0 引言

云计算从根本上改变了IT资源服务模式，根据应用类型可分为三个层次，软件即服务(Software as a Service，SaaS)、平台即服务(Platform as a Service，PaaS)和基础设施即服务(Infrastructure as a Service，IaaS)［1］。各服务层次之间相互支撑，向用户按需提供灵活可伸缩的计算资源和海量可扩展的存储资源等。随着云计算数据中心在世界各地大规模兴建，云数据海量增长，其安全需求受到持续关注和高度热议。而传统密码技术受限于固定的载体和不可扩展的密码计算资源，无法满足针对海量云数据的密码运算需求［2］。

密码即服务(Crypto as a Service，CaaS)的出现为传统密码技术在云环境下的应用带来了机遇和挑战［3］。Amazon和阿里云先后提出了云密码服务解决方案，建立以云计算模式提供密码服务的密码系统，基于软件定义密码的思想，将密码资源资源池化，向云用户按需分配调度密码资源，在时变的虚拟环境下传统密码机的不可扩展性问题得到解决，有效地避免了用户密码资源的浪费或紧缺［4－5］。密码云为用户提供安全可靠的密码服务，而密码服务的供给载体是虚拟密码机(Virtual Cipher Machine，VCM)，通过软件模拟具有完整硬件系统功能的、运行在一个完全隔离环境中的完整密码机系统［6］。密码云与传统的业务云一样，虚拟密码机的管理和调度是影响密码服务质量(Quality of Service，QoS)的关键，高效的VCM调度能够实现良好的负载均衡，降低服务等级协议(Service Level Agreement，SLA)违背率［7］，研究设计一种行之有效的VCM调度方法十分重要。

当前关于虚拟密码机调度的研究较少，因此，如何实现密码云中VCM的高效调度，实现负载均衡，保证密码服务质量，亟待深入研究。本文提出了一种基于熵权评价的虚拟密码机调度方法(VCM Scheduling Method based on Entropy Weight Evaluation，VSMEWE)，并进行了多次系统实验，验证了算法性能。

结果显示，吸烟成瘾组的男性比例高于其他两组，网络成瘾组的女性比例高于其他两组(χ2=29.066，P＜0.05)，3组被试在性别上差异有统计学意义。但在年级、民族、是否为独生子女以及家庭所在地上比较，差异均无统计学意义(P＞0.05)。见表1。

对于无文字民族来说，口传/民间文学可以反映出该民族的一些历史事实。若将有无文字的对立性与民族关系放置到西南边疆历史地理脉络下来理解，我们不难发现这种对立性跟权力和统治联系在一起，即有文字的民族是统治者，无文字民族是被统治者。比如傣族土司和中央统治者(汉)管理着拉祜、哈尼、傈僳等民族，汉族在这些民族的印象里就是中央统治者的代表。从族群地理生态分布上也能看出这种结构关系：前者是低地、平原上居住者，后者则住在山地、森林中。

1 相关工作

目前，云密码服务质量问题受到学者们的广泛关注，相关研究逐步取得进展［8］，但虚拟密码机的调度效率问题作为影响云密码服务质量的关键，需借鉴传统业务云中的虚拟机调度方法。

计算第i项资源状态指标下，第j个评价对象的特征比重:

在密码云系统中，影响密码服务质量的资源类型较多，以密码资源为主，但网络带宽、CPU、内存等资源缺一不可。文献［15－16］聚焦系统资源分配问题，针对虚拟机调度问题提出了Myopic Max-weight调度方法，充分考虑系统CPU权重，利用最大化资源总利用率的方法进行虚拟机调度;文献［17］针对云主机之间负载不均衡问题提出了一种层次分析与物理服务器躲避机制相结合的虚拟机部署与调度策略，通过层次分析确定虚拟机内存、CPU及网络对目标物理服务器选择的影响权重;结合目标物理服务器节点的资源使用情况对该物理节点预测评估。但当前基于资源权重的虚拟机调度算法均未考虑密码资源指标的影响，以及密码服务中密钥对虚拟密码机迁移过程的影响。

