云性能監(jiān)控中的智能采樣方法與異常事件檢測技術(shù).pdf

1、隨著云計算的深入發(fā)展和廣泛應用，云應用已經(jīng)逐漸成為應用程序部署的一種重要形式。而對云應用的監(jiān)控是確保云應用穩(wěn)定高效運行的關(guān)鍵技術(shù)。在云端應用的部署和架構(gòu)具有多樣性、復雜性，傳統(tǒng)的監(jiān)控系統(tǒng)已很難滿足用戶的需求。應用性能監(jiān)控與分析系統(tǒng)是一種應用級別透明的監(jiān)控系統(tǒng)，并通過更細粒度的監(jiān)控及強有力的數(shù)據(jù)分析能力，為用戶提供更全貌的性能情況。本文分析了國內(nèi)外針對采樣算法、狀態(tài)故障檢測及異常檢測算法的研究現(xiàn)狀，并針對其中存在的問題，提出改進方案。

2、r>　　本研究主要內(nèi)容包括：⑴針對采樣算法缺少靈活性，造成計算和存儲資源浪費的現(xiàn)狀，結(jié)合關(guān)聯(lián)關(guān)系分析，提出一種動態(tài)周期的采樣算法。在均值馬爾科夫模型的基礎(chǔ)上，加入機器之間的關(guān)聯(lián)關(guān)系來提高對機器性能走勢預測的準確性。根據(jù)實驗結(jié)果，算法動態(tài)的調(diào)整了采樣周期，減少了不必要資源的浪費。⑵針對狀態(tài)故障檢測算法缺少對實時網(wǎng)絡(luò)情況的準確估計，以及二值邏輯檢測固有的缺陷，基于多值邏輯的ψ檢測算法，同時結(jié)合ARIMA時序數(shù)據(jù)預測模型，準確的對采樣延遲進行

3、估計，由此動態(tài)的改進ψ檢測算法中描述網(wǎng)絡(luò)延遲的高斯分布，并通過實驗證明，改進的算法在保證高準確性的同時，降低了算法對故障的檢測延遲。⑶針對流式數(shù)據(jù)中單分類器模型對異常檢測概念漂移靈敏性差等問題，結(jié)合DBSCAN和iForest算法，提出了一種新的集成學習模型，實驗表明，新的模型能更好的保障異常檢測時準確率和召回率的平衡。⑷介紹了錢塘應用性能管理系統(tǒng)，重點討論了系統(tǒng)在高性能和高可靠性上面對于架構(gòu)的設(shè)計以及在選型時的考量，使得可以將上述方法