大数据网络设备集群IP地址分配方案研究
宋佳珍
(湖南外国语职业学院 普通课程部,湖南 长沙410116)
摘 要: 大数据网络设备集群普遍存在IP地址分配不合理的情况,当前IP地址分配方案未针对不同情况进行合理的资源管理分配,导致设备IP地址利用率低下,因不合理分配产生的损失较高.为此,提出一种新的大数据网络设备集群IP地址分配方案,针对两种情况进行分析,第一种针对大数据网络设备集群供应量超过设备需求量的情况,综合考虑设备IP地址分配效益、设备IP地址成本和安装调试花费,构建IP地址分配模型,给出模型约束条件.第二种针对大数据网络设备集群供应量低于设备需求量的情况,只考虑设备IP地址分配效益,构建IP地址分配模型,给出模型约束条件.通过粒子群算法求得构建的两个模型的最优解.实验结果表明,所提方法不仅使设备IP地址利用率高,而且因不合理分配产生的损失较低.
关键词: 大数据网络;设备集群;IP地址;管理分配
大数据网络设备集群为计算机领域科学家发现新思想的关键工具,也是当代教育与科学研究的基础.目前,中国经济实力增强,大数据网络设备集群越来越多,然而因为管理封闭、布局分散、共享程度低,大数据网络设备集群普遍存在利用率低的现象,使用效益较差[1].所以,怎样合理管理分配大数据网络设备集群IP地址,充分发挥大数据网络设备集群的最大效能,成为相关部门亟须解决的问题[2].
文献[3]采用信息化管理技术对大数据网络设备集群进行资源共享管理分配,构建专门的中心仪器室,通过集中管理提高大数据网络设备集群综合能力的利用率.但该方法容易产生不公平竞争;文献[4]通过网络技术与数据库设计了一种大数据网络设备集群IP地址分配系统,该设备具有设备信息发布、权限管理、检索等功能,可以实时得到大数据网络设备集群的状态信息,实现设备IP地址共享,但该系统忽略了对设备IP地址合理配置的研究;文献[5]通过分析计算机领域创新过程的投入产出特征,获取网络科研投入与产出效率之间的函数关系,从而实现大数据网络设备集群IP地址的管理分配_,但该方法可操作性较差.
针对上述方法存在的问题,提出一种新的大数据网络设备集群IP地址分配方案,针对大数据网络设备集群供应量超过设备需求量的情况和大数据网络设备集群供应量低于设备需求量的情况,分别构建IP地址分配模型,给出模型约束条件,通过粒子群算法求解构建两个模型的最优解.实验结果表明,所提方法不仅设备利用率高,而且因不合理分配产生的损失较低.
1 大数据网络设备集群IP地址分配方案研究
在大数据网络设备集群IP地址分配中主要有两种情况,一种是大数据网络设备集群供应量超过设备需求量,另一种是大数据网络设备集群供应量低于设备需求量,针对上述两种情况,分别进行IP地址分配.
1.1 大数据网络设备集群供应量超过设备需求量时IP地址分配方案
大数据网络设备集群是网络研究的基础设施,在设备供应量超过设备需求量的情况下,不仅需设备IP地址分配效益,而且需考虑使用设备IP地址的成本和安装调试的花费,则设备供应量超过设备需求量时,大数据网络设备集群IP地址分配模型可描述如下:
用于描述第i个用户在第j个网络学术部门使用大数据网络设备集群得到的总效益.其中,i,j分别用于描述用户和网络学术部门的序号;l3用于描述效益指数;xij用于描述用户i对网络学术部门j的需求量;sij∈ 0,1,用于描述用户i和网络学术部门j间的配对关系,s ij=1时,用户i与网络学术部门j共享大数据网络设备集群,sij=0时,用户i不与网络学术部门j共享大数据网络设备集群;dij用于描述用户i与网络学术部门j之间的距离系数,能够反映距离对IP地址配置的影响.dij的值是阶段函数,在i=j的情况下,dij是一个很大的值,即网络研究人员使用大型网络仪器时较其余单位得到更多的效益.在i≠j的情况下,dij值较小,网络研究人员使用大型网络仪器时较其余单位得到的效益较少;gij()用于描述大数据网络设备集群效益函数,就是第i个用户在第j个网络学术部门使用大数据网络设备集群形成的效用,公式描述如下:其中,η用于描述效益系数,主要用于将用户使用大数据网络设备集群形成的效用变成效益.aij用于描述第i个用户在第j个网络学术部门使用大数据网络设备集群的科技成果产出能力;bij用于描述第i个用户在第j个网络学术部门使用大数据网络设备集群的相关人才培养能力;hij用于描述第i个用户在第j个网络学术部门使用大数据网络设备集群的科研水平指数,hij值越高,用户得到的效益越高.
The “sleeping” kidney is a term used to describe a non-functioning but viable kidney, usually due to RAS.Most of the reported cases have involved those with atherosclerotic RAS, with fewer cases involving FMD.
