现有大数据实时动态迁移算法效率低、耗时长、迁移成本过高,为此提出一种基于优化FA模型的动态迁移算法。首先在云存储环境下构建动态迁移框架,确定数据中心和网络节点的拓扑结构;然后利用FA仿生群智能算法在数据中心区域范围内更新个体的位置并寻找最优解;最后引入适应度函数和自适应惯性权重优化算法并扩大寻优范围,实现大数据迁移成本的最小化。测试结果表明,所提算法在数据规模较大的情况下迁移效率更高,同时具有较低的硬件资源占用率。

解决PDM文件高效存储与请求的问题,提出一种基于负载信息的文件读取均衡算法。根据PDM文件请求特点,动态获取数据节点负载信息,通过非顺序请求方式读取文件数据块,合理分配用户请求实现数据节点的负载均衡。实验结果表明,低负载状态下该算法效率与默认算法相当,高负载状态下该算法效率提升明显,用户请求文件等待时间缩短,验证了其有效性。