[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

摘要

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。

主权项

1.一种基于含隐变量贝叶斯网的虚拟机性能下降评估方法，其特征在于，包括以下步骤：S1：根据需要确定对待评估虚拟机进行评估的性能参数集合H；S2：在待评估虚拟机上，根据虚拟化环境的资源特点，确定影响性能参数集合H中各项性能参数的自身特征集合X＝{x1,x2,…,xA}，xa表示第a个自身特征，a＝1,2,…,A，A表示自身特征数量；在N台干扰虚拟机上，确定能够反映待评估虚拟机性能参数集合H中各项性能参数相关资源利用情况的干扰特征集合Y＝{y1,y2,…,yB}，yb表示第b个干扰特征，b＝1,2,…,B，B表示干扰特征数量；S3：根据步骤S2中选取的待评估虚拟机自身特征集合X中A个自身特征的可能取值，配置得到一组不同特征组合的待评估虚拟机，记为集合E；配置一组干扰虚拟机，记为集合I；确定M个虚构机组合方案，每个组合方案包括一台待评估虚拟机和N台干扰虚拟机，其中待评估虚拟机从集合E中抽取，N台干扰虚拟机从集合I有放回地抽取，集合E中的每台待评估虚拟机在M个虚构机组合方案中至少出现一次；S4：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，获取方法为：对于第m个虚拟机组合方案，m＝1,2,…,M，先设置干扰虚拟机上均无负载，在待评估虚拟机上运行基准测试程序，将基准测试程序的运行结果作为无干扰时的整体性能值记此时第n台干扰虚拟机中第b个干扰特征的取值为其中n＝1,2,…,N；然后设置干扰虚拟机上有负载，在每台干扰虚拟机上运行实际应用，在待评估虚拟机上运行基准测试程序，将基准测试程序的运行结果作为有干扰时的整体性能值记此时第n台干扰虚拟机中第b个干扰特征的取值为S5：对于步骤S4中获取的整体性能数据及干扰特征数据采用以下方法进行预处理：对于第m个虚拟机组合方案，采用以下公式计算第b个干扰特征在所有干扰虚拟机上均无负载时的平均值 U n o - l o a d m ( b ) = 1 N Σ n = 1 N U n o - l o a d m ( n b ) ]]>采用以下公式计算第b个干扰特征在所有干扰虚拟机上均有负载时的平均值 U l o a d m ( b ) = 1 N Σ n = 1 N U l o a d m ( n b ) ]]>然后采用以下公式计算第b个干扰特征的变化率 U c m ( b ) = U l o a d m ( b ) U n o - l o a d m ( b ) ]]>对于第m个虚拟机组合方案，采用以下公式计算待评估虚拟机的整体性能下降值 T p d m = T l o a d m - T n o - l o a d m T n o - l o a d m ]]>根据预设的每个干扰特征变化率和性能下降值的级别划分范围，获得第m个虚拟机组合方案中每个干扰特征变化率的级别代码和整体性能下降值的级别代码记第m个虚拟机组合方案对应的运行数据集表示第m个虚拟机组合方案中待评估虚拟机的第a个自身特征的取值，M个虚拟机组合方案的运行数据集Dm构成基础数据集D；S6：构建特征-性能含隐变量贝叶斯网，具体方法为：S6.1：令含隐变量贝叶斯网的节点集合其中H′表示性能参数下降值级别代码的集合，H′＝{h1,h2,…,hR}，hr表示待评估虚拟机第r个性能参数下降值级别代码，每个性能参数下降值的级别划分阈值根据需要确定，r＝1,2,…,R，R表示待评估虚拟机性能参数的数量，Y′表示干扰特征变化率级别代码的集合；将性能参数下降值级别代码hr作为隐变量；S6.2：初始化每个隐变量hr对应的特征集合fr和归属未知特征集合Z为空，然后对于自身特征集合X和干扰特征集合Y中的每个特征，判断是否可以根据先验知识得到与该特征最相关的性能参数，如果可以，则将该特征放入最相关性能参数的特征集合fr，否则将其放入归属未知特征集合Z；S6.3：令每个隐变量hr的特征集合fr中每个特征为隐变量hr的节点，令每个隐变量hr为整体性能下降值级别代码的父节点，得到含隐变量贝叶斯网的初始结构；S6.4：根据基础数据集D计算得到隐变量以外的节点的条件概率表；S6.5：基于当前含隐变量贝叶斯网对隐变量的缺失值进行填充，计算得到隐变量的条件概率表；S6.6：判断归属未知特征集合Z是否为空，如果为空，则特征-性能含隐变量贝叶斯网构建完成，否则进入步骤S6.7；S6.7：从归属未知特征集合Z中取出一个特征z，并将其从归属未知特征集合Z中删除；S6.8：分别计算特征z与R个性能参数下降值级别代码hr的互信息MI(z,hr)，筛选R个互信息MI(z,hr)中的最大值，将特征z作为该最大值对应的性能参数下降值级别代码节点的父节点，返回步骤S6.5；S7：在需要对待评估虚拟机的性能下降程度进行评估时，从待评估虚拟机上获取A个自身特征的取值，然后分别在干扰虚拟机无负载和有负载情况下获取每台干扰虚拟机上B个干扰特征的取值，计算得到各个干扰特征的变化率，最后根据以上特征数据和每个性能参数下降值节点的条件概率表计算得到性能参数下降值处于各个级别的概率值，最大概率值所对应的级别代码即为对该性能下降程度的评估结果；在得到各个性能参数下降值对应的级别代码后，根据整体性能下降值节点的条件概率表计算得到整体性能下降值处于各个级别的概率值，最大概率值所对应的级别代码即为对该性能下降程度的评估结果。