• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    云計算環(huán)境下虛擬機故障預測

    2022-12-14 02:17王開放陳威偉
    現(xiàn)代電子技術(shù) 2022年24期
    關鍵詞:計算環(huán)境馬爾可夫準確率

    王開放,姜 瑛,陳威偉

    (1.云南省計算機技術(shù)應用重點實驗室,云南 昆明 650500;2.昆明理工大學信息工程與自動化學院,云南 昆明 650500)

    0 引 言

    隨著計算機技術(shù)的發(fā)展,基于虛擬化技術(shù)的大型分布式云計算系統(tǒng)開始廣泛地部署和應用。云計算作為當今互聯(lián)網(wǎng)的主要計算方式,將軟硬件資源以共享的方式提供給相應的計算機,并以這種方式為網(wǎng)絡用戶提供服務,使得用戶能夠按需獲得計算資源、存儲資源等[1]。作為實現(xiàn)云計算架構(gòu)的關鍵,虛擬化技術(shù)能夠?qū)⒂邢薜奈锢碣Y源抽象虛擬出多個具有相似特性的虛擬機實體,以便提供給更多的服務對象使用[2],從而使云計算環(huán)境中不同的物理資源都以虛擬機的形式靈活進行封裝和分配,為用戶按需提供租用服務。虛擬機作為云計算平臺的服務實體,其內(nèi)部通常會部署很多密集型和關鍵型的應用,它們會產(chǎn)生頻繁的訪存操作,這可能導致虛擬機內(nèi)存崩潰,一旦內(nèi)存崩潰,與內(nèi)存相關的所有訪存操作都將終止,會極大地影響云計算環(huán)境下虛擬機的運行[3]。特別在大規(guī)模的云計算環(huán)境中,提供服務的虛擬機有成千上萬臺,部分虛擬機會因為內(nèi)存、CPU、網(wǎng)絡等各種原因發(fā)生故障,導致虛擬機性能下降、宕機等,這將對云計算環(huán)境下虛擬機的可靠性、服務質(zhì)量及用戶體驗造成嚴重影響。因此,有效預測出虛擬機的故障是亟待解決的問題。

    1 相關工作

    國內(nèi)外已經(jīng)開展了對云計算環(huán)境下的虛擬機故障預測的廣泛研究。目前云計算環(huán)境下虛擬機故障預測的研究工作主要是:在虛擬機正常工作的條件下,采集虛擬機運行狀態(tài)數(shù)據(jù);然后通過對采集的數(shù)據(jù)進行分析,得到故障發(fā)生的規(guī)律,用于判斷虛擬機在未來一段時間內(nèi)是否發(fā)生故障。在虛擬機發(fā)生故障之前采取相關的預防措施,可以避免故障的發(fā)生或者降低故障發(fā)生帶來的損失,為云計算環(huán)境下虛擬機的可用性和可靠性提供保證[4]。

    通過預測云計算環(huán)境中物理節(jié)點的故障,可以將虛擬機分配和遷移到健康節(jié)點,從而提高服務可用性。Lin 等人提出了一種MING 模型,該模型根據(jù)歷史數(shù)據(jù)預測云服務系統(tǒng)中節(jié)點的故障傾向性,返回排序為Topr的節(jié)點為故障節(jié)點[5]。Guan 等人提出利用貝葉斯方法和決策樹方法來預測云計算系統(tǒng)中的故障。該方法需要管理員驗證檢測到的異常行為后,將這些數(shù)據(jù)添加標簽即獲取到一些具有標簽的數(shù)據(jù)集;然后利用監(jiān)督學習方法將數(shù)據(jù)集訓練出決策樹分類器來預測云計算中的故障[6]。

    魯明等人提出了一種虛擬機性能異常的預測方法,通過采用隱馬爾可夫模型刻畫當前系統(tǒng)的正確狀態(tài),并根據(jù)業(yè)務系統(tǒng)預測結(jié)果是否偏移正常狀態(tài)來判定業(yè)務系統(tǒng)是否出現(xiàn)性能異常[7]。丁三軍等人利用虛擬機的運行日志數(shù)據(jù)進行故障的模糊關聯(lián)規(guī)則挖掘,提出一種基于規(guī)則的日志數(shù)據(jù)加權(quán)處理方法,并獲得故障預測的關聯(lián)規(guī)則,得出故障預測結(jié)果[8]。Li 等人提出了一種AdaBoost 和隱馬爾可夫模型的虛擬機故障預測算法,以預測虛擬機未來的故障狀態(tài)[9]。Saxena 等人提出了一種在線虛擬機故障預測和容錯模型(OFP?TM),根據(jù)未來的資源使用情況實時估計容易發(fā)生故障的虛擬機,對易發(fā)生故障的虛擬機進行遷移,提前處理中斷,提高云平臺的可用性[10]。

    在上述研究中,如文獻[5?6]基于云計算節(jié)點運行的時間特征建立了相應的機器學習故障預測方法和模型,并根據(jù)節(jié)點的性能數(shù)據(jù)來預測性能數(shù)據(jù),然后對預測結(jié)果進行分析,這易受到云計算平臺高動態(tài)性的影響。

    此外,還有通過虛擬機可觀測的系統(tǒng)特征來對虛擬機進行故障檢測和故障預測的研究,文獻[7]通過可觀測的系統(tǒng)特征如CPU 利用率,來對云計算環(huán)境下虛擬機系統(tǒng)當前的異常狀態(tài)進行預測,但不能預測系統(tǒng)下一個時刻虛擬機系統(tǒng)的運行狀態(tài)。部分研究針對云計算平臺下的虛擬機故障預測主要是采取收集相關的日志數(shù)據(jù),根據(jù)數(shù)據(jù)挖掘規(guī)則進行故障預測,如文獻[8]易受到數(shù)據(jù)挖掘使用樣本的限制。文獻[9?10]的預測方法中存在由虛擬機負載所表現(xiàn)出的觀測狀態(tài)與虛擬機內(nèi)部安全狀態(tài)之間的關系存在不確定性,這需要進一步的探究。

