云計(jì)算平臺(tái)性能管理的研究.pdf

1、隨著云計(jì)算技術(shù)越來(lái)越多地應(yīng)用到信息產(chǎn)業(yè)的各個(gè)領(lǐng)域，對(duì)云環(huán)境下多種異構(gòu)資源進(jìn)行監(jiān)測(cè)和管理日益重要。云計(jì)算平臺(tái)具有虛擬性、層次性以及動(dòng)態(tài)性等特點(diǎn)，相比其它大規(guī)模分布式網(wǎng)絡(luò)更加復(fù)雜，本文研究面向云計(jì)算環(huán)境的性能管理方法，做了以下三個(gè)方面的工作：
　?。?）介紹了云計(jì)算的基本概念、特點(diǎn)和發(fā)展，并重點(diǎn)總結(jié)了現(xiàn)有云環(huán)境下的性能管理技術(shù)。
　　（2）針對(duì)傳統(tǒng)的監(jiān)測(cè)模型通信效率低，監(jiān)測(cè)服務(wù)器負(fù)載不均衡的問(wèn)題，本文提出一種動(dòng)態(tài)層次化監(jiān)測(cè)模型，

2、對(duì)其中監(jiān)測(cè)區(qū)域的動(dòng)態(tài)劃分問(wèn)題建立數(shù)學(xué)模型，在保證監(jiān)測(cè)實(shí)時(shí)性和監(jiān)測(cè)中心負(fù)載均衡的基礎(chǔ)上，盡量減少通信的開(kāi)銷。針對(duì)該數(shù)學(xué)模型，本文提出了一種自適應(yīng)遺傳算法對(duì)該模型進(jìn)行求解，算法采用二進(jìn)制編碼來(lái)表示區(qū)域劃分結(jié)果，根據(jù)監(jiān)測(cè)的目標(biāo)設(shè)計(jì)了適應(yīng)度函數(shù)，并通過(guò)適應(yīng)度和進(jìn)化代數(shù)來(lái)自適應(yīng)地調(diào)整種群的交叉和變異概率。最后，從監(jiān)測(cè)時(shí)間、網(wǎng)絡(luò)流量、負(fù)載均衡等方面對(duì)本文的監(jiān)測(cè)模型進(jìn)行了仿真，仿真結(jié)果表明本文的監(jiān)測(cè)模型相較于靜態(tài)監(jiān)測(cè)模型和貪心監(jiān)測(cè)模型減少了網(wǎng)絡(luò)監(jiān)測(cè)過(guò)

3、程中產(chǎn)生的流量、縮短了監(jiān)測(cè)時(shí)間，且能夠保持各個(gè)域管理中心節(jié)點(diǎn)的負(fù)載均衡。
　?。?）傳統(tǒng)的預(yù)測(cè)模型無(wú)法適應(yīng)云平臺(tái)復(fù)雜的性能變化，預(yù)測(cè)準(zhǔn)確率不高，本文提出一種基于粒子群（Particle Swarm Optimization，PSO）-Elman的資源性能預(yù)測(cè)模型。該方法采用Elman神經(jīng)網(wǎng)絡(luò)對(duì)資源進(jìn)行性能預(yù)測(cè)，根據(jù)樣本數(shù)據(jù)的相關(guān)性確定網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)目，并采用PSO算法對(duì)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在PSO算法中引入粒子群聚集度的