CN116170365A - 基于蚁群算法的多用户SaaS服务部署系统及方法 - Google Patents

基于蚁群算法的多用户SaaS服务部署系统及方法 Download PDF

Info

Publication number
CN116170365A
CN116170365A CN202310445223.8A CN202310445223A CN116170365A CN 116170365 A CN116170365 A CN 116170365A CN 202310445223 A CN202310445223 A CN 202310445223A CN 116170365 A CN116170365 A CN 116170365A
Authority
CN
China
Prior art keywords
clearing
child node
node
ant colony
data
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
CN202310445223.8A
Other languages
English (en)
Other versions
CN116170365B (zh
Inventor
江明桥
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.)
Youjiayoubao Beijing Technology Co ltd
Original Assignee
Yiling Jiangsu Big Data 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 Yiling Jiangsu Big Data Co ltd filed Critical Yiling Jiangsu Big Data Co ltd
Priority to CN202310445223.8A priority Critical patent/CN116170365B/zh
Publication of CN116170365A publication Critical patent/CN116170365A/zh
Application granted granted Critical
Publication of CN116170365B publication Critical patent/CN116170365B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/02—Topology update or discovery
    • H04L45/08—Learning-based routing, e.g. using neural networks or artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/104—Peer-to-peer [P2P] networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于SaaS服务部署技术领域，本发明公开了基于蚁群算法的多用户SaaS服务部署系统及方法，构建清结算业务区块链，通过SaaS服务部署服务对清结算业务区块链进行分析，生成清结算计划表；构建蚁群算法，对子节点进行蚁群算法的参数初始化设置，并通过公式化计算确定改进后的蚁群算法；根据改进后的蚁群算法，对每个父节点中所有的子节点数据进行聚合操作，将聚合得到的数据传送给自己父节点；通过蚂蚁寻路概率公式计算最优路径，可得到清结算业务区块链之间进行点对点清算的最优清算路径；通过蚂蚁算法的自适应维护更新，继续进行数据的传送；所述清结算业务区块链将点对点清算的最优清算路径转发至公网。

