一種大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)緩存方法的改進(jìn)

余光華

(嶺南師范學(xué)院 網(wǎng)絡(luò)與信息中心，廣東 湛江 524048)

?

一種大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)緩存方法的改進(jìn)

余光華

(嶺南師范學(xué)院 網(wǎng)絡(luò)與信息中心，廣東 湛江 524048)

針對傳統(tǒng)的網(wǎng)絡(luò)海量數(shù)據(jù)緩存方法中容易出現(xiàn)數(shù)據(jù)丟失和召回錯誤，數(shù)據(jù)訪問和調(diào)度性能差等問題，提出一種大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)緩存方法的改進(jìn)方法.構(gòu)建網(wǎng)絡(luò)緩存空間的數(shù)據(jù)分布結(jié)構(gòu)模型，進(jìn)行大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)的信息流模型構(gòu)建和時間序列分析.采用模糊C均值聚類算法對提取的關(guān)聯(lián)維特征進(jìn)行聚類處理，實現(xiàn)緩存模型優(yōu)化.仿真結(jié)果表明，采用該方法進(jìn)行大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)緩存優(yōu)化設(shè)計，有效降低緩存開銷，擴(kuò)展緩存空間，數(shù)據(jù)的吞吐性和召回性等指標(biāo)參量優(yōu)于傳統(tǒng)方法．

網(wǎng)絡(luò)；海量數(shù)據(jù)；相空間重構(gòu)；關(guān)聯(lián)維

0 引 言

隨著網(wǎng)絡(luò)信息技術(shù)的發(fā)展，大量的文件、文字、圖片、聲音和視頻等數(shù)據(jù)信息通過網(wǎng)絡(luò)進(jìn)行傳輸和通信，形成大數(shù)據(jù)網(wǎng)絡(luò)空間.網(wǎng)絡(luò)是大數(shù)據(jù)信息的資源池，在網(wǎng)絡(luò)空間中，大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)以幾何級數(shù)增長，形成海量網(wǎng)絡(luò)數(shù)據(jù)在網(wǎng)絡(luò)信道中存儲和通信，大規(guī)模海量網(wǎng)絡(luò)數(shù)據(jù)在網(wǎng)絡(luò)中存儲方式主要有兩種，一是以Deep Web數(shù)據(jù)庫為代表的云存儲資源數(shù)據(jù)庫，實現(xiàn)對海量數(shù)據(jù)的永久性存儲，方便用戶檢索和訪問；二是以數(shù)據(jù)寄存器為代表的網(wǎng)絡(luò)緩存區(qū)，通過數(shù)據(jù)緩存實現(xiàn)對即時數(shù)據(jù)的實時訪問和調(diào)度，緩存數(shù)據(jù)具有暫時性和實時性等特點，數(shù)據(jù)緩存區(qū)不占用用戶和網(wǎng)絡(luò)的存儲空間，具有實時高效訪問調(diào)度的優(yōu)點，受到廣泛應(yīng)用.通過設(shè)計大規(guī)模海量數(shù)據(jù)緩存方法，提高數(shù)據(jù)的即時調(diào)度和存取能力，研究大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)緩存改進(jìn)方法具有重要意義．

傳統(tǒng)方法中，數(shù)據(jù)緩存方法主要有基于模糊C均值聚類的數(shù)據(jù)緩存模型、基于特征子空間建模的數(shù)據(jù)緩存算法、基于決策樹模型構(gòu)建的數(shù)據(jù)緩存算法、基于串口寄存器級聯(lián)配置的數(shù)據(jù)緩存系統(tǒng)設(shè)計方法等[1-3].上述方法采用對緩存數(shù)據(jù)的優(yōu)化聚類分析和特征提取方法，實現(xiàn)緩存數(shù)據(jù)的實時調(diào)度和訪問，提高數(shù)據(jù)緩存的特征指向性，降低緩沖容量，取得一定的研究成果.文獻(xiàn)[4]提出一種基于列表的循環(huán)堆棧控制大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)緩存方法，在存儲架構(gòu)模型中，采用PCI總線擴(kuò)展，進(jìn)行存儲軟件設(shè)計，但是該方法的數(shù)據(jù)傳輸和緩存架構(gòu)總線協(xié)議設(shè)計過程比較復(fù)雜，數(shù)據(jù)存儲和計算的開銷較大；文獻(xiàn)[5]提出一種負(fù)載均衡調(diào)度的海量數(shù)據(jù)存儲優(yōu)化架構(gòu)設(shè)計方法，實現(xiàn)海量網(wǎng)絡(luò)數(shù)據(jù)的緩存優(yōu)化，降低數(shù)據(jù)存儲開銷，但該緩存系統(tǒng)在進(jìn)行海量數(shù)據(jù)存儲過程中，受到緩存數(shù)據(jù)吞吐容量和性能約束，降低數(shù)據(jù)緩存的召回性能，數(shù)據(jù)訪問調(diào)度準(zhǔn)確性不好；文獻(xiàn)[6]采用存儲區(qū)域自動篩選控制的網(wǎng)絡(luò)海量數(shù)據(jù)緩存方法，隨著存儲量和干擾增大，數(shù)據(jù)緩存中會出現(xiàn)數(shù)據(jù)丟失和召回錯誤，影響數(shù)據(jù)訪問和調(diào)度性能.因此，本文提出一種大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)的緩存改進(jìn)方法，并通過仿真實驗進(jìn)行性能測試，數(shù)據(jù)緩存的指標(biāo)性能優(yōu)于傳統(tǒng)方法．

