上下文感知的虚拟机监视器衰退分析方法

摘要

本发明公开一种上下文感知的虚拟机监视器衰退分析方法，包括以下步骤：步骤1，关键衰退因子识别过程；步骤2，负载状态划分过程；步骤3，上下文感知的衰退预测模型构建过程；步骤4，自适应的衰退分析过程。本发明的目的在于以基于虚拟化技术的计算系统为研究对象，采用基于度量的方式，提供一种上下文感知的虚拟机监视器衰退分析方法用于诊断虚拟机监视器的性能异常，具备较高的检测率和较低的误警率。

主权项

一种上下文感知的虚拟机监视器衰退分析方法，其特征在于，包括以下步骤：步骤1，关键衰退因子识别过程，过程如下：给定由q个连续的等间隔采样的训练样本，其特征空间为f₁,f₂,...,f_n,r₁,r₂,...,r_s，其中f₁,f₂,...,f_n为n个刻画负载的特征和r₁,r₂,...,r_s为s个刻画资源使用的特征；选取其中s个资源使用的特征刻画虚拟机监视器VMM资源使用情况，采集VMM资源使用特征观测样本；以q个资源使用特征观测样本作为输入，采取最大最小归一化方法和滑动平均法对样本数据进行预处理，采用主成分分析方法识别影响VMM性能的关键衰退因子，将任意资源使用特征观测样本转化为由关键衰退因子表示的样本；步骤2，负载状态划分过程，过程如下：给定与步骤1中相同的q个训练样本，选取其中n个负载特征刻画VMM的负载，采集VMM负载特征观测样本，对q个负载特征观测样本采取最大最小归一化方法和滑动平均法对样本数据进行预处理；给定负载状态的个数p,1≤p<q，对q个预处理后的负载特征观测样本采用经典的k‑means聚类算法进行负载状态划分；将q个训练样本通过负载状态划分为p个子样本集；步骤3，上下文感知的衰退预测模型构建过程，过程如下：遍历p个子样本集，对于每个子样本集建立与负载状态对应的基于自组织映射SOM的衰退预测模型；步骤4，自适应的衰退分析过程，步骤如下：给定h个待预测样本，其特征空间与训练样本的特征空间完全相同；执行步骤1的最大最小归一化方法和滑动平均法对样本数据进行预处理，采用主成分分析方法将待预测样本的资源使用特征转化为关键衰退因子，提取待预测样本中的资源使用特征观测样本；采集待预测样本中的负载特征观测样本，采取最大最小归一化方法和滑动平均法对待预测样本中的负载特征观测样本数据进行预处理；计算预处理后的待预测样本与步骤2中的负载状态之间的欧几里德距离，确定预处理后的待预测样本所隶属的负载状态，从而确定使用衰退预测模型预测待预测样本对应的VMM状态；计算待预测样本对应的资源使用观测样本与衰退预测模型中所有SOM神经元之间的欧几里德距离，找出一个距离最近的神经元作为该样本映射到的获胜神经元；计算获胜神经元的r‑近邻的区域大小，并给定r‑近邻的区域大小阈值，二者进行比较确定VMM系统的状态。