0 引言

    隨著云計算的廣泛應用，云端的存儲、網(wǎng)絡帶寬、GPU、處理器等資源日益緊缺^[1]。部分應用程序非法或過多地占用某些云端資源，導致其他應用程序或服務運行效率下降，甚至導致服務器端崩潰等嚴重后果，為防止此類情況發(fā)生，需對云端資源進行有效監(jiān)控^[2]。

    云端的大數(shù)據(jù)與分布式平臺為資源監(jiān)控帶來了極大的困難，若對云端大數(shù)據(jù)采集樣本并分析，此過程的計算成本極高，另一方面，若為了降低計算成本而增加采樣周期，則會導致監(jiān)控過程不夠完整，導致部分重要的棘波丟失^[3-5]。

    針對以上問題，本文提出一種自適應云端資源監(jiān)控算法，包括訓練和監(jiān)控兩個階段。訓練階段，采集適量的數(shù)據(jù)樣本訓練，估算出最佳的監(jiān)控參數(shù)組合；監(jiān)控階段根據(jù)受監(jiān)控資源的變化劇烈程度自適應地調(diào)節(jié)采用周期，以此保證監(jiān)控算法的計算效率與監(jiān)控質(zhì)量達到較好的平衡。

1 問題定義

    對于云端大數(shù)據(jù)下的資源監(jiān)控，最為有效的方案是，在不損失其統(tǒng)計性能的前提下，盡可能地降低監(jiān)控的目標數(shù)據(jù)的量，顯然，需為此尋找一個合適的閾值。首先定義兩個與資源監(jiān)控質(zhì)量相關的重要參數(shù)G和Q。

    第一個參數(shù)G如下定義：

式中，N(t)表示監(jiān)控算法采集的樣本數(shù)量，N(t⁰)表示理論采樣頻率采樣的樣本數(shù)量，t⁰表示最高的理論周期(即1 s)。G值的范圍為[0，1]，G值越高表示采樣周期越短，而計算與帶寬開銷越高。

    第二個參數(shù)Q(質(zhì)量)代表了監(jiān)控算法是否能準確反映系統(tǒng)資源的變化情況。Q的質(zhì)量必須綜合考慮兩個因素：(1)采樣周期過大導致的監(jiān)控不完整，(2)對資源變化的棘波監(jiān)控能力。因此將Q定義為兩個重要統(tǒng)計參數(shù)的組合：NRMSE為歸一化均方根誤差，F(xiàn)measure為棘波檢測的精度與召回率的帶權均值。

式中，F(xiàn)measure與NRMSE的取值范圍均為[0，1]，Q的取值范圍為[0，1]。綜合Fmeasure與NRMSE對資源評價的原因在于：云端資源變化極為劇烈，無法僅通過NRMES對其變化作出準確的反應，而Fmeasure可對棘波資源的檢測效果較好，因此綜合兩個參數(shù)來提高資源評價的準確性。Fmeasure計算方式如下：

式中，precision表示精度，recall表示召回率，F(xiàn)measure值越接近1代表檢測的質(zhì)量越高。

    將監(jiān)控算法的閾值表示為G與Q的加權之和：

式中ω∈(0，1)是一個調(diào)諧常量，由服務器端管理員設定。ω>0.5，則G的重要性高于Q；反之，G的重要性低于Q；ω=0.5，兩者重要性相等。

    已有的監(jiān)控算法以固定的采樣周期采集樣本，僅當新數(shù)據(jù)與歷史數(shù)據(jù)有所差異時，才將新數(shù)據(jù)保存并轉(zhuǎn)發(fā)至分析模塊。盡管該方案可獲得較高的G值，但其導致了較高的檢測錯誤以及較低的Q值(丟失了較多的棘波)。圖1所示為兩個場景舉例，圖1(a)的采樣周期為1 s(低G與高Q)，圖1(b)的采樣周期較長，采樣數(shù)據(jù)數(shù)量較少，同時也丟失了大量的棘波數(shù)據(jù)。

2 自適應云端資源監(jiān)控

    自適應云端監(jiān)控由訓練階段與自適應監(jiān)控階段組成，訓練階段估算最優(yōu)參數(shù)組合，自適應監(jiān)控階段是監(jiān)控系統(tǒng)的核心部分。

