谢芳

摘 要： 现有系统进行虚拟化云计算动态移动数据去噪时，存在数据单个体运行且一次性完成去噪处理的问题。为提高云计算结果的准确性，设计新的虚拟化云计算动态移动数据实时去噪处理系统。该设计方法主要分为两个层次：基于Hadoop云计算平台描述系统硬件设计的三项功能，结合三项功能从前端控制层、运行层、用户层对系统C/S模式进行设计，实现海量动态移动数据的并行化处理；系统软件通过AFLS、并行处理中间件、查询服务器、DBMS、OTS五大结构，实现云计算动态移动数据的查询和简单去噪处理，采用网闸实时去噪处理方法对云计算动态移动数据进行二次实时去噪处理。实验结果表明，该系统与Matlab小波去噪系统和FPGA去噪系统相比，最高鲁棒性分别提高0.02%和0.08%，最低鲁棒性分别提高0.03%和0.05%；相同噪声数量下，去噪误差率最大值优于其他两种方法，分别为0.24%，0.29%；所设计的系统弱化了现有方法的不足，具有去噪精度高、稳定性好的优势。

关键词： 云计算； 动态移动数据； 去噪处理； C/S模式； 系统设计； 鲁棒性

中图分类号： TN929.5?34； TP314 文献标识码： A 文章编号： 1004?373X（2018）22?0017?04

Abstract： The existing system has the problems of single data running and one?time denoising processing during the denoising of virtualized cloud computing dynamic mobile data. Therefore， a new real?time denoising processing system for virtualized cloud computing dynamic mobile data is designed to improve the accuracy of cloud computing results. The design method is mainly divided into two levels. Three functions of system hardware design based on the Hadoop cloud computing platform are described. Combining with the three functions， the C/S mode of the system consisting of the front?end control layer， running layer and user layer is designed to realize parallelization of massive dynamic mobile data. In the system software， five structures of the AFLS， parallel processing middleware， query server， DBMS and OTS are used to realize query and simple denoising processing of cloud computing dynamic mobile data. The GAP real?time denoising processing method is adopted to conduct secondary real?time denoising processing of cloud computing dynamic mobile data. The experimental results show that， the maximum robustness of the designed system is 0.02% and 0.08% higher respectively than that of the Matlab wavelet denoising system and FPGA denoising system， and the minimum robustness of the designed system is 0.03% and 0.05% higher respectively than that of the Matlab wavelet denoising system and FPGA denoising system； under the same quantity of noises， the maximum value of the denoising error rate is 0.24% and 0.29% lower than that of the other two methods； the designed system attenuates the shortcomings of the existing methods and has the advantages of high denoising precision and good stability.

Keywords： cloud computing； dynamic mobile data； denoising processing； C/S mode； system design； robustness

0 引 言

云计算作为一种按量付费使用、计算功能极其强大的新模式，在天气预测、核爆炸仿真模拟、经济状况走势研究方面发挥了不可替代的作用[1]。对于云计算应用，人们往往关注其总体计算能力，忽略云计算动态移动数据存在噪声问题，严重影响数据计算效率与精确度。

文献[2]分别对离群点噪声和内部高频噪声进行处理，能够方便、快捷地去除不同尺度的噪声，但没有考虑数据单个体运行问题。文献[3]给出结构鲁棒性检测样本，并使用量化方法和结构鲁棒性检测语言对样本进行分析，没有考虑噪声干扰。文献[4]针对不同特征区域分别采用邻域距离平均滤波算法和自适应双边滤波算法进行去噪滤波。该方法在区域数据处理时，角度单一。

为避免以上缺陷，提出虚拟化云计算动态移动数据实时去噪处理系统。通过设计硬件系统的C/S模式，实现海量动态移动数据的并行化处理，节约系统运行时间。对软件系统动态移动数据进行二次实时去噪处理，增加了该系统去噪精度。仿真实验结果表明，本文设计系统具有稳定性好、效率高、误差小的优势。

1 虚拟化云计算动态移动数据实时去噪处理系统设计

1.1 系统硬件设计

1.1.1 Hadoop云计算平台

HDFS分布式文件系统与MapReduce编程模型构成了Hadoop云计算平台，该平台属于分布式系统基础架构的一种[5]。为解决超大文件的处理问题、实现流数据访问模式，HDFS应运而生[6]。HDFS在不同机器与节点上存储超大文件的动态移动数据，个别动态移动数据一旦遭到破坏HDFS自动识别其备份数据，实现动态移动数据的稳定与安全存储。MapReduce编程模型以Job的形式开展工作，Job一般采用Map函数与Reduce函数来描述。

