论文部分内容阅读
摘要：通过分析云计算的数据处理和存储特点，作者提出了一种基于BP神经网络的云计算空间数据存储模型。此模型根据云计算分布式空间数据存储的特点，通过构建BP神经网络模型和学习训练算法，能够根据数据的不同属性选择不同的服务器集群进行存储，完成了具有负载均衡功能的空间数据存储模型。实验表明，该文设计的基于BP神经网络的云计算空间数据存储模型具备一定的优势和可行性。
关键词：云计算；BP 神经网络；学习训练；数据存储
中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2017）14-0147-02
通常意义上的存储系统并不具备权衡空间数据关联性和分布式存储的特点，无法根据空间数据的类别对数据进行合理地分化。在数据量比较多时，集群式的存储模式不能够对数据信息进行有效地管理，从而引起数据读写的瓶颈，在这种情况下，智能化的云计算存储系统应运而生。具备自适应特性的云计算数据存储系统具备以下优势：
1）能够实现智能化和自适应化的数据存储调配，所有数据信息资源统一协同管理；
2）很大程度地提高了读写和存储效率，虚拟化的算法能够更合理高效地利用存储空间，能够重新对数据进行分配，提升物理存储空间的使用率，而且具备相应的负载均衡和故障冗余功能；
3）云計算存储系统可以实现大规模效应和弹性扩展功能，有效减少运营维护成本，避免造成资源的浪费。
基于云计算的空间数据存储管理模型不仅仅是对容量简单的拓展增加，更多需要的是存储性能的实质性改变，不同于以往数据量较少的情况，在云计算时代，数据存储系统目前可能会涉及到所有的互联网使用者，用户数量的迅速增长对存储性能的吞吐量有了进一步严格的要求，吞吐量的增加意味着服务器相应速度的增加，因此需要确保存储系统可以在容量的扩展的同时，吞吐性能也获得相应的增长，这在传统的存储架构中是无法实现的。云计算数据存储系统的主要挑战在于数据存储的持久性，同时要求其能够在数据迁移、数据容错以及多线程读写的过程中确保数据的完整性和一致性。
1云计算空间数据存储模型
1.1云存储的结构模型
与传统的空间数据存储设备相比，云存储不单单是一个硬件，其是由多种不同设备构成的系统，组件包括硬盘存储设备、网络设备、应用软件、服务器、数据访问接口、接入网和客户端程序等。它以硬盘存储设备为核心，通过应用软件对外部数据进行存储和访问。云计算存储模块自下而上可分为存储层、管理层、应用接口层和数据访问层。
1）存储层。存储层作为云存储系统最核心和最基础部分。各个分布式存储设备通过网络连接设备融合在一起，存储设备可以是光纤通道存储设备，也可以是NAS等云储存系统的IP硬件存储设备。在存储设备层之上需要一个整体的存储设备管理系统对存储设备进行管理维护，能够对存储设备进行逻辑虚拟化管理以及多链路冗余管理，同时能够对硬件设备的状态进行实时监控和故障维修。
2）管理层。管理层相当于云存储系统的控制决策部分，也是云存储中实现难度最大的部分。管理层通过利用集群系统、分布式文件管理系统以及网格计算等技术，控制云存储系统中不同存储设备间的协同运行工作，从而使存储设备对外具备稳定可靠的数据访问功能。
3）应用接口层。云存储系统管理部门可以根据实际不同的业务需要，为系统定制开发不同的应用服务接口，部分接口甚至可以收费。比如直播平台接口、视频监控应用服务接口、IPTV服务和视频点播应用服务，甚至可以实现云盘的功能，为用户提供远程数据备份应服务等。
4）数据访问层。为授权用户提供登录云计算公共应用接口的账号、密码和接口，享受云存储系统提供的数据服务。不同的云存储系统运营部门能够提供不同的访问类型和访问手段。
1.2云计算空间数据存储模型设计
本文设计的云计算空间数据存储模型是在BP神经网络的基础上完成的，该系统的基本架构如图1所示，主要由数据服务器集群（主要负责数据的存储）、数据管理控制中心、数据采集中心三部分组成。本文设计的神经网络学习方法主要应用于数据管理控制中心模块。
基于BP神经网络的云计算空间数据存储模型的执行流程如下：