综合评价各类型资源需求的影响程度，赋予相应的权重值，但权重系数的合理性直接影响了评价结果的正确性和可信性。吴希［18］在客观赋权方法方面分析比较了认可度较高的通过标准的内在相关性确定权重(Criteria Importance Through Intercriteria Correlation，CRITIC)法、标准离差法和熵权法［19］。CRITIC法的基本思想是在构造权重时，以评价指标的对比强度和冲突性为基础;标准离差法是根据标准差来衡量评价指标的变异程度，与权重系数呈正相关关系;熵权法是根据信息熵来描述系统的有序化程度，两者呈负相关关系。密码云的性能状态与资源利用率息息相关，冗余资源越多而且越均衡，服务性能越好;但资源之间不具备对比性和关联性，而且资源权重与其冗余量和需求程度紧密相关，与利用率变化程度无关。云密码机的各项资源利用率在虚拟机调度策略的支撑下，处于动态变化当中，具有不确定性特征。由此，可根据系统提供的资源利用率信息来确定其不确定度，以度量云密码机资源的权重系数，从而衡量密码云的服务状态。

2 密码云系统结构

构造加权规范化矩阵Y，确定评价对象即云密码机资源状态的最优解和最劣解:

  

图1 云密码机虚拟化结构Fig．1 Virtualization structure of cloud cipher machine

云密码机底层硬件系统中的CPU、内存、网络设备和密码卡等在逻辑上分为多个部分，组成多个 VCM，由 KVM Hypervisor管理并组织实现云密码机的系统功能［22］。按照系统功能分类，密码云系统分为4个部分，分别是密码云管理系统、密码管理中心、密码计算中心和身份认证系统。密码云系统结构如图2所示。

  

图2 密码云系统结构Fig．2 System architecture of cryptography cloud

根据野外调查，结合室内资料得到医疗废物处置中心项目停车场边坡的空间展布特征，由边坡空间展布建立三维模型。具体为：模型最高点（Z轴方向）海拔为3000m，最低点海拔为2800m，顺坡方向（X轴方向）长为640m，垂直于坡向（Y轴方向）宽为660m；边坡表层为人工填土层及第四系全新统残坡积层，模型岩性为侏罗系上统蓬莱镇组（J3p）中段砂质泥岩。

1)用户Ukey存储有身份信息和主密钥，终端从用户Ukey中下载由用户私钥加密后的用户证书与主密钥，身份认证系统验证用户身份后，通过终端浏览器登录密码云管理系统，同时利用用户主密钥激活存储于密码管理中心的用户从密钥，用于提供密码服务［23］。

2)密码管理中心的密钥代管分发服务器向用户VCM下发相关从密钥，该从密钥将封存于云密码机的密码卡内存中，随着VCM的迁移在卡内销毁。

去片后的裸眼视力频数分布如图1所示。71%（37/52）的儿童去片后裸眼视力集中在0.6～0.8。通过单因素回归分析，较差的去片裸眼视力与基础较长的眼轴（b=-0.09，β=-0.29，P=0.003）、较高的球镜度（b=0.07，β=0.36，P＜0.001）、较高的柱镜度（b=0.12，β=0.22，P=0.030）有关，与角膜厚度、眼压、角膜曲率、瞳孔直径、角膜对称性、偏位程度等无关（见表2）。

3)密码云管理系统包括VCM管理模块和资源状态监控模块。VCM管理模块的主要职责是根据资源状态监控模块提供的资源状态信息创建、删除和迁移VCM，资源状态信息主要包括云密码机的CPU占用率、内存利用率、密码资源利用率和网络带宽利用率等。

3.3.6 电子胃镜检查 镜下可见长度平均约10 mm钩虫虫体，活体呈半透明，灰白色、淡红色或暗红色，多呈现蛇样盘曲，以蠕动为主，可见成虫数条甚至数十条不等，吸附于肠壁黏膜皱襞处，局部充血水肿，可见针尖大小新鲜出血灶呈散在片状出血，局部少许渗血。

4)密码计算中心是云密码机集群组成的密码计算资源池，云密码机均采用图1所示的虚拟化结构，向用户提供VCM虚拟实体作为密码服务的执行单元。

步骤4 令ai=Ck－，表示在Vi迁移前的情况下和在Vi迁出sk未迁入目标主机的情况下的综合评价值之差。若ai≤0，表明迁移该VCM后，云密码机sk的整体资源状态变差，距离最优的资源状态越来越远，云密码机资源没有得到充分地利用，因此虚拟密码机Vi不迁移;反之，根据差值ai大小将拟迁移虚拟密码机Vi按降序排列，取序列中的第一台VCM作为待迁移虚拟密码机，云密码机的整体资源状态随迁移的发生而处于更优的情况下。

