CN112882917B - 一种基于贝叶斯网络迁移的虚拟机服务质量动态预测方法 - Google Patents
一种基于贝叶斯网络迁移的虚拟机服务质量动态预测方法 Download PDFInfo
- Publication number
- CN112882917B CN112882917B CN202110286598.5A CN202110286598A CN112882917B CN 112882917 B CN112882917 B CN 112882917B CN 202110286598 A CN202110286598 A CN 202110286598A CN 112882917 B CN112882917 B CN 112882917B
- Authority
- CN
- China
- Prior art keywords
- bayesian network
- value
- data
- data set
- qos
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000005012 migration Effects 0.000 title claims abstract description 22
- 238000013508 migration Methods 0.000 title claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 230000009194 climbing Effects 0.000 claims abstract description 3
- 230000007613 environmental effect Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 12
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims description 2
- 235000015170 shellfish Nutrition 0.000 claims 1
- 230000036963 noncompetitive effect Effects 0.000 description 10
- 230000004044 response Effects 0.000 description 9
- 230000002860 competitive effect Effects 0.000 description 8
- 230000027455 binding Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000009137 competitive binding Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/301—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is a virtual computing platform, e.g. logically partitioned systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
- H04L43/50—Testing arrangements
- H04L43/55—Testing of service level quality, e.g. simulating service usage
-
- 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
- G06F2009/45591—Monitoring or debugging support
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于贝叶斯网络迁移的虚拟机服务质量动态预测方法，属于服务质量预测技术领域。本发明首先获取动态改变的虚拟机QoS数据集，并基于前向采样法获取一组辅助迁移数据集。随后，利用当前贝叶斯网络预测上述两个数据集中各实例的QoS，并根据预测结果对各实例权重进行更新，从而得到两个带权数据集。然后，基于带权数据集和当前贝叶斯网络结构，计算贝叶斯网络的参数值，并根据参数值来评估动态改变的虚拟机QoS数据是否与当前贝叶斯网络的结构拟合。若是，则仅需根据贝叶斯网络的参数值来对网络进行更新；否则，则通过爬山法来更新贝叶斯网的结构，并计算其相应参数值。最后，根据迁移后的贝叶斯网络来实现虚拟机服务质量的动态预测。
Description
技术领域
本发明涉及一种基于贝叶斯网络迁移的虚拟机服务质量动态预测方法，属于服务质量(QoS)预测技术领域。
背景技术
基础设施即服务(Infrastructure as a Service,IaaS)是云计算的三种服务模式之一。依托于虚拟化技术，IaaS的服务提供商将用户所需的计算、存储、网络及其他形式的基础设施打包成资源套件，并以虚拟机(Virtual Machine,VM)的形式提供给用户，用户在其上部署自己的操作系统以及各种形式的应用，并按需付费。在VM的提供过程中，服务提供商与用户之间签订服务等级协议(Service Level Agreement,SLA)，以保证包括价格、响应时间、网络吞吐率、可用性、可靠性以及容错性在内的服务质量(Quality of Service,QoS)指标被满足。SLA协议可以看作是服务提供商与用户之间的一种约束，任何违反这种协议的行为都会给前者带来经济、或是名誉上的损失。因此，为了避免SLA违规行为的发生，服务提供商通常要能够准确预测出虚拟机的QoS，并且根据预测结果，提前为用户替换可能会违反SLA的服务。
实际应用中，虚拟机的QoS主要受以下4类底层环境特征的影响，即：软件特征、硬件特征、配置特征以及运行时环境特征。采用合理方式来准确分析这些特征之间存在的依赖关系，并量化它们对QoS的影响，是实现准确预测QoS的前提。然而，上述4类底层环境特征是会随着时间推移而发生改变的，主要体现在以下几个方面。
