融合動態(tài)半馬爾可夫路徑搜索模型的云計算系統(tǒng)故障檢測方法

張　華

(安徽公安職業(yè)學院 信息網絡安全監(jiān)察系，安徽 合肥 230088)

云計算能夠使得用戶不需要獲得和維護較為復雜的運算基礎，所以得到了許多研究學者的青睞[1]。但是，云計算本身具有復雜和規(guī)模強大的特點，設計云計算系統(tǒng)經常會因為自身硬件和軟件出的故障，導致系統(tǒng)運行可能會出現(xiàn)停止[2]。若想確保云計算系統(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，依賴云計算系統(tǒng)本身的故障檢測能力提高系統(tǒng)對云資源的管理效率[3-4]。為了能夠及時檢測到系統(tǒng)出現(xiàn)的故障，此時需要監(jiān)控云計算的運行情況，采集云計算過程產生的數(shù)據(jù)。但是，這些數(shù)據(jù)通常不會存在特殊標志，造成云計算的過程中不能得到以往的故障記錄，對于新的云計算系統(tǒng)來說也是一樣的[5]。

為了能夠改善云計算系統(tǒng)故障中檢測方法的性能，在本文研究中提出了融合動態(tài)半馬爾可夫路徑搜索模型(Dynamic semi Markov path search model，DSMPSM)的云計算系統(tǒng)故障檢測方法。在該算法對于可能發(fā)生的故障進行分析，結合所得到的征兆結合，找到與之對應的云計算系統(tǒng)故障；隨后，在篩選模塊運用到故障的覆蓋范圍中，將其中具有最大可能性的故障進行轉化，得到信號，再通過動態(tài)半馬爾可夫(Dynamic semi Markov，DSM)方法對于云計算系統(tǒng)中的冗余部分進行有效的消除，最后，利用動態(tài)半馬爾可夫路徑搜索模型對根源故障進行分析、判斷，實現(xiàn)對故障檢測工作。

1　云計算系統(tǒng)故障檢測框架

DSMPSM算法中整個算法的實現(xiàn)是通過三個模塊進行的，即診斷、篩選、定位。云計算系統(tǒng)故障檢測框架圖如圖1所示。

圖1　云計算系統(tǒng)故障檢測框架圖

在診斷模塊中能夠實現(xiàn)通過所得到的征兆集合，獲得具有最大可能性的云計算系統(tǒng)故障。具體實現(xiàn)過程如下：首先，基于故障與征兆之間的關系，進行故障傳播模型的有效構建；其次，對云計算系統(tǒng)中的所有征兆進行有效收集，從而獲得征兆集合；最后，對于可能會發(fā)生故障的原因進行研究，最終獲得最有可能引發(fā)故障的因素。篩選模塊主要對上一個模塊中得到的云計算系統(tǒng)故障實施篩選，經過篩選后可以獲得可能云計算系統(tǒng)故障。在整個過程中最為關鍵的部分在于算法設計部分。在云計算系統(tǒng)故障定位模塊中，主要是處理上述環(huán)節(jié)得到的可能云計算系統(tǒng)故障，對其進行了積極有效的處理以后，此時能夠最終得到云計算系統(tǒng)故障，由此完成了實現(xiàn)云計算系統(tǒng)故障定位。

2　云計算系統(tǒng)故障檢測過程

將全部故障視為信號，定義信號強度(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，與之相對應的信號強度也是在不斷增強的。此時，篩選故障的問題就可以轉化成為信號處理問題，此時需要的是能夠盡量保持強度較大的信號。

通過參數(shù)的定義對于故障發(fā)生的可能性大小實現(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)代表能夠對征兆集合進行充分解釋的全部的故障f，此時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。

當前關于云計算系統(tǒng)主要的研究方向是對信號的稀疏表示，以此能夠實現(xiàn)如下三重目標，即設計感知矩陣、進行可壓縮驗證、以及重構信號。

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

x=Ψθ

(2)

(2)云計算系統(tǒng)的觀測模型能夠對原始信號進行投影，投影到與變換基不存在相關性的感知矩陣Φ，由此觀測向量y能夠從中得到，利用下式(3)可能夠得到觀測向量：

y=Φx

(3)

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

y=Φx=ΦΨθ

(4)

