本文關鍵詞：云環(huán)境下虛擬機異常的多屬性分析，由筆耕文化傳播整理發(fā)布。

【摘要】：云計算具有虛擬化、層次化、動態(tài)化和大規(guī)模性等特點,因而使其平臺監(jiān)控問題面臨著巨大的挑戰(zhàn)。其中,針對虛擬化節(jié)點的資源監(jiān)控問題更是重中之重。在實際應用中,對虛擬資源的異常及其發(fā)展趨勢的分析具有十分重要的意義。本文基于Hadoop云平臺研究了云環(huán)境下虛擬異常的多屬性趨勢分析問題。 首先,提出了一種基于K-means聚類算法的虛擬機運行狀態(tài)建模方法,將虛擬機的運行狀態(tài)分為正常、異常和故障三個等級。主要建模過程包括：(1)設置默認的初始化聚類中心,計算訓練數(shù)據(jù)的Hopkins統(tǒng)計量；(2)利用K-means算法得出聚類結果；(3)如果Hopkins統(tǒng)計量處在[0.4,0.6]區(qū)間或存在初始聚類中心未改變的情況,需要進一步對聚類結果的中心點進行修正。本文的虛擬機運行狀態(tài)建模方法可以適用于不同類型的訓練數(shù)據(jù)。 第二,提出了基于非參數(shù)CUSUM算法的異常趨勢分析機制,其核心是利用非參數(shù)CUSUM算法對歸類結果為“異�！钡暮罄m(xù)數(shù)據(jù)進行狀態(tài)趨勢的監(jiān)控,以便能提前探測到可能導致虛擬機故障的持續(xù)性異常。主要步驟包括：(1)計算小間隔采樣數(shù)據(jù)與“故障”類中心的距離；(2)當檢驗序列由負變?yōu)檎龝r進行異常累加；(3)當異常累加值達到了閾值限制則發(fā)出預測報警。并針對文中趨勢分析算法的閾值選取和預測時延問題進行了分析。 第三,建模階段結束后通過一組實驗評估不同類型訓練數(shù)據(jù)情況下聚類結果的輪廓系數(shù),作為驗證聚類結果可靠性的依據(jù)。初步檢測階段中選取了KNN算法與本文方法進行了對比,并從復雜程度和適用性兩方面進行了分析。趨勢分析階段分別針對單一屬性和多屬性的情況設計了一系列實驗,結果表明本文提出的異常趨勢分析模型在預測準確率和預測時延方面有較好的表現(xiàn)。 最后,研究了一種基于SPE (Squared Prediction Error)的異常屬性定位方法,針對歸類決策階段結果為“故障”的數(shù)據(jù)點進行異常診斷分析,推斷出最有可能引發(fā)此次異常的屬性,為異常的后期處理提供依據(jù)。實驗表明基于SPE異常定位的準確性可以達到0.8889。
【關鍵詞】：云計算 多屬性分析 異常分析 虛擬機 Hadoop 資源監(jiān)控
【學位授予單位】：大連理工大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TP302
【目錄】：

• 摘要4-5
• Abstract5-9
• 1 緒論9-16
• 1.1 選題背景9-10
• 1.2 國內外研究現(xiàn)狀10-14
• 1.2.1 云計算及其監(jiān)控10-11
• 1.2.2 異常檢測與趨勢分析11-14
• 1.2.3 異常定位14
• 1.3 研究目的與主要工作14-15
• 1.4 論文的組織結構15-16
• 2 云計算平臺的相關概念與技術16-25
• 2.1 云計算的概念16-18
• 2.2 云計算平臺的特點與關鍵技術18-19
• 2.3 Hadoop云計算框架介紹19-21
• 2.4 云計算平臺的監(jiān)控技術21-24
• 2.5 本章小結24-25
• 3 基于K-means算法的建模與決策分析25-37
• 3.1 運行狀態(tài)等級模型的建立25-31
• 3.1.1 訓練數(shù)據(jù)估計25-26
• 3.1.2 虛擬機運行狀態(tài)建模26-29
• 3.1.3 聚類結果評估方法29
• 3.1.4 實驗結果與分析29-31
• 3.2 檢測數(shù)據(jù)的歸類決策31-36
• 3.2.1 歸類決策方法描述31
• 3.2.2 實驗結果與分析31-36
• 3.3 本章小結36-37
• 4 基于非參數(shù)CUSUM算法的異常趨勢分析37-57
• 4.1 總體方案設計37-39
• 4.2 核心CUSUM算法分析39-43
• 4.2.1 算法描述39-42
• 4.2.2 性能分析42-43
• 4.3 實驗平臺與數(shù)據(jù)采集43-49
• 4.3.1 實驗平臺的搭建43-46
• 4.3.2 實驗數(shù)據(jù)的采集46-49
• 4.4 實驗結果與分析49-56
• 4.4.1 單屬性趨勢分析49-50
• 4.4.2 多屬性趨勢分析50-56
• 4.5 本章小結56-57
• 5 異常屬性定位分析57-63
• 5.1 概述57
• 5.2 基于SPE的異常定位機制57-61
• 5.2.1 PCA建模57-59
• 5.2.2 SPE均值公式59-60
• 5.2.3 異常定位過程60-61
• 5.3 實驗結果與分析61-62
• 5.4 本章小結62-63
• 結論63-64
• 參考文獻64-68
• 攻讀碩士學位期間發(fā)表學術論文情況68-69
• 致謝69-70

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 饒翔;王懷民;陳振邦;周揚帆;蔡華;周琦;孫廷韜;;云計算系統(tǒng)中基于伴隨狀態(tài)追蹤的故障檢測機制[J];計算機學報;2012年05期

2 王萍;張際平;;云計算與網(wǎng)絡學習[J];現(xiàn)代教育技術;2008年11期

3 ;A Nonparametric Adaptive CUSUM Method and Its Application in Source-End Defense against SYN Flooding Attacks[J];Wuhan University Journal of Natural Sciences;2011年05期

  本文關鍵詞：云環(huán)境下虛擬機異常的多屬性分析，，由筆耕文化傳播整理發(fā)布。

本文編號：408286