1、在公有云环境中，不同时刻的虚拟机上所部属的应用所需要的虚拟CPU核数，内存、硬盘大小，以及网络带宽等硬件特征是动态变化的；而由于用户的活跃程度不同，需要处理的事件类型不同，可能导致虚拟机的配置特征也会发生改变。
2、服务中心为了节约能耗，可能会在多台物理主机之间进行虚拟机资源的整合，这种情况下，原来运行在物理CPU型号为AMD上的虚拟机可能会被迁移到CPU型号为Intel的主机上。这种情况会导致包括CPU型号、主频、末级缓存(Last Level Cache,LLC)的容量和缓存方式等运行时环境特征发生改变。
3、虚拟机上所部属应用的类型可能会发生改变。例如，应用类型由原有的计算密集型转变为I/O密集型。这使得多台虚拟机之间对资源的竞争由原先对CPU时间片的抢占，转变为对磁盘I/O带宽的竞争。这种情况可能会使得VM能够满足CPU响应时间这一QoS指标，但却违反I/O吞吐率这一QoS指标的限制。
上述情况说明了，在云服务提供的过程中，由于虚拟机上运行负载的动态性、不同时刻资源需求的不确定性、环境动态改变等因素，使得虚拟机相关特征及其对应的QoS值随时间改变呈动态变化，因此若采用静态的模型来建立虚拟机特征和QoS之间的关系，则当上述特征发生变化时，基于该模型的QoS预测结果会与实际不符。
现有技术中，预测虚拟机QoS的方法主要从两个层面出发，即应用层面和系统层面。从应用层面来看，主要是通过获取虚拟机的软、硬件特征，以及配置特征数据，并根据不同类型的Benchmark在这些虚拟机上运行时的各个QoS指标，来建立恰当的统计学习，或是机器学习模型，最后根据这些模型来预测虚拟机对应的QoS值。
《基于随机森林的虚拟机性能预测与配置优化》，计算机科学，2019，以应用程序的运行时间为QoS指标，选择了CPU型号、CPU核数、内存大小、硬盘类型等作为影响QoS的特征。通过获取特征以及在这些特征上的虚拟机运行数据，利用随机森林构建了一个QoS预测模型，实现了指定虚拟机配置时，预测虚拟机的QoS。
《使用带分类参数贝叶斯网的虚拟机性能预测》，小型微型计算机系统，2019，以I/O吞吐率以及CPU响应时间为QoS指标，通过在贝叶斯网中引入决策树的分类结果来建立QoS预测模型，且该模型的效果在阿里云公开的数据集上被有效证实。从系统层面来看，主要是通过获取硬件计数器在虚拟机运行过程中的监测数据，从而反映虚拟机运行时所对应的QoS指标，并根据这些数据值，来实现QoS的监控和预测。
《一种基于硬件计数器的虚拟机性能干扰估算方法》，软件学报，2015，指出，选择硬件计数器参数时应当考虑如下因素，参数应当被主流的硬件PMU(Performance MonitorUnit)所支持；该参数应当为系统引入尽可能小的开销；以及该参数应当与性能干扰具有强相关性。因此，他们选取末级缓存失效率(LLC Misses Rates)作为硬件计数器参数来预测QoS指标，通过获取不同应用在虚拟机上的运行结果，建立性能干扰模型的估算模型，从而实现QoS的预测。
上述模型都是通过收集一段时间内的虚拟机底层环境特征和QoS数据，来构建一个静态的“虚拟机特征-QoS模型”。然而，在动态改变的环境下，影响虚拟机QoS的底层环境也会发生改变。此时，若仍然采用静态的模型来进行虚拟机QoS预测的话，可能会导致预测结果差强人意。
迁移学习(Transfer Learning)的目的在于从原先所构建的基础模型(BaseLearner)中，找出对新任务有用的知识，并根据这些已习得的知识以及新的任务，来指导基础模型的更新，从而使该模型能够以更低的代价，来不断适应动态变化的任务。由于同一类别的任务中，有一部分的知识都是固定不变的。因此，迁移学习避免了从头开始构建基础模型时，对计算、存储以及时间的开销，实现了模型的高效更新。贝叶斯网(BayesianNetwork,BN)是一个用于表达知识之间不确定性的框架。由于影响虚拟机QoS的底层环境特征之间存在着不确定性依赖关系，且这种由于依赖关系会导致QoS在一定范围内产生波动。因此，本发明以BN为预测虚拟机QoS时的基础模型。
迁移学习近年来被广泛应用于多个领域。然而，利用迁移学习的方法来进行BN的更新，从而来预测虚拟机QoS方面的方法还未见报道。
发明内容
本发明要解决的技术问题是提供一种基于贝叶斯网络迁移的虚拟机服务质量动态预测方法，当虚拟机底层环境特征发生变化时，静态的贝叶斯网络模型无法准确预测其服务质量的问题，从而实现虚拟机服务质量的动态预测。
本发明的技术方案是：一种基于贝叶斯网络迁移的虚拟机服务质量动态预测方法，首先获取动态改变的虚拟机QoS数据集，并基于前向采样法获取一组辅助迁移数据集。随后，利用当前贝叶斯网络预测上述两个数据集中各实例的QoS，并根据预测结果对各实例权重进行更新，从而得到两个带权数据集。然后，基于带权数据集和当前贝叶斯网络结构，计算贝叶斯网络的参数值，并根据参数值来评估动态改变的虚拟机QoS数据是否与当前贝叶斯网络的结构拟合。若是，则仅需根据贝叶斯网络的参数值来对网络进行更新；否则，则通过爬山法来更新贝叶斯网的结构，并计算其相应参数值。最后，根据迁移后的贝叶斯网络来实现虚拟机服务质量的动态预测。
具体步骤为：
Step1：数据集准备。当原有贝叶斯网络构造完成后，云计算服务提供商为了节约存储空间，可以删除构造贝叶斯网络所用到的数据集，仅保留其结构和参数。而在机器学习的模式中，当用于模型训练的数据体量较大时，往往能够获得较高的准确率。因此，当不存在原有数据集时，为了使得贝叶斯网络的迁移更加准确，首先利用贝叶斯网络的前向采样法，模拟得到一组拟合原有贝叶斯网络的结构和参数的辅助数据集Ta，其包含n条数据实例；同时，随着时间推移，虚拟机的底层环境特征会发生改变，从而增加了新的虚拟机底层环境特征及其对应的QoS数据。因此，利用随机采样法从上述新增数据集中得到一组包含多条数据实例的数据集Tb，其包含m条数据实例，将辅助数据集Ta与数据集Tb合并，得到数据集T；用于提升后续贝叶斯网络更新时的有效性，实现数据增强。
Step2：基于贝叶斯网络，预测数据集T中各数据实例对应的QoS值，并将预测准确率记为Acc。
Step3：根据QoS的预测结果，更新数据集T中数据实例的权重，得到带权数据集Tnew。
