張　華

(安徽公安職業(yè)學(xué)院 信息網(wǎng)絡(luò)安全監(jiān)察系，安徽 合肥 230088)

云計(jì)算能夠使得用戶不需要獲得和維護(hù)較為復(fù)雜的運(yùn)算基礎(chǔ)，所以得到了許多研究學(xué)者的青睞[1]。但是，云計(jì)算本身具有復(fù)雜和規(guī)模強(qiáng)大的特點(diǎn)，設(shè)計(jì)云計(jì)算系統(tǒng)經(jīng)常會(huì)因?yàn)樽陨碛布蛙浖龅墓收?，?dǎo)致系統(tǒng)運(yùn)行可能會(huì)出現(xiàn)停止[2]。若想確保云計(jì)算系統(tǒng)的穩(wěn)定可靠性，需要明確系統(tǒng)出現(xiàn)緊急制停的條件，依賴云計(jì)算系統(tǒng)本身的故障檢測(cè)能力提高系統(tǒng)對(duì)云資源的管理效率[3-4]。為了能夠及時(shí)檢測(cè)到系統(tǒng)出現(xiàn)的故障，此時(shí)需要監(jiān)控云計(jì)算的運(yùn)行情況，采集云計(jì)算過(guò)程產(chǎn)生的數(shù)據(jù)。但是，這些數(shù)據(jù)通常不會(huì)存在特殊標(biāo)志，造成云計(jì)算的過(guò)程中不能得到以往的故障記錄，對(duì)于新的云計(jì)算系統(tǒng)來(lái)說(shuō)也是一樣的[5]。

為了能夠改善云計(jì)算系統(tǒng)故障中檢測(cè)方法的性能，在本文研究中提出了融合動(dòng)態(tài)半馬爾可夫路徑搜索模型(Dynamic semi Markov path search model，DSMPSM)的云計(jì)算系統(tǒng)故障檢測(cè)方法。在該算法對(duì)于可能發(fā)生的故障進(jìn)行分析，結(jié)合所得到的征兆結(jié)合，找到與之對(duì)應(yīng)的云計(jì)算系統(tǒng)故障；隨后，在篩選模塊運(yùn)用到故障的覆蓋范圍中，將其中具有最大可能性的故障進(jìn)行轉(zhuǎn)化，得到信號(hào)，再通過(guò)動(dòng)態(tài)半馬爾可夫(Dynamic semi Markov，DSM)方法對(duì)于云計(jì)算系統(tǒng)中的冗余部分進(jìn)行有效的消除，最后，利用動(dòng)態(tài)半馬爾可夫路徑搜索模型對(duì)根源故障進(jìn)行分析、判斷，實(shí)現(xiàn)對(duì)故障檢測(cè)工作。

1　云計(jì)算系統(tǒng)故障檢測(cè)框架

DSMPSM算法中整個(gè)算法的實(shí)現(xiàn)是通過(guò)三個(gè)模塊進(jìn)行的，即診斷、篩選、定位。云計(jì)算系統(tǒng)故障檢測(cè)框架圖如圖1所示。

圖1　云計(jì)算系統(tǒng)故障檢測(cè)框架圖

在診斷模塊中能夠?qū)崿F(xiàn)通過(guò)所得到的征兆集合，獲得具有最大可能性的云計(jì)算系統(tǒng)故障。具體實(shí)現(xiàn)過(guò)程如下：首先，基于故障與征兆之間的關(guān)系，進(jìn)行故障傳播模型的有效構(gòu)建；其次，對(duì)云計(jì)算系統(tǒng)中的所有征兆進(jìn)行有效收集，從而獲得征兆集合；最后，對(duì)于可能會(huì)發(fā)生故障的原因進(jìn)行研究，最終獲得最有可能引發(fā)故障的因素。篩選模塊主要對(duì)上一個(gè)模塊中得到的云計(jì)算系統(tǒng)故障實(shí)施篩選，經(jīng)過(guò)篩選后可以獲得可能云計(jì)算系統(tǒng)故障。在整個(gè)過(guò)程中最為關(guān)鍵的部分在于算法設(shè)計(jì)部分。在云計(jì)算系統(tǒng)故障定位模塊中，主要是處理上述環(huán)節(jié)得到的可能云計(jì)算系統(tǒng)故障，對(duì)其進(jìn)行了積極有效的處理以后，此時(shí)能夠最終得到云計(jì)算系統(tǒng)故障，由此完成了實(shí)現(xiàn)云計(jì)算系統(tǒng)故障定位。

