25、语义特征对分布式资源发现及 n - gram 预取模型的影响

语义特征对分布式资源发现及 n - gram 预取模型的影响

1. 分布式资源发现的语义实验

在分布式资源发现模型中，为了模拟语义特征，采用了 GridSim 和 PlanetSim 模拟器。GridSim 可对不同能力、配置和域的资源进行建模和模拟，而 PlanetSim 有助于构建去中心化网络和节点。由于这些模拟器未提供语义 API 类，因此对现有类进行了扩展，并在其中映射了本体概念和语义相似度阈值。

1.1 实验设置

• 参数设置 ：
  | 参数 | 值 |
  | — | — |
  | 节点/资源数量 | 128 |
  | 作业查询率 | 20 - 200 次/秒，步长为 20 |
  | 处理器架构概念总数 | 31 |
  | 操作系统概念总数 | 25 |
  | 语义阈值 | 0.5 |
• 实验流程 ：
  1. 建立网络和节点后，资源提供者在网络上发布资源，并为每个资源节点获取随机生成的密钥。
  2. 用户借助这些密钥为作业寻找合适的资源，每个作业通过与每个资源比较其需求（如 CPU 数量、处理器架构和操作系统）来匹配资源。
  3. 若作业需求与现有资源匹配，则作业成功提交；否则，作业被拒绝。

在第一个实验中，不考虑语义匹配，用户请求基于精确关键字匹配资源可用性。在第二个实验中，添加了语义特征，并为处理器和操作系统资源使用了两个特定子域本体。实验在 128 节点网络下，以不同的作业查