论文部分内容阅读
随着云计算产业的飞速发展,越来越多的企业和个人使用云服务。然而云服务是通过动态的Internet网来提供服务的,因此云服务的服务质量(Quality of Service,QoS)会随着时间的推移、网络环境和云主机负载等因素的变化而动态变化,又因为云计算的可靠性,可用性和安全性等特点,云服务的QoS变化是相对稳定和有规律的。通过对云服务的QoS进行实时预测,分配一个未来一段时间内满足用户QoS要求的云服务,同时感知可能即将发生的QoS违规,对保障云服务的QoS具有重要的意义。针对上述问题,研究人员提出了很多基于预测的云服务QoS保障方案。其中很多方案采用预测方法预测云服务的QoS状态,继而根据预测结果进行准确的云服务分配和保障云服务满足用户QoS要求。但是其中部分方案采用的预测方法的准确性不高,从而导致云服务QoS的保障效果不理想,还有部分方案采用的预测方法的准确性虽然较高,但是却因为预测所需历史数据量大,预测开销大等原因,导致无法对云服务进行实时的预测,更不能对云服务的整个过程进行很好的预测。针对以上方案的不足,本文引入改进状态误差方差的贝叶斯常均值模型对云服务的QoS进行预测,在利用少量历史数据和消耗少量系统资源的情况下,提高预测的准确性。同时提出基于预测方法的云服务QoS保障框架,框架根据QoS预测结果进行云服务的分配和感知可能的QoS违规,对感知到的QoS违规提前采取措施,极大地保障了云服务的服务质量。本文提出了一个基于改进的贝叶斯常均值模型的云服务QoS保障框架,在云服务扽配阶段,实时预测云服务QoS并分配给用户一个一段时间内满足用户QoS要求的云服务。在云服务执行阶段,实时预测云服务的QoS和感知QoS违规,对QoS违规采取针对性措施,从而保障云服务的QoS。本文的主要工作如下:(1)总结了现有的用于云服务QoS预测的时间序列预测方法。详细介绍了各个预测方法的原理、推理、证明过程和计算步骤,以及各自的优缺点。(2)针对现有的云服务QoS时间序列预测方法的不足,给出了基于改进的贝叶斯常均值模型的云服务QoS预测方法,详细介绍该方法的改进之处及预测优势。利用Hadoop集群模拟云服务平台,收集了集群中虚拟机的QoS指标作为预测对象,对比了几种时间序列预测方法的在云服务QoS预测方面的准确性和拟合效果。(3)针对现有的云服务QoS框架的不足,给出了基于预测方法的云服务QoS保障框架。详细介绍了框架的组成部分,并将QoS框架和预测方法相结合,对比了几种方案的QoS保障效果。实验证明了基于改进的贝叶斯常均值模型的云服务QoS保障框架在QoS保障方面的有效性。