CN106656678B - 一种基于响应时间序列数据分析的虚拟机同驻检测方法 - Google Patents
一种基于响应时间序列数据分析的虚拟机同驻检测方法 Download PDFInfo
- Publication number
- CN106656678B CN106656678B CN201710051001.2A CN201710051001A CN106656678B CN 106656678 B CN106656678 B CN 106656678B CN 201710051001 A CN201710051001 A CN 201710051001A CN 106656678 B CN106656678 B CN 106656678B
- Authority
- CN
- China
- Prior art keywords
- virtual machine
- response time
- same
- time sequence
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
- H04L43/0864—Round trip delays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于响应时间序列数据分析的虚拟机同驻检测方法,包括:步骤1:基于ON‑OFF干扰注入机制实时采集目标虚拟机的响应时间序列,然后分别提取目标虚拟机在干扰情况下和正常情况下的响应时间序列;步骤2)处理采集数据中的异常值;步骤3)同驻概率计算;步骤4)检测结果判定。本发明方法根据云计算平台多租户资源共享的特点,采集目标虚拟机在正常情况和干扰情况下的服务响应时间序列,通过定义云滴模型间的偏离度,计算检测虚拟机与目标虚拟机之间的同驻概率,以定量地描述检测虚拟机与目标虚拟机同驻的可能性;本发明保证了同驻检测结果的准确性和可靠性,具有很好的适应性和实用价值。
Description
【技术领域】
本发明涉及虚拟化安全技术领域,具体涉及一种基于响应时间序列数据分析的虚拟机同驻检测方法。
【背景技术】
云计算作为一种新型的网络计算模式,通过网络以按需、易扩展的方式为用户提供各种虚拟的IT资源和应用服务,支持用户在任意位置、使用多种终端进行访问。云计算不仅大大减轻了用户的计算和存储负担,降低了用户对各种IT基础设施的购置和管理维护成本,也使得企业用户可以根据需求的变化随时进行应用的快速重新部署和动态扩展。
请参阅图1和图2所示,在云环境中,不同租户的虚拟机可能运行于同一台物理主机之上,即虚拟机同驻;同驻的虚拟机之间共享该物理主机的计算资源,例如CPU、内存以及网络资源等,并依赖于虚拟机监控器进行系统资源的分配与调度。由于特殊的应用需求或者计算需求,用户可能需要有目的的实现虚拟机同驻,包括其自身创建的多个虚拟机实例同驻,以及与合作用户的虚拟机实例同驻等。为了实现同驻,用户首先需要创建并运行多个虚拟机实例,然后利用虚拟机同驻检测方法逐一判断这些虚拟机是否和运行同驻检测算法的检测虚拟机同驻,并重复这一过程直至实现至少一个虚拟机和检测虚拟机同驻。可以看出,实现同驻过程中比较重要且关键的一步就是利用同驻检测方法判断虚拟机之间是否同驻,高效、准确的同驻检测方法有助于降低实现同驻的开销。
根据同驻检测的基本原理不同,已有虚拟机同驻检测方法可以分为基于网络信息的同驻检测、基于资源干扰的同驻检测和基于隐蔽信道的同驻检测。
基于网络信息的同驻检测方法,利用两个虚拟机的网络信息来判断它们之间是否同驻,例如,同驻的两个Xen虚拟机之间具有相同的第一跳IP地址,较短的网络包往返时间,以及数字上接近的内部IP地址。基于网络信息的同驻检测方法实现简单,检测效率较高,且不会对目标虚拟机的运行造成任何影响。然而,已有研究表明公有云平台已经修复了上述漏洞,上述利用网络信息进行虚拟机同驻检测的方法已经不再适用。