3 调度算法

3．1 密码云资源需求分析

大多数迁移算法都是从物理主机的CPU、内存和网络带宽三种资源的使用率来考虑。在密码云中，密码服务的资源需求由密码资源和网络带宽资源占据主导，CPU和内存资源主要用于满足密码服务以外其他服务进程的资源需求，激烈的密码资源竞争和网络带宽资源竞争容易造成密码服务停滞的后果，影响密码服务的连续性。考虑到密码服务的资源竞争以及资源需求情况，本文针对VCM调度问题的研究主要以物理主机的密码资源利用率(Utilization of cryptography computing resource，Uccr)、网络带宽资源占用比(Utilization of network bandwidth resource，Unbr)、CPU 资 源 利 用 率(Utilization of CPU resource，Ucr)和内存资源利用率(Utilization of memory resource，Umr)为主要指标来考虑［24］。特别的是，密码资源利用率是以密码卡的I/O吞吐率为衡量对象，即卡上的I/O吞吐率与最大吞吐带宽的比值作为密码资源利用率，卡上I/O吞吐率包括对称加解密速率、签名验签速率和杂凑速率等。

3．2 基于熵权法的云密码机评价模型

密码云中各资源状态的动态改变或者基础设施使用寿命的增加，会使云密码机的各项资源利用率在一定范围内波动，具有复杂性和不确定性的特点。收集统计云密码机各项资源的利用率信息，根据香农信息熵的概念，对不确定性信息量化度量。熵代表了事件发生的不确定度，即发生的概率，因此，运用熵权法对各类型资源进行权重分析，用于对云密码机的性能状态综合评价，使其向用户按需提供密码服务。

假设密码云数据中心由数台配置相同的云密码机组成，包括n台活跃主机，表示为集合S=(s1，s2，…，sn)，其中运行状态的 VCM 有 l台，由 V=(V1，V2，…，Vl) 表示。

首先，由上述4个资源利用率指标，可以得到以下的原始数据矩阵:

 

其中:m为所考虑的资源类型数，m=4;xij表示第j台云密码机的第 i种资源的利用率，j=1，2，…，n。(x11，x12，…，x1n) 表示密码资源利用率，(x21，x22，…，x2n)表示网络带宽资源利用率，(x31，x32，…，x3n) 表示 CPU 资源利用率，(x41，x42，…，x4n)表示内存资源利用率。

由于云计算中心要求以尽可能少的物理资源完成尽可能多的任务，所以资源利用率均为低优指标，但为避免资源浪费，云计算中心更倾向于在一定资源冗余的条件下使资源利用率达到最大，此时可视资源利用率为高优指标，那么可由式(2)对X矩阵进行标准化处理:

 

其中:xi为X矩阵中的第i行的行向量，zij为标准化后矩阵中的元素，组成新的标准化矩阵Z，如下所示:

 

虚拟机调度的目的是负载均衡，利用虚拟机迁移技术保持最优的云服务状态，以低经济成本实现高性能服务。从迁移的本质考虑，虚拟机迁移就是数据的网络传输，但频繁的迁移操作会带来较高的网络通信成本，Zhang等［9］、Duggan等［10］和罗刚毅等［11］分别提出了基于网络成本的虚拟机迁移方法，但此类方法仅适用于网络通信任务密集的应用环境中，具有应用局限性;Aroca等［12］、Duan 等［13］和 Maio等［14］分别提出了针对数据中心能耗问题的虚拟机调度方法，由于CPU是主要能耗源，故建立的CPU能耗模型近似为系统能耗模型，以最小化系统能耗作为优化目标，采用不同的启发式算法得到最优的调度方案，此类方法适用于所有CPU为主要能耗源的场景，在一定程度上克服了应用局限性的缺点，但在密码资源需求为主导的密码云环境中，能耗作为系统优化目标显然不能得到最优的负载均衡解决方案。

 

对于每一项资源状态指标，其zij差异越大，信息熵值越小;即各个评价对象的第i项资源状态指标值差异越大，该指标反映的信息量越大，其熵值就越小。指标信息熵值的计算公式如下:

 

其中:k为调节系数，k=1/(ln n)。

“人性化设计”是现代工业设计发展的新模式，也是人们追求自我的表现，它以公众的需求为基础，产品通过设计手段赋予人类思想和精神，人性化的设计是设计师向人们展示他们的理解和尊重。设计的最大特点就是创新，必须始终以人为本，坚持以市场调研结果为基础，以满足用户的需求为最终目的，可以借鉴他人的作品，但绝对不是侵犯他人版权。

当信息熵值偏大时，表明该指标提供的信息量很小，对综合资源状态评价的影响小，即权重小。为此，引入熵冗余系数:

 

di越大，则该评价指标的熵值越小，相应地其信息量越大，对应的资源状态指标越应该获得较大的指标权重。由此各类型资源状态指标权重值为:

