文摘

与图像视频和旅游经济的快速发展,旅游经济数据正逐渐成为大数据。因此,如何安排之间的数据已成为一个热点话题。本文首先总结了研究成果在图像视频、云计算、旅游经济和数据调度算法。其次,起源、结构、发展,详细阐述了云计算的服务类型。为了解决旅游经济数据调度的问题,本文把完成时间和cross-node传输延迟的约束旅游经济数据调度。数据调度的约束模型,建立了适应度函数的改进人工免疫算法的基础上,结合约束模型,以及优秀的定向重组抗体是由使用基因重组的优势以获得问题的最优解更恰当。当资源节点规模是100,艾莎的响应时间是107.92秒。

1。介绍

云计算和移动互联网的普及,越来越多的业务和数据存储在云中进行。云计算应用在各行各业的不断渗透和发展。基于云计算技术,个人用户和中小企业可以获得计算、存储、网络,通过网络服务平台服务以低成本来解决自己的问题,如有限的资金。他们获取所需的服务资源的个人或企业提供低成本的资源投资,节省建造数据中心和基础设施的成本,并减少构建和维护数据中心的成本。在这个业务服务模型,用户不仅要考虑处理时间和效率在选择服务时还考虑到经济成本参与使用这项服务。与服务相关的经济成本主要由市场供求因素,如资源消耗和提供相应的服务。在正常情况下,敏感的个人用户和企业会考虑经济因素,优先考虑低成本服务资源来完成相应的数据。为用户提供更高的服务质量要求,他们努力在最短的时间内完整的数据,会选择服务资源,并有很强的数据处理能力。当安排在云环境中,有必要考虑经济成本和服务质量提供最大程度满足用户的需求。

由于多样化和云计算系统资源共享的本质,和大量的用户组,需要处理的数据量,同时在云环境中是非常大的。因此,合理、高效的资源调度和数据在云环境中,保证用户服务质量和提高用户数据的执行效率和资源利用效率是在云计算技术研究重点和困难。在云计算系统中,物理资源节点异构。节点的状态将改变动态调用的资源。此外,数据调度在不同的应用场景有不同的特征,导致非常高的云环境中的调度算法的复杂性。因此,对于特定的应用程序场景,一个有效的数据调度策略是根据特点制定相应的场景。建立一个合理的映射数据节点和资源节点之间可以缩短数据执行时间,提高执行效率。

本文的创新如下:(1)介绍了研究现状的数据调度在云环境。现有研究成果的基础上,分析具体的应用场景,提出了一个合理的解决方案根据相应场景的影响因素,并阐述了理论知识用于解决方案。(2)针对区域资源分配的影响数据节点之间的通信传输过程中旅游经济数据调度,本文考虑的影响完成时间和cross-node传输延迟调度策略在旅游的过程中经济数据调度。它建立了旅游经济数据调度的优化模型,利用人工免疫算法的优势在云环境数据调度。改进人工免疫算法的适应度函数的优化模型的约束所产生的旅游经济数据调度,和较低的抗体健身定向突变的抗体突变阶段算法。变成一个更好的抗体基因操作生成最优的解决问题的办法。

2。相关工作

许多学者研究提供了大量的参考图像视频、云计算、旅游经济和数据调度算法。

陈提出两种动态调度算法的雾车载网络数据调度的计算方案。这些算法可以动态地适应不断变化的网络环境和提高效率。性能分析,结合正式的方法称为绩效评估过程代数应用于模型的调度算法在光纤陀螺仪的车辆网络(1]。

时提出了一种自适应块调度为CMT (A-CMT)。仿真结果表明,该方法在吞吐量达到更好的性能。文件传输时间和拥塞窗口增长。该方法提高了13%的平均吞吐量(2]。

党提出了一个新颖的基于深度学习的实时数据调度方法和一种改进的模糊算法在纸车间操作灵活。该算法分为三个部分。第一部分描述了柔性作业车间调度问题。第二部分构建灵活工作的模糊调度模型中的数据纸车间。最后,第三部分使用遗传算法来获得最优解的模糊调度灵活就业数据在造纸车间(3]。

