云環(huán)境是大規(guī)模、分布式的復(fù)雜系統(tǒng),由于其各功能層之間的相互依賴及調(diào)用關(guān)系錯綜復(fù)雜,使得云環(huán)境的高效運維成為一大難題。云環(huán)境中日常監(jiān)控的各類KPI數(shù)據(jù)的主要形式是時間序列數(shù)據(jù),對這些時序數(shù)據(jù)的預(yù)測和異常檢測一直是國內(nèi)外研究的兩大熱點。高預(yù)測精度和高異常檢測準(zhǔn)確率的算法可以幫助我們發(fā)現(xiàn)云環(huán)境中潛在的問題并及時止損,避免產(chǎn)生較大的損失,對提高云環(huán)境的高可用性有著十分重要的意義。本文在前人相關(guān)研究成果的基礎(chǔ)上,以云環(huán)境中的時序數(shù)據(jù)為研究對象,以提高時序數(shù)據(jù)的預(yù)測精度和異常檢測準(zhǔn)確率為研究目標(biāo),提出適用于云環(huán)境中時序數(shù)據(jù)特性的高效準(zhǔn)確的預(yù)測算法和異常檢測算法。本文的主要研究工作有:1、對國內(nèi)外相關(guān)的預(yù)測和異常檢測算法進行了梳理和分類,并從中發(fā)現(xiàn)該領(lǐng)域的研究動向、最新成果及存在的不足;2、對云環(huán)境中時序數(shù)據(jù)的特性、分類、常見異常類型、常用分析方法、預(yù)測算法及異常檢測算法進行了歸納和總結(jié);3、發(fā)掘預(yù)測算法和異常檢測算法之間的共通之處,將二者結(jié)合,使預(yù)測算法的模型和結(jié)果可同時應(yīng)用在異常檢測算法中,以提高算法的執(zhí)行效率和云環(huán)境的運維效率;4、提出基于經(jīng)驗小波變換、孤立森林和循環(huán)神經(jīng)網(wǎng)絡(luò)的常見變體相結(jié)合的EWT-IF-varRNN預(yù)測模型,借助這些算法各自的優(yōu)點進行優(yōu)勢互補,提升模型的預(yù)測能力和適用范圍;5、提出基于預(yù)測和改進的多維SAX向量表示的OCPD算法,該算法可同時檢測出時序數(shù)據(jù)中的離群異常點和變化異常點等多種異常類型;6、提出改進的多維SAX向量表示方法,用于OCPD算法中對時序數(shù)據(jù)的變化異常點的判別和篩選環(huán)節(jié);7、通過選用真實業(yè)務(wù)云環(huán)境中的監(jiān)控數(shù)據(jù)集和已有算法進行的對比實驗,驗證了EWT-IF-varRNN預(yù)測模型和OCPD算法的有效性和準(zhǔn)確性。本文所做的研究和貢獻有效地提高了云環(huán)境中時序數(shù)據(jù)的預(yù)測精度和異常檢測準(zhǔn)確率,同時對該領(lǐng)域未來的研究內(nèi)容和方向提出了自己的見解和展望。
【學(xué)位單位】：南京大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP311.13;TP393.09
【部分圖文】：

分布式資源監(jiān)控逡逑圖２．１云環(huán)境運維基本架構(gòu)圖逡逑如圖２．１所示為云環(huán)境運維的基本架構(gòu)。一般地，運維人員首先需要在云環(huán)逡逑境中各個重要節(jié)點部署監(jiān)控環(huán)境，這些監(jiān)控環(huán)境遵循的原則是不能影響云服務(wù)的逡逑正常工作運行，常見的用于監(jiān)控云環(huán)境基礎(chǔ)資源的框架有Ｚａｂｂｉｘ、Ｎａｇｉｏｓ、Ｍｏｎｋ逡逑９逡逑

南京大學(xué)碩士畢業(yè)論文邐第二章相關(guān)理論基礎(chǔ)與技術(shù)逡逑（１）離群異常點（Ｏｕｔｌｉｅｒｓ）：給定一段時間序列Ｘ，若在ｔ時刻的觀測值＆與逡逑該序列在ｔ時刻的期望值￡■（＆）有較大的差異，則稱該點（ｔ，ｘｔ）為離群異常點。如逡逑圖２．２所示。逡逑（２）變化異常點（Ｃｈａｎｇｅ邋ｐｏｉｎｔｓ）：給定一段時間序列Ｘ，若在ｔ時刻前后序逡逑列的行為表現(xiàn)出較大的差異，則稱該點為變化異常點。如圖２．３所示。云逡逑環(huán)境中的此類異常往往由于新開啟或關(guān)閉了某個服務(wù)或突然對某服務(wù)發(fā)出請求逡逑洪波而導(dǎo)致相應(yīng)的ＫＰＩ曲線發(fā)生斷層式的瞬時改變，因此我們也可以將該類異逡逑常稱為斷層異常。逡逑

