摘 要：基于云計算平臺的服務項目中非常重要的一塊就是監(jiān)控，因此研究基于云計算平臺的監(jiān)控系統(tǒng)有很重要的意義。文章針對監(jiān)控系統(tǒng)實時處理數據滯后的弊端，設計了依據監(jiān)控歷史數據進行研究的預測模型，用來預測系統(tǒng)將來會發(fā)生的異常行為，進而提前采取防范措施，以保證系統(tǒng)的正常運行。

關鍵詞：云計算平臺；監(jiān)測；控制；預測模型

中圖分類號：TP311 文獻標識碼：A

1 引言（Introduction）

云計算平臺監(jiān)控系統(tǒng)預測是根據監(jiān)控系統(tǒng)的已有數據資料預測將來會發(fā)生的行為。預測研究總體上分為三步：第一步研究基于云計算平臺的監(jiān)控資料數據性質，以此為依據來建立數據模型；第二步給數據預測模型分類，并為各模型設計實現算法及機制；第三步對預測模型的動態(tài)適應性進行研究，評估預測模型，檢驗各模型算法的準確度[1]。

2 數據模型設計（The design of data model）

建立預測模型，就要給監(jiān)控的歷史數據構建模型，監(jiān)控歷史數據可以抽象為有序數據集。有序數據集用（）

表示，數據集的起始時間用表示，結束時間用表示，，為監(jiān)控性能數據，為發(fā)生時間。為有序，時，。例如監(jiān)控一個服務器上硬盤的使用情況，隔5分鐘采集1次數據，那么1小時收集的歷史數據集為，是時間時硬盤的使用量。也可以用幾個性能參數的集合加以抽象，表示在時間時的硬盤使用量，表示在時間時的CpU使用量，表示在時間時的內存使用量[2]。

3 數據模型分類（The classification of data model）

基于云計算平臺建立監(jiān)控預測模型，一要參考預測的數據類型，二要參考預測的時間范圍。預測的數據類型可能是連續(xù)的數值型，也可能是離散的布爾型。數據可以按周期采集，也可以按瞬時事件觸發(fā)式采集，可以預測多個方面，比如硬盤使用、內存使用、一個時間段中網絡節(jié)點的狀態(tài)、Web服務每秒的Http請求數等。預測的時間范圍也就是適合預測模型的預測時間長度，有短期和長期兩種。具體分類參考表1。

表1 模型參考

Tab.1 The model reference

項目 長期預測 短期預測

數值型數據 趨勢和季節(jié)性分析 靜態(tài)模型的時間序列分析

布爾型數據 故障周期性分析模型 數據挖掘

依據以上參考預測模型以及基于云計算平臺監(jiān)控數據的特性和預測需求，預測模型可分為三類：

（1）性能數據長期預測模型，通常用回歸算法長期預測性能參數。

（2）閾值越界預測模型。

（3）系統(tǒng)事件預測模型，一般利用數據挖掘技術尋找經常出現的系統(tǒng)故障。

3.1 性能數據長期預測模型

數值型的性能數據長期預測模型，可用于預測如內存使用、響應時間、CPU使用、最大響應時間、磁盤使用等性能參數。對各種性能數據的預測是為了掌握系統(tǒng)設備未來的需求，以確保提供通暢、快速的網絡服務。這種模型重點研究時間序列的動態(tài)部分，一般采用外推法建立模型，用超前外推K步法預測一般走勢。

（1）外推算法

外推預測算法用方程（）表示，其中，和為常量，表示零平均數的隨機變量。用方程映射關系來預測的值，當數據達到預設的容量時就警告。

（2）超前K步分析法

超前K步分析預測算法的優(yōu)點很多，與傳統(tǒng)算法相比，準確率更高。相似結構的計算機性能也相似，收集監(jiān)控數據的服務器越多，預測模型越準確。

超前K步分析法通過分析監(jiān)控數據在時間與時間時的映射關系來預測，映射關系可用表示。根據采集的歷史監(jiān)控數據建立時間跨度為的數據集，通過研究數據集的映射關系構造一種預測模型，預測第步的性能參數，來自歷史數據集。此算法不限定具體形式為函數，可以是以為參數的線性函數、神經網絡、決策樹，能從狀態(tài)映射到狀態(tài)就可以[3]。

3.2 閾值越界預測模型

基于云計算平臺的監(jiān)控系統(tǒng)預測系統(tǒng)發(fā)生的故障是通過為監(jiān)測的性能數據設定閾值來實現。一旦監(jiān)測到某項系統(tǒng)性能參數值超出了閾值，就要引發(fā)系統(tǒng)警報。

（1）處理預測干擾因素

第一步，把一天當中偏移平均值 較大的性能參數樣本消除掉，消除方程為，為一天內按固定間隔第次采集的性能數據值，為第個周期采集的性能數據偏移平均數的偏移量，為噪音。

第二步，把一周中偏移平均值較大的性能參數樣本消除掉。消除方程為，其中表示一周中第天的偏移量，且。

第三步，把一個月中偏移平均值較大的性能參數樣本消除，消除方程為，其中表示一年中某月的偏移量，且。

通過以上過濾，每天、每周、每月的偏移平均值較大的性能參數樣本都已消除。

最后，消除時間序列的依賴性，用參數為的方程表示時間，建立一個二階非線性自回歸模型，用方程表示，和是用標準的算法由數據估測出來的模型參數，表示獨立恒等分布的隨機變量。

（2）查找異常行為

消除干擾因素后，接下來依據剩余的監(jiān)控數據，檢測系統(tǒng)偏離平均值的異常行為。參考方程，參照時間窗口中的偏移量為，時間長度為，檢驗時間窗口的時間長度為。