数据集T中的数据包括Ta和Tb两个部分。Ta是根据原有的贝叶斯网络所模拟得到的，它符合的是未经过改变时的虚拟机底层环境特征及其对应的QoS之间的关系。因此，若Ta中数据实例的QoS值被BN预测失误，则证明它们与新的QoS预测任务不够吻合，应当降低它们在贝叶斯网络更新过程中的影响。而Tb是从新增数据集中采样得到的，它符合的是虚拟机底层环境特征动态改变后，与其所对应的QoS之间的关系。因此，若这些数据的QoS被预测错误，则证明它们在BN的更新过程中应该增加权重。
Step4：根据带权数据集Tnew计算得到当前贝叶斯网络的参数值θnew，再根据参数值θnew求得当前贝叶斯网络结构的贝叶斯信息准则评分，然后通过贝叶斯信息准则评分判断数据集Tnew是否能够与贝叶斯网络的结构进行拟合；
若能够拟合，则贝叶斯网络的结构无需更改，仅需将其参数更改为θnew；
若不能拟合，则更新贝叶斯网络的结构和参数，根据更新后的贝叶斯网络来重复执行Step2，直至准确率Acc大于阈值α，α的具体取值根据用户实际需求来确定。
所述Step1中，所述辅助数据集Ta包含n条数据实例，数据集Tb包含m条数据实例，数据集T＝Ta∪Tb为用于贝叶斯网络更新的训练数据集，其中包含了(n+m)条数据实例。
所述前向采样法为一种基于BN的逻辑采样(Logic Sampling)方法。BN为一个原先所构建的，用来反映虚拟机底层环境特征与QoS之间依赖关系的一个有向无环网络。基于BN中各个节点的拓扑序(Topological Sort)来依次对各个节点进行采样。一共有|U|个虚拟机底层环境特征，且每一个特征环境在BN中被表示为节点Ui，其中i∈{1，2，…，|U|}，且QoS在BN中被表示为节点Q。U被用来表示所有的虚拟机底层环境特征节点，C被用来表示贝叶斯网络中所有节点的集合，即C＝U∪Q。给定贝叶斯网络中节点的拓扑序ρ，贝叶斯网络中虚拟机底层环境节点和QoS节点的联合概率分布如式(1)所示：
P(C)＝P(C1|Pa(C1))*P(C2|Pa(C2))*…*P(Q|Pa(Q)) (1)
若对其中的根节点Ci(i∈{1，2，…，|C|))进行采样，则依据其独立概率分布P(Ci)；若对其中的非根节点进行采样，则依据该节点的条件概率分布P(Ci|Pa(Ci)＝k)，其中，Pa(Ci)＝k是节点Ci的父节点的采样结果。
基于公式(1)所示的BN中各个节点的联合概率分布，采样过程可以借助随机数生成器来完成。重复这个采样过程n次，可以模拟得到n条虚拟机底层环境特征与其对应的QoS实例，这些数据实例与原先所构建的贝叶斯网络的结构和参数拟合。
所述Step2具体为：
确定一组影响虚拟机服务质量的底层环境特征，使其能够体现出底层硬件、虚拟化软件、虚拟机资源配置、虚拟机运行时环境等各个方面对虚拟机服务质量的影响，其中硬件特征可能包括物理CPU微架构，如Intel skylake和AMD Steamroller；内存的容量和主频；硬盘的类型，如SATA和SSD。软件特征可能包括虚拟化平台选取的CPU的调度算法，包括credit，credit2，sedf，rtds等调度算法；CPU的虚拟化方式，包括半虚拟化与全虚拟化方式；采用的VMM软件，如Xen，VMware，KVM。资源配置特征可能包括虚拟机配置的VCPU个数；每个VCPU是否绑定到固定的核心，不同的绑定方式对虚拟机性能影响不同；虚拟机使用的内存容量；虚拟机使用的虚拟机硬盘的类型，如物理分区、LVM逻辑卷。运行时的环境特征可能包括：运行时有单个虚拟机运行还是多个虚拟机同时运行，多虚拟机同时运行对资源的竞争会对虚拟机性能造成影响；若存在多个虚拟机同时运行，干扰虚拟机的负载类型也会对待预测虚拟机的性能有影响；多主机之间调整虚拟机部署的频繁程度和持续的时间；同一物理主机上多虚拟机的部署方式。
虚拟机的服务质量(Quality of Service,QoS)主要分为难以量化的QoS以及易于量化的QoS。其中，难以量化的QoS包括安全性、可用性、可靠性、容错性等。而易于量化的QoS主要包括用户的响应时间、吞吐量等。虚拟机的响应时间被定义为用户从发出请求到用户请求得到响应的时间，可以用式(2)来计算。
RT＝T1+T2+T3 (2)
其中，T1表示用户的请求在虚拟机上执行的时间，T2表示用户的等待时间，T3表示用户请求通过网络传输的通信时间。这三个因素共同构成了用户请求的响应时间。响应时间可以很容易地通过两次时间戳的差值得到。
虚拟机的吞吐率指得是单位时间内，虚拟机正确执行用户请求的多少。同样地，公式(3)被用来定义吞吐率。
其中，
指第m个虚拟机用户请求在时刻i是否被执行，t为统计的时间段。
根据上述所确定的虚拟机的各个底层环境特征，可以配置多组虚拟机。从硬件特征、软件特征、配置特征中选取特征，如选取内存的容量，可取值为500MB，600MB，700MB等；虚拟机CPU的核心数，可取值为1，2，3，4；物理CPU的架构，可选取Intel、AMD架构等；内核的绑定方式，分为绑定与不绑定；运行时是否有其它干扰虚拟机同时运行等。按照这些选取的特征配置多组虚拟机。随后，将这些虚拟机运行在云计算服务器上，可以得到各个底层环境特征取不同值时，所对应的易于量化的虚拟机服务质量数据，如不同的响应时间、以及吞吐率等。
根据上述虚拟机底层环境特征及其对应的服务质量数据，可以构建一个贝叶斯网络。在该贝叶斯网络的结构中，表示虚拟机服务质量(QoS)的节点为Q，其取值被记为qi，且取值情况共有|q|种，即：Q＝qi(i∈{1，2，…，|q|})。
影响虚拟机QoS的底层环境特征节点共有|U|个，分别被记为U1，U2，…，U|U|，在贝叶斯网络结构中，|U|个虚拟机底层环境特征节点作为父节点，共同影响了服务质量节点Q的取值。
当给定特定的虚拟机特征配置U1＝u1，U2＝u2，...，U|U|＝u|u|时，通过公式(4)来计算节点Q的取值分别为q1，q2，…，q|Q|的条件概率，并将具有最大概率所对应的值作为当前虚拟机QoS的预测值；
计算节点Q＝qi(i∈{1，2，…，|q|})的条件概率的公式为：
基于概率理论中的链式规则，式(4)可以被分解为：
根据式(5)分别计算出Q取各个值时所对应的条件概率，其中具有最大概率的取值qi即为最终QoS的预测值，即：