1.1.2 系统硬件功能设计

Hadoop云计算平台中的动态移动数据主要来自HBase数据库，该数据库具有实时性、高性能优势[7]。本文系统设计的硬件主要实现以下3项功能：

1） 上传动态移动数据。传感器负责数据的获取，传感器采集节点以网络为传输介质，将动态移动数据传输到云计算平台。

2） 存储动态移动数据。HBase数据库发挥其保管数据的作用，向平台管理者提供相关研究数据。

3） 动态移动数据实时去噪处理。对存在噪声的动态移动数据进行实时去噪处理，实现云计算平台中的动态移动数据与噪声的分离，保证用户从云计算平台中获取可靠的、真实的数据信息[8]。该项功能的实现依赖于系统的C/S模式。

1.1.3 系统的C/S模式设计

基于传统N/S系统模式的局限性，本文设计的动态移动数据实时去噪处理系统选取存在优势的C/S系统模式，具有足够能力处理本文系统面对的大型动态移动数据，另一方面升级和维护系统更加灵活、快捷[9]。3个不同层面共同构成C/S模式部分：

1） 前端控制层。即虚拟化云计算动态移动数据实时去噪处理系统命令控制层。

2） 运行层。计算器功能、数据调控器功能、数据库功能等都位于系统的运行层内。

3） 用户层。识别用户的身份、向其传递信息下达命令等操作都在用户层完成，主要通过文件驱动器、感知运行器以及CVDO来实现。

1.2 系统软件设计

1.2.1 系统软件结构

本文系统的软件结构如图1所示，从图中可以看出，其主要包括AFLS、并行处理中间件、查询服务器、DBMS、OTS 五大部分。AFLS即应用服务器容错和负载平衡服务，不同事物处理中间件的联系、用户与并行事物处理中间件的联系都是通过AFLS进行构建；OTS即对象事物服务，云计算平台数据库由不同的DBMS共同组成，而该数据库的事物特性依赖于OTS进行处理；并行处理中间件由数据划分中间件、表加载中间件、查询分析中间件等构成，云计算平台中动态移动数据的缓存与批量加载通过表加载中间件实现，对于云计算平台中动态移动数据的查询与询问工作由查询分析中间件完成[10]；查询服务器采用相同的接口处理不同云计算平台数据库的数据查询，作为云计算平台中的询问服务器对带有噪声的数据进行简单过滤，为系统进行动态移动数据去噪减轻工作量。

基于系统的软件构成及功能，对云计算动态移动数据进行实时去噪处理。

1.2.2 网闸实时去噪处理方法

本文系统采用网闸实时去噪方法处理虚拟化云计算动态移动数据，对动态移动数据实施去噪处理在优化系统计算能力的同时弥补系统中配差计算失衡的缺陷。本文系统实施去噪采用的符号型属性依据不同的动态移动数据而定，详细的符号型属性选取标准如表1所示。

根据表1描述的符号型属性选取标准对云计算中各种类型动态移動数据实施有针对性的实时去噪处理，获取的去噪结果更加理想。定义本文系统的去噪阈值用[Fu，v]表示；Web网络中的动态移动数据包含的识别属性用[fx，y]描述；动态移动数据提取系数的参照比用[uπ]描述，根据上述参数获取符号型属性公式。

根据上述方法对虚拟化云计算中的动态移动数据实施初步归纳，分离不存在噪声和存在噪声的动态移动数据，获取初步去噪结果，一方面降低了本文系统去噪的工作难度，另一方面增加了动态移动数据去噪结果的精确度。接着采用条件矩阵对初步去噪结果实施矩阵去噪。采用图的形式表达动态移动数据的矩阵[Ti，j]、条件矩阵[T′i，j]，如图2、图3所示。

将实际动态移动数据的矩阵[Ti，j]中不同于条件矩阵[T′i，j]的部分去除，即完成实时去噪处理。

2 实验分析

为验证本文系统对于虚拟化云计算中动态移动数据实时去噪的有效性，采用本文系统在云计算仿真开发包ClougSim中展开仿真实验。采用FPGA去噪系统、Matlab小波去噪系统进行对比实验，根据实验环境与实验设置，将三种系统获取的实验结果制成折线图。图4描述了鲁棒性测试结果。图5描述了去噪误差测试结果。

2.1 系统鲁棒性分析

分析图4能够看出，随着实验次数的增长，本文系统折线始终位于FPGA去噪系统、Matlab小波去噪系统的上方。本文系统的最高鲁棒性为0.45%，最低鲁棒性为0.1%；Matlab小波去噪系统最高鲁棒性为0.43%，最低鲁棒性为0.07%；FPGA去噪系统的最高鲁棒性为0.37%，最低鲁棒性为0.05%。说明本文系统的鲁棒性高于其他两种系统，而鲁棒性是描述系统稳定性的重要参数。实验结果表明，本文系统具有实时去噪、稳定性优势。