3.3 系統(tǒng)事件預測模型

云計算平臺監(jiān)控系統(tǒng)從歷史監(jiān)控數據中往往可以在短期內挖掘出許多系統(tǒng)事件，進而用數據分析法提取短期預測模型，用來預測系統(tǒng)短期內可能出現的異常事件。這種系統(tǒng)事件預測模型是以先前事件為基礎預測目標事件。具體分三步操作：

（1）挖掘頻繁事件集

在目標事件之前的時間窗口W內頻繁發(fā)生的事件稱作頻繁事件集。要構建系統(tǒng)事件預測模型，首先就要挖掘頻繁事件集。假設有一個單獨目標事件，在發(fā)生之前時間窗口W內的頻繁事件集引發(fā)了的發(fā)生，假如發(fā)生之前在時間窗口W中有四個事件發(fā)生，時間窗口W內的頻繁事件集可以用事件事務T表示，T由四個事件組成，表示為T=。所有事件事務都這樣表述，最后生成事件事務集合D。算法分三步：

①假設將來發(fā)生的目標事件都會沿著T中的順序事件發(fā)生，隨著時間的推移，算法在 時間段內的事件中記錄。

②隨著時間的推移，依次判斷當前事件是否是先前事件引發(fā)的目標事件。若是，就把最近發(fā)生在時間窗口W內的事件集生成一個事務，放進事務集合D中。

③用關聯規(guī)則找到容量最大的超前事件集。

值得強調的是，事件發(fā)生的順序和每個時間窗口的時間間隔沒有關系，連續(xù)目標事件發(fā)生的時間窗口前后可以重疊，這樣處理在間隔波動很大時用處很大。

（2）驗證超前事件集

在一臺服務器死機前會發(fā)生CPU使用量偏高、低響應事件，這種事件就為超前事件。假設在目標事件發(fā)生之前頻繁發(fā)生的超前事件集為Z，Z用一種模型表示。判斷Z發(fā)生的時間段，若Z只是在目標事件之前的時間窗口內發(fā)生，則Z就與目標事件關聯。否則，就不能關聯。

操作方法如下：

首先把低于最小置信度的超前事件都去掉。置信度用條件概率表示，用于計算超前事件以及事件模式的置信度。假設發(fā)生在時間窗口W內，目標事件發(fā)生前的超前事件集用D表示，不是目標事件前發(fā)生的事件集用表示。設D中事務的數量用表示，中事務的數量用表示，則Z中事務數量為，置信度用方程Confidence=表述。

由于置信度不檢查負關聯性，就需要再增加一個驗證超前事件Z的步驟。驗證函數用方程表述。為Z在D中發(fā)生的概率，為Z在中發(fā)生的概率，如果排斥空假設 的置信度很高，就驗證了Z。若事件很多，設事件滿足高斯分布，采用對立假設，通過方程表述。設和的概率差距為，標準偏差為，時，舍棄，當正確時，概率應當為。如果Z與目標事件發(fā)生有關聯，值較小。

（3）尋找規(guī)則

尋找規(guī)則需用規(guī)則系統(tǒng)法，如果可用的超前事件有很多，目標事件很少，那么不是每個關聯都能符合規(guī)則。規(guī)則系統(tǒng)的預測模型用驗證過的關聯模式來構建，預測算法根據置信度對超前事件集分類，算法分兩步：第一步，尋找置信度最高的超前事件，把包含的超前事件刪除。例如包含于，則保留，清除。這樣就有了目標事件的規(guī)則。第二步，在余下的超前事件集合里找到超前事件，重復第一步，以此類推，到剩余超前事件集合為空結束。

4 預測模型的動態(tài)適應性（The dynamic adaptability

of prediction model）

基于云計算平臺的預測模型可以采用許多種算法，往往較難判斷哪一種算法預測更準確。某一種算法對于一種監(jiān)控數據而言在一段時間內可能較適用，但隨著時間的推移、監(jiān)控數據行為的改變，另一種算法可能更適用。所以正確的做法是不要提前選擇某種算法，而是用預測模型可采用的各種算法同時預測監(jiān)控數據，再用錯誤率方程來評價各種算法的動態(tài)適應性。最后選擇在時間時適應性最好的算法來預測時的行為。具體做法為：

（l）用方程表示算法，為時間時的值，為收集到的歷史信息，為算法，表示算法預測到的在時間時的值。

（2）在某一時間用預測模型的各種算法推導出在時間時相應的預測值，再在時間時采集系統(tǒng)準確的采樣值，準確采樣值與預測值的差為預測錯誤，方程為。預測錯誤均方差用方程表述。預測平均錯誤率用方

程表述。

（3）探究算法在時間時的適應度，若是時間時該模型所有算法中的最小值，適應度就用表述。若是時間時該模型所有算法中的最小值，則適應度用表述。

5 結論（Conclusion）

該云計算平臺監(jiān)控系統(tǒng)預測模型，依據監(jiān)控歷史數據，預測系統(tǒng)將來會發(fā)生的異常行為，進而提前采取防范措施，能解決監(jiān)控系統(tǒng)實時處理數據滯后的問題，以保證系統(tǒng)的正常運行，對基于云計算平臺的監(jiān)控服務項目有很高的參考價值。

參考文獻（References）

[1] 陳康，鄭緯民.云計算：系統(tǒng)實例與研究現狀[J].軟件學報，2009， 20（5）：13-15.

[2] 董波，沈青，肖德寶.云計算集群服務器系統(tǒng)監(jiān)控方法的研究 [J].計算機工程與科學，2012（10）：68-72.

[3] 劉莉，屈志堅.基于GridGain云計算平臺的監(jiān)控管理信息分解 聚合研究[J].計算機測量與控制，2012（12）：3235-3238.

作者簡介：

徐桂枝（1970-），女，碩士，副教授.研究領域：計算機應用.