本站所列毕业设计(论文)资料均属于原创者所有,初衷是为大家在毕业设计(论文)过程中参考和学习交流之用。

毕业设计我帮你

基于神经模糊推理的数据中心选择云计算环境中的系统

基于神经模糊推理的数据中心选择云计算环境中的系统

我们提出了一个基于神经模糊推理预测模型选择一个基于可用性学习的多个数据中心在云计算和预测环境。自主工作负载的应用程序,我们的预测模型分配应用程序甚至可能会持有低负载的数据中心在未来的时间。这种自主控制是通过学习和预测未来数据中心的状态。基于

如需购买请QQ扫描右边二维码或者加QQ 3449649974 咨询 毕业设计(论文)代做请加QQ 2269757180


  • 详细描述

    基于神经模糊推理的数据中心选择云计算环境中的系统
    摘要 
    在云计算环境中应用高质量的服务保证在数据中心的高效利用资源。应用程序应该分配给适合数据中心负载的资源,以实现这负载的复杂性和动态性,防止了一个多个数据中心的正确选择,并不能满足应用中的资源的需求。一个不正确的数据中心的选择将严重降低数据中心的资源利用率,从而降低了应用程序的服务质量。本文提出了一种基于神经模糊推理的预测方案,根据应用程序的工作负载选择一个多个数据中心。这个计划是积极的捕捉随时间变化的数据中心的负载,通过学习和预测的可用性。因此,它不仅预测目前的负荷,也在确定一个合适的数据中心的过程中数据中心的未来负载。通过自主控制的数据中心的选择,我们的计划也可以提供负载数据中心之间的平衡。此外,我们提出的性能评价实验基于Xen平台来展示我们的方案的有效性。实验结果表明,我们的计划是优于其他选择方案关于数据中心的整和变化的负载。
    关键词:云计算数据中心
     
    目录
    摘要 1
    1介绍 2
    2云计算环境 4
    3基于神经模糊推理预测模型 6
    3.1数据中心的可用性定义 6
    3.2神经模糊推理模型 7
    3.3可用性预测模型 8
    4选择方案数据中心的可用性预测 10
    4.1数据中心选择的总体流程 11
    4.2可用更新的数据中心 11
    4.3表示的负载状态 13
    4.4负载状态的预测工作负载的应用程序 13
    4.5数据中心选择策略 14
    5绩效评估 15
    5.1实验环境 15
    (a)数据中心1 16
    (b)数据中心2 16
    (c)数据中心3 16
    5.2实验结果 17
    6相关工作和讨论 20
    7结论 21
     
    1介绍
    云计算是分布式计算模式,能够通过互联网连接的方式解决大规模任务利用数据中心的海量资源的方法[1,2]。最近, 从大规模的数据中心的硬件观点和先进的虚拟化技术从软件的角度来看,不同的云服务和解决方案越来越多的出现了。特别是虚拟化是有效利用物理资源的关键技术,在数据中心按照要求使用虚拟机的资源应用程序。直到现在,中间件相关的虚拟化,比如Xen(3、4)、VMware ESX、hyper - v2已经开发出来。
    云计算是一个以服务为中心的模式,越来越普遍出现在行业和社区。它的基本技术可以使用户轻松地使用Web 2.0技术[5]访问需求的资源。在这样一个计算环境中,有必要支持数据中心的随需应变的资源配置可以扮演重要角色分配物理资源在数据中心自动每当用户请求。这样,应用程序的服务质量可以保证。此外, 有效的自主控制资源管理数据中心,无需任何用户干预。
    在云计算环境中,数据中心分配资源会议需求水平的应用程序使用虚拟化技术,即物理资源适合应用程序的SLA(服务水平协议)应该分配,和用户只支付他们使用的这些资源[6]。然而,精确的分配物理资源是非常困难的,因为动态数据中心的负载多变的SLA有不同的应用程序。
    通常,当资源数据中心愿意分配应用程序的SLA时,数据中心试图估算的资源量考虑当前的负载和工作负载的应用程序。因此,数据中心首先必须理解当前的负载和代表这个负载的一个合适的状态。基于数据中心的负载状态,应用程序可以获得它们要求资源从多个数据中心之一。也就是说,如果一个数据中心的负载非常高(即“热”状态),数据中心可以不再分配附加的资源应用程序。相反,如果负载很低(即一个“冷”状态),足够的资源仍将保留在数据中心,即使可用资源已分配的资源需求的基础上的应用程序。因此,根据数据中心的负载状态这一资源配置是云计算至关重要的支持。
    然而,现有的云计算平台只考虑当下数据中心的负载。这可能是唯一有效的资源配置在给定的时间很难正确地估计数据中心的负载,因为他们有基于应用程序的SLA的timevarying负载特性。不正确的估计负载数据中心的应用程序的SLA将导致不精确的资源分配。因此,这对数据中心带来了对资源的过度供应,结果退化了数据中心的资源利用率。此外,如果不正确的估计导致更少的资源来满足应用程序的SLA(即供给不足),应用程序的服务质量将严重恶化而增加应用程序执行时间。然而,如果过去的数据中心的负载行为深度分析了未来数据中心的负载,可能会在一定程度上预测。预测的负载信息可以用于自主控制选择最合适的根据负载的数据中心应用程序。最终,选择数据中心的负载可能将保持在低水平,这属于在为应用程序提供高质量的服务。
    在本文中,我们提出一个数据中心选择方案,可以挑出一个基于多个数据中心的工作负载的应用程序和预测未来的大量数据中心。在这个方案中,数据中心的负载表示为可用性,被用作预测未来负荷的基本因素数据中心的NFIS(neuro-fuzzy inference system神经模糊推理系统)。是用来预测未来数据中心的负荷可用性,利用信息来确定多个数据中心的一个关于整个改变了大量的数据中心在未来的时间。因此,我们计划在一个数据中心可以分配应用程序合适的资源满足应用程序的需求。我们建立了一个虚拟实验平台的数据中心使用Xen虚拟机来演示我们的数据中心选择方案的有效性。跟踪数据可用性实验用于本实验学习和预测数据中心的负载。我们的实验结果表明,从整个和改变数据中心的负载的角度来看我们选择方案优于其他选择方案。
    本文的组织结构如下: 第2章描述本文使用的云计算环境。在第三章中我们提出一个基于神经模糊推理预测模型与可用性学习和预测。第四部分提出一种数据中心选择方案基于神经模糊推理预测模型,这一节还提供了选择多个数据中心的详细程序。第五节显示了我们的绩效评估选择方案与实验。还比较了我们的方案与其他方案的性能。第六章提出了我们的讨论。最后,第七章总结本文。
     
    引用
    1  Miller M(2008)云计算:基于web的应用程序,改变你的工作方式和在线协作,印第安纳波利斯
    2  Nezhad H, Stephenson B, Singhal S, Castellanos M (2009)虚拟经营的环境云:概念性架构和挑战,笔记第一版Sci 5829:501 - 514
    3  Matthews JN, Dow EM, Deshane T, Hu W, Bongio J, Wilbur PF, Johnson B (2009) Running Xen虚拟化的艺术的实践指南,普伦蒂斯霍尔,纽约
    4  Barham P, Dragovic B, Fraser K, Hand S, Harris T, Ho A, Neugebauer R, Pratt I, Warfield A (2003) Xen的虚拟化技术,在这第十九的ACM研讨会上的操作系统程序原则,PP164-177
    5  Buyya R, Yeo CS, Venugopal S (2008) 面向市场的云计算:愿景,希望和现实为提供服务作为计算工具,在的第十届IEEE国际会议高性能计算和通信会议,PP25-27 
    6  Ejarque J, Palol M, Julià GF, Guitart J, Badia RM, Torres J (2008) SLA驱动的语义增强虚拟化服务提供商的动态资源分配,在第四届IEEE国际会议会议在eScience中,PP 8–15
    7  Keller A, Ludwig H (2002) 动态电子商务的定义和监控服务水平协议,在对系统管理的第十六届USENIX研讨会论文集,页189–204
    8  Cooke A, Gray AJG, Ma L, Nutt W, Magowan J, Oevers M, Taylor P, Byrom R, Field L, Hicks S,Leake J, Soni M, Wilson A, Cordenonsi R, Cornwall L, Djaoui A, Fisher S, Podhorszki N, Coghlan B,Kenny S, O’Callaghan D (2002) :R-GMA:电网监控信息集成系统,计算机科学讲义,卷2888,页462–481
    9   Endo Y, Wang Z, Chen JB, Seltzer M (2006) 使用延迟来评估交互系统的性能,操作系统版本,30(SI):185–199
    10  Tenenbaum AS, Steen M (2002) 分布式系统:原理与范例,Prentice Hall,新约克
    11  Jang J-SR, Sun C-T, Mizutani E (1997) Neuro-fuzzy and soft computing. Prentice-Hall, New York 神经模糊与软计算,Prentice Hall,纽约
    12  Cherkasova L, Gupta D, Vahdat A (2007) 在Xen的三CPU调度程序的比较。执行eval版本35(2):42–51
    13  Evangelinos C, Hill CN (2008) Cloud computing for parallel scientific HPC applications: feasibility of running coupled atmosphere-ocean climate models on Amazon’s EC2. In: Proceedings of CCA-08 控制理论基础自管理计算系统,IEEE J SEL地区通讯,23(12):2213–2222
    14  Diao Y, Hellerstein J, Parekh S, Griffith R, Kaiser G, Phung D (2005) 
    15  Karamanolis C, Karlsson M, Zhu X (2005) 设计可控的计算机系统,在诉讼在USENIX研讨会上的热门话题操作系统,PP 49–54
    16  Steinder M, Whalley I, Carrera D, Gaweda I, Chess D (2007) 异构工作负载自主管理中的服务器虚拟化第十年/ IEEE国际会议综合网络管理,PP 139,148
    17  Padala P, Shin KG, Zhu X, Uysal M, Wang Z, Singhal S, Merchant A, Salem K (2007) 自适应实用计算环境中虚拟化资源的控制,在这第二个ACM程序:sigops / eurosys欧洲计算机系统会议,PP 289–302
    18  Xu J, Zhao M, Fortes J, Carpenter R, Yousif M (2008) 虚拟化中的自主资源管理基于模糊逻辑的数据中心,集群计算11(3):213–227
    19  Tesauro G, Jong NK, Das R, Bennani MN (2007) 混合增强学习方法的应用研究自主资源配置,集群计算10(3):287–299
    20  Rao J, Bu X, Xu C-Z, Wang L, Yin G (2009) Vconf:学习虚拟机自动配置方法加固,在第六届国际自治会议的计算会议上,PP 15,19

    收缩