2　云計(jì)算系統(tǒng)故障檢測(cè)過(guò)程

將全部故障視為信號(hào)，定義信號(hào)強(qiáng)度(Signal Intensity,SI)這一參數(shù)，以確保伴隨著故障發(fā)生可能性的提高，與之相對(duì)應(yīng)的信號(hào)強(qiáng)度也是在不斷增強(qiáng)的。此時(shí)，篩選故障的問(wèn)題就可以轉(zhuǎn)化成為信號(hào)處理問(wèn)題，此時(shí)需要的是能夠盡量保持強(qiáng)度較大的信號(hào)。

通過(guò)參數(shù)的定義對(duì)于故障發(fā)生的可能性大小實(shí)現(xiàn)了全面覆蓋，具體如式(1)所示。

C(f)=|{S|S∈d(f)I S”N}|

(1)

在式(1)中，d(f)代表能夠?qū)φ髡准线M(jìn)行充分解釋的全部的故障f，此時(shí)SN則代表了能夠被觀察到的全部的征兆集合，C(f)則代表了故障f具有的覆蓋范圍。

當(dāng)前關(guān)于云計(jì)算系統(tǒng)主要的研究方向是對(duì)信號(hào)的稀疏表示，以此能夠?qū)崿F(xiàn)如下三重目標(biāo)，即設(shè)計(jì)感知矩陣、進(jìn)行可壓縮驗(yàn)證、以及重構(gòu)信號(hào)。

(1)信號(hào)的稀疏表示屬于云計(jì)算系統(tǒng)的重要先驗(yàn)條件。具體如式(2)所示，x代表了原始信號(hào)(x=(x1,x2,…,xn))，Ψ為x的稀疏基，θ為稀疏系數(shù)。

x=Ψθ

(2)

(2)云計(jì)算系統(tǒng)的觀測(cè)模型能夠?qū)υ夹盘?hào)進(jìn)行投影，投影到與變換基不存在相關(guān)性的感知矩陣Φ，由此觀測(cè)向量y能夠從中得到，利用下式(3)可能夠得到觀測(cè)向量：

y=Φx

(3)

根據(jù)式(2)和式(3)可知，觀測(cè)向量和稀疏系數(shù)的關(guān)系可以表示為

y=Φx=ΦΨθ

(4)

(3)通過(guò)云計(jì)算系統(tǒng)信號(hào)重構(gòu)，主要是利用原來(lái)低于原始信號(hào)的稀疏度觀測(cè)向量y來(lái)進(jìn)行重構(gòu)，以確定接近于原始信號(hào)，或者是與其具有相近風(fēng)水平的恢復(fù)值x'。具體如下式(5)所示，此時(shí)從滿足y=Φx的全部情況中確定稀疏特征明顯的信號(hào)x'，由此得到了本文所求。‖x‖0代表了x的零范數(shù)，能夠?qū)υ枷蛄縳中具有的非零元素個(gè)數(shù)進(jìn)行表示。

min‖x‖0,s.t. y=Φx

(5)

假設(shè)此時(shí)具有的信號(hào)強(qiáng)度閾值為αSI，以此為基本前提進(jìn)行感知矩陣的有效設(shè)計(jì)，在進(jìn)行感知矩陣的有效設(shè)計(jì)時(shí)，是要求高于閾值的原始信號(hào)部分能夠保留。利用公式(6)得出αSI，μ(0≤μ≤1)表示為尺度因子，能夠?qū)Ζ罶I大小進(jìn)行靈活控制。

αSIμ·Max{x1,x2,…,xn}

(6)

對(duì)于目標(biāo)矩陣的元素而言，對(duì)其大小的調(diào)節(jié)是可通過(guò)該矩陣與對(duì)角矩陣的乘積實(shí)現(xiàn)，此時(shí)將原始信號(hào)x=(x1,x2,…,xn)對(duì)應(yīng)的感知矩陣Φ，以A(A=diag(a1,a2,…,an))表示，利用公式(7)是能夠得到對(duì)角矩陣元素值。由于存在感知矩陣Φ=A，利用式(4)得到與原始信號(hào)x相對(duì)應(yīng)的觀測(cè)向量y。

(7)

(4)在第三步中主要是利用得到的觀測(cè)向量實(shí)現(xiàn)對(duì)原始信號(hào)值的有效重構(gòu)，具體如式(5)所示，從所有符合y=Φx的情況中，找到稀疏性特征最為明顯的信號(hào)x'，該值即為研究所求，在x'中具有很少的非零元素。

重構(gòu)信號(hào)x'中全部的非零元素故障的組合即為動(dòng)態(tài)半馬爾可夫路徑搜索模型篩選后的云計(jì)算系統(tǒng)故障HS。對(duì)于算性能能夠通過(guò)HS具有的真實(shí)故障覆蓋率η(HS)水平以及冗余度R(HS)水平進(jìn)行分析。η(HS)與R(HS)具體的計(jì)算公式如式(8)、式(9)所示。HRS表示了HS中全部冗余故障所得到的集合，F(xiàn)CS代表了HS中具有的真實(shí)故障。

