基于兴趣度的云VR资源存储方法.pdf

SCIENCE&TECHNOLOGY INFORMATION科技资讯 2023 NO.16 信 息 与 智 能科技资讯SCIENCE&TECHNOLOGY INFORMATION基于兴趣度的云VR资源存储方法黄怀龙 邹志文(江苏大学 江苏镇江 212013)摘要：针对云上虚拟现实（VR）资源存储过程混乱和部分云存储空间使用不均衡等存储不当问题，提出一种基于兴趣度的云VR资源存储方法。该方法从虚拟现实资源本身关联度着手分析，定义了兴趣度指数，用于量化云VR资源的关联程度。通过兴趣度指数来构建资源放置组，有效减少了存储过程中的移动次数，并利用兴趣度指数改进的深度强化学习算法进行合理的对象存储设备选择，有效提高了云空间整体使用率。实验结果表明：该方法有效地优化了云VR资源存储过程，解决了资源存储不当的问题。关键词：虚拟现实 兴趣度 云存储 深度强化学习 VR UO-CRUSH中图分类号：TP393.01文献标识码：A 文章编号：1672-3791(2023)16-0043-08The Method for Cloud VR Resource Storage Based on the Interest MeasureHUANG Huailong ZOU Zhiwen(Jiangsu University,Zhenjiang,Jiangsu Province,212013 China)Abstract:Aiming at the problems of improper storage such as the confusing virtual reality(VR)resource storage process on the cloud and uneven use of some cloud storage space,a method for cloud VR resource storage based on the interest measure is proposed.This method starts with the analysis of the relevancy of virtual reality resources themselves,and defines the interest index,and uses it to quantify the relevance of cloud VR resources.The interest index is used to build resource placement groups to effectively reduce the number of moves in the storage process,and the deep reinforcement learning algorithm improved by the interest index is used to select reasonable object storage devices,which effectively improves the overall utilization of cloud space.The experimental results show that the method effectively optimizes the cloud VR resource storage process and solves the problem of improper resource storage.Key Words:Virtual reality;Interest measure;Cloud storage;Deep reinforcement learning;VR;UO-CRUSH传统的虚拟现实技术由于资源所需的硬件成本高昂而发展缓慢，而随着云技术的发展，传统的资源存储方式开始向云存储转变，这将使传统的虚拟现实有了新的发展方向，即云VR1。云VR是将传统VR与云技术相结合，利用云进行资源的存储和相关任务的执行。然而由于虚拟现实独特的真实性，其产生的数据和所需资源量极为庞大，这些数据资源若随意上传至云端进行处理，会不可避免地增加云端处理难度，降低云端处理效率。资源存储过程混乱和云空间使用不均衡是云资源存储中的常见问题2-3。当海量数据资源同时向云端发送，若无合适的处理流程，资源在存储时往往会杂乱无章，这样导致的存储过程混乱会严重降低云端处理效率。而云空间使用不均衡是指资源在存储过程中没有合理地选择存储空间，这样造成部分空间的过载和空闲，导致云空间的使用效率低下。针对这些问题，本DOI：10.16661/ki.1672-3791.2301-5042-3214作者简介：黄怀龙（1997），男，硕士，研究方向为虚拟现实。邹志文（1968），男，硕士，副教授，研究方向为虚拟现实、信息安全。43SCIENCE&TECHNOLOGY INFORMATION科技资讯信 息 与 智 能 2023 NO.16 SCIENCE&TECHNOLOGY INFORMATION科技资讯文从云VR资源存储过程着手进行分析、实验，得出云VR资源在存储过程中，将所有资源都独立分析存储，会造成存储过程混乱及空间使用不均衡等问题。在此基础上，先将问题转化为云VR资源分析优化问题与空间内资源量标准差的优化问题，然后考虑云VR资源间关联度，对资源进行综合分析，利用强化学习算法，使综合分析后的资源在云空间中分布更加均衡，提高了云VR资源存储效率及空间综合利用率。1 相关工作云VR资源存储主要涉及云服务器资源监控、负载预测、资源放置组构建方法和资源放置执行等。云VR资源动态存储过程中，首先在资源分析阶段通过资源放置组构建方法进行资源分析与划分，接着在存储执行阶段通过资源放置方法实现资源存储。目前，关于云资源存储方法有很多，其中主要集中在资源放置组构建方法和资源放置方法。1.1 资源放置组构建方法关于资源放置组构建方法，林伟伟等人4提出了一种基于服务器集群划分的可扩展分布式方法，该方法将可用服务器分为若干个服务器集群，然后在每个集群上利用Choco求解模型获得能耗优化的资源分配方式。龚志远5研究了多云存储系统中数据的放置问题，提出了一种多云环境下混合I/O细粒度感知的数据放置算法，在其数据感知阶段，使用了基于决策树的混合I/O感知算法进行资源决策。张从越等人6考虑了实际云端已有资源分布状况，在已有资源分配的前提下，对新资源进行混合放置，从而构建新的合理资源放置组。张鸿等人7考虑的是数据块的多指标Qos约束，在服务器资源空间有限的情况下，最大化满足Qos要求的数据块放置组的构建。祁志阳8从经济学原理的角度入手，以信誉度为约束条件，构建出合适的云计算经济学模型，运用超边际分析的方法实现了云计算环境下的资源合理分配。此外，SHEN J等人9也在优化放置方法方面做了研究，他们提出了一种基于网格编码的云存储方案，可以均匀地构建资源放置组。李振波10提出了一种数据分层存储方法，通过贝叶斯的分类原理，找到并行节点进行数据资源的合理分类。1.2 资源放置方法对于资源放置方法的研究，主要可以分为传统式放置方法和人工智能型放置方法两大类。常见的传统式放置方法有轮询算法、贪心算法等。黄祥书11提出了一种基于流行度的加权轮询算法存储策略，将目标服务器空间按流行度进行编号，之后采用加权轮询算法选择合适的目标服务器空间进行资源的放置。杨苏影等人12提出了一种基于包簇框架的资源分配策略，采用了平衡蚁群算法实现均衡的资源放置，此方法有效提高了云空间的资源利用率并降低了迁移开销。为了最大化地利用云存储空间，Balakrishnan等人提出了一种改进的贪心算法，该算法通过重新分析已放置的资源占用空间，利用改进的贪心算法将资源放置在最佳空间内。而人工智能型放置方法主要为深度学习和强化学习。李新鹏等人13-14针对云存储系统中数据资源在各存储设备中分布不均衡，影响云存储系统的整体Qos性能这一问题，利用强化学习相关算法，通过与周围环境进行交互、反馈、决策，对现有算法进行优化，较好地解决了资源在各存储设备中分布不均衡的问题，消除了数据资源分布不平衡导致的系统性能瓶颈，从而改善了云存储系统整体的Qos性能。KARTHIBAN K等人15提出了一种基于深度强化学习的公平资源分配模型，当传统空间呈指数增长时，传统的Q-Learning学习模型无法解决维数问题，导致系统负载不平衡，而该模型利用深度强化学习的特性，动态地调整资源分配方案，从而合理、高效地实现资源分配放置。目前，对于云资源存储的研究过程中，往往是从云存储系统本身入手，却很少考虑需要存储的云资源本身的特性或只是简单地对资源进行分析。如果联系紧密的存储资源存储到不同的空间内，不仅会使资源存储混乱，也将在后期计算与调度过程中带来更多的服务器之间的数据传输和通信开销。针对此问题，定义兴趣度指数用于量化云VR资源间的关联程度，并提出了一种基于兴趣度的云VR资源存储方法。该方法设计了一个UO-CRUSH算法，首先将联系紧密的存储资源组成资源放置组进行成组放置，以减少传输和通信开销，之后利用深度强化学习方法，可以动态计算当前云存储空间状态，从而为资源放置组选择最佳存储空间进行资源放置。2 基于兴趣度的云VR资源存储方法针对提出的云VR资源存储方法，将从兴趣度指数定义、资源放置组构建、资源放置执行以及存储方法的具体实现这4个部分进行介绍。2.1 兴趣度指数虚拟现实场景中由于场景资源是结合虚拟用户配套出现的，不同的虚拟用户需要不同的场景资源，若无差别地进行资源存储会增加存储开销。关联程度决定了兴趣度指数，所以在设计云VR资源存储方法前，需要将资源之间的关联程度进行量化。44SCIENCE&TECHNOLOGY INFORMATION科技资讯 2023 NO.16 信 息 与 智 能科技资讯SCIENCE&TECHNOLOGY INFORMATION定义1 兴趣度指数P(SiSj)。兴趣度指数用于量化云VR资源之间的关联程度，在衡量关联程度之前，需要考虑资源对象之间交互的通信开销，定义虚拟场景资源集合为S=S1,S2,Sn，资源之间存在不同的通信开销。Vm表示某一虚拟场景，Si表示该虚拟场景中某一资源，Vn表示另一虚拟场景，Sj表示另一场景中某一资源，Uk表示当前虚拟用户，用户与场景中资源存在交互关系，定义交互指数为UkVmn(Sij)，用于表示资源之间需要交互的次数。根据交互指数，设计相关资源之间的兴趣度指数P(SiSj)为P(SiSj)=UkVmn(Sij)Dcij0SiSj有关系SiSj无关系（1）式（1）中，cij表示每次交互所需的开销。2.2 基于兴趣度的资源放置组构建方法通过2.1节可以计算得出虚拟资源间的兴趣度指数，利用兴趣度指数得到关联程度较高的资源放置组，并以此资源放置组为整体进行资源放置存储。从兴趣度的角度出发，构建出的资源放置组是虚拟场景中联系较为紧密的相关资源，将这一整体进行存储，可以提高存储效率并减少网络通信开销。2.2.1 资源关联度计算资源放置组在构建及扩展的过程中应该寻找与放置组内关联程度最高的相关资源。因此，在构建资源放置组过程中，需要比较某一资源和放置组之间的兴趣度Iin，以及这一资源与放置组之外的兴趣度Iout。定义2 资源关联度I(SiPG)。在计算资源Si和资源放置组PG之间的关联程度时，设计资源关联度I(SiPG)的计算公式为I(SiPG)=ISiPGin-ISiPGout（2）根据兴趣度指数计算公式（1），可以得到任意两个虚拟场景之间的所需的相关开销，如式（3）所示。I(VmVn)=SiVmSjVnP(SiSj)=SiVmSjVnUkVmn(Sij)Dcij（3）则式（2）可以进一步修改为I(SiPG)=VmPGI(VlVm)-VnPGI(VlVn)=VmPGSiVlSjVmUkVlm(Sij)Dcij-VnPGSiVlSg VnUkVln(Sig)Dcig（4）2.2.2 资源放置组构建资源放置组构建方法即为资源的选择过程。在确定需要存储的资源情况下，首先找到虚拟资源量最高的资源作为初始资源放置组，接着扩展初始资源放置组，使其包含更多的资源数。在扩展的过程中，每次都要选择与资源放置组内关联程度最高的资源，判断该资源大小是否超过资源放置组预设容量上限。若未达到预设容量上限，则将该资源加入资源放置组，否则，选择下一个关联程度最高的资源重复此过程，直至资源放置组构建完成。假设虚拟用户为Uk，虚拟场景Vi中资源表示为S1,S2,Sn，构建的资源放置组PG=S1,S2,Sk，预设容量上限为W，可以接受的误差阈值为Ws，则资源放置组构建方法步骤如下所示。第一步，将Vi中所有的虚拟资源作为候选资源组集合，记作Sall，SallS1,S2,Sn。计算Vi上各资源量大小，记作SWeighti。第二步，若Sall不为空，选出资源量最大的资源max(SWeighti)，记作Si，此时Sall=Sall-Si。第三步，若SWeightiW，将Si加入资源放置组PG，若W-WsSWeightiW，则返回第二步。第四步，若Sall不为空，从Sall中选出与初始资源放置组关联程度最高的虚拟资源max(I(SiPG)，记作Sj，此时Sall=Sall-Sj。第五步，若SiPGSWeighti+SWeightjW，将Sj加入资源放置组PG并进一步判断。第六步，若W-WsSiPGSWeighti+SWeightjW，则代表当前资源放置组PG以达到容量上限，资源放置组PG构建完成，否则，返回至第四步。2.3 基于深度强化学习的资源放置方法在资源存储执行阶段如何挑选最佳的对象存储设备并放置关系到云资源整体存储效率。结合以往研究，设计一种基于深度强化学习的资源放置方法（DLSP），利用深度强化学习中的DQN算法，辅助CRUSH算法计算出资源放置组最佳的对象存储设备，使对象存储设备利用率最大化。2.3.1 方法流程基于深度强化学习的资源放置方法主要分为3个阶段：第一阶段，在云存储管理中心检测存储指令，分析当前空间状况，选择合适的资源放置组；第二阶段，利用DQN算法辅助CRUSH算法计算得出最佳的对象存储设备；第三阶段，将选择的资源放置组放置到计算出来的对象存储设备，发送执行完成指令。2.3.2 对象存储设备计算由于对象存储设备较多，且设备当前存储状态各异，传统的查找选择方法往往需要消耗大量的时间。在阅读了相关文献后，借鉴了CRUSH算法13,16中有关45SCIENCE&TECHNOLOGY INFORMATION科技资讯信 息 与 智 能 2023 NO.16 SCIENCE&TECHNOLOGY INFORMATION科技资讯定位存储数据位置的方法来实现对象存储设备的计算。CRUSH算法是一种数据分布算法，可以高效、稳定地进行数据分布。但随着数据规模的扩大和环境的复杂化，CRUSH算法在定位时会导致存储设备上数据分布不均衡等问题，为了解决这些问题，进一步利用了深度强化学习中的DQN算法17-18。通过DQN算法进行训练，获得最佳的OSD权值，将其代入CRUSH算法中计算，就可以获取最佳的对象存储设备。定义3 动作价值函数Q(sa)。DQN算法的核心思想是通过一个深度神经网络进行学习来趋近于传统强化学习中的Q值函数，即Q(sa)=f(sa)（5）和一般的强化学习一样，其反馈奖励也是通过连续的动作和观察产生的，在此基础上结合马尔科夫决策过程（MDP）和Bellman方程进行计算可以得到当前的状态-动作价值Q函数，即Q(sa)=ri+1+Q*(sa)（6）式（6）中，ri+1为采取a动作到达下一状态时得到的奖励，s为下一状态，a为下一状态中最好的动作。在多次实验后可以得出最优的Q(sa)为yi=Q(sa)=Eri+1+max(Q*(sa)（7）随着实验次数的增加，公式（7）得出的结果会愈加趋向于真实的Q(sa)，而在DQN中的各个Q值是通过网络进行估计的，即Q(sa;)Q(sa)（8）定义4 损失函数L(i)。使用Bellman方程计算得出的Q值（公式7）和通过网络进行估计的Q值（公式8）之间就存在差值，这里引入一个损失函数L(i)用于减少两个公式之间的差值，即L(i)=E(yi-Q(sa;i)2（9）然后计算参数关于损失函数的梯度，即L(i)=Eyi-Q(sa;i)Q(sa;i)（10）再使用随机梯度下降法对i求导进行网络训练用于更新网络参数，使得公式（8）所得结果逼近公式（7）得出的最优解。上述介绍的是DQN算法的核心思想与相关公式，其算法流程伪代码如下所示。初始化经验池D，容量为N随机生成权重用于初始化动作-价值Q函数令=,用于初始化动作-价值Q*函数循环遍历episode=1,2M初始化状态队列s1循环遍历t=1,2T用概率选择一个随机动作at否则，选择当前网络预测得到的最大Q值动作at=max(Q(stat;)在智能体中执行动作at，得到奖励rt且环境状态变为st+1设置st+1=st，at，并进行状态更新将过渡数据(statrtst+1)保存至经验池D中从经验池D中随机选择小部分数据(sjajrjsj+1)进行训练设置yi=rj rj+max(Q*(sa)j+1步episode结束否则对于使用公式进行梯度下降更新每隔R步，设置Q*=Q循环终止循环终止2.4 基于兴趣度的云VR资源存储方法实现描述云VR资源存储方法中两大核心方法后，进一步介绍基于兴趣度的云VR资源存储方法的总体实现，并主要介绍在资源分析阶段中基于兴趣度的资源放置组构建方法和存储执行阶段中基于深度强化学习的资源放置策略的具体实现过程。