基于资源干扰的虚拟机同驻检测,利用两个虚拟机竞争使用共享资源时是否相互干扰来判断它们是否同驻。例如,物理网卡的多路复用会带来网络包延时问题,Bates等基于此设计了一种同驻水印方法进行虚拟机同驻检测;Zhang等设计了HomeAlone工具,租户可利用HomeAlone来检测是否有其他租户的虚拟机与其同驻;余思等通过探测L1Cache负载特征变化并基于Cache负载特征匹配的方式推断两个虚拟机是否同驻。然而,已有研究表明上述方法在云环境中均已不再适用,例如,如果物理服务器具有两块以上网卡,同驻水印技术将无法有效检测同驻;HomeAlone技术只能用于验证租户虚拟机对于物理主机的独占使用,并不能用于判断两个虚拟机是否同驻;由于利用L1Cache,余思等提出的方法只能在两个虚拟机被分配到同一个CPU核心上运行(内核级同驻)时进行有效检测,当两个虚拟机被分配到同一个CPU的不同核心(CPU级同驻)或者不同CPU之上(宿主机级同驻)运行时,该方法不再适用。然而,随着硬件技术的发展,在公有云平台中已经很难观察到两个虚拟机被分配到同一内核之上运行的情况。
基于隐蔽信道的虚拟机同驻检测基于两个虚拟机是否能够合谋操作同一宿主机的共享资源,来判断它们是否同驻。这种同驻检测方法虽然误检率低,检测结果比较准确;但是,存在一个致命的缺点,即只能应用于检测与被检测双方均为受控虚拟机((即目标虚拟机合作模式)的情况,并不能适用于现实应用场景中只有检测虚拟机受控的情况(即非目标虚拟机合作模式)。
综上所述,已有虚拟机同驻检测方法并不能很好地解决虚拟机同驻检测问题。
【发明内容】
本发明的目的在于提供一种用于虚拟机同驻检测的方法,当目标虚拟机和检测虚拟机被分配到同一个CPU之上或者同一宿主机的不同CPU之上时,均可以在非目标虚拟机合作模式下进行同驻检测,且检测结果可以以概率的形式定量地描述检测虚拟机与目标虚拟机同驻的可能性大小,保证同驻检测结果的准确性和可靠性。
为了实现上述目的,本发明采用的技术方案是:
一种基于响应时间序列数据分析的虚拟机同驻检测方法,包括以下步骤:
步骤1:基于ON-OFF干扰注入机制采集目标虚拟机的性能信息:
1.1)在干扰情况下向目标虚拟机发送服务请求,测量并记录本次请求的响应时间;
1.2)在基准情况下向目标虚拟机发送服务请求,测量并记录本次请求的响应时间;
1.3)重复步骤1.1)-步骤1.2)N(N≥10)次,并将实时采集的数据形成数据集其中为第i次采集的目标虚拟机在干扰情况下的响应时间,为第i次采集的目标虚拟机在正常情况下的响应时间;
1.4)根据RTS,得到目标虚拟机在干扰情况下的响应时间序列和正常情况下的响应时间序列
步骤2:剔除采集数据中的异常值;
步骤3:基于云滴模型计算同驻概率;
步骤4:检测结果判定:
将计算得到的同驻概率值P与设定的阈值η进行比较,如果该同驻概率值大于阈值,则检测虚拟机与目标虚拟机同驻;否则为不同驻。
进一步的,步骤2)具体包括以下步骤:
2.1)根据云滴模型的逆向云发生器,计算得到RTS+的云模型C+(Ex+,En+)和RTS-的云模型C-(Ex-,En-);
2.2)查表得到样本容量为N时的肖维勒系数ωN;
2.3)响应时间序列RTS+中满足|ti +|>ωN·En+的测量值ti +将被检测为离群值,并通过剔除所有的离群值,得到数据集
2.4)响应时间序列RTS-中满足|ti -|>ωN·En-的测量值ti -将被检测为离群值,并通过剔除所有的离群值,得到数据集
进一步的,步骤3)具体包括以下步骤:
3.1)根据云滴模型的逆向云发生器,计算得到RTS+′的云滴模型C+′(Ex+′,En+′)和RTS-′的云滴模型C-′(Ex-′,En-′);
3.2)计算云滴模型C-′(Ex-′,En-′)的期望Ex-′对于云滴模型C+′(Ex+′,En+′)的隶属度μ(Ex-′,C+′);
3.3)计算云滴模型C+′(Ex+′,En+′)的期望Ex+′对于云滴模型C-′(Ex-′,En-′)的隶属度μ(Ex+′,C-′);
3.4)计算云滴模型C-′(Ex-′,En-′)与云滴模型C+′(Ex+′,En+′)之间的偏离度δ(C-′,C+′),其中,偏离度的定义为:
3.5)计算检测虚拟机与目标虚拟机之间的同驻概率,其中,同驻概率的定义为:
P=1-δ(C-′,C+′)。
进一步的,响应时间是指从检测虚拟机向目标虚拟机发送服务请求到检测虚拟机接收到目标虚拟机服务响应的间隔时间,单位为纳秒;在干扰情况下,检测虚拟机基于总线锁定来注入干扰,具体的:锁定的原子操作当操作数不能被缓存在处理器内部时将产生总线锁定,此时检测虚拟机所在物理主机上的其它内存访问操作将被阻塞,内存访问延迟增加,导致与检测虚拟机同驻的其它虚拟机的可用性降低。
