CN102650965A - 基于相空间热力学的云计算系统监控分析方法 - Google Patents

Abstract

本发明公开了一种基于相空间热力学的云计算系统监控分析方法，包括以下步骤：(1)将云计算系统中的每个计算节点的实时状态信息映射到相空间内，得到基于相空间的云计算系统的计算节点状态分布图；(2)将云计算系统中的所有计算节点的整体状态信息映射到相空间内，得到基于相空间的云计算系统的整体状态分布图；(3)采用相空间热力学的分析方法对云计算系统进行监控分析。本发明将已经很成熟并有深入的理论支撑的相空间热力学的分析方法应用于云计算分析，能够实现对云计算环境下的海量节点的集群整体进行从微观到宏观的监控，直接对集群整体的状态进行迅速高效的判断，从而对集群整体的负载情况以及集群调度策略是否得当进行有效判定。

Description

基于相空间热力学的云计算系统监控分析方法

技术领域

本发明涉及一种云计算系统监控分析方法，尤其涉及一种基于相空间热力学的云计算系统监控分析方法。

背景技术

云计算技术被提出来后立即引起了全世界科技界的高度关注，并被认为是信息产业技术的一次重大变革。云计算需要将上万台甚至上百万台服务器整合为一个弹性化的资源池向应用层提供服务，在云计算中，每一个计算设备称为计算节点，目前一般采用服务器作为计算节点。传统的云计算系统监控分析方法一般采用的都是对每个服务器的运行状况逐一进行收集并分析，这种方法在服务器数量巨大而且服务器之间关联性很高的云计算系统中显得有些力不从心。在云计算海量集群的环境下，传统针对单机的监控方法面临以下问题：

1、传统监控方法都是基于传统硬件监控模型，并没有基础的理论模型支撑，无法对其进行深入研究；

2、传统监控方法只是针对单个或少量节点前提下的监控方法，无法对云计算环境下的海量节点的集群整体进行从微观到宏观整体性的监控；

3、传统监控技术无法迅速对具有海量节点数目集群的整体状态进行迅速高效的判断，从而不能对集群整体整体的负载情况以及集群调度策略是否得当进行有效判定。

相空间是数学与物理学概念，是一个用以表示出一系统所有可能状态的空间；系统每个可能的状态都有一相对应的相空间的点。相空间是一个多维假想空间，分为多个相格(也可称为网格)，虽然相格的形状可能十分任意，但实际应用时将其定义为方形。热力学系统是由大量的高速运动的分子所构成，理论上采用牛顿力学能对每个分子的运动进行完全的追踪，但这一方法在实际上却完全行不通，实际不可能通过追踪每个分子的运动来获得系统的整体特性，这一点和云计算系统特别相似，当云计算服务器数量大到一定程度后我们对系统宏观特性的分析就不能采用普通的分析和统计方法了。传统的信息系统由于服务器数量较少，即使有规模上万的数据中心但服务器之间关联性小，从宏观到微观的对应关系还不能采用热力学的方法，而云计算系统服务器数量很大而且服务器之间的工作受相应的调度策略、系统控制流、数据流所关联影响，服务器之间存在相互作用的机制，所以呈现出与热力学系统相似的动力学特性。这正是本发明考虑问题的出发点，但将相空间热力学的分析方法应用到云计算系统监控分析中并不是简单的套用就能实现的，还有很多具体的细节需要完善，这正是本发明的创造性所在。

发明内容

本发明的目的就在于为了解决上述问题而提供一种基于相空间热力学的云计算系统监控分析方法。

为了达到上述目的，本发明采用了以下技术方案：

本发明包括以下步骤：(1)将云计算系统中的每个计算节点的实时状态信息映射到相空间内，得到基于相空间的云计算系统的计算节点状态分布图；(2)将云计算系统中的所有计算节点的整体状态信息映射到相空间内，得到基于相空间的云计算系统的整体状态分布图；(3)采用相空间热力学的分析方法对云计算系统进行监控分析。