    針對上述研究中存在的問題,本文提出了一種基于虛擬機的歷史故障規(guī)律建立故障預測的方法。本文方法通過分析虛擬機的歷史數(shù)據(jù)和當前運行數(shù)據(jù)的差異度來判定虛擬機當前的狀態(tài),隨后根據(jù)虛擬機的當前狀態(tài)結(jié)合歷史故障轉(zhuǎn)移規(guī)律預測下一時刻故障。為了保證云計算環(huán)境下虛擬機的可靠性和可用性,本文方法根據(jù)云計算環(huán)境下虛擬機的運行,持續(xù)對預測方法中的訓練數(shù)據(jù)進行動態(tài)更新,不斷提升其故障預測的有效性。

    2 虛擬機故障預測方法的建立

    本文將云計算環(huán)境下虛擬機故障限定為性能故障,指偏離虛擬機正常行為性能退化。與造成虛擬機立即停止運行的宕機或崩潰失效不同,性能故障通常只是造成虛擬機運行效率下降,如虛擬機CPU 負載過高,或內(nèi)存泄露可能會導致可用CPU 占用率上升、內(nèi)存數(shù)量減少等。而因為故障導致的性能異常,均可以通過對虛擬機的運行狀態(tài)的監(jiān)測數(shù)據(jù)來進行判斷。因此,本文通過監(jiān)測云計算環(huán)境下虛擬機的性能數(shù)據(jù)來預測虛擬機的故障。

    云計算平臺下的虛擬機在持續(xù)運行過程中其狀態(tài)數(shù)據(jù)始終源源不斷地產(chǎn)生,新的數(shù)據(jù)可能蘊含著新的故障規(guī)律?,F(xiàn)有的故障預測方法大多利用固定的數(shù)據(jù)集進行一次性學習,根據(jù)學習結(jié)果進行預測,未學習新運行數(shù)據(jù)所包含的故障規(guī)律。因此,本文的故障預測方法通過持續(xù)將虛擬機產(chǎn)生的運行數(shù)據(jù)加入到訓練集進行不斷訓練,學習新數(shù)據(jù)所蘊含的故障規(guī)律,以提高故障預測的準確性。

    本文的故障預測方法過程為:首先對持續(xù)采集的性能指標數(shù)據(jù)進行預處理;接著對預處理之后的數(shù)據(jù)進行特征選擇;然后計算現(xiàn)有數(shù)據(jù)與歷史數(shù)據(jù)正常狀態(tài)和故障狀態(tài)下的特征差異,并根據(jù)特征差異度來對虛擬機的當前狀態(tài)進行判斷;再根據(jù)虛擬機的歷史狀態(tài)變化規(guī)律建立馬爾可夫鏈故障預測方法,預測虛擬機下一時刻的故障狀態(tài);最后持續(xù)的更新訓練集,學習新故障發(fā)生規(guī)律。云計算環(huán)境下虛擬機故障預測方法的流程如圖1所示。

    圖1 虛擬機故障預測方法流程

    2.1 預處理虛擬機運行數(shù)據(jù)

    由于虛擬機運行數(shù)據(jù)各個指標的量綱和單位不同,有些指標數(shù)據(jù)值很大但卻不是造成故障的主要因素,而有些指標數(shù)據(jù)值很小但卻有可能是造成故障的重要因素,在不對特征進行歸一化時很難選出與故障預測、故障估測具有強相關的特征,因此本文采用StandarScaler方法對采集到的數(shù)據(jù)集進行標準化處理,使得新的數(shù)據(jù)集方差為1,均值為0,目的是消除不同維度的數(shù)據(jù)量級對故障特征選擇的影響。標準化之后的數(shù)據(jù)既保留了原數(shù)據(jù)的特性,又避免了數(shù)據(jù)值比較集中的情況。

    2.2 對運行數(shù)據(jù)進行特征選擇

    2.1 節(jié)中對數(shù)據(jù)進行標準化處理之后,消除了量綱不同而造成的影響,但是由于采集到的虛擬機運行數(shù)據(jù)的指標過多,其中有一些指標屬于噪聲數(shù)據(jù)或者與故障不相關,而這些數(shù)據(jù)輸入到預測方法將會增大運算量和開銷,并且會影響方法的預測準確性。所以為了獲得云計算環(huán)境下虛擬機的有效狀態(tài)特征,對原始數(shù)據(jù)進行降維處理是不可或缺的過程。目前常用的特征降維方法是特征提取和特征選擇,特征提取得到的最終特征集失去了原始特征集的物理含義,從而使得新得到的特征子集的可理解性差;特征選擇可以剔除掉無關的、冗余的及對虛擬機故障預測起副作用的狀態(tài)特征后,得到與故障預測強相關的精簡數(shù)據(jù)特征子集,更能反映故障規(guī)律的本質(zhì)特征[11]。且在云計算的環(huán)境中,一旦發(fā)現(xiàn)故障,可根據(jù)特征子集進行反差其故障原因,可解釋性強。因此,本文利用特征選擇的方法,即Relief 算法來獲取與虛擬機故障預測具有強相關的特征。

    2.3 根據(jù)特征差異度判斷虛擬機狀態(tài)

    通過第2.2 節(jié)中的特征選擇方法,得到了和虛擬機的故障預測具有強相關的精簡特征子集,該特征子集能反映故障規(guī)律的本質(zhì)特征,且能夠很好地判別出虛擬機的運行狀態(tài)。由于虛擬機上的負載具有復雜性、動態(tài)性,其運行數(shù)據(jù)的波動性大,所以虛擬機在故障狀態(tài)下和在正常狀態(tài)下所表現(xiàn)出的特征具有很大的差異性。根據(jù)歸屬同一類別的對象之間具有很強的相似性,反之具有極大的差異性這一特點,選取能夠刻畫不同類標簽的代表性對象實例作為參考目標,并利用其余對象與代表性對象之間的差異性來判斷其余對象的類別。本文根據(jù)差異性判別的基本思想是:訓練樣本集E中包含正常數(shù)據(jù)訓練集M和故障數(shù)據(jù)訓練集F。正常訓練集M中包含n個對象實例,故障訓練集F中包含n個對象實例,即M={x1,x2,…,xn},F(xiàn)={f1,f2,…,fn},分別從各自的訓練集中選取r個對象構(gòu)成原型集Y1,Y2,Y1={q1,q2,…,qr},Y2={s1,s2,…,sr},要求該r個對象實例能夠顯著刻畫該類標簽的特征。i∈E,q1∈Y1,s1∈Y2,Label(q1)=A,Label(s1)=B,若dis(i,q1)>dis(i,s1),則Label(i)=B,其中dis(·)函數(shù)表示兩個樣本間的距離函數(shù),本文根據(jù)樣本之間的距離大小來表示差異度。