进一步的,步骤1中,干扰情况下为检测虚拟机注入干扰;基准情况为检测虚拟机不注入干扰。
一种基于响应时间序列数据分析的虚拟机同驻检测方法,该方法包括以下步骤:
步骤1:基于ON-OFF干扰注入机制实时采集目标虚拟机的响应时间序列,然后分别提取目标虚拟机在干扰情况下和正常情况下的响应时间序列;
步骤2)处理采集数据中的异常值,对于步骤1中实时采集的目标虚拟机在干扰情况下和正常情况下的响应时间序列,分别检测并剔除其中存在的离群值;
步骤3)同驻概率计算,利用步骤2处理后得到的目标虚拟机在干扰情况下和正常情况下的响应时间序列,通过定义基于云滴模型间的偏离度,计算检测虚拟机与目标虚拟机之间的同驻概率;
步骤4)检测结果判定,将步骤3中计算得到的同驻概率值与预先设定的同驻概率阈值进行比较,如果该同驻概率值大于阈值,则检测虚拟机与目标虚拟机同驻;否则为不同驻。
有益效果:与现有技术相比,本发明具有以下有益效果:
1.不依赖于网络信息,云服务提供商对于网络结构的调整不会影响本发明方法的可用性和有效性;
2.当目标虚拟机和检测虚拟机被分配到同一个CPU之上或者同一宿主机的不同CPU之上时,均可以在非目标虚拟机合作模式下进行同驻检测;
3.检测结果可以以概率值的形式定量地描述检测虚拟机与目标虚拟机同驻的可能性大小,保证了虚拟机同驻检测结果的准确性和可靠性,具有很好的适应性和实用价值。
【附图说明】
图1为虚拟机同驻场景示意图;
图2为用户实现与特定目标虚拟机同驻的过程示意图;
图3为本发明实现的虚拟机同驻检测方法的流程图;
图4为本发明方法实现的数据采集方法的流程图。
【具体实施方式】
下面结合附图,对本发明的技术方案做进一步详细说明。
如图3所示,本发明的一种基于响应时间序列数据分析的虚拟机同驻检测方法,包括以下步骤:
步骤1:基于ON-OFF干扰注入机制采集目标虚拟机的性能信息。
如图4所示,共执行N(N>=10)轮数据采集任务,在每一轮中,检测虚拟机分别在干扰情况(“ON”:检测虚拟机注入干扰)和基准情况(“OFF”:检测虚拟机不注入干扰)下向目标虚拟机发送服务请求,测量并记录目标虚拟机对于该次请求的响应时间。这种“ON”、“OFF”交替的采集方式可以尽量平均宿主机上的背景噪声以及网络状态变化对于响应时间测量的影响。N轮采集任务完成之后,得到目标虚拟机的初始响应时间序列RTS,如下所示:
其中为第i次采集的目标虚拟机在干扰情况下的响应时间,为第i次采集的目标虚拟机在正常情况下的响应时间;
根据RTS,得到目标虚拟机在干扰情况下的响应时间序列RTS+和正常情况下的响应时间序列RTS-,如下所示:
步骤2:处理采集数据中的异常值。
针对步骤1中实时采集的目标虚拟机在干扰情况下和正常情况下的响应时间序列RTS+和RTS-,分别检测并剔除其中存在的离群值,得到处理之后的响应时间序列 和具体方法为:
1)根据云滴模型的逆向云发生器,如公式(1)和公式(2)所示,计算得到RTS+的云模型C+(Ex+,En+)和RTS-的云模型C-(Ex-,En-);
2)查表得到样本容量为N时的肖维勒系数ωN;
3)如果满足|ti +|>ωN·En+,测量值ti +将被检测为离群值并被剔除;最后,得到不包含离群值的数据集
4)如果满足|ti -|>ωN·En-,测量值ti -将被检测为离群值并被剔除;最后,得到不包含离群值的数据集
步骤3:计算同驻概率。具体方法为:
1)根据云滴模型的逆向云发生器,如公式(1)和公式(2)所示,计算得到的云滴模型C+′(Ex+′,En+′),以及的云滴模型C-′(Ex-′,En-′);
2)根据公式(3),计算Ex-′对于云滴模型C+′(Ex+′,En+′)的隶属度μ(Ex-′,C+′);
3)根据公式(4),计算Ex+′对于云滴模型C-′(Ex-′,En-′)的隶属度μ(Ex+′,C-′);
4)计算云滴模型C-′(Ex-′,En-′)与云滴模型C+′(Ex+′,En+′)之间的偏离度δ(C-′,C+′),其中,偏离度的定义如公式(5)所示;
5)根据公式(6),计算检测虚拟机与目标虚拟机之间的同驻概率,其中,同驻概率的定义如公式(5)所示。
P=1-δ(C-′,C+′) (6)