通过将云计算系统中的每个计算节点的实时状态信息以及所有计算节点的整体状态信息映射到相空间内，从而获得基于相空间的云计算系统的计算节点状态及整体状态分布图，这种方法彻底颠覆了传统单机监控方法中不同服务器之间相互独立的特性，使云计算系统中的整体监控分析成为可能；由于相空间热力学中的分子运动与云计算系统中的节点参数变化具有类似特性，所以采用相空间热力学的分析方法对云计算系统进行监控分析能够非常精确、非常快速地获得结论，从而为迅速高效地判断集群整体的状态打下坚实的基础。

具体地，所述步骤(1)中，所述映射的关系为云计算系统中的单个计算节点的状态与热力学系统中的分子运动之间的微观映射关系；所述步骤(2)中，所述映射的关系为云计算系统的整体状态与热力学系统中的整体运动之间的宏观映射关系。

具体地，所述步骤(1)中，首先对所述云计算系统中的计算节点进行信息采集，然后将采集到的信息对应置于相空间的坐标体系中，得到基于相空间的云计算系统计算节点状态分布图。上述过程可以用软件快速完成。

作为优选，所述信息采集中，所述信息包括所述云计算系统中的计算节点的CPU占用率和内存占用率；所述相空间的坐标体系中，包括与CPU占用率对应的x轴和与内存占用率对应的y轴。计算节点的信息包括很多，但实际应用中以CPU占用率和内存占用率为主。

在云计算系统监控分析过程中，根据实际需要可以选择一种或多种类似于热力学系统中的参数分析，这些参数包括但不限于广义温度、广义绝对温度、广义绝对零度、广义熵、广义归一化熵、相空间投影点重心位置。下述内容为针对上述参数的最佳定义分析方法：

针对所述广义温度：所述相空间的坐标体系由与计算节点的CPU占用率对应的x轴和与计算节点的内存占用率对应的y轴构成，所述步骤(3)中，所述监控分析包括广义温度的定义分析，所述广义温度的计算公式为：

$T_t=\frac{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}_{\mathrm{ti}}}{v_{\max }}$ (式I)

式I中，T_t为云计算系统在t时刻的广义温度，其取值范围是[0，1]，V_t为云计算系统在t时刻的速度，V_max为云计算系统的最大速度，其值为

V_t的计算公式为：

$v_t=\sqrt{{(x_{t+1}-x_t)}^2+{(y_{t+1}-y_t)}^2}$ (式II)

式II中，X_t+1为计算节点在t+1时刻的x轴坐标，X_t为计算节点在t时刻的x轴坐标，y_t+1为计算节点在t+1时刻的y轴坐标，y_t为计算节点在t时刻的y轴坐标。

针对所述广义绝对温度和广义绝对零度：所述相空间的坐标体系由与计算节点的CPU占用率对应的x轴和与计算节点的内存占用率对应的y轴构成，设任一时刻外部对云计算系统只有两个负载请求输入参数a_i和b_i，一秒钟内有l次负载请求，所述步骤(3)中，所述监控分析包括广义绝对温度T的定义分析，所述广义绝对温度T的计算公式为：

$T=\stackrel{\‾}{V}=\stackrel{\‾}{v}+\mathrm{\Δv}=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\sqrt{{(x_i-x_{i-1})}^2+{(y_i-y_{i-1})}^2}}{m}+\frac{\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\sqrt{a_i^2+b_i^2}}{m}$ (式III)

式III中，

为云计算系统在任一时刻的总平均速度，

为一秒时间间隔内云计算系统的运动平均速度，Δv为m个计算节点一秒内的速度在外界负载输入影响下的速度变化，m为云计算系统内的计算节点的数量，X为计算节点的x轴坐标，y为计算节点的y轴坐标；

所述监控分析包括广义绝对零度T₀，所述广义绝对零度T0的值为零，表示所有计算节点的负载均为0，且无任何外部负载请求的状态。

针对所述广义熵和广义归一化熵：所述步骤(3)中，所述监控分析包括广义熵和广义归一化熵的定义分析，所述广义熵的计算公式为：

S＝klnΩ                (式IV)