2.4.1 总体流程云资源存储的总体流程分为两个阶段，分别为资源分析阶段和存储执行阶段。设计的基于兴趣度的资源放置组构建方法应用于资源分析模块，基于深度强化学习的资源放置方法应用于存储执行模块。云资源存储的总体框架见图1。在云存储管理中心发现部分服务器新增资源存储请求时，存储管理服务器开始进行资源存储，主要流程分为两个阶段：资源分析阶段和存储执行阶段。资源分析阶段主要进行资源放置组的构建，存储执行阶段主要进行对象存储设备的计算以便存储资源放置组。2.4.2 基于兴趣度的资源放置组构建方法实现在描述云资源存储的总体流程后，将具体介绍在资源分析阶段如何对云VR资源进行特性分析，并使用基于兴趣度的资源放置组构建方法进行资源放置组的构建。下面将具体描述基于兴趣度的资源放置组构建方法实现步骤。第一步，云存储管理中心发现新增资源存储指令后，发送资源分析指令开始启动资源放置组的构建，分46SCIENCE&TECHNOLOGY INFORMATION科技资讯 2023 NO.16 信 息 与 智 能科技资讯SCIENCE&TECHNOLOGY INFORMATION析资源本身特性及资源之间的关联程度。第二步，计算资源的兴趣度指数，按照兴趣度指数降序进行排序并过滤兴趣度指数小于预设阈值的资源。第三步，按照设定的组内上限W，将计算好兴趣度指数的资源进行分组。第四步，重复以上过程，直至将所有资源构建成资源放置组，此时发送完成指令至云存储管理中心，并准备进入存储执行阶段。2.4.3 基于深度强化学习的资源放置方法实现介绍了在资源分析阶段如何对云VR资源进行分析，并利用基于兴趣度的资源放置组构建方法实现了资源放置组的构建后，将具体说明在存储执行阶段云VR资源的存储放置过程，以及如何使用基于深度强化学习的资源放置方法计算出最合适的对象存储设备用于资源放置组的存储。下面将具体描述基于深度强化学习的资源放置方法实现。第一步，云存储管理中心发现新增资源存储指令后获取各个服务器资源的使用情况，并根据资源分析阶段的结果构成候选资源放置组列表L=PG1P G2P Gn。选取列表中的部分资源放置组作为需要存储执行的资源对象。第二步，将当前云空间环境和选取的资源放置组作为计算参数发送给DQN算法，计算出当前云空间中对象存储设备的权重。第三步，将计算得出的权重代入CRUSH算法中，得到最佳的对象存储设备，此时将选择的资源放置组存储到计算所得的对象存储设备。第四步，上述过程完成后，更新当前云空间环境。重复以上过程直至候选资源放置组全部存储到对象存储设备中。3 实验结果分析3.1 实验方案在实验中，采用5台PC作为测试样机。各PC的配置如表1所示。实验中将以上设备搭建成一个集群系统，并在系统上部署资源放置组构建方法和资源放置方法，实现云VR资源存储方法。实验利用Python语言编写UO-CRUSH算法，并利用相关工具运行算法以及对实验结果进行收集与分析。（1）在不同规模对象存储设备（OSD）的情况下，分别对比UO-CRUSH算法和CRUSH算法的资源放置组（PG）计算完成时间。（2）在不同规模时间周期的情况下，分别对比UO-CRUSH算法和CRUSH算法的资源放置组完成数量。（3）在不同规模对象存储设备的情况下，分别对比UO-CRUSH算法和CRUSH算法的资源放置组分布状况。（4）在集群系统中不同副本设备，不同规模对象存储设备的情况下，计算资源放置组在对象存储设备中的映射地址，验证同一个资源放置组在对象存储设备的映射地址是否相同。3.2 结果分析3.2.1 不同规模对象存储设备资源放置组计算完成时间对比图2是在集群系统中5台副本设备，不同数量规模的对象存储设备的情况下，分别运行UO-CRUSH算法和图1 云资源存储总体框架表1 云VR资源存储实验配置CPU3.2 GHz内存16 G硬盘1 T带宽10 GB47SCIENCE&TECHNOLOGY INFORMATION科技资讯信 息 与 智 能 2023 NO.16 SCIENCE&TECHNOLOGY INFORMATION科技资讯CRUSH算法时，资源放置组在对象存储设备上的平均计算完成时间对比。从图中对比可以看出：UO-CRUSH算法计算时间整体均小于CRUSH算法。小规模的20 s，相比CRUSH算法的29 s，计算效率提高了45%；大规模的517 s，相比CRUSH算法的668 s，计算效率提高了29%。