 

其中

VCM迁移与虚拟机迁移的最大不同在于密码的迁移。密码资源是VCM的关键需求，每项密码任务的完成都离不开密码运算，离不开密码。VCM是密码云向云用户提供密码服务的载体，按需向密码用户提供基于网络的云密码服务，具有运算能力灵活扩展、密码资源动态调度、密码管理统一高效等特点［20］。密码云的基础设施是云密码机集群，云密码机的核心是密码卡，利用虚拟化技术实现对硬件资源的充分利用，其中密码卡基于单根I/O虚拟化(Single-Root I/O Virtualization，SR-IOV)功能共享密码资源［21］，但离开了密码卡高性能高带宽的前提，密码卡硬件资源的共享将失去意义。云密码机的虚拟化结构如图1所示。

 

根据式(9)得到Y矩阵的最优向量和最劣向量，即评价对象的最优解和最劣解，对应云密码机资源使用的最优状态和最劣状态:

 

其中:分别表示评价对象到最优解和最劣解的距离，这里的距离指加权后的欧几里得距离;k表示待评价云密码机的编号，取值［1，n］。

最后，可将Ck，即云密码机的实际资源状态与最优状态的接近程度，视作为云密码机sk的综合评价值。显然，Ck越小，距离最优状态越接近，即云密码机的资源利用越充分;反之，说明云密码机的资源利用状态较差，即资源利用率低，不能充分发挥云密码机的工作能力，存在一定的资源冗余。这样就可以对云密码机状态综合排序，以供选择使用。

3．3 VCM迁移选择算法

针对虚拟机迁移的研究需要考虑3个问题:一是迁移的触发时机，二是待迁移VCM的选择，三是目标主机的选择。本文假设迁移已根据密码卡的吞吐率阈值触发，主要研究问题二和问题三。由此，VCM迁移的类型可分为3类:一是源主机内所有VCM均迁出，仅需考虑问题三;二是从源主机迁出其中一台VCM，需考虑问题二和问题三;三是新建立VCM的放置，仅需考虑问题三。VSMEWE算法在实际部署中可设定时钟循环执行，达到及时更新状态信息，保持云密码机最佳服务状态的目的。迁移变量的设置如下分别表示云密码机sk的密码资源利用率、网络带宽占用率、CPU利用率和内存利用率;ccri、nbri、cri和mri分别表示虚拟密码机Vi的密码资源能力、网络带宽能力、CPU配置和内存大小在云密码机相应类型资源中的占比。

算法1 源主机中VCM的选择。

设sk为迁移源主机，根据云密码机资源状态的综合评价值，采用差值排序法确定源主机sk当中的待迁移VCM Vi，迁移目的是提供高质量密码服务同时节省密码云资源。

步骤1 计算源主机sk的综合评价值Ck。

步骤2 根据“正在运算的密码任务不可中断以进行迁移”的原则，筛选出sk当中可迁移的VCM集合Vqian={V1，V2，…，Vp}。

步骤3 依次计算源主机迁出虚拟密码机Vi(Vi∈Vqian)后的资源状态综合评价值具体如下:

40年沧海桑田，40年日新月异。40年改革开放的历史充分显示了中国共产党、中国人民和中国特色社会主义的伟大力量，充分证明了我们党的理论是正确的、党中央确定的改革开放路线方针是正确的、改革开放的一系列战略部署是正确的，充分彰显了改革开放和社会主义现代化建设的光明前景。

1)计算源主机迁出VCMVi后各类型资源利用率，见式(14):

 

2)置换 X 矩阵中的 x1k、x2k、x3k、x4k，对新得到的X'进行标准化变换，得标准化矩阵Z'。

3)根据式(4)～(7)计算出新的资源状态指标权重wi'。

4)根据式(8)～(13)得出虚拟密码机Vi迁出后的云密码机资源状态综合评价值。该综合评价值是在虚拟密码机Vi迁出源主机但尚未迁入任意一台目标主机的假设条件下得出的。

密码云系统将密码服务与云计算平台结合，通过调度云密码机集群动态扩充密码运算能力，使密码运算速度大幅提高，更好地为用户提供集中化、虚拟化、透明化的密码服务。

红参配方颗粒在2 323、2 337、1 150cm‐1处吸收峰强度较人参配方颗粒的弱，而在2 050、1 240 cm‐1处吸收峰强度较人参配方颗粒的强；人参配方颗粒和西洋参配方颗粒特征峰位置基本相似，但在2 337、2050、1240 cm‐1处有差别，这说明虽然同种科别植物所含的化学成分很相似，但经过相同工艺制成的配方颗粒也有差异之处。见图1、表1。

