基于BP神經(jīng)網(wǎng)絡(luò)的虛擬機(jī)評(píng)估

王澤宇，馬 鵬

（武警工程大學(xué)，西安 710086）

0 引言

McCullough等利用隨機(jī)服務(wù)系統(tǒng)理論來(lái)實(shí)現(xiàn)對(duì)虛擬機(jī)資源占有的調(diào)控以達(dá)到目標(biāo)預(yù)期性能[1]。張蓓蓓等人提出了基于BP神經(jīng)網(wǎng)絡(luò)對(duì)虛擬機(jī)的負(fù)載部署預(yù)測(cè)，得到較高的收斂速度和擬合精度[2]。本文基于BP神經(jīng)網(wǎng)絡(luò)對(duì)特征值進(jìn)行建模，建立多輸入單輸出的神經(jīng)網(wǎng)絡(luò)模型對(duì)性能進(jìn)行預(yù)測(cè)并與實(shí)際數(shù)據(jù)進(jìn)行對(duì)比觀測(cè)模型準(zhǔn)確性。

1 線性模型的測(cè)試

假設(shè)：①模型符合線性模型；②自變量：虛擬機(jī)內(nèi)存、VCPU個(gè)數(shù)、調(diào)度算法、核心綁定、虛擬機(jī)個(gè)數(shù)、負(fù)載類(lèi)型、CPU周期權(quán)重用來(lái)表示；③變量前的參數(shù)用表示，得到為線性模型。根據(jù)可加性得到：亦為線性模型，對(duì)進(jìn)行一元線性擬合建模，選取一組測(cè)試數(shù)據(jù)如表1所示：

表1 測(cè)試數(shù)據(jù)表

得到測(cè)試結(jié)果數(shù)據(jù)并不呈線性分布，甚至還超出了上下邊界，故不為線性模型，不為線性模型，不適合用線性模型求解。

2 虛擬機(jī)性能預(yù)測(cè)工具的設(shè)計(jì)與實(shí)現(xiàn)

設(shè)計(jì)的模型能夠?qū)崿F(xiàn)對(duì)已知配置性能的預(yù)測(cè)，能根據(jù)由訓(xùn)練集得出的經(jīng)驗(yàn)來(lái)評(píng)估預(yù)測(cè)精度與誤差。設(shè)定訓(xùn)練次數(shù)為1萬(wàn)次；學(xué)習(xí)速率為0.1；誤差精度是10（-6），得到以下數(shù)據(jù)：

圖1 學(xué)習(xí)次數(shù)圖

圖2 訓(xùn)練效果圖

圖3 訓(xùn)練集擬合度

圖4 測(cè)試集擬合度

圖1表示隨著學(xué)習(xí)次數(shù)的增加模型的訓(xùn)練精度越來(lái)越接近我們?cè)O(shè)定的10（-6）；圖2表示數(shù)據(jù)點(diǎn)越接近Y=X表示訓(xùn)練精度越高；圖3表示與實(shí)際虛擬機(jī)性能的擬合度；圖4表示與實(shí)際數(shù)據(jù)的擬合度。綜上可發(fā)現(xiàn)模型對(duì)于訓(xùn)練集擬合效果很高，但對(duì)測(cè)試集效果出現(xiàn)過(guò)擬合現(xiàn)象，通過(guò)改進(jìn)得到：

圖5 學(xué)習(xí)次數(shù)圖

圖6訓(xùn)練效果圖

圖7 訓(xùn)練集擬合度

圖8 測(cè)試集擬合度

通過(guò)對(duì)圖5-8的分析，不難看出改進(jìn)之后的模型對(duì)測(cè)試集的擬合效果有了顯著的增強(qiáng)，達(dá)到了預(yù)期的精度要求。

3 測(cè)試結(jié)果和性能分析

表2列出目標(biāo)配置、實(shí)際與預(yù)測(cè)應(yīng)用性能的對(duì)比：

表2 性能對(duì)比表

4 結(jié)束語(yǔ)

通過(guò)對(duì)樣本數(shù)據(jù)分析提取出了特征參數(shù)，設(shè)計(jì)對(duì)不同虛擬機(jī)都有良好的適應(yīng)性。對(duì)過(guò)擬合現(xiàn)象做出了明確的解釋與修正，為后續(xù)工作者提供了有力的理論支持。我們雖實(shí)現(xiàn)了對(duì)物理機(jī)資源池的占用，但也有不足：數(shù)據(jù)均是在同一臺(tái)物理上采集的，對(duì)其他物理機(jī)的適應(yīng)性存在一些差異，可能會(huì)影響模型的預(yù)測(cè)精度，此外模型只能以程序的形式調(diào)用。