式(1)
式(1)的
式(1)中的用于描述为网络学术部门安装调试大数据网络设备集群的固定费用.其中,zj∈{0,1}用于描述网络学术部门被选中使用大代表用户在共享大数据网络设备集群IP地址产生的管理服务成本.其中,l4用于描述成本指数;γij用于描述第i个用户在第j个网络学术部门使用大数据网络设备集群的单位成本.数据网络设备集群的函数,在zj=1的情况下,网络学术部门j被选中使用设备;αj用于描述网络术部门j使用设备的单位安装调试固定费用.
②适应度评估.对粒子的适应度值进行计算,同时获取粒子和粒子群的最优值.分别通过式(1)和式(7)求出各粒子的适应度函数值,也就是大数据网络设备集群总效用,同时检验是否符合式(3)~(6)或式(8)的约束条件.如果某配对方案中所有用户的总需求量大于大数据网络设备集群中心的容量或存在部分用户无法和设备中心配对,则令F取很大的值,重新进行搜索;
1.2 大数据网络设备集群供应量低于设备需求量
时IP地址分配方案
当大数据网络设备集群供应量低于设备需求量时,无法使全部网络学术部门得到大数据网络设备集群,仅可最大限度地使更多网络学术部门使用设备,而网络学术部门的选择取决于其能够创造的经济效益.则构建模型如下:
快到五十七岁时我才得到出版自由。 出版自由的意思是： 书售出后可以收回成本。 《意大利印象》之前全都亏本，出书意味着破产。 不用说，那时我既没有“写作自由”，也没有“精神自由”，什么自由也没有。[3]429
假设第j个网络学术部门得到的大数据网络设备集群个数是yi,设备总数量为Y,则上述模型约束条件如下:
1.3 模型求解
本节通过粒子群算法求解上述构建模型的最优解,详细过程如下:
日投喂量以吃饱、吃完、不留残饵为原则，一般为池虾、蟹体重的4.0%～5.0%，可根据虾、蟹的吃食情况进行调整。每天投喂2次，早晨和傍晚各1次，晚上投喂量占日投喂量的70.0%～80.0%。
③针对所有粒子,将个体粒子适应度最优个体p best看作此刻新位置,将全局粒子适应度最优个体gbest看作新位置;
构建的大数据网络设备集群IP地址分配模型约束条件如下:其中,Cj用于描述网络学术部门j的大数据网络设备集群供应量上限.在上述约束条件中,式(3)代表大数据网络设备集群的使用用户i对配对网络学术部门j的需求量必须低于该部门拥有的设备个数;式(4)代表仅一个网络学术部分符合所有用户的需求;式(5)代表不具有大数据网络设备集群的网络学术部门没有客户;式(6)代表k个网络学术部门配备大数据网络设备集群.
“做真真正正的合作社，带动乡亲们共同致富。”2017年，陈伟放弃了在北京奋斗多年的事业，带着这样的信念回到了家乡四川蒲江，创建了邦力达·两河源果业专业合作社。
①初始化.对相关参数进行初始化处理,形成初始粒子群;
为了验证本文提出的大数据网络设备集群IP地址分配方案的有效性,需要进行相关的实验分析.大数据网络设备集群作为计算机领域科研工作的关键工具,是衡量各国竞争力的关键指标.本文以某地区10个网络学术部门为例,对该地区大数据网络设备集群配置状态进行分析,将设备利用率和设备配置不合理产生的经济损失作为评价指标,对本文方法、决策树方法和蚁群方法的分配结果进行比较,验证本文方法的有效性.
求出全局最优粒子位置不出现改变时的迭代次数,如果其达到既定阈值,则认为粒子群进化缓慢,进行步骤⑥;反之,进行步骤⑦;
分别采用本文方法、决策树方法和蚁群方法针对上述地区10个网络学术部门进行IP地址分配,得到的结果如表1所示.其中的10个网络学术部门用序号1~10替代.
设定“Time Slicing”值为1；节点类型“Keywords”；阈值设定为“Top70%”，算法选择“Minimum Spanning Tree”(最小生成树计算法)运行，并选取“Pruning the merged network”(综合网络)裁剪方法，生成了关键节点N=42，连线E=54的关键词共现网络知识图谱(如图3)。其中每个节点代表不同的关键词，圆圈越大，关键词频次越高；节点外有紫色圈出现，说明这些节点具有较大(不小于0.1)的中心度。
求出群体适应度方差σ2,预设最小群体适应度方差σmin2:
式中,n用于描述粒子群数量;fi用于描述第i个粒子的适应度函数值;favg用于描述粒子群当前平均适应度值.f主要用于约束σ2值,其值将随算法的改变而出现变化.在σ2<σ2min的情况下,粒子群聚集程度高,进行步骤⑥;反之,进行步骤⑦.
