發(fā)布時(shí)間：2017-05-31 01:04

  本文關(guān)鍵詞：云環(huán)境下虛擬機(jī)異常的多屬性分析，由筆耕文化傳播整理發(fā)布。

【摘要】：云計(jì)算具有虛擬化、層次化、動(dòng)態(tài)化和大規(guī)模性等特點(diǎn),因而使其平臺(tái)監(jiān)控問題面臨著巨大的挑戰(zhàn)。其中,針對(duì)虛擬化節(jié)點(diǎn)的資源監(jiān)控問題更是重中之重。在實(shí)際應(yīng)用中,對(duì)虛擬資源的異常及其發(fā)展趨勢(shì)的分析具有十分重要的意義。本文基于Hadoop云平臺(tái)研究了云環(huán)境下虛擬異常的多屬性趨勢(shì)分析問題。 首先,提出了一種基于K-means聚類算法的虛擬機(jī)運(yùn)行狀態(tài)建模方法,將虛擬機(jī)的運(yùn)行狀態(tài)分為正常、異常和故障三個(gè)等級(jí)。主要建模過(guò)程包括：(1)設(shè)置默認(rèn)的初始化聚類中心,計(jì)算訓(xùn)練數(shù)據(jù)的Hopkins統(tǒng)計(jì)量；(2)利用K-means算法得出聚類結(jié)果；(3)如果Hopkins統(tǒng)計(jì)量處在[0.4,0.6]區(qū)間或存在初始聚類中心未改變的情況,需要進(jìn)一步對(duì)聚類結(jié)果的中心點(diǎn)進(jìn)行修正。本文的虛擬機(jī)運(yùn)行狀態(tài)建模方法可以適用于不同類型的訓(xùn)練數(shù)據(jù)。 第二,提出了基于非參數(shù)CUSUM算法的異常趨勢(shì)分析機(jī)制,其核心是利用非參數(shù)CUSUM算法對(duì)歸類結(jié)果為“異�！钡暮罄m(xù)數(shù)據(jù)進(jìn)行狀態(tài)趨勢(shì)的監(jiān)控,以便能提前探測(cè)到可能導(dǎo)致虛擬機(jī)故障的持續(xù)性異常。主要步驟包括：(1)計(jì)算小間隔采樣數(shù)據(jù)與“故障”類中心的距離；(2)當(dāng)檢驗(yàn)序列由負(fù)變?yōu)檎龝r(shí)進(jìn)行異常累加；(3)當(dāng)異常累加值達(dá)到了閾值限制則發(fā)出預(yù)測(cè)報(bào)警。并針對(duì)文中趨勢(shì)分析算法的閾值選取和預(yù)測(cè)時(shí)延問題進(jìn)行了分析。 第三,建模階段結(jié)束后通過(guò)一組實(shí)驗(yàn)評(píng)估不同類型訓(xùn)練數(shù)據(jù)情況下聚類結(jié)果的輪廓系數(shù),作為驗(yàn)證聚類結(jié)果可靠性的依據(jù)。初步檢測(cè)階段中選取了KNN算法與本文方法進(jìn)行了對(duì)比,并從復(fù)雜程度和適用性兩方面進(jìn)行了分析。趨勢(shì)分析階段分別針對(duì)單一屬性和多屬性的情況設(shè)計(jì)了一系列實(shí)驗(yàn),結(jié)果表明本文提出的異常趨勢(shì)分析模型在預(yù)測(cè)準(zhǔn)確率和預(yù)測(cè)時(shí)延方面有較好的表現(xiàn)。 最后,研究了一種基于SPE (Squared Prediction Error)的異常屬性定位方法,針對(duì)歸類決策階段結(jié)果為“故障”的數(shù)據(jù)點(diǎn)進(jìn)行異常診斷分析,推斷出最有可能引發(fā)此次異常的屬性,為異常的后期處理提供依據(jù)。實(shí)驗(yàn)表明基于SPE異常定位的準(zhǔn)確性可以達(dá)到0.8889。
【關(guān)鍵詞】：云計(jì)算 多屬性分析 異常分析 虛擬機(jī) Hadoop 資源監(jiān)控
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TP302
【目錄】：

