云环境下面向可信的虚拟机异常检测关键技术研究
发布时间：2021-03-09 05:56
云计算具有按需分配资源、弹性可扩展、面向服务、高性价比等优势,目前已成为主流的计算和服务模式。然而随着云计算的蓬勃发展,云平台的规模和复杂性不断增长,其事故也随之频繁爆发,严重影响了云平台的可靠性和可用性并降低了其可信性。在以虚拟化技术为支撑的云平台,虚拟资源主要以虚拟机的形式进行封装并相互隔离,为用户提供租用服务。本文通过及时检测出处于异常状态的虚拟机,以便在系统性能下降时就采取应对措施,从而改善云平台的可靠性、可用性和可维护性,以此提升其可信性。由于云平台虚拟机数量庞大、采集到的性能指标多、监测实时性强,准确检测出异常虚拟机极具挑战性。本文针对大规模云平台研究虚拟机异常检测若干关键技术。针对云环境设计了虚拟机异常检测框架;系统地研究了特征提取技术,针对无标记和有标记样本集分别提出了相应的无监督和有监督特征提取算法;针对云环境下虚拟机异常检测面临的多种异常类型、不平衡训练样本集、训练样本实时增加等关键问题,利用支持向量机（SVM）在解决非线性和高维的分类问题中特有的优势,系统地研究了基于SVM的异常检测算法;最后在云平台数据集、模拟数据集和标准数据集上对本文研究的算法进行了广泛的实验...
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：149 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
符号表和缩略语
1 绪论
1.1 研究背景
1.2 研究内容及意义
1.3 国内外研究现状
1.4 本论文的主要贡献
1.5 论文的组织结构
2 相关技术研究
2.1 可信计算及可信增强技术
2.2 云计算及虚拟化技术
2.3 异常的类型及异常检测技术
2.4 云环境下的异常检测
2.5 本章小结
3 面向可信的虚拟机异常检测框架设计
3.1 引言
3.2 云环境下虚拟机异常检测面临的挑战
3.3 虚拟机异常检测框架设计
3.4 虚拟机的运行环境属性集和性能指标集
3.5 系统假设及说明
3.6 本章小结
4 基于核方法的无监督和有监督特征提取算法研究
4.1 引言
4.2 相关概念、定义和基础知识
4.3 特征提取形式化描述及需要解决的关键问题
4.4 特征提取算法研究
4.4.1 基于主元分析（PCA）的特征提取算法
4.4.2 基于线性判别分析（LDA）的特征提取算法
4.4.3 基于无监督模糊线性判别分析（UFLDA）的特征提取算法
4.4.4 基于无监督模糊核线性判别分析（UFKLDA）的特征提取算法
4.4.5 基于独立元分析（ICA）的特征提取算法
4.4.6 基于有监督核独立元分析（SKICA）的特征提取算法
4.5 本章小结
5 基于SVM的虚拟机异常检测算法研究
5.1 引言
5.2 异常检测形式化描述及需要解决的关键问题
5.3 两种基本的支持向量机（SVM）异常检测算法
5.3.1 SVM的基本思想
5.3.2 两种基本的SVM异常检测算法（C-SVM和OCSVM）
5.4 基于SVM的特征选择算法
5.5 异常检测关键问题的解决方法
5.5.1 多种异常类型的检测－基于多类SVM的异常检测算法
5.5.2 不平衡训练样本集的处理－基于不平衡SVM的异常检测算法
5.5.3 训练样本实时增加的处理－基于在线学习SVM的异常检测算法
5.6 SVM参数寻优技术
5.7 异常检测策略设计
5.8 本章小结
6 数据集获取与实验分析
6.1 虚拟机性能指标集及实验分析
6.2 实验所采用的数据集
6.3 实验与分析
6.3.1 特征提取算法实验及分析
6.3.2 特征提取与特征选择算法对比实验及分析
6.3.3 异常检测算法实验及分析
6.4 本章小结
7 总结与展望
7.1 研究工作总结
7.2 未来研究展望
致谢
参考文献
附录
A. 作者在攻读学位期间发表的论文目录
B. 作者在攻读学位期间参加的科研项目
【参考文献】：
期刊论文
[1]一种面向云的Volterra级数的自适应容错预测方法（英文）[J]. 林荣恒,吴步丹,杨放春,赵耀,侯金轩. 中国通信. 2014(04)
[2]核典型相关性鉴别分析[J]. 陈伟琦,程强. 中国图象图形学报. 2012(12)
[3]云计算系统中基于伴随状态追踪的故障检测机制[J]. 饶翔,王怀民,陈振邦,周扬帆,蔡华,周琦,孙廷韬. 计算机学报. 2012(05)
[4]具有模糊聚类功能的双向二维无监督特征提取方法[J]. 皋军,孙长银,王士同. 自动化学报. 2012(04)
[5]面向云计算平台的层次化性能问题诊断方法[J]. 米海波,王怀民,蔡华,尹刚,周琦,孙廷韬,周扬帆. 通信学报. 2011(07)
[6]入侵检测数据集KDD CUP99研究[J]. 张新有,曾华燊,贾磊. 计算机工程与设计. 2010(22)
[7]基于资源可用性的主机异常检测[J]. 陶敬,马小博,赵娟,郑庆华. 电子科技大学学报. 2007(S3)
[8]基于快速提升KLDA准则的MSTAR SAR目标特征提取与识别研究[J]. 成功,赵巍,毛士艺. 航空学报. 2007(03)