    在差異度計算的方法中,原型集代表了一類對類標簽具有顯著識別能力的有用的樣本子集,將其作為差異度計算過程中的參考數(shù)據(jù)集[12]。本文采用文獻[12]中的二進制粒子群優(yōu)化算法選取最佳的樣本子集作為原型集。通過分析虛擬機當前運行數(shù)據(jù)與不同的原型集之間的差異度判斷虛擬機當前的故障狀態(tài)。根據(jù)特征差異度判斷虛擬機狀態(tài)算法,如算法1 所示。

    算法1:根據(jù)特征差異度判斷虛擬機狀態(tài)

    輸入:虛擬機歷史正常數(shù)據(jù)ntraindata 和標簽nlabel,歷史故障數(shù)據(jù)ftraindata 和標簽flabel,虛擬機當前數(shù)據(jù)cdata

    輸出:虛擬機故障狀態(tài)plabel

    2.4 馬爾可夫鏈預測方法構(gòu)建

    第2.3 節(jié)中利用虛擬機歷史運行數(shù)據(jù)得到了通過特征差異,來對虛擬機當前的故障狀態(tài)進行判定,然后在當前狀態(tài)的基礎上對虛擬機進行故障預測。雖然虛擬機的運行情況是根據(jù)其負載情況而動態(tài)變化的,但是虛擬機下一時刻的運行情況往往只受當前情況的影響,即虛擬機下一個時刻的運行狀態(tài)受當前狀態(tài)的影響較大而受除當前狀態(tài)之前的狀態(tài)影響較小。基于虛擬機運行情況的無后效性特點,本文提出了基于一階馬爾可夫鏈的故障預測方法,利用上文所述的虛擬機當前狀態(tài)的判定方法判定虛擬機的當前狀態(tài),并通過虛擬機的歷史運行狀態(tài)來得出其馬爾可夫的預測方法。

    馬爾可夫鏈是由俄國數(shù)學家安德雷馬爾可夫提出,相關定義和性質(zhì)在文獻[13]中有詳細的介紹,本文中簡單地引入介紹在故障模型建立的過程中所用到的一些相關的定義和性質(zhì)。馬爾可夫鏈是一組具有馬爾可夫性質(zhì)的離散隨機變量的集合,具體而言,假設隨機過程{Xn,n∈T}的參數(shù)集T是離散的時間集合,其相應Xn的狀態(tài)空間是離散的狀態(tài)集I={i1,i2,…},如果對于任意的整數(shù)n∈T和任意的i1,i2,…,in+1∈I,條件概率滿足P{Xn+1=in+1|X0=i0,X1=i1,X2=i2,…,Xn=in}=P{Xn+1=in+1|Xn=in},則稱{Xn,n∈T}為馬爾可夫鏈[14]。通過上述馬爾科夫鏈的定義不難看出,馬爾可夫鏈具有無后效性,即系統(tǒng)下一次的狀態(tài)只與當前狀態(tài)有關。

    在一個完整的馬爾可夫鏈預測過程中,條件轉(zhuǎn)移概率是至關重要的,條件轉(zhuǎn)移概率:pij(n)=P{Xn+1=j|Xn=i},即馬爾可夫鏈Xn在時刻n的一步轉(zhuǎn)移概率,其中i,j為狀態(tài)集中的狀態(tài)。根據(jù)一步轉(zhuǎn)移概率可以得出系統(tǒng)狀態(tài)的一步轉(zhuǎn)移概率矩陣P。虛擬機歷史階段中每一次狀態(tài)與下一次狀態(tài)發(fā)生的種類轉(zhuǎn)移的次數(shù),即為狀態(tài)轉(zhuǎn)移矩陣K。公式如下:

    式中:kij的物理意義為上次系統(tǒng)的狀態(tài)是i而下一次系統(tǒng)的狀態(tài)是j的次數(shù);pij為條件概率,其物理意義為上一次發(fā)生的是狀態(tài)i的條件下,下一次發(fā)生的是狀態(tài)j的概率。根據(jù)條件概率的定義,得:

    根據(jù)概率的加法公式得到:

    綜合以上兩個公式并考慮kij的物理意義,則P{xs=因此有

    根據(jù)其物理意義統(tǒng)計虛擬機歷史數(shù)據(jù)狀態(tài)轉(zhuǎn)移次數(shù)即狀態(tài)轉(zhuǎn)移矩陣K,并計算一步轉(zhuǎn)移概率矩陣P,并將當前虛擬機的狀態(tài)作為初始概率向量。根據(jù)初始概率向量和轉(zhuǎn)移概率矩陣計算出下一時刻的故障概率,根據(jù)概率判斷是否發(fā)生故障?;谔摂M機歷史數(shù)據(jù)構(gòu)建的馬爾可夫鏈預測算法如算法2 所示。

    算法2:根據(jù)虛擬機歷史數(shù)據(jù)構(gòu)建一階馬爾可夫鏈預測算法

    輸入:虛擬機歷史狀態(tài)集transition

    輸出:預測狀態(tài)state

    2.5 虛擬機下一時刻的運行狀態(tài)預測

    根據(jù)第2.3 節(jié)中對虛擬機當前狀態(tài)判定的結(jié)果和第2.4 節(jié)中的一階馬爾可夫鏈預測方法,可以預測虛擬機下一時刻的運行狀態(tài)。

