OpenStack云平台的软件老化建模方法研究
发布时间：2021-11-07 07:58
近年来,基于云平台的服务应用于诸多不同的领域,包括医疗保健、公共交通、移动通讯等,并逐渐成为互联网行业发展的主流趋势。但云平台系统的长时间不间断运行会引发一种称之为“软件老化”的现象。由此引发的短暂系统停机或不平稳将严重影响互联网企业的正常运营。针对上述云平台系统的软件老化问题,本文采用两种不同的模型分别对OpenStack平台的软件老化进行预测和维护。预测模型方案通过对系统关键性能参数变化趋势的预测,从而获取系统未来一段时间内性能参数的变化趋势。可靠性分析方案通过对系统运行状态可靠性进行分析,从而预测系统未来状态的可靠性。通过这两种方案有效识别云平台系统的老化,获取老化特征出现的时间阈值。在老化发生的时间阈值范围内,主动地执行维护措施以缓解系统因老化而引起的性能下降,避免系统故障事件的发生,增强系统的可靠性。本文以实际项目为基础,研究内容包括以下三项:1)建立了基于HMM的OpenStack云平台系统的软件老化预测模型。模型参数的初始值都是根据隐马尔可夫模型的常见约束规则设置。整个预测过程分为两部分:a)模型建立:采用Baum-Welch算法进行模型参数训练,建立能够真实模拟系统性能...
【文章来源】：西安理工大学陕西省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
（a）对换区可用内存Fig.3-2（a）Availablememoryinswap
西安理工大学工程硕士专业学位论文26该模型由5个参数表示(，，，，)，其中表示初始隐状态，为隐状态的转移概率，描述状态的后验转移概率。根据上述训练得到的模型进行系统老化的预测，采用如下算法：算法2HMM预测算法：fori←1tonum_StockdoClosing(i,:)←时间序列观测值；fori←1tonum_Stockdoforj←1tolengthdofork←1tonum_Statesdopost(j,k,i)←时间序列观测值的后验概率endforfori←1tonum_Stockdoforj←2tolengthdofork←1tonum_Statesdoinner_Sum←最佳预测序列的概率Predict(i,j)←最佳预测序列endfor3.3实验结果分析与模型评估在3.2节中HMM预测方案的基础上，本节将OpenStack系统的性能参数数据进行预测，得到系统在未来10小时的运行状态趋势。图3-2显示了可用内存空间及对换区空间、I/O请求响应时间的时间序列的趋势预测图。其中蓝线为实际值，红线为预测值。其中对换区可用空间和内存可用空间随着系统的运行逐渐减少，当SwapMemory即将耗尽时，系统会报错，即outofmemory，甚至发生停机。图3-2（c）显示I/O请求的响应时间总体斜率呈锯齿状的上升趋势，系统响应能力不断减弱。从上述参数的变化趋势可以看出整个系统的性能处于不断衰退的状况。图3-2（a）对换区可用内存图3-2（b）空闲内存Fig.3-2（a）AvailablememoryinswapFig.3-2（b）Memory_free
基于HMM的OpenStack的软件老化预测模型27图3-2（c）I/O_waitFig.3-2（c）输入输出请求等待时间预测性能评估分别使用了平均百分比误差MAPE（MeanAbsolutePercentageError）和均方根误差RMSE（RootMeanSquareError）两种方法，结果如图3-3所示。RMSE对异常点较敏锐，若某一点的预测值极度不正常，会对RMSE的值有较大影响。MAPE不仅仅考虑预测值与实际值的误差，还考虑了差值与实际值之间的比较。从MAPE图中看到所有值均在零点上小浮动，预测效果非常优越。HMM的预测十分适用于计算机系统这种，各参数依赖历史、随机非线性、单维度持续变化的系统。图3-3（a）均方根误差图3-3（b）平均绝对百分比误差Fig.3-3(a)RootMeanSquareErrorFig.3-3(b)MeanAbsolutePercentageError3.4本章小结本节中设计并实现了基于HMM的OpenStack云平台的老化建模预测方案。首先，介绍了HMM建模过程中所涉及到的算法，并对建模预测方案进行描述。其次，完成了面向实际项目的完整预测过程。在进行模型参数训练前，输入数据需要进行预处理，以确定最终HMM训练的输入信息。输入数据是OpenStack平台系统的磁盘响应数据，对输入值进行预处理后，整个预测方案分为两部分：（1）观测序列参与模型建立过程，参数训练过