步骤4:检测结果判定。具体方法为:
将步骤3中计算得到的同驻概率值P与预先设定的同驻概率阈值η(η优选取值为0.9)进行比较,如果该同驻概率值大于阈值(P>η),则检测虚拟机与目标虚拟机同驻;否则为不同驻。
综上所述,本发明提出一种基于响应时间序列数据分析的虚拟机同驻检测方法,当目标虚拟机和检测虚拟机被分配到同一个CPU之上或者同一宿主机的不同CPU之上时,均可以在非目标虚拟机合作模式下进行同驻检测;该方法采集目标虚拟机在干扰情况下和正常情况下的响应时间序列,通过定义云滴模型间的偏离度,并据此计算检测虚拟机与目标虚拟机之间同驻的概率,检测结果可以以概率值的形式定量地描述检测虚拟机与目标虚拟机同驻的可能性大小。该方法保证了虚拟机同驻检测结果的准确性和可靠性,具有很好的适应性和实用价值。
Claims (6)
1.一种基于响应时间序列数据分析的虚拟机同驻检测方法,其特征在于,包括以下步骤:
步骤1:基于ON-OFF干扰注入机制采集目标虚拟机的性能信息;ON-OFF干扰注入机制中干扰情况为“ON”:检测虚拟机注入干扰;基准情况为“OFF”:检测虚拟机不注入干扰;步骤1具体包括以下:
1.1)在干扰情况下向目标虚拟机发送服务请求,测量并记录本次请求的响应时间;
1.2)在基准情况下向目标虚拟机发送服务请求,测量并记录本次请求的响应时间;
1.3)重复步骤1.1)-步骤1.2)N次,并将实时采集的数据形成数据集 其中为第i次采集的目标虚拟机在干扰情况下的响应时间,为第i次采集的目标虚拟机在基准情况下的响应时间;N≥10;
1.4)根据RTS,得到目标虚拟机在干扰情况下的响应时间序列和基准情况下的响应时间序列
步骤2:剔除采集数据中的异常值;
步骤3:基于云滴模型计算同驻概率;
步骤4:检测结果判定:
将计算得到的同驻概率值P与设定的阈值η进行比较,如果该同驻概率值大于阈值,则检测虚拟机与目标虚拟机同驻;否则为不同驻。
2.根据权利要求1所述的一种基于响应时间序列数据分析的虚拟机同驻检测方法,其特征在于,步骤2具体包括以下步骤:
2.1)根据云滴模型的逆向云发生器,计算得到RTS+的云模型C+(Ex+,En+)和RTS-的云模型C-(Ex-,En-);
2.2)查表得到样本容量为N时的肖维勒系数ωN;
2.3)响应时间序列RTS+中满足|ti +|>ωN·En+的测量值ti +将被检测为离群值,并通过剔除所有的离群值,得到数据集P≤N;
2.4)响应时间序列RTS-中满足|ti -|>ωN·En-的测量值ti -将被检测为离群值,并通过剔除所有的离群值,得到数据集Q≤N。
3.根据权利要求2所述的一种基于响应时间序列数据分析的虚拟机同驻检测方法,其特征在于,步骤3具体包括以下步骤:
3.1)根据云滴模型的逆向云发生器,计算得到RTS+′的云滴模型C+′(Ex+′,En+′)和RTS-′的云滴模型C-′(Ex-′,En-′);
3.2)计算云滴模型C-′(Ex-′,En-′)的期望Ex-′对于云滴模型C+′(Ex+′,En+′)的隶属度μ(Ex-′,C+′);
3.3)计算云滴模型C+′(Ex+′,En+′)的期望Ex+′对于云滴模型C-′(Ex-′,En-′)的隶属度μ(Ex+′,C-′);
3.4)计算云滴模型C-′(Ex-′,En-′)与云滴模型C+′(Ex+′,En+′)之间的偏离度δ(C-′,C+′),其中,偏离度的定义为:
3.5)计算检测虚拟机与目标虚拟机之间的同驻概率,其中,同驻概率的定义为:
P=1-δ(C-′,C+′)。
4.根据权利要求1所述的一种基于响应时间序列数据分析的虚拟机同驻检测方法,其特征在于,响应时间是指从检测虚拟机向目标虚拟机发送服务请求到检测虚拟机接收到目标虚拟机服务响应的间隔时间,单位为纳秒;在干扰情况下,检测虚拟机基于总线锁定来注入干扰。
5.根据权利要求1所述的一种基于响应时间序列数据分析的虚拟机同驻检测方法,其特征在于,步骤1中,检测虚拟机为运行同驻检测方法的虚拟机,目标虚拟机为被检测的虚拟机,检测虚拟机利用同驻检测方法判断其是否和目标虚拟机同驻;检测虚拟机和目标虚拟机属于同一用户或不同的用户。