式IV中，S为广义熵，k为玻尔兹曼常数，Ω为微观状态数；

所述广义归一化熵的计算公式为：

$K=\frac{S_1}{S_2}=\frac{k\ln {\mathrm{\Ω}}_1}{k\ln {\mathrm{\Ω}}_2}=\frac{\ln {\mathrm{\Ω}}_1}{\ln {\mathrm{\Ω}}_2}$ (式V)

式V中，K为广义归一化熵，S₁为云计算系统当前的广义熵，S₂为云计算系统在平衡态时的广义熵，k为玻尔兹曼常数，Ω₁为云计算系统当前的微观状态数，Ω₂为云计算系统在平衡态时的微观状态数。

进一步，实际应用中，所述广义归一化熵的近似计算方法如下：假设云计算系统需要监控分析的计算节点数为m，将相空间划分为一个n×n的网格，m个计算节点的当前工作参数映射到相空间并落入n×n的网格中，在平衡态时，m个计算节点会以随机的方式落入到n×n个网格中，m个计算节点的参数落入n×n个网格的微观状态数Ω₂＝(n×n)^m；

而在非平衡态时，m个计算节点会落入到l个网格中，这时1≤l≤n×n，m个计算节点的参数落入l个网格内，其微观状态数Ω₁＝l^m，此时，所述广义归一化熵的计算公式为当l＝1时，所述广义归一化熵K为0，这时m个计算节点参数全部落入一个网格内，云计算系统处于理想的均衡状态；当l＝n×n时，所述广义归一化熵K为1，这时m个计算节点参数随机分布于相空间内，云计算系统处于非常不理想的均衡状态；所述广义归一化熵K值越高表明云计算系统当前均衡状态越不理想；

网格n×n的密度与计算节点数量成正比，划分网格n×n满足以下条件：m＞n×n。

针对相空间投影点重心位置：所述相空间的坐标体系由与计算节点的CPU占用率对应的x轴和与计算节点的内存占用率对应的y轴构成，所述相空间划分为n×n网格，所述步骤(3)中，所述监控分析包括相空间投影点重心位置的定义分析，所述相空间投影点重心位置G(x₀，y₀)的计算公式为：

$x_0=\frac{\underset{j,l=1}{\overset{n}{\mathrm{\Σ}}}{m}_{j,l}{x}_j}{m},$ $y_0=\frac{\underset{j,l=1}{\overset{n}{\mathrm{\Σ}}}{m}_{j,l}{x}_l}{m}$ (式VI)

式VI中，X₀为G(x₀，y₀)的x轴坐标，y₀为G(x₀，y₀)的y轴坐标，X_j为n×n中每个网格中心的x轴坐标，y₁为n×n中每个网格中心的y轴坐标，m为云计算系统中计算节点的数量。

所述计算节点为云计算服务器。这与现在云计算系统的现状相吻合，但在以后的应用中，运算节点可能选择非服务器设备，依然可以采用本发明进行分析。

本发明的有益效果在于：

本发明将已经很成熟并有深入的理论支撑的相空间热力学的分析方法应用于云计算分析，能够实现对云计算环境下的海量节点的集群整体进行从微观到宏观的监控，直接对集群整体的状态进行迅速高效的判断，从而对集群整体的负载情况以及集群调度策略是否得当进行有效判定；本发明为云计算系统的健康、快速发展打下了坚实的基础。

附图说明

图1是本发明所述单个计算节点在相平面上的运动轨迹示意图；

图2是本发明所述整体计算节点的坐标示意图；

图3是本发明所述云计算系统在平衡态和非平衡态时计算节点参数在相空间的分布对比示意图；

图4是本发明所述相空间中n×n网格中n分别为100和10时的广义归一化熵的函数关系对比示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步具体描述：

本发明包括以下步骤：(1)首先对所述云计算系统中的计算节点进行信息采集，然后将采集到的实时状态信息对应置于相空间的坐标体系中，得到基于相空间的云计算系统的计算节点状态分布图；(2)将云计算系统中的所有计算节点的整体状态信息映射到相空间内，得到基于相空间的云计算系统的整体状态分布图；(3)采用相空间热力学的分析方法对云计算系统进行监控分析。上述过程可以用软件快速完成。

