云環(huán)境下虛擬機(jī)異常的多屬性分析.pdf

1、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(yīng)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(jī)運行狀態(tài)建模方法，將虛擬機(jī)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(shè)置默認(rèn)的初始

2、化聚類中心，計算訓(xùn)練數(shù)據(jù)的Hopkins統(tǒng)計量;(2)利用K-means算法得出聚類結(jié)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(jìn)一步對聚類結(jié)果的中心點進(jìn)行修正。本文的虛擬機(jī)運行狀態(tài)建模方法可以適用于不同類型的訓(xùn)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(jī)制，其核心是利用非參數(shù)CUSUM算法對歸類結(jié)果為“異?！钡暮罄m(xù)數(shù)據(jù)進(jìn)行狀態(tài)趨勢的監(jiān)控，以便能提前探測到

3、可能導(dǎo)致虛擬機(jī)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(dāng)檢驗序列由負(fù)變?yōu)檎龝r進(jìn)行異常累加;(3)當(dāng)異常累加值達(dá)到了閾值限制則發(fā)出預(yù)測報警。并針對文中趨勢分析算法的閾值選取和預(yù)測時延問題進(jìn)行了分析。
　　第三，建模階段結(jié)束后通過一組實驗評估不同類型訓(xùn)練數(shù)據(jù)情況下聚類結(jié)果的輪廓系數(shù)，作為驗證聚類結(jié)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(jìn)行了對比，并從復(fù)雜程度和適用性兩方面