[發(fā)明專利]基于含隱變量貝葉斯網(wǎng)的虛擬機性能下降評估方法

有效

• 申請?zhí)枺?/td>: 201711432646.7
• 申請日: 2017-12-26
• 公開（公告）號: CN108037979B
• 公開（公告）日: 2021-07-13
• 發(fā)明（設計）人: 郝佳;張彬彬;岳昆;武浩
• 申請（專利權）人: 云南大學
• 主分類號: G06F9/455
• 分類號: G06F9/455
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平;陳靚靚

1.一種基于含隱變量貝葉斯網(wǎng)的虛擬機性能下降評估方法，其特征在于，包括以下步驟：

S1：根據(jù)需要確定對待評估虛擬機進行評估的性能參數(shù)集合H；

S2：在待評估虛擬機上，根據(jù)虛擬化環(huán)境的資源特點，確定影響性能參數(shù)集合H中各項性能參數(shù)的自身特征集合X＝{x₁,x₂,…,x_A}，x_a表示第a個自身特征，a＝1,2,…,A，A表示自身特征數(shù)量；在N臺干擾虛擬機上，確定能夠反映待評估虛擬機性能參數(shù)集合H中各項性能參數(shù)相關資源利用情況的干擾特征集合Y＝{y₁,y₂,…,y_B}，y_b表示第b個干擾特征，b＝1,2,…,B，B表示干擾特征數(shù)量；

S3：根據(jù)步驟S2中選取的待評估虛擬機自身特征集合X中A個自身特征的可能取值，配置得到一組不同特征組合的待評估虛擬機，記為集合E；配置一組干擾虛擬機，記為集合I；確定M個虛構機組合方案，每個組合方案包括一臺待評估虛擬機和N臺干擾虛擬機，其中待評估虛擬機從集合E中抽取，N臺干擾虛擬機從集合I有放回地抽取，集合E中的每臺待評估虛擬機在M個虛構機組合方案中至少出現(xiàn)一次；

S4：依次對于每個虛擬機組合方案獲取整體性能數(shù)據(jù)及干擾特征數(shù)據(jù)，獲取方法為：

對于第m個虛擬機組合方案，m＝1,2,…,M，先設置干擾虛擬機上均無負載，在待評估虛擬機上運行基準測試程序，將基準測試程序的運行結果作為無干擾時的整體性能值記此時第n臺干擾虛擬機中第b個干擾特征的取值為其中n＝1,2,…,N；然后設置干擾虛擬機上有負載，在每臺干擾虛擬機上運行實際應用，在待評估虛擬機上運行基準測試程序，將基準測試程序的運行結果作為有干擾時的整體性能值記此時第n臺干擾虛擬機中第b個干擾特征的取值為

S5：對于步驟S4中獲取的整體性能數(shù)據(jù)及干擾特征數(shù)據(jù)采用以下方法進行預處理：

對于第m個虛擬機組合方案，采用以下公式計算第b個干擾特征在所有干擾虛擬機上均無負載時的平均值

采用以下公式計算第b個干擾特征在所有干擾虛擬機上均有負載時的平均值

然后采用以下公式計算第b個干擾特征的變化率

對于第m個虛擬機組合方案，采用以下公式計算待評估虛擬機的整體性能下降值

根據(jù)預設的每個干擾特征變化率和性能下降值的級別劃分范圍，獲得第m個虛擬機組合方案中每個干擾特征變化率的級別代碼和整體性能下降值的級別代碼

記第m個虛擬機組合方案對應的運行數(shù)據(jù)集表示第m個虛擬機組合方案中待評估虛擬機的第a個自身特征的取值，M個虛擬機組合方案的運行數(shù)據(jù)集D_m構成基礎數(shù)據(jù)集D；

S6：構建特征-性能含隱變量貝葉斯網(wǎng)，具體方法為：

S6.1：令含隱變量貝葉斯網(wǎng)的節(jié)點集合其中H′表示性能參數(shù)下降值級別代碼的集合，H′＝{h₁,h₂,…,h_R}，h_r表示待評估虛擬機第r個性能參數(shù)下降值級別代碼，每個性能參數(shù)下降值的級別劃分閾值根據(jù)需要確定，r＝1,2,…,R，R表示待評估虛擬機性能參數(shù)的數(shù)量，Y′表示干擾特征變化率級別代碼的集合，表示整體性能下降值級別代碼；將性能參數(shù)下降值級別代碼h_r作為隱變量；

S6.2：初始化每個隱變量h_r對應的特征集合f_r和歸屬未知特征集合Z為空，然后對于自身特征集合X和干擾特征集合Y中的每個特征，判斷是否可以根據(jù)先驗知識得到與該特征最相關的性能參數(shù)，如果可以，則將該特征放入最相關性能參數(shù)的特征集合f_r，否則將其放入歸屬未知特征集合Z；

S6.3：令每個隱變量h_r的特征集合f_r中每個特征為隱變量h_r的節(jié)點，令每個隱變量h_r為整體性能下降值級別代碼的父節(jié)點，得到含隱變量貝葉斯網(wǎng)的初始結構；

S6.4：根據(jù)基礎數(shù)據(jù)集D計算得到隱變量以外的節(jié)點的條件概率表；

S6.5：基于當前含隱變量貝葉斯網(wǎng)對隱變量的缺失值進行填充，計算得到隱變量的條件概率表；

S6.6：判斷歸屬未知特征集合Z是否為空，如果為空，則特征-性能含隱變量貝葉斯網(wǎng)構建完成，否則進入步驟S6.7；

S6.7：從歸屬未知特征集合Z中取出一個特征z，并將其從歸屬未知特征集合Z中刪除；

S6.8：分別計算特征z與R個性能參數(shù)下降值級別代碼h_r的互信息MI(z,h_r)，篩選R個互信息MI(z,h_r)中的最大值，將特征z作為該最大值對應的性能參數(shù)下降值級別代碼節(jié)點的父節(jié)點，返回步驟S6.5；

S7：在需要對待評估虛擬機的性能下降程度進行評估時，從待評估虛擬機上獲取A個自身特征的取值，然后分別在干擾虛擬機無負載和有負載情況下獲取每臺干擾虛擬機上B個干擾特征的取值，計算得到各個干擾特征的變化率，最后根據(jù)以上特征數(shù)據(jù)和每個性能參數(shù)下降值節(jié)點的條件概率表計算得到性能參數(shù)下降值處于各個級別的概率值，最大概率值所對應的級別代碼即為對該性能下降程度的評估結果；

在得到各個性能參數(shù)下降值對應的級別代碼后，根據(jù)整體性能下降值節(jié)點的條件概率表計算得到整體性能下降值處于各個級別的概率值，最大概率值所對應的級別代碼即為對該性能下降程度的評估結果。