邐第二章相關(guān)理論基礎(chǔ)與技術(shù)逡逑度學(xué)習(xí)模型的預(yù)測算法以及組合模型四大類，如圖２．５所示。逡逑〔自回歸和移動平均模型逡逑二階或三階指數(shù)平滑法逡逑ｒ邋基于統(tǒng)計學(xué)模型邐＾邋邐逡逑邐１＾邋時間序列分解策略逡逑濾波器模型逡逑＾隨機過程和概率模型逡逑ｙ－決策樹逡逑邐邋貝葉斯網(wǎng)絡(luò)逡逑基于機器學(xué)習(xí)模型邋＾邋邐逡逑邐１邋支持向量機逡逑時間序列的預(yù)測算法＾邐＾限制玻爾茲曼機逡逑ｆ循環(huán)神經(jīng)網(wǎng)絡(luò)逡逑長短期記憶模型逡逑基于深度學(xué)習(xí)模型邋＜邋門控循環(huán)單元逡逑深度信念網(wǎng)絡(luò)逡逑＾時間卷積網(wǎng)絡(luò)逡逑Ｖ邐組合模型逡逑圖２．５時間序列的預(yù)測算法逡逑基于統(tǒng)計學(xué)模型的預(yù)測方法包括自回歸和移動平均模型ＷＰ］，代表算法有自逡逑回歸模型（ＡＲ）、移動平均模型（ＭＡ）、自回歸移動平均模型（ＡＲＭＡ）、差分逡逑自回歸移動平均模型（ＡＲＩＭＡ）、指數(shù)平滑模型（ＥＳ）、指數(shù)加權(quán)移動平均模型逡逑（ＥＷＭＡ）等；二階或三階指數(shù)平滑法，代表算法有ＨｏｌｔＷｉｎｔｅｒｓ［３ｌ等；時間序列逡逑分解策略，代表算法有ＳＴＬ等；濾波器模型，代表算法奮卡爾曼濾波等；隨機過逡逑程和概率模型，代表算法有馬爾科夫鏈ｍ、隨機游走算法等。逡逑１５逡逑

【相似文獻】

相關(guān)期刊論文 前10條

1 王妙瓊;魏凱;姜春宇;;工業(yè)互聯(lián)網(wǎng)中時序數(shù)據(jù)處理面臨的新挑戰(zhàn)[J];信息通信技術(shù)與政策;2019年05期

2 黃雄波;;基于自相關(guān)函數(shù)的非平穩(wěn)時序數(shù)據(jù)的辨識改進[J];微型機與應(yīng)用;2016年13期

3 尚繼霞;;基于時序數(shù)據(jù)的遼寧省環(huán)境庫茲涅茨曲線實證分析[J];統(tǒng)計與咨詢;2013年04期

4 鐘清流;蔡自興;;基于統(tǒng)計特征的時序數(shù)據(jù)符號化算法[J];計算機學(xué)報;2008年10期

5 王興家;汪曉惠;趙超;;基于神經(jīng)網(wǎng)絡(luò)的混沌時序數(shù)據(jù)失真檢測方法研究[J];重慶交通大學(xué)學(xué)報(自然科學(xué)版);2007年06期

6 郝善勇,劉玉樹;基于樣本數(shù)據(jù)重抽樣的時序數(shù)據(jù)預(yù)報方法[J];北京理工大學(xué)學(xué)報;2000年05期

7 駱金維;曾德生;郭雅;黃富平;;時序數(shù)據(jù)并行壓縮速率改進技術(shù)研究[J];電子設(shè)計工程;2018年20期

8 林芝,曹加恒,劉娟,韋豐;基于信息論網(wǎng)絡(luò)的時序數(shù)據(jù)庫挖掘[J];計算機工程與應(yīng)用;2003年01期

9 鄭斌祥,杜秀華,席裕庚;一種時序數(shù)據(jù)的離群數(shù)據(jù)挖掘新算法[J];控制與決策;2002年03期

10 朱明,蔡慶生;基于約束滿足的相似時序數(shù)據(jù)的搜索算法[J];計算機工程;2000年01期

相關(guān)會議論文 前7條

1 張榮明;鄒湘軍;顧邦軍;羅陸鋒;周艷瓊;;基于探索性分析的時序數(shù)據(jù)研究[A];中國系統(tǒng)仿真學(xué)會第五次全國會員代表大會暨2006年全國學(xué)術(shù)年會論文集[C];2006年