【参考文献】：
期刊论文
[1]基于OpenStack和Kubernetes的双向部署技术研究[J]. 杜磊. 电脑知识与技术. 2020(01)
[2]风电机组液压系统动态故障树的可靠性建模与评估[J]. 李垚,朱才朝,宋朝省,谭建军. 太阳能学报. 2018(12)
[3]一种AADL故障模型到动态故障树的转换方法[J]. 张晓策,燕雪峰,周勇. 计算机技术与发展. 2017(11)
[4]软件老化与抗衰的研究综述[J]. 闫永权,郭平. 武汉大学学报(工学版). 2017(04)
[5]谐波小波样本熵与HMM模型的轴承故障模式识别[J]. 李庆,LIANG Steven Y,杨建国. 上海交通大学学报. 2016(05)
[6]不完全共因失效系统动态故障树模型分析方法[J]. 王家序,周青华,肖科,秦毅,黄彦彦. 系统工程与电子技术. 2012(05)
[7]故障树模型与Markov模型的关系及转换[J]. 蒋乐天,徐国治. 系统工程与电子技术. 2003(11)
[8]动态故障树分析方法在软、硬件容错计算机系统中的应用[J]. 程明华,姚一平. 航空学报. 2000(01)
[9]软件可靠性稳定增长与安全性测试的故障树分析法[J]. 肖英柏,向剑文,徐仁佐. 小型微型计算机系统. 1999(09)
博士论文
[1]云服务基础设施中故障诊断与识别策略管理研究[D]. 哈赛（Ameen Fadhl Hasan Alkasem）.哈尔滨工业大学 2018
[2]复杂系统动态故障树分析的新方法及其应用研究[D]. 李彦锋.电子科技大学 2013
硕士论文
[1]基于马尔科夫再生过程的虚拟化系统应用服务可用性分析[D]. 刘冰.北京交通大学 2018
[2]基于隐马尔科夫模型（HMM）的股指期货收益率波动预测[D]. 李少华.西安建筑科技大学 2018
[3]计算机系统的性能参数及速度研究[D]. 林子皓.南京邮电大学 2014
[4]动态故障树分析方法研究[D]. 季会媛.国防科学技术大学 2002
本文编号：3481478
【文章来源】：西安理工大学陕西省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
（a）对换区可用内存Fig.3-2（a）Availablememoryinswap
西安理工大学工程硕士专业学位论文26该模型由5个参数表示(，，，，)，其中表示初始隐状态，为隐状态的转移概率，描述状态的后验转移概率。根据上述训练得到的模型进行系统老化的预测，采用如下算法：算法2HMM预测算法：fori←1tonum_StockdoClosing(i,:)←时间序列观测值；fori←1tonum_Stockdoforj←1tolengthdofork←1tonum_Statesdopost(j,k,i)←时间序列观测值的后验概率endforfori←1tonum_Stockdoforj←2tolengthdofork←1tonum_Statesdoinner_Sum←最佳预测序列的概率Predict(i,j)←最佳预测序列endfor3.3实验结果分析与模型评估在3.2节中HMM预测方案的基础上，本节将OpenStack系统的性能参数数据进行预测，得到系统在未来10小时的运行状态趋势。图3-2显示了可用内存空间及对换区空间、I/O请求响应时间的时间序列的趋势预测图。其中蓝线为实际值，红线为预测值。其中对换区可用空间和内存可用空间随着系统的运行逐渐减少，当SwapMemory即将耗尽时，系统会报错，即outofmemory，甚至发生停机。图3-2（c）显示I/O请求的响应时间总体斜率呈锯齿状的上升趋势，系统响应能力不断减弱。从上述参数的变化趋势可以看出整个系统的性能处于不断衰退的状况。图3-2（a）对换区可用内存图3-2（b）空闲内存Fig.3-2（a）AvailablememoryinswapFig.3-2（b）Memory_free
