鲁 明,宋馥莉

(河南广播电视大学，河南 郑州 450008)

基于隐马尔可夫模型的虚拟机性能异常预测

鲁 明,宋馥莉

(河南广播电视大学，河南 郑州 450008)

基于隐马尔可夫模型(Hidden markov model，简称HMM)的虚拟机性能，提出了一种虚拟机性能异常的预测方法。该方法的核心思想是基于业务系统的运行时资源消耗具有一定的规律性。通过该规律性采用隐马尔可夫模型刻画当前业务系统的正确状态，并根据业务系统预测结果是否偏移正常状态来判定业务系统是否出现性能异常。基于TPC-W的试验结果显示，该方法具有快速发现和定位性能异常的能力，且其运行时开销较小。

虚拟机;性能异常发现;机器学习

随着云计算业务范围的不断扩展，越来越多的关键业务系统向云计算迁移，云计算服务的可靠性和稳定性日益被关注。虚拟机作为构建云计算底层信息化的关键性基础设施，其运行性能的优劣和可靠性，直接关系到用户对云服务的体验度和满意度[1-2]。软件分布在 Internet 上应该是自治的、上下文敏感的、演化的,所以需要提供更好的可扩展性、可读性和可重用性[3]。如何对虚拟机性能异常进行准确预测，对虚拟机的故障信息进行准确及时定位成为研究热点。第3方数据显示，谷歌网络的故障率约为每年每集群1 h，国内阿里云数据服务商的3 000台规模服务器每天会损坏3块硬盘，其sata磁盘年故障率约为3.6%。传统虚拟机性能异常预测技术，主要针对系统正常运行情况下的参数轮廓……