6.根据权利要求1所述的一种基于响应时间序列数据分析的虚拟机同驻检测方法,其特征在于,步骤1中,干扰情况下为检测虚拟机注入干扰;基准情况为检测虚拟机不注入干扰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710051001.2A CN106656678B (zh) | 2017-01-23 | 2017-01-23 | 一种基于响应时间序列数据分析的虚拟机同驻检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710051001.2A CN106656678B (zh) | 2017-01-23 | 2017-01-23 | 一种基于响应时间序列数据分析的虚拟机同驻检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106656678A CN106656678A (zh) | 2017-05-10 |
CN106656678B true CN106656678B (zh) | 2019-06-11 |
Family
ID=58841072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710051001.2A Active CN106656678B (zh) | 2017-01-23 | 2017-01-23 | 一种基于响应时间序列数据分析的虚拟机同驻检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106656678B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666187B (zh) * | 2020-05-20 | 2023-07-04 | 北京百度网讯科技有限公司 | 用于检测异常响应时间的方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102571746A (zh) * | 2011-11-23 | 2012-07-11 | 西安交通大学 | 一种面向云计算环境侧通道攻击防御的虚拟机部署方法 |
CN104009885A (zh) * | 2014-05-22 | 2014-08-27 | 北京大学 | 一种云环境下基于隐蔽通道的虚拟机同驻检测方法 |
US9009385B1 (en) * | 2011-06-30 | 2015-04-14 | Emc Corporation | Co-residency detection in a cloud-based system |
-
2017
- 2017-01-23 CN CN201710051001.2A patent/CN106656678B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9009385B1 (en) * | 2011-06-30 | 2015-04-14 | Emc Corporation | Co-residency detection in a cloud-based system |
CN102571746A (zh) * | 2011-11-23 | 2012-07-11 | 西安交通大学 | 一种面向云计算环境侧通道攻击防御的虚拟机部署方法 |
CN104009885A (zh) * | 2014-05-22 | 2014-08-27 | 北京大学 | 一种云环境下基于隐蔽通道的虚拟机同驻检测方法 |
Non-Patent Citations (2)
Title |
---|
A Security-awareness Virtual Machine Placement Scheme in the Cloud;Si Yu等;《2013 IEEE International Conference on High Performance Computing and Communications & 2013 IEEE International Conference》;20131115;1078-1083 |
一种采用云模型的同驻虚拟机侧通道攻击威胁度量方法;边根庆等;《西安交通大学学报》;20160430;第50卷(第4期);21-27 |
Also Published As