罗提出了一个统一的准确算法基于动态规划。这个算法然后发展成一个完整的互补问题的多项式时间近似方案和双完成多项式时间近似方案最初的问题(4]。

Joo联合调度问题的研究多通道数据传输和无线电力传输。共同的问题是使用一个统一的框架,制定和有效的资源分配确定的新困难5]。

张研究数据中心高效的流调度的问题,关注象流。通过应用稳定匹配理论,调度问题建模和被证明是np难6]。

提出了一种混合调度模型。优先队列结合包通用处理器共享提供了多样化的服务质量保证软件定义网络的多媒体应用。网络微积分应用开发的建模和分析技术来评估提出的服务质量性能场景。黄J识别性能担保的范围提出了异构数据流方案,包括其最坏的端到端延迟和排队积压(7]。

Durazo-Cardenas我开发了一个概念验证演示验证系统原理和测试算法的功能。它使用仪表板可视化系统响应和现在的关键信息。真正的轨道事件和检验数据集分析了退化问题警报并启动自动维护任务的调度8]。

从这些研究并不全面的数据,研究结果有待商榷。因此,它不能被公众,因此不能被推广和应用。

3所示。云计算

信息化和数字化的发展,各领域所涉及的信息量逐渐积累和扩大。传统的IT设施已无法满足人们对信息处理的性能和速度的需求。虚拟化技术已经逐渐成熟,网络宽带不断发展和加速。互联网应用各领域正在迅速扩大。和大数据技术的发展需要大量的资源性能。在这样一个社会环境中,云计算技术的出现和应用程序中快速发展9,10]。

云计算是分布式计算的一种,是指把庞大的数据计算和处理程序分解成无数小程序通过网络“云。“然后,这些小程序处理和分析通过多个服务器组成的一个系统,和获得的结果返回给用户。在云计算的开发过程中,由于不同的企业有不同的对云计算的理解,业务和服务对象也不同。因此,采用云计算解决方案体系结构会有所不同,并没有统一的标准,相应的架构(11,12]。比较研究了不同企业的云计算解决方案架构。虽然这些体系结构形式不同,它们本质上是相同的,只是在形式上的区别。一般来说,云计算的体系结构可以表示为如图1(13,14]。云计算虚拟化技术,动态可扩展性、按需部署、高灵活性、高可靠性(15,16]。(1)资源层。这一层主要是基于类型的虚拟化资源,如计算、存储和网络提供的物理资源。云用户服务是可用的。当用户使用这一层的服务时,他们只需要提供信息,如资源需求和配置,然后他们可以使用这一层的资源(17,18]。(2)平台层。用户可以在该层构建应用程序,使用提供的中间件服务和数据库服务平台来开发和部署他们自己的应用程序中,并扩大数据处理功能。使用这一层提供的服务不需要管理底层资源;只是个人程序和数据上传和部署使用平台提供的工具(19,20.]。(3)应用程序层。这一层主要提供软件服务。企业和个人可以租软件服务云平台提供的信息管理来解决自己的问题,如企业电子邮件服务和金融服务。使用软件服务在应用程序层可以节省软件的维护和管理服务器,这是方便和高效21,22]。(4)访问层。云平台为用户提供了各种各样的接口来访问服务,如门户网站、web服务和命令行。用户可以查看平台的每一层提供的服务目录根据自己的需求和订阅管理和服务按需(23,24]。(5)监控管理。这一层提供了各种服务的管理平台,管理和监控平台安全的部署管理服务等,确保所提供的服务平台的稳定和安全(25]。

云计算的服务类型,如图所示2。(1)基础设施即服务(IaaS)。IaaS云用户提供随需应变的物理和虚拟资源服务,如服务器、存储和网络服务。一个典型的Amazon EC2和S3 (IaaS服务26]。亚马逊是第一家提供云计算产品。EC2可以提供基于虚拟机的资源服务。EC2产品类型具有不同的性能和价格,和用户可以选择相应的服务根据自己的需要和经济因素。S3提供简单存储服务和质量可用于信息存储。(2)平台即服务(PaaS)。PaaS可以提供基于云平台开发和部署环境,和用户可以使用这个平台来开发自己的应用软件。用户还可以为其他用户提供服务与自己的应用软件。在这个平台的使用,没有需要关注底层资源的管理和维护;只使用所提供的服务平台根据提供的规格。典型的PaaS包括微软Windows Azure, Google APPEngine。(3)软件即服务(SaaS)。云平台通过网络提供SaaS服务。企业和个人可以使用和管理平台提供的应用软件通过网络根据其业务需求。典型的是SalesforceCRM和Google Apps。SalesforceCRM由Force.com提供可以为企业用户提供企业管理软件。它可以提供个性化服务根据企业的特点,制定相应的管理内容。谷歌应用程序提供文字处理和邮件服务。个人和企业可以尝试谷歌提供的云服务,而不用担心邮件服务的管理和维护。