基于HMM的OpenStack的软件老化预测模型27图3-2（c）I/O_waitFig.3-2（c）输入输出请求等待时间预测性能评估分别使用了平均百分比误差MAPE（MeanAbsolutePercentageError）和均方根误差RMSE（RootMeanSquareError）两种方法，结果如图3-3所示。RMSE对异常点较敏锐，若某一点的预测值极度不正常，会对RMSE的值有较大影响。MAPE不仅仅考虑预测值与实际值的误差，还考虑了差值与实际值之间的比较。从MAPE图中看到所有值均在零点上小浮动，预测效果非常优越。HMM的预测十分适用于计算机系统这种，各参数依赖历史、随机非线性、单维度持续变化的系统。图3-3（a）均方根误差图3-3（b）平均绝对百分比误差Fig.3-3(a)RootMeanSquareErrorFig.3-3(b)MeanAbsolutePercentageError3.4本章小结本节中设计并实现了基于HMM的OpenStack云平台的老化建模预测方案。首先，介绍了HMM建模过程中所涉及到的算法，并对建模预测方案进行描述。其次，完成了面向实际项目的完整预测过程。在进行模型参数训练前，输入数据需要进行预处理，以确定最终HMM训练的输入信息。输入数据是OpenStack平台系统的磁盘响应数据，对输入值进行预处理后，整个预测方案分为两部分：（1）观测序列参与模型建立过程，参数训练过
【参考文献】：
期刊论文
[1]基于OpenStack和Kubernetes的双向部署技术研究[J]. 杜磊. 电脑知识与技术. 2020(01)
[2]风电机组液压系统动态故障树的可靠性建模与评估[J]. 李垚,朱才朝,宋朝省,谭建军. 太阳能学报. 2018(12)
[3]一种AADL故障模型到动态故障树的转换方法[J]. 张晓策,燕雪峰,周勇. 计算机技术与发展. 2017(11)
[4]软件老化与抗衰的研究综述[J]. 闫永权,郭平. 武汉大学学报(工学版). 2017(04)
[5]谐波小波样本熵与HMM模型的轴承故障模式识别[J]. 李庆,LIANG Steven Y,杨建国. 上海交通大学学报. 2016(05)
[6]不完全共因失效系统动态故障树模型分析方法[J]. 王家序,周青华,肖科,秦毅,黄彦彦. 系统工程与电子技术. 2012(05)
[7]故障树模型与Markov模型的关系及转换[J]. 蒋乐天,徐国治. 系统工程与电子技术. 2003(11)
[8]动态故障树分析方法在软、硬件容错计算机系统中的应用[J]. 程明华,姚一平. 航空学报. 2000(01)
[9]软件可靠性稳定增长与安全性测试的故障树分析法[J]. 肖英柏,向剑文,徐仁佐. 小型微型计算机系统. 1999(09)
博士论文
[1]云服务基础设施中故障诊断与识别策略管理研究[D]. 哈赛（Ameen Fadhl Hasan Alkasem）.哈尔滨工业大学 2018
[2]复杂系统动态故障树分析的新方法及其应用研究[D]. 李彦锋.电子科技大学 2013
硕士论文
[1]基于马尔科夫再生过程的虚拟化系统应用服务可用性分析[D]. 刘冰.北京交通大学 2018
[2]基于隐马尔科夫模型（HMM）的股指期货收益率波动预测[D]. 李少华.西安建筑科技大学 2018
[3]计算机系统的性能参数及速度研究[D]. 林子皓.南京邮电大学 2014
[4]动态故障树分析方法研究[D]. 季会媛.国防科学技术大学 2002
本文编号：3481478
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3481478.html