qi＝arg max(P(Q＝qi|U1＝u1，U2＝u2，…，U|U|＝u|u|))
所述Step3具体为：
Step3.1：为数据集T中的每一条数据实例赋予一个初始的权重值wi，如式(6)所示：
数据集T中共有(n+m)条数据实例，其中第1至n条数据实例来自数据集Ta，第(n+1)至(n+m)条数据实例来自数据集Tb。
式(6)中，
为数据集T中前n条数据实例的初始权重值；
为数据集T中第n至(n+m)条数据实例的权重值。
Step3.2：根据QoS的预测结果，分别更新Ta和Tb中每一条数据的权重。
若辅助数据集Ta中数据实例真实的QoS值被贝叶斯网络预测错误，则降低该条数据实例在整个数据集中的权重值，降低权重的方式如式(7)所示：
式中，i∈{1,2,…,n}，
为数据实例权重的更新值，
为数据实例的原有权重值。当第一次迭代时，
sgn(qBN-qi)为符号函数，且当qBN＞qi时，该函数的结果为1；当qBN＝qi时，该函数结果为0；当qBN＜qi时，该函数的结果为-1。β为一个常数，
其中R为贝叶斯网络结构和参数更新的次数，且β≤1，qBN为该条数据实例真实的QoS值；
若数据集Tb中数据实例真实的QoS值被贝叶斯网络预测错误，则增加其权重值，增加权重的方式如式(8)所示：
式中，i∈{n+1,n+2,…,n+m}，E表示QoS被贝叶斯网络预测错误的错误率，且
E的计算方式如式(9)所示：
Step3.3：重复执行Step3.2，直至数据集T中的所有数据实例的权重都被更新，得到带权数据集Tnew。
所述Step4具体为：
Step4.1：根据带权数据集，修改最大似然估计(Maximum LikelihoodEstimation,MLE)的计算方式，从而评估不同权重的数据实例在总数据集中的所占比，如式(10)所示：
式中，
表示根据Step3所更新后的带权数据实例，
表示当节点Ui的取值为j，且其父节点的取值为第k种情况时带有权重的数据实例之和，
则表示满足节点Ui的父节点取值为第k种情况时，带权重的数据实例的总和。
根据式(10)分别计算每一个节点的条件概率的取值，以此构成新一轮迭代中贝叶斯网络的参数值θnew。
Step4.2：基于带权数据集Tnew和参数θnew，利用式(11)来计算此时贝叶斯网络结构的BIC评分，并根据BIC的评分结果来判断在新的一轮迭代中，更新后的参数θnew能否与上一轮迭代中所构建的节点之间的边Eold拟合；
式中，
表示原先构建的一个完整的贝叶斯网络，其中底层环境特征节点为U，节点之间的边为Eold，根据数据集Tnew所计算得到的贝叶斯网络的参数值为θnew。
表示当带权数据集为Tnew且贝叶斯网络的参数为θnew时，求它们与原先构建的贝叶斯网络
之间的拟合概率，并对该概率求对数值。
表示原先构建的一个完整的贝叶斯网络中的独立参数的个数，
是对贝叶斯网络模型更新之后的复杂度的罚项；
若
的结果大于根据实际需求确定的阈值β，则可认为前一轮迭代中更新后的结构能够与新的带权数据集相吻合，不必进行结构的重建，否则，执行Step4.3来重新构建贝叶斯网络的结构；
Step4.3：以前一轮迭代过程中所产生的贝叶斯网络结构作为初始结构，通过在其上进行加边、减边、以及边的反转操作来修改贝叶斯网络结构，从而得到多个修改后的候选模型结构，再通过式(12)计算各个候选结构的BIC评分，并将具有最大分数的贝叶斯网络结构作为后续的待修改模型；
BIC(GBN，θ|T)＝log P(GBN|T，θ)-(d(GBN)/2)log(m+n) (12)
式中，log P(GBN|T，θ)表示当参数为θ且数据集为T时，求它们与贝叶斯网络GBN之间的拟合概率，并对该概率求对数值，d(GBN)为结构更新后，贝叶斯网络的结构中的独立参数个数，(d(GBN)/2)log(m+n)表示对当前贝叶斯网络复杂度的罚项。
Step4.4：重复执行Step4.3，直至根据式(10)所计算得到的BIC评分值收敛至β，通过这种方式，完成BN的结构重建。根据重建后的贝叶斯网络，利用公式(5)分别计算出节点Q取各个值时所对应的条件概率，其中具有最大概率的取值qi即为最终QoS的预测值。
本发明的有益效果是：
1、通过采用自适应的权重更新办法，实现基于数据实例对QoS预测任务的“重要性”，来完成BN的参数以及结构的更新。基于BN的迁移，能够实现当虚拟机特征动态变化时，准确预测其对应的QoS值。
2、结合CBN模型中各个虚拟机特征的特点，完成参数以及结构的更新，从而有效避免了依据原有数据及新增数据实例来重构CBN时，对于计算资源和存储资源的浪费。
3、通过数据实例的权重，能够判定虚拟机所部属的环境变化的大致趋势，并通过权重的大小来发现人工难以捕捉的关系。
附图说明
图1是本发明的流程图；
图2是本发明迁移前的贝叶斯网络示例图；
图3是本发明迁移后的贝叶斯网络示例图。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
如图1所示，一种基于贝叶斯网络迁移的虚拟机服务质量动态预测方法，具体步骤为：
Step1：利用贝叶斯网络的前向采样法，模拟得到一组拟合原有贝叶斯网络的结构和参数的辅助数据集Ta，利用随机采样法从新增数据集中得到一组包含多条数据实例的数据集Tb，将辅助数据集Ta与数据集Tb合并，得到数据集T。用于提升后续贝叶斯网络更新时的有效性，实现数据增强。
Step2：基于贝叶斯网络，预测数据集T中各数据实例对应的QoS值，并将预测准确率记为Acc。
Step3：根据QoS的预测结果，更新数据集T中数据实例的权重，得到带权数据集Tnew。
Step4：根据带权数据集Tnew计算得到当前贝叶斯网络的参数值θnew，再根据参数值θnew求得当前贝叶斯网络结构的贝叶斯信息准则评分，然后通过贝叶斯信息准则评分判断数据集Tnew是否能够与贝叶斯网络的结构进行拟合。
若能够拟合，则贝叶斯网络的结构无需更改，仅需将其参数更改为θnew。
若不能拟合，则更新贝叶斯网络的结构和参数，根据更新后的贝叶斯网络来重复执行Step2，直至准确率Acc大于阈值α，α的具体取值根据用户实际需求来确定。