所述步骤(1)中，所述映射的关系为云计算系统中的单个计算节点的状态与热力学系统中的分子运动之间的微观映射关系；所述步骤(2)中，所述映射的关系为云计算系统的整体状态与热力学系统中的整体运动之间的宏观映射关系。

在云计算系统监控分析过程中，根据实际需要可以选择一种或多种类似于热力学系统中的参数分析，这些参数包括但不限于广义温度、广义绝对温度、广义绝对零度、广义熵、广义归一化熵、相空间投影点重心位置。

下述实施例为针对上述参数的最佳定义分析方法，下述内容中，计算节点采用服务器：

实施例1：

针对广义温度：如图1和图2所示，相空间的坐标体系由与服务器的CPU占用率对应的x轴和与服务器的内存占用率对应的y轴构成，此时相空间即为相平面，每一个服务器就成了该相平面里的一个点。假设在t时刻某个服务器的CPU占用率、内存占用率分别为0.6、0.5，那么t时刻该服务器在相平面中的位置见图1中t(0.6，0.5)。由于服务器的CPU占用率、内存占用率是随时间不断变化的，状态随时间转移的情况对应于平面上点的移动，相平面上的点随时间变化描绘出来的曲线叫做相轨迹，见图1中t、t+1、t+2、t+3形成的轨迹。

广义温度的计算公式为：

$T_t=\frac{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}_{\mathrm{ti}}}{v_{\max }}$ (式I)

式I中，T_t为云计算系统在t时刻的广义温度，其取值范围是[0，1]，V_t为云计算系统在t时刻的速度，V_max为云计算系统的最大速度，其值为

V_t的计算公式为：

$v_t=\sqrt{{(x_{t+1}-x_t)}^2+{(y_{t+1}-y_t)}^2}$ (式II)

式II中，X_t+1为服务器在t+1时刻的x轴坐标，X_t为服务器在t时刻的x轴坐标，y_t+1为服务器在t+1时刻的y轴坐标，y_t为服务器在t时刻的y轴坐标。

通过对所有服务器的运动轨迹图作相应的坐标化处理过后，将会得到一张平面直角坐标图，见图2，由于服务器的CPU占用率和内存占用率的取值范围都是[0，1]，所以相平面为一个正方形，将此正方形分为四个象限，即象限1，象限2，象限3，象限4，根据相空间的定义我们知道如果服务器映射到象限1则表明云计算系统的CPU占用率和内存占用率都较高，映射到象限2则表明云计算系统的CPU占用率高而内存占用率相对较低，映射到象限3则表明云计算系统的CPU占用率和内存占用率都较低，映射到象限4则表明云计算系统的CPU占用率较低而内存占用率相对较高。通过该图，我们可以根据各个服务器在各个象限的分布情况，很直观的对系统整体的负载情况进行判断，并能够据此对云计算整体集群系统的调度策略是否得当进行相应判定。

云计算系统的广义温度反映了系统当前状态下服务器的活跃程度，系统的广义温度越高，表明系统此刻的负载量越大，而如果系统的广义温度越低，说明系统的负载量越小。在广义温度为0时，说明系统处于关机状态或完全没有任务请求的状态；而广义温度为1时，说明系统处于满负荷状态，即所有的节点都在运行，当然这个是完全理想的状态。

由于系统的广义温度的变化量是和用户的信息请求息息相关的，用户请求量的增加必然会导致系统温度的增加，因此为了有效控制系统的温度的变化速率，系统往往会采用一些调度算法来降低整个系统的节点负荷，即减小系统的温度的变化速率，有效的维持系统的负载均衡度。因此监控系统可以通过观察系统广义温度的变化量来实时监控系统负载量的变化情况，如果系统温度过高，或者系统外界请求过多，监控系统便可以通知系统采取一定的调度策略来使整个系统达到一种均衡的状态。