经过对多次实验过程分析，在同等实验条件和相同实验步骤下，UO-CRUSH算法由于在资源放置组构建过程中考虑到不同资源间的关联程度会造成不同的网络通信开销，采用了兴趣度指数作为关键参数进行资源放置组构建，使用兴趣度指数构建的资源放置组内资源关联程度较高，在一定程度上降低了构建过程中相关开销，对比CRUSH算法的顺序分配构建效率提高了约14%，且以兴趣度指数构建的资源放置组在存储执行阶段的执行效率要高出CRUSH算法约28%。3.2.2 不同规模时间周期资源放置组完成数量对比图3是在集群系统中5台副本设备，不同规模时间周期的情况下，分别运行UO-CRUSH算法和CRUSH算法时，资源放置组构建完成的平均数量对比。从图中对比可以看出：UO-CRUSH算法30 s完成23个放置组构建，相比CRUSH算法完成的16个，构建效率提高了43%；600 s完成856个放置组构建，对比CRUSH算法完成的714个，构建效率提高了20%。通过对多次实验图3 不同规模时间周期平均完成数量对比0100200300400500600700800306090120180360600平均计算时间/s对象存储设备数量/个CRUSH算法UO-CRUSH算法图2 不同规模对象存储设备平均计算时间对比图4 资源放置组分布数量对比48SCIENCE&TECHNOLOGY INFORMATION科技资讯 2023 NO.16 信 息 与 智 能科技资讯SCIENCE&TECHNOLOGY INFORMATION过程分析，在同等实验条件和实验步骤下，UO-CRUSH算法由于在资源放置组构建过程中考虑到不同资源间的关联程度会造成不同的网络通信开销，为了降低相关开销，提高整体运行效率，采用了兴趣度指数作为关键参数进行资源放置组构建。对比CRUSH算法的顺序分配构建，采用UO-CRUSH算法，不仅减少了构建次数，而且简化了构建过程，总体构建效率提高了约15%。3.2.3 不同规模对象存储设备资源放置组分布状况对比图4是在集群系统中5台副本设备，不同数量规模的对象存储设备的情况下，分别运行UO-CRUSH算法和CRUSH算法时，资源放置组在对象存储设备上的平均分布状况对比。资源放置组在分布存储时不仅要确保自身分布得当，还要尽可能地确保整体存储空间利用率得当。从图中可以发现：使用UO-CRUSH算法进行资源放置组分布，在不同的对象存储设备中数量最大为161个，最小为144个，差值为17个；而使用CRUSH算法进行资源放置组分布的对象存储设备中，数量最大为169个，最小为132个，差值为37个。由此可以看出，使用UO-CRUSH算法进行资源放置组分布时标准差更小，分布更加均衡，提高了对象存储设备的整体利用率。通过对多次实验过程分析，在同等实验条件和实验步骤下，UO-CRUSH算法在资源存储执行阶段既考虑了资源间的关联程度，又考虑了对象存储设备的存储状况，相比CRUSH算法的常规分配算法，对资源的分布存储变得更加均匀、合理。图7 150个存储对象设备（大规模）映射分布图5 30个存储对象设备（小规模）映射分布图6 60个存储对象设备（中规模）映射分布49SCIENCE&TECHNOLOGY INFORMATION科技资讯信 息 与 智 能 2023 NO.16 SCIENCE&TECHNOLOGY INFORMATION科技资讯3.2.4 不同规模对象存储设备资源放置组映射地址以下是在不同规模对象存储设备中，UO-CRUSH算法计算得出的资源放置组在对象存储设备的映射。在不同规模对象存储设备的情况下，随机选取5个资源放置组进行计算对象存储设备映射地址。实验分别计算小规模（图5）、中规模（图6）和大规模（图7）下理论映射地址和UO-CRUSH算法计算的映射地址，比较两者计算结果是否相同。从图中可以看出：在30个OSD时，理论映射地址分别为11,4,19,9,21，使用UO-CRUSH算法计算得出的映射地址也同样为11,4,19,9,21，理论映射地址与实际映射地址一致。同样在60个OSD、150个OSD实验中，理论映射地址与实际映射地址也完全一致。在经过多次重复实验时，都可以准确地计算出资源放置组在对象存储设备上的映射地址，验证了UO-CRUSH算法的有效性。4 结语随着云技术的飞速发展，传统VR的资源存储开始转向云端。但VR庞大的资源量在存储过程中若不进行合理规划就任意存储，往往会发生存储不当的事情。当具有先后次序的资源无序进行存储时，会导致存储过程发生混乱，增加后续操作开销。而在选择云存储空间进行资源存储时，未合理考虑云存储空间状况，会造成云空间使用不当的问题。针对以上问题，本文提出了一种基于兴趣度的云VR资源存储方法。首先，定义兴趣度指数，用于量化资源之间的关联程度。其次，设计了基于兴趣度的资源放置组构建方法，将关联程度较高的云VR资源构建成资源放置组。最后，设计基于深度强化学习的资源放置方法，计算出合理的对象存储设备用于资源放置组的放置存储，有效地提高了云存储空间利用率。通过实验与结果分析，验证了基于兴趣度的云VR资源存储方法在进行云VR资源存储过程中有效解决了资源存储不当的问题。参考文献1 张慧.基于三维虚拟VR技术的景观规划系统设计J.现代电子技术,2019,42(12):132-135.2 ZOU S H,FANG N S,GAO W J.Research on Online Cloud Storage TechnologyC/2020 19th International Symposium on Distributed Computing and Applications for Business Engineering and Science(DCABES2020)(第十九届分布式计算及其应用研讨会)论文集.2020:62-65.3 AN B,LI Y,MA J M,et al.DCStore:A Deduplication-Based Cloud-of-Clouds Storage ServiceC/The 2019 IEEE World Congress on Services(IEEE SERVICES 2019).2019:8-13.4 林伟伟,朱朝悦.面向大规模云资源调度的可扩展分布式调度方法J.计算机工程与科学,2015,37(11):1997-2005.5 龚志远.多云存储系统中数据放置与负载均衡机制研究与实现D.南京:东南大学,2020.6 张从越,付雄,乔磊.云计算环境下基于多目标优化的虚拟机放置研究J.计算机应用与软件,2021,38(3):32-38.7 张鸿,刘漳辉,林兵.云存储环境下QoS感知的副本放置算法J.小型微型计算机系统,2016,37(9):1915-1919.8 祁志阳.信誉度约束下超边际分析的云存储资源分配研究D.兰州:西北师范大学,2015.9 SHEN J,LI Y,ZHOU Y,et al.Mobile Cloud-of-Clouds Storage Made Efficient:A Network Coding Based ApproachC/2018 IEEE 37th Symposium on Reliable Distributed Systems(SRDS).IEEE,2018:72-82.10 李振波.云存储环境下公共资源大数据分层存储仿真J.计算机仿真,2019,36(10):383-386,404.11 黄祥书.基于网格的教学资源存储策略与调度算法的研究D.大连:大连交通大学,2018.12 杨苏影,陈世平.基于包簇框架平衡蚁群算法的资源分配策略J.软件,2018,39(6):4-8.13 李新鹏.基于深度强化学习的云存储QoS优化D.桂林:桂林电子科技大学,2020.14 李新鹏,王勇,叶苗.Ceph云存储中基于强化学习的QoS优化J.计算机工程与设计,2021,42(2):455-461.15 KARTHIBAN K,RAJ JENNIFER S.An Efficient Green Computing Fair Resource Allocation in Cloud Computing Using Modified Deep Reinforcement Learning AlgorithmJ.Soft Computing:A Fusion of Foundations,Methodologies and Applications,2020,24(19):14933-14942.16 高志栋.基于Ceph的分布式存储在数据中心的设计与实现D.兰州:兰州大学,2018.17 惠庆琳.基于深度强化学习的多小区网络资源分配优化的研究D.南京:南京邮电大学,2021.18 薛乃阳,丁丹,贾玉童,等.基于DQN的异构测控资源联合调度方法J/OL.系统仿真学报,2022:1-13.http:/