CN114153397A - 分布式存储多站点同步优化方法、装置、设备、存储介质 - Google Patents

分布式存储多站点同步优化方法、装置、设备、存储介质 Download PDF

Info

Publication number
CN114153397A
CN114153397A CN202111471278.3A CN202111471278A CN114153397A CN 114153397 A CN114153397 A CN 114153397A CN 202111471278 A CN202111471278 A CN 202111471278A CN 114153397 A CN114153397 A CN 114153397A
Authority
CN
China
Prior art keywords
site
fitness
parameters
population
selecting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111471278.3A
Other languages
English (en)
Other versions
CN114153397B (zh
Inventor
王铂
陶桐桐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Inspur Intelligent Technology Co Ltd
Original Assignee
Suzhou Inspur Intelligent Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou Inspur Intelligent Technology Co Ltd filed Critical Suzhou Inspur Intelligent Technology Co Ltd
Priority to CN202111471278.3A priority Critical patent/CN114153397B/zh
Publication of CN114153397A publication Critical patent/CN114153397A/zh
Application granted granted Critical
Publication of CN114153397B publication Critical patent/CN114153397B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0668—Interfaces specially adapted for storage systems adopting a particular infrastructure
    • G06F3/067—Distributed or networked storage systems, e.g. storage area networks [SAN], network attached storage [NAS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
    • G06F3/0604—Improving or facilitating administration, e.g. storage management
    • G06F3/0607—Improving or facilitating administration, e.g. storage management by facilitating the process of upgrading existing storage systems, e.g. for improving compatibility between host and storage device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
    • G06F3/0629—Configuration or reconfiguration of storage systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明属于分布式存储多目标参数优化技术领域，具体提供一种分布式存储多站点同步优化方法、装置、设备、存储介质，所述方法包括如下步骤：选定被优化参数并根据选定的被优化参数计算适应度，以多站点适应度作为优化目标，将分布式存储的多站点同步优化问题转化为一个多目标问题，并采用多目标进化算法来求得最优配置参数。可有效处理多站点同步的优化问题，得到最优的配置参数，使用者可根据这些最优解集以及自己的实际需要来配置多站点同步的参数，从而协调多站点同步的速度和业务性能。

