郑志学

（河南工业和信息化职业学院 河南 焦作 454000）

1 引言

近年来计算机技术高速发展，尤其是大数据技术在当前疫情环境下的大量运用，随着阿帕奇（Apache）基金会发布的一款基于Hadoop云计算平台开源项目的不断更新，使得大数据的数据计算效率得到了质的提升，而Hadoop云计算平台是以MapReduce框架为软件系统架构，以分布式计算机硬件作为硬件支撑，通过MapReduce在指定的分布式计算机集群系统中进行海量数据集的处理工作，因此整个分布式集群系统的稳定性很大程度依赖于系统的故障预测的实时性和准确性[1]。目前针对分布式计算机集群系统的故障预测基本都集中在用户使用期间所产生的故障问题采用的预测算法也较为传统，常见的预测算法有比较回归分析方法、支持向量机预测法、灰度模型预测法以及前几项常用预测法的组合方法[2]。虽然不同的预测法都能够对相应的情况进行一定量的预测，但是这些方法都只能对较为确定的用户关注点进行预测，无法对其所关注的点中不确定的可变随机值进行概率预测，尤其是在分布式集群运行过程中，往往由于系统运行环境的复杂性使得故障的产生也出现一定的随机性，因此正是由于该值的不确定性使得传统方式的预测结果都存在不同程度的偏差。

因此本文提出一种基于改进的时间序列算法进行分布式云计算集群系统的故障预测方法，将传统的时间序列预测算法同极限学习机算法相结合，通过采集云计算系统集群运行时各种维度的信息，进而通过构建相应的模型进行系统故障的预测，最后通过搭建云计算集群实验平台来验证最终的预测结果。……