当影响虚拟机QoS的底层环境特征没有发生改变时，根据原有的虚拟机底层环境特征及其对应的QoS数据，构建了一个如图2所示的BN结构和参数示例。其中，VMM节点表示虚拟机监控器(VM Monitor,VMM)的类型，分别有Xen和KVM两种取值；CPUsched表示CPU的调度算法，分别有credit、SEDF、FIFO和RR四种取值；pinning表示物理CPU和虚拟CPU的绑定方式，分别有竞争绑定(competitive)和非竞争绑定(non-competitive)两种取值；QoS节点所对应的条件概率值即为特定虚拟机配置环境下的QoS值。
而当虚拟机底层环境特征发生改变时，产生了新增的虚拟机底层环境特征及其对应的QoS数据集。
Step1：数据集准备
首先通过前向采样法来模拟得到一组包含10条数据实例的数据集Ta。原有的BN如图2所示，采样过程从根节点VMM开始，且其独立概率分布P(VMM)。假设基于该节点的采样结果为VMM＝Xen。基于该取值，依据节点CPUsched和pinning的条件概率分布P(CPU sched|VMM＝Xen)，P(pinning|VMM＝Xen)来对这2个节点进行顺序采样，并假设采样结果分别为CPU sched＝credit以及pinning＝competitive。接下来，根据条件概率分布P(Q|VMM＝Xen,CPU sched＝credit,pinning＝competitive)，可以实现对节点Q的采样，并假设该节点的采样结果为Q＝10。至此，可以得到一条完整的且符合该BN结构以及参数的采样实例，即{VMM＝Xen,CPU sched＝credit,pinning＝competitive,Q＝10}。重复这个过程10次，可以模拟得到10条拟合这个BN结构和参数的数据实例，具体如表1所示。
| ID | VMM | CPU sched | pinning | QoS |
| 1 | Xen | credit | competitive | 10 |
| 2 | KVM | FIFO | non-competitive | 20 |
| 3 | KVM | RR | non-competitive | 20 |
| 4 | Xen | credit | competitive | 10 |
| 5 | Xen | RR | competitive | 10 |
| 6 | Xen | credit | competitive | 20 |
| 7 | Xen | FIFO | competitive | 20 |
| 8 | Xen | credit | non-competitive | 10 |
| 9 | KVM | RR | non-competitive | 20 |
| 10 | Xen | FIFO | non-competitive | 10 |
表1：辅助数据集Ta示例
接下来，在新增的数据集中进行随机采样，得到了一组包含5条数据实例的数据集Tb，如表2所示。Ta和Tb构成数据集T。
| ID | VMM | CPU sched | pinning | QoS |
| 1 | Xen | SEDF | competitive | 10 |
| 2 | KVM | FIFO | non-competitive | 10 |
| 3 | KVM | RR | non-competitive | 10 |
| 4 | Xen | credit | competitive | 20 |
| 5 | KVM | RR | non-competitive | 20 |
表2：数据集Tb示例
Step2：基于BN预测数据集T中各数据实例对应的QoS值，并计算预测准确率Acc
当指定虚拟机特征配置时，能够根据BN的结构和参数，来计算不同的QoS值所对应的条件概率，并选择具有最大条件概率的QoS值作为最终的预测结果。此时，设置阈值α＝0.5。以Ta中ID为1的数据实例为例，当其特征配置情况取值为：{VMM＝Xen,CPU sched＝credit,pinning＝competitive}时，通过查找BN的参数能够得到，P(Q＝10|{VMM＝Xen,CPUsched＝credit,pinning＝competitive})＝0.99，而P(Q＝20|{VMM＝Xen,CPU sched＝credit,pinning＝competitive})＝0.01。可见，在这些虚拟机特征配置下，QoS＝10的条件概率最大，因此QoS的预测结果为10。根据BN预测Ta和Tb中虚拟机QoS值的结果如表3所示，其中QoSpred即为最终的QoS预测结果，而QoSpred为0的值表示其无法根据原有BN的参数计算而得。
表3：QoS值的预测结果
根据表3中的数据，可以看出被BN预测准确的数据实例编号分别为：Ta_1，Ta_3，Ta_4，Ta_9，Tb_1，Tb_2，Tb_5。因此，准确率
由于Acc＜α，因此执行Step3。
Step3：根据QoS的预测结果，更新T中数据实例的权重
Step3.1：根据公式(6)来分别为Ta和Tb中的数据实例分配初始权重。Ta包含了10条数据实例，因此每一条实例的初始权重为0.1。Tb包含了5条数据实例，因此每一条的初始权重为0.2。由于首次迭代时w1＝wold，因此Ta和Tb的初始权值反映在表4中的wold列中。
Step3.2：在Ta中，根据公式(7)来降低QoS被预测错误的数据实例的权重。这里以Ta中ID为2的实例为例进行权重更新说明。迭代次数R被设置为5，因此
在Tb中，首先根据公式(9)计算Tb整体的QoS预测错误率E。
随后，根据公式(8)来增加其中QoS被预测错误的数据实例的权重。这里以Tb中ID为3的实例为例进行权重更新说明。即：
Step3.3：重复上述过程，直至T中所有数据权重都被更新，结果如表4的wnew列所示。
表4：更新后的带权数据集
Step4：结合带权数据，更新BN的参数和结构
Step4.1：根据如表4所示的带权数据集，利用公式(10)来修改最大似然估计。以QoS＝10，其父节点Pa(QoS)＝(Xen,credit,competitive)为例来说明参数的计算过程。在表4中，虚拟机特征取值为(Xen,credit,competitive)的ID为Ta中的1、4、6和Tb中的4。因此，计算P(QoS＝10|(Xen,credit,competitive))这个参数的计算过程为：