2 鮑遠松;董文生;;一種分布式時序數(shù)據(jù)庫的存儲架構(gòu)設(shè)計及實現(xiàn)方法[A];中國計量協(xié)會冶金分會2018年會論文集[C];2018年

3 張明偉;周清波;宮攀;陳仲新;周勇;劉佳;;基于MODIS時序數(shù)據(jù)分析的作物識別方法[A];農(nóng)業(yè)工程科技創(chuàng)新與建設(shè)現(xiàn)代農(nóng)業(yè)——2005年中國農(nóng)業(yè)工程學(xué)會學(xué)術(shù)年會論文集第六分冊[C];2005年

4 劉帥;李琦;;基于重建NDVI時序數(shù)據(jù)的植被覆蓋變化研究[A];遙感定量反演算法研討會摘要集[C];2010年

5 許馨文;馬衛(wèi)國;張寶雷;;基于國家級開發(fā)區(qū)的聚類方法初探[A];京津走廊經(jīng)濟崛起與工業(yè)園區(qū)產(chǎn)業(yè)集群研究——紀(jì)念廊坊開發(fā)區(qū)建立十五周年暨工業(yè)園區(qū)產(chǎn)業(yè)集群專題征文研討活動論文集[C];2007年

6 曹暉;司剛?cè)?張彥斌;賈立新;;基于模糊時序數(shù)據(jù)挖掘的火電廠制粉系統(tǒng)優(yōu)化算法[A];2007'儀表，自動化及先進集成技術(shù)大會論文集（一）[C];2007年

7 孫啟龍;呂穎;張利國;;基于深度學(xué)習(xí)的道路可靠性評估方法與實驗[A];第37屆中國控制會議論文集（E）[C];2018年

相關(guān)博士學(xué)位論文 前7條

1 吳吉慶;面向Internet的時序數(shù)據(jù)快速分發(fā)技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2011年

2 張貴生;數(shù)據(jù)驅(qū)動的金融時間序列預(yù)測模型研究[D];山西大學(xué);2016年

3 何周舟;基于時序數(shù)據(jù)的結(jié)構(gòu)學(xué)習(xí)與模式預(yù)測聯(lián)合優(yōu)化算法研究[D];浙江大學(xué);2016年

4 白天;連分式方法在脈沖去噪、時序數(shù)據(jù)壓縮及視頻鏡頭檢測中的應(yīng)用研究[D];合肥工業(yè)大學(xué);2014年

5 趙靜;基于高斯過程的動態(tài)系統(tǒng)研究[D];華東師范大學(xué);2016年

6 葉紅梅;面向流域生態(tài)安全的景觀格局演變研究[D];華中科技大學(xué);2009年

7 鐘清流;時序、圖像特征檢測的理論、方法及應(yīng)用研究[D];中南大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 王超;云環(huán)境中時序數(shù)據(jù)的預(yù)測和異常檢測算法的研究[D];南京大學(xué);2019年

2 韓日旺;關(guān)于時序網(wǎng)絡(luò)魯棒性與修復(fù)性的研究[D];華中師范大學(xué);2018年

3 李鳳;非平衡時序數(shù)據(jù)的動態(tài)時間規(guī)整過采樣方法研究[D];暨南大學(xué);2018年

4 吳俊鋒;面向TLE數(shù)據(jù)的多變量時序數(shù)據(jù)分類算法研究[D];國防科學(xué)技術(shù)大學(xué);2016年

5 楊云麗;大數(shù)據(jù)背景下的時序數(shù)據(jù)分析[D];中國科學(xué)技術(shù)大學(xué);2018年

6 李亭亭;基于時序遙感數(shù)據(jù)的水環(huán)境時空采樣布局優(yōu)化方法研究[D];武漢大學(xué);2018年

7 籍姣榮;基于仿射變換的時序數(shù)據(jù)信息處理方法研究[D];黑龍江大學(xué);2018年

8 沈亮亮;面向金融領(lǐng)域的時序數(shù)據(jù)挖掘方法研究與應(yīng)用[D];海南大學(xué);2018年

9 馮康;時序數(shù)據(jù)在線分類與規(guī)則發(fā)現(xiàn)[D];華中科技大學(xué);2016年

10 周強;時序數(shù)據(jù)挖掘在經(jīng)濟領(lǐng)域中的應(yīng)用研究[D];合肥工業(yè)大學(xué);2005年

本文編號：2824052