Description

基于蚁群算法的多用户SaaS服务部署系统及方法
技术领域
本发明涉及SaaS服务部署技术领域，更具体地说，本发明涉及基于蚁群算法的多用户SaaS服务部署系统及方法。
背景技术
多用户SaaS服务部署通过Internet提供软件的模式，厂商将应用软件统一部署在自己的服务器上，客户可以根据自己实际需求，通过互联网向厂商定购所需的应用软件服务，按定购的服务多少和时间长短向厂商支付费用，并通过互联网获得厂商提供的服务。用户不用再购买软件，而改用向提供商租用基于Web的软件，来管理企业经营活动，且无需对软件进行维护，服务提供商会全权管理和维护软件，软件厂商在向客户提供互联网应用的同时，也提供软件的离线操作和本地数据存储，让用户随时随地都可以使用其定购的软件和服务。对于许多小型企业来说，SaaS是采用先进技术的最好途径，它消除了企业购买、构建和维护基础设施和应用程序的需要。
现有的多用户SaaS服务部署存在以下缺陷:
1、多用户SaaS服务部署缺少有效的支持并发的方法，特别是对于点对点清算过程中，虽然可以支撑所有的区块链同时登录处理，但是没有有效的算法引导处理，在考虑数据聚合时，数据在路径交叉节点进行聚合,由于清结算数据单元作为独立节点存在，其选择数据回传路径时，路径交叉点是随机形成的，不能够实现数据的有效聚合。
2、路径选择时可能导致局部信息量过大，并且产生回路，使得局部节点能量消耗过快，严重影响网络的连通性，从而能耗增加，生命周期缩短和网络延迟增大，安全性能降低。
为了解决这一问题，我们引入蚁群算法，通过蚁群算法规划最优清算路径，从而改善区块链点对点清算流程；鉴于此，本申请发明人发明了基于蚁群算法的多用户SaaS服务部署系统及方法。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供基于蚁群算法的多用户SaaS服务部署系统及方法。
为实现上述目的，本发明提供如下技术方案：基于蚁群算法的多用户SaaS服务部署方法，包括：以下步骤:
S1：构建清结算业务区块链，通过SaaS服务部署服务对所述清结算业务区块链进行分析，生成清结算计划表；
S2：构建蚁群算法，将清结算业务区块链定义为父节点，每个清结算业务区块链中对应的清结算数据单元定义为子节点；根据清结算计划表提取对应的
Figure SMS_1
个父节点和/>
Figure SMS_2
个子节点，将当清结算业务区块链的位置定义为/>
Figure SMS_3
，当清结算数据单元的位置定义为/>
Figure SMS_4
；
S3：
Figure SMS_5
个子节点进行蚁群算法的参数初始化设置，并通过公式化计算确定改进后的蚁群算法；
S4：根据改进后的蚁群算法，对每个父节点中所有的子节点数据进行聚合操作，将聚合得到的数据传送给对应的父节点；对
Figure SMS_6
个父节点通过公式计算最优路径，根据/>
Figure SMS_7
个父节点通过公式计算最优路径，可得到清结算业务区块链之间进行点对点清算的最优清算路径；
S5：通过蚂蚁算法的自适应维护更新，继续进行数据的传送；通过公式对父节点或子节点能量耗尽进行计算，从而完成SaaS服务部署服务；
S6：将所述清结算业务区块链点对点清算的最优清算路径转发至公网。
在一个优选的实施方式中，生成所述清结算计划表的逻辑为：
S11：构建清结算业务区块链，对所有的清结算业务区块链进行SaaS服务部署服务，
S12：通过SaaS服务部署服务将清结算业务区块链划分多个清结算数据单元，将每个清结算数据单元均作为独立的节点部署在清结算业务区块链上，
S13：记录清结算数据单元以及记录触发所述清结算数据单元的清算时间点；
S14：将所有的清结算数据单元和对应的清算时间点生成清结算计划表，其中，所述清结算计划表用于指示对清结算业务区块链的交易数据库的交易数据进行清结算处理；所述交易数据库包括一个数据表，所述交易数据库用于查询与记录所述清结算计划表中记录的清结算数据单元和其对应的清结算时间点。
在一个优选的实施方式中，生成改进后的所述蚁群算法的逻辑为：
S31：参数初始化：基于清结算计划表中的交易数据确定
Figure SMS_8
个子节点的交易数量，确定初始化蚁群算法中的信息素初始值/>
Figure SMS_9
；
S32：每个子节点
Figure SMS_10
按照概率公式为选择下一个子节点/>
Figure SMS_11
，当子节点/>
Figure SMS_12
位于/>
Figure SMS_13
时，按照公式获得下一个子节点的位置/>
Figure SMS_14
；具体概率公式为：
Figure SMS_15
，
其中，
Figure SMS_17
为/>
Figure SMS_23
个子节点中的第/>
Figure SMS_26
个子节点，基于/>
Figure SMS_18
个子节点寻找下一个子节点/>
Figure SMS_21
，/>
Figure SMS_25
为/>
Figure SMS_28
个子节点之间的信息素，/>
Figure SMS_16
为/>
Figure SMS_20
个子节点之间的启发信息，/>
Figure SMS_24
、/>
Figure SMS_27
为蚁群算法参数，/>
Figure SMS_19
根据子节点信息素更新优化进行赋值，/>
Figure SMS_22
；
S33：子节点
Figure SMS_29
再返回步骤S32获取下一个子节点/>
Figure SMS_30
；
S34：当
Figure SMS_31
个子节点中的每个子节点都遍历完一次迭代，获得/>
Figure SMS_32
个解，对/>
Figure SMS_33
个解进行计算分析，获得系统处理数据的数量，选择系统处理数据的数量最大对应的解去更新信息素/>
Figure SMS_34
；
S35：对于更新后的信息素
Figure SMS_35
，重复步骤S32-S34，使得/>
Figure SMS_36
个解一致，从而确定改进后的蚁群算法。
在一个优选的实施方式中，对子节点的信息素
Figure SMS_37
更新优化赋值逻辑如下：
根据清结算计划表确定每个子节点的交易数据，获取对应子节点的传输能量损耗量
Figure SMS_38
，所述数据传输能量损耗量/>
Figure SMS_39
的公式为：/>
Figure SMS_40
，
式中，
Figure SMS_41
为当前时间到清结算时间点之间的差值；/>
Figure SMS_42
为数据传输的带宽；/>
Figure SMS_43
表示电路能量效率；/>
Figure SMS_44
表示当前子节点的传输能量效率，即为遵循SaaS服务部署的清结算业务区块链协议所在清算通道的信道增益效率；/>
Figure SMS_45
表示当前子节点和下一目标子节点之间的距离，/>
Figure SMS_46
表示系统达到理论容量时实际系统中需要的信噪比和理论中需要的信噪比之间的差值;
并根据数据传输能量损耗量
Figure SMS_47
进行应急性处理分析；
设置数据传输损耗阈值Y1，将数据传输能量损耗量
Figure SMS_48
代入数据传输损耗阈值中对比分析；当/>
Figure SMS_49
小于或等于Y1，则将对应所述子节点标记为常规子节点标记；对应所述子节点的信息素浓度的权值/>
Figure SMS_50
；当/>
Figure SMS_51
大于Y1，则将对应所述子节点标记为急性子节点标记，对应所述子节点的信息素浓度的权值/>
Figure SMS_52
。
在一个优选的实施方式中，对
Figure SMS_53
个父节点通过公式计算最优路径，具体公式为：
Figure SMS_54
，
其中，
Figure SMS_65
为能量、/>
Figure SMS_57
为传输距离、/>
Figure SMS_61
为信道安全和/>
Figure SMS_67
值为邻居父节点数量，通过能量/>
Figure SMS_71
、传输距离/>
Figure SMS_69
、信道安全/>
Figure SMS_73
和/>
Figure SMS_66
值的计算公式表示父节点/>
Figure SMS_70
和节父点/>
Figure SMS_58
之间的一种启发式值；/>
Figure SMS_62
和/>
Figure SMS_72
表示两个父节点序号，/>
Figure SMS_75
为邻居父节点数量；/>
Figure SMS_74
表示信息素浓度；/>
Figure SMS_76
、
Figure SMS_55
分别表示信息素浓度和启发式值的权重，/>
Figure SMS_60
，且/>
Figure SMS_64
，即在路径选择过程中所起的因素，/>
Figure SMS_68
表示将能量/>
Figure SMS_56
、传输距离/>
Figure SMS_59
、信道安全/>