(3)通過云計算系統(tǒng)信號重構，主要是利用原來低于原始信號的稀疏度觀測向量y來進行重構，以確定接近于原始信號，或者是與其具有相近風水平的恢復值x'。具體如下式(5)所示，此時從滿足y=Φx的全部情況中確定稀疏特征明顯的信號x'，由此得到了本文所求?！瑇‖0代表了x的零范數(shù)，能夠對原始向量x中具有的非零元素個數(shù)進行表示。

min‖x‖0,s.t. y=Φx

(5)

假設此時具有的信號強度閾值為αSI，以此為基本前提進行感知矩陣的有效設計，在進行感知矩陣的有效設計時，是要求高于閾值的原始信號部分能夠保留。利用公式(6)得出αSI，μ(0≤μ≤1)表示為尺度因子，能夠對αSI大小進行靈活控制。

αSIμ·Max{x1,x2,…,xn}

(6)

對于目標矩陣的元素而言，對其大小的調節(jié)是可通過該矩陣與對角矩陣的乘積實現(xiàn)，此時將原始信號x=(x1,x2,…,xn)對應的感知矩陣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x相對應的觀測向量y。

(7)

(4)在第三步中主要是利用得到的觀測向量實現(xiàn)對原始信號值的有效重構，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x'，該值即為研究所求，在x'中具有很少的非零元素。

重構信號x'中全部的非零元素故障的組合即為動態(tài)半馬爾可夫路徑搜索模型篩選后的云計算系統(tǒng)故障HS。對于算性能能夠通過HS具有的真實故障覆蓋率η(HS)水平以及冗余度R(HS)水平進行分析。η(HS)與R(HS)具體的計算公式如式(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中具有的真實故障。

(8)

(9)

3　仿真及結果分析

3.1　仿真實驗

本文使用的云系統(tǒng)是由361千兆的以太網相連接的服務器構成。云服務器上通過安裝一個Xen3.1.2的超級監(jiān)視器。虛擬機的系統(tǒng)使用的是Xen 3.1.2部署的Linux 2.6.17，不同云服務器可以負載9個虛擬機。各臺虛擬機不但可被分配到2個VCPU，詳細的運行端口應根據(jù)實際工程而定。云計算系統(tǒng)的運行內容在虛擬機上進行計算，最后利用Web接口傳送到系統(tǒng)。云計算系統(tǒng)出現(xiàn)的故障可使用第三檢測軟禁采集Dom0的計算數(shù)據(jù)。在檢測模塊中能夠得到最大可能云計算系統(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。如果設定的尺度因子μ=0，則說明HMax從實際角度來說是并沒有進行篩選處理的；當0<μ<1時，則此時是可認為HMax經過了相應的篩選處理，得到的可能云計算系統(tǒng)故障為HS。本次仿真中主要是將本文算法DSMPSM與MCA和BSD兩種算法進行性能的對比分析。

3.2　仿真結果及分析

如圖2所示，表示了在不同的云計算系統(tǒng)中，三種算法所表示的故障檢測率方差水平，方差水平能夠對故障檢測的穩(wěn)定性進行分析。結果如下，DSMPSM算法具有檢測率方差范圍為0.00041～0.00277，均值是0.00097。BSD算法下的故障檢測率方差范圍是0.00039～0.00265，均值是0.00138。MCA算法下的方差檢測范圍是0.00009～0.00547，均值是0.00297。分析可得此時DSMPSM、BSD兩個算法具有的故障檢測率方差基本上是一致的，維持在0的水平。整體而言，DSMPSM算法是具有更強的穩(wěn)定性的，在不同的云計算系統(tǒng)中表現(xiàn)出了較高的故障檢測穩(wěn)定性。對比而言，MCA算法具有較低的穩(wěn)定性。

圖2故障檢測率方差圖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比，結果顯示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較高的。分析其原因，在DSMPSM算法中對于故障是進行了初步篩選的，此時冗余故障的影響被降到了最低水平。

4　結論

本文提出了一種融合動態(tài)半馬爾可夫路徑搜索模型的云計算系統(tǒng)故障檢測方法。該方法通過檢測模塊的動態(tài)半馬爾可夫算法獲得故障檢測結果，然后在篩選過程中，確定故障覆蓋范圍，實現(xiàn)了故障向信號的有效轉化，同時通過動態(tài)半馬爾可夫路徑搜索模型將其中冗余信息進行了有效的消除，此時得到的云計算系統(tǒng)故障是具有較低的冗余度，實現(xiàn)了對故障的有效判別，最終完成對根源故障的有效檢測。經過仿真結果表示：在不同的云計算系統(tǒng)中該算法的故障檢測率都是十分良好，而且此時的故障誤檢率也相對較低。