Description

分布式存储多站点同步优化方法、装置、设备、存储介质
技术领域
本发明涉及分布式存储多目标参数优化技术领域，具体涉及一种分布式存储多站点同步优化方法、装置、设备、存储介质。
背景技术
在对象存储中，异地容灾是指主备中心之间的距离较远(＞200KM)，因此一般采用异步镜像复制。异地灾难备份不仅可以防范火灾、建筑物破坏等可能遇到的风险隐患，还能够防范战争、地震、水灾等风险。由于同城灾难备份和异地灾难备份各有所长，为达到最理想的防灾效果，数据中心应考虑采用同城和异地各建立一个灾难备份中心的方式解决。也就是说多个站点之间的数据冗余备份，保障数据安全性。
在存储系统中存在许多的多目标优化问题，也就是说多个目标之间是互相冲突的，一个目标的结果变好会使得其他目标的结果变差。随着研究人员对解决多目标问题进行的研究深入，已经出现了许多优秀的解决算法。其中，多目标进化算法是最具代表性的处理手段，其能够在决策空间中找到近似Pareto前沿对应的非支配Pareto解集，也就是最优解集。决策者可以依据实际应用从解决方案集中选择所需方案。
在多站点环境中，不同站点间的数据同步速度和业务的处理速度是两个优化的目标，我们希望能够有更好的同步速度来保证不同站点间的数据一致性，也希望能够有更好的业务处理速度。在服务器处理速度一定的前提下，提升同步速度会导致降低集群的业务处理，如何协调同步速度和业务速度值得工作人员重点关注。目前影响着两个速度的因素主要是同步线程的数量以及业务线程的数量，现在参数设置一般根据使用者的经验进行设置，难以满足当前大规模存储集群复杂多样的需求。
发明内容
针对目前影响着两个速度的因素主要是同步线程的数量以及业务线程的数量，现在参数设置一般根据使用者的经验进行设置，难以满足当前大规模存储集群复杂多样的需求的问题，本发明提供一种分布式存储多站点同步优化方法、装置、设备、存储介质。
本发明的技术方案是：
第一方面，本发明技术方案提供一种分布式存储多站点同步优化方法，包括如下过程：
选定被优化参数并根据选定的被优化参数计算适应度，以多站点适应度作为优化目标，将分布式存储的多站点同步优化问题转化为一个多目标问题，并采用多目标进化算法来求得最优配置参数。
使用者可根据这些最优配置参数以及自己的实际需要来配置多站点同步的参数，从而协调多站点同步的速度和业务性能。
优选地，选定被优化参数并根据选定的被优化参数计算适应度的步骤包括：
选定影响同步速度和业务处理速度的参数作为被优化参数并设置参数的可行值；
将不同参数的可行值进行组合并计算每个组合的适应度。
优选地，将不同参数的可行值进行组合并计算每个组合的适应度的步骤包括：
将不同参数的可行值进行组合生成可行解域；
随机选择可行解域的组合生成P个粒子的初级种群；
计算每个粒子的适应度。
优选地，以多站点适应度作为优化目标，将分布式存储的多站点同步优化问题转化为一个多目标问题，并采用多目标进化算法来求得最优配置参数的步骤包括：
以多站点适应度作为优化目标用多目标进化算法进行迭代种群的选择；
达到迭代次数时，输出该种群的优化目标的最优解集，得到最优配置参数。
以多站点落后数据量与业务速度作为优化目标，将分布式存储的多站点同步优化问题转化为一个多目标问题，并采用多目标进化算法来求得最优配置参数。
优选地，以多站点适应度作为优化目标用多目标进化算法进行迭代种群的选择的步骤包括：
依照每个粒子的适应度，选择适应度排名在前第一阈值的粒子；
对选择的粒子进行变异、交叉、选择操作处理生成次级种群；
计算次级种群中每个粒子的适应度；
将次级种群和初级种群的粒子按照适应度进行排名选择前P个粒子作为下一代的迭代种群。
优选地，以多站点适应度作为优化目标用多目标进化算法进行迭代种群的选择的步骤之后包括：
判断迭代次数是否达到设定的迭代阈值；
若是，执行步骤：输出该种群的优化目标的最优解集，得到最优配置参数；
否则，对选择的前P个粒子进行变异、交叉、选择操作处理生成次级种群，执行步骤：计算次级种群中每个粒子的适应度。
优选地，选定影响同步速度和业务处理速度的参数作为被优化参数并设置参数的可行值的步骤包括：
选定同步线程数和业务线程数作为被优化参数；
分别设置同步线程数和业务线程数的可行值；
将不同参数的可行值进行组合生成可行解域的步骤包括：
将设置的同步线程数和业务线程数的可行值进行不同参数的两两组合生成可行解域。
优选地，计算每个粒子的适应度值的步骤包括：
依据公式(3-1)计算落后数据量和业务速度，即适应度；
Figure BDA0003392387200000051
