CN105282242A - 一种基于多属性信息的数据中心间的数据传输调度方法 - Google Patents

Abstract

本发明涉及一种基于多属性信息的数据中心间的数据传输调度方法，本方法利用层次化的方法分析不同属性间的从属关系，并使用信息熵理论确定不同属性的权重，从而给出多属性信息下中转数据中心的综合评价；通过建立时间扩展图模型将基于多属性信息的数据中心间数据传输调度问题形式化为最小代价流问题，并给出了求解该问题的算法。有益效果在于：(1)解决了多属性信息的数据中心间的数据传输调度效率低的问题；(2)根据获得的权重，基于多属性信息的方法在权重最高的维度上具有最高的优化性能。

Description

一种基于多属性信息的数据中心间的数据传输调度方法

技术领域

本发明涉及数据中心技术领域，尤其涉及一种基于多属性信息的数据中心间的数据传输调度方法。

背景技术

近年来，随着云计算和互联网在线业务的迅速发展，互联网巨头在全球各地建立了多个大规模的数据中心，将用户的数据复制到多个地理位置以提高用户服务质量。这些分布式的数据中心之间需要传输大量的数据。数据中心之间的业务流量已经占据了接近一半的数据中心出口带宽。但是由于数据中心处于忙闲不均的使用情况，导致数据中心之间的链路并没有得到有效利用。因此，如何对数据中心间的数据进行传输调度是当前亟待解决的问题。由于数据中心的接入带宽使用情况是随着时间而变化的，传统的路由选择技术并不能解决现有的问题。

因此，可通过使用接入带宽空闲的数据中心进行中转，待中转数据中心具备到目的数据中心的带宽富裕路径时再将数据进行转发。利用这样的存储转发机制，以提高数据中心接入带宽利用率、降低数据中心间流量传输成本、减少域间传输流量为目标的路径选择优化机制。然而在实际的数据传输路径选择过程中，经常会遇到管理者不仅关心数据中心接入带宽使用情况，而且对于链路的费用、服务质量也有要求；或者管理者对其中的某一项属性要求较高而对其他属性要求不是很高的情况。所以仅考虑单属性或单一优化目标的路径选择是不全面的。

发明内容

本发明为克服上述的不足之处，目的在于提供一种基于多属性信息的数据中心间的数据传输调度方法，本方法利用层次化的方法分析不同属性间的从属关系，并使用信息熵理论确定不同属性的权重，从而给出多属性信息下中转数据中心的综合评价；通过建立时间扩展图模型将基于多属性信息的数据中心间数据传输调度问题形式化为最小代价流问题。本方法解决了多属性信息的数据中心间的数据传输调度效率低的问题。

本发明是通过以下技术方案达到上述目的：一种基于多属性信息的数据中心间的数据传输调度方法，包括如下步骤：

(1)利用层次分析法，对多个属性之间的从属关系进行分析；

(2)根据分析得到的属性值差异分布，利用信息熵设置属性的相对权重，得到综合评价公式，并通过公式得到评价值；

(3)对评价值建模得到时间扩展图，通过时间扩展图将基于多属性信息的数据中心间的数据传输调度问题转化为最小代价流问题；

(4)通过负价环算法计算解决最小代价流问题，得到综合评价最优的路径，即最小代价流。

作为优选，所述步骤(1)的层次分析法将多个属性信息根据依赖关系分成不同的层次，使用层次化的结构构造多属性决策问题，通过监测定量获取属性值。

作为优选，所述的多属性决策问题为基于多属性信息的决策矩阵来评价不同备选数据中心的偏好次序，决策矩阵如下：

其中，决策属性的个数n″由第1层的n″个核心属性决定，矩阵的行代表有m个决策备选方案{A_i}，列代表n个不同的决策属性{X_j}，矩阵的每个元素x_ij代表数据中心i的第j项属性值。

作为优选，所述步骤(2)得到综合评价公式过程如下：

1)将所有类型的属性转化为成本型属性；

2)基于决策矩阵，将关于属性X_j的属性值归一化为评价值，归一化公式为 $X_{ij}=\frac{x_{ij}}{\underset{i=1}{\overset{m}{\Σ}}{x}_{ij}};$

3)根据香农公式，计算属性X_j的信息熵权其中，k是常数，为使0≤Ej≤1，令

4)设信息的偏差度定义为d_j＝1-E_j；

5)令相对权重并使用算术加权平均算子对评价值进行加权计算，解得综合评价公式为 $U_i^{final}(X_{i1},X_{i2},\mathrm{...},X_{in})={\Σ}_{j=1}^{n^{*}}{w}_j{X}_{ij},\∀i.$

作为优选，所述的所有类型的属性总共为两种，成本型属性与效益型属性。

作为优选，所述步骤(4)的负价环算法为基于多属性信息的数据中心间数据调度算法；该算法由数据中心的管理者根据数据中心监测工具采集的属性值信息在数据调度时进行计算，为数据传输选择一条综合评价最优的路径。

作为优选，所述算法流程如下：

(a)由Edmonds-karp算法计算出一条可行流；

(b)基于可行流生成相应的残量网络，用Ballman-ford算法循环判断图中是否存在负价环；

(c)若存在负价环则消除负环并更新残量网络，直至不存在负价环，得到最终的流，即为最小代价流；若不存在则该可行流即为最小代价流。

本发明的有益效果在于：(1)解决了多属性信息的数据中心间的数据传输调度效率低的问题；(2)根据获得的权重，基于多属性信息的方法在权重最高的维度上具有最高的优化性能。

附图说明

图1是本发明实施例的基于多属性信息数据调度问题属性层次的结构示意图。

具体实施方式

下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：

实施例：一种基于多属性信息的数据中心间的数据传输调度方法，包括如下步骤：

第一步，利用层次分析法，对多个属性之间的从属关系进行分析；

所述的层次分析法将多个属性信息根据依赖关系分成不同的层次，使用层次化的结构构造多属性决策问题，通过监测定量获取属性值。本实施例的基于多属性信息数据中心间数据调度问题的属性层次化结构如图1所示，其中第0层是对多个属性信息的最终总体评价。第1层是管理者需要关心的核心属性，如中转数据中心的接入带宽成本、接入链路的服务质量、数据中心能源使用效率(PUE，powerusageeffectiveness)等。第2层是对第1层核心属性的分解，如服务质量可以被分解成带宽和时延2个子属性。属性的分解可以根据属性的分类及管理人员的日常管理经验获取，比如，链路的服务质量与几个基本的要素如链路的带宽及时延等有关，而内容的流行度同用户所在的地理位置以及所在位置的人口规模等有关。如果第2层属性还有子属性，可以进一步构造第3层、第4层结构直至第k-1层。第k层是各个备选方案，代表上述属性取值的来源，即各个备选中转数据中心。

下面基于属性的层次结构，构造基于多属性信息的决策矩阵来评价不同备选数据中心的偏好次序。首先给出原始决策矩阵如式(1)所示。

矩阵的行代表有m个决策备选方案{A_i}，在本文研究的问题里为m个备选中转数据中心。列代表n个不同的决策属性{X_j}，包括带宽成本、带宽、往返时延、数据中心能源使用效率等等。矩阵的每个元素x_ij代表数据中心i的第j项属性值。根据上文提出的层次化结构模型以及属性之间的从属关系，本文将原始的决策矩阵D_origin分解成若干个子决策矩阵。每一个子决策矩阵可以自上而下的逐层构造。例如，在图示的结构模型中，第1层的关于服务质量QoS和内容流行度的决策矩阵可以由第2层的子属性构造成如式(2)和式(3)所示。

服务质量决策矩阵D_QoS和内容流行度决策矩阵D_pop的行仍由m个备选数据中心构成，但决策属性分别由服务质量属性的2个子属性：带宽、时延以及内容流行度的n'个子属性：人口、地理位置等构成。对每个决策矩阵进行归一化，并计算每个决策子属性的权重，可以生成对当前属性的评价结果，标记为当前属性的值，如根据D_QoS和D_pop可以生成不同备选决策方案对于服务质量属性和内容流行度属性的属性值。当获得该值后可以进一步构造第0层的决策矩阵，即最终的决策矩阵为

其中，决策属性的个数n″只由第1层的n″个核心属性决定。对该矩阵再次进行归一化处理和权重设置，可以得到最终的决策评价结果。同理，在具有更多层次的属性结构下，也能通过子决策矩阵，向上递归的构造最终综合评价结果。

第二步，根据分析得到的属性值差异分布，利用信息熵理论设置属性的相对权重，并给出评价值的计算公式。

其基本思想是：当不同备选决策方案对于同一个属性的取值差异较大时，该属性对于整个决策评价的影响就越大，而当差异较小时，该属性对于决策评价所起的作用就很小甚至可以忽略。根据信息熵的极值性，熵的大小恰好能够反映出不同备选方案在同一个属性值上的接近情况，属性值越接近，熵值越大。因此，本方法采用信息熵值来设置不同属性权重。在相对权重的设置时，对决策矩阵进行归一化。首先，将所有类型的属性转化为成本型属性。在本方法的模型中，只有2类属性，一类是效益型如带宽，流行度等，其属性值越高对其评价越好；另一类属于成本型如带宽价格、时延等，其属性值越低评价结果越好。本方法通过用1/x_ij取代x_ij将效益型的属性转化为成本型。然后，将备选方案A_i关于属性X_j的属性值归一化为评价值。

$X_{ij}=\frac{x_{ij}}{\underset{i=1}{\overset{m}{\Σ}}{x}_{ij}}---\left(5\right)$

用X_ij逐一取代上一决策矩阵中的x_ij从而构造出评价矩阵(P)＝(X_ij)mn；根据香农公式，计算属性X_j的信息熵权 $E_j=-k\underset{i=1}{\overset{m}{\Σ}}{X}_{ij}{\mathrm{lnX}}_{ij},\∀j.$ 其中，k是常数，为使0≤Ej≤1，令 $k=\frac{1}{\ln m}.$ 信息的偏差度定义为d_j＝1-E_j。本方法假设数据中心管理者没有属性偏好。一种简单的设置不同属性权重的方法是令这里使用算术加权平均算子对备选数据中心的评价值进行计算，其最终评价值可以用层次分析法递归求解为

$U_i^{final}(X_{i1},X_{i2},\mathrm{...},X_{in})={\Σ}_{j=1}^{n^{*}}{w}_j{X}_{ij},\∀i$

(3)对评价值建模得到时间扩展图，通过时间扩展图将基于多属性信息的数据中心间的数据传输调度问题转化为最小代价流问题；

当在t时刻准备传递数据时，需要同时考虑：选择接入带宽价格最低的数据中心中转数据以节省带宽成本；选择接入链路服务质量最好的数据中心中转数据以提高数据传输性能；选择能源使用效率最高数据中心中转数据以节省能源消耗等。这就意味着数据中心的所有属性随着时间而变化使得该问题变得更加复杂。这里使用层次化分析方法给出对每个中转数据中心的评价，并将随着时间变化的数据中心互联网络建模成一张时间扩展图。由于建立的最终评价函数U_i(t)是一个成本型的函数，这就意味着函数值越低，得到的对备选方案A_i的评价结果越好。在选择一条中转链路时，要综合考虑链路接收端数据中心的接入带宽、接入带宽价格、能源使用效率等因素。因而表达式(11)可以再次被改写为

$\begin{array}{cc}\min imize& z=\underset{t=0}{\overset{T-1}{\Σ}}\underset{eij\∈E}{\Σ}{f}_{ij}\left(t\right)*U_j^{final}\left(t\right)\end{array}$

$\begin{array}{cc}st& \underset{t=0}{\overset{T-1}{\Σ}}\underset{eij\∈E}{\Σ}{f}_{1j}\left(t\right)=F\end{array}$

$\underset{eij\∈E}{\Σ}{f}_{ij}(t-1)-\underset{eij\∈E}{\Σ}{f}_{ji}\left(t\right)=0(i\≠1,j\≠n)$

$\underset{t=0}{\overset{T-1}{\Σ}}\underset{eij\∈E}{\Σ}{f}_{jn}\left(t\right)=F$

$0\≤f_{ij}\left(t\right)\≤u_{ij}\left(t\right),\∀e_{ij}\∈E$

(4)通过负价环算法计算解决最小代价流问题，得到综合评价最优的路径，即最小代价流。

该算法由数据中心的管理者根据数据中心监测工具采集的属性值信息在数据块需要调度时进行计算，为数据块的传输选择一条综合评价最优的路径。其基本思想是首先由Edmonds-karp算法计算出一条可行流(通常也是最大流)，然后生成相应的残量网络，用Ballman-ford算法循环判断图中是否存在负价环，如有则消除负环并更新残量网络，直至不存在代价为负的环，最终得到的流，即为最小代价流。

具体如下面步骤：

输入：G(N,E)是具有N的数据中心，E条链路的数据中心互联图。其中每条边e_ij∈E

每个节点i∈N有代价函数c_i(t)//链路代价函数，在不同方法中分别取不同函数

T：最大期待传输时间；s：源数据中心；d：目的数据中心

输出：由s到d的基于多属性信息的数据传输调度路径

1)根据原始图G(N,E)生成相应的时间扩展图G’(N’,E’)

2)在G’(N’,E’)中建立一条可行流x

3)E₁＝e_i′j′∈E′:F_i′j′＜u_i′j′

4)E₂＝e_i′j′∈E′:F_j′i′＞0

5)G′(x)＝{N′,E₁∪E₂}

6)whileG′(x)包含一个负价环do

7)找到其中的一个负价环W

8) $\mathrm{\δ}:=min\{r_{i^{\′}{j}^{\′}}:\∀e_{i^{\′}{j}^{\′}}\∈W\}$

9)沿着环W的方向增加δ单位的流量，并更新G′(x)：

10) $f_{ij}=f_{i^{\′}{j}^{\′}}+\mathrm{\δ},\∀e_{i^{\′}{j}^{\′}}\∈E_1\∩W$

11) $f_{ij}=f_{i^{\′}{j}^{\′}}-\mathrm{\δ},\∀e_{j^{\′}{i}^{\′}}\∈E_2\∩W$

12)endwhile

13)returns到d的路径。

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (7)

1.一种基于多属性信息的数据中心间的数据传输调度方法，其特征在于包括如下步骤：

(1)利用层次分析法，对多个属性之间的从属关系进行分析；

(2)根据分析得到的属性值差异分布，利用信息熵设置属性的相对权重，得到综合评价公式，并通过公式得到评价值；

(3)对评价值建模得到时间扩展图，通过时间扩展图将基于多属性信息的数据中心间的数据传输调度问题转化为最小代价流问题；

(4)通过负价环算法计算解决最小代价流问题，得到综合评价最优的路径，即最小代价流。

2.根据权利要求1所述的一种基于多属性信息的数据中心间的数据传输调度方法，其特征在于：所述步骤(1)的层次分析法将多个属性信息根据依赖关系分成不同的层次，使用层次化的结构构造多属性决策问题，通过监测定量获取属性值。

3.根据权利要求2所述的一种基于多属性信息的数据中心间的数据传输调度方法，其特征在于：所述的多属性决策问题为基于多属性信息的决策矩阵来评价不同备选数据中心的偏好次序，决策矩阵如下：

其中，决策属性的个数n”由第1层的n”个核心属性决定，矩阵的行代表有m个决策备选方案{A_i}，列代表n个不同的决策属性{X_j}，矩阵的每个元素x_ij代表数据中心i的第j项属性值。

4.根据权利要求1所述的一种基于多属性信息的数据中心间的数据传输调度方法，其特征在于：所述步骤(2)得到综合评价公式过程如下：

1)将所有类型的属性转化为成本型属性；

2)基于决策矩阵，将关于属性X_j的属性值归一化为评价值，归一化公式为 $X_{ij}=\frac{x_{ij}}{\underset{i=1}{\overset{m}{\Σ}}{x}_{ij}};$

3)根据香农公式，计算属性X_j的信息熵权

其中，k是常数，为使0≤Ej≤1，令

4)设信息的偏差度定义为d_j＝1-E_j；

5)令相对权重并使用算术加权平均算子对评价值进行加权计算，解得综合评价公式为 $U_i^{final}(X_{i1},X_{i2},...,X_{in})={\Σ}_{j=1}^{n^{*}}{w}_j{X}_{ij},\∀i.$

5.根据权利要求4所述的一种基于多属性信息的数据中心间的数据传输调度方法，其特征在于：所述的所有类型的属性总共为两种，成本型属性与效益型属性。

6.根据权利要求1所述的一种基于多属性信息的数据中心间的数据传输调度方法，其特征在于：所述步骤(4)的负价环算法为基于多属性信息的数据中心间数据调度算法；该算法由数据中心的管理者根据数据中心监测工具采集的属性值信息在数据调度时进行计算，为数据传输选择一条综合评价最优的路径。

7.根据权利要求1或6所述的一种基于多属性信息的数据中心间的数据传输调度方法，其特征在于：所述算法流程如下：

(a)由Edmonds-karp算法计算出一条可行流；

(b)基于可行流生成相应的残量网络，用Ballman-ford算法循环判断图中是否存在负价环；

(c)若存在负价环则消除负环并更新残量网络，直至不存在负价环，得到最终的流，即为最小代价流；若不存在则该可行流即为最小代价流。