• 摘要4-5
• Abstract5-9
• 1 緒論9-16
• 1.1 選題背景9-10
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀10-14
• 1.2.1 云計(jì)算及其監(jiān)控10-11
• 1.2.2 異常檢測(cè)與趨勢(shì)分析11-14
• 1.2.3 異常定位14
• 1.3 研究目的與主要工作14-15
• 1.4 論文的組織結(jié)構(gòu)15-16
• 2 云計(jì)算平臺(tái)的相關(guān)概念與技術(shù)16-25
• 2.1 云計(jì)算的概念16-18
• 2.2 云計(jì)算平臺(tái)的特點(diǎn)與關(guān)鍵技術(shù)18-19
• 2.3 Hadoop云計(jì)算框架介紹19-21
• 2.4 云計(jì)算平臺(tái)的監(jiān)控技術(shù)21-24
• 2.5 本章小結(jié)24-25
• 3 基于K-means算法的建模與決策分析25-37
• 3.1 運(yùn)行狀態(tài)等級(jí)模型的建立25-31
• 3.1.1 訓(xùn)練數(shù)據(jù)估計(jì)25-26
• 3.1.2 虛擬機(jī)運(yùn)行狀態(tài)建模26-29
• 3.1.3 聚類結(jié)果評(píng)估方法29
• 3.1.4 實(shí)驗(yàn)結(jié)果與分析29-31
• 3.2 檢測(cè)數(shù)據(jù)的歸類決策31-36
• 3.2.1 歸類決策方法描述31
• 3.2.2 實(shí)驗(yàn)結(jié)果與分析31-36
• 3.3 本章小結(jié)36-37
• 4 基于非參數(shù)CUSUM算法的異常趨勢(shì)分析37-57
• 4.1 總體方案設(shè)計(jì)37-39
• 4.2 核心CUSUM算法分析39-43
• 4.2.1 算法描述39-42
• 4.2.2 性能分析42-43
• 4.3 實(shí)驗(yàn)平臺(tái)與數(shù)據(jù)采集43-49
• 4.3.1 實(shí)驗(yàn)平臺(tái)的搭建43-46
• 4.3.2 實(shí)驗(yàn)數(shù)據(jù)的采集46-49
• 4.4 實(shí)驗(yàn)結(jié)果與分析49-56
• 4.4.1 單屬性趨勢(shì)分析49-50
• 4.4.2 多屬性趨勢(shì)分析50-56
• 4.5 本章小結(jié)56-57
• 5 異常屬性定位分析57-63
• 5.1 概述57
• 5.2 基于SPE的異常定位機(jī)制57-61
• 5.2.1 PCA建模57-59
• 5.2.2 SPE均值公式59-60
• 5.2.3 異常定位過(guò)程60-61
• 5.3 實(shí)驗(yàn)結(jié)果與分析61-62
• 5.4 本章小結(jié)62-63
• 結(jié)論63-64
• 參考文獻(xiàn)64-68
• 攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況68-69
• 致謝69-70

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前3條

1 饒翔;王懷民;陳振邦;周揚(yáng)帆;蔡華;周琦;孫廷韜;;云計(jì)算系統(tǒng)中基于伴隨狀態(tài)追蹤的故障檢測(cè)機(jī)制[J];計(jì)算機(jī)學(xué)報(bào);2012年05期

2 王萍;張際平;;云計(jì)算與網(wǎng)絡(luò)學(xué)習(xí)[J];現(xiàn)代教育技術(shù);2008年11期

3 ;A Nonparametric Adaptive CUSUM Method and Its Application in Source-End Defense against SYN Flooding Attacks[J];Wuhan University Journal of Natural Sciences;2011年05期

  本文關(guān)鍵詞：云環(huán)境下虛擬機(jī)異常的多屬性分析，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：408286