【摘要】：近些年,云計算的應(yīng)用領(lǐng)域越來越廣泛,發(fā)展的速度也越來越快,成為IT行業(yè)比較流行的技術(shù)之一。云計算具有層次化、虛擬化、動態(tài)性和大規(guī)模等特點,讓其較容易產(chǎn)生故障,同時大量的惡意攻擊以及管理人員的不規(guī)范操作,也會引起部分甚至所有云計算服務(wù)的失效,因此會對云計算的可用性帶來嚴(yán)峻挑戰(zhàn)。為了保持云計算的高可用性,越來越多的專家學(xué)者將研究重點放在故障檢測方面,并提出一些云計算故障檢測方法。但其中以性能數(shù)據(jù)為基礎(chǔ)的基于監(jiān)督學(xué)習(xí)的云計算故障檢測方法存在一些問題:(1)并未對訓(xùn)練樣本集進(jìn)行處理,忽略了噪聲數(shù)據(jù)對故障檢測準(zhǔn)確性的影響,導(dǎo)致檢測準(zhǔn)確性不高;(2)訓(xùn)練樣本集得不到更新,不具備識別未知類型故障能力,也影響了故障檢測的準(zhǔn)確性;(3)未考慮檢測時間對云計算可用性的影響。本文針對云計算故障檢測方法存在的問題,并結(jié)合云計算的特點,以提升云計算的可用性為目的,對故障檢測方法進(jìn)行研究。提出云環(huán)境下故障模型、改進(jìn)模糊kNN的云計算故障檢測方法并設(shè)計云計算故障檢測原型系統(tǒng),以對云計算故障進(jìn)行分析、檢測。本文研究內(nèi)容如下:(1)根據(jù)分層檢測模型的思想和云計算層次化的特點,結(jié)合每個服務(wù)層內(nèi)部結(jié)構(gòu),構(gòu)建云環(huán)境下故障模型。(2)分析目前方法的不足,提出改進(jìn)模糊kNN的云計算故障檢測方法。該方法首先對云計算故障數(shù)據(jù)進(jìn)行預(yù)處理,其次對云計算故障特征進(jìn)行加權(quán),然后通過云環(huán)境下故障模型確定待檢測云計算數(shù)據(jù)的近鄰訓(xùn)練樣本,最后通過基于最大隸屬度的自學(xué)習(xí)確定待檢測云計算數(shù)據(jù)的故障檢測結(jié)果。(3)設(shè)計并實現(xiàn)一個云計算故障檢測原型系統(tǒng),通過基于Hadoop搭建云計算平臺采集性能數(shù)據(jù),并根據(jù)大量的實驗來驗證本文方法的有效性及原型系統(tǒng)的可行性。
【學(xué)位授予單位】：昆明理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP393.09
【圖文】：

第二章 相關(guān)第二章 相關(guān)技術(shù)在本章主要將針對云環(huán)境下故障模型相關(guān)的分層檢測模型，云計算故障檢測相關(guān)的 kNN 算法、云環(huán)境搭建相關(guān)的 Hadoop 技術(shù)以及云計算數(shù)據(jù)采集相關(guān)ysstat 進(jìn)行簡單介紹。.1 分層檢測模型分層檢測模型的構(gòu)建思想是根據(jù)樣本類別的不同對已知樣本進(jìn)行分層[24]，一況下，模型的第一層包含樣本的類別最少，最后一層包含的樣本類別數(shù)最多，據(jù)模型對未知樣本進(jìn)行分類。如圖 2.1 為分層模型，圖中共有三層。

圖 2.2 Hadoop 項目結(jié)構(gòu)圖節(jié)將重點介紹 Hadoop 項目中的 HDFS 和 MapReduce。 Hadoop 分布式存儲系統(tǒng) HDFSDFS 是典型的主從式（Master/Slave）結(jié)構(gòu)，HDFS 由主控節(jié)點 Nam據(jù)節(jié)點 DataNode 構(gòu)成[26]。HDFS 可以將大量的文件以數(shù)據(jù)塊的形式集群中。除了最后一塊數(shù)據(jù)塊，HDFS 中的數(shù)據(jù)塊的大小都是相同的B。如圖 2.3 所示，HDFS 中主控節(jié)點 NameNode 設(shè)計大大的簡化了構(gòu)。文件系統(tǒng)的命名空間也都是由 NameNode 維護(hù)，HDFS 中的元數(shù)eNode 保存在內(nèi)存中，并且文件的其它操作也都是由 NameNode 管