算法2 目标主机的选择。

为待迁移VCM选择最理想的目标主机至关重要，关系到Vi迁入后云密码机的性能问题。当每台云密码机均处于较优的性能条件下时，才能保证密码云系统提供满足用户需求的密码服务。此处采用与待迁移VCM的选择方法相同的差值排序法，具体如下:

按照密码服务流程描述系统模块化功能，具体如下:

步骤3 令bi=Cr－Cir，表示在Vi尚未迁移的情况下和在Vi迁出sk并迁入目标主机sr的情况下的综合评价值之差。若bi≤0，表明虚拟密码机Vi迁入后，云密码机sr的整体资源状态变差，距离最优的资源状态越来越远，引发单项资源负载过高，无法保证高质量的密码服务，因此，Vi不可迁入云密码机sr;反之，则根据综合评价差值bi将主机sr按降序排列，取序列中第一台云密码机作为目标主机，为虚拟密码机Vi选择各项资源均有足够冗余的云密码机。

步骤2 依次计算虚拟密码机Vi迁入主机sr后的综合评价值，具体如下:

1)计算待迁移VCM Vi迁入主机sr后各类型资源的利用率，见式(15):

一瞬间的惊愕过后，他的心中忽地掠过了一丝不安。他突然意识到了什么，与此同时，便见一道白光，从身侧斜向而出，朝着自己劈下来。

 

2)根据式(14)和(15)置换 X 矩阵中的 x1k、x2k、x3k、x4k和x1r、x2r、x3r、x4r，再对新得到的 X'进行标准化变换，得标准化矩阵Z珘。

3)据式(4)～(7)计算新的资源状态指标权重。

4)根据式(8)～(13)得出待迁移VCM迁入主机sr后的云密码机资源状态综合评价值。该综合评价值是在待迁移虚拟密码机Vi迁出源主机并迁入目标主机sr的假设条件下得出的。

要发挥园林绿化企业档案管理的科学性和有效性，就要分析园林绿化企业档案管理的主要特点，才能够有的放矢地推进企业的档案管理上一个更新的台阶。

步骤1 计算云密码机sr(r≠k)的综合评价值Cr，并据此值对云密码机按升序排列。

4 实验分析

基于OpenStack开源云平台实现了密码云原型系统，由业务云用户向密码云申请使用密码服务。实验平台为5台刀式云密码机，作为密码云计算节点;1台云服务器，作为云管理系统;1台密码管理服务器，作为密码管理中心。每台云密码机包括两个10核2．4 GHz的CPU，6个8 GB的内存和2个千兆网卡，一个用于密码云内网通信，另一个用于与业务云交互的外网通信。两台千兆交换机分别用于内、外网。系统部署结构如图3所示。

实验的对比算法包括:基线算法(记为 Baseline)［25］，即OpenStack云平台中Nova Scheduler模块默认的虚拟机调度算法，核心是主机过滤和权值计算，特点是计算复杂度低，但负载均衡效果差;文献［26］提出的经典迁移算法(记为Entropy)，即虚拟机再配置算法，核心是最小化主机数量与迁移成本，特点是有效减少系统能耗，但造成系统服务质量差;本文提出的VSMEWE算法，核心是资源信息评估和过滤选择，特点是高效节能，具有全局性。

  

图3 系统部署结构Fig．3 Structure of system deployment

4．1 云密码机资源分布对比实验

本实验验证云密码机分别在 Baseline、Entropy和VSMEWE算法的支撑下，云密码机中各类型资源的利用率情况。实验初始时，每台云密码机中运行的VCM数量分别是7、9、8、11、5，各台 VCM 循环运行大小呈泊松分布的密码任务队列，各类型资源的实时利用率可由监控器获得。每25 min测算一次资源利用率，共进行4次测算实验，依次在时段1、2、3、4进行;其中，时段1的资源信息数据为初始实验阶段所得。每个时段里，每隔20 s统计一次各类型资源的实时利用率，连续统计15次，再分别求取各资源的平均利用率作为一次实验数据。为保证对比实验的合理性，实验在相同的初始负载条件下进行，使实验初始的系统状态相同。