    具體過程為:根據(jù)第2.3 節(jié)中介紹的差異度計算方式求出當前虛擬機當前的運行狀態(tài),確定初始概率向量,并根據(jù)轉(zhuǎn)移概率矩陣和初始概率矩陣構(gòu)建虛擬機故障預測方法,預測下一時刻虛擬機故障;然后動態(tài)更新訓練數(shù)據(jù)。在動態(tài)更新訓練數(shù)據(jù)時,首先是利用測試集來驗證預測方法的準確性,將預測的結(jié)果保存下來,預測結(jié)束后將預測結(jié)果與真實結(jié)果進行對比,計算其預測準確率,然后將測試集當作訓練集,繼續(xù)訓練來修正預測誤差。具體算法如算法3 所示。

    算法3:預測虛擬機故障算法

    輸入:虛擬機運行測試數(shù)據(jù)集data

    輸出:下一時刻的虛擬機故障狀態(tài)fstate

    3 實驗及分析

    為了驗證所提方法的有效性,本文在實驗部分搭建了Hadoop 平臺,并對平臺中虛擬機運行的真實數(shù)據(jù)進行了采集。該平臺有1 個NameNode 節(jié)點、9 個DataNode節(jié)點,共10 個虛擬機節(jié)點,分別部署在3 臺不同的物理節(jié)點上,其中2 臺為工作站,另外1 臺為服務器。數(shù)據(jù)采集部分,利用dstat 監(jiān)測工具和筆者開發(fā)的監(jiān)控程序獲取各個虛擬機運行狀態(tài)相關的數(shù)據(jù)。NameNode 節(jié)點為Master 節(jié)點,DataNode 節(jié)點為Slave 節(jié)點。DataNode 節(jié)點負責獲取虛擬機的運行數(shù)據(jù),NameNode 節(jié)點負責處理各個虛擬機的運行數(shù)據(jù)并進行故障預測。物理節(jié)點的配置如表1所示。DELL Precesion(3630)是工作站,SR650 是服務器。本文搭建的Hadoop 平臺中每臺虛擬機的環(huán)境配置都是相同的,即全都采用CentOS 7.6 版本的操作系統(tǒng),3 個VCPU,3GB 運行內(nèi)存,30 GB 的磁盤大小,Name Node 節(jié)點的IP 地址為192.168.100.223,DataNode1~DataNode9 節(jié)點的IP 地址為192.168.100.171~192.168.100.179。

    表1 物理節(jié)點配置表

    NameNode 部署在服務器上,DataNode1~DataNode5部署在工作站A 上,DataNode6~DataNode9 部署在工作站B 上。將云平臺下的各個虛擬機設置在同一個網(wǎng)段中,使得其能夠相互通信和執(zhí)行分布式的工作。

    將采集到的原始屬性通過特征選擇,選擇出16 個和虛擬機故障預測具有密切相關的屬性特征,特征信息表如表2所示。

    表2 特征信息表

    表2是通過特征選擇方法選擇的16 個特征,其能夠很好地表現(xiàn)虛擬機的運行狀態(tài),且和故障預測有較強的相關性。故障預測效果的評估方法有很多種,比較常見的評估方法有準確率(Accuracy)、召回率、精確度(Precision)和F值(召回率與精確度的調(diào)和平均)等[15]。本文的實驗評價指標是以預測準確率和預測效率作為評價指標。其中預測準確率是正確預測到的虛擬機運行狀態(tài)的樣本數(shù)占總樣本數(shù)的比率,預測效率是預測出虛擬機狀態(tài)所花費的時間。

    實驗部分一共采集各虛擬機的運行數(shù)據(jù)540 936條,其中包括140 532 條故障數(shù)據(jù)。本文將前270 000 條數(shù)據(jù)作為訓練數(shù)據(jù),剩下的數(shù)據(jù)作為測試數(shù)據(jù)。訓練數(shù)據(jù)用以獲取正常數(shù)據(jù)原型集和故障數(shù)據(jù)原型集作為差異度計算依據(jù),以及構(gòu)建一階馬爾可夫鏈預測方法,并將訓練完成的方法保存在NameNode 節(jié)點上。

    3.1 實驗一

    在本次實驗中使用270 000 條訓練數(shù)據(jù),按照本文的方法和文獻[9]的方法分別進行了訓練,270 000 條數(shù)據(jù)中有故障數(shù)據(jù)68 522 條。然后將虛擬機所發(fā)送的25 000 條測試據(jù)作為測試集,分別輸入以上兩個預測方法中進行驗證。實驗過程中通過記錄各個方法的預測準確率和預測效率來進行實驗效果的對比。兩種方法的預測準確率和預測效率如圖2、圖3所示。

    圖2 故障預測準確率

    圖3 故障預測效率

    圖2和圖3中S1~S9表示虛擬機DataNode1~DataNode9。通過以上實驗的結(jié)果可知:本文方法在對各臺虛擬機進行故障預測時,預測準確率平均在85%,預測效率為0.19 s;而文獻[9]方法,預測準確率平均在76%,效率為7.50 s。對比實驗結(jié)果可以看出,本文方法在預測準確率和預測效率上均優(yōu)于文獻[9]方法。因為文獻[9]方法利用Adaboost 進行預測,而Adaboost 集成了很多的弱分類器,每次通過迭代來更新不同分類器的權(quán)值,相對比較耗時,且文獻[9]方法針對預測的觀測結(jié)果和虛擬機隱狀態(tài)之間尚存在不確定性,所以預測準確率欠佳。

    3.2 實驗二

    在本次實驗中,利用每臺虛擬機所發(fā)送的25 000 條數(shù)據(jù)作為測試數(shù)據(jù)來驗證預測方法,在NameNode 節(jié)點上將每個虛擬機的25 000 條數(shù)據(jù)分為5 個批次進行測試和訓練,每個批次為連續(xù)的5 000 條數(shù)據(jù)。首先用第1 批次的數(shù)據(jù)在本文的預測方法上進行驗證,得出其預測預測準確率和預測效率;然后將第1 批次的測試數(shù)據(jù)作為訓練數(shù)據(jù)在之前訓練好的方法的基礎之上繼續(xù)訓練,學習新運行數(shù)據(jù)的故障規(guī)律。在第1 批次數(shù)據(jù)訓練結(jié)束后,以第2 批次的數(shù)據(jù)繼續(xù)作為測試數(shù)據(jù)進行測試,得出其預測結(jié)果;接著將第2 批數(shù)據(jù)作為訓練數(shù)據(jù),在第1 批數(shù)據(jù)訓練完成的基礎上進行繼續(xù)訓練,繼續(xù)學習新的運行數(shù)據(jù)所包含的故障規(guī)律,依次進行迭代,直到將第5 批數(shù)迭代完成,最終得到通過迭代更新訓練數(shù)據(jù)集的故障預測方法對每臺虛擬機的預測效果。