2.2 系统去噪误差率分析

分析图5能够看出，随着噪声数量的增长，本文系统的去噪误差率增长缓慢。总的增长趋势可以分为两个阶段：在噪声数量为100～270条时的前阶段，误差率上升的较快达到0.29%；在噪声数量为270～400条时的后阶段，误差率上升趋势大幅减缓，最终的去噪误差率最大值仅为0.31%，后阶段的去噪误差率仅增长了0.02%。Matlab小波去噪系统的去噪误差率走势直线上升，在噪声数量为400条时，其最高误差率为0.55%。FPGA去噪系统的去噪误差率增长趋势可分为三个阶段，其中在165～200条阶段去噪误差率上涨趋势较陡，说明其增长速度快；在噪声数量为200～300条的第三阶段，去噪误差率涨势稍逊第二阶段，但仍快速增长达到最高值0.6%。对比三种系统测试结果可知，本文系统的去噪误差率极小，具有去噪精确度高的优势。

3 结 论

本文设计的虚拟化云计算动态移动数据去噪系统，从硬件设计、软件设计两部分描述其去噪过程。实验结果表明，所设计系统具有稳定性好、效率高、误差率小的优势。同时本文系统为云计算数据的噪声去除提供了有效手段，具有实际应用价值。

参考文献

[1] 王斌锋，苏金树，陈琳.云计算数据中心网络设计综述[J].计算机研究与发展，2016，53（9）：2085?2106.

WANG Binfeng， SU Jinshu， CHEN Lin. Review of the design of data center network for cloud computing [J]. Journal of computer research and development， 2016， 53（9）： 2085?2106.

[2] 林静怀.基于云计算的电网调度控制培训仿真系统设计[J].电力系统自动化，2017，41（14）：164?170.

LIN Jinghuai. Cloud computing based system design for power grid dispatching and control training simulation [J]. Automation of electric power systems， 2017， 41（14）： 164?170.

[3] 张千，陈朝根，梁鸿.基于虚拟化技术的私有云计算平台设计[J].计算机应用，2015，35（11）：3063?3069.

ZHANG Qian， CHEN Chaogen， LIANG Hong. Private cloud platform design based on virtualization technology [J]. Journal of computer applications， 2015， 35（11）： 3063?3069.

[4] 闫淑梅.基于云计算的煤炭企业数据中心桌面备份系统的设计与实现[J].煤炭技术，2014，33（2）：126?128.

YAN Shumei. Design and implementation of coal enterprise data centers desktop backup system based on cloud computing [J]. Coal technology， 2014， 33（2）： 126?128.

[5] 王笑帝，张云勇，刘镝，等.云计算虚拟化安全技术研究[J].电信科学，2015，31（6）：8?12.

WANG Xiaodi， ZHANG Yunyong， LIU Di， et al. Research on security of virtualization on cloud computing [J]. Telecommunications science， 2015， 31（6）： 8?12.

[6] 俞华锋.基于云计算的三维虚拟学习环境的设计与应用[J].计算机仿真，2010，27（9）：315?318.

YU Huafeng. Design and application of virtual 3D study environment based on cloud computing [J]. Computer simulation， 2010， 27（9）： 315?318.

[7] 张京妹，李英俊，苏广文，等.嵌入式云计算系统的资源实时共享方法研究[J].西北工业大学学报，2016，34（3）：393?398.

ZHANG Jingmei， LI Yingjun， SU Guangwen， et al. The research on resource real?time sharing in the embedded cloud computing system [J]. Journal of Northwestern Polytechnical University， 2016， 34（3）： 393?398.

[8] 何恒靖，赵伟，黄松岭.云计算环境下仪器虚拟化研究[J].电测与仪表，2014，51（16）：11?16.

HE Hengjing， ZHAO Wei， HUANG Songling. Research on the instrumentation virtualization in cloud computing environment [J]. Electrical measurement & instrumentation， 2014， 51（16）： 11?16.

[9] 武志学.云计算虚拟化技术的发展与趋势[J].计算机应用，2017，37（4）：915?923.

WU Zhixue. Advances on virtualization technology of cloud computing [J]. Journal of computer applications， 2017， 37（4）： 915?923.

[10] 郭欣.基于云计算的Moodle虚拟化集群研究[J].控制工程，2015，22（6）：1175?1180.

GUO Xin. A study on Moodle virtual cluster based on cloud computing [J]. Control engineering of China， 2015， 22（6）： 1175?1180.