从图4～7可以看出，系统分别在 Baseline、Entropy和VSMEWE三种算法的支撑下，从时段1到时段4，密码资源、网络带宽、CPU和内存的平均利用率在实验系统中呈现逐步均衡分布的情况。而且时段4相对于其他时段，主机之间的密码运算资源(Cryptography Computing Resource，CCR)的差异程度最小，网络带宽资源(Network Bandwidth Resource，NBR)、CPU资源(CPU Resource，CR)和内存资源(Memory Resource，MR)也是如此，因此三种调度算法都起到了均衡负载的效果。相比三种算法的负载均衡效果，VSMEWE最优、其次是Entropy和Baseline。由图中各时段的平均利用率分布曲线可知，VSMEWE算法能够使各主机的资源平均利用率曲线在相对较短的时间内平稳，呈现均衡的趋势，减小主机之间的平均利用率差异，有效避免了单台主机瞬间超载时产生的突发状况［27］;而Entropy和Baseline算法的资源均衡速度较慢，或者说是负载均衡的力度较小，因此VSMEWE算法在负载均衡方面更具有时效性，充分体现了面向云密码机的资源利用公平性。

由图4～7中时段4对应的子图可知，VSMEWE算法的调度使系统资源的平均利用率从各主机间的无序分布变化为有序的平均分布，从VCM负载迁移的角度考虑，这必将造成频繁的VCM迁移操作，而密码资源是完成VCM任务的主要资源需求，同时VCM的迁移是由密码卡的吞吐量阈值来触发，这种以单一资源的利用率阈值来触发迁移的方式有效避免了VCM陷入局部循环迁移的情况，降低了系统的迁移触发频率，因此VSMEWE算法在VCM迁移中更具有全局性。而根据图4～7可以看出，资源平均利用率在各主机之间仍然存在较大的差异，分布曲线起伏较大，而且时段之间存在较多的曲线重叠，这表明系统在Entropy算法和Baseline算法的支撑下不能达到最理想的负载均衡效果，但与VSMEWE算法相比，具有迁移次数少的优点;虽然Entropy算法是以最小的迁移次数和迁移成本为约束条件，以减小虚拟机再分配成本为调度目标，但是其均衡速度慢，无法避免单台主机的突发性超载对服务质量的影响，对于负载均衡分布的全局性考虑不足。

  

图4 不同算法条件下系统CCR分布Fig．4 CCR distribution of system under different algorithms

  

图5 不同算法条件下系统NBR分布Fig．5 NBR distribution of system under different algorithms

  

图6 不同算法条件下系统CR分布Fig．6 CR distribution of system under different algorithms

4．2 VCM迁移次数对比

本实验测试密码云系统中VCM迁移的次数，比较分别在VSMEWE算法、Entropy算法和Baseline算法支撑下系统的迁移频率。从初始部署开始到时刻P的时间段内，VCM迁移发生的次数越少，迁移造成的总成本越低，据此比较三种算法的迁移总成本［28］。

  

图7 不同算法条件下系统MR分布Fig．7 MR distribution of system under different algorithms

图8表示密码云系统在不同算法支撑下的VCM迁移次数，根据图中曲线走势可以看出，VCM迁移次数随系统运行时间不断增加，但呈现减缓的趋势，这表示随着VCM的迁移，资源利用率在各主机之间逐渐趋向平均，进而VCM迁移频率降低。VSMEWE算法曲线收敛最快，其次是Entropy算法和Baseline算法，说明了三种算法相比，VSMEWE算法在负载均衡效率方面更具有优势，能够以较少的VCM迁移操作达到最理想的负载均衡效果，有效降低了迁移总成本，具有高性价比的特点。

  

图8 三种调度算法条件下的VCM迁移次数Fig．8 VCM migration times under three scheduling algorithms

4．3 算法执行效率对比实验

本实验利用系统脚本文件执行算法源码，测试VSMEWE算法、Entropy算法和Baseline算法的执行速度，客观比较算法在工程应用中的计算复杂度。具体方法是在脚本代码首尾分别加上读取系统时间的代码模块，作差值可得出算法执行时间。为保证三组实验的公平性，每做完一组实验将系统资源状态恢复到和初始时刻一样，同时调整VCM的初始部署情况。在密码云系统中，算法执行效率会影响到系统的实时性和用户的即时体验［29］。

表1数据说明VSMEWE算法的执行时间最短，效率最高。在调度过程中，VSMEWE算法的执行时间短，与Baseline算法和Entropy算法相比，其执行效率分别提高了22．7%和6．8%。因此，VSMEWE算法的执行效率较高，能够在相同的实验环境下更快地完成调度决策任务，说明其在工程应用中的计算复杂度较低。由此说明由VSMEWE算法造成的时延最小，因而，该算法具有更好的实时性效果，为服务质量提供了效率支撑和即时保障。