Publication number | Publication date |
---|---|
CN106656678A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10031827B2 (en) | Assessment of processor performance metrics by monitoring probes constructed using instruction sequences | |
CN104360924B (zh) | 一种在云数据中心环境下对虚拟机进行监控等级划分的方法 | |
CN105283849A (zh) | 针对性能和细节的并行跟踪 | |
CN105122230A (zh) | 跟踪作为服务 | |
CN104009885B (zh) | 一种云环境下基于隐蔽通道的虚拟机同驻检测方法 | |
CN103778050B (zh) | 一种数据库服务器高可用性能检测系统 | |
CN107679626A (zh) | 机器学习方法、装置、系统、存储介质及设备 | |
CN104025048A (zh) | 软件安装 | |
WO2015080742A1 (en) | Production sampling for determining code coverage | |
Beard et al. | Analysis of a simple approach to modeling performance for streaming data applications | |
JP2022119718A (ja) | トラステッド実行環境を悪意あるオペレーティングシステムに対してセキュアにするためのクローンアプリケーション検出メカニズム | |
CN104967603B (zh) | 应用账号安全验证方法及装置 | |
CN106656678B (zh) | 一种基于响应时间序列数据分析的虚拟机同驻检测方法 | |
CN110415044A (zh) | 作弊检测方法、装置、设备及存储介质 | |
Hachem et al. | Service-oriented middleware for the mobile internet of things: A scalable solution | |
CN106060048A (zh) | 一种网络资源访问方法和装置 | |
Sim et al. | Noise variance estimation using image noise cross‐correlation model on SEM images | |
Haak et al. | Autonomic benchmarking for cloud infrastructures: an economic optimization model | |
US10067778B2 (en) | Management system, recording medium and method for managing virtual machines | |
CN116974874A (zh) | 数据库的测试方法、装置、电子设备及可读存储介质 | |
US20120311129A1 (en) | Identifying a difference in applicatioin performance | |
Wang et al. | Virtual network embedding with pre‐transformation and incentive convergence mechanism | |
CN105930260B (zh) | 一种系统可用性测试方法及装置 | |
WO2017202241A1 (zh) | 一种串线检测方法、装置及操作维护服务器 | |
Lopez et al. | Quality estimation of virtual machine placement in cloud infrastructures |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |