近年來,基于云平臺的服務(wù)應(yīng)用于諸多不同的領(lǐng)域,包括醫(yī)療保健、公共交通、移動通訊等,并逐漸成為互聯(lián)網(wǎng)行業(yè)發(fā)展的主流趨勢。但云平臺系統(tǒng)的長時間不間斷運行會引發(fā)一種稱之為“軟件老化”的現(xiàn)象。由此引發(fā)的短暫系統(tǒng)停機或不平穩(wěn)將嚴(yán)重影響互聯(lián)網(wǎng)企業(yè)的正常運營。針對上述云平臺系統(tǒng)的軟件老化問題,本文采用兩種不同的模型分別對OpenStack平臺的軟件老化進行預(yù)測和維護。預(yù)測模型方案通過對系統(tǒng)關(guān)鍵性能參數(shù)變化趨勢的預(yù)測,從而獲取系統(tǒng)未來一段時間內(nèi)性能參數(shù)的變化趨勢�？煽啃苑治龇桨竿ㄟ^對系統(tǒng)運行狀態(tài)可靠性進行分析,從而預(yù)測系統(tǒng)未來狀態(tài)的可靠性。通過這兩種方案有效識別云平臺系統(tǒng)的老化,獲取老化特征出現(xiàn)的時間閾值。在老化發(fā)生的時間閾值范圍內(nèi),主動地執(zhí)行維護措施以緩解系統(tǒng)因老化而引起的性能下降,避免系統(tǒng)故障事件的發(fā)生,增強系統(tǒng)的可靠性。本文以實際項目為基礎(chǔ),研究內(nèi)容包括以下三項:1)建立了基于HMM的OpenStack云平臺系統(tǒng)的軟件老化預(yù)測模型。模型參數(shù)的初始值都是根據(jù)隱馬爾可夫模型的常見約束規(guī)則設(shè)置。整個預(yù)測過程分為兩部分:a)模型建立:采用Baum-Welch算法進行模型參數(shù)訓(xùn)練,建立能夠真實模擬系統(tǒng)性能... 

【文章來源】：西安理工大學(xué)陜西省

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【部分圖文】：

（a）對換區(qū)可用內(nèi)存Fig.3-2（a）Availablememoryinswap

西安理工大學(xué)工程碩士專業(yè)學(xué)位論文26該模型由5個參數(shù)表示(，，，，)，其中表示初始隱狀態(tài)，為隱狀態(tài)的轉(zhuǎn)移概率，描述狀態(tài)的后驗轉(zhuǎn)移概率。根據(jù)上述訓(xùn)練得到的模型進行系統(tǒng)老化的預(yù)測，采用如下算法：算法2HMM預(yù)測算法：fori←1tonum_StockdoClosing(i,:)←時間序列觀測值；fori←1tonum_Stockdoforj←1tolengthdofork←1tonum_Statesdopost(j,k,i)←時間序列觀測值的后驗概率endforfori←1tonum_Stockdoforj←2tolengthdofork←1tonum_Statesdoinner_Sum←最佳預(yù)測序列的概率Predict(i,j)←最佳預(yù)測序列endfor3.3實驗結(jié)果分析與模型評估在3.2節(jié)中HMM預(yù)測方案的基礎(chǔ)上，本節(jié)將OpenStack系統(tǒng)的性能參數(shù)數(shù)據(jù)進行預(yù)測，得到系統(tǒng)在未來10小時的運行狀態(tài)趨勢。圖3-2顯示了可用內(nèi)存空間及對換區(qū)空間、I/O請求響應(yīng)時間的時間序列的趨勢預(yù)測圖。其中藍線為實際值，紅線為預(yù)測值。其中對換區(qū)可用空間和內(nèi)存可用空間隨著系統(tǒng)的運行逐漸減少，當(dāng)SwapMemory即將耗盡時，系統(tǒng)會報錯，即outofmemory，甚至發(fā)生停機。圖3-2（c）顯示I/O請求的響應(yīng)時間總體斜率呈鋸齒狀的上升趨勢，系統(tǒng)響應(yīng)能力不斷減弱。從上述參數(shù)的變化趨勢可以看出整個系統(tǒng)的性能處于不斷衰退的狀況。圖3-2（a）對換區(qū)可用內(nèi)存圖3-2（b）空閑內(nèi)存Fig.3-2（a）AvailablememoryinswapFig.3-2（b）Memory_free