Step1：模型通过传感器采集周围环境数据，或者通信节点间产生或者产生数据，这是云计算数据的主要来源。需要说明的是，采集的数据具有一定属性，属性主要通过以下五个字段进行描述，分别是产生时间Creattime、应用领域Application、实时性要求Timely、所属区域Area以及数据类型Type。此五个字段即作为神经网络学习算法的输入。
Step2：学习训练样本的构建和学习曲线的生产。通过一段时间的数据产生和训练过程，调节神经网络模型的相关参数，最优化的存储结果通过负责负载均衡策略产生。训练完成后，模型投入使用。
Step3：数据学习处理中心。根据数据的不同属性进行分类，然后针对输入数据的五个描述属性经过神经网络模型完成学习处理过程，输出的结果是目标服务器集群的，ID。
Step4：数据的存储。根据数据处理中心的结果，将数据存入到制定的数据集群中，中间的运营商网关协调以及网络资源调配通过云计算数据存储中心完成。
2仿真分析
为了验证本文设计的基于BP神经网络的云计算空间数据存储系统模型应用效果，本文通过OPNET Modeler完成仿真验证，OPNET Modeler提供了完整的通信协议、存储器模型以及连接线路。
在OPNETModeler仿真实验中，设计两台服务器节点，每台服务器分别连接5个存储单元，服务器之间能通过有线网络进行通信，10个无线通信感知器通过用户服务器对存储单元进行读操作和写操作。读操作即定时从存储单元获得信息，写操作为定时将物联网感知器采集的信息发送给存储器进行保存，发送及接收频率为10M/ms，且根据设定的BP神经网络规则选取目标存储器，仿真时间为20min，然后统计仿真结果进行对比分析。
本文将神经网络模型的误差界限s设置为10-2，当迭代次数到达300次时，网络达到稳定。
图2描述了10台存储单元所存储的数据容量，由结果可知，各存储器所存储的信息含量基本相等，基本维持在11718M左右，体现了本文设计的存储模型具有较好的公平性和一致性，不会对某一个存储单元或者服务器造成应用压力。
3结论
通过分析云计算的空间数据处理和存储特点，作者提出了一种基于BP神经网络的云计算空间数据存储系统模型。此模型根据云计算分布式数据存储的特点，通过构建BP神经网络模型和学习训练算法，能够根据数据的不同属性选择不同的服务器集群进行存储，完成了具有负载均衡功能的空间数据存储模型。实验表明，本文设计的基于BP神经网络的云计算空间数据存储模型具备一定的优势和可行性。
关键词：云计算；BP 神经网络；学习训练；数据存储
中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2017）14-0147-02
通常意义上的存储系统并不具备权衡空间数据关联性和分布式存储的特点，无法根据空间数据的类别对数据进行合理地分化。在数据量比较多时，集群式的存储模式不能够对数据信息进行有效地管理，从而引起数据读写的瓶颈，在这种情况下，智能化的云计算存储系统应运而生。具备自适应特性的云计算数据存储系统具备以下优势：
1）能够实现智能化和自适应化的数据存储调配，所有数据信息资源统一协同管理；
2）很大程度地提高了读写和存储效率，虚拟化的算法能够更合理高效地利用存储空间，能够重新对数据进行分配，提升物理存储空间的使用率，而且具备相应的负载均衡和故障冗余功能；
3）云計算存储系统可以实现大规模效应和弹性扩展功能，有效减少运营维护成本，避免造成资源的浪费。
基于云计算的空间数据存储管理模型不仅仅是对容量简单的拓展增加，更多需要的是存储性能的实质性改变，不同于以往数据量较少的情况，在云计算时代，数据存储系统目前可能会涉及到所有的互联网使用者，用户数量的迅速增长对存储性能的吞吐量有了进一步严格的要求，吞吐量的增加意味着服务器相应速度的增加，因此需要确保存储系统可以在容量的扩展的同时，吞吐性能也获得相应的增长，这在传统的存储架构中是无法实现的。云计算数据存储系统的主要挑战在于数据存储的持久性，同时要求其能够在数据迁移、数据容错以及多线程读写的过程中确保数据的完整性和一致性。
1云计算空间数据存储模型
1.1云存储的结构模型
与传统的空间数据存储设备相比，云存储不单单是一个硬件，其是由多种不同设备构成的系统，组件包括硬盘存储设备、网络设备、应用软件、服务器、数据访问接口、接入网和客户端程序等。它以硬盘存储设备为核心，通过应用软件对外部数据进行存储和访问。云计算存储模块自下而上可分为存储层、管理层、应用接口层和数据访问层。