实施例2：

针对广义绝对温度和广义绝对零度：相空间的坐标体系由与服务器的CPU占用率对应的x轴和与服务器的内存占用率对应的y轴构成，此时相空间即为相平面，设任一时刻外部对云计算系统只有两个负载请求输入参数a_i和b_i，一秒钟内有l次负载请求，广义绝对温度T的计算公式为：

$T=\stackrel{\‾}{V}=\stackrel{\‾}{v}+\mathrm{\Δv}=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\sqrt{{(x_i-x_{i-1})}^2+{(y_i-y_{i-1})}^2}}{m}+\frac{\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\sqrt{a_i^2+b_i^2}}{m}$ (式III)

式III中，

为云计算系统在任一时刻的总平均速度，

为一秒时间间隔内云计算系统的运动平均速度，Δv为m个服务器一秒内的速度在外界负载输入影响下的速度变化，m为云计算系统内的服务器的数量，X为服务器的x轴坐标，y为服务器的y轴坐标；

广义绝对温度描述了云计算系统当前向平衡态运动的趋势，这一趋势是由外界负载请求和云计算系统当前相空间运动状态同时决定的。

广义绝对零度T0的值为零，表示所有服务器的负载均为0，且无任何外部负载请求的状态。

实施例3：

针对广义熵和广义归一化熵：广义熵的计算公式为：

S＝klnΩ                    (式IV)

式IV中，S为广义熵，k为玻尔兹曼常数，Ω为微观状态数；

广义归一化熵的计算公式为：

$K=\frac{S_1}{S_2}=\frac{k\ln {\mathrm{\Ω}}_1}{k\ln {\mathrm{\Ω}}_2}=\frac{\ln {\mathrm{\Ω}}_1}{\ln {\mathrm{\Ω}}_2}$ (式V)

式V中，K为广义归一化熵，S₁为云计算系统当前的广义熵，S₂为云计算系统在平衡态时的广义熵，k为玻尔兹曼常数，Ω₁为云计算系统当前的微观状态数，Ω₂为云计算系统在平衡态时的微观状态数。

实际应用中，广义归一化熵采用如下近似计算方法：如图3和图4所示，假设云计算系统需要监控分析的服务器数量为m，将相空间划分为一个n×n的网格，m个服务器的当前工作参数映射到相空间并落入n×n的网格中，在平衡态时，如图3中A所示，m个服务器会以随机的方式落入到n×n个网格中，m个服务器的参数落入n×n个网格的微观状态数Ω₂＝(n×n)^m；

而在非平衡态时，如图3中B所示，m个服务器会落入到l个网格中，这时1≤l≤n×n，m个服务器的参数落入l个网格内，其微观状态数Ω₁＝l^m，此时，广义归一化熵的计算公式为当l＝1时，广义归一化熵K为0，这时m个服务器参数全部落入一个网格内，云计算系统处于理想的均衡状态；当l＝n×n时，广义归一化熵K为1，这时m个服务器参数随机分布于相空间内，云计算系统处于非常不理想的均衡状态；广义归一化熵K值越高表明云计算系统当前均衡状态越不理想；

如图4中C和D，网格n×n的密度与服务器数量成正比，划分网格n×n满足以下条件：m＞n×n。n越大表示服务器数量越大。

实施例4：

针对相空间投影点重心位置：相空间的坐标体系由与服务器的CPU占用率对应的x轴和与服务器的内存占用率对应的y轴构成，此时相空间即为相平面，相平面划分为n×n网格，相空间投影点重心位置G(x₀，y₀)的计算公式为：

$x_0=\frac{\underset{j,l=1}{\overset{n}{\mathrm{\Σ}}}{m}_{j,l}{x}_j}{m},$ $y_0=\frac{\underset{j,l=1}{\overset{n}{\mathrm{\Σ}}}{m}_{j,l}{x}_l}{m}$ (式VI)