根据同样的方法来更新整个BN的参数后，结果如图3所示。
Step4.2：设阈值β＝-10。根据公式(11)计算更新了参数的BN与如图3所示的BN结构之间的BIC评分。即：
Step4.3：由于BIC＞β。因此，BN的结构不必根据Step4.2进行更改。至此，第一轮的BN参数和结构已经更新完成。重复Step 1-Step4，直至错误率E收敛，则BN的更新完成。根据该BN模型，能够实现虚拟机相关特征动态改变时，其对应的QoS值的预测。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (3)
1.一种基于贝叶斯网络迁移的虚拟机服务质量动态预测方法，其特征在于：
首先获取动态改变的虚拟机QoS数据集，并基于前向采样法获取一组辅助迁移数据集；再利用当前贝叶斯网络预测上述两个数据集中各实例的QoS，并根据预测结果对各实例权重进行更新，从而得到两个带权数据集；然后，基于带权数据集和当前贝叶斯网络结构，计算贝叶斯网络的参数值，并根据参数值来评估动态改变的虚拟机QoS数据是否与当前贝叶斯网络的结构拟合；若是，则仅需根据贝叶斯网络的参数值来对网络进行更新；若否，则通过爬山法来更新贝叶斯网的结构，并计算其相应参数值；最后，根据迁移后的贝叶斯网络来实现虚拟机服务质量的动态预测；
具体步骤为：
Step1：首先利用贝叶斯网络的前向采样法，模拟得到一组拟合原有贝叶斯网络的结构和参数的辅助数据集Ta，其包含n条数据实例；再利用随机采样法从新增数据集中得到一组包含多条数据实例的数据集Tb，其包含m条数据实例，将辅助数据集Ta与数据集Tb合并，得到数据集T；
Step2：基于贝叶斯网络，预测数据集T中各数据实例对应的QoS值，并将预测准确率记为Acc；
Step3：根据QoS的预测结果，更新数据集T中数据实例的权重，得到带权数据集Tnew；
Step4：根据带权数据集Tnew计算得到当前贝叶斯网络的参数值θnew，再根据参数值θnew求得当前贝叶斯网络结构的贝叶斯信息准则评分，然后通过贝叶斯信息准则评分判断数据集Tnew是否能够与贝叶斯网络的结构进行拟合；
若能够拟合，则贝叶斯网络的结构无需更改，仅需将其参数更改为θnew；
若不能拟合，则更新贝叶斯网络的结构和参数，根据更新后的贝叶斯网络来重复执行Step2，直至准确率Acc大于阈值α；
所述Step3具体为：
Step3.1：为数据集T中的每一条数据实例赋予一个初始的权重值wi，如式(3)所示：
数据集T中共有(n+m)条数据实例，其中第1至n条数据实例来自数据集Ta，第(n+1)至(n+m)条数据实例来自数据集Tb；
式(3)中，
为数据集T中前n条数据实例的初始权重值，
为数据集T中第n至(n+m)条数据实例的权重值；
Step3.2：根据QoS的预测结果，分别更新Ta和Tb中每一条数据实例的权重；
若辅助数据集Ta中数据实例真实的QoS值被贝叶斯网络预测错误，则降低该条数据实例在整个数据集中的权重值，降低权重的方式如式(4)所示：
式中，i∈{1，2，...，n}，
为数据实例权重的更新值，
为数据实例的原有权重值；当第一次迭代时，
为符号函数，且当qBN＞qi时，该函数的结果为1；当qBN＝qi时，该函数结果为0；当qBN＜qi时，该函数的结果为-1；β为一个常数，
其中R为贝叶斯网络结构和参数更新的次数，且β≤1，qBN为该条数据实例真实的QoS值；
若数据集Tb中数据实例真实的QoS值被贝叶斯网络预测错误，则增加其权重值，增加权重的方式如式(5)所示：
式中，i∈{n+1，n+2，...，n+m}，E表示QoS被贝叶斯网络预测错误的错误率，且
E的计算方式如式(6)所示：
Step3.3：重复执行Step3.2，直至数据集T中的所有数据实例的权重都被更新，得到带权数据集Tnew。
2.根据权利要求1所述的基于贝叶斯网络迁移的虚拟机服务质量动态预测方法，其特征在于所述Step2具体为：
首先构建一个贝叶斯网络，在构建好的贝叶斯网络的结构中，表示虚拟机服务质量的节点为Q，其取值被记为qi，且取值情况共有|q|种，即：Q＝qi(i∈{1，2，...，|q|})；
影响虚拟机QoS的底层环境特征节点共有|U|个，分别被记为U1，U2，...，U|U|，在贝叶斯网络结构中，|U|个虚拟机底层环境特征节点作为父节点，共同影响了虚拟机服务质量Q的取值；
当给定特定的虚拟机特征配置U1＝u1，U2＝u2，...，U|U|＝u|u|时，通过公式(1)来计算节点Q的取值分别为q1，q2，...，q|Q|的条件概率，并将具有最大概率所对应的值作为当前虚拟机QoS的预测值；
计算节点Q＝qi(i∈{1，2，...，|q|})的条件概率的公式为：
基于概率理论中的链式规则，式(1)可以被分解为：
根据式(2)分别计算出Q取各个值时所对应的条件概率，其中具有最大概率的取值qi即为最终QoS的预测值，即：
qi＝arg max(P(Q＝qi|U1＝u1，U2＝u2，…，U|U|＝u|u|))。
3.根据权利要求1所述的基于贝叶斯网络迁移的虚拟机服务质量动态预测方法，其特征在于所述Step4具体为：
Step4.1：根据带权数据集，修改最大似然估计的计算方式，从而评估不同权重的数据实例在总数据集中的所占比，如式(7)所示：
式中，
表示根据Step3所更新后的带权数据实例，
(Ui＝j，Pa(Ui)＝k)表示当节点Ui的取值为j，且其父节点的取值为第k种情况时带有权重的数据实例之和，
则表示满足节点Ui的父节点取值为第k种情况时，带权重的数据实例的总和；
根据式(7)分别计算每一个节点的条件概率的取值，以此构成新一轮迭代中贝叶斯网络的参数值θnew；
Step4.2：基于带权数据集Tnew和参数θnew，利用式(8)来计算此时贝叶斯网络结构的BIC评分，并根据BIC的评分结果来判断在新的一轮迭代中，更新后的参数θnew能否与上一轮迭代中所构建的节点之间的边Eold拟合；
式中，
表示原先构建的一个完整的贝叶斯网络，其中底层环境特征节点为U，节点之间的边为Eold，根据数据集Tnew所计算得到的贝叶斯网络的参数值为θnew；
表示当带权数据集为Tnew且贝叶斯网络的参数为θnew时，求它们与原先构建的贝叶斯网络
之间的拟合概率，并对该概率求对数值；
表示原先构建的一个完整的贝叶斯网络中的独立参数的个数，
是对贝叶斯网络模型更新之后的复杂度的罚项；
若
的结果大于根据实际需求确定的阈值β，则可认为前一轮迭代中更新后的结构能够与新的带权数据集相吻合，不必进行结构的重建，否则，执行Step4.3来重新构建贝叶斯网络的结构；
Step4.3：以前一轮迭代过程中所产生的贝叶斯网络结构作为初始结构，通过在其上进行加边、减边、以及边的反转操作来修改贝叶斯网络结构，从而得到多个修改后的候选模型结构，再通过式(9)计算各个候选结构的BIC评分，并将具有最大分数的贝叶斯网络结构作为后续的待修改模型；
BIC(GBN，θ|T)＝log P(GBN|T，θ)-(d(GBN)/2)log(m+n) (9)
式中，logP(GBN|T，θ)表示当参数为θ且数据集为T时，求它们与贝叶斯网络GBN之间的拟合概率，并对该概率求对数值，d(GBN)为结构更新后，贝叶斯网络的结构中的独立参数个数，(d(GBN)/2)log(m+n)表示对当前贝叶斯网络复杂度的罚项；
Step4.4：重复执行Step4.3，直至根据式(9)所计算得到的BIC评分值收敛至β，通过这种方式，完成BN的结构重建；
根据重建后的贝叶斯网络，利用公式(2)分别计算出节点Q取各个值时所对应的条件概率，其中具有最大概率的取值qi即为最终QoS的预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110286598.5A CN112882917B (zh) | 2021-03-17 | 2021-03-17 | 一种基于贝叶斯网络迁移的虚拟机服务质量动态预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110286598.5A CN112882917B (zh) | 2021-03-17 | 2021-03-17 | 一种基于贝叶斯网络迁移的虚拟机服务质量动态预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112882917A CN112882917A (zh) | 2021-06-01 |
| CN112882917B true CN112882917B (zh) | 2023-05-12 |
Family
ID=76041116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110286598.5A Active CN112882917B (zh) | 2021-03-17 | 2021-03-17 | 一种基于贝叶斯网络迁移的虚拟机服务质量动态预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112882917B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7468012B2 (ja) * | 2020-03-13 | 2024-04-16 | 富士通株式会社 | 管理装置、情報処理システム及び管理プログラム |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105007176A (zh) * | 2015-06-04 | 2015-10-28 | 河海大学 | 一种基于分层贝叶斯网络模型的云服务QoS预测方法 |
| CN106484496A (zh) * | 2016-10-28 | 2017-03-08 | 云南大学 | 基于贝叶斯网的虚拟机底层环境特征分析与性能度量方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8732291B2 (en) * | 2012-01-13 | 2014-05-20 | Accenture Global Services Limited | Performance interference model for managing consolidated workloads in QOS-aware clouds |
-
2021
- 2021-03-17 CN CN202110286598.5A patent/CN112882917B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105007176A (zh) * | 2015-06-04 | 2015-10-28 | 河海大学 | 一种基于分层贝叶斯网络模型的云服务QoS预测方法 |
| CN106484496A (zh) * | 2016-10-28 | 2017-03-08 | 云南大学 | 基于贝叶斯网的虚拟机底层环境特征分析与性能度量方法 |
Non-Patent Citations (4)
| Title |
|---|
| Jia Hao 等.Predicting QoS of virtual machines via Bayesian network with XGboost-induced classes.《Cluster Computing》.2020, * |
| Measuring performance degradation of virtual machines based on the Bayesian Network with hidden variables;Jia Hao 等;《International Journal of Communication System》;20180518;第1-20页 * |
| Predicting QoS of virtual machines via Bayesian network with XGboost-induced classes;Jia Hao 等;《Cluster Computing》;20200912;第1165–1184页 * |
| 云计算环境下虚拟机服务质量保证和评估方法:研究综述;郝佳等;《云南大学学报(自然科学版)》;20181110(第06期);第47-61页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112882917A (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Distributed machine learning with a serverless architecture | |
| US20190253490A1 (en) | Resource load balancing control method and cluster scheduler | |
| US8799916B2 (en) | Determining an allocation of resources for a job | |
| US11614978B2 (en) | Deep reinforcement learning for workflow optimization using provenance-based simulation | |
| CA3090095C (en) | Methods and systems to determine and optimize reservoir simulator performance in a cloud computing environment | |
| Yu et al. | Improving the smartness of cloud management via machine learning based workload prediction | |
| WO2012105969A1 (en) | Estimating a performance characteristic of a job using a performance model | |
| Debski et al. | A scalable, reactive architecture for cloud applications | |
| WO2020220437A1 (zh) | 一种基于AdaBoost-Elman的虚拟机软件老化预测方法 | |
| Naghshnejad et al. | Adaptive online runtime prediction to improve HPC applications latency in cloud | |
| Xu et al. | Laser: A deep learning approach for speculative execution and replication of deadline-critical jobs in cloud | |
| CN110825522A (zh) | Spark参数自适应优化方法及系统 | |
| Pelaez et al. | Autonomic scheduling of deadline-constrained bag of tasks in hybrid clouds | |
| CN112882917B (zh) | 一种基于贝叶斯网络迁移的虚拟机服务质量动态预测方法 | |
| Shi et al. | Location-aware and budget-constrained application replication and deployment in multi-cloud environment | |
| Bendechache et al. | Modelling and simulation of ElasticSearch using CloudSim | |
| US20160004985A1 (en) | Prioritizing Proposal Development Under Resource Constraints | |
| Yang et al. | Budget and SLA aware dynamic workflow scheduling in cloud computing with heterogeneous resources | |
| Rehani et al. | Reliability-aware workflow scheduling using monte carlo failure estimation in cloud | |
| Friebe et al. | Identification and validation of markov models with continuous emission distributions for execution times | |
| Tuli et al. | CILP: Co-Simulation-Based Imitation Learner for Dynamic Resource Provisioning in Cloud Computing Environments | |
| Singh et al. | Machine Learning based Workload Prediction for Auto-scaling Cloud Applications | |
| Bensalem et al. | Benchmarking various ML solutions in complex intent-based network management systems | |
| Iordache et al. | Predicting service level agreement violations in cloud using machine learning techniques | |
| Baughman et al. | Measuring, quantifying, and predicting the cost-accuracy tradeoff |
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 |