其中，st为同步线程数，wt为业务线程数，ln为落后数据量，wv为业务速度，N1为同步性能常量，N2为业务性能常量。
将同步线程数和业务线程数作为被优化参数，落后数据量和业务速度作为两个优化目标计算种群的适应度值，并根据适应度值进行种群中粒子的选择，将选择产生的种群与原种群合并将种群中的粒子再次根据适应度值进行排序选出与原种群数量相同的粒子，通过设置迭代次数进行种群的不断迭代最后输出最优解集。
第二方面，本发明技术方案提供一种分布式存储多站点同步优化装置，所述装置用于选定被优化参数并根据选定的被优化参数计算适应度，以多站点适应度作为优化目标，将分布式存储的多站点同步优化问题转化为一个多目标问题，并采用多目标进化算法来求得最优配置参数。
优选地，所述装置包括参数设置模块、参数处理模块；
参数设置模块，用于选定影响同步速度和业务处理速度的参数作为被优化参数并设置参数的可行值；
参数处理模块，用于将不同参数的可行值进行组合并计算每个组合的适应度。
优选地，参数处理模块包括组合单元、粒子选择单元、第一计算单元；
组合单元，用于将不同参数的可行值进行组合生成可行解域；
粒子选择单元，用于随机选择可行解域的组合生成P个粒子的初级种群；
第一计算单元，用于计算每个粒子的适应度。
第一计算单元依据公式(3-1)计算落后数据量和业务速度，即适应度；
Figure BDA0003392387200000061
st为同步线程数，wt为业务线程数，ln为落后数据量，wv为业务速度，N1为同步性能常量，N2为业务性能常量。
优选地，该装置还包括迭代处理模块和输出模块；
迭代处理模块，用于以多站点适应度作为优化目标用多目标进化算法进行迭代种群的选择；
输出模块，用于达到迭代次数时，输出该种群的优化目标的最优解集，得到最优配置参数。
优选地，迭代处理模块包括排序选择单元、处理单元、第二计算单元；
排序选择单元，用于依照每个粒子的适应度，选择适应度排名在前第一阈值的粒子；将次级种群和初级种群的粒子按照适应度进行排名选择前P个粒子作为下一代的迭代种群；
处理单元，用于对选择的粒子进行变异、交叉、选择操作处理生成次级种群；
第二计算单元，用于计算次级种群中每个粒子的适应度。
将同步线程数和业务线程数作为被优化参数，落后数据量和业务速度作为两个优化目标计算种群的适应度值，并根据适应度值进行种群中粒子的选择，将选择产生的种群与原种群合并将种群中的粒子再次根据适应度值进行排序选出与原种群数量相同的粒子，通过设置迭代次数进行种群的不断迭代最后输出最优解集。使用者可根据这些最优解集以及自己的实际需要来配置多站点同步的参数，从而协调多站点同步的速度和业务性能。
优选地，该装置还包括判断模块；用于判断迭代次数是否达到设定的迭代阈值；若是输出信息到输出模块；否则，输出信息到处理单元对选择的前P个粒子进行变异、交叉、选择操作处理生成次级种群。
以多站点落后数据量与业务速度作为优化目标，将分布式存储的多站点同步优化问题转化为一个多目标问题，并采用多目标进化算法来求得最优配置参数。本专利采用多目标优化算法来解决多站点同步参数设置的多目标问题，设计了一种新的分布式存储的多站点同步优化方法，从而获取一系列最优多站点同步配置参数，满足使用者的需求。
第三方面，本发明技术方案提供一种计算机设备，包括处理器和存储器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如第一方面所述的分布式存储多站点同步优化方法。
第四方面，本发明技术方案提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如第一方面所述的分布式存储多站点同步优化方法。
从以上技术方案可以看出，本发明具有以下优点：可有效处理多站点同步的优化问题，得到最优的配置参数，使用者可根据这些最优解集以及自己的实际需要来配置多站点同步的参数，从而协调多站点同步的速度和业务性能。
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
由此可见，本发明与现有技术相比，具有突出的实质性特点和显著地进步，其实施的有益效果也是显而易见的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的方法的示意性流程图。
图2是本发明另一个实施例的方法的示意性流程图。
图3是本发明再一个实施例的方法的示意性流程图。
图4是本发明一个实施例的装置的示意性框图。
具体实施方式
本发明技术方案提供一种分布式存储多站点同步优化方法，选定被优化参数并根据选定的被优化参数计算适应度，以多站点适应度作为优化目标，将分布式存储的多站点同步优化问题转化为一个多目标问题，并采用多目标进化算法来求得最优配置参数。为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