Figure SMS_63
量化到同一量纲上的一个参数。
在一个优选的实施方式中，节点能量耗尽的公式为：
Figure SMS_77
，
式中，
Figure SMS_78
为该清结算业务区块链在SaaS服务部署服务中的任意父节点或子节点所在位置的接收功率；/>
Figure SMS_79
表示对应的父节点或子节点所在位置的热噪声功率；/>
Figure SMS_80
为所述清结算业务区块链在SaaS服务部署服务中的指定父节点或指定子节点所在位置的接收功率；
Figure SMS_81
表示所述清结算业务区块链接收到的除当前指定父节点或指定子节点所在位置的接收功率之外的所有位置的接收功率。
基于蚁群算法的多用户SaaS服务部署系统，包括：
区块链构建模块，构建清结算业务区块链，通过SaaS服务部署服务对所述清结算业务区块链进行分析，生成清结算计划表；将生成的清结算计划表发送给蚁群算法分析模块；
蚁群算法构建模块，构建蚁群算法，将清结算业务区块链定义为父节点，每个清结算业务区块链中对应的清结算数据单元定义为子节点；根据清结算计划表提取对应的
Figure SMS_82
个父节点和/>
Figure SMS_83
个子节点，将当清结算业务区块链的位置定义为/>
Figure SMS_84
，当清结算数据单元的位置定义为/>
Figure SMS_85
，并将蚁群算法结合清结算业务区块链、清结算数据单元的关系发送至蚁群算法分析模块；
蚁群算法分析模块，
Figure SMS_86
个子节点进行蚁群算法的参数初始化设置，并通过公式化计算确定改进后的蚁群算法；
蚁群算法分析模块，还根据改进后的蚁群算法，对每个父节点中所有的子节点数据进行聚合操作，将聚合得到的数据传送给对应的父节点；对
Figure SMS_87
个父节点通过公式计算最优路径，根据/>
Figure SMS_88
个父节点通过公式计算最优路径，可得到清结算业务区块链之间进行点对点清算的最优清算路径，并将处理后的最优清算路径发送至数据处理模块；
通过蚂蚁算法的自适应维护更新，将更新后的数据发送给数据更新模块，继续进行数据的传送；通过公式对父节点或子节点能量耗尽进行计算，从而完成SaaS服务部署服务；
数据处理模块，将所述清结算业务区块链将点对点清算的最优清算路径转发至公网。
在一个优选的实施方式中，生成所述清结算计划表的逻辑为：
生成所述清结算计划表的逻辑为：
S11：构建清结算业务区块链，对所有的清结算业务区块链进行SaaS服务部署服务，
S12：通过SaaS服务部署服务将清结算业务区块链划分多个清结算数据单元，将每个清结算数据单元均作为独立的节点部署在清结算业务区块链上，
S13：记录清结算数据单元以及记录触发所述清结算数据单元的清算时间点；
S14：将所有的清结算数据单元和对应的清算时间点生成清结算计划表，其中，所述清结算计划表用于指示对清结算业务区块链的交易数据库的交易数据进行清结算处理；所述交易数据库包括一个数据表，所述交易数据库用于查询与记录所述清结算计划表中记录的清结算数据单元和其对应的清结算时间点。
在一个优选的实施方式中，生成改进后的所述蚁群算法的逻辑为：
S31：参数初始化：基于清结算计划表中的交易数据确定
Figure SMS_89
个子节点的交易数量，确定初始化蚁群算法中的信息素初始值/>
Figure SMS_90
；
S32：每个子节点
Figure SMS_91
按照概率公式为选择下一个子节点/>
Figure SMS_92
，当子节点/>
Figure SMS_93
位于/>
Figure SMS_94
时，按照公式获得下一个子节点的位置/>
Figure SMS_95
；具体概率公式为：
Figure SMS_96
，
其中，
Figure SMS_99
为/>
Figure SMS_101
个子节点中的第/>
Figure SMS_105
个子节点，基于/>
Figure SMS_98
个子节点寻找下一个子节点/>
Figure SMS_104
，/>
Figure SMS_107
为/>
Figure SMS_109
个子节点之间的信息素，/>
Figure SMS_100
为/>
Figure SMS_102
个子节点之间的启发信息，/>
Figure SMS_106
、/>
Figure SMS_108
为蚁群算法参数，/>
Figure SMS_97
根据子节点信息素更新优化进行赋值，/>
Figure SMS_103
；
S33：子节点
Figure SMS_110
再返回步骤S32获取下一个子节点/>
Figure SMS_111
；
S34：当
Figure SMS_112
个子节点中的每个子节点都遍历完一次迭代，获得/>
Figure SMS_113
个解，对/>
Figure SMS_114
个解进行计算分析，获得系统处理数据的数量，选择系统处理数据的数量最大对应的解去更新信息素/>
Figure SMS_115
；
S35：对于更新后的信息素
Figure SMS_116
，重复步骤S32-S34，使得/>
Figure SMS_117
个解一致，从而确定改进后的蚁群算法。
在一个优选的实施方式中，对子节点的信息素
Figure SMS_118
更新优化赋值逻辑如下：
根据清结算计划表确定每个子节点的交易数据，获取对应子节点的传输能量损耗量
Figure SMS_119
，所述数据传输能量损耗量/>
Figure SMS_120
的公式为：
Figure SMS_121
，
式中，
Figure SMS_122
为当前时间到清结算时间点之间的差值；/>
Figure SMS_123
为数据传输的带宽；/>
Figure SMS_124
表示电路能量效率；/>
Figure SMS_125
表示当前子节点的传输能量效率，即为遵循SaaS服务部署的清结算业务区块链协议所在清算通道的信道增益效率；/>
Figure SMS_126
表示当前子节点和下一目标子节点之间的距离，/>
Figure SMS_127
表示系统达到理论容量时实际系统中需要的信噪比和理论中需要的信噪比之间的差值；
并根据数据传输能量损耗量
Figure SMS_128
进行应急性处理分析；
设置数据传输损耗阈值Y1，将数据传输能量损耗量
Figure SMS_129
代入数据传输损耗阈值中对比分析；当/>
Figure SMS_130
小于或等于Y1，则将对应所述子节点标记为常规子节点标记；对应所述子节点的信息素浓度的权值/>
Figure SMS_131
；当/>
Figure SMS_132
大于Y1，则将对应所述子节点标记为急性子节点标记，对应所述子节点的信息素浓度的权值/>
Figure SMS_133
。
本发明基于蚁群算法的多用户SaaS服务部署系统及方法的技术效果和优点：
本发明在多用户SaaS服务部署系统中对蚁群算法进行了更进一步的改善，综合考虑了距离因素、能量因素以及网络安全等因素，因此在均衡网络能耗的同时拥有更强的服务部署能力，更重要的是具有很好的可扩展性。
清结算业务区块链作为父节点和清结算数据单元作为子节点，通过蚁群算法，寻找点对点清算的最优路径；同时及时更新点对点清算过程中分别的信息素，提高节点信息优化的性能，在一定程度上能更好的均衡能量的消耗，并以每个节点的负载作为更新的依据，这样就可以更好的提高网络的性能。
附图说明
图1为本发明的多用户SaaS服务部署系统示意图；
图2为本发明的多用户SaaS服务部署方法示意图；
图中：1、区块链构建模块；2、蚁群算法构建模块；3、蚁群算法分析模块；4、数据更新模块；5、数据处理模块。
具体实施方式
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，都属于本发明保护的范围。
实施例一
请参阅图1所示，本实施例基于蚁群算法的多用户SaaS服务部署系统，包括:区块链构建模块1、蚁群算法构建模块2、蚁群算法分析模块3、数据更新模块4、数据处理模块5；
区块链构建模块1，构建清结算业务区块链，通过SaaS服务部署服务对所述清结算业务区块链进行分析，生成清结算计划表；将生成的清结算计划表发送给蚁群算法分析模块3；
生成所述清结算计划表的逻辑为：
S11：构建清结算业务区块链，对所有的清结算业务区块链进行SaaS服务部署服务，
S12：通过SaaS服务部署服务将清结算业务区块链划分多个清结算数据单元，将每个清结算数据单元均作为独立的节点部署在清结算业务区块链上，
S13：记录清结算数据单元以及记录触发所述清结算数据单元的清算时间点；
S14：将所有的清结算数据单元和对应的清算时间点生成清结算计划表，其中，所述清结算计划表用于指示对清结算业务区块链的交易数据库的交易数据进行清结算处理；所述交易数据库包括一个数据表，所述交易数据库用于查询与记录所述清结算计划表中记录的清结算数据单元和其对应的清结算时间点。
