發(fā)布時(shí)間：2021-03-09 05:56

　　云計(jì)算具有按需分配資源、彈性可擴(kuò)展、面向服務(wù)、高性價(jià)比等優(yōu)勢(shì),目前已成為主流的計(jì)算和服務(wù)模式。然而隨著云計(jì)算的蓬勃發(fā)展,云平臺(tái)的規(guī)模和復(fù)雜性不斷增長(zhǎng),其事故也隨之頻繁爆發(fā),嚴(yán)重影響了云平臺(tái)的可靠性和可用性并降低了其可信性。在以虛擬化技術(shù)為支撐的云平臺(tái),虛擬資源主要以虛擬機(jī)的形式進(jìn)行封裝并相互隔離,為用戶提供租用服務(wù)。本文通過及時(shí)檢測(cè)出處于異常狀態(tài)的虛擬機(jī),以便在系統(tǒng)性能下降時(shí)就采取應(yīng)對(duì)措施,從而改善云平臺(tái)的可靠性、可用性和可維護(hù)性,以此提升其可信性。由于云平臺(tái)虛擬機(jī)數(shù)量龐大、采集到的性能指標(biāo)多、監(jiān)測(cè)實(shí)時(shí)性強(qiáng),準(zhǔn)確檢測(cè)出異常虛擬機(jī)極具挑戰(zhàn)性。本文針對(duì)大規(guī)模云平臺(tái)研究虛擬機(jī)異常檢測(cè)若干關(guān)鍵技術(shù)。針對(duì)云環(huán)境設(shè)計(jì)了虛擬機(jī)異常檢測(cè)框架;系統(tǒng)地研究了特征提取技術(shù),針對(duì)無(wú)標(biāo)記和有標(biāo)記樣本集分別提出了相應(yīng)的無(wú)監(jiān)督和有監(jiān)督特征提取算法;針對(duì)云環(huán)境下虛擬機(jī)異常檢測(cè)面臨的多種異常類型、不平衡訓(xùn)練樣本集、訓(xùn)練樣本實(shí)時(shí)增加等關(guān)鍵問題,利用支持向量機(jī)（SVM）在解決非線性和高維的分類問題中特有的優(yōu)勢(shì),系統(tǒng)地研究了基于SVM的異常檢測(cè)算法;最后在云平臺(tái)數(shù)據(jù)集、模擬數(shù)據(jù)集和標(biāo)準(zhǔn)數(shù)據(jù)集上對(duì)本文研究的算法進(jìn)行了廣泛的實(shí)驗(yàn)... 

【文章來(lái)源】：重慶大學(xué)重慶市 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：149 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
符號(hào)表和縮略語(yǔ)
1 緒論
    1.1 研究背景
    1.2 研究?jī)?nèi)容及意義
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
    1.4 本論文的主要貢獻(xiàn)
    1.5 論文的組織結(jié)構(gòu)
2 相關(guān)技術(shù)研究
    2.1 可信計(jì)算及可信增強(qiáng)技術(shù)
    2.2 云計(jì)算及虛擬化技術(shù)
    2.3 異常的類型及異常檢測(cè)技術(shù)
    2.4 云環(huán)境下的異常檢測(cè)
    2.5 本章小結(jié)
3 面向可信的虛擬機(jī)異常檢測(cè)框架設(shè)計(jì)
    3.1 引言
    3.2 云環(huán)境下虛擬機(jī)異常檢測(cè)面臨的挑戰(zhàn)
    3.3 虛擬機(jī)異常檢測(cè)框架設(shè)計(jì)
    3.4 虛擬機(jī)的運(yùn)行環(huán)境屬性集和性能指標(biāo)集
    3.5 系統(tǒng)假設(shè)及說(shuō)明
    3.6 本章小結(jié)
4 基于核方法的無(wú)監(jiān)督和有監(jiān)督特征提取算法研究
    4.1 引言
    4.2 相關(guān)概念、定義和基礎(chǔ)知識(shí)
    4.3 特征提取形式化描述及需要解決的關(guān)鍵問題
    4.4 特征提取算法研究
        4.4.1 基于主元分析（PCA）的特征提取算法
        4.4.2 基于線性判別分析（LDA）的特征提取算法
        4.4.3 基于無(wú)監(jiān)督模糊線性判別分析（UFLDA）的特征提取算法
        4.4.4 基于無(wú)監(jiān)督模糊核線性判別分析（UFKLDA）的特征提取算法
        4.4.5 基于獨(dú)立元分析（ICA）的特征提取算法
        4.4.6 基于有監(jiān)督核獨(dú)立元分析（SKICA）的特征提取算法
    4.5 本章小結(jié)
5 基于SVM的虛擬機(jī)異常檢測(cè)算法研究
    5.1 引言
    5.2 異常檢測(cè)形式化描述及需要解決的關(guān)鍵問題
    5.3 兩種基本的支持向量機(jī)（SVM）異常檢測(cè)算法
        5.3.1 SVM的基本思想
        5.3.2 兩種基本的SVM異常檢測(cè)算法（C-SVM和OCSVM）
    5.4 基于SVM的特征選擇算法
    5.5 異常檢測(cè)關(guān)鍵問題的解決方法
        5.5.1 多種異常類型的檢測(cè)－基于多類SVM的異常檢測(cè)算法
        5.5.2 不平衡訓(xùn)練樣本集的處理－基于不平衡SVM的異常檢測(cè)算法
        5.5.3 訓(xùn)練樣本實(shí)時(shí)增加的處理－基于在線學(xué)習(xí)SVM的異常檢測(cè)算法
    5.6 SVM參數(shù)尋優(yōu)技術(shù)
    5.7 異常檢測(cè)策略設(shè)計(jì)
    5.8 本章小結(jié)
6 數(shù)據(jù)集獲取與實(shí)驗(yàn)分析
    6.1 虛擬機(jī)性能指標(biāo)集及實(shí)驗(yàn)分析
    6.2 實(shí)驗(yàn)所采用的數(shù)據(jù)集
    6.3 實(shí)驗(yàn)與分析
        6.3.1 特征提取算法實(shí)驗(yàn)及分析
        6.3.2 特征提取與特征選擇算法對(duì)比實(shí)驗(yàn)及分析
        6.3.3 異常檢測(cè)算法實(shí)驗(yàn)及分析
    6.4 本章小結(jié)
7 總結(jié)與展望
    7.1 研究工作總結(jié)
    7.2 未來(lái)研究展望
致謝
參考文獻(xiàn)
附錄
    A. 作者在攻讀學(xué)位期間發(fā)表的論文目錄
    B. 作者在攻讀學(xué)位期間參加的科研項(xiàng)目


【參考文獻(xiàn)】：
期刊論文
[1]一種面向云的Volterra級(jí)數(shù)的自適應(yīng)容錯(cuò)預(yù)測(cè)方法（英文）[J]. 林榮恒,吳步丹,楊放春,趙耀,侯金軒.  中國(guó)通信. 2014(04)
[2]核典型相關(guān)性鑒別分析[J]. 陳偉琦,程強(qiáng).  中國(guó)圖象圖形學(xué)報(bào). 2012(12)
[3]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]. 饒翔,王懷民,陳振邦,周揚(yáng)帆,蔡華,周琦,孫廷韜.  計(jì)算機(jī)學(xué)報(bào). 2012(05)
[4]具有模糊聚類功能的雙向二維無(wú)監(jiān)督特征提取方法[J]. 皋軍,孫長(zhǎng)銀,王士同.  自動(dòng)化學(xué)報(bào). 2012(04)
[5]面向云計(jì)算平臺(tái)的層次化性能問題診斷方法[J]. 米海波,王懷民,蔡華,尹剛,周琦,孫廷韜,周揚(yáng)帆.  通信學(xué)報(bào). 2011(07)
[6]入侵檢測(cè)數(shù)據(jù)集KDD CUP99研究[J]. 張新有,曾華燊,賈磊.  計(jì)算機(jī)工程與設(shè)計(jì). 2010(22)
[7]基于資源可用性的主機(jī)異常檢測(cè)[J]. 陶敬,馬小博,趙娟,鄭慶華.  電子科技大學(xué)學(xué)報(bào). 2007(S3)
[8]基于快速提升KLDA準(zhǔn)則的MSTAR SAR目標(biāo)特征提取與識(shí)別研究[J]. 成功,趙巍,毛士藝.  航空學(xué)報(bào). 2007(03)
[9]基于監(jiān)督式ICA的人臉識(shí)別[J]. 張麗丹,黃鳳崗,李先偉.  哈爾濱工程大學(xué)學(xué)報(bào). 2006(05)

博士論文
[1]面向云平臺(tái)的虛擬機(jī)異常行為檢測(cè)方法研究[D]. 林銘煒.重慶大學(xué) 2014
[2]面向可信計(jì)算的分布式故障檢測(cè)系統(tǒng)研究[D]. 盧華瑋.重慶大學(xué) 2012
[3]面向不平衡數(shù)據(jù)的支持向量機(jī)分類方法研究[D]. 楊智明.哈爾濱工業(yè)大學(xué) 2009
[4]支持向量機(jī)的增量學(xué)習(xí)算法研究[D]. 段華.上海交通大學(xué) 2008



本文編號(hào)：3072370