1）存储层。存储层作为云存储系统最核心和最基础部分。各个分布式存储设备通过网络连接设备融合在一起，存储设备可以是光纤通道存储设备，也可以是NAS等云储存系统的IP硬件存储设备。在存储设备层之上需要一个整体的存储设备管理系统对存储设备进行管理维护，能够对存储设备进行逻辑虚拟化管理以及多链路冗余管理，同时能够对硬件设备的状态进行实时监控和故障维修。
2）管理层。管理层相当于云存储系统的控制决策部分，也是云存储中实现难度最大的部分。管理层通过利用集群系统、分布式文件管理系统以及网格计算等技术，控制云存储系统中不同存储设备间的协同运行工作，从而使存储设备对外具备稳定可靠的数据访问功能。
3）应用接口层。云存储系统管理部门可以根据实际不同的业务需要，为系统定制开发不同的应用服务接口，部分接口甚至可以收费。比如直播平台接口、视频监控应用服务接口、IPTV服务和视频点播应用服务，甚至可以实现云盘的功能，为用户提供远程数据备份应服务等。
4）数据访问层。为授权用户提供登录云计算公共应用接口的账号、密码和接口，享受云存储系统提供的数据服务。不同的云存储系统运营部门能够提供不同的访问类型和访问手段。
1.2云计算空间数据存储模型设计
本文设计的云计算空间数据存储模型是在BP神经网络的基础上完成的，该系统的基本架构如图1所示，主要由数据服务器集群（主要负责数据的存储）、数据管理控制中心、数据采集中心三部分组成。本文设计的神经网络学习方法主要应用于数据管理控制中心模块。
基于BP神经网络的云计算空间数据存储模型的执行流程如下：
Step1：模型通过传感器采集周围环境数据，或者通信节点间产生或者产生数据，这是云计算数据的主要来源。需要说明的是，采集的数据具有一定属性，属性主要通过以下五个字段进行描述，分别是产生时间Creattime、应用领域Application、实时性要求Timely、所属区域Area以及数据类型Type。此五个字段即作为神经网络学习算法的输入。
Step2：学习训练样本的构建和学习曲线的生产。通过一段时间的数据产生和训练过程，调节神经网络模型的相关参数，最优化的存储结果通过负责负载均衡策略产生。训练完成后，模型投入使用。
Step3：数据学习处理中心。根据数据的不同属性进行分类，然后针对输入数据的五个描述属性经过神经网络模型完成学习处理过程，输出的结果是目标服务器集群的，ID。
Step4：数据的存储。根据数据处理中心的结果，将数据存入到制定的数据集群中，中间的运营商网关协调以及网络资源调配通过云计算数据存储中心完成。
2仿真分析
为了验证本文设计的基于BP神经网络的云计算空间数据存储系统模型应用效果，本文通过OPNET Modeler完成仿真验证，OPNET Modeler提供了完整的通信协议、存储器模型以及连接线路。
在OPNETModeler仿真实验中，设计两台服务器节点，每台服务器分别连接5个存储单元，服务器之间能通过有线网络进行通信，10个无线通信感知器通过用户服务器对存储单元进行读操作和写操作。读操作即定时从存储单元获得信息，写操作为定时将物联网感知器采集的信息发送给存储器进行保存，发送及接收频率为10M/ms，且根据设定的BP神经网络规则选取目标存储器，仿真时间为20min，然后统计仿真结果进行对比分析。
本文将神经网络模型的误差界限s设置为10-2，当迭代次数到达300次时，网络达到稳定。
图2描述了10台存储单元所存储的数据容量，由结果可知，各存储器所存储的信息含量基本相等，基本维持在11718M左右，体现了本文设计的存储模型具有较好的公平性和一致性，不会对某一个存储单元或者服务器造成应用压力。
3结论
通过分析云计算的空间数据处理和存储特点，作者提出了一种基于BP神经网络的云计算空间数据存储系统模型。此模型根据云计算分布式数据存储的特点，通过构建BP神经网络模型和学习训练算法，能够根据数据的不同属性选择不同的服务器集群进行存储，完成了具有负载均衡功能的空间数据存储模型。实验表明，本文设计的基于BP神经网络的云计算空间数据存储模型具备一定的优势和可行性。