潘文标，元文浩
(温州医科大学信息技术中心，浙江 温州 325035)
互联网技术与移动互联网业务迅速普及，使得在日常应用过程中产生了大量数据[1]，给后续的数据存储、分析等均带来了极大的难度，因此，谢鹏等研究人员[2]在数据存储的探究课题中，结合HBase分布式存储系统，创建空间矢量数据存储模型，期望打破存储技术的探索瓶颈。
进入云计算时代后，云存储技术[3]迅猛发展，云端服务器应运而生，作为新型的存储方式，该存储形式在大数据时代得以广泛应用，不仅让用户体验到了极佳的数据存储服务，也为大规模数据存储减轻了不小的压力。随着云端服务器越来越普及，应用频率越来越高，其爆炸式的增长趋势使云数据的存储问题受到高度关注，相关存储方法应运出现，比如，刘福鑫设计的Kubernetes云原生海量数据存储系统[4]，取得了较好的研究成果。
我国云数据存储技术的研究刚刚起步，仍存在很大的优化空间。本文基于密度划分算法，设计一种分块存储方法，缓解存储压力。根据细粒度云数据的密度不均匀属性，设计出低敏感度的密度划分算法，获取高集中性的数据类别，去除无效的冗余数据，缩减存储空间；
根据密度分割点建立阶跃函数，避免密度阈值过高导致聚类不精确；
基于伽罗华域完成云数据分块编码与解码的全部运算，利用范德蒙矩阵编码、解码，简化编解码复杂性，降低运算难度与复杂度，加快运算速度。
针对细粒度云数据，按照下列密度划分算法流程，聚类所有云数据：
1)输入细粒度云数据集合P，构建距离矩阵D；
2)明确自然特征值λ，以距离矩阵DN*N为依据，以r为搜索范围，遍历各云数据的近邻与逆近邻[5]数据，待反向邻域数据个数稳定时停止，获得的矩阵nb为全部云数据的逆近邻数量，此时有r=λ；
3)利用云数据及其近邻数据，建立局部邻域集LN；
4)通过式(1)求解云数据p的局部密度
(1)
式中，Nμ(p)指代数据p的μ近邻数据集；
dist(p，x)指代云数据p及其第μ个近邻数据x之间的欧几里得距离[6]。其中，μ=max{nb}；
5)按局部密度值，降序排列云数据，密度值最大的云数据就是局部邻域集LN的局部核，划分剩下云数据至局部核的所属类别中；
6)取得比平均密度低的最大二阶导数，将该最大值对应的云数据密度作为密度阈值ρt，去除每个类别内比该阈值小的数据；
7)利用各云数据及其λ近邻点，建立全局邻域图；
8)假设类别Ci与Cj间的跨类别边缘数据是vi、vj，两数据间的边权重值为w(vi，vj)，(vi，vj)表示数据vi、vj的偏导数，CE(Ci，Cj)表示两类别的联合密度，则采用下列计算公式求解类别Ci、Cj之间的关联度
(2)
若跨类别边缘数据是vi、vj的欧几里得距离是dist(vi，vj)，则云数据边权重值w(vi，vj)的计算公式如下所示
(3)
通过下列公式计算类别Ci与Cj间的紧密度
(4)
求解类别间关联度与紧密度的乘积，即得到类别Ci与Cj的相似度，数学表达式如下所示
sim(Ci，Cj)=connect(Ci，Cj)*close(Ci，Cj)2
(5)
9)根据距离阈值η，判定跨类别数据的同类性与异类性，获取数量比例；
10)降序排列类别相似度，以类别相似度与跨类别数据的类别属性为依据，聚类所有云数据。当跨类别数据的同类数多于异类数时，符合聚类条件，将两类别整合在一起[7]；
获取新的相似度与聚类条件，待不符合聚类条件时，终止聚类操作，将未完成聚类的类别云数据整合成一类[8]；
11)划分密度阈值较低的云数据至其局部核的所属类别。至此，实现所有云数据聚类。
