[发明专利]基于含隐变量贝叶斯网的虚拟机性能下降评估方法

说明书

本发明公开了一种基于含隐变量贝叶斯网的虚拟机性能下降评估方法，根据需要确定对待评估虚拟机进行评估的性能参数集合，然后在待评估虚拟机和干扰虚拟机上分别选取相关特征，然后配置得到若干虚拟机组合方案，依次对于每个虚拟机组合方案获取整体性能数据及干扰特征数据并对数据进行预处理得到基础数据集，然后将性能参数作为隐变量，基于基础数据集构建得到特征‑性能含隐变量贝叶斯网，基于该贝叶斯网即可实现对待评估虚拟机的性能下降评估。本发明将性能参数下降值作为隐变量，基于实测数据构建含隐变量贝叶斯网，实现虚拟机性能下降评估。

技术领域

本发明属于虚拟机性能评估技术领域，更为具体地讲，涉及一种基于含隐变量贝叶斯网的虚拟机性能下降评估方法。

背景技术

基础设施即服务(Infrastructure as a Service,IaaS)是云计算平台向用户提供资源的形式之一。IaaS分配物理资源，以虚拟机的形式向用户提供具有特定CPU个数、内存容量、I/O带宽等特征的一组资源，用户按需租用虚拟机并支付相应费用。云计算服务提供商通常在同一台物理主机上部署多个虚拟机，并采用虚拟机监控器(Virtual MachineMonitor，VMM)来管理虚拟机间资源的复用和分配。由于虚拟机之间共享同一组物理硬件资源，因此，当各个虚拟机上同时运行应用时，它们将竞争CPU、内存、I/O带宽等资源。这种竞争与应用有关，具有不确定性且势必会造成虚拟机性能下降。因此，准确评估由于资源竞争导致的虚拟机性能下降，对后续虚拟机应用部署及物理资源合理分配具有意义。

公知的基于虚拟机特征变化评估虚拟机性能干扰的研究，主要是运用特定模型，通过训练数据集来修正模型参数。高程巍(东北大学硕士学位论文，2015)将历史数据库中目标虚拟机所需要的资源和此时其他虚拟机上各个资源的使用情况用数组的形式表示，将数组表示的资源负载作为多个输入值，将虚拟机之间的互扰度作为输出值，建立一个多输入单输出的BP神经网络模型。根据模型的输入和输出来评估虚拟机之间的互扰程度。孙晓利(国防科技大学硕士学位论文，2014)选择主机CPU利用率、虚拟机CPU利用率、末级缓存失效率和虚拟机个数四个特征建立虚拟机特征和性能干扰之间的多元非线性性能干扰预测模型，并利用最小二乘法拟合模型的系数值。根据此模型来预测多个虚拟机之间的性能互扰度。这些工作主要都是通过训练多组数据中虚拟机特征和性能之间的关系，从而近似评估虚拟机间的性能干扰。

公知的虚拟机性能评估方法，主要通过采集不同的虚拟机特征数据，建立虚拟机特征和性能的相关模型。杨祥宏(杭州电子科技大学硕士学位论文，2016)选择了虚拟CPU个数、虚拟机内存大小、虚拟CPU利用率、虚拟内存利用率和运行的虚拟机个数作为特征，利用支持向量机模型来评估虚拟机性能并证明了支持向量机的结果能够和样本数据拟合。曾文琦(计算机工程与设计，2014)提出了一个改进后的K-means算法，将聚类中心设定为CPU限制型，memory限制型和network限制型。将众多虚拟机特征数据聚类到相应的聚类中心后，评定该虚拟机所属的类型。设置CPU、内存和I/O资源在该类型虚拟机上所占的比例，相加后评估该虚拟机的性能。这些方法选择的虚拟机特征数量较少，未能综合考虑虚拟机底层软件特征、硬件特征和虚拟机运行时环境特征对虚拟机性能的影响，且无法评估性能的波动范围。