    在訓練數(shù)據(jù)未更新之前,以及加入前一批次作為訓練數(shù)據(jù),相鄰的后一批次作為測試數(shù)據(jù),在本文故障預測方法上進行驗證的預測效果如圖4所示。

    圖4 訓練數(shù)據(jù)更新之后故障預測準確率

    由圖4實驗結(jié)果可以看出:在未對訓練數(shù)據(jù)集進行迭代更新之前,本文方法對各個虛擬機的預測準確率為85%左右;在每次進行訓練集迭代更新之后,對故障的預測準確率都有不同程度的提高,在測試集的5 批數(shù)據(jù)迭代更新完之后,該方法最終的預測準確率達到了90%左右。該實驗結(jié)果說明了通過對訓練集的迭代更新能夠提升對故障的預測準確率。

    在訓練數(shù)據(jù)未進行更新迭代時,本文預測方法的預測效率是0.2 s,隨著訓練樣本進行累計更新,預測效率是2.2 s,預測效率隨著樣本累計而有所降低,但仍高于文獻[9]的預測效率。

    從實驗結(jié)果可以看出,本文預測方法的初始預測準確率不高,數(shù)據(jù)更新迭代之后存在一定的收斂等,通過分析認為,本文方法對于突變情況下預測虛擬機狀態(tài)的效果有待提高。

    4 結(jié) 語

    針對云計算環(huán)境下虛擬機故障預測,本文提出了一種基于馬爾可夫鏈的故障預測算法。首先對虛擬機運行數(shù)據(jù)進行預處理;然后對運行數(shù)據(jù)進行特征選擇,選擇出和故障預測具有強相關性的最佳特征子集;接著利用特征差異來判斷虛擬機當前的故障狀態(tài);最后利用虛擬機的歷史運行數(shù)據(jù)建立馬爾可夫鏈故障預測方法,并持續(xù)地將虛擬機的運行數(shù)據(jù)加入到訓練集對訓練集進行持續(xù)更新。實驗結(jié)果表明,本文建立的故障預測方法對虛擬機故障的預測是有效的,且對訓練數(shù)據(jù)進行持續(xù)的更新能夠提高故障的預測準確率。但是本文中也存在對于突發(fā)性故障的預測性不是很好,下一步將針對虛擬機突發(fā)故障開展相關研究。