2.1 參數(shù)定義

    監(jiān)控算法分析采樣的數(shù)據(jù)，當資源相對穩(wěn)定時，降低監(jiān)控數(shù)據(jù)的數(shù)量，在資源變化劇烈時，增加監(jiān)控數(shù)據(jù)的采樣數(shù)量。以此，降低計算與帶寬開銷，同時保證不錯過重要的系統(tǒng)棘波變化。本算法動態(tài)地設置兩個關鍵變量：采樣周期t與變化性Δ。采樣周期t越短，收集的數(shù)據(jù)量越大，設t_m表示采樣周期的最小值，t_M表示采樣周期最高值，顯然t_M≥t_m。Δ代表了連續(xù)采樣樣本的偏差，若Δ較低，認為監(jiān)控資源比較穩(wěn)定。本文考慮兩個Δ相關的參數(shù)：

    (1)峰值變化性Δ_p：表示連續(xù)樣本間偏差的閾值，當Δ>Δ_p時，表示棘波。

    (2)容錯變化性Δ_q：表示連續(xù)樣本間偏差，Δ_q≥Δ_p表示高變化性。當監(jiān)控數(shù)據(jù)的變化性過高時，需將采樣周期設為t_m，從而抓取資源變化的細節(jié)特點。將t與Δ相關閾值的最優(yōu)值設為

2.2 訓練階段

    訓練階段求解最優(yōu)閾值參數(shù)訓練階段通過最大化式(4)的E，將訓練數(shù)據(jù)樣本數(shù)設為λ。

    算法1所示為訓練的偽代碼，初始化階段將E的最優(yōu)值E^*設為0，最小采樣周期設為t⁰，X_tmp設為周期t⁰采樣的監(jiān)控數(shù)據(jù)序列。循環(huán)迭體中，對監(jiān)控周期t與變化性Δ進行迭代處理。AdaptiveMonitor為數(shù)據(jù)監(jiān)控算法，結果數(shù)據(jù)存儲于X變量中，然后，計算質(zhì)量參數(shù)Q、參數(shù)G與閾值E。最終，更新最優(yōu)閾值參數(shù)將結果閾值賦予監(jiān)控算法的核心階段。

    算法1：訓練階段1

    算法2計算Q參數(shù)的值，在初始化階段，采樣數(shù)據(jù)起始點為確定值，將NRMSE設為0，計算原時間序列X_tmp的變化范圍。之后的循環(huán)體中，輪流使用各時間點數(shù)據(jù)來計算參數(shù)Q的質(zhì)量。6~10行提取時間序列x₀與時間i，11行更新采樣序列的平方差之和，然后，分別計算NRMSE、精度、召回率，最終計算Fmeasure與Q參數(shù)。

    算法2 訓練階段2

2.3 自適應的監(jiān)控階段

    算法3所示為自適應監(jiān)控階段的偽代碼。初始化階段，將采樣周期設為最小值Δ設為0，∈_inc設為10，該變量用于觸發(fā)最低采樣周期(t⁰)，在∈·λ個采樣之后，獲得了X值。變量k是對采樣序列X的計數(shù)，若k>λ，則結束X的采樣。

    監(jiān)控算法的主體是一個死循環(huán)，首先使用實時采樣更新偏差Δ值，若Δ值未變化，則增加采樣周期長度，若Δ值變化較大，則減小當前的采樣周期。監(jiān)控過程中，通過計算Q參數(shù)與訓練階段的最優(yōu)參數(shù)，實現(xiàn)實時自適應的動態(tài)調(diào)整，從而實現(xiàn)高準確率的采樣與低成本的平衡。

    算法3 實時監(jiān)控階段

3 實驗測試床與數(shù)據(jù)集訓練

3.1 測試床

    本文試驗使用Amazon EC2^[6]監(jiān)控平臺。其中監(jiān)控節(jié)點的PC配置為：AMD處理器2 218 HE，主頻2 600 MHz，緩存1 024 kB，每個節(jié)點的網(wǎng)絡帶寬為10 Mb/s，受監(jiān)控的節(jié)點運行一些服務與應用程序，如Apache2、MySQL、Java程序等，數(shù)據(jù)庫使用MySQL數(shù)據(jù)庫。試驗對100個節(jié)點(包括軟件虛擬出的節(jié)點)進行監(jiān)控，監(jiān)控過程達10個小時。

