發(fā)布時(shí)間：2024-03-09 04:21

　　針對(duì)虛擬機(jī)進(jìn)行異常檢測(cè)是提高云計(jì)算系統(tǒng)可靠性的重要手段之一。然而,云環(huán)境中虛擬機(jī)的性能指標(biāo)數(shù)據(jù)具有維度高、信息冗余等特點(diǎn),會(huì)降低檢測(cè)效率和準(zhǔn)確度。同時(shí),傳統(tǒng)異常檢測(cè)方法難以定量刻畫(huà)系統(tǒng)的異常狀態(tài),而局部異常因子(Local Outlier Factor, LOF)算法雖可量化其異常程度,但它以相同權(quán)重計(jì)算不同維度變量對(duì)系統(tǒng)狀態(tài)的影響,導(dǎo)致算法對(duì)異常的區(qū)分能力減弱。針對(duì)以上問(wèn)題,提出一種高效的異常檢測(cè)策略。該策略以最大相關(guān)最小冗余算法和主成分分析法對(duì)性能指標(biāo)進(jìn)行篩選降維,提高了異常檢測(cè)的效率;為L(zhǎng)OF算法中不同維度的變量賦予不同權(quán)重,強(qiáng)化了不同指標(biāo)對(duì)異常的區(qū)分度。實(shí)驗(yàn)表明,該策略相對(duì)于傳統(tǒng)異常檢測(cè)方法,效率和檢測(cè)率都有顯著提高。

【文章頁(yè)數(shù)】：8 頁(yè)

【文章目錄】：
0 引 言
1 異常檢測(cè)架構(gòu)設(shè)計(jì)
2 數(shù)據(jù)采集模塊
3 性能指標(biāo)預(yù)處理模塊
    3.1 最大相關(guān)最小冗余法篩選性能指標(biāo)
    3.2 主成分分析法提取性能指標(biāo)
4 異常檢測(cè)模塊
5 實(shí)驗(yàn)驗(yàn)證
    5.1 實(shí)驗(yàn)數(shù)據(jù)采集與異常注入
    5.2 性能指標(biāo)篩選提取結(jié)果
    5.3 異常檢測(cè)性能效果對(duì)比
6 結(jié) 語(yǔ)



本文編號(hào)：3922893