这里需要说明的是：生成清结算计划表的目的是统计每个清结算业务区块链中含有的清结算业务，这样就可以清楚每个清结算业务区块链中对应的清结算数据单元之间的关系，可以更加清晰明了的统计当前需要待处理的清结算明细，为后续蚁群算法，提供基础信息，确定蚂蚁移动的节点。
清结算计划表根据SaaS服务部署服务获取，获取清结算计划表的交易数量，获取每个清结算数据单元需要处理的信息，并根据每个清结算数据单元需要处理的信息以及数据传输能量损耗量对每个清结算数据单元进行应急性分析，综合考虑清结算业务区块链的清结算计划表，从而实现点对点清算的过程。
蚁群算法构建模块2，构建蚁群算法，将清结算业务区块链定义为父节点，每个清结算业务区块链中对应的清结算数据单元定义为子节点；根据清结算计划表提取对应的
Figure SMS_134
个父节点和/>
Figure SMS_135
个子节点，将当清结算业务区块链的位置定义为/>
Figure SMS_136
，当清结算数据单元的位置定义为/>
Figure SMS_137
，并将蚁群算法结合清结算业务区块链、清结算数据单元的关系发送至蚁群算法分析模块3；
这里需要说明的是：当前清结算业务区块链的应用中，并没有引入蚁群算法，因此在使用之前，需要将清结算业务区块链进行定义区分，从而将清结算业务区块链和蚁群算法之间构建基础信息；
通过蚁群算法获得最短路径求解过程中，路径构建包括初始节点的选择和下一个节点的选择。每个蚂蚁都随机选择一个节点作为其出发点，并维护一个路径记忆表，用来存放该蚂蚁依次经过的节点，蚂蚁在构建路径的每一步中，按照概率选择下一个要到达的节点，因此我们在构建蚁群算法用于解决点对点清算时，要对清结算业务区块链和清结算数据单元进行区分，每个清结算业务区块链内对应的清结算数据单元内数据都需要处理，根据其上信息素的增大，优先处理，从而形成选取最优路径。
蚁群算法分析模块3，
Figure SMS_138
个子节点进行蚁群算法的参数初始化设置，并通过公式化计算确定改进后的蚁群算法；
生成改进后的所述蚁群算法的逻辑为：
S31：参数初始化：基于清结算计划表中的交易数据确定
Figure SMS_139
个子节点的交易数量，确定初始化蚁群算法中的信息素初始值/>
Figure SMS_140
；
S32：每个子节点
Figure SMS_141
按照概率公式为选择下一个子节点/>
Figure SMS_142
，当子节点/>
Figure SMS_143
位于/>
Figure SMS_144
时，按照公式获得下一个子节点的位置/>
Figure SMS_145
；具体概率公式为：
Figure SMS_146
，
其中，
Figure SMS_149
为/>
Figure SMS_151
个子节点中的第/>
Figure SMS_155
个子节点，基于/>
Figure SMS_148
个子节点寻找下一个子节点/>
Figure SMS_154
，/>
Figure SMS_157
为/>
Figure SMS_159
个子节点之间的信息素，/>
Figure SMS_147
为/>
Figure SMS_152
个子节点之间的启发信息，/>
Figure SMS_156
、/>
Figure SMS_158
为蚁群算法参数，/>
Figure SMS_150
根据子节点信息素更新优化进行赋值，/>
Figure SMS_153
；
S33：子节点
Figure SMS_160
再返回步骤S32获取下一个子节点/>
Figure SMS_161
；
S34：当
Figure SMS_162
个子节点中的每个子节点都遍历完一次迭代，获得/>
Figure SMS_163
个解，对/>
Figure SMS_164
个解进行计算分析，获得系统处理数据的数量，选择系统处理数据的数量最大对应的解去更新信息素/>
Figure SMS_165
；
S35：对于更新后的信息素
Figure SMS_166
，重复步骤S32-S34，使得/>
Figure SMS_167
个解一致，从而确定改进后的蚁群算法。
这里需要说明的是：本申请对父节点（即清结算业务区块链）之间点对点清算，在实际应用中，就是对两个父节点中之间含有多个子节点之间进行点对点清算，相当于蚂蚁在寻找食物时，有两片区域，每个区域对应里面都有若干食物，这里食物具体是什么，有多少数据，这个是由清结算计划表中记录的子节点（即清结算数据单元）和其对应的清结算时间点决定的，因此本申请所需要清结算的子节点的信息素
Figure SMS_168
的大小，相当于当前清结算计划表中对应的子节点的交易数据，通过蚁群算法的使用，迅速获取下一子节点，将每个父节点中所有子节点的路径寻找也是我们在点对点清算中重要的一步，从而获取当前父节点中对应的清结算计划表的最优处理方式。
对子节点的信息素
Figure SMS_169
更新优化赋值逻辑如下：
根据清结算计划表确定每个子节点的交易数据，获取对应子节点的传输能量损耗量
Figure SMS_170
，所述数据传输能量损耗量/>
Figure SMS_171
的公式为：
Figure SMS_172
，
式中，
Figure SMS_173
为数据传输的带宽；/>
Figure SMS_174
表示电路能量效率；/>
Figure SMS_175
表示当前子节点的传输能量效率，即为遵循SaaS服务部署的清结算业务区块链协议所在清算通道的信道增益效率；/>
Figure SMS_176
表示当前子节点和下一目标子节点之间的距离，/>
Figure SMS_177
为当前时间到清结算时间点之间的差值；/>
Figure SMS_178
表示系统达到理论容量时实际系统中需要的信噪比和理论中需要的信噪比之间的差值;
这里需要说明的是：在蚁群算法公式中，引入当前时间到清结算时间点之间的差值，如果需要的时间越小，说明当前节点如果不处理，就会超时，在蚂蚁寻找食物过程中，相当于，如果现在不去寻找该食物，食物就会丢失，因此，随着差值变小，说明当前节点需要急性处理的概率越大，因此对数据传输能量损耗量
Figure SMS_179
越大。
并根据数据传输能量损耗量
Figure SMS_180
进行应急性处理分析；
设置数据传输损耗阈值Y1,将数据传输能量损耗量
Figure SMS_181
代入数据传输损耗阈值中对比分析；当/>
Figure SMS_182
小于或等于Y1，则将对应所述子节点标记为常规子节点标记；对应所述子节点的信息素浓度的权值/>
Figure SMS_183
；当/>
Figure SMS_184
大于Y1，则将对应所述子节点标记为急性子节点标记，对应所述子节点的信息素浓度的权值/>
Figure SMS_185
。
这里需要说明的是：根据清结算计划表确定每个子节点的交易数据，获取对应子节点的传输能量损耗量
Figure SMS_186
，其中数据传输能量损耗量/>
Figure SMS_187
越大，证明当前子节点需要进行紧急处理，在蚁群算法公式中，对应的下一子节点选择的概率越大，即对应子节点信息素的权重越大，反之数据传输能量损耗量/>
Figure SMS_188
越小，证明当前子节点不需要进行紧急处理，对应的下一子节点选择的概率越小，即对应子节点信息素的权重越小，因此，在这里为了方便统计，对子节点信息素的权重进行赋值，首先设置数据传输损耗阈值Y1，当高于Y1标记为急性子节点标记，对应所述子节点的信息素浓度的权值/>
Figure SMS_189
；当小于或等于Y1，则将对应所述子节点标记为常规子节点标记；对应所述子节点的信息素浓度的权值/>
Figure SMS_190
；因此，通过蚁群算法优先解决急性清结算数据单元。
蚁群算法分析模块3，还根据改进后的蚁群算法，对每个父节点中所有的子节点数据进行聚合操作，将聚合得到的数据传送给对应的父节点；对
Figure SMS_191
个父节点通过公式计算最优路径，根据/>
Figure SMS_192
个父节点通过公式计算最优路径，可得到清结算业务区块链之间进行点对点清算的最优清算路径，并将处理后的最优清算路径发送至数据处理模块5；
对
Figure SMS_193
个父节点通过公式计算最优路径，具体公式为：
Figure SMS_194
，
其中，
Figure SMS_203
为能量、/>
Figure SMS_196
为传输距离、/>
Figure SMS_199
为信道安全和/>
Figure SMS_197
值为邻居父节点数量，通过能量/>
Figure SMS_200
、传输距离/>
Figure SMS_204
、信道安全/>
Figure SMS_207
和/>
Figure SMS_206
值的计算公式表示父节点/>
Figure SMS_210
和节父点/>
Figure SMS_195
之间的一种启发式值；/>
Figure SMS_202
和/>
Figure SMS_209
表示两个父节点序号,/>