密度划分算法的两个重要参数为聚合条件的判定矩阵ψ与距离阈值η[9，10]。假设集合P中含有M个云数据，其中，数据i及其第k个近邻点的间距是dik，则距离阈值η的计算公式如下所示
(6)
若类别Ci、Cj的跨类别数据共有ni，j对，则将下列表达式界定为聚合条件的判定矩阵ψ
(7)
(8)
针对比平均密度小的密度曲线，取得离散的最大二阶导数，获得聚合条件判定矩阵ψ与距离阈值η的最优值。
将完成聚类的细粒度云数据划分为规格相同的数据块，任意类别中的数据块集合为B={b0，b1，…，bm-1}，各数据块经里所码分块后，得到K个规格相同的云数据分块集F={f0，f1，…，fK-1}，其中，m-1与K-1各指代里所码分块前后的云数据块数量。为简化编码复杂性，利用范德蒙矩阵A编码，获得校验块集G={g0，g1，…，gM-K-1}，该集合中含有M-K个校验块。编码处理通过下列矩阵方程实现
(9)
式中，范德蒙矩阵A的界定式如下所示
(10)
经范德蒙矩阵编码处理，储存编码后的细粒度云数据。为避免主节点产生大量冗余云数据，选取的节点只存储一个云数据块，根据两者间的相关性，获取分块存储的元数据。每完成一个节点的云数据块存储，元数据都将直接更新至各节点。综上所述，设计出下列细粒度云数据分块存储算法流程：
1)假设待输入的细粒度云数据是data，其文件名是src，通过用户端把云数据data输入流中；
2)数据分块，得到B={b0，b1，…，bm-1}；
3)在主节点选取的节点上存储云数据块；
4)利用范德蒙矩阵进行编码，二次分块细粒度云数据；
5)在所选节点上储存编码后的云数据；
6)基于各云数据块，获取新的元数据。迭代循环整个流程，直到没有新的元数据生成，此时，即可实现所有云数据的分块存储。
迭代分块存储过程中，需要调度节点来执行云数据块的处理任务，这就涉及到一个重要的步骤，即细粒度云数据的解码处理。
假设待处理云数据块为bα，任务执行的节点为nodeα，搜寻所有储存数据块bα的节点，形成列表listα，针对其前φ个有效节点，取得云数据块及其元数据，将范德蒙矩阵A与有效节点上储存的云数据块集F″={f″0，f″1，…，f″K-1，f″K}相结合，得到矩阵L及其逆矩阵L-1，建立L-1与新分块集F′={f′0，f′1，…，f′K-1，f′K}的乘积形式，即完成云数据块解码处理。该解码处理通过下列矩阵方程实现
(11)
式中，逆矩阵L-1的界定公式如下所示
(12)
综上所述，构建出下列细粒度云数据块的解码操作流程：
1)假设云数据的路由信息与缓冲大小各是path与size；
2)创建系统文件，根据文件名搜索元数据；
3)基于存储待处理云数据块的节点列表，完成解码处理；
4)更新云数据块，利用用户端取得经过解码处理的云数据块；
5)迭代循环上列步骤，直到分块存储完所有云数据。
本文基于伽罗华域完成云数据分块编码与解码的全部运算，且在不改变范德蒙矩阵形式的前提下，执行编码与解码处理，二者均能够在一定程度上降低运算难度与复杂度，加快运算速度。
为增加实验可靠性，设定仿真环节为三个阶段：明确里所码编码比例的最优参数；
分析密度划分算法的可用性；
探究分块存储方法的完整性、压缩性。
4.1 基于分块存储的里所码编码比例设置
令里所码编码比例按等差数列取值，分析不同编码比例下分块存储细粒度云数据时的开销与带宽，根据实验结果，择优设置里所码编码比例参数。
图1 编码比例参数相关性
