论文部分内容阅读
云计算作为当前互联网技术的集大成者,在分布式计算、数据存储等多个领域均有极大的优势。但是随着云计算的普及,云中服务器的资源利用低的问题逐渐凸显出来,为此部分云服务提供商采用了资源超额预定策略,该策略可以提高对云中服务器资源的利用。但由此可能引发虚拟机异常,这种异常是由同一虚拟资源池中的虚拟机对某种资源的使用峰值处于同一时间段造成的,表现为同一虚拟资源池中的虚拟机发生了资源抢占。由于这种异常情况与入侵异常、故障异常有所不同,所以需要依据该类异常的成因,设计相应的检测方法以及对异常虚拟机的恢复策略,主要研究内容如下:(1)提出了一种适应于云的改进的C-t-SNE(t-SNE Based on Classification selection,C-t-SNE)降维算法。该算法构建原始空间与之对应的投影空间,依据云虚拟机与所执行任务之间的关系,针对每台云虚拟机抽取对比数据集,减少降维过程中数据间的对比次数,以实现对云虚拟机数据快速降维,同时保留虚拟机之间的关联。(2)提出了一种基于密度空间的局部离群因子(Local Outlier Factor Based on Density Space,LOFBDS)算法。LOFBDS算法参考DBSCAN(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)算法,将云虚拟机在密度空间中的性质融合至LOF(Local Outlier Factor,LOF)算法之中,提出对云虚拟机的判断规则,以达到优化对正常云虚拟机的检测过程,提高检测效率。(3)提出三权重的花朵授粉算法(Three-weighted Flower Pollination Algorithm,TFPA)。鉴于虚拟资源池之间存在差异性,以及虚拟机所执行任务对资源需求的不同,提出差异性权重τ、超额分配权重φ与资源需求权重ω。增加了算法所得解至虚拟资源池的映射过程,并通过可行解步长的概念,减少算法的计算时间。该论文包含图16幅,表7个,参考文献52篇。