综上所述，对妊娠期高血压疾病患者实施认知行为技术干预能够有效降低患者围产期血压值，改善孕产妇心理状态、妊娠结局和新生儿分娩结局，提高患者满意度，值得临床推广应用。

 

表1 各算法执行时间 sTab．1 Execution time for different algorithm s

  

算法类型 时间 算法类型 时间 算法类型 时间Entropy 1．17 Baseline 1．41 VSMEWE 1．09

5 结语

本文研究了虚拟密码机的调度效率问题，调度目标是提高系统的服务质量和负载均衡效果，为此提出了一种基于熵权评价的虚拟密码机调度方法。该方法有效改善了系统的负载均衡效果，采用熵权法确定密码运算、网络带宽、CPU和内存等资源的权重，并根据云密码机的资源状态综合评价值决策，实现密码云系统的高效运行。为评估调度算法性能，本文通过对比实验进行了测试。实验结果表明:在相同的负载条件下，VSMEWE算法具有更好的性能和效率优势，以较低的迁移成本达到最理想的迁移效果，云密码机的各项资源利用率快速收敛于系统均值，为密码云系统良好的负载状态提供了策略支撑。

参考文献(References)

［1］ 王斌锋，苏金树，陈琳．云计算数据中心网络设计综述［J］．计算机研究与发展，2016，53(9):2085－2106．(WANG B F，SU J S， CHEN L．Review of the design of data center network for cloud computing［J］．Journal of Computer Research and Development，2016，53(9):2085－2106．)

［2］ 张晏，岑荣伟，沈宇超，等．云计算环境下密码资源池系统的应用［J］．信息安全研究，2016，2(6):558－561．(ZHANG Y， QIN R W，SHEN Y C，et al．The application of cryptography resource system in cloud computing［J］．Journal of Information Security Research，2016， 2(6):558 －561．)

［3］ WANG M， LIU L．CRYPTO as a service［EB/OL］．［2017-06-20］．http://atlantis-press．com/php/download_paper．php？id=9894．

［4］ AWS Support Center．AWS CloudHSM User Guide［EB/OL］．［2017-09-29］．https://docs．aws．amazon．com/cloudhsm/latest/userguide/cloudhsm-user-guide．pdf．

［5］ 阿里云开发者中心．阿里云－加密服务使用手册［EB/OL］．［2017-09-29］．https://help．aliyun．com/document_detail/28357．html？spm=5176．product28341．2．1．8LMnOC．(Developer of Ali Cloud．Ali cloud:usage manual of encryption service［2017-09-29］．https://help．aliyun．com/document_detail/28357．html？spm=5176．product28341．2．1．8LMnOC．)

［6］ 孙磊，戴紫珊．安全服务云框架研究［J］．计算机应用，2012，32(1):13－15．(SUN L，DAI Z S．Research on framework of security service cloud computing［J］．Journal of Computer Applications，2012，32(1):13－15．)

［7］ VAN H N，TRAN F D，MENAUD J M．SLA-aware virtual resource management for cloud infrastructures［C］//Proceedings of the 9th IEEE International Conference on Computer and Information Technology．Washington， DC:IEEE Computer Society， 2009:357 －362．

［8］ 冯登国，张敏，张妍，等．云计算安全研究［J］．软件学报，2011，22(1):71－83．(FENG D G，ZHANG M，ZHANG Y，et al．Study on cloud computing security［J］．Journal of Software， 2011，22(1):71 －83．)

［9］ ZHANG W，HAN S，HE H，et al．Network-aware virtual machine migration in an overcommitted cloud［J］．Future Generation Computer Systems，2016，76:428 －442．

［10］ DUGGAN M， DUGGAN J， HOWLEY E， et al．A network aware approach for the scheduling of virtual machine migration during peak loads［J］．Cluster Computing， 2017(4):1 －12．

［11］ 罗刚毅，钱柱中，陆桑璐．一种基于网络感知的虚拟机再调度算法［J］．计算机学报，2015，38(5):932 －943．(LUO G Y，QIAN Z Z， LU S L．A network-aware VM re-scheduling algorithm［J］．Chinese Journal of Computers， 2015，38(5):932 －943．)

［12］ AROCA J A，MOSTEIRO M A，THRAVES C， et al．Power-efficient assignment of virtual machines to physical machines［J］．Future Generation Computer Systems， 2016， 54(C):82 －94．