圖 2.2 Hadoop 項目結(jié)構(gòu)圖將重點介紹 Hadoop 項目中的 HDFS 和 MapReduce。adoop 分布式存儲系統(tǒng) HDFSS 是典型的主從式（Master/Slave）結(jié)構(gòu)，HDFS 由主控節(jié)點 N節(jié)點 DataNode 構(gòu)成[26]。HDFS 可以將大量的文件以數(shù)據(jù)塊的群中。除了最后一塊數(shù)據(jù)塊，HDFS 中的數(shù)據(jù)塊的大小都是相如圖 2.3 所示，HDFS 中主控節(jié)點 NameNode 設(shè)計大大的簡。文件系統(tǒng)的命名空間也都是由 NameNode 維護(hù)，HDFS 中的ode 保存在內(nèi)存中，并且文件的其它操作也都是由 NameNode

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫可;龔永紅;鄧振云;;一種高效的K值自適應(yīng)的SA-KNN算法[J];計算機(jī)工程與科學(xué);2015年10期

2 牛耕;;改進(jìn)的大數(shù)據(jù)分層建樹KNN聚類算法[J];科技通報;2015年08期

3 付文龍;周建中;李超順;肖漢;肖劍;朱文龍;;基于模糊K近鄰支持向量數(shù)據(jù)描述的水電機(jī)組振動故障診斷研究[J];中國電機(jī)工程學(xué)報;2014年32期

4 劉淑英;;容錯云計算網(wǎng)絡(luò)中自適應(yīng)故障檢測方案研究[J];計算機(jī)應(yīng)用研究;2015年01期

5 何懷文;傅瑜;楊毅紅;肖濤;;基于M/M/n/n+r排隊模型的云計算中心服務(wù)性能分析[J];計算機(jī)應(yīng)用;2014年07期

6 耿麗娟;李星毅;;用于大數(shù)據(jù)分類的KNN算法研究[J];計算機(jī)應(yīng)用研究;2014年05期

7 邱昕;甘超;江雄心;涂海寧;顧嘉;;基于云計算環(huán)境下Apriori算法的設(shè)備故障診斷技術(shù)研究[J];組合機(jī)床與自動化加工技術(shù);2014年04期

8 呂鋒;杜妮;文成林;;一種模糊-證據(jù)kNN分類方法[J];電子學(xué)報;2012年12期

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

10 譚蘭芳;譚慶平;徐建軍;;一種基于數(shù)據(jù)流分析的故障序列生成方法[J];小型微型計算機(jī)系統(tǒng);2012年04期

相關(guān)博士學(xué)位論文 前1條

1 郭力爭;云計算環(huán)境下資源部署與任務(wù)調(diào)度研究[D];東華大學(xué);2015年

相關(guān)碩士學(xué)位論文 前9條

1 董建敏;云計算IaaS層和SaaS層的可靠性研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2016年

2 柴森;云計算系統(tǒng)故障注入平臺的研究與設(shè)計[D];哈爾濱工業(yè)大學(xué);2016年

3 李傳龍;云計算系統(tǒng)IaaS層安全性評估模型的研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2014年

4 黃婕;基于云計算的故障檢測方法研究與實現(xiàn)[D];昆明理工大學(xué);2014年

5 麻光景;SaaS平臺數(shù)據(jù)安全問題的研究[D];西安電子科技大學(xué);2014年

6 馮剛;面向云計算平臺的虛擬機(jī)故障注入工具研究與設(shè)計[D];哈爾濱工業(yè)大學(xué);2013年

7 張興;基于Hadoop的云存儲平臺的研究與實現(xiàn)[D];電子科技大學(xué);2013年

8 鄒彩輝;基于Hadoop平臺的自適應(yīng)局部超平面K近鄰算法的研究[D];華南理工大學(xué);2011年

9 陳昊;加權(quán)K-NN算法及其應(yīng)用[D];河北大學(xué);2005年

本文編號：2756479