    猜你喜歡
    計算環(huán)境馬爾可夫準確率
    云計算環(huán)境下網(wǎng)絡安全等級保護的實現(xiàn)途徑
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準確率分析
    不同序列磁共振成像診斷脊柱損傷的臨床準確率比較探討
    2015—2017 年寧夏各天氣預報參考產(chǎn)品質(zhì)量檢驗分析
    高速公路車牌識別標識站準確率驗證法
    大數(shù)據(jù)云計算環(huán)境下的數(shù)據(jù)安全
    保費隨機且?guī)в屑t利支付的復合馬爾可夫二項模型
    云計算環(huán)境中任務調(diào)度策略
    基于SOP的核電廠操縱員監(jiān)視過程馬爾可夫模型
    應用馬爾可夫鏈對品牌手機市場占有率進行預測
    亚洲精品一卡2卡三卡4卡5卡| 欧美日韩国产亚洲二区| 国产伦精品一区二区三区四那| 亚洲中文日韩欧美视频| 国产精品人妻久久久久久| 久久久久免费精品人妻一区二区| 国产精品99久久久久久久久| .国产精品久久| 1000部很黄的大片| 亚洲国产精品sss在线观看| 五月伊人婷婷丁香| 男女边吃奶边做爰视频| 亚洲欧美日韩卡通动漫| 99久国产av精品| 欧美日本视频| 久久人人精品亚洲av| 国产一区亚洲一区在线观看| 亚洲精品国产av成人精品 | 亚洲av中文av极速乱| 黑人高潮一二区| 精品久久久久久久末码| 成年av动漫网址| 91狼人影院| 男人舔奶头视频| 国产黄a三级三级三级人| 国产成人影院久久av| 精品人妻一区二区三区麻豆 | 久久久久久大精品| 国产成人aa在线观看| 亚洲欧美日韩高清在线视频| 12—13女人毛片做爰片一| 国产精品国产三级国产av玫瑰| 性插视频无遮挡在线免费观看| 极品教师在线视频| 看免费成人av毛片| 亚洲欧美成人综合另类久久久 | 狂野欧美激情性xxxx在线观看| 精品一区二区三区视频在线| 免费一级毛片在线播放高清视频| 亚洲av中文av极速乱| 一级毛片电影观看 | 国产一区二区在线av高清观看| 免费观看的影片在线观看| 精品久久久久久久久久久久久| 老熟妇乱子伦视频在线观看| 日本色播在线视频| 国产精品久久久久久av不卡| 校园春色视频在线观看| 亚洲av五月六月丁香网| 香蕉av资源在线| 亚洲五月天丁香| 99热这里只有精品一区| 免费观看在线日韩| 天堂动漫精品| 国产欧美日韩一区二区精品| 麻豆一二三区av精品| 国产成人精品久久久久久| 精品乱码久久久久久99久播| 中国美女看黄片| 别揉我奶头 嗯啊视频| 亚洲av五月六月丁香网| 亚洲自偷自拍三级| 久久九九热精品免费| 国产大屁股一区二区在线视频| 黄色日韩在线| 亚洲美女视频黄频| 最后的刺客免费高清国语| 久久久久久久久久久丰满| 网址你懂的国产日韩在线| 男女下面进入的视频免费午夜| 91久久精品国产一区二区成人| 精品午夜福利视频在线观看一区| 国内精品一区二区在线观看| 久久婷婷人人爽人人干人人爱| videossex国产| 久久久久精品国产欧美久久久| 国产高清不卡午夜福利| 久久人人爽人人爽人人片va| 久久精品国产亚洲网站| 日韩欧美在线乱码| 美女免费视频网站| 日韩欧美精品免费久久| 免费人成在线观看视频色| 亚洲成人久久性| 变态另类丝袜制服| 成年免费大片在线观看| 国产白丝娇喘喷水9色精品| 久久精品夜夜夜夜夜久久蜜豆| 亚洲国产精品成人综合色| 中文字幕免费在线视频6| 成年版毛片免费区| 亚洲av.av天堂| 最近手机中文字幕大全| 精品国内亚洲2022精品成人| av在线观看视频网站免费| 免费观看人在逋| 免费看日本二区| 亚洲av五月六月丁香网| 国产精品,欧美在线| 国产精品嫩草影院av在线观看| 国内精品久久久久精免费| 两个人的视频大全免费| 亚洲av一区综合| 老司机午夜福利在线观看视频| 国产亚洲精品综合一区在线观看| 成年版毛片免费区| 亚洲色图av天堂| 中文字幕av成人在线电影| 精品久久国产蜜桃| 午夜爱爱视频在线播放| 日日摸夜夜添夜夜添小说| 欧美不卡视频在线免费观看| 一个人看视频在线观看www免费| av.在线天堂| 女同久久另类99精品国产91| 不卡一级毛片| 99久久久亚洲精品蜜臀av| 成人三级黄色视频| 搡女人真爽免费视频火全软件 | 国产麻豆成人av免费视频| 内地一区二区视频在线| 成人精品一区二区免费| 熟妇人妻久久中文字幕3abv| 免费观看在线日韩| 热99在线观看视频| 亚洲最大成人av| 亚洲四区av| 可以在线观看毛片的网站| 日韩av不卡免费在线播放| 中国国产av一级| 久久草成人影院| h日本视频在线播放| 久久精品国产清高在天天线| 久久久久九九精品影院| 亚洲性久久影院| 看非洲黑人一级黄片| 一区二区三区免费毛片| 麻豆一二三区av精品| 成人三级黄色视频| 一本久久中文字幕| 亚洲无线观看免费| 久久久久久伊人网av| 在线免费十八禁| 日韩在线高清观看一区二区三区| 国产精品一及| 性欧美人与动物交配| 99久久九九国产精品国产免费| 在线免费观看的www视频| 亚洲欧美中文字幕日韩二区| 亚洲无线观看免费| 亚洲av免费在线观看| 国产黄色视频一区二区在线观看 | 精品国内亚洲2022精品成人| av国产免费在线观看| 国模一区二区三区四区视频| 中国美白少妇内射xxxbb| 亚洲欧美成人综合另类久久久 | 久久天躁狠狠躁夜夜2o2o| 亚洲三级黄色毛片| 黄片wwwwww| 一本久久中文字幕| 不卡视频在线观看欧美| 免费高清视频大片| 亚洲av不卡在线观看| 亚洲电影在线观看av| 国产精品爽爽va在线观看网站| 人妻久久中文字幕网| 国产熟女欧美一区二区| 我要搜黄色片| 天堂网av新在线| 国产精品福利在线免费观看| av卡一久久| 国产色婷婷99| 免费看a级黄色片| 日韩av在线大香蕉| 成人综合一区亚洲| 久久精品国产亚洲av香蕉五月| 国内精品宾馆在线| 老熟妇乱子伦视频在线观看| 亚洲国产精品sss在线观看| 国产精品人妻久久久影院| 69人妻影院| 99热这里只有是精品在线观看| 欧美最黄视频在线播放免费| 国产精品1区2区在线观看.