式VI中，X₀为G(x₀，y₀)的x轴坐标，y₀为G(x₀，y₀)的y轴坐标，X_j为n×n中每个网格中心的x轴坐标，y₁为n×n中每个网格中心的y轴坐标，m为云计算系统中服务器的数量。

这种重心计算方法在n→∞能获得准确的重心位置，此时相空间投影点重心位置计算公式变为：

$x_0=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_i}{m}=\stackrel{\‾}{x}$ $y_0=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_i}{m}=\stackrel{\‾}{y}$

所以云计算系统相空间投影点重心位置的坐标就是被投影参数的平均值，如CPU平均占用率，内存平均占用率。相空间投影点重心位置的坐标随着系统的运行会不断变化，相空间投影点重心位置表征了系统的平均负载。通过相空间投影点重心位置的坐标我们就可以直观的了解到系统的负载情况，从而对集群整体整体的负载情况以及集群调度策略是否得当进行有效判定。

需要说明的是：在以后的应用中，运算节点可能选择非服务器设备，但只要采用上述分析方法，则依然落入本发明的保护范围。

Claims (10)

1.一种基于相空间热力学的云计算系统监控分析方法，其特征在于：包括以下步骤：(1)将云计算系统中的每个计算节点的实时状态信息映射到相空间内，得到基于相空间的云计算系统的计算节点状态分布图；(2)将云计算系统中的所有计算节点的整体状态信息映射到相空间内，得到基于相空间的云计算系统的整体状态分布图；(3)采用相空间热力学的分析方法对云计算系统进行监控分析。

2.根据权利要求1所述的基于相空间热力学的云计算系统监控分析方法，其特征在于：所述步骤(1)中，所述映射的关系为云计算系统中的单个计算节点的状态与热力学系统中的分子运动之间的微观映射关系；所述步骤(2)中，所述映射的关系为云计算系统的整体状态与热力学系统中的整体运动之间的宏观映射关系。

3.根据权利要求1所述的基于相空间热力学的云计算系统监控分析方法，其特征在于：所述步骤(1)中，首先对所述云计算系统中的计算节点进行信息采集，然后将采集到的信息对应置于相空间的坐标体系中，得到基于相空间的云计算系统计算节点状态分布图。

4.根据权利要求3所述的基于相空间热力学的云计算系统监控分析方法，其特征在于：所述信息采集中，所述信息包括所述云计算系统中的计算节点的CPU占用率和内存占用率；所述相空间的坐标体系中，包括与CPU占用率对应的x轴和与内存占用率对应的y轴。

5.根据权利要求1所述的基于相空间热力学的云计算系统监控分析方法，其特征在于：所述相空间的坐标体系由与计算节点的CPU占用率对应的x轴和与计算节点的内存占用率对应的y轴构成，所述步骤(3)中，所述监控分析包括广义温度的定义分析，所述广义温度的计算公式为：

$T_t=\frac{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}_{\mathrm{ti}}}{v_{\max }}$ (式I)

式I中，T_t为云计算系统在t时刻的广义温度，其取值范围是[0，1]，V_t为云计算系统在t时刻的速度，V_max为云计算系统的最大速度，其值为

V_t的计算公式为：

$v_t=\sqrt{{(x_{t+1}-x_t)}^2+{(y_{t+1}-y_t)}^2}$ (式II)

式II中，X_t+1为计算节点在t+1时刻的x轴坐标，X_t为计算节点在t时刻的x轴坐标，y_t+1为计算节点在t+1时刻的y轴坐标，y_t为计算节点在t时刻的y轴坐标。

6.根据权利要求1所述的基于相空间热力学的云计算系统监控分析方法，其特征在于：所述相空间的坐标体系由与计算节点的CPU占用率对应的x轴和与计算节点的内存占用率对应的y轴构成，设任一时刻外部对云计算系统只有两个负载请求输入参数a_i和b_i，一秒钟内有l次负载请求，所述步骤(3)中，所述监控分析包括广义绝对温度T的定义分析，所述广义绝对温度T的计算公式为：