有四种类型的云平台部署:(1)公共云。云用户尝试通过网络公共云,从而降低操作成本。然而,与其他云类型相比,公共云在安全方面有缺点。数据和应用程序在公共云更加脆弱27]。(2)私有云。使用私有云可以让它更容易管理,维护和部署企业内的安全。与公共云相比,它具有较强的安全性。(3)混合云。它连接一个或多个外部私有云的云服务,可以有效地控制内部和偶尔请求使用的安全信息资源的公共云28]。(4)社区云。一种类型的云共享和由许多组织和用户组被称为社区云。它可以通过第三方供应商管理和维护。

云用户提交数据的调度过程返回处理结果可以表示为如图3。

后执行用户提交数据到云环境中,multidata首先处理,分为多个subdata,集和提交数据调度中心。然后,根据数据调度算法,数据调度中心之间建立一个映射关系划分subdatasets和可用的资源组的资源管理中心,以满足每个数据执行的资源需求,以执行用户提交的数据。执行期间的数据,调度中心将根据执行更新资源状态数据。它分配空闲资源来完成数据执行新提交或未决数据。执行结果反馈给用户,直到所有subdata执行用户提交的数据集。

生物免疫系统有一个完美的识别机制和病原体的保护功能。它由多个免疫子系统和完成免疫保护功能通过子系统之间的交互。生物免疫系统可分为非特异性免疫和特异性免疫。其中,非特异性免疫是一个天生的保护作用。这是一个对病原的防御能力产生的生物在进化过程中逐渐适应外部环境。抵抗病原体广泛。生物系统是由外部入侵的病原体时,它可以快速使抵抗防御。特定的免疫是机体防御的一种形式形成的一种特定的病原体抗原物质的刺激通过收购感染或人工接种防御。特异性免疫发挥着强大的作用在生物系统的免疫功能。生物免疫系统确保自身的安全,通过各种功能的协调。 The immune defense is the biological system’s defense against external pathogens to prevent the organism from being infected. Immune stabilization renews senescent and damaged cells in an organism to maintain functional integrity. Immune surveillance realizes the monitoring of the state of cells in an organism to avoid abnormal cells. In the rapid development and application of biotechnology and artificial intelligence technology, the use of immune mechanism in the field of artificial intelligence has created a new research field, namely, artificial immune system. Artificial immunity can be used in scientific research and production applications to solve difficult or unsolvable problems in the current field. In recent years, in the research and application of machine learning, big data, and cloud computing, artificial immunity has shown its advantages and has been widely used.

根据上述相关理论和免疫人工免疫原理,人工免疫算法是一种仿生人工智能算法的基础上,总结了生物免疫。标准的人工免疫算法的具体流程如图4。

从这个过程可以看出,标准人工免疫的具体过程如下:(1)识别抗原;即变换问题,定义一个合适的亲和力函数根据相关问题的约束。(2)生成一个初始抗体人口,可以生成一定数量的初始抗体种群根据要解决的问题的规模。(3)计算每个抗体和抗原抗体之间的亲和。(4)确定抗原抗体亲和力计算满足算法的终止条件。如果满意,可获得最优解;否则,算法继续执行。(5)计算有效的抗体的浓度在当前的人口。(6)高亲和力的抗体是克隆和突变,和克隆大小成反比抗体浓度,防止局部优化。(7)更新抗体人口和去(3)继续执行算法。

在理论研究和应用在各个领域,人工免疫算法通常用于解决一些更复杂的问题。两种类型的常用算法在下面描述。

3.1。克隆选择算法

形成的克隆选择算法是一种智能搜索算法根据这个有机体的细胞防御机制。算法模拟了“非我”之间的国防匹配过程抗原物质和体内产生的抗体,可以找到问题的最优解。算法流程如图5。

算法的具体流程大致如下:(1)算法产生初始抗体种群:它可以确定抗体生成的初始大小根据问题的规模和随机生成相应的抗体。(2)亲和力计算和抗体选择:根据设置的亲和力计算函数,每个抗体和抗原的亲和力计算人口。根据计算结果,高亲和性抗体筛选形成优秀的人群。(3)克隆操作:为了找到问题的最优解决方案更快,克隆选择优秀的人口。更好的抗体克隆,克隆越多,反之亦然。(4)变异操作:为了获得更好的抗体在现有的人口,有必要变异抗体获得新的抗体。因为更好的接近最优解的抗体,这些抗体亲和力较低遭受大量的突变,和相对优秀的抗体是受到较弱的突变。此操作后,如果更好的抗体产生的人口,人口的添加删除相同数量的较弱的抗体。(5)抗体记忆:优秀的抗体被选中的记忆抗体在新的人口,它被认为是在第二个选择优秀的解决方案。(6)确定抗体在新的人口问题的能满足终止条件:如果是这样,把最好的抗体作为最优解问题;否则,更新抗体种群,去(2),并继续执行算法。

3.2。负选择算法

免疫系统可以区分“自我”和“非我”的过程中免疫达到消除“非我”物质的影响。负选择是识别自体的细胞和“非我”细胞通过判断是否T细胞与自体蛋白反应中T细胞的形成。他们之间是否有反应,这是一个“非我”的物质,需要删除。剩余的细胞被免疫系统抵御抗原。形成的负选择算法是基于这种歧视机制,及其工作原理如图6。

它可以知道从算法原理,首先在选择过程中,候选集匹配并与现有的个。根据匹配结果,数据可以匹配的个候选人将被丢弃,而不能匹配的数据添加到检测器集合。检测项目相匹配并与获得的检测器集合,可以匹配探测器的检测项集是“异物”,和不能匹配检测项目的检测项。本我一致因此,负选择算法的主要流程如下:(1)根据要解决的问题,定义的字符串集。(2)随机选择候选集和比较它与个美国检测器集R由候选组不匹配的元素。(3)比较每个探测器探测器的检测项目R进而根据比较规则,并获得检测结果。

4所示。旅游经济数据调度算法

极大极小优化问题如下:

其中,是一个连续可微函数,是一个正整数。然而,这个函数不是可微的,不能获得问题的最优解决方案通过使用传统的数学优化方法。因此,很难解决这类问题数值。最大熵函数的推导过程如下:

所以有

还有和以下属性:

根据这个属性,它从收敛的定义可以看到,当 , 一致收敛于 。因此,当的价值问是相对较大的,解决的优化问题可以转化为解决可微函数的优化问题 。

几种常见的优化方法描述如下:(1)无约束优化问题。这类问题可以用数学方法推导出问题的变量的函数。问题的最优解可以通过替换的导数为0到原始的函数进行比较和验证。(2)具有等式约束的优化问题。在这种类型的问题模型中,目标函数的解决方案是受到平等的条件。目标函数的最优解必须满足等式约束是一个可行的解决方案。假设问题的目标函数和有多个约束函数 ,相应的优化问题和约束可以表示如下: 其中, 代表了等式约束的问题。在解决上述问题时,常用的方法是拉格朗日乘子法。简单地说,它是将多个等式约束乘以相应的参数,它与目标函数问题的拉格朗日函数形式。通过解决这个_function,可以获得原问题的最优解。例如,问题的拉格朗日函数(5)可以定义如下: 其中,约束参数的约束吗 。当解决 ,偏导数的表达式可以获得关于每个变量,并行求解方程如下: (3)马不等式约束条件的优化问题。

在优化问题的解决方案,有经常和不平等条件的约束优化问题。假设问题的目标函数 ,和等式约束函数不平等。然后,相应的条件约束优化问题可以表示如下:

其中, 代表了等式约束的问题, 代表了等式约束的问题。

在这样的约束,找到最优解问题的拉格朗日函数(8)可以定义如下:

其中,约束参数的约束吗 ,和约束参数的约束吗 。

解决这个问题的最优解时,马(Karush-Kuhn-Tucker)可以介绍这个问题的优化条件。它是表达如下:

云环境中的旅游经济数据调度是建立旅游经济数据集的映射分布式资源集根据一定的调度策略。它地图旅游经济数据节点与异构云环境中的资源依赖性和表示的映射 。当 ,这意味着没有数据节点之间的映射关系和资源节点 。当 ,这意味着数据节点分配给资源 。

为了说明旅游经济数据的调度模型,下面的描述是由第一。

首先,对于一个数据节点 ,资源节点被称为必须符合以下条件才能加入数据节点的资源调度队列:

其中,代表资源节点的计算能力 。 代表资源节点的存储容量 。 代表了网络资源节点的处理能力 。 代表数据节点的执行要求 。

定义1。假设数据节点分配给资源节点 ,然后根据计算要求,数据节点的计算时间在如下: 当一个数据节点请求一个资源节点来执行数据,只有当所有数据节点的父数据完成执行和资源节点空闲和可用,调度器可以分配数据,以便数据节点可以获得资源来执行。因此,下面的定义。

定义2。最早的时候当一个数据节点可以获得资源节点 其中,可以获得的最早可用时间资源节点 。当有数据资源节点上执行,它可以认为时数据是通过执行这个操作。总时间的最大价值是完整的数据执行和完成与当前数据通信节点在数据节点的父节点集的数据。它可以计算下列计算表达式: 其中,可以获得的实际完成时间父数据节点的数据。因为孩子在旅游经济数据节点数据后必须执行所有父数据节点执行,父数据节点的实际完成时间可以获得当数据节点是执行。 是父数据节点的通信延时到当前数据节点。

定义3。数据节点后获得的资源节点,资源无法释放,直到数据执行。因此,最早的时间数据来完成数据的资源节点上执行如下: (一)完成时间限制旅游业的经济数据节点。数据调度算法的一个措施是多么好的数据完成时间。最后的完成时间数据调度算法的性能的一个重要方面。旅游经济数据节点的数据集,有很多资源云环境中的资源集合,满足调度要求的节点。为了获得更好的调度性能,根据获得的资源节点的数据节点,完成时间,完成数据节点的执行可以作为约束条件。完成时间的约束函数之间的匹配数据节点和资源节点完成数据定义如下: 其中,和代表任何虚拟资源池中的资源节点。(b)Cross-node传输延迟约束。在数据调度的过程中,由于资源的异构性和分布特征在云环境中,调度资源,满足调度性能要求往往位于不同的区域。当交流或资源节点之间传输数据在不同的地区,有必要通过路由节点进行通信。和旅游经济的数据节点数据依赖关系。当这些数据节点需要安排在不同地区资源节点,数据调度的整体性能将受到影响的传输延迟cross-node路由。假设资源节点数据节点的位置和资源由其父节点分配数据当当前数据节点执行数据节点的父数据后执行。由于cross-nodes传输延迟约束可以表示通过以下表达式: 其中, 资源节点之间的通信传输延迟吗和资源节点 。

4.1。抗体基因编码

抗体基因的编码可以代表解决问题,在数据调度问题,它可以表示数据和资源的匹配方案。人工免疫算法的流数据,相对应的数组序列号码和资源数量的数据用于表示抗体基因代码。抗体基因编码数组的长度等于流数据的节点总数。每个数组表示数据之间的调度策略和资源。例如,抗体基因编码方法8数据节点和4之间的流动数据虚拟资源可以表示如表所示1和2。

抗体基因编码表中的数组1和2{3、2、4、1、4、3、1、2}。字符数组的位置代表的数据的数量。相应的字符的值执行相应的资源数量的数据。例如,数据节点1资源上执行3,数据节点2上执行资源和数据节点3资源上执行4。相应的资源计划执行流数据根据字符串的编码。