| 搡老岳熟女国产| 99热只有精品国产| 欧美性猛交黑人性爽| av在线播放精品| 午夜激情福利司机影院| a级毛色黄片| 国产av一区在线观看免费| 麻豆一二三区av精品| 久久精品91蜜桃| 日本色播在线视频| 久久久久久久午夜电影| 好男人在线观看高清免费视频| 看黄色毛片网站| 一a级毛片在线观看| 国产亚洲精品久久久com| 亚洲欧美成人精品一区二区| 我的女老师完整版在线观看| 老司机午夜福利在线观看视频| 日本-黄色视频高清免费观看| 久久久精品欧美日韩精品| 九九爱精品视频在线观看| 国产女主播在线喷水免费视频网站 | 老司机福利观看| 亚洲第一区二区三区不卡| 我要看日韩黄色一级片| 联通29元200g的流量卡| 日韩制服骚丝袜av| 又爽又黄无遮挡网站| 国产一级毛片七仙女欲春2| 成人漫画全彩无遮挡| 久久久久精品国产欧美久久久| 男人舔奶头视频| 欧美成人一区二区免费高清观看| 国产精品亚洲美女久久久| 国产精品一及| 亚洲人成网站在线播| 一区二区三区高清视频在线| 一区二区三区免费毛片| 日韩,欧美,国产一区二区三区 | 九九久久精品国产亚洲av麻豆| 别揉我奶头~嗯~啊~动态视频| 白带黄色成豆腐渣| 欧美性感艳星| 国产在线精品亚洲第一网站| 日韩精品有码人妻一区| 久久99热6这里只有精品| 精品一区二区三区视频在线观看免费| 亚洲av熟女| 国产伦精品一区二区三区四那| 一区福利在线观看| 成人二区视频| 日韩精品青青久久久久久| 久久午夜福利片| 午夜免费男女啪啪视频观看 | 看黄色毛片网站| 国产精品一及| 成年女人毛片免费观看观看9| 国产成人精品久久久久久| 亚洲欧美日韩卡通动漫| 欧美+日韩+精品| 国产成年人精品一区二区| 又爽又黄无遮挡网站| 两个人的视频大全免费| 97热精品久久久久久| 亚洲国产日韩欧美精品在线观看| 深夜精品福利| 老师上课跳d突然被开到最大视频| 免费看a级黄色片| 男人和女人高潮做爰伦理| 精品少妇黑人巨大在线播放 | 村上凉子中文字幕在线| 国产真实乱freesex| 成年版毛片免费区| 国产高清有码在线观看视频| 人人妻人人看人人澡| 91麻豆精品激情在线观看国产| 99热这里只有是精品在线观看| 亚洲欧美精品自产自拍| 欧美xxxx黑人xx丫x性爽| 久久亚洲国产成人精品v| 精品乱码久久久久久99久播| 日本三级黄在线观看| 亚洲精品在线观看二区| 国产人妻一区二区三区在| h日本视频在线播放| 偷拍熟女少妇极品色| 亚洲欧美日韩高清在线视频| 免费电影在线观看免费观看| 国产精品久久电影中文字幕| 亚洲国产精品sss在线观看| 国产美女午夜福利| 身体一侧抽搐| 午夜精品在线福利| 插逼视频在线观看| 嫩草影院入口| 国产白丝娇喘喷水9色精品| 偷拍熟女少妇极品色| 免费人成在线观看视频色| 国产成人91sexporn| 中出人妻视频一区二区| 日韩精品青青久久久久久| 99久国产av精品国产电影| 少妇高潮的动态图| 校园人妻丝袜中文字幕| 特级一级黄色大片| 欧美日韩乱码在线| 国产亚洲精品av在线| 国产成人福利小说| 亚洲三级黄色毛片| 免费高清视频大片| 啦啦啦观看免费观看视频高清| 国产精品久久久久久精品电影| 又爽又黄无遮挡网站| 亚洲精品亚洲一区二区| 午夜爱爱视频在线播放| 成人毛片a级毛片在线播放| 久久久久九九精品影院| 全区人妻精品视频| 午夜福利在线观看吧| 成人永久免费在线观看视频| 欧美一区二区亚洲| 日日摸夜夜添夜夜添av毛片| 亚洲精品国产成人久久av| 精品一区二区三区av网在线观看| av免费在线看不卡| 在线播放国产精品三级| 搡女人真爽免费视频火全软件 | 久久久午夜欧美精品| 久久午夜亚洲精品久久| 欧美日韩一区二区视频在线观看视频在线 | 一级毛片电影观看 | 亚洲人与动物交配视频| 日韩一本色道免费dvd| 禁无遮挡网站| 夜夜看夜夜爽夜夜摸| av卡一久久| 人妻制服诱惑在线中文字幕| 精品免费久久久久久久清纯| 国产精品99久久久久久久久| 欧美日韩乱码在线| 日本熟妇午夜| 精品免费久久久久久久清纯| 看免费成人av毛片| 日日摸夜夜添夜夜爱| 国产探花极品一区二区| 美女xxoo啪啪120秒动态图| 欧美潮喷喷水| 国产欧美日韩精品亚洲av| 真实男女啪啪啪动态图| 丰满人妻一区二区三区视频av| 99热这里只有精品一区| 久久婷婷人人爽人人干人人爱| 精品日产1卡2卡| 美女大奶头视频| 性欧美人与动物交配| 中文字幕av成人在线电影| 久久6这里有精品| 淫妇啪啪啪对白视频| 又粗又爽又猛毛片免费看| 日日干狠狠操夜夜爽| 中文在线观看免费www的网站| av天堂在线播放| 乱人视频在线观看| 免费看日本二区| 精品不卡国产一区二区三区| 丰满乱子伦码专区| 亚洲久久久久久中文字幕| 婷婷色综合大香蕉| 特大巨黑吊av在线直播| 黄片wwwwww| 欧美成人精品欧美一级黄| 国产男靠女视频免费网站| 麻豆乱淫一区二区| 亚洲真实伦在线观看| 别揉我奶头~嗯~啊~动态视频| 身体一侧抽搐| 国产美女午夜福利| 神马国产精品三级电影在线观看| 非洲黑人性xxxx精品又粗又长| 欧美一区二区精品小视频在线| 日本欧美国产在线视频| 精品一区二区三区人妻视频| 99在线视频只有这里精品首页| 亚洲成人久久性| 在线免费十八禁| 91久久精品电影网| 可以在线观看的亚洲视频| 亚洲成人久久性| 国产真实乱freesex| 国内少妇人妻偷人精品xxx网站| 久久午夜亚洲精品久久| 精品人妻偷拍中文字幕| 熟女人妻精品中文字幕| 欧美+亚洲+日韩+国产| 秋霞在线观看毛片| 亚洲欧美日韩无卡精品| 欧美成人免费av一区二区三区| 黄片wwwwww| 亚洲久久久久久中文字幕| 亚洲欧美成人综合另类久久久 | 美女高潮的动态| 蜜臀久久99精品久久宅男| 久久99热6这里只有精品| 免费看a级黄色片| 欧美3d第一页| 精品久久久久久久久亚洲| 中文字幕免费在线视频6| 搡女人真爽免费视频火全软件 | 精华霜和精华液先用哪个| 晚上一个人看的免费电影| 亚洲精品成人久久久久久| 极品教师在线视频| 久久99热这里只有精品18| 中文字幕人妻熟人妻熟丝袜美| 久久久成人免费电影| 99久久成人亚洲精品观看| 免费电影在线观看免费观看| 国产探花在线观看一区二区| 噜噜噜噜噜久久久久久91| 国产午夜精品论理片| 亚洲av一区综合| 久久久久国产网址| 天天躁日日操中文字幕| 国产熟女欧美一区二区| 国产人妻一区二区三区在| 久久精品人妻少妇| 国产亚洲欧美98| 亚洲精品成人久久久久久| 国产精品久久电影中文字幕| 丰满人妻一区二区三区视频av| 亚洲在线观看片| АⅤ资源中文在线天堂| 成人精品一区二区免费| 精品免费久久久久久久清纯| 国产高清不卡午夜福利| 国产片特级美女逼逼视频| 亚洲精品亚洲一区二区| 中出人妻视频一区二区| www.色视频.com| 老女人水多毛片| 亚洲av免费在线观看| 成人欧美大片| 观看美女的网站| 白带黄色成豆腐渣| 亚洲最大成人手机在线| 国产精品久久久久久亚洲av鲁大| 如何舔出高潮| 免费电影在线观看免费观看| 天堂av国产一区二区熟女人妻| 九九热线精品视视频播放| 一个人看的www免费观看视频| 久久午夜福利片| 亚洲第一区二区三区不卡| 可以在线观看的亚洲视频| 自拍偷自拍亚洲精品老妇| 人妻久久中文字幕网| 久久久久久伊人网av| 亚洲三级黄色毛片| 久久综合国产亚洲精品| 波野结衣二区三区在线| 亚洲最大成人手机在线| 亚洲精品在线观看二区| 亚洲久久久久久中文字幕| 国产精品免费一区二区三区在线| 欧美最黄视频在线播放免费| 免费看美女性在线毛片视频| 一级av片app| 91av网一区二区| 亚洲精品乱码久久久v下载方式| 精品一区二区免费观看| 国产av麻豆久久久久久久| 舔av片在线| 国产精品一区二区三区四区免费观看 | 午夜视频国产福利| 69人妻影院| 亚洲人成网站在线播放欧美日韩| 国产麻豆成人av免费视频| 少妇人妻一区二区三区视频| 中文字幕人妻熟人妻熟丝袜美| 国产黄a三级三级三级人| 色5月婷婷丁香| 亚洲国产精品成人综合色| 免费观看在线日韩| 日本撒尿小便嘘嘘汇集6| 一a级毛片在线观看| 国产高清三级在线| 亚洲性夜色夜夜综合| 国内精品一区二区在线观看| 给我免费播放毛片高清在线观看| 国产av在哪里看| 精品久久久久久成人av| 国产精品人妻久久久影院| 亚洲成av人片在线播放无| 91在线精品国自产拍蜜月| 一级黄色大片毛片| 成人av在线播放网站| 国产真实伦视频高清在线观看| 久久久久久久久久久丰满| 床上黄色一级片| 特级一级黄色大片| 男插女下体视频免费在线播放| 国产三级中文精品| 高清毛片免费看| 国产国拍精品亚洲av在线观看| 亚洲欧美成人精品一区二区| 美女内射精品一级片tv| 天天躁夜夜躁狠狠久久av| 亚洲欧美精品综合久久99| 97超视频在线观看视频| 久久久久免费精品人妻一区二区| 在线观看午夜福利视频| 中文字幕av成人在线电影| 晚上一个人看的免费电影| 亚洲av美国av| 久久亚洲国产成人精品v| 18禁在线无遮挡免费观看视频 | 精品日产1卡2卡| 国产成年人精品一区二区| 亚洲国产日韩欧美精品在线观看| 中国美女看黄片| 男女啪啪激烈高潮av片| 欧洲精品卡2卡3卡4卡5卡区| 国产一区二区激情短视频| 久久久久国产精品人妻aⅴ院| 久久午夜亚洲精品久久| 亚洲精品日韩av片在线观看| 国产又黄又爽又无遮挡在线| 欧美性猛交╳xxx乱大交人| 国产黄片美女视频| 最近2019中文字幕mv第一页| 国产高清激情床上av| 精品国内亚洲2022精品成人| 成人午夜高清在线视频| 99久久久亚洲精品蜜臀av| 国产精品久久久久久久久免| 99热只有精品国产| 久久久久久久久久成人| 午夜免费激情av| 最好的美女福利视频网| 精品人妻一区二区三区麻豆 | 青春草视频在线免费观看| 偷拍熟女少妇极品色| 中文亚洲av片在线观看爽| 国产精品一二三区在线看| 高清日韩中文字幕在线| 国产精品人妻久久久久久| 欧美xxxx黑人xx丫x性爽| 亚洲精品日韩在线中文字幕 | 国产熟女欧美一区二区| 色视频www国产| 日韩欧美三级三区| 久久精品国产亚洲av涩爱 | 成人美女网站在线观看视频| 日韩成人av中文字幕在线观看 | 国产69精品久久久久777片| 国产精品,欧美在线| 91狼人影院| 国产亚洲av嫩草精品影院| 国产男靠女视频免费网站| 国产aⅴ精品一区二区三区波| 日韩强制内射视频| av天堂中文字幕网| 亚洲成a人片在线一区二区| 亚洲一级一片aⅴ在线观看| 亚洲欧美成人精品一区二区| 一本久久中文字幕| 国产真实伦视频高清在线观看| 亚洲在线观看片| 狠狠狠狠99中文字幕| 麻豆久久精品国产亚洲av| 亚洲av电影不卡..在线观看| 国产国拍精品亚洲av在线观看| 看片在线看免费视频| 嫩草影院精品99| 麻豆一二三区av精品| 一级毛片久久久久久久久女| 久久鲁丝午夜福利片| 亚洲七黄色美女视频| 亚洲最大成人中文| av在线播放精品| 白带黄色成豆腐渣| 在线观看午夜福利视频| 亚洲中文字幕日韩| 国产黄色视频一区二区在线观看 | 色在线成人网| 成人美女网站在线观看视频| 99国产精品一区二区蜜桃av| 日本免费一区二区三区高清不卡| 久久久久久久久久久丰满| 99九九线精品视频在线观看视频| 永久网站在线| 极品教师在线视频| 国产精品日韩av在线免费观看| 国产高清不卡午夜福利| 欧美3d第一页| 亚洲精品粉嫩美女一区| 在线观看66精品国产| 麻豆精品久久久久久蜜桃| 国产精品免费一区二区三区在线| 日本熟妇午夜| 久久精品夜色国产| 丰满人妻一区二区三区视频av| 免费看光身美女| 最近2019中文字幕mv第一页| 国产私拍福利视频在线观看| 日本熟妇午夜| 久久精品夜色国产| 日韩欧美三级三区| 婷婷亚洲欧美| 麻豆精品久久久久久蜜桃| 精品午夜福利在线看| 国产白丝娇喘喷水9色精品| 亚洲成a人片在线一区二区| 十八禁网站免费在线| 亚洲av二区三区四区| 在线看三级毛片| 亚洲精品色激情综合| 看免费成人av毛片| 久久人人爽人人片av| 国产高清视频在线观看网站| 网址你懂的国产日韩在线| 国产亚洲欧美98| 国产黄a三级三级三级人| 国产视频一区二区在线看| 成人二区视频| 久久久精品94久久精品| 国产视频一区二区在线看| 精品日产1卡2卡| 听说在线观看完整版免费高清| 日本-黄色视频高清免费观看|