如图1所示，本发明实施例提供一种分布式存储多站点同步优化方法，包括如下步骤：
SS1：选定影响同步速度和业务处理速度的参数作为被优化参数并设置参数的可行值；
SS2：将不同参数的可行值进行组合并计算每个组合的适应度；
SS3：以多站点适应度作为优化目标用多目标进化算法进行迭代种群的选择；
SS4：达到迭代次数时，输出该种群的优化目标的最优解集，得到最优配置参数。
具体实施过程，将同步线程数和业务线程数作为被优化参数，落后数据量和业务速度作为两个优化目标计算种群的适应度值，并根据适应度值进行种群中粒子的选择，将选择产生的种群与原种群合并将种群中的粒子再次根据适应度值进行排序选出与原种群数量相同的粒子，通过设置迭代次数进行种群的不断迭代最后输出最优解集。使用者可根据这些最优解集以及自己的实际需要来配置多站点同步的参数，从而协调多站点同步的速度和业务性能。
如图2所示，本发明实施例提供一种分布式存储多站点同步优化方法，包括如下步骤：
步骤1：设置影响同步速度和业务处理速度的参数的可行值；
由于目前影响着两个速度的因素主要是同步线程的数量以及业务线程的数量，当然设置影响同步速度和业务处理速度的参数包括同步线程数和业务线程数。
步骤2：将不同参数的可行值进行组合生成可行解域；
本步骤中，将设置的同步线程数和业务线程数的可行值，可行值的设置为若干个，也就是设置的线程数量，将两种可行值进行随机组合生成一个集合在这里称为可行解域。
步骤3：随机选择可行解域的组合生成P个粒子的初级种群；
在生成的可行解域中选择P组同步线程数和业务线程数的可行值的组合生成P个粒子的粒子群，每个粒子包括两个元素同步线程数和业务线程数；
步骤4：计算每个粒子的适应度；
本步骤中，计算每个粒子的适应度，需要说明的是，适应度越高的粒子，得出的目标越好。
步骤5：根据计算的适应度进行迭代种群的选择；
根据适应度进行种群的迭代选择。
步骤6：达到迭代次数时，输出该种群的最优解集。
将同步线程数和业务线程数作为被优化参数，落后数据量和业务速度作为两个优化目标计算种群的适应度，并根据适应度进行种群中粒子的选择，将选择产生的种群与原种群合并将种群中的粒子再次根据适应度进行排序选出与原种群数量相同的粒子，通过设置迭代次数进行种群的不断迭代最后输出最优解集。使用者可根据这些最优解集以及自己的实际需要来配置多站点同步的参数，从而协调多站点同步的速度和业务性能。
在存储系统中存在许多的多目标优化问题，也就是说多个目标之间是互相冲突的，一个目标的结果变好会使得其他目标的结果变差。其中，多目标进化算法是最具代表性的处理手段，其能够在决策空间中找到近似Pareto前沿对应的非支配Pareto解集，也就是最优解集。决策者可以依据实际应用从解决方案集中选择所需方案。在多站点环境中，不同站点间的数据同步速度和业务的处理速度是两个优化的目标，我们希望能够有更好的同步速度来保证不同站点间的数据一致性，也希望能够有更好的业务处理速度。在服务器处理速度一定的前提下，提升同步速度会导致降低集群的业务处理,针对协调同步速度和业务速度值，本专利采用多目标优化算法来解决多站点同步参数设置的多目标问题，设计了一种新的分布式存储的多站点同步优化方法，从而获取一系列最优多站点同步配置参数，满足使用者的需求，如图3所示，具体包括如下步骤：
S1：设置影响同步速度和业务处理速度的参数的可行值；
以多站点落后数据量与业务速度作为优化目标，将分布式存储的多站点同步优化问题转化为一个多目标问题，并采用多目标进化算法来求得最优配置参数。由于目前影响着两个速度的因素主要是同步线程的数量以及业务线程的数量，当然设置影响同步速度和业务处理速度的参数包括同步线程数和业务线程数。
S2：将不同参数的可行值进行组合生成可行解域；
本步骤中，将设置的同步线程数和业务线程数的可行值，可行值的设置为若干个，也就是设置的线程数量，将两种可行值进行随机组合生成一个集合在这里称为可行解域。本步骤中，需要设置种群个体数P，最大迭代次数M。
S3：随机选择可行解域的组合生成P个粒子的初级种群；
在生成的可行解域中选择P组同步线程数和业务线程数的可行值的组合生成P个粒子的粒子群，每个粒子包括两个元素同步线程数和业务线程数；
使用随机算法，在可行解域内生成P个粒子，每个粒子表示一种可行的解决方案。
S4：计算每个粒子的适应度；
本步骤中，计算每个粒子的适应度，需要说明的是，适应度越高的粒子，得出的目标越好。
本步骤中，依据公式(3-1)计算落后数据量和业务速度；
Figure BDA0003392387200000141
st为同步线程数，wt为业务线程数，ln为落后数据量，wv为业务速度，N1为同步性能常量，N2为业务性能常量。
