论文部分内容阅读
随着云计算与大数据技术的发展,全球涌现了越来越多的IaaS(Infrastructure as a Service)云计算平台。IaaS云计算应用场景广泛,例如众多高校通过使用IaaS云平台来减少机房在硬件上的投入,公司搭建IaaS私有云满足其快速增长的业务对云平台计算能力和存储能力的需求。IaaS云平台广泛的应用催生了针对IaaS云平台的性能评测方法与工具的研究热点。众多研究者针对不同的应用场景下设计出各式各样的云平台性能评测工具。通过这些云平台性能评测工具,有效地实现了对各种云平台的性能评估以及管理。在部署IaaS云平台时,IaaS云平台构建者需要估计出虚拟机个数以及每台虚拟机运行的任务,从而规划在IaaS云平台的性能容量。然而,当前众多云平台性能评测工具中尚不能有效实现对于云平台所能开启的最大虚拟机个数的预测功能。因此,本文提出了面向IaaS云平台的性能评测工具。通过该评测工具,实现了对IaaS云平台的性能数据的采集和分析,从而预测出云平台能开启的最大虚拟机个数,帮助用户完成对IaaS云平台投入的预算。本文中把云平台中虚拟机的配置、虚拟机的工作负载作为影响云平台开启最大虚拟机的两个关键因素。根据实验获得这些关键因素的样本数据,从而建立了多元线性回归模型和支持向量机回归模型。此外,本文所实现的云平台性能评测工具对IaaS云平台上进行测试,通过模型之间的拟合误差和预测误差的对比,把基于高斯径向基的支持向量机模型作为云平台性能评测工具的预测模型。具体来说,本文主要贡献如下:(1)本文基于大量云平台性能评测工具的研究分析,分析这些性能评测工具的特点及其适用的不同应用场景。(2)针对云平台性能建模自变量的选取问题,本文发现云平台中虚拟机的配置、虚拟机的工作负载是影响云平台开启最大虚拟机个数的因素。通过IaaS云平台的性能评测工具收集和分析云平台性能数据,并且通过不同建模模型之间的对比,本文选取了支持向量机模型作为IaaS性能预测模型。(3)本文实现了IaaS云平台性能评测工具集,包括:工作负载产生器、工作负载定义模块、性能数据收集器、虚拟机配置提取器、性能数据解析器和预测模型。这样性能评测工具能够较准确地预测出云平台的容量上限。