4.2。抗体种群初始化

在云计算环境中,数据流的调度问题(N数据节点和旅游经济数据米虚拟资源,根据抗体基因的编码方法,K的初始种群的抗体是一组整数数组长度n和每个数组的字符序列是一个数字0和m .据之间实现旅游经济数据的特点,本文认为DAG结构旅游人口经济数据初始化抗体。根据数据的结构,上层节点的资源需求结构为主。然后剩下的节点分配资源资源序列。在旅游经济数据,是优先考虑随机分配资源数据节点1,节点2的数据,数据节点3和数据在第一层节点4。5数据节点,数据节点和数据节点7的第二层分配资源和数据显示随机分配资源水平。直到K抗体集生成的数组,初始抗体形成旅游人口经济数据。

4.3。关联函数

在人工免疫算法,关联函数的选择过程中发挥着极其重要的作用筛选出优秀的抗体,最后获得问题的最优解。使用过程中抗体筛查,亲和力抗体筛查的指标在整个算法过程。因此,确定关联函数将影响整个人工免疫算法的性能。本文针对云环境中的资源的异构性和特征流数据节点之间在旅游经济数据处理中,在确定关联函数的算法,它综合考虑了影响旅游经济数据的完成时间节点和传输延迟选择的虚拟资源跨节点的数据。介绍了综合数据节点的适应度函数来衡量任何虚拟机资源的适应性表现当前数据。数据的综合适应度函数虚拟机资源表示如下:

其中,

4.4。克隆操作

根据关联函数中定义(3人口),每个抗体的抗体可以计算的,也就是说,亲和力的调度方案问题。根据计算结果,选择与高亲和力抗体的克隆操作,和克隆的大小正比于抗原抗体的亲和力。高亲和力表明它更接近最优解的问题,和优秀的解决方案应该增加的比例。因此,克隆操作可以用来增加的比例相对优秀的抗体抗体种群,从而扩大优秀抗体的浓度。

4.5。基因重组

在这项实验中,旅游经济数据调度算法基于人工免疫算法(本文称为AITSA)与遗传算法(GA)相比,在相同的实验条件下调度的旅游经济数据来验证该算法的有效性。对实验结果的准确性,20在每种类型的实验进行了比较,平均值是用作比较的价值。算法的相关参数设置在实验如表所示3和4。

旅游经济数据调度算法的目的是合理安排旅游经济数据节点的资源节点执行,提高执行效率对整个旅游经济数据,并完成时间缩短数据。在实验过程中,主要是在同样的操作环境,旅游经济调度模型基于人工免疫算法和遗传算法(GA)进行比较的数据完成时间和算法执行速度比,然后比较两个算法的性能差异。为了避免多个数据的影响和不同的排队规则算法比较,在实验的过程中,一块旅游经济数据提交每一次,和不同节点尺度下两种算法的性能比较。

为了比较的算法执行性能AITSA算法和GA算法在不同数据节点尺度,在实验中,节点规模的旅游经济数据设置为10,20、40、60、80和100。在实验中,为了突出这两个算法的执行效果的差异,数据节点的需求参数被设置为一个值有一个很大的区别。这两个算法的数据完成时间图所示7。

图7表明,随着数据节点数量的增加,旅游经济数据的整体完成时间通常会上涨。在实验中,以确保结果的准确性,获得多个实验的平均值的方法。多个实验在相同实验条件下的参数不改变,和实验结果不是偏见当数据节点的规模很小。当数据节点的规模很大,会有少量的偏差由于实验硬件条件的限制。然而,在实验结果与大型数据节点,完成时间价值也大,一个小偏差变化不会影响实验结果。

GA算法和AITSA算法被用来进行旅游经济数据调度实验在不同的数据节点。的加速度比实验结果如图8。

从图可以看出8当数据节点的规模很小,AITSA算法的加速比略高于GA算法,但是差异不明显。节点规模的增加,两种算法的加速比的区别显示了增加的趋势。这表明,随着规模的增加,加速比的差异之间的两个算法不断增加。在不同数据节点尺度,AITSA加速度的算法与GA算法相比具有一定的优势。可以看出,旅游经济数据调度算法基于人工免疫计算本文具有较高的执行效率。