基于HMM的OpenStack的軟件老化預(yù)測模型27圖3-2（c）I/O_waitFig.3-2（c）輸入輸出請求等待時間預(yù)測性能評估分別使用了平均百分比誤差MAPE（MeanAbsolutePercentageError）和均方根誤差RMSE（RootMeanSquareError）兩種方法，結(jié)果如圖3-3所示。RMSE對異常點較敏銳，若某一點的預(yù)測值極度不正常，會對RMSE的值有較大影響。MAPE不僅僅考慮預(yù)測值與實際值的誤差，還考慮了差值與實際值之間的比較。從MAPE圖中看到所有值均在零點上小浮動，預(yù)測效果非常優(yōu)越。HMM的預(yù)測十分適用于計算機系統(tǒng)這種，各參數(shù)依賴歷史、隨機非線性、單維度持續(xù)變化的系統(tǒng)。圖3-3（a）均方根誤差圖3-3（b）平均絕對百分比誤差Fig.3-3(a)RootMeanSquareErrorFig.3-3(b)MeanAbsolutePercentageError3.4本章小結(jié)本節(jié)中設(shè)計并實現(xiàn)了基于HMM的OpenStack云平臺的老化建模預(yù)測方案。首先，介紹了HMM建模過程中所涉及到的算法，并對建模預(yù)測方案進行描述。其次，完成了面向?qū)嶋H項目的完整預(yù)測過程。在進行模型參數(shù)訓(xùn)練前，輸入數(shù)據(jù)需要進行預(yù)處理，以確定最終HMM訓(xùn)練的輸入信息。輸入數(shù)據(jù)是OpenStack平臺系統(tǒng)的磁盤響應(yīng)數(shù)據(jù)，對輸入值進行預(yù)處理后，整個預(yù)測方案分為兩部分：（1）觀測序列參與模型建立過程，參數(shù)訓(xùn)練過

【參考文獻】：
期刊論文
[1]基于OpenStack和Kubernetes的雙向部署技術(shù)研究[J]. 杜磊.  電腦知識與技術(shù). 2020(01)
[2]風(fēng)電機組液壓系統(tǒng)動態(tài)故障樹的可靠性建模與評估[J]. 李垚,朱才朝,宋朝省,譚建軍.  太陽能學(xué)報. 2018(12)
[3]一種AADL故障模型到動態(tài)故障樹的轉(zhuǎn)換方法[J]. 張曉策,燕雪峰,周勇.  計算機技術(shù)與發(fā)展. 2017(11)
[4]軟件老化與抗衰的研究綜述[J]. 閆永權(quán),郭平.  武漢大學(xué)學(xué)報(工學(xué)版). 2017(04)
[5]諧波小波樣本熵與HMM模型的軸承故障模式識別[J]. 李慶,LIANG Steven Y,楊建國.  上海交通大學(xué)學(xué)報. 2016(05)
[6]不完全共因失效系統(tǒng)動態(tài)故障樹模型分析方法[J]. 王家序,周青華,肖科,秦毅,黃彥彥.  系統(tǒng)工程與電子技術(shù). 2012(05)
[7]故障樹模型與Markov模型的關(guān)系及轉(zhuǎn)換[J]. 蔣樂天,徐國治.  系統(tǒng)工程與電子技術(shù). 2003(11)
[8]動態(tài)故障樹分析方法在軟、硬件容錯計算機系統(tǒng)中的應(yīng)用[J]. 程明華,姚一平.  航空學(xué)報. 2000(01)
[9]軟件可靠性穩(wěn)定增長與安全性測試的故障樹分析法[J]. 肖英柏,向劍文,徐仁佐.  小型微型計算機系統(tǒng). 1999(09)

博士論文
[1]云服務(wù)基礎(chǔ)設(shè)施中故障診斷與識別策略管理研究[D]. 哈賽（Ameen Fadhl Hasan Alkasem）.哈爾濱工業(yè)大學(xué) 2018
[2]復(fù)雜系統(tǒng)動態(tài)故障樹分析的新方法及其應(yīng)用研究[D]. 李彥鋒.電子科技大學(xué) 2013

碩士論文
[1]基于馬爾科夫再生過程的虛擬化系統(tǒng)應(yīng)用服務(wù)可用性分析[D]. 劉冰.北京交通大學(xué) 2018
[2]基于隱馬爾科夫模型（HMM）的股指期貨收益率波動預(yù)測[D]. 李少華.西安建筑科技大學(xué) 2018
[3]計算機系統(tǒng)的性能參數(shù)及速度研究[D]. 林子皓.南京郵電大學(xué) 2014
[4]動態(tài)故障樹分析方法研究[D]. 季會媛.國防科學(xué)技術(shù)大學(xué) 2002



本文編號：3481478