【摘要】：隨著云數(shù)據(jù)中心的技術(shù)不斷成熟,越來越多的業(yè)務(wù)系統(tǒng)部署在云上,以實現(xiàn)資源的動態(tài)可擴展和綜合運維。因此,如何采集云網(wǎng)環(huán)境中的多源數(shù)據(jù)并通過數(shù)據(jù)建模進行異常檢測就成為一個重要的問題。本文介紹了云環(huán)境下多源數(shù)據(jù)采集的基本方式,對當(dāng)前的數(shù)據(jù)采集方法進行了全面分析,并闡述了各種現(xiàn)有監(jiān)控工具的優(yōu)劣性。然后基于開源工具Open-Falcon進行自定義數(shù)據(jù)采集插件的開發(fā),用于云網(wǎng)融合環(huán)境下的多源數(shù)據(jù)采集工作。針對云網(wǎng)環(huán)境下多源數(shù)據(jù)數(shù)據(jù)量龐大、正負樣本不平衡以及數(shù)據(jù)維度較高的特點,本文提出了一種基于深度置信網(wǎng)絡(luò)集成學(xué)習(xí)的異常檢測模型。該模型解決了多源運維數(shù)據(jù)正負樣本不平衡問題,同時利用深度置信網(wǎng)絡(luò)良好的特征提取功能,對多源時序關(guān)鍵性能指標(Key Performance Indicators,KPIs)數(shù)據(jù)進行有效降維,并結(jié)合邏輯回歸和受限玻爾茲曼機實現(xiàn)了異常檢測,單個弱分類器對異常的識別率達到99%以上。在多個弱分類器集成過程中,本文提出了一種自適應(yīng)閾值投票算法,通過遍歷所有可取閾值,選擇F_1-score最大結(jié)果為最佳閾值結(jié)果。通過自適應(yīng)閾值投票算法集成多個弱分類器,提高了模型整體的泛化性,使異常檢測模型的準確率達到了99.23%,此時模型召回率為99.38%。
【圖文】：

圖 3.1 黃金指標示意圖Figure 3.1 Diagram of gold indicator 3.1 可知，四個黃金指標包括錯誤、延遲、流量和飽和度。其中，錯誤是錯誤請求和錯誤率，，延遲是指服務(wù)請求所需的時間，流量指當(dāng)前系統(tǒng)的流量當(dāng)前服務(wù)的利用率。nStack 和 OpenDaylight 云網(wǎng)融合環(huán)境下的多源數(shù)據(jù)采集從基礎(chǔ)和業(yè)務(wù)兩方擬機實例和物理主機的基礎(chǔ)運維數(shù)據(jù)采集、相關(guān)服務(wù)的數(shù)據(jù)采light 網(wǎng)絡(luò)拓撲數(shù)據(jù)的采集等。在實際生產(chǎn)環(huán)境中，作為云服務(wù)的主體，單得更為重要。不僅是因為虛擬機的運行狀態(tài)是用戶最直觀的體驗感受，而資源的最主要消耗，虛擬機的運行狀態(tài)也間接反映了云服務(wù)的運行狀態(tài)。的實時監(jiān)控具有以下意義：（1）實時了解虛擬機對計算、存儲、網(wǎng)絡(luò)等資便及時的對資源進行動態(tài)調(diào)整；（2）對多種監(jiān)控數(shù)據(jù)的綜合分析能夠判斷

云網(wǎng)融合環(huán)境下的多源數(shù)據(jù)采集和異常檢測算法研究3.2.1 數(shù)據(jù)采集功能架構(gòu)設(shè)計數(shù)據(jù)采集功能主要用于云網(wǎng)融合平臺監(jiān)控的基礎(chǔ)工作，負責(zé)在平臺的各個組件上采集各節(jié)點、虛擬實例以及各服務(wù)的基礎(chǔ)資源使用情況，并將這些數(shù)據(jù)高效的存儲，供后續(xù)監(jiān)控數(shù)據(jù)匯總分析或可視化展示。數(shù)據(jù)采集功能模塊架構(gòu)如圖 3.2 所示，虛線框內(nèi)的組件表示該組件可以水平擴展，虛線箭頭表示可選擇的數(shù)據(jù)走向。
【學(xué)位授予單位】：內(nèi)蒙古大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP3;TP274

【相似文獻】

相關(guān)期刊論文 前10條

1 蔡波;;基于混沌時間序列預(yù)測的多源數(shù)據(jù)轉(zhuǎn)換算法設(shè)計[J];國外電子測量技術(shù);2019年06期

2 甄峰;;基于多源數(shù)據(jù)的規(guī)劃評估[J];中國建設(shè)信息化;2018年03期

3 謝洪;吳博義;胡曉斌;;一種車載移動海量多源數(shù)據(jù)管理方法[J];遙感信息;2017年05期

4 向廣林;;基于流量守恒定律下多源數(shù)據(jù)融合的交通狀態(tài)監(jiān)測和預(yù)測[J];城市地理;2017年14期

5 郭奎城;馬江水;孫廣瑞;李旭東;李清偉;趙書躍;;淺覆蓋區(qū)多源數(shù)據(jù)融合整合的技術(shù)方法[J];地質(zhì)通報;2008年07期

6 盧代軍,夏學(xué)知,張子鶴,沙基昌;多源數(shù)據(jù)融合系統(tǒng)性能評價的測試床研究[J];艦船電子工程;2005年02期

7 徐肇忠;;用USEMAP軟件包改善GIS中多源數(shù)據(jù)的幾何相關(guān)性[J];武測科技;1989年04期

8 萬園;;基于多源數(shù)據(jù)融合的審稿專家優(yōu)選策略與功能實現(xiàn)[J];編輯學(xué)報;2019年S1期

9 唐浩;張建云;張曉東;;多源數(shù)據(jù)分析在橋梁運營監(jiān)測中的應(yīng)用[J];公路交通技術(shù);2019年03期

10 周永興;孔岳洋;;基于多網(wǎng)絡(luò)架構(gòu)的出租車監(jiān)管系統(tǒng)多源數(shù)據(jù)融合技術(shù)方案[J];數(shù)字技術(shù)與應(yīng)用;2018年03期

相關(guān)會議論文 前10條

1 馮國英;曾德賢;王夏男;;太空多源數(shù)據(jù)挖掘方法研究[A];第二屆中國空天安全會議論文集[C];2017年

2 陳偉清;劉彥花;;城市規(guī)劃多源數(shù)據(jù)整合與數(shù)據(jù)庫建設(shè)[A];現(xiàn)代測量技術(shù)與地理信息系統(tǒng)科技創(chuàng)新及產(chǎn)業(yè)發(fā)展研討會論文集[C];2009年

3 李曉慶;張平升;劉令;李炳林;;基于多源數(shù)據(jù)的組團新區(qū)職住及通勤特征分析[A];共享與品質(zhì)——2018中國城市規(guī)劃年會論文集（06城市交通規(guī)劃）[C];2018年

4 廖邦固;韓雪培;;多源數(shù)據(jù)的空間坐標變換方法探討[A];認識地理過程 關(guān)注人類家園——中國地理學(xué)會2003年學(xué)術(shù)年會文集[C];2003年

5 楊鋒杰;盧燕;楊振毅;宋翠玉;;多源數(shù)據(jù)融合的方法與應(yīng)用[A];山東地球物理六十年[C];2009年

6 李穎;段冰若;蔡玉蘅;;基于多源數(shù)據(jù)的北京存量空間功能識別[A];共享與品質(zhì)——2018中國城市規(guī)劃年會論文集（05城市規(guī)劃新技術(shù)應(yīng)用）[C];2018年

7 李政霖;何浪;楊孝增;;基于多源數(shù)據(jù)挖掘的山體保護與利用策略研究——以貴陽市為例[A];共享與品質(zhì)——2018中國城市規(guī)劃年會論文集（05城市規(guī)劃新技術(shù)應(yīng)用）[C];2018年

8 劉英才;;GIS中間件的數(shù)據(jù)集成應(yīng)用[A];中國地質(zhì)學(xué)會2015學(xué)術(shù)年會論文摘要匯編（中冊）[C];2015年

9 劉彬;杜臣昌;陳天一;;多源數(shù)據(jù)下的商業(yè)設(shè)施布局規(guī)劃評估方法探索——以青島市中心城區(qū)為例[A];共享與品質(zhì)——2018中國城市規(guī)劃年會論文集（11城市總體規(guī)劃）[C];2018年

10 劉s

本文編號：2608056