[9]基于监督式ICA的人脸识别[J]. 张丽丹,黄凤岗,李先伟. 哈尔滨工程大学学报. 2006(05)
博士论文
[1]面向云平台的虚拟机异常行为检测方法研究[D]. 林铭炜.重庆大学 2014
[2]面向可信计算的分布式故障检测系统研究[D]. 卢华玮.重庆大学 2012
[3]面向不平衡数据的支持向量机分类方法研究[D]. 杨智明.哈尔滨工业大学 2009
[4]支持向量机的增量学习算法研究[D]. 段华.上海交通大学 2008
本文编号：3072370
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：149 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
符号表和缩略语
1 绪论
1.1 研究背景
1.2 研究内容及意义
1.3 国内外研究现状
1.4 本论文的主要贡献
1.5 论文的组织结构
2 相关技术研究
2.1 可信计算及可信增强技术
2.2 云计算及虚拟化技术
2.3 异常的类型及异常检测技术
2.4 云环境下的异常检测
2.5 本章小结
3 面向可信的虚拟机异常检测框架设计
3.1 引言
3.2 云环境下虚拟机异常检测面临的挑战
3.3 虚拟机异常检测框架设计
3.4 虚拟机的运行环境属性集和性能指标集
3.5 系统假设及说明
3.6 本章小结
4 基于核方法的无监督和有监督特征提取算法研究
4.1 引言
4.2 相关概念、定义和基础知识
4.3 特征提取形式化描述及需要解决的关键问题
4.4 特征提取算法研究
4.4.1 基于主元分析（PCA）的特征提取算法
4.4.2 基于线性判别分析（LDA）的特征提取算法
4.4.3 基于无监督模糊线性判别分析（UFLDA）的特征提取算法
4.4.4 基于无监督模糊核线性判别分析（UFKLDA）的特征提取算法
4.4.5 基于独立元分析（ICA）的特征提取算法
4.4.6 基于有监督核独立元分析（SKICA）的特征提取算法
4.5 本章小结
5 基于SVM的虚拟机异常检测算法研究
5.1 引言
5.2 异常检测形式化描述及需要解决的关键问题
5.3 两种基本的支持向量机（SVM）异常检测算法
5.3.1 SVM的基本思想
5.3.2 两种基本的SVM异常检测算法（C-SVM和OCSVM）
5.4 基于SVM的特征选择算法
5.5 异常检测关键问题的解决方法
5.5.1 多种异常类型的检测－基于多类SVM的异常检测算法
5.5.2 不平衡训练样本集的处理－基于不平衡SVM的异常检测算法
5.5.3 训练样本实时增加的处理－基于在线学习SVM的异常检测算法
5.6 SVM参数寻优技术
5.7 异常检测策略设计
5.8 本章小结
6 数据集获取与实验分析
6.1 虚拟机性能指标集及实验分析
6.2 实验所采用的数据集
6.3 实验与分析
6.3.1 特征提取算法实验及分析
6.3.2 特征提取与特征选择算法对比实验及分析
6.3.3 异常检测算法实验及分析
6.4 本章小结
7 总结与展望
7.1 研究工作总结
7.2 未来研究展望
致谢
参考文献
附录
A. 作者在攻读学位期间发表的论文目录
B. 作者在攻读学位期间参加的科研项目
【参考文献】：
期刊论文
[1]一种面向云的Volterra级数的自适应容错预测方法（英文）[J]. 林荣恒,吴步丹,杨放春,赵耀,侯金轩. 中国通信. 2014(04)
[2]核典型相关性鉴别分析[J]. 陈伟琦,程强. 中国图象图形学报. 2012(12)
[3]云计算系统中基于伴随状态追踪的故障检测机制[J]. 饶翔,王怀民,陈振邦,周扬帆,蔡华,周琦,孙廷韬. 计算机学报. 2012(05)
[4]具有模糊聚类功能的双向二维无监督特征提取方法[J]. 皋军,孙长银,王士同. 自动化学报. 2012(04)
[5]面向云计算平台的层次化性能问题诊断方法[J]. 米海波,王怀民,蔡华,尹刚,周琦,孙廷韬,周扬帆. 通信学报. 2011(07)
[6]入侵检测数据集KDD CUP99研究[J]. 张新有,曾华燊,贾磊. 计算机工程与设计. 2010(22)
[7]基于资源可用性的主机异常检测[J]. 陶敬,马小博,赵娟,郑庆华. 电子科技大学学报. 2007(S3)
[8]基于快速提升KLDA准则的MSTAR SAR目标特征提取与识别研究[J]. 成功,赵巍,毛士艺. 航空学报. 2007(03)
[9]基于监督式ICA的人脸识别[J]. 张丽丹,黄凤岗,李先伟. 哈尔滨工程大学学报. 2006(05)
博士论文
[1]面向云平台的虚拟机异常行为检测方法研究[D]. 林铭炜.重庆大学 2014
[2]面向可信计算的分布式故障检测系统研究[D]. 卢华玮.重庆大学 2012
[3]面向不平衡数据的支持向量机分类方法研究[D]. 杨智明.哈尔滨工业大学 2009
[4]支持向量机的增量学习算法研究[D]. 段华.上海交通大学 2008
本文编号：3072370
本文链接：https://www.wllwen.com/kejilunwen/jisuanjikexuelunwen/3072370.html