(8)

(9)

3　仿真及結(jié)果分析

3.1　仿真實(shí)驗(yàn)

本文使用的云系統(tǒng)是由361千兆的以太網(wǎng)相連接的服務(wù)器構(gòu)成。云服務(wù)器上通過(guò)安裝一個(gè)Xen3.1.2的超級(jí)監(jiān)視器。虛擬機(jī)的系統(tǒng)使用的是Xen 3.1.2部署的Linux 2.6.17，不同云服務(wù)器可以負(fù)載9個(gè)虛擬機(jī)。各臺(tái)虛擬機(jī)不但可被分配到2個(gè)VCPU，詳細(xì)的運(yùn)行端口應(yīng)根據(jù)實(shí)際工程而定。云計(jì)算系統(tǒng)的運(yùn)行內(nèi)容在虛擬機(jī)上進(jìn)行計(jì)算，最后利用Web接口傳送到系統(tǒng)。云計(jì)算系統(tǒng)出現(xiàn)的故障可使用第三檢測(cè)軟禁采集Dom0的計(jì)算數(shù)據(jù)。在檢測(cè)模塊中能夠得到最大可能云計(jì)算系統(tǒng)故障HMax，而且其具有的冗余度水平也是能夠得到有效劑量的。如果設(shè)定的尺度因子μ=0，則說(shuō)明HMax從實(shí)際角度來(lái)說(shuō)是并沒(méi)有進(jìn)行篩選處理的；當(dāng)0<μ<1時(shí)，則此時(shí)是可認(rèn)為HMax經(jīng)過(guò)了相應(yīng)的篩選處理，得到的可能云計(jì)算系統(tǒng)故障為HS。本次仿真中主要是將本文算法DSMPSM與MCA和BSD兩種算法進(jìn)行性能的對(duì)比分析。

3.2　仿真結(jié)果及分析

如圖2所示，表示了在不同的云計(jì)算系統(tǒng)中，三種算法所表示的故障檢測(cè)率方差水平，方差水平能夠?qū)收蠙z測(cè)的穩(wěn)定性進(jìn)行分析。結(jié)果如下，DSMPSM算法具有檢測(cè)率方差范圍為0.00041～0.00277，均值是0.00097。BSD算法下的故障檢測(cè)率方差范圍是0.00039～0.00265，均值是0.00138。MCA算法下的方差檢測(cè)范圍是0.00009～0.00547，均值是0.00297。分析可得此時(shí)DSMPSM、BSD兩個(gè)算法具有的故障檢測(cè)率方差基本上是一致的，維持在0的水平。整體而言，DSMPSM算法是具有更強(qiáng)的穩(wěn)定性的，在不同的云計(jì)算系統(tǒng)中表現(xiàn)出了較高的故障檢測(cè)穩(wěn)定性。對(duì)比而言，MCA算法具有較低的穩(wěn)定性。

圖2故障檢測(cè)率方差圖3故障誤檢率

如圖3表示了在三種算法下得到的誤檢率對(duì)比，結(jié)果顯示DSMPSM算法具有的故障誤檢率水平處于2.16%～5.82%之間，其均值水平為3.84%。 算法誤檢率范圍為10.22%～27.21%，其均值水平為20.63%。BSD的誤檢率范圍為16.21%～23.27%之間，具有的均值水平為20.67%。整體而言，DSMPSM算法的誤檢率水平是最低的，另外兩種算法BSD與MCA具有的誤檢率水平是相對(duì)較高的。分析其原因，在DSMPSM算法中對(duì)于故障是進(jìn)行了初步篩選的，此時(shí)冗余故障的影響被降到了最低水平。

4　結(jié)論

本文提出了一種融合動(dòng)態(tài)半馬爾可夫路徑搜索模型的云計(jì)算系統(tǒng)故障檢測(cè)方法。該方法通過(guò)檢測(cè)模塊的動(dòng)態(tài)半馬爾可夫算法獲得故障檢測(cè)結(jié)果，然后在篩選過(guò)程中，確定故障覆蓋范圍，實(shí)現(xiàn)了故障向信號(hào)的有效轉(zhuǎn)化，同時(shí)通過(guò)動(dòng)態(tài)半馬爾可夫路徑搜索模型將其中冗余信息進(jìn)行了有效的消除，此時(shí)得到的云計(jì)算系統(tǒng)故障是具有較低的冗余度，實(shí)現(xiàn)了對(duì)故障的有效判別，最終完成對(duì)根源故障的有效檢測(cè)。經(jīng)過(guò)仿真結(jié)果表示：在不同的云計(jì)算系統(tǒng)中該算法的故障檢測(cè)率都是十分良好，而且此時(shí)的故障誤檢率也相對(duì)較低。