0 引　言

船舶航行环境较为特殊，因此，传统单一的船舶网络服务器无法适应海上通信环境，且网络传输的信息有限^[1]。在船舶网络内安装大量服务器，可提升船舶通信信息的处理效率。但大量服务器协同工作需要较强的负载均衡技术支撑^[2]。通过负载均衡方法，平衡网络负载分布情况，缩短任务响应时间，为船舶航行提供较好的网络通信环境。对于负载均衡方法，学术界已积累了部分研究成果。王红运等^[3]利用控制器采集网络的负载信息，通过改进蚁群算法，依据采集的网络负载信息，进行网络负载均衡。该方法可有效提升带宽利用率，但需要实时采集网络的负载信息，额外增加了算法的开销，令网络出现新的负载压力，影响网络的服务效率。刘毅等^[4]以最小迁移代价为目标，建立迁移模型，通过线性逼近算法，求解该模型，迁移交换机至控制器内，实现网络负载均衡^[4]。但该方法容易出现局部收敛问题，影响交换机的迁移效果，导致网络负载均衡效果并不理想。

云计算技术的运算单位是虚拟机，通过在2个服务器间无缝迁移运行虚拟机的方式^[5]，实现网络负载均衡。虚拟机迁移时的宕机时间较短，且不易察觉，不会影响用户的网络操作。为此提出基于云计算技术的船舶通信网络动态负载均衡方法，提升网络动态负载均衡效果。

1 船舶通信网络动态负载均衡 1.1 云计算船舶通信网络服务器动态负载预测

基于云计算技术的船舶通信网络动态负载均衡的本质是虚拟机迁移。利用直觉模糊时间序列（intuitionistic fuzzy time series，IFTS）算法，预测云计算环境下船舶通信网络内服务器的动态负载，用于决定是否触发虚拟机迁移。云计算环境下船舶通信网络内服务器动态负载预测的步骤如下：

步骤1　在云计算环境下船舶通信网络服务器负载观测数据集X(t)内，抽取样本值 $ {X_t} = \left\{ {{x_1},{x_2}, \cdots ,{x_t}} \right\} $ ，其中， $ t $ 为时间。

步骤2　船舶通信网络服务器负载序列论域是 $ U = \left[ {{x_{\min }} - {\varepsilon _1},{x_{\max }} + {\varepsilon _2}} \right] $ ，其中，2个正数是 $ {\varepsilon _1} $ 和 $ {\varepsilon _2} $ ；[]代表向上、向下取整运算。通过K-means聚类算法，聚类处理 $ U $ ，得到 $ k $ 个优化子区间c_k。

步骤3　对X_t实施直觉模糊化预处理，塑造服务器负载的IFTS。如果c_k的直觉模糊集是 $ {B_j} = \left\langle {{\mu _j}\left( {{x_t}} \right),{q_j}\left( {{x_t}} \right)} \right\rangle $ ， $ j \in \left[ {1,{c_k}} \right] $ ，那么 $ {B_j} $ 涵盖 $ {x_t} $ 的直觉模糊函数是 $ \left\langle {{\mu _j}\left( {{x_t}} \right),{q_j}\left( {{x_t}} \right)} \right\rangle $ 。其中， $ {\mu _j}\left( {{{{x_t}}}} \right) $ 为直觉模糊隶属度； $ {q_j}\left( {{x_t}} \right) $ 为非隶属度函数。因此，可按照最大化 $\left\langle {\mu _j}\left( {{x_t}} \right), {q_j}\left( {{x_t}} \right) \right\rangle$ 的原则，直觉模糊化预处理x_t。如果 $\left\langle {{\mu '}_j}\left( {{x_t}} \right), {{q'}_j}\left( {{x_t}} \right) \right\rangle =\max \langle {\mu _i}\left( {{x_t}} \right),$ ${q_i}\left( {{x_t}} \right) \rangle ,i \in \left[ {1,{c_k}} \right]$ ，那么直觉模糊化结果为 $ {B'_j} = \left\langle {{{\mu '}_j}\left( {{x_t}} \right),{{q'}_j}\left( {{x_t}} \right)} \right\rangle $ 。 $ {\mu '_j}\left( {{x_t}} \right) $ 的计算公式如下：

$ {\mu '_j}\left( {{x_t}} \right) = \frac{1}{{\displaystyle\sum\limits_{i = 1}^{{c_k}} {\frac{{D\left( {{x_t},p_j^t} \right)}}{{D\left( {{x_t},p_i^t} \right)}}} }} 。$