3.2 訓練集大小設置

    訓練集大小λ對算法的計算開銷影響較大，因此，在保證算法高質(zhì)量監(jiān)控的同時，限制其成本極為重要。試驗對資源使用自適應監(jiān)控算法，將λ分別設為5~200進行統(tǒng)計，圖2所示為λ對三個重要參數(shù)的影響。圖中可看出ω=0.25時，Q值最優(yōu)，ω=0.75時，G值最高。分析其原因：訓練集較小時，少量數(shù)據(jù)之間的差異較大，將被分辨為棘波。而采樣周期較小時，可獲得較高的Q和較低的G。

    圖2(c)中顯示，不同訓練集大小對E參數(shù)的影響。E參數(shù)范圍為80%~88%?？煽闯霎敠剌^小時，應使用較小的λ值，ω較大時，使用較高的λ值。綜上，若管理員需要平衡的G與Q，則將樣本數(shù)量選為50~150較為合適。

4 試驗結果與分析

4.1 本文自適應算法與靜態(tài)delta算法的檢測性能比較

    表1所示為靜態(tài)采樣周期(t)與靜態(tài)delta(Δ)下獲得的試驗結果，表2所示為自適應算法獲得的結果。結果顯示：當λ=5時，E值為76.54%，當λ=100時，E為79.37%。比較表1與表2可看出，自適應算法的平均性能高于靜態(tài)算法，此外自適應算法的Fmeasure始終高于65%，可見本算法提高了棘波捕獲的能力。

4.2 資源消耗比較

    圖3所示為本自適應算法與靜態(tài)算法的資源消耗比較，圖3(a)所示為靜態(tài)采樣周期算法與靜態(tài)閾值算法的CPU使用率隨時間的變化情況，圖3(b)為本文自適應算法的CPU使用率的變化情況，可看出在整個監(jiān)控時間之內(nèi)，本算法的平均CPU占用率明顯低于兩種靜態(tài)算法。圖3(b)可看出本算法的3個階段：(1)收集?姿個訓練數(shù)據(jù)集，該階段CPU使用率呈上升趨勢；(2)自適應算法計算最佳參數(shù)，此時引起了較高的CPU使用率的棘波；(3)自適應監(jiān)控階段，可看出本算法通過自適應的調(diào)節(jié)，使得整個CPU資源使用率處于平穩(wěn)狀態(tài)。

5 結束語

    本文針對分布式云計算的云端資源監(jiān)控提出了自適應的監(jiān)控算法，獲得了云端監(jiān)控準確率與計算成本較好的平衡，試驗結果也佐證了本算法的有效性。未來將研究多個統(tǒng)計參數(shù)的不同效果，進一步提高本算法對資源變化劇烈程度估算的準確性。

參考文獻

[1] 陳康，鄭緯民.云計算: 系統(tǒng)實例與研究現(xiàn)狀[J].Journal of Software，2009，1(20).

[2] 羅軍舟，金嘉暉，宋愛波，等.云計算：體系架構與關鍵技術[J].通信學報，2011，32(7)：3-21.

[3] 華夏渝，鄭駿，胡文心.基于云計算環(huán)境的蟻群優(yōu)化計算資源分配算法[J].華東師范大學學報：自然科學版，2010(1)：127.

[4] 馮登國，張敏，張妍，等.云計算安全研究[J].軟件學報，2011，22(1).

[5] 劉正偉，文中領，張海濤.云計算和云數(shù)據(jù)管理技術[J].計算機研究與發(fā)展，2012，49(1)：26-31.

[6] ANDREOLINI M，COLAJANNI M，PIETRI M.A scalable architecture for real-time monitoring of large information systems[C].Network Cloud Computing and Applications (NCCA)，2012 Second Symposium on.IEEE，2012：143-150.