在实验过程中,为了便于比较和表示,平均分片数据调度算法来标示ESDSA,和数据sharding-based数据调度策略提出了作为SDSA表示。因为莎莎算法生成的调度策略本文征用资源节点的数量随资源节点的性能和数据相关的最小粒度切片数据。公平的算法比较,数据量,数据切片的粒度和可用资源的数量每次将在实验相同的固定值。20对实验结果的准确性,在每种类型的实验进行比较,和20个实验结果的平均值作为比较的价值。算法的相关参数设置如表所示5。

以下是比较两种算法的数据响应时间的条件下,不同的资源节点尺度和不同的数据卷作为性能指标。

为了比较SDSA算法和ESDSA算法的性能在资源节点规模不同的环境,在算法的调用进程,大规模的资源节点设置为10,20,50岁,100年、150年和200年。在实验中,以反映两种算法之间的差异,资源节点的性能参数设置值和大差异。通过实验,利用这两种算法的响应时间数据在不同资源节点尺度图所示9。

从图可以看出9,当资源节点的规模小于100,数据分散数据的数据完成时间调度算法(ESDSA)提出了较短的数据平均分散数据调度算法。当资源规模大于100年,这两个算法的数据完成时间是相似的。这是因为ESDSA时可以充分利用资源的处理性能可用资源是有限的。碎片的数据量划分比例根据资源节点的性能,以便每个碎片的处理完成时间相对较近,整个数据完成时间更快。当可用资源的规模大,相应的数据碎片数量的增加,分散的数据量相对较小,分配给每个资源节点和数据完成得更快。这两个算法不是很不同。可以看出,在数据调度规模有限的可用资源,SDSA算法优于ESDSA算法。

为了比较两种算法的性能在不同的时间,资源规模实验设置为一个固定值,和提交数据设置为1000,2500,5000,10000,15000,20000。对于数据与不同数量的数据,这两个算法的响应时间图所示10。

从图可以看出10时的数据量很小,分片到资源节点的数据量也小,由于小数量的处理。完成时间并没有太多不同之处的两个算法。然而,当数据规模很大,SDSA可以充分利用资源节点与更好的性能。它显示了一个很大的优势完成时间。

5。讨论

云计算的兴起改变了传统的IT服务提供方式,人们的理解如何使用资源,互联网运营和赚钱的方式。云计算提供了一个方便的服务方法,人们通过互联网随时随地使用服务。云计算系统提供的服务用户基于云环境中的资源调用。用户提交的作业提交给云计算环境中,数据处理和反馈的云环境中的资源。由于大规模、异构的共享和动态变化的云资源,数据调度在云环境中是一个极其复杂的过程。数据调度在同一场景通常需要一个相应的调度策略,以更好地执行完整的数据。此外,云计算技术的使用带来了一定的局限性的选择研究。适应度函数在不同调度方案根据实际情况会有所不同。工作流任务调度算法中的适应度函数本文并不一定适用于其他应用程序场景。

6。结论

在旅游经济数据的调度情况,跨区域资源分配会影响数据节点之间的通信传输效率和数据的最终完成时间。数据处理数据调度问题需要一个合理的数据分割策略和资源调度策略来提高数据处理的效率。基于这两个应用程序场景,本文研究了旅游经济数据调度算法和数据分片数据调度算法来提高数据云环境中的执行效率。在数据处理数据的调度方案,现有切分方法不能解决问题的数据分片和云环境中的资源征用。对于实际应用场景,为了充分利用可用资源的计算性能和网络性能,提出了一种基于数据分片数据调度策略。根据资源节点的性能和分割粒度的数据处理,可以得到理想的分割策略。然后要处理的数据分片两次根据分片策略获得最终的分片策略。实验验证表明,该策略可以显著提高执行效率的数据。此外,云计算技术的使用带来了一定的局限性的选择研究。适应度函数在不同调度方案根据实际情况会有所不同。 The fitness function in the workflow task scheduling algorithm in this paper is not necessarily suitable for other application scenarios.

数据可用性

没有生成数据集或在本研究分析。

的利益冲突

没有任何潜在的利益冲突有关。

作者的贡献

所有作者看到了手稿和批准提交你的日记。

确认

这项工作得到了国家哲学社会科学规划办公室的基础:中国文化遗产保护与研究(没有激活中国南方的历史痕迹。19 fshb007)。