阅读推广的品牌传播，就是以品牌带给读者的核心价值为原则，在品牌识别的整体框架下，选择相应的传播方式，将特定品牌推广出去，在目标读者中建立品牌形象，并最终促进阅读推广活动的发展。意义是让读者了解和认知这个品牌以及品牌带给他们的价值。
④对粒子的全局最优极值gbest进行混沌优化,同时将其映射至方程的定义域[0,1]内,通过迭代形成n个混沌变量,利用逆映射将其重新转换成优化变量,得到n个粒子,求出所有粒子的适应度函数值,获取最优解gbest',用其替代此刻群体中粒子的位置.
区内外高校对“进一步优化完善部门决算表格设计，建立决算工作奖励和约束机制，并完善决算管理专题分析交流活动”等5个提高部门决算报表质量的改进措施主要因素认知统计数据如表5所示。
⑥完成局部最优粒子群的混沌优化,其方法和全局最优粒子群的混沌优化相同;
⑦输出最优解,停止迭代.
2 实验结果分析
采用的实验环境：Inter（R）Core（TM）i5-4590 CPU 3.30GHz，4GB 内存，Windows 10 操作系统，C++编程语言。
2.1 IP地址分配结果
⑤确定粒子群是否处于早熟收敛状态.早熟收敛的表现通常是粒子群聚集和粒子迭代后变化不大.若粒子群处于早熟收敛状态,则完成相对较优的粒子的混沌优化,反之继续运行粒子群算法.详细操作如下:
表1 三种方法IP地址分配结果
2.2 设备利用率测试
设备利用率是评价大数据网络设备集群IP地址分配方案性能的关键指标,设备利用率越高,分配方法性能越高.设备利用率可通过下式求出:
其中,bnj用于描述j网络学术部门平均每年有效工作时间;cnj用于描述j网络学术部门价值的平均值.
通过上式对本文方法、决策树方法和蚁群方法针对不同网络学术部门的大数据网络设备集群利用率进行比较,得到的结果用表2进行描述.
表2 三种方法设备利用率比较结果
分析表2可以看出,采用蚁群方法对大数据网络设备集群IP地址进行共享分配的设备利用率略高于决策树方法,而和上述两种方法相比,本文方法的设备利用率明显更高,说明本文方法的IP地址分配效果最佳.
该组的主要职责包括：负责人员紧急转移、安置、生活保障、医疗救助、卫生防疫、安置点选址、治安维稳等具体工作。
2.3 分配不合理产生的经济损失测试
大数据网络设备集群IP地址分配不合理产生的经济损失可通过下式求出:
其中,gj用于描述j网络学术部门大数据网络设备集群IP地址分配不合理产生的直接经济损失;hj用于描述j网络学术部门大数据网络设备集群IP地址分配不合理产生的间接阻碍计算机领域科技发展的经济损失;ej用于描述j网络学术部门大数据网络设备集群的稀缺量.
大数据网络设备集群IP地址分配不合理产生的经济损失越低,分配性能越高.表3描述的是采用本文方法、决策树方法和蚁群方法后,大数据网络设备集群IP地址分配不合理产生的经济损失比较结果.
表3 三种方法因IP地址分配不合理产生的经济损失
分析表3可以看出,本文方法、决策树方法和蚁群方法都会产生因IP地址分配不合理造成的经济损失,但和决策树方法与蚁群方法相比,采用本文方法产生的经济损失明显更低,说明本文方法的分配性能较优.
3 结论
本文提出一种新的大数据网络设备集群IP地址分配方案,针对大数据网络设备集群供应量超过设备需求量的情况,综合考虑设备IP地址分配效益、设备IP地址成本和安装调试花费,构建IP地址分配模型,给出模型约束条件.针对大数据网络设备集群供应量低于设备需求量的情况,只考虑设备IP地址分配效益,构建IP地址分配模型,给出模型约束条件.通过粒子群算法求解构建的两个模型的最优解.实验结果表明,所提方法不仅设备利用率高,而且因不合理分配产生的损失较低.
参考文献:
[1]林寒,罗教讲.大数据时代互联网的使用情况及影响因素分析[J].电子政务,2016(7):113-122.
[2]辛晖,李淑珍.大数据技术在高校网络教学中的应用研究[J].才智,2016(27):168-169.
[3]张小军,韩丽,宿可昀.IP网络设备典型故障分析及其对策[J].飞行器测控学报,2016,35(1):70-75.
[4]吴建平,李丹,毕军,等.ADN:地址驱动的网络体系结构[J].计算机学报,2016,39(6):1081-1091.
[5]王东海.大中型局域网内部IP地址规划的原则[J].电脑知识与技术,2017(34):46-46.
中图分类号: G482
文献标志码: A
文章编号: 1671-9476(2019)02-0095-04
DOI: 10.13450/j.cnki.jzknu.2019.02.024
收稿日期: 2018-10-13;
修回日期: 2018-11-05
作者简介: 宋佳珍(1981-),女,湖南湘潭人,讲师,主要研究方向:计算机教学.
标签：大数据网络论文; 设备集群论文; IP地址论文; 管理分配论文; 湖南外国语职业学院普通课程部论文;