论文部分内容阅读
云计算为提供网络服务的企业给出了一种较好的方案,由于其方便、经济的特征使得越来越多的企业将本公司的服务放到云端服务器上以服务于用户。然而随着移动互联网和物联网的快速发展,连接到网络中的移动设备越来越多,一方面由于云计算在移动互联网上的不足,另一方面将数以十亿级的移动设备的服务请求都交给云计算来处理不仅给云计算的处理能力带来极大的挑战,也会造成因特网主干网络的拥塞。于是,近年来,作为云计算从网络的中心到网络边缘的扩展,人们提出一种新的计算模式——雾计算,用来解决云计算的因中心化带来的应用效率问题。雾计算是位于移动设备和云计算之间并且靠近移动设备的分布式服务器集群,雾计算相对于云计算拥有一定的计算、存储、通信能力。雾计算作为移动终端和云服务的中间层,可以分担部分云计算和移动终端的计算任务,减小带宽延迟,提高终端用户服务质量,减轻骨干网络带宽负载和云计算中心的计算负载。本文从雾计算节点有一定的存储能力特征入手,研究了雾计算集群节点间的存储优化问题。利用雾服务节点的存储空间,数据服务提供者可以预先将用户可能需要访问的数据从数据中心预存到距离用户最近的雾计算节点。当用户需要这些数据时,首先在邻近雾服务节点中查找,如果正好集群中预先存取了该数据,那么用户只需从雾服务节点中获取数据,而不需要从远端云中心获取,因此可以极大的减少访问延时、减轻主干网络流量负荷。本文的主要工作如下:(1)分析了雾计算节点缓存热点数据对用户服务质量和网络系统效率的重要性。将热点数据放在用户附近的雾节点中,用户可以通过无线网络一跳距离获取该数据,极大的提高了用户获取数据的时延。(2)提出了基于Max-PSN的缓存替换算法、雾节点中缓存数据项的缓存效应值计算标准。雾节点中数据项效用值越大越应该被缓存下来,当空间不足需要替换时总是替换出效用值最小的数据项。(3)定义了集中式雾计算系统,并且给出了该系统的工作模式及适用的场景。在集中式雾计算系统中进行了模拟实验,验证了Max-PSN、LRU、LFU三种缓存替换算法的效果。通过实验比较发现Max-PSN在一跳命中率、雾系统命中率、平均响应速度、带宽开销节省上比LFU算法分别高8.26%、2.87%、1.93%、1.72%,比LRU算法分别高 44.67%、11.12%、4.98%、3.75%。(4)定义了分布式雾计算系统,并且给出了该系统的工作模式及适用的场景。在分布式雾计算系统中进行模拟实验,比较了 Max-PSN、LRU、LFU三种缓存替换算法的效果。通过实验比较发现Max-PSN在一跳命中率、雾系统命中率、平均响应速度、带宽开销节省上均优于LRU算法和LFU算法。