S5：依照每个粒子的适应度，选择适应度排名在前第一阈值的粒子；
依照每个粒子的适应度，对这P个粒子按照非支配的规则进行排序，选出排名在前50％的粒子进入下一步，在这里，第一阈值等于P的二分之一。
S6：对选择的粒子进行处理生成次级种群；
对这P/2个粒子进行变异、交叉、选择操作，生成次级种群。
S7：计算次级种群中每个粒子的适应度；
本步骤中，依据公式(3-1)计算落后数据量和业务速度；
S8：将次级种群和初级种群的粒子按照适应度进行排名选择前P个粒子作为下一代种群进行迭代。
将次级种群和初始种群一起按照非支配规则进行排序，将前P个粒子作为下一代的种群。
S9：判断是否达到设定的迭代次数M；若是，执行步骤10，否则执行步骤S4；
S10：达到迭代次数时，输出该种群的最优解集。
达到最大迭代次数则输出该种群中的Pareto解集，需要说明的是，Pareto解集是帕累托最优解集，多目标优化问题的最优解集；Pareto前沿是帕累托最优结果，多目标优化问题的最优目标结果；多站点是指多个站点之间数据同步且一致，一种异地容灾的手段。
以多站点落后数据量与业务速度作为优化目标，将分布式存储的多站点同步优化问题转化为一个多目标问题，并采用多目标进化算法来求得最优配置参数。
在多站点环境中，不同站点间的数据同步速度和业务的处理速度是两个优化的目标，我们希望能够有更好的同步速度来保证不同站点间的数据一致性，也希望能够有更好的业务处理速度。在服务器处理速度一定的前提下，提升同步速度会导致降低集群的业务处理,针对协调同步速度和业务速度值，如图4所示，本发明技术方案提供一种分布式存储多站点同步优化装置，所述装置用于选定被优化参数并根据选定的被优化参数计算适应度，以多站点适应度作为优化目标，将分布式存储的多站点同步优化问题转化为一个多目标问题，并采用多目标进化算法来求得最优配置参数。
需要说明的是，所述装置包括参数设置模块、参数处理模块、迭代处理模块和输出模块；
参数设置模块，用于选定影响同步速度和业务处理速度的参数作为被优化参数并设置参数的可行值；
参数处理模块，用于将不同参数的可行值进行组合并计算每个组合的适应度；
迭代处理模块，用于以多站点适应度作为优化目标用多目标进化算法进行迭代种群的选择；
输出模块，用于达到迭代次数时，输出该种群的优化目标的最优解集，得到最优配置参数。
在有些实施例中，参数处理模块包括组合单元、粒子选择单元、第一计算单元；
组合单元，用于将不同参数的可行值进行组合生成可行解域；
粒子选择单元，用于随机选择可行解域的组合生成P个粒子的初级种群；
第一计算单元，用于计算每个粒子的适应度。
第一计算单元依据公式(3-1)计算落后数据量和业务速度，即适应度；
Figure BDA0003392387200000171
st为同步线程数，wt为业务线程数，ln为落后数据量，wv为业务速度，N1为同步性能常量，N2为业务性能常量。
在有些实施例中，迭代处理模块包括排序选择单元、处理单元、第二计算单元；
排序选择单元，用于依照每个粒子的适应度，选择适应度排名在前第一阈值的粒子；将次级种群和初级种群的粒子按照适应度进行排名选择前P个粒子作为下一代的迭代种群；
处理单元，用于对选择的粒子进行变异、交叉、选择操作处理生成次级种群；
第二计算单元，用于计算次级种群中每个粒子的适应度。
将同步线程数和业务线程数作为被优化参数，落后数据量和业务速度作为两个优化目标计算种群的适应度值，并根据适应度值进行种群中粒子的选择，将选择产生的种群与原种群合并将种群中的粒子再次根据适应度值进行排序选出与原种群数量相同的粒子，通过设置迭代次数进行种群的不断迭代最后输出最优解集。使用者可根据这些最优解集以及自己的实际需要来配置多站点同步的参数，从而协调多站点同步的速度和业务性能。
在有些实施例中，该装置还包括判断模块；用于判断迭代次数是否达到设定的迭代阈值；若是输出信息到输出模块；否则，输出信息到处理单元对选择的前P个粒子进行变异、交叉、选择操作处理生成次级种群。
以多站点落后数据量与业务速度作为优化目标，将分布式存储的多站点同步优化问题转化为一个多目标问题，并采用多目标进化算法来求得最优配置参数。本专利采用多目标优化算法来解决多站点同步参数设置的多目标问题，设计了一种新的分布式存储的多站点同步优化方法，从而获取一系列最优多站点同步配置参数，满足使用者的需求。
本发明实施例提供的一种计算机设备，该设备可以包括：处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信。总线可以用于电子设备与传感器之间的信息传输。处理器可以调用存储器中的逻辑指令，以执行如下方法：S1：设置影响同步速度和业务处理速度的参数的可行值；S2：将不同参数的可行值进行组合生成可行解域；