(1)

其中：p_j和p_i为K-means聚类中心； $ D $ 为直觉模糊范数距离。

$ {q'_j}\left( {{x_t}} \right) $ 的计算公式为：

$ {q'_j}\left( {{x_t}} \right) = 1 - \frac{1}{{\alpha \displaystyle\sum\limits_{i = 1}^{{c_k}} {\frac{{D\left( {{x_t},p_j^t} \right)}}{{D\left( {{x_t},p_i^t} \right)}}} }} \text{，}$

(2)

式中， $ \alpha $ 为犹豫度调节因子。

同理，可获取X_t相应的IFTS，即 $ G = {G_1},{G_2}, \cdots ,{G_t} $ ；其中， $ {G_t} $ 的计算公式为：

$ {G_t} = \frac{{\displaystyle\sum\limits_{j = 1}^{{c_k}} {\left\langle {{\mu _j}\left( {{x_t}} \right),{q_j}\left( {{x_t}} \right)} \right\rangle } }}{{{{B'}_j}}} \text{。}$

(3)

步骤4　预测 $ t + 1 $ 时刻的云计算船舶通信网络服务器负载预测值 $ {\hat x_{t + 1}} $ ，计算公式为：

$ {\hat x_{t + 1}} = {F_t} \cdot {x_t}\omega \text{。}$

(4)

式中， $ \omega $ 为权重。

步骤5　 $ \beta $ 为云计算船舶通信网络服务器负载预测误差阈值，服务器负载预测误差为 $ {e_{t + 1}} = \left| {{{\hat x}_{t + 1}} - {{x'}_{t + 1}}} \right| $ 。其中， $ {x'_{t + 1}} $ 为期望服务器负载；如果 $ {e_{t + 1}} \leqslant \beta $ ，那么输出云计算船舶通信网络服务器负载预测结果 $ {\hat x_{t + 1}} $ 。反之，跳转至步骤4，重新计算服务器负载预测值，以输出符合要求的服务器负载预测值为止^[6]。

步骤6　通过直觉模糊重心法，去模糊化处理，得到最终的云计算船舶通信网络服务器负载预测值 $ \hat X $ 。公式如下：

$ \hat X = Def\left( B \right) = \frac{{\displaystyle\int\nolimits_X {\hat x\left( {1 + {\mu _B}\left( {{x_t}} \right) - {q_B}\left( {{x_t}} \right)} \right){\rm{d}}\hat x} }}{{\displaystyle\int\nolimits_X {\left( {1 + {\mu _B}\left( {{x_t}} \right) - {q_B}\left( {{x_t}} \right)} \right){\rm{d}}\hat x} }} \text{。}$

(5)

1.2 云计算船舶通信网络迁移虚拟机选择

云计算船舶通信网络内服务器的上下限阈值为δ_max，δ_min。在预测服务器负载值连续2个周期出现大于δ_max或小于δ_min的情况下，触发虚拟机迁移。综合考虑最短虚拟机迁移时间与最小迁移量，建立迁移目标虚拟机集合选择模型，表达公式如下：

$ R = \left\{ \begin{array}{ll} S \in V,& {{\hat x}_{j'}} - \sum {{u_a}\left( v \right)} < {\delta _{\max }},\\ S \to \min ,{T_s} \to \min & {{\hat x}_{j'}} > {\delta _{\max }}\text{，} \\ V\text{，}& {{\hat x}_{j'}} < {\delta _{\min }}\text{。} \\ \end{array} \right. $

(6)

式中： $ \hat x $ 为云计算船舶通信网络内第 $ j' $ 个服务器负载预测值； $v $ 为虚拟机 $ v $ 占据的资源量； $ v $ 为云计算船舶通信网络内虚拟机集合； $ S $ 为 $ V $ 内待迁移虚拟机的一个子集。T_s为虚拟机迁移时间， $ v $ 的迁移时间T_v为：

$ {T_v} = \frac{{{Z_v}}}{{{N_v}}} 。$

(7)

式中：Z_v为 $ v $ 占据的内存；N_v为 $ v $ 的可用带宽，T_s为全部T_v的总和。

利用遗传算法求解式(6)可确定待迁移的目标虚拟机集合 $ R $ ，具体步骤如下：

步骤1　生成初始种群 $ M $ ，同时求解各染色体的适应度，如果某条染色体的适应度f为最优解，那么返回存在最佳解的染色体，继续步骤6。

步骤2　在 $ M $ 内任意选择2条染色体，进行交叉。

步骤3　求解交叉操作后2条染色体的f值，如果其中1条染色体已是最佳解，那么返回存在最佳解的染色体，继续步骤6；反之，在交叉前后的染色体内选择最大f对应的2个染色体，对其进行变异操作。

步骤4　求解变异后染色体的f值，如果其中1条染色体已是最佳解，那么返回变异交叉前后的染色体内选择最大f对应的2个染色体，存储至新种群内。

步骤5　重复步骤2～步骤4，以获取最大f对应的染色体为止。

步骤6　输出式(7)的求解结果，即待迁移的目标虚拟机集合R。

1.3 云计算船舶通信网络的目标服务器选择

在确定待迁移的目标虚拟机集合R后，便需选择目标服务器。以最大剩余容量为选择策略，选择目标服务器，其需要符合的条件为：

1）目标服务器能够为R提供足够的资源。

2）尽量避免出现二次迁移，降低虚拟机迁移次数。

依据上述选择策略，选择目标服务器，可尽可能减少虚拟机迁移次数与能源效果，提升资源利用率。

1.4 网络动态负载均衡的实现步骤

步骤1　利用IFTS算法，预测云计算船舶通信网络内服务器负载值 $ \hat x $ 。

步骤2　分析服务器负载状态，若连续2个周期存在 $ \hat x > {\delta _{\max }} $ 或 $ \hat x < {\delta _{\min }} $ 情况，则触发虚拟机迁移。

步骤3　虚拟机迁移。若服务器负载预测值连续2个周期存在 $ \hat x < {\delta _{\min }} $ 情况，那么以当下服务器内全部虚拟机为目标虚拟机，并以最大剩余容量为选择策略，在其余服务器内选取最佳目标服务器，对其进行动态在线迁移。如果服务器负载预测值连续2个周期存在 $ \hat x > {\delta _{\max }} $ 情况，那么综合考虑最短虚拟机迁移时间与最小迁移量，建立迁移目标虚拟机集合选择模型，通过遗传算法求解该模型，完成迁移目标虚拟机集合 $ R $ 的选择。以最大剩余容量为选择策略，选择符合 $ R $ 的需求的目标服务器，进行动态在线迁移，完成船舶通信网络动态负载均衡。

2 实验结果与分析

以某船舶的通信网络为实验对象，该船舶通信网络内共包含8个数据中心，各数据中心内均有10台主机，处理速度在1000～3000 MIPS，带宽是15 M。各主机内均包含10个虚拟机。通信任务数量均在100～1000个之间。

利用本文方法对该船舶通信网络进行动态负载均衡，以2个服务器的动态负载均衡情况为例，船舶通信网络动态负载均衡结果如图1所示。可知：在不同任务数量时，服务器1的动态负载大概在30%～70%之间波动；在不同任务数量时，服务器2的动态负载大概也在30%～70%之间波动。综合分析可知，船舶通信网络内2个服务器间的动态负载较为均衡。实验证明，本文方法可有效实现船舶通信网络动态负载均衡。

分析不同任务数量时，本文方法的船舶通信网络动态负载均衡效果。不同任务数量时，经过本文方法处理后，该船舶通信网络的负载均衡度分析结果如图2所示。可以看出，随着时间的延长，不同任务数量时，经过本文方法处理后，该船舶通信网络的负载均衡度均不断变小，代表船舶通信网络的物理资源与虚拟资源利用率不断接近均衡，即船舶通信网络动态负载均衡效果较优。实验证明，不同任务数量时，本文方法的船舶通信网络动态负载均衡效果均较优。

利用任务截止时间违背率，衡量本文方法的服务质量水平，其值越小，服务质量越佳，动态负载均衡效果越优，分析船舶通信网络遭受拒绝服务攻击与分布式拒绝服务攻击时，本文方法的任务截止时间违背率，分析结果如图3所示。

可以看出，随着虚拟机数量的提升，2种攻击类型下，本文方法的任务截止时间违背率均呈上升趋势，分布式拒绝服务攻击的违背率，略高于拒绝服务攻击，但均未超过设置的阈值。实验证明，不同攻击类型下，本文方法的任务截止时间违背率均较低，即服务质量较高、动态负载均衡效果较优。

3 结　语

船舶航行安全离不开通信网络，提升通信质量的关键是负载均衡。为此提出基于云计算技术的船舶通信网络动态负载均衡方法，利用云计算技术，合理在线迁移虚拟机，确保各服务器的负载趋近均衡，实现通信网络动态负载均衡，避免服务器出现过载或轻载问题，提升通信质量。