大規(guī)模云服務(wù)平臺(tái)性能分析與預(yù)測方法研究.pdf

1、大規(guī)模云服務(wù)平臺(tái)是支撐大型現(xiàn)代服務(wù)業(yè)企業(yè)或行業(yè)運(yùn)營、模式創(chuàng)新和業(yè)態(tài)演化的大型、復(fù)雜服務(wù)計(jì)算系統(tǒng)或平臺(tái)。性能分析方法是影響大規(guī)模云服務(wù)平臺(tái)發(fā)展的一個(gè)重要科學(xué)問題。傳統(tǒng)的性能分析方法無法很好地解決大規(guī)模云服務(wù)平臺(tái)帶來的規(guī)模、架構(gòu)和技術(shù)等挑戰(zhàn)。論文圍繞大規(guī)模云服務(wù)平臺(tái)中的突發(fā)性負(fù)載模型、虛擬環(huán)境下細(xì)粒度的資源預(yù)測和并行處理系統(tǒng)性能模型三個(gè)性能分析問題開展研究工作。
　　 針對云服務(wù)平臺(tái)基準(zhǔn)程序Cloudstone，提出一種基于MAP2

2、的突發(fā)性負(fù)載生成方法(MBWG)。通過MBWG方法，性能分析員可以根據(jù)系統(tǒng)日志的信息直觀、合理地構(gòu)造突發(fā)性負(fù)載模型MAP2，并借助Faban框架產(chǎn)生一系列具有突發(fā)性的服務(wù)請求。論文從理論上分析了MAP2模型參數(shù)與突發(fā)性的關(guān)系。通過對比實(shí)驗(yàn)測量與理論模型的IDC值，證明文本方法生成的突發(fā)性負(fù)載更加接近理論模型。同時(shí)，還通過實(shí)驗(yàn)分析了突發(fā)性負(fù)載對系統(tǒng)性能的影響，特別是對虛擬機(jī)資源調(diào)度的影響。
　　 針對大規(guī)模云服務(wù)平臺(tái)的虛擬化技術(shù)和

3、負(fù)載特征模型，提出了一種細(xì)粒度的系統(tǒng)資源利用率預(yù)測方法。在預(yù)測資源利用率的概率密度函數(shù)時(shí)，考慮虛擬技術(shù)產(chǎn)生的額外資源消耗。通過分析負(fù)載對Xen虛擬機(jī)管理工具調(diào)度算法的影響，建立虛擬技術(shù)資源消耗模型。針對非飽和、半飽和和全飽和三種不同的情況，結(jié)合排隊(duì)網(wǎng)絡(luò)模型和統(tǒng)計(jì)學(xué)習(xí)方法提出了一種統(tǒng)一的非突發(fā)性負(fù)載產(chǎn)生的資源利用率分布模型。同時(shí)，將突發(fā)性負(fù)載產(chǎn)生的資源利用率分布表達(dá)為若干非突發(fā)性負(fù)載產(chǎn)生的資源利用率概率密度函數(shù)的線性組合。實(shí)驗(yàn)驗(yàn)證了預(yù)測模

4、型的準(zhǔn)確性，并解釋了對資源利用率進(jìn)行概率分布預(yù)測的作用。
　　 針對大規(guī)模云服務(wù)平臺(tái)中的并行處理系統(tǒng)，提出一種高效的基于水平分解的Fork-Join排隊(duì)網(wǎng)絡(luò)(FJQN)模型近似求解方法。該方法的核心思想是將非乘積型的FJQN模型水平分解成若干乘積型的排隊(duì)網(wǎng)絡(luò)模型，解決了傳統(tǒng)層次分解方法時(shí)間復(fù)雜度過高的問題。基于水平分解方法，本文分別為單類和多類閉合FJQN設(shè)計(jì)了相應(yīng)的模型近似計(jì)算算法。實(shí)驗(yàn)表明，多數(shù)服務(wù)中心的響應(yīng)時(shí)間和系統(tǒng)吞吐量

5、90％的相對誤差都在15％范圍內(nèi)。
　　 在云服務(wù)集成平臺(tái)JTangCSB中應(yīng)用驗(yàn)證本文提出的性能模型與預(yù)測方法。JTangCSB的組件自動(dòng)安裝方法通過對組件資源利用率預(yù)測和相關(guān)性的計(jì)算，實(shí)現(xiàn)組件的整合安裝，最大限度的減小組件之間的資源競爭，優(yōu)化系統(tǒng)性。容器智能部署方法將所有可能的部署拓?fù)浣Y(jié)構(gòu)映射成FJQN模型，并利用水平分解方法對模型進(jìn)行快速求解，從而找出最合理的部署拓?fù)浣Y(jié)構(gòu)，避免大數(shù)據(jù)在廣域網(wǎng)中的傳遞，降低集成流程的響應(yīng)時(shí)間