Figure SMS_212
为邻居父节点数量；/>
Figure SMS_211
表示信息素浓度；/>
Figure SMS_214
、
Figure SMS_208
分别表示信息素浓度和启发式值的权重，/>
Figure SMS_213
，且/>
Figure SMS_215
，即在路径选择过程中所起的因素，/>
Figure SMS_216
表示将能量/>
Figure SMS_198
、传输距离/>
Figure SMS_201
、信道安全/>
Figure SMS_205
量化到同一量纲上的一个参数。
这里需要说明的是：根据公式化计算可得最优路径。其中
Figure SMS_217
的大小会跟随蚁群算法的更新，及时更新具体参数，但是其在当前计算中就是一个定值，
另外，对于本申请来说，优先处理子节点的路径，对子节点进行融合，根据子节点分析中，可以获得对应的
Figure SMS_218
的大小以及更新/>
Figure SMS_219
的大小；根据对应父节点的信息素，从而计算父节点之间的最优路径，其与子节点寻找最优路径的方式是一样的，都是经过蚁群算法获得的。
通过蚂蚁算法的自适应维护更新，继续进行数据的传送；通过公式对父节点或子节点能量耗尽进行计算，从而完成SaaS服务部署服务；
节点能量耗尽的公式为：
Figure SMS_220
，
式中，
Figure SMS_221
为该清结算业务区块链在SaaS服务部署服务中的任意父节点或子节点所在位置的接收功率；/>
Figure SMS_222
表示对应的父节点或子节点所在位置的热噪声功率；/>
Figure SMS_223
为所述清结算业务区块链在SaaS服务部署服务中的指定父节点或指定子节点所在位置的接收功率；
Figure SMS_224
表示所述清结算业务区块链接收到的除当前指定父节点或指定子节点所在位置的接收功率之外的所有位置的接收功率。
这里需要说明的是：这里对父节点或子节点能量耗尽的计算，其作用相当于起到限定迭代的作用，当数据计算一定次数后，就把当前的局部最优解当作全局最优解，这里涉及的父节点或子节点能量耗尽也是通过事先设定的一个误差允许范围，当迭代一定次数后，当前最优的任务处理结果在这个允许范围内，就可以停止计算；这个过程中在实际的负载均衡调度中，需要对各个节点的任务处理进行均衡设置，而且蚁群算法本质上是没有终点的，可以通过节点能量消耗结束蚁群算法。
数据处理模块5，将所述清结算业务区块链点对点清算的最优清算路径转发至公网。
实施例二
请参阅图2所示，本实施例未详细叙述部分见实施例一描述内容，本实施例提供基于蚁群算法的多用户SaaS服务部署方法，其特征在于，包括：以下步骤:
S1：构建清结算业务区块链，通过SaaS服务部署服务对所述清结算业务区块链进行分析，生成清结算计划表；
生成所述清结算计划表的逻辑为：
S11：构建清结算业务区块链，对所有的清结算业务区块链进行SaaS服务部署服务，
S12：通过SaaS服务部署服务将清结算业务区块链划分多个清结算数据单元，将每个清结算数据单元均作为独立的节点部署在清结算业务区块链上，
S13：记录清结算数据单元以及记录触发所述清结算数据单元的清算时间点；
S14：将所有的清结算数据单元和对应的清算时间点生成清结算计划表，其中，所述清结算计划表用于指示对清结算业务区块链的交易数据库的交易数据进行清结算处理；所述交易数据库包括一个数据表，所述交易数据库用于查询与记录所述清结算计划表中记录的清结算数据单元和其对应的清结算时间点；
S2：构建蚁群算法，将清结算业务区块链定义为父节点，每个清结算业务区块链中对应的清结算数据单元定义为子节点；根据清结算计划表提取对应的
Figure SMS_225
个父节点和/>
Figure SMS_226
个子节点，将当清结算业务区块链的位置定义为/>
Figure SMS_227
，当清结算数据单元的位置定义为/>
Figure SMS_228
；/>
S3：
Figure SMS_229
个子节点进行蚁群算法的参数初始化设置，并通过公式化计算确定改进后的蚁群算法；
生成改进后的所述蚁群算法的逻辑为：
S31：参数初始化：基于清结算计划表中的交易数据确定
Figure SMS_230
个子节点的交易数量，确定初始化蚁群算法中的信息素初始值/>
Figure SMS_231
；
S32：每个子节点
Figure SMS_232
按照概率公式为选择下一个子节点/>
Figure SMS_233
，当子节点/>
Figure SMS_234
位于/>
Figure SMS_235
时，按照公式获得下一个子节点的位置/>
Figure SMS_236
；具体概率公式为：
Figure SMS_237
，
其中，
Figure SMS_239
为/>
Figure SMS_244
个子节点中的第/>
Figure SMS_247
个子节点，基于/>
Figure SMS_240
个子节点寻找下一个子节点/>
Figure SMS_245
，/>
Figure SMS_248
为/>
Figure SMS_250
个子节点之间的信息素，/>
Figure SMS_238
为/>
Figure SMS_243
个子节点之间的启发信息，/>
Figure SMS_246
、/>
Figure SMS_249
为蚁群算法参数，/>
Figure SMS_241
根据子节点信息素更新优化进行赋值，/>
Figure SMS_242
；
S33：子节点
Figure SMS_251
再返回步骤S32获取下一个子节点/>
Figure SMS_252
；
S34：当
Figure SMS_253
个子节点中的每个子节点都遍历完一次迭代，获得/>
Figure SMS_254
个解，对/>
Figure SMS_255
个解进行计算分析，获得系统处理数据的数量，选择系统处理数据的数量最大对应的解去更新信息素/>
Figure SMS_256
；
S35：对于更新后的信息素
Figure SMS_257
，重复步骤S32-S34，使得/>
Figure SMS_258
个解一致，从而确定改进后的蚁群算法；
对子节点的信息素
Figure SMS_259
更新优化赋值逻辑如下：
根据清结算计划表确定每个子节点的交易数据，获取对应子节点的传输能量损耗量
Figure SMS_260
，所述数据传输能量损耗量/>
Figure SMS_261
的公式为：
Figure SMS_262
，
式中，
Figure SMS_263
为当前时间到清结算时间点之间的差值；/>
Figure SMS_264
为数据传输的带宽；/>
Figure SMS_265
表示电路能量效率；/>
Figure SMS_266
表示当前子节点的传输能量效率，即为遵循SaaS服务部署的清结算业务区块链协议所在清算通道的信道增益效率；/>
Figure SMS_267
表示当前子节点和下一目标子节点之间的距离，/>
Figure SMS_268
表示系统达到理论容量时实际系统中需要的信噪比和理论中需要的信噪比之间的差值;
并根据数据传输能量损耗量
Figure SMS_269
进行应急性处理分析；
设置数据传输损耗阈值Y1,将数据传输能量损耗量
Figure SMS_270
代入数据传输损耗阈值中对比分析；当/>
Figure SMS_271
小于或等于Y1，则将对应所述子节点标记为常规子节点标记；对应所述子节点的信息素浓度的权值/>
Figure SMS_272
；当/>
Figure SMS_273
大于Y1，则将对应所述子节点标记为急性子节点标记，对应所述子节点的信息素浓度的权值/>
Figure SMS_274
；
S4：根据改进后的蚁群算法，对每个父节点中所有的子节点数据进行聚合操作，将聚合得到的数据传送给对应的父节点；对
Figure SMS_275
个父节点通过公式计算最优路径，根据/>
Figure SMS_276
个父节点通过公式计算最优路径，可得到清结算业务区块链之间进行点对点清算的最优清算路径；
对
Figure SMS_277
个父节点通过公式计算最优路径，具体公式为：
Figure SMS_278
，
其中，
Figure SMS_288
为能量、/>
Figure SMS_280
为传输距离、/>
Figure SMS_284
为信道安全和/>
Figure SMS_281
值为邻居父节点数量，通过能量/>
Figure SMS_286
、传输距离/>
Figure SMS_290
、信道安全/>
Figure SMS_294
和/>
Figure SMS_289
值的计算公式表示父节点/>
Figure SMS_293
和节父点/>
Figure SMS_282
之间的一种启发式值；/>
Figure SMS_285
和/>
Figure SMS_292
表示两个父节点序号，/>
Figure SMS_296
为邻居父节点数量；/>
Figure SMS_297
表示信息素浓度；/>
Figure SMS_299
、
Figure SMS_291
分别表示信息素浓度和启发式值的权重，/>
Figure SMS_295
，且/>
Figure SMS_298
，即在路径选择过程中所起的因素，/>
Figure SMS_300
表示将能量/>
Figure SMS_279
、传输距离/>
Figure SMS_283
、信道安全/>
Figure SMS_287
量化到同一量纲上的一个参数；
S5：通过蚂蚁算法的自适应维护更新，继续进行数据的传送；通过公式对父节点或子节点能量耗尽进行计算，从而完成SaaS服务部署服务；
节点能量耗尽的公式为：
Figure SMS_301
，
式中，
Figure SMS_302
为该清结算业务区块链在SaaS服务部署服务中的任意父节点或子节点所在位置的接收功率；/>
Figure SMS_303
表示对应的父节点或子节点所在位置的热噪声功率；/>
Figure SMS_304
为所述清结算业务区块链在SaaS服务部署服务中的指定父节点或指定子节点所在位置的接收功率；
Figure SMS_305
表示所述清结算业务区块链接收到的除当前指定父节点或指定子节点所在位置的接收功率之外的所有位置的接收功率；
S6：将所述清结算业务区块链将点对点清算的最优清算路径转发至公网。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一 种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以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，本申请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）执行本申请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(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于蚁群算法的多用户SaaS服务部署方法，其特征在于，包括：以下步骤:
S1：构建清结算业务区块链，通过SaaS服务部署服务对所述清结算业务区块链进行分析，生成清结算计划表；
S2：构建蚁群算法，将清结算业务区块链定义为父节点，每个清结算业务区块链中对应的清结算数据单元定义为子节点；根据清结算计划表提取对应的
Figure QLYQS_1
个父节点和/>
Figure QLYQS_2
个子节点，将清结算业务区块链的位置定义为/>
Figure QLYQS_3
，将清结算数据单元的位置定义为/>
Figure QLYQS_4
；
S3：
Figure QLYQS_5
个子节点进行蚁群算法的参数初始化设置，并通过公式化计算确定改进后的蚁群算法；
S4：根据改进后的蚁群算法，对每个父节点中所有的子节点数据进行聚合操作，将聚合得到的数据传送给对应的父节点；对
Figure QLYQS_6
个父节点通过公式计算最优路径，根据/>
Figure QLYQS_7
个父节点通过公式计算最优路径，可得到清结算业务区块链之间进行点对点清算的最优清算路径；
S5：通过蚂蚁算法的自适应维护更新，继续进行数据的传送；通过公式对父节点或子节点能量耗尽进行计算，从而完成SaaS服务部署服务；
S6：所述清结算业务区块链将点对点清算的最优清算路径转发至公网。
2.根据权利要求1所述的基于蚁群算法的多用户SaaS服务部署方法，其特征在于，生成所述清结算计划表的逻辑为：
S11：对所有的清结算业务区块链进行SaaS服务部署服务；
S12：通过SaaS服务部署服务将清结算业务区块链划分多个清结算数据单元，将每个清结算数据单元均作为独立的节点部署在清结算业务区块链上；
S13：记录清结算数据单元以及记录触发所述清结算数据单元的清算时间点；
S14：将所有的清结算数据单元和对应的清算时间点生成清结算计划表，其中，所述清结算计划表用于对清结算业务区块链的交易数据库的交易数据进行清结算处理；所述交易数据库包括一个数据表，所述交易数据库用于查询与记录所述清结算计划表中记录的清结算数据单元和其对应的清结算时间点。
3.根据权利要求2所述的基于蚁群算法的多用户SaaS服务部署方法，其特征在于，生成改进后的所述蚁群算法的逻辑为：
S31：参数初始化：基于清结算计划表中的交易数据确定
Figure QLYQS_8
个子节点的交易数量，确定初始化蚁群算法中的信息素初始值/>
Figure QLYQS_9
；
S32：每个子节点
Figure QLYQS_10
按照概率公式为选择下一个子节点/>
Figure QLYQS_11
，当子节点/>
Figure QLYQS_12
位于/>
Figure QLYQS_13
时，按照公式获得下一个子节点的位置/>
Figure QLYQS_14
；具体概率公式为：
Figure QLYQS_15
，
其中，
Figure QLYQS_17
为/>
Figure QLYQS_23
个子节点中的第/>
Figure QLYQS_26
个子节点，基于/>
Figure QLYQS_19
个子节点寻找下一个子节点/>
Figure QLYQS_21
，/>
Figure QLYQS_25
为/>
Figure QLYQS_28
个子节点之间的信息素，/>
Figure QLYQS_16
为/>
Figure QLYQS_20
个子节点之间的启发信息，/>
Figure QLYQS_24
、/>
Figure QLYQS_27
为蚁群算法参数，/>
Figure QLYQS_18
根据子节点信息素更新优化进行赋值，/>
Figure QLYQS_22
；
S33：子节点
Figure QLYQS_29
再返回步骤S32获取下一个子节点/>
Figure QLYQS_30
；
S34：当
Figure QLYQS_31
个子节点中的每个子节点都遍历完一次迭代，获得/>
Figure QLYQS_32
个解，对/>
Figure QLYQS_33
个解进行计算分析，获得系统处理数据的数量，选择系统处理数据的数量最大对应的解去更新信息素/>
Figure QLYQS_34
；
S35：对于更新后的信息素
Figure QLYQS_35
，重复步骤S32-S34，使得/>
Figure QLYQS_36
个解一致，从而确定改进后的蚁群算法。
4.根据权利要求3所述的基于蚁群算法的多用户SaaS服务部署方法，其特征在于，对子节点的信息素
Figure QLYQS_37
更新优化赋值逻辑如下：
根据清结算计划表确定每个子节点的交易数据，获取对应子节点的传输能量损耗量
Figure QLYQS_38
，所述数据传输能量损耗量/>
Figure QLYQS_39
的公式为：
Figure QLYQS_40
，
式中，
Figure QLYQS_41
为当前时间到清结算时间点之间的差值；/>
Figure QLYQS_42
为数据传输的带宽；/>
Figure QLYQS_43
表示电路能量效率；/>
Figure QLYQS_44
表示当前子节点的传输能量效率，即为遵循SaaS服务部署的清结算业务区块链协议所在清算通道的信道增益效率；/>
Figure QLYQS_45
表示当前子节点和下一目标子节点之间的距离，
Figure QLYQS_46
表示系统达到理论容量时实际系统中需要的信噪比和理论中需要的信噪比之间的差值;
并根据数据传输能量损耗量
Figure QLYQS_47
进行应急性处理分析；
设置数据传输损耗阈值Y1,将数据传输能量损耗量
Figure QLYQS_48
代入数据传输损耗阈值中对比分析；当/>
Figure QLYQS_49
小于或等于Y1，则将对应所述子节点标记为常规子节点标记；对应所述子节点的信息素浓度的权值/>
Figure QLYQS_50
；当/>
Figure QLYQS_51
大于Y1，则将对应所述子节点标记为急性子节点标记，对应所述子节点的信息素浓度的权值/>
Figure QLYQS_52
。
5.根据权利要求4所述的基于蚁群算法的多用户SaaS服务部署方法，其特征在于，对
Figure QLYQS_53
个父节点通过公式计算最优路径，具体公式为：
Figure QLYQS_54
，
其中，
Figure QLYQS_72
为能量、/>
Figure QLYQS_64
为传输距离、/>
Figure QLYQS_68
为信道安全和/>
Figure QLYQS_73
值为邻居父节点数量，通过能量
Figure QLYQS_75
、传输距离/>
Figure QLYQS_74
、信道安全/>
Figure QLYQS_76
和/>
Figure QLYQS_65
值的计算公式表示父节点/>
Figure QLYQS_69
和节父点/>
Figure QLYQS_55
之间的一种启发式值；/>
Figure QLYQS_61
和/>
Figure QLYQS_66
表示两个父节点序号, />
Figure QLYQS_70
为邻居父节点数量；/>
Figure QLYQS_67
表示信息素浓度；/>
Figure QLYQS_71
与/>
Figure QLYQS_57
分别表示信息素浓度与启发式值的权重，/>
Figure QLYQS_60
且/>
Figure QLYQS_58
，即在路径选择过程中所起的因素,/>
Figure QLYQS_62
表示将能量/>
Figure QLYQS_56
、传输距离/>
Figure QLYQS_59
、信道安全/>
Figure QLYQS_63
量化到同一量纲上的一个参数。
6.根据权利要求1所述的基于蚁群算法的多用户SaaS服务部署方法，其特征在于，父节点或子节点能量耗尽的公式为：
Figure QLYQS_77
，
式中，
Figure QLYQS_78
为该清结算业务区块链在SaaS服务部署服务中的任意父节点或子节点所在位置的接收功率；/>
Figure QLYQS_79
表示对应的父节点或子节点所在位置的热噪声功率；/>
Figure QLYQS_80
为所述清结算业务区块链在SaaS服务部署服务中的指定父节点或指定子节点所在位置的接收功率；/>
Figure QLYQS_81
表示所述清结算业务区块链接收到的除当前指定父节点或指定子节点所在位置的接收功率之外的所有位置的接收功率。
7.基于蚁群算法的多用户SaaS服务部署系统，其特征在于，包括:
区块链构建模块（1），构建清结算业务区块链，通过SaaS服务部署服务对所述清结算业务区块链进行分析，生成清结算计划表；将生成的清结算计划表发送给蚁群算法分析模块（3）；
蚁群算法构建模块（2），构建蚁群算法，将清结算业务区块链定义为父节点，每个清结算业务区块链中对应的清结算数据单元定义为子节点；根据清结算计划表提取对应的
Figure QLYQS_82
个父节点和/>
Figure QLYQS_83
个子节点，将清结算业务区块链的位置定义为/>
Figure QLYQS_84
，将清结算数据单元的位置定义为/>
Figure QLYQS_85
，并将蚁群算法结合清结算业务区块链、清结算数据单元的关系发送至蚁群算法分析模块（3）；
蚁群算法分析模块（3），
Figure QLYQS_86
个子节点进行蚁群算法的参数初始化设置，并通过公式化计算确定改进后的蚁群算法；
蚁群算法分析模块（3），还根据改进后的蚁群算法，对每个父节点中所有的子节点数据进行聚合操作，将聚合得到的数据传送给对应的父节点；对
Figure QLYQS_87
个父节点通过公式计算最优路径，根据/>
Figure QLYQS_88
个父节点通过公式计算最优路径，可得到清结算业务区块链之间进行点对点清算的最优清算路径，并将处理后的最优清算路径发送至数据处理模块（5）；
通过蚂蚁算法的自适应维护更新，将更新后的数据发送给数据更新模块（4），继续进行数据的传送；通过公式对父节点或子节点能量耗尽进行计算，从而完成SaaS服务部署服务；
数据处理模块（5），将所述清结算业务区块链将点对点清算的最优清算路径转发至公网。
8.根据权利要求7所述的基于蚁群算法的多用户SaaS服务部署系统，其特征在于，生成所述清结算计划表的逻辑为：
生成所述清结算计划表的逻辑为：
S11：构建清结算业务区块链，对所有的清结算业务区块链进行SaaS服务部署服务，
S12：通过SaaS服务部署服务将清结算业务区块链划分多个清结算数据单元，将每个清结算数据单元均作为独立的节点部署在清结算业务区块链上，
S13：记录清结算数据单元以及记录触发所述清结算数据单元的清算时间点；
S14：将所有的清结算数据单元和对应的清算时间点生成清结算计划表，其中，所述清结算计划表用于指示对清结算业务区块链的交易数据库的交易数据进行清结算处理；所述交易数据库包括一个数据表，所述交易数据库用于查询与记录所述清结算计划表中记录的清结算数据单元和其对应的清结算时间点。
9.根据权利要求8所述的基于蚁群算法的多用户SaaS服务部署系统，其特征在于，生成改进后的所述蚁群算法的逻辑为：
S31：参数初始化：基于清结算计划表中的交易数据确定
Figure QLYQS_89
个子节点的交易数量，确定初始化蚁群算法中的信息素初始值/>
Figure QLYQS_90
，
S32：每个子节点
Figure QLYQS_91
按照概率公式为选择下一个子节点/>
Figure QLYQS_92
，当子节点j位于/>
Figure QLYQS_93
时，按照公式获得下一个子节点的位置/>
Figure QLYQS_94
；具体概率公式为：
Figure QLYQS_95
，
其中，
Figure QLYQS_97
为/>
Figure QLYQS_102
个子节点内中的第/>
Figure QLYQS_106
个子节点，基于/>
Figure QLYQS_98
个子节点寻找下一个子节点/>
Figure QLYQS_101
，/>
Figure QLYQS_105
为
Figure QLYQS_108
个子节点之间的信息素，/>
Figure QLYQS_96
为/>
Figure QLYQS_100
个子节点之间的启发信息，/>
Figure QLYQS_104
、/>
Figure QLYQS_107
为蚁群算法参数，/>
Figure QLYQS_99
根据子节点信息素更新优化进行赋值，/>
Figure QLYQS_103
；
S33：子节点
Figure QLYQS_109
再返回步骤S32获取下一个子节点/>
Figure QLYQS_110
；
S34：当
Figure QLYQS_111
个子节点中的每个子节点都遍历完一次迭代，获得/>
Figure QLYQS_112
个解，对/>
Figure QLYQS_113
个解进行计算分析，获得系统处理数据的数量，选择系统处理数据的数量最大的那个解去更新信息素/>
Figure QLYQS_114
；
S35：对于更新后的信息素
Figure QLYQS_115
，重复步骤S32-S34，使得/>
Figure QLYQS_116
个解一致，从而确定改进后的蚁群算法。
10.根据权利要求9所述的基于蚁群算法的多用户SaaS服务部署系统，其特征在于，对子节点的信息素
Figure QLYQS_117
更新优化赋值逻辑如下：
根据清结算计划表确定每个子节点的交易数据，获取对应子节点的传输能量损耗量
Figure QLYQS_118
，所述数据传输能量损耗量/>
Figure QLYQS_119
的公式为：
Figure QLYQS_120
，
式中，
Figure QLYQS_121
为当前时间到清结算时间点之间的差值；/>
Figure QLYQS_122
为数据传输的带宽；/>
Figure QLYQS_123
表示电路能量效率；/>
Figure QLYQS_124
表示当前子节点的传输能量效率，即为遵循SaaS服务部署的清结算业务区块链协议所在清算通道的信道增益效率；/>
Figure QLYQS_125
表示当前子节点和下一目标子节点之间的距离，
Figure QLYQS_126
表示系统达到理论容量时实际系统中需要的信噪比和理论中需要的信噪比之间的差值;
并根据数据传输能量损耗量
Figure QLYQS_127
进行应急性处理分析；
设置数据传输损耗阈值Y1,将数据传输能量损耗量
Figure QLYQS_128
代入数据传输损耗阈值中对比分析；当/>
Figure QLYQS_129
小于或等于Y1，则将对应所述子节点标记为常规子节点标记；对应所述子节点的信息素浓度的权值/>
Figure QLYQS_130
；
当
Figure QLYQS_131
大于Y1，则将对应所述子节点标记为急性子节点标记，对应所述子节点的信息素浓度的权值/>
Figure QLYQS_132
。/>
CN202310445223.8A 2023-04-24 2023-04-24 基于蚁群算法的多用户SaaS服务部署系统及方法 Active CN116170365B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310445223.8A CN116170365B (zh) 2023-04-24 2023-04-24 基于蚁群算法的多用户SaaS服务部署系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310445223.8A CN116170365B (zh) 2023-04-24 2023-04-24 基于蚁群算法的多用户SaaS服务部署系统及方法