从不同编码比例参数值下分块存储的开销与带宽情况可知(见图1)，当里所码编码比例参数取值为0.5时，存储开销最小，且随着运行时间的增加呈持续大幅下降趋势；
同时带宽一直保持最高数值，且随着运行时间的增加呈平缓上升趋势。因此，设定里所码编码比例参数为0.5，能够以最佳状态展开方法验证试验，减小该参数对存储效果的影响。
4.2 密度划分算法可用性分析
选取细粒度云数据量不同的三个集合，分别采用正相关的纯度、互相关信息熵、F1综合指标，评估密度划分算法的聚类效果。各评估指标的取值范围均为0到1，计算方式如下所示
(13)
(14)
(15)
其中，Cn为类别n的真实聚类；
θ(Cn，Ci)指代聚类结果是Ci，但实际类别是Cn的几率，θ(Cn)与θ(Ci)各指代真实聚类为Cn的几率与聚类结果是Ci的几率，MCn与MCi各指代两类别数量；
F1(Ci，Cn)指代两类别的F1综合指标值，计算公式如下
(16)
根据图2所示的各集合评价指标结果可以看出，对于不同大小数据量的实验样本，密度划分算法始终具有较好的聚类效果，即便面对海量细粒度云数据，该算法通过深入探讨判定矩阵与距离阈值两个关键参数，凭借近邻与逆近邻数据构成的局部邻域集与全局邻域图优势，精准完成聚类，具备良好的可用性，对分块存储的干扰几乎可以忽略不计。
图2 不同数据量的聚类效果示意图
4.3 细粒度云数据分块存储效果分析
利用本文方法分块存储某细粒度云数据集，将得到的实验结果分别与HBase模型及Kubernetes系统的存储效果作比较，验证本文方法的优越性与实践性。
4.3.1 分块存储完整性
以500GB的云数据量集为检验对象，设定主节点所选节点的存储量为50个数据块，待完成所有云数据块存储后，根据各节点上存储的数据块数量，分析不同方法在存储数据过程中发生的数据丢失情况。任意选取其中十个节点，其数据块存储结果如图3所示。
图3 数据块存储数量示意图
由十个节点的数据块存储量可以看出，本文方法结合密度划分算法与里所码技术，大幅提升细粒度云数据块的聚类与划分精度，确保各云数据都得到分类处理，尽可能不遗漏数据块，因此，仅有节点5、8各丢失一个数据块，相较于文献方法的多次、多块丢失情况，具有更理想的存储完整性。
4.3.2 分块存储压缩性
就分块存储压缩性能，利用输入、输出数据的大小比值(即压缩因子指标)客观评估，该指标值与压缩效果呈正相关性。三种存储方法的压缩因子指标数值如表1所示。
表1 不同存储方法的压缩因子数值
根据表1中的压缩因子参数值可以看出，本文方法的压缩因子值几乎是文献方法的二倍，压缩优势显著，实现了分块存储目标。这是因为该方法根据类别相似度，准确聚类所有云数据，为数据分块奠定基础，利用多个适配度较高的节点，分块存储云数据，极大程度减缓存储压力，令压缩性能得到更好发挥。
大数据与云时代的来临，在为用户提供便利的同时，导致云数据规模暴增，这一发展趋势对存储技术提出了巨大挑战，其中，以细粒度数据的存储难度最大。为此，针对细粒度云数据，提出分块存储方法，通过实验证明，方法取得较好效果。所以，在接下来研究中，为拓展方法应用领域，进一步提升存储效果，将以下几点作为重点研究方向：数据类型多种多样，应就多元化的数据种类，不断检验本文方法的存储效果；
针对编码语义的可扩展性，验证复杂情况下能否实现数据的统一编码；
需利用经典的加密算法，提升分析存储安全性；
改进密度划分算法的离线处理局限性，令其对实时的数据流也具备较好的处理能力；
应在真实场景中开展实验活动，令方法更契合实际应用。