［13］ DUAN H C，CHEN C，MIN G Y，et al．Energy-aware scheduling of virtual machines in heterogeneous cloud computing systems［J］．Future Generation Computer Systems，2017， 74:142 －150．

［14］ MAIO V D，KECSKEMETI G，KECSKEMETI G，et al．Modelling energy consumption of network transfers and virtual machine migration［J］．Future Generation Computer Systems， 2016， 56(C):388－406．

［15］ 薛涛，马腾．基于资源权重最大资源利用率的动态资源调度算法［J］．计算机应用研究，2016，33(5):1374 －1378．(XUE T， MA T．Dynamic resource scheduling algorithm based on maximum resource utilization［J］．Application Research of Computers，2016， 33(5):1374 －1378．)

［16］ MAGULURI S T，SRIKANT R，YING L．Stochastic models of load balancing and scheduling in cloud computing clusters［C］//Proceedings of the 31st Annual IEEE International Conference on Computer Communications．Piscataway， NJ:IEEE， 2012:702 －710．

［17］ 罗树，沈记全．基于优化AHP的虚拟机部署与调度策略［J］．计算机工程与设计，2015，36(12):3375－3379．(LUO S，SHEN J Q．Deployment and scheduling of virtual machines based on AHP optimization algorithm ［J］．Computer Engineering and Design，2015，36(12):3375 －3379．)

［18］ 吴希．三种权重赋权法的比较分析［J］．中国集体经济，2016(34):73－74．(WU X．Comparison and analysis of three weight weighting methods［J］．China Collective Economy， 2016(34):73－74．)

［19］ 粟登银，徐开勇，高杨．基于熵权法的密码模块安全保障能力评估［J］．计算机应用，2012，32(1):115－118．(LI D Y，XU K Y，GAO Y．Security assurance capability assessment based on entropy weight method for cryptographic module ［J］．Journal of Computer Applications， 2012， 32(1):115 －118．)

［20］ 杨绍光，张云勇．一种云计算资源池系统及其实现方法:中国，CN103581324A［P］．2014-02-12．(YANG S G， ZHANG Y Y．A cloud computing resource pool system and its implementation:CN， CN103581324A［P］．2014-02-12．)

［21］ 王展，曹政，刘小丽，等．基于单根I/O虚拟化的多根I/O资源池化方法［J］．计算机研究与发展，2015，52(1):83－93．(WANG Z， CAO Z， LIU X L， et al．A multi-root I/O resource pooling method based on single-root I/O virtualization［J］．Journal of Computer Research and Development， 2015， 52(1):83 －93．)

［22］ 崔泽永．基于KVM的虚拟机调度方法研究［D］．北京:北方工业大学，2011．(CUI Z Y．Research on virtual machine scheduling method based on KVM［D］．Beijing:North China University of Technology， 2011．)

［23］ MATTHEW C， KEN B， MICHAEL B．AWS key management service cryptographic details［EB/OL］．［2017-09-29］．https://d0．awsstatic．com/whitepapers/KMS-Cryptographic-Details．pdf．

［24］ VAN H N，TRAN F D，MENAUD J M．Autonomic virtual resource management for service hosting platforms［C］//Proceedings of the 2009 ICSE Workshop on Software Engineering Challenges of Cloud Computing．Washington， DC:IEEE Computer Society，2009:1－8．

［25］ 戢友．OpenStack开源云王者归来［M］．北京:清华大学出版社，2014:420－456．(YI Y．OpenStack:Open Source Cloud King Returned［M］．Beijing:Tsinghua University Press， 2014:420 －456．)

［26］ HERMENIER F， LORCA X， MENAUD J M， et al．Entropy:a consolidation manager for clusters［C］//Proceedings of the 2009 ACM SIGPLAN/SIGOPS International Conference on Virtual Execution Environments．New York:ACM，2009:41－50．

［27］ VANITHA M，MARIKKANNU P．Effective resource utilization in cloud environment through a dynamic well-organized load balancing algorithm for virtual machines［J］．Computers ＆ Electrical Engineering，2016，57:199－208．

［28］ 曹洁，曾国荪，匡桂娟，等．支持随机服务请求的云虚拟机按需物理资源分配方法［J］．软件学报，2017，28(2):457－472．(CAO J， ZENG G S， KUANG G J， et al．On-demand physical resource allocation method for cloud virtual machine to support random service requests［J］．Journal of Software， 2017， 28(2):457 －472．)

［29］ YANG T，PEN H，LI W，et al．An energy-efficient virtual machine placement and route scheduling scheme in data center networks［J］．Future Generation Computer Systems， 2017， 77:1 －11．