Publications (2)

Publication Number Publication Date
CN116170365A true CN116170365A (zh) 2023-05-26
CN116170365B CN116170365B (zh) 2023-08-04

Family

ID=86420381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310445223.8A Active CN116170365B (zh) 2023-04-24 2023-04-24 基于蚁群算法的多用户SaaS服务部署系统及方法

Country Status (1)

Country Link
CN (1) CN116170365B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345657A (zh) * 2013-04-02 2013-10-09 江苏大学 云计算环境下基于遗传和蚁群的任务调度方法
CN104063261A (zh) * 2014-04-01 2014-09-24 杭州电子科技大学 一种基于云环境下的多目标优化虚拟机放置方法
CN109634742A (zh) * 2018-11-15 2019-04-16 华南理工大学 一种基于蚁群算法的时间约束科学工作流优化方法
US20200220791A1 (en) * 2019-01-08 2020-07-09 Hewlett Packard Enterprise Development Lp Instantiation of a telco blockchain in a nfv environment
CN113434218A (zh) * 2021-07-06 2021-09-24 北京百度网讯科技有限公司 微服务配置方法、装置、电子设备和介质
CN115480876A (zh) * 2022-09-15 2022-12-16 史志 基于蚁群算法优化的云计算任务调度方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345657A (zh) * 2013-04-02 2013-10-09 江苏大学 云计算环境下基于遗传和蚁群的任务调度方法
CN104063261A (zh) * 2014-04-01 2014-09-24 杭州电子科技大学 一种基于云环境下的多目标优化虚拟机放置方法
CN109634742A (zh) * 2018-11-15 2019-04-16 华南理工大学 一种基于蚁群算法的时间约束科学工作流优化方法
US20200220791A1 (en) * 2019-01-08 2020-07-09 Hewlett Packard Enterprise Development Lp Instantiation of a telco blockchain in a nfv environment
CN113434218A (zh) * 2021-07-06 2021-09-24 北京百度网讯科技有限公司 微服务配置方法、装置、电子设备和介质
CN115480876A (zh) * 2022-09-15 2022-12-16 史志 基于蚁群算法优化的云计算任务调度方法及系统

Also Published As

Publication number Publication date
CN116170365B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
Bild et al. Aggregate characterization of user behavior in Twitter and analysis of the retweet graph
Ding et al. Spectrum inference in cognitive radio networks: Algorithms and applications
EP2832040B1 (en) System and method for root cause analysis of mobile network performance problems
Wang et al. Predicting link quality using supervised learning in wireless sensor networks
US9178721B2 (en) Inferring causal paths in a distributed computing environment
CN105227369A (zh) 基于众包模式的移动Apps对无线网路资源利用的分析方法
Soorki et al. Social community-aware content placement in wireless device-to-device communication networks
Nemeth et al. Giant clusters in random ad hoc networks
Khobahi et al. Optimized transmission for parameter estimation in wireless sensor networks
Umoren et al. Methodical Performance Modelling of Mobile Broadband Networks with Soft Computing Model
Wang et al. A supervised learning approach for routing optimizations in wireless sensor networks
Mascitti et al. Service provisioning in mobile environments through opportunistic computing
Magrin et al. A configurable mathematical model for single-gateway lorawan performance analysis
CN116170365B (zh) 基于蚁群算法的多用户SaaS服务部署系统及方法
Hardes et al. Simulating a city-scale community network: From models to first improvements for Freifunk
Mahimkar et al. Aurora: conformity-based configuration recommendation to improve LTE/5G service
JP2006229430A (ja) 仮想ネットワークに対する実ネットワークのトラヒック管理方法、プログラム及び装置
Baert et al. A digital communication twin for performance prediction and management of bluetooth mesh networks
Islam et al. Analysing connectivity patterns and centrality metrics for opportunistic networks
Moraes et al. Improving video content access with proactive d2d caching and online social networking
Yoneki et al. Epimap: Towards quantifying contact networks and modelling the spread of infections in developing countries
Sardar et al. Queuing analysis of QoS aware microwave power transfer enabled CR-IoT network
Sokolov et al. Instrumental supporting system for developing and analysis of software-defined networks of mobile objects
Kia et al. STBCP: An energy efficient sub-threshold bee colony-based protocol for wireless sensor networks
Karimi et al. Mining historical data towards interference management in wireless sdns

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231017

Address after: 101300 Shunyi District Zhongguancun Science Park, Shunyi Park, No. 1 Linkong Second Road, Shunyi District, Beijing

Patentee after: Youjiayoubao (Beijing) Technology Co.,Ltd.

Address before: 16th Floor, Building K, No. 19 Ningshuang Road, Yuhuatai District, Nanjing City, Jiangsu Province, 210046

Patentee before: Yiling Jiangsu Big Data Co.,Ltd.