【摘要】：通過分析Google集群中任務(wù)的失效次數(shù)和失效模式,找到具有高失效頻次和連續(xù)失效特征的殺手級任務(wù)。殺手級任務(wù)不僅影響云計算系統(tǒng)上應(yīng)用運行的可靠性與可用性,而且會浪費大量資源并顯著增加調(diào)度負載。在殺手級任務(wù)資源使用模式的基礎(chǔ)上,提出一種基于時間序列的在線識別方法,以利用資源使用時間序列在失效早期準確識別出殺手級任務(wù)并通知云計算系統(tǒng)采取前攝性失效恢復(fù)措施,從而避免不必要的重復(fù)調(diào)度和資源浪費。實驗結(jié)果表明,該方法能夠以98.5%的準確率在平均3%的失效時間內(nèi)識別出殺手級任務(wù),同時節(jié)約96.75%的系統(tǒng)資源。
【圖文】：

３．３失效頻率分析為度量任務(wù)的失效頻率特征，，本文對殺手級和非殺手級任務(wù)在長度為５分鐘的時間窗口內(nèi)的失效頻次進行了分析，結(jié)果如圖２所示。從圖中可以看出，大部分殺手級任務(wù)在某些窗口內(nèi)發(fā)生過多次失效，３７．８％的殺手級任務(wù)至少在一個窗口內(nèi)失效８次以上，甚至有一個任務(wù)的最大失效次數(shù)為１６次，意味著該任務(wù)在某些窗口內(nèi)平均每分鐘失效３次以上。相反，除０．０３％的非殺手級任務(wù)在某個窗口內(nèi)發(fā)生過４次失效外，幾乎所有非殺手級任務(wù)在所有窗口的失效次數(shù)均不超過２次，這與殺手級任務(wù)形成了鮮明對比。圖２失效頻率模式４殺手級任務(wù)在線識別根據(jù)上文分析，殺手級任務(wù)和非殺手級任務(wù)存在不同的資源使用模式。本文提出一種基于時間序列的殺手級任務(wù)在線識別算法，其利用早期資源的使用特征提前識別出殺手級任務(wù)并通知云計算系統(tǒng)采取前攝性措施。本文方法分為失效頻率閾值學習和殺手級任務(wù)識別兩個階段。４．１失效頻率閾值學習算法假設(shè)任務(wù)ｉ的駐留時間為Ｔｉ，Ｆｉ，ｔ和Ｒｉ，ｔ分別表示任務(wù)ｉ在時刻ｔ的失效次數(shù)和資源使用量。失效頻率閾值學習算法從非殺手級任務(wù)中學習失效頻率閾值作為殺手級任務(wù)和非殺手級任務(wù)的分界。算法分為以下３個步驟。（１）劃分資源異常窗口根據(jù)上文分析結(jié)果，殺手級任務(wù)的資源使用存在明顯分段趨勢，因此可將任務(wù)的生命周期劃分為若干個資源異常窗口。資源異常窗口指資源使用量與其他窗口差異顯著的時段。本文用資源使用量的變動程度來判斷其是否異常。若某時刻資源使用變動量大于閾值，則該時刻屬于另一窗口；否則該時刻與上一時刻屬于同一窗口。判斷某一時刻是否為資源異常點的方式如下：｜

５．２．２識別效果分析圖３示出了算法對殺手級任務(wù)的預(yù)識別程度，用識別前后的失效次數(shù)表征。如圖３所示，識別前的失效次數(shù)遠少于識別后的失效次數(shù)，表明算法在發(fā)生少量失效時便能夠識別殺手級任務(wù)并通知云計算系統(tǒng)，從而避免大量不必要的失效。如某失效４０３９３次的殺手級任務(wù)在第１１次失效時便被識別，有效避免了４０３８２次失效。圖３識別前后的失效次數(shù)算法在資源節(jié)約和前置時間方面的性能如圖４所示。前置時間百分比指任務(wù)的前置時間占其失效總時間的百分比，資源節(jié)約百分比為任務(wù)資源節(jié)約量占其失效后資源總消耗的百分比。結(jié)果表明，大部分任務(wù)的前置時間接近于失效總時長，且算法平均在３％的失效時長內(nèi)識別殺手級任務(wù)，為系統(tǒng)平均保留４１０ｍｉｎ以采取有效措施。其中某個任務(wù)的前置時間為２８．９９天，即在首次失效后的第０．２４小時內(nèi)便被識別。此外，９８．９％的任務(wù)的資源節(jié)約百分比大于９０％，所有任務(wù)的平均資源節(jié)約百分比為９６．７５％。圖４資源節(jié)約和前置時間結(jié)束語具有高失效頻次和連續(xù)失效特征的殺手級任務(wù)不僅影響云計算系統(tǒng)的可靠性與可用性，還會造成大量的資源浪費并顯著增加調(diào)度負載。本文從時間序列的角度對殺手級任務(wù)的資源使用模式進行探究，并在此基礎(chǔ)上提出一種基于資源使用時間序列的殺手級任務(wù)在線識別方法。實驗結(jié)果表明，本文方法能夠以９８．５％的準確率識別出殺手級任務(wù)，平均節(jié)約９６．７５％的系統(tǒng)資源。今后將通過引入更多資源使用指標（如內(nèi)存使用量）以及利用機器學習模型來優(yōu)化算法。此外，也考慮將方法應(yīng)用于各種不同類型的云計算系統(tǒng)。參考文獻［１］ＧｏｏｇｌｅＣｌｕｓｔｅｒＤａｔａ［

【相似文獻】

相關(guān)期刊論文 前1條

1 ;2006年9款殺手級新車揭秘[J];科學大觀園;2006年07期

相關(guān)會議論文 前1條

1 鄢俊華;;業(yè)務(wù)創(chuàng)新的關(guān)鍵在于模式創(chuàng)新[A];四川省通信學會2010年學術(shù)年會論文集[C];2010年

相關(guān)重要報紙文章 前10條

1 本報記者 林莉君;資本逐鹿可穿戴設(shè)備 “殺手級”產(chǎn)品何時出現(xiàn)[N];科技日報;2014年

2 中國電信上海研究院 顧健　仝健剛 刑青;位置服務(wù)或成“殺手級”？[N];人民郵電;2009年

3 陳維義 陳翔;豪賭千億美元3G展開殺手級運營[N];中國計算機報;2006年

4 本報記者 馬博;3G業(yè)務(wù)互聯(lián)網(wǎng)化趨勢明顯 現(xiàn)有應(yīng)用難當殺手級重任[N];中國電子報;2009年

5 陳曉林;這個“殺手”不太冷[N];通信產(chǎn)業(yè)報;2004年

6 和利;LBS能否成為3G時代“殺手級”應(yīng)用？[N];科技日報;2009年

7 徐超;3G應(yīng)加大利益共享尺度[N];通信產(chǎn)業(yè)報;2005年

8 劉鵬;積極借鑒國際經(jīng)驗務(wù)實推進中國3G產(chǎn)業(yè)[N];通信產(chǎn)業(yè)報;2004年

9 中國網(wǎng)通陜西省分公司 周雙陽 杜碧玉;3G業(yè)務(wù)主打“組合拳”[N];通信產(chǎn)業(yè)報;2007年

10 鐘凌江;移動IM：“殺手級”新星冉冉升起[N];人民郵電;2007年

本文編號：2566227