基于EMPC-BCGRU的云虚拟机CPU负载分析预测

云平台资源预测对于云资源管理和节能具有非常重要的意义。云虚拟机技术是云平台为了充分利用物理资源而实施的一种虚拟化手段,但是有效的云虚拟机负载预测仍具有挑战性,因为云虚拟机负载具有周期性和非周期性的变化模式以及突变的负载峰值,云虚拟机负载受到用户随机提交作业的影响。为了准确分析云虚拟机负载的变化模式,提升云虚拟机CPU负载预测性能,提出了一种基于分解-预测的云虚拟机负载预测方法。通过经验模态分解和主成分分析的云虚拟机负载模式分解,得到不同尺度的特征波动序列;预测模型的卷积层能够充分提取分解后的特征,并通过双向门控循环神经网络双向学习序列的前向和后向依赖关系,提高了预测模型学习云虚拟机负载变化模式的能力。最后,在真实云环境微软Azure产生的2019 VM数据集上进行单步和多步预测实验,验证了所提预测方法的有效性。

一种基于服务次数的云虚拟机资源部署算法

通过动态调整虚拟机资源配置,降低整体的能耗,提高云数据中心资源的利用率。本文首先给出了一种云虚拟机资源部署模型,能够以较低成本实现任务级调度。其次,给出了一种基于服务次数的云虚拟机资源部署的算法,综合考虑虚拟机上一次服务完毕后的等待时间、已经服务的次数和服务技能值对调度算法的影响,根据线性加权权重值的大小来决定虚拟机调度的先后。最后,然后通过虚拟机排班模型仿真调整整型规划问题的限制条件,找到最佳方案,验证了基于服务次数的云虚拟机资源部署的算法在云数据中心资源部署中的有效性。

云虚拟机异常检测场景下改进的LOF算法

针对云服务中由于资源超额预定造成负载不均衡的云虚拟机异常,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)算法,将云虚拟机在密度空间中的性质融合至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。实验结果表明,所提出的算法对云服务负载不均造成的云虚拟机异常有着良好的检测效率,并且时间花费较少。

基于LSTM-GRBM的云虚拟机异常检测

本文提出了一种对云虚拟机进行异常检测的模型LsGrbmAd.该模型首先通过长短期记忆网络(LSTM)捕获云虚拟机性能指标的时序特征,同时利用Dropout以防止数据过拟合;其次利用高斯玻尔兹曼机(GRBM)得出自由能;最后利用得出的自由能与训练阶段得到的参数基准模型进行对比,判断云虚拟机是否出现异常.实验表明该模型能够对云虚拟机进行异常检测,且准确率有较大的提升.

基于电信行业云虚拟机扩展研究

随着云计算和云存储等技术的飞速发展,在行业及企业用户中已经有了广阔的前景,对于云服务的需求越加越升。本文在分析云服务技术背景下,运营商在原有云服务业务范围例如联通沃云,服务企业甚至个人云虚拟机功能在线编程,企业软件使用,个人游戏娱乐等应用扩展研究。

基于FHMIPv6的云计算IPv4/IPv6虚拟机迁移系统设计

为满足云计算基础平台利用异构网络资源建设的需求,设计实现了基于隧道技术、前缀管理、地址池管理协作及FHMIPv6的云计算IPv4/IPv6虚拟机迁移系统;系统将传统IPv4/IPv6过渡技术与FHMIPv6技术应用于云计算平台的虚拟机迁移,利用文中设计的云计算控制引擎作为核心与开发的特权虚拟机交互完成虚拟机迁移;经实验验证系统可实现IPv4/IPv6初期中期后期的虚拟机无缝迁移;该系统可应用于IPv4/IPv6过渡期间云计算基础平台建设。

云计算网络下虚拟机负载均衡方法仿真

由于不能合理协调网络运行资源,导致通信拥挤、安全性能下降,为此,提出基于逻辑分区的云虚拟机负载均衡优化算法。采用逻辑分区方式划分各分区虚拟机负载情况与业务形式,并以平均任务完成时长当作优化目标,搭建资源调度数学模型,根据虚拟机配置数组情况把多维资源协调问题变换成单维协调问题;利用遗传算法对单维虚拟机资源编码与解码,生成新的资源,运用基因突变原理自适应调节资源,完成负载均衡优化。实验结果表明,所提算法负载均衡效果较好,资源调度时间最短,并具有良好的收敛性。

FMIPv6云计算微移动迁移系统设计

设计实现了基于隧道技术、前缀管理、地址池管理协作及FMIPv6的云计算IPv4/IPv6虚拟机迁移系统。系统将传统IPv4/IPv6过渡技术与FMIPv6技术应用于云计算平台的虚拟机迁移,利用文中设计的云计算控制引擎作为核心与开发的特权虚拟机交互完成虚拟机迁移。经实验验证系统可实现IPv4/IPv6初期中期后期的虚拟机无缝迁移。该系统可应用于IPv4/IPv6过渡期间云计算基础平台建设。