$T=\stackrel{\‾}{V}=\stackrel{\‾}{v}+\mathrm{\Δv}=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\sqrt{{(x_i-x_{i-1})}^2+{(y_i-y_{i-1})}^2}}{m}+\frac{\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\sqrt{a_i^2+b_i^2}}{m}$ (式III)

式III中，

为云计算系统在任一时刻的总平均速度，

为一秒时间间隔内云计算系统的运动平均速度，Δv为m个计算节点一秒内的速度在外界负载输入影响下的速度变化，m为云计算系统内的计算节点的数量，X为计算节点的x轴坐标，y为计算节点的y轴坐标；

所述监控分析包括广义绝对零度T₀，所述广义绝对零度T0的值为零，表示所有计算节点的负载均为0，且无任何外部负载请求的状态。

7.根据权利要求1所述的基于相空间热力学的云计算系统监控分析方法，其特征在于：所述步骤(3)中，所述监控分析包括广义熵和广义归一化熵的定义分析，所述广义熵的计算公式为：

S＝klnΩ            (式IV)

式IV中，S为广义熵，k为玻尔兹曼常数，Ω为微观状态数；

所述广义归一化熵的计算公式为：

$K=\frac{S_1}{S_2}=\frac{k\ln {\mathrm{\Ω}}_1}{k\ln {\mathrm{\Ω}}_2}=\frac{\ln {\mathrm{\Ω}}_1}{\ln {\mathrm{\Ω}}_2}$ (式V)

式V中，K为广义归一化熵，S₁为云计算系统当前的广义熵，S₂为云计算系统在平衡态时的广义熵，k为玻尔兹曼常数，Ω₁为云计算系统当前的微观状态数，Ω₂为云计算系统在平衡态时的微观状态数。

8.根据权利要求7所述的基于相空间热力学的云计算系统监控分析方法，其特征在于：所述广义归一化熵的近似计算方法如下：假设云计算系统需要监控分析的计算节点数为m，将相空间划分为一个n×n的网格，m个计算节点的当前工作参数映射到相空间并落入n×n的网格中，在平衡态时，m个计算节点会以随机的方式落入到n×n个网格中，m个计算节点的参数落入n×n个网格的微观状态数Ω₂＝(n×n)^m；

而在非平衡态时，m个计算节点会落入到l个网格中，这时1≤l≤n×n，m个计算节点的参数落入l个网格内，其微观状态数Ω₁＝l^m，此时，所述广义归一化熵的计算公式为

当l＝1时，所述广义归一化熵K为0，这时m个计算节点参数全部落入一个网格内，云计算系统处于理想的均衡状态；当l＝n×n时，所述广义归一化熵K为1，这时m个计算节点参数随机分布于相空间内，云计算系统处于非常不理想的均衡状态；所述广义归一化熵K值越高表明云计算系统当前均衡状态越不理想；

网格n×n的密度与计算节点数量成正比，划分网格n×n满足以下条件：m＞n×n。

9.根据权利要求1所述的基于相空间热力学的云计算系统监控分析方法，其特征在于：所述相空间的坐标体系由与计算节点的CPU占用率对应的x轴和与计算节点的内存占用率对应的y轴构成，所述相空间划分为n×n网格，所述步骤(3)中，所述监控分析包括相空间投影点重心位置的定义分析，所述相空间投影点重心位置G(x₀，y₀)的计算公式为：

$x_0=\frac{\underset{j,l=1}{\overset{n}{\mathrm{\Σ}}}{m}_{j,l}{x}_j}{m},$ $y_0=\frac{\underset{j,l=1}{\overset{n}{\mathrm{\Σ}}}{m}_{j,l}{x}_l}{m}$ (式VI)

式VI中，X₀为G(x₀，y₀)的x轴坐标，y₀为G(x₀，y₀)的y轴坐标，X_j为n×n中每个网格中心的x轴坐标，y₁为n×n中每个网格中心的y轴坐标，m为云计算系统中计算节点的数量。

10.根据权利要求1-6和8、9中任何一项权利要求所述的基于相空间热力学的云计算系统监控分析方法，其特征在于：所述计算节点为云计算服务器。

Images