数设置为10 以上，设置处理速率为96 Mbps 以上，资源更新周期参数为超过512 s。

4.3 算法应用效果和优势

筛选业务量分析显示，本算法具有筛选业务量更大、筛选效率更高、增幅显著的优势。资源池中分为2 种资源，分别为低密度资源与高密度资源，如图1 所示。

图1 业务量筛选情况

解读图1 信息可知：当云资源池满足不同密度条件时，采用本文建模数据筛选算法时，数据筛选结果与TSC-SF 算法、UEG 算法筛选结果存在一定差异。应用本文算法后，总体筛选业务量呈现持续增长趋势，其他2 种算法虽然也可见此种趋势，但是增幅显著低于本文算法。经过分析认为，此种表现的核心诱因是本文算法中结合聚合度热点收敛映射，在使用模型运算处理数据时优先处理高聚焦度用户，即热点用户。本文结合热点收敛映射实现算法优化，降低热度聚集产生的消极影响，促使数据有效收敛。应用此种算法筛选目标数据时，多方位应用拉格朗日法促进配置均衡，促使业务筛选处理高效率完成。

数据处理带宽方面，针对不同密度的数据资源，应用TSC-SF 算法、UEG 算法效果相对较差，本文算法应用效果显著。带宽测试结果显示，本算法带宽水平较高，同时稳定性较好。TSC-SF 算法、UEG 算法存在波动显著、稳定性较差的问题。本文通过特殊收敛映射机制应用，同时进行拉格朗日法进行算法优化，与传统算法相比显著提高了业务处理效率，可更大规模地并行处理业务，具有显著应用优势。

5 结论

综上所述，当前数据筛选运算中主要采用TSC-SF算法、UEG 算法，但是上述2 种算法均存在一定弊端，处理数据时带宽、筛选业务量低于预期。本文从当前算法缺陷出发，采用聚合度热点收敛映射机制构建新型算法，优化供给侧与需求侧资源匹配，分析用户可靠度、聚焦成本与时间片，同时进行拉格朗日法促进算法优化，提高了算法应用效率，应用效果显著。