S3：随机选择可行解域的组合生成P个粒子的初级种群；S4：计算每个粒子的适应度；S5：依照每个粒子的适应度，选择适应度排名在前第一阈值的粒子；S6：对选择的粒子进行处理生成次级种群；S7：计算次级种群中每个粒子的适应度；S8：将次级种群和初级种群的粒子按照适应度进行排名选择前P个粒子作为下一代种群进行迭代。S9：判断是否达到设定的迭代次数M；若是，执行步骤10，否则执行步骤S4；S10：达到迭代次数时，输出该种群的最优解集。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行上述方法实施例所提供的方法，例如包括：设置影响同步速度和业务处理速度的参数的可行值；将不同参数的可行值进行组合生成可行解域；随机选择可行解域的组合生成P个粒子的初级种群；计算每个粒子的适应度；根据计算的适应度进行迭代种群的选择；达到迭代次数时，输出该种群的最优解集。
在一些具体的实施例中，所述可读存储介质中被处理器执行的程序指令，具体可以实现以下步骤：依照每个粒子的适应度，选择适应度排名在前第一阈值的粒子；对选择的粒子进行处理生成次级种群；计算次级种群中每个粒子的适应度；将次级种群和初级种群的粒子按照适应度进行排名选择前P个粒子作为下一代种群进行迭代。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种分布式存储多站点同步优化方法，其特征在于，包括如下过程：
选定被优化参数并根据选定的被优化参数计算适应度，以多站点适应度作为优化目标，将分布式存储的多站点同步优化问题转化为一个多目标问题，并采用多目标进化算法来求得最优配置参数。
2.根据权利要求1所述的分布式存储多站点同步优化方法，其特征在于，选定被优化参数并根据选定的被优化参数计算适应度的步骤包括：
选定影响同步速度和业务处理速度的参数作为被优化参数并设置参数的可行值；
将不同参数的可行值进行组合并计算每个组合的适应度。
3.根据权利要求2所述的分布式存储多站点同步优化方法，其特征在于，将不同参数的可行值进行组合并计算每个组合的适应度的步骤包括：
将不同参数的可行值进行组合生成可行解域；
随机选择可行解域的组合生成P个粒子的初级种群；
计算每个粒子的适应度。
4.根据权利要求3所述的分布式存储多站点同步优化方法，其特征在于，以多站点适应度作为优化目标，将分布式存储的多站点同步优化问题转化为一个多目标问题，并采用多目标进化算法来求得最优配置参数的步骤包括：
以多站点适应度作为优化目标用多目标进化算法进行迭代种群的选择；
达到迭代次数时，输出该种群的优化目标的最优解集，得到最优配置参数。
5.根据权利要求1所述的分布式存储多站点同步优化方法，其特征在于，以多站点适应度作为优化目标用多目标进化算法进行迭代种群的选择的步骤包括：
依照每个粒子的适应度，选择适应度排名在前第一阈值的粒子；
对选择的粒子进行变异、交叉、选择操作处理生成次级种群；
计算次级种群中每个粒子的适应度；
将次级种群和初级种群的粒子按照适应度进行排名选择前P个粒子作为下一代的迭代种群。
6.根据权利要求5所述的分布式存储多站点同步优化方法，其特征在于，以多站点适应度作为优化目标用多目标进化算法进行迭代种群的选择的步骤之后包括：
判断迭代次数是否达到设定的迭代阈值；
若是，执行步骤：输出该种群的优化目标的最优解集，得到最优配置参数；
否则，对选择的前P个粒子进行变异、交叉、选择操作处理生成次级种群，执行步骤：计算次级种群中每个粒子的适应度。
7.根据权利要求6所述的分布式存储多站点同步优化方法，其特征在于，选定影响同步速度和业务处理速度的参数作为被优化参数并设置参数的可行值的步骤包括：
选定同步线程数和业务线程数作为被优化参数；
分别设置同步线程数和业务线程数的可行值；
将不同参数的可行值进行组合生成可行解域的步骤包括：
将设置的同步线程数和业务线程数的可行值进行不同参数的两两组合生成可行解域。
8.一种分布式存储多站点同步优化装置，其特征在于，所述装置用于选定被优化参数并根据选定的被优化参数计算适应度，以多站点适应度作为优化目标，将分布式存储的多站点同步优化问题转化为一个多目标问题，并采用多目标进化算法来求得最优配置参数。
9.一种计算机设备，其特征在于，包括处理器和存储器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一项权利要求所述的分布式存储多站点同步优化方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一项权利要求所述的分布式存储多站点同步优化方法。