圖 1 大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)緩存系統(tǒng)輸入輸出模型Fig.1 Input and output model of large-scale network mass data cache system

1 數(shù)據(jù)分布結(jié)構(gòu)分析與數(shù)據(jù)信息流構(gòu)建

1.1 網(wǎng)絡(luò)緩存空間的數(shù)據(jù)分布結(jié)構(gòu)模型

為實現(xiàn)對大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)緩存方法優(yōu)化設(shè)計，進(jìn)行網(wǎng)絡(luò)緩存空間的數(shù)據(jù)分布結(jié)構(gòu)分析，在大型網(wǎng)絡(luò)數(shù)據(jù)存儲系統(tǒng)中，數(shù)據(jù)存儲內(nèi)核由內(nèi)部層次屬性進(jìn)行數(shù)據(jù)調(diào)度和I/O輸入，網(wǎng)絡(luò)內(nèi)部存儲器通過采樣數(shù)據(jù)緩沖區(qū)實現(xiàn)響應(yīng)內(nèi)核中斷，采用四元組(Ei，Ej，d，t)表達(dá)決策樹模型下數(shù)據(jù)緩存的主特征，構(gòu)建大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)緩存系統(tǒng)的信息特征采樣模型，設(shè)A?V，B?V且A∩B=φ，進(jìn)行數(shù)據(jù)結(jié)構(gòu)分析，緩存數(shù)據(jù)副本放置于合適站點時，建立數(shù)據(jù)緩存區(qū)語義節(jié)點本體信任關(guān)系模型，實現(xiàn)數(shù)據(jù)層次化訪問和緩存調(diào)度[7-15]，根據(jù)上述分析，得到大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)緩存系統(tǒng)輸入輸出模型，如圖1所示．

(1)

其中:上角標(biāo)θ(t)表示數(shù)據(jù)合并集的諧振函數(shù).大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)緩存空間的訓(xùn)練樣本可通過數(shù)據(jù)聚類的屬性集實現(xiàn)包絡(luò)特征分解，特征分解的表達(dá)式為

(2)

其中:s(t)為緩存區(qū)的大數(shù)據(jù)標(biāo)量時間序列；h(t)表示數(shù)據(jù)抗干擾濾波函數(shù)；H[s(t)]表示數(shù)據(jù)結(jié)構(gòu)特征分布響應(yīng)函數(shù). 通過構(gòu)建網(wǎng)絡(luò)緩存空間的數(shù)據(jù)分布結(jié)構(gòu)模型，實現(xiàn)對大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)結(jié)構(gòu)分析，在此基礎(chǔ)上，進(jìn)行緩存數(shù)據(jù)的信息流模型構(gòu)建和特征提?。?/p>

1.2 大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)信息流模型構(gòu)建

大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)信息流在緩存區(qū)根據(jù)標(biāo)簽劃分為(TagBlock)個時間片，在緩存區(qū)采集數(shù)據(jù)集合S，當(dāng)X?U，R?A條件成立時，各個存儲子集間組成一組非線性時間序列，大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)在緩存區(qū)的信道狀態(tài)響應(yīng)函數(shù)表達(dá)式為

(3)

根據(jù)數(shù)據(jù)隨機概率分布校驗集，構(gòu)建大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)的目標(biāo)端信息分量，采用多普勒頻移特征表示大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)從存儲目標(biāo)端到遠(yuǎn)端存儲節(jié)點的校驗數(shù)據(jù)塊結(jié)合，即

(4)

其中:yb表示大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)在緩存區(qū)的頻率變化量;y0為大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)在數(shù)據(jù)傳輸信道內(nèi)的載波頻率;z表示傳輸脈寬.在此基礎(chǔ)上，在數(shù)據(jù)信息流的分?jǐn)?shù)階Fourier域中構(gòu)建緩存數(shù)據(jù)的隨機概率分布函數(shù)為

(5)

在網(wǎng)絡(luò)緩存區(qū)域中，采用時頻特征分解方法進(jìn)行網(wǎng)絡(luò)數(shù)據(jù)信息流幅度調(diào)制，幅度調(diào)制的展開結(jié)果為

(6)

圖 2 大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)的信息流模型Fig.2 Large-scale network information flow model of huge amounts of data

當(dāng)客戶端發(fā)出文件存儲請求時，將存儲系統(tǒng)中加權(quán)權(quán)重ωk按照vk和ek進(jìn)行協(xié)方差分解，得到網(wǎng)絡(luò)緩存存儲節(jié)點的自適應(yīng)控制加權(quán)權(quán)重ω(ek，uk)，以此為基礎(chǔ)計算文件服務(wù)器中的數(shù)據(jù)緩存校驗信息存儲子集，計算式為

(7)

2 網(wǎng)絡(luò)海量數(shù)據(jù)緩存方法優(yōu)化實現(xiàn)

2.1 網(wǎng)絡(luò)海量數(shù)據(jù)相空間重構(gòu)和關(guān)聯(lián)維特征

在上述構(gòu)建大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)的時間序列分析模型的基礎(chǔ)上，進(jìn)行大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)緩存方法優(yōu)化設(shè)計.傳統(tǒng)方法采用存儲區(qū)域自動篩選控制的網(wǎng)絡(luò)海量數(shù)據(jù)緩存方法，隨著存儲量和干擾的增大，數(shù)據(jù)緩存中容易出現(xiàn)數(shù)據(jù)丟失和召回錯誤.因此，本文提出一種基于大規(guī)模緩存數(shù)據(jù)信息流相空間重構(gòu)和關(guān)聯(lián)維特征聚類的網(wǎng)絡(luò)海量數(shù)據(jù)優(yōu)化緩存模型，對網(wǎng)絡(luò)海量數(shù)據(jù)時間序列進(jìn)行相空間重構(gòu).根據(jù)Takens嵌入定理，把大規(guī)模緩存數(shù)據(jù)信息流通過高維空間映射重構(gòu)在相空間模型中，得到大規(guī)模緩存數(shù)據(jù)信息流相空間重構(gòu)的光滑流場函數(shù)

(8)

對于Φ：M→R2d+1，大規(guī)模緩存數(shù)據(jù)信息流的相空間軌跡滿足：

(9)

對于大規(guī)模緩存數(shù)據(jù)時間序列{x(t0+iΔt)}， i=0，1，…，N-1，計算嵌入矢量的概率密度特征為

(10)

其中:在tn+1時刻和tn時刻之間數(shù)據(jù)序列存在關(guān)聯(lián)特征.采用關(guān)聯(lián)維指數(shù)特征分解，得到緩存數(shù)據(jù)信息流的相空間重構(gòu)公式為

(11)

其中:x(t0)表示大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)在嵌入相空間中的非線性差分矢量；Δt是緩沖區(qū)對數(shù)據(jù)的采樣時間間隔，滿足K=N-(m-1)J.在上述重構(gòu)的相空間中進(jìn)行關(guān)聯(lián)維特征提取，大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)分布的緩存區(qū)為一個多層節(jié)點的相軌跡子空間，采用多徑向量重組進(jìn)行關(guān)聯(lián)維特征分解，得到多徑重組規(guī)律定義為

(12)

當(dāng)相空間重構(gòu)的時延參數(shù)滿足最優(yōu)特征分解時，進(jìn)行關(guān)聯(lián)維特征提取的平均互信息函數(shù)為

(13)

(14)

對大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)進(jìn)行最近鄰點聯(lián)合概率分布重組，對提取的關(guān)聯(lián)維特征在相空間中進(jìn)行低維軌線映射，得到輸出的關(guān)聯(lián)維特征集合，在重構(gòu)的相空間中進(jìn)行關(guān)聯(lián)維特征提取. 關(guān)聯(lián)維特征集合為

(15)

其中：τ表示嵌入式時延；pi表示大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)時間序列x(t)出現(xiàn)在相空間特征軌跡的概率；pij(τ)表示x(t)出現(xiàn)在相空間的近鄰點區(qū)域i的聯(lián)合概率.以上述特征提取結(jié)果為輸入數(shù)據(jù)，進(jìn)行特征聚類處理和緩存算法改進(jìn)設(shè)計.

2.2 數(shù)據(jù)緩存方法優(yōu)化實現(xiàn)

根據(jù)上述網(wǎng)絡(luò)海量數(shù)據(jù)相空間重構(gòu)和關(guān)聯(lián)維特征，采用模糊C均值聚類算法對提取的關(guān)聯(lián)維特征進(jìn)行聚類處理，降低數(shù)據(jù)緩存開銷，實現(xiàn)緩存模型優(yōu)化.算法改進(jìn)實現(xiàn)的過程描述如下：對大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)進(jìn)行模糊C均值聚類的特征核函數(shù)為

(16)

在m維相空間中計算數(shù)據(jù)聚類的融合中心，實現(xiàn)緩存區(qū)域識別，得到數(shù)據(jù)聚類中心為

(17)

隨著m增加到(m+1)，模糊C均值聚類中心收斂，對于兩個標(biāo)量數(shù)據(jù)時間序列y1和y2，通過模糊C均值聚類把緩存數(shù)據(jù)分為若干數(shù)據(jù)塊，進(jìn)行緩存區(qū)域的自適應(yīng)分區(qū)識別，識別數(shù)學(xué)模型為

(18)

信息流通過遠(yuǎn)端存儲節(jié)點進(jìn)行自適應(yīng)重組，提高數(shù)據(jù)存儲的空間，此時，在緩存區(qū)域數(shù)據(jù)信息流形成新的映射，即

(19)

在重構(gòu)的相空間中，采用模糊自適應(yīng)控制方法，結(jié)合C均值聚類，進(jìn)行迭代運算，計算第i點xi和第j點xj的關(guān)聯(lián)維信息特征，把提取的信息關(guān)聯(lián)到緩存區(qū)域S-Table上.通過上述算法處理，提高了數(shù)據(jù)緩存的空間區(qū)域，降低了數(shù)據(jù)存儲開銷，實現(xiàn)了算法的改進(jìn)．

3 仿真實驗與性能測試

通過仿真實驗，測試本文設(shè)計的大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)的數(shù)據(jù)緩存優(yōu)化方法的性能實驗中，通過串口總線、VXI總線、CAN總線構(gòu)建網(wǎng)絡(luò)數(shù)據(jù)的傳輸、通信和數(shù)據(jù)采集調(diào)度模塊，采用高速模塊內(nèi)部觸發(fā)機制進(jìn)行數(shù)據(jù)緩存區(qū)域的總線控制.實驗的硬件環(huán)境及技術(shù)指標(biāo)為：RAM緩沖區(qū)的D/A分辨率為13位，采樣數(shù)據(jù)在緩沖區(qū)通過PCI總線及橋接電路進(jìn)行循環(huán)跟蹤控制，RAM中含有32MB的外部存儲空間.采用Matlab仿真工具，進(jìn)行大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)的緩存仿真，首先進(jìn)行海量數(shù)據(jù)的外部接口片選和時間序列采樣，設(shè)定RCR[1，2]和XCR[1，2]作為采樣函數(shù)，大數(shù)據(jù)緩存系統(tǒng)內(nèi)配置引腳寄存器，采樣數(shù)據(jù)量從100MB到1GB進(jìn)行線性增長，得到大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)的時間序列波形，對網(wǎng)絡(luò)海量數(shù)據(jù)時間序列進(jìn)行相空間重構(gòu)，在重構(gòu)空間中進(jìn)行關(guān)聯(lián)維特征提取，實現(xiàn)數(shù)據(jù)緩存空間優(yōu)化.為了對比性能，采用本文方法和傳統(tǒng)方法，以大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)在緩存區(qū)的空間特征分布為對比，得到結(jié)果如圖3所示．

(a) 傳統(tǒng)方法 (b) 本文方法圖 3 大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)在緩存區(qū)的空間特征分布Fig.3 Spatial distribution of large scale data in the cache area

圖 4 數(shù)據(jù)緩存區(qū)的吞吐性能對比Fig.4 Comparison of throughput performance of data cache

從圖3可見，采用本文方法進(jìn)行大規(guī)模網(wǎng)絡(luò)海量數(shù)據(jù)緩存優(yōu)化設(shè)計，數(shù)據(jù)在緩存區(qū)的特征分布規(guī)則性更好，能有效降低緩存開銷，擴(kuò)展緩存空間.以數(shù)據(jù)緩存的吞吐性和召回性為指標(biāo)參量定量分析性能，得到對比結(jié)果如圖4所示，從圖4可見，采用本文方法進(jìn)行數(shù)據(jù)緩存的吞吐量較高.計算得知，采用本文方法進(jìn)行數(shù)據(jù)緩存調(diào)度的召回率為98.67%，比傳統(tǒng)方法高5.99%，性能較好，指標(biāo)參量優(yōu)于傳統(tǒng)方法．

4 結(jié)束語

數(shù)據(jù)緩存區(qū)不占用戶和網(wǎng)絡(luò)的存儲空間，具有實時高效訪問調(diào)度的優(yōu)點，受到廣泛應(yīng)用，本文研究數(shù)據(jù)緩存優(yōu)化方法，提出一種基于大規(guī)模緩存數(shù)據(jù)信息流相空間重構(gòu)和關(guān)聯(lián)維特征聚類的網(wǎng)絡(luò)海量數(shù)據(jù)優(yōu)化緩存模型，結(jié)果表明，采用本文方法進(jìn)行數(shù)據(jù)緩存的容量較高，在緩存區(qū)的數(shù)據(jù)特征分布更規(guī)則，降低了存儲開銷，提高了數(shù)據(jù)的吞吐量．

[1] 孫婷婷. 基于五元組的詞語搭配自動抽取[J]. 電子設(shè)計工程，2015，26(19):75-78．

SUN Tingting. Automatic collocation extraction based on quintuple[J].Electronic Design Engineering，2015，26(19):75-78．

[2] CAO Junwei，LI Keqin，STOJMENOVIC I. Optimal power allocation and load distribution for multiple heterogeneous multi-core server processors across clouds and data centers[J]. IEEE Transactions on Computers，2014，63(1):45-58．

[3] CHONG F T，HECK M J R，RANGANATHAN P，et al. Data center energy efficiency:Improving energy efficiency in data centers beyond technology scaling[J]. IEEE Design & Test，2014，31(1):93-104．

[4] 黃國兵，金勇，賈榮興，等. 某電能量遠(yuǎn)方終端雙平面網(wǎng)絡(luò)接口設(shè)計[J]. 西安工程大學(xué)學(xué)報，2016，23(1):102-106．

HUANG Guobing，JIN Yong，JIA Rongxing，et al. Design of double network interface for an energy remote terminal unit[J]. Journal of Xi’an Polytechnic University，2016，23(1):102-106．

[5] 侯森，羅興國，宋克. 基于信息源聚類的最大熵加權(quán)信任分析算法[J]. 電子學(xué)報，2015，43(5):993-999.

HOU Sen，LUO Xingguo，SONG Ke. A maximum entropy weighted trust-analysis algorithm based on sources clustering[J]. Chinese Journal of Electronics，2015，43(5):993-999．

[6] 張普寧，劉元安，吳帆，等. 物聯(lián)網(wǎng)中適用于內(nèi)容搜索的實體狀態(tài)匹配預(yù)測方法[J]. 電子與信息學(xué)報，2015，37(12):2815-2820．

ZHANG Puning，LIU Yuan′an，WU Fan，et al. An entity state matching prediction method for content-based search in the internet of things[J].Journal of Electronic and Information Technology，2015，37(12):2815-2820．

[7] 馬其琪，鮑愛達(dá). 基于DDR3 SDRAM的高速大容量數(shù)據(jù)緩存設(shè)計[J]. 計算機測量與控制，2015，23(9):3112-3113．

MA Qiqi，BAO Aida. High speed and large capacity data buffer design based on DDR3 SDRAM[J]. Computer Measurement & Control,2015，23(9):3112-3113．

[8] 史玉良，王捷. 一種多租戶云數(shù)據(jù)存儲緩存管理機制[J]. 計算機研究與發(fā)展，2014，51(11):2528-2537．

SHI Yuliang，WANG Jie.A multi-tenant memory management mechanism for cloud data storage[J]. Journal of Computer Research and Development.2014，51(11):2528-2537．

[9] 周恩強，張偉，盧宇彤，等. 一種面向大規(guī)模數(shù)據(jù)密集計算的緩存方法[J]. 計算機研究與發(fā)展，2015，52(7):1522-1530．

ZHOU Enqiang，ZHANG Wei，LU Yutong，et al. A cache approach for large scale data-intensive computing[J]. Journal of Computer Research and Development.2015，52(7):1522-1530．

[10] CATTIVELLI F S，SAYED A H. Distributed detection over adaptive networks using diffusion adaptation[J]. IEEE Transactions on Signal Processing，2011，59(5):1917-1932．

[11] 楊詩琦，虞紅芳，羅龍. IP網(wǎng)絡(luò)中的快速路由微環(huán)避免算法[J]. 計算機應(yīng)用，2015，35(12):3325-3330．

YANG Shiqi，YU Hongfang，LUO Long. Fast routing micro-loop avoidance algorithm in IP network[J]. Journal of Computer Applications，2015，35(12):3325-3330．

[12] CLAD F，MERINDOL P，PANSIOT J J，et al. Graceful convergence in link-state IP networks：A lightweight algorithm ensuring minimal operational impact[J]. IEEE ACM Transactions on Networking，2014，22(1):300-312．

[13] MOGHADAM A A，KUMAR M，RADHA H. Common and innovative visuals：A sparsity modeling framework for video[J]. IEEE Transactions on Image Processing，2014，23(9):4055-4069．

[14] ALEXE B，DESELAERS T，F(xiàn)ERRARI V. Measuring the objectness of image windows[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34(11):2189-2202.

[15] 崔永君，張永花. 基于特征尺度均衡的Linux系統(tǒng)雙閾值任務(wù)調(diào)度算法[J]. 計算機科學(xué)，2015，42(6):181-184．

CUI Yongjun，ZHNAG Yonghua. Linux system dual threshold scheduling algorithm based on characteristic scale equilibrium[J]. Computer Science，2015，42(6):181-184．

[16] 陳志濤. 高吞吐量抗干擾性物聯(lián)網(wǎng)混合服務(wù)器協(xié)議設(shè)計[J]. 科技通報，2014，30(4):65-67．

CHEN Zhitao. Design of protocol for hybrid server with high output capacity and anti-interference in internet of things[J]. Bulletin of Science and Technology，2014，300(4):65-67．

[17] 陸興華，陳平華. 基于定量遞歸聯(lián)合熵特征重構(gòu)的緩沖區(qū)流量預(yù)測算法[J]. 計算機科學(xué)，2015，42(4):68-71．

LU Xinghua，CHEN Pinghua. Traffic prediction algorithm in buffer based on recurrence quantification union entropy feature reconstruction[J]. Computer Science，2015，42(4):68-71．

編輯、校對：趙 放

An improve data caching method for large scale network

YU Guanghua

(Network and Information Center，Lingnan Normal University，Zhanjiang 524048，Guangdong,China)

In view of the problems of traditional method of the storage area network mass data cache method， such as prone to loss of data in the data cache and recall errors， data access and poor scheduling performance, an improved method of large-scale network mass data caching method is put forward. Web cache space structure model of the distribution of data is constructed as well as a large scale network information flow model of huge amounts of data and time series analysis. Fuzzy C-means clustering algorithm is used to cluster the extracted， correlation dimension characteristics，fufilling caching optimization model. The simulation results show that this method effectively reduces the cache overhead， extends the cache space，and indices such as throughput and recall of the data parameter are superior to those of traditional methods．

network; massive data;phase space reconstruction; correlation dimension

1674-649X(2016)04-0504-06

10.13338/j.issn.1674-649x.2016.04.017

2016-03-15

余光華(1979—)，男，江西省武寧市人，嶺南師范學(xué)院實驗師，研究方向為計算機網(wǎng)絡(luò)技術(shù).E-mail:Ygh168@163.com

余光華.一種大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)緩存方法的改進(jìn)[J].西安工程大學(xué)學(xué)報，2016，30(4)：504-509.

YUGuanghua.Animprovedatacachingmethodforlargescalenetwork[J].JournalofXi′anPolytechnicUniversity,2016，30(4)：504-509.

TP

A