云环境下虚拟机异常多属性分析.pdf

大连理工大学学位论文独创性声明作者郑重声明:所呈交的学位论文,是本人在导师的指导下进行研究工作所取得的成果。尽我所知,除文中已经注明引用内容和致谢的地方外,本论文不包含其他个人或集体已经发表的研究成果,也不包含其他已申请学位或其他用途使用过的成果。与我一同工作的同志对本研究所做的贡献均已在论文中做了明确的说明并表示了谢意。若有不实之处,本人愿意承担相关法律责任。学位论文题目:云巫埴王虐拯扭是堂鲍垒属性佥堑作者签名:皇:l鱼勿日期:-二半年—厶月—坐日大连理工大学硕士学位论文捅要云计算具有虚拟化、层次化、动态化和大规模性等特点,因而使其平台监控问题面临着巨大的挑战。其中,针对虚拟化节点的资源监控问题更是重中之重。在实际应用中,对虚拟资源的异常及其发展趋势的分析具有十分重要的意义。本文基于Hadoop云平台研究了云环境下虚拟异常的多属性趋势分析问题。首先,,将虚拟机的运行状态分为正常、异常和故障三个等级。主要建模过程包括:(1)设置默认的初始化聚类中心,计算训练数据的Hopkins统计量;(2);(3)如果Hopl【ins统计量处在【,]区间或存在初始聚类中心未改变的情况,需要进一步对聚类结果的中心点进行修正。本文的虚拟机运行状态建模方法可以适用于不同类型的训练数据。第二,提出了基于非参数CUSUM算法的异常趋势分析机制,其核心是利用非参数CUSUM算法对归类结果为“异常”的后续数据进行状态趋势的监控,以便能提前探测到可能导致虚拟机故障的持续性异常。主要步骤包括:(1)计算小间隔采样数据与“故障”类中心的距离;(2)当检验序列由负变为正时进行异常累加;(3)当异常累加值达到了阈值限制则发出预测报警。并针对文中趋势分析算法的阈值选取和预测时延问题进行了分析。第三,建模阶段结束后通过一组实验评估不同类型训练数据情况下聚类结果的轮廓系数,作为验证聚类结果可靠性的依据。初步检测阶段中选取了I心N算法与本文方法进行了对比,并从复杂程度和适用性两方面进行了分析。趋势分析阶段分别针对单一属性和多属性的情况设计了一系列实验,结果表明本文提出的异常趋势分析模型在预测准确率和预测时延方面有较好的表现。最后,研究了一种基于SPE(SquaredPredictionError)的异常属性定位方法,针对归类决策阶段结果为“故障”的数据点进行异常诊断分析,推断出最有可能引发此次异常的属性,为异常的后期处理提供依据。。关键词:云计算;多属性分析;异常分析;虚拟机;Hadoop;资源监控云环境下虚拟机异常的多属性分析Multi—Ⅱ10logyisf-aCing讹mendouschallengesforitsvir吡alization,hierarchical,dyn锄ic,la唱e-scale,,ptingplatf-,,”Nomal”,”Anomaly”a11d’’Failure”,:(1)settingthedef-aulti11itializationoft}leclustercentres,andcalculatingHop王(insstatisticsof住ainingd缸a;(2)obtainingclusteringresultsbyK-meanstheory;(3)fmheramendmentstotllecentrepointoftheclusteringresultisrequiredifmeHopkinsstatisticsstayedin【,】