CN202111471278.3A 2021-12-03 2021-12-03 分布式存储多站点同步优化方法、装置、设备、存储介质 Active CN114153397B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111471278.3A CN114153397B (zh) 2021-12-03 2021-12-03 分布式存储多站点同步优化方法、装置、设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111471278.3A CN114153397B (zh) 2021-12-03 2021-12-03 分布式存储多站点同步优化方法、装置、设备、存储介质

Publications (2)

Publication Number Publication Date
CN114153397A true CN114153397A (zh) 2022-03-08
CN114153397B CN114153397B (zh) 2023-08-22

Family

ID=80452608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111471278.3A Active CN114153397B (zh) 2021-12-03 2021-12-03 分布式存储多站点同步优化方法、装置、设备、存储介质

Country Status (1)

Country Link
CN (1) CN114153397B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050143845A1 (en) * 2003-12-24 2005-06-30 Hirotaka Kaji Multiobjective optimization apparatus, multiobjective optimization method and multiobjective optimization program
CN102201672A (zh) * 2010-03-26 2011-09-28 长沙理工大学 改进的模拟退火-粒子群优化算法
CN104376377A (zh) * 2014-11-11 2015-02-25 国家电网公司 基于粒子群优化算法的对配电网中分布式电源的管理方法
US20180357584A1 (en) * 2017-06-12 2018-12-13 Hefei University Of Technology Method and system for collaborative scheduling of production and transportation in supply chains based on improved particle swarm optimization
CN110112789A (zh) * 2019-04-22 2019-08-09 南通大学 基于自适应快速粒子群的孤岛型微网多目标优化配置算法
CN111582428A (zh) * 2020-04-01 2020-08-25 长江大学 一种基于灰色预测演化算法的多模态多目标优化方法
CN113687780A (zh) * 2021-07-30 2021-11-23 济南浪潮数据技术有限公司 分布式存储服务端QoS优化方法、系统、终端及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050143845A1 (en) * 2003-12-24 2005-06-30 Hirotaka Kaji Multiobjective optimization apparatus, multiobjective optimization method and multiobjective optimization program
CN102201672A (zh) * 2010-03-26 2011-09-28 长沙理工大学 改进的模拟退火-粒子群优化算法
CN104376377A (zh) * 2014-11-11 2015-02-25 国家电网公司 基于粒子群优化算法的对配电网中分布式电源的管理方法
US20180357584A1 (en) * 2017-06-12 2018-12-13 Hefei University Of Technology Method and system for collaborative scheduling of production and transportation in supply chains based on improved particle swarm optimization
CN110112789A (zh) * 2019-04-22 2019-08-09 南通大学 基于自适应快速粒子群的孤岛型微网多目标优化配置算法
CN111582428A (zh) * 2020-04-01 2020-08-25 长江大学 一种基于灰色预测演化算法的多模态多目标优化方法
CN113687780A (zh) * 2021-07-30 2021-11-23 济南浪潮数据技术有限公司 分布式存储服务端QoS优化方法、系统、终端及存储介质

Also Published As

Publication number Publication date
CN114153397B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN112186765B (zh) 一种机组组合决策的日前调度模型的建模方法
CN109840154B (zh) 一种移动云环境下基于任务依赖的计算迁移方法
CN107316113B (zh) 一种输电网规划方法及系统
Chen et al. Influence maximization on signed social networks with integrated pagerank
CN113687780B (zh) 分布式存储服务端QoS优化方法、系统、终端及存储介质
CN114153397A (zh) 分布式存储多站点同步优化方法、装置、设备、存储介质
Rajathy et al. A novel method of using symbiotic organism search algorithm in solving security-constrained economic dispatch
Van Hong et al. Environmental Economic Dispatch Using Stochastic Fractal Search Algorithm
CN113434270A (zh) 数据资源调度方法、装置、电子设备及存储介质
Shi et al. Adaptive intervention for crowd negative emotional contagion
CN107623586B (zh) 网络链路预测方法及装置
CN113255994A (zh) 电网cps的优化配置方法、装置、设备和介质
Rani et al. Dynamic Economic Emission Dispatch problem with valve-point effect
CN112152267A (zh) 一种计及源荷不确定性的电网随机无功优化调度方法
Guo et al. A Recommendation System Based on Adaptive Genetic Algorithm for Enclosed Spaces
CN114825629B (zh) 一种智能输配电处理方法及系统
CN113450029B (zh) 一种电力资源调度优化系统的超维度三角寻优方法和系统
Li et al. A Multi-Objective Emergency Resource Scheduling Method Based on MOEA/D
CN117578627B (zh) 发电调度方法、装置、电子设备和存储介质
Kang et al. Power economic dispatching subject to DG uncertainty via bare-bones PSO
Zeng et al. Distributed alternating direction multiplier method based on optimized topology and nodes selection strategy
CN115719976A (zh) 一种分布式可再生能源虚拟集群二次划分方法和系统
Syu et al. Distributed Learning Mechanisms for Anomaly Detection in Privacy-Aware Energy Grid Management Systems
CN117670398A (zh) 一种面向系统弹性提升的多维离散概率不确定性分析方法、系统、计算机设备及存储介质
Chai et al. Intervention against information diffusion in static and temporal coupling networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant