云計算平臺性能管理的研究.pdf

1、隨著云計算技術越來越多地應用到信息產(chǎn)業(yè)的各個領域，對云環(huán)境下多種異構資源進行監(jiān)測和管理日益重要。云計算平臺具有虛擬性、層次性以及動態(tài)性等特點，相比其它大規(guī)模分布式網(wǎng)絡更加復雜，本文研究面向云計算環(huán)境的性能管理方法，做了以下三個方面的工作：
　?。?）介紹了云計算的基本概念、特點和發(fā)展，并重點總結了現(xiàn)有云環(huán)境下的性能管理技術。
　?。?）針對傳統(tǒng)的監(jiān)測模型通信效率低，監(jiān)測服務器負載不均衡的問題，本文提出一種動態(tài)層次化監(jiān)測模型，

2、對其中監(jiān)測區(qū)域的動態(tài)劃分問題建立數(shù)學模型，在保證監(jiān)測實時性和監(jiān)測中心負載均衡的基礎上，盡量減少通信的開銷。針對該數(shù)學模型，本文提出了一種自適應遺傳算法對該模型進行求解，算法采用二進制編碼來表示區(qū)域劃分結果，根據(jù)監(jiān)測的目標設計了適應度函數(shù)，并通過適應度和進化代數(shù)來自適應地調(diào)整種群的交叉和變異概率。最后，從監(jiān)測時間、網(wǎng)絡流量、負載均衡等方面對本文的監(jiān)測模型進行了仿真，仿真結果表明本文的監(jiān)測模型相較于靜態(tài)監(jiān)測模型和貪心監(jiān)測模型減少了網(wǎng)絡監(jiān)測過

3、程中產(chǎn)生的流量、縮短了監(jiān)測時間，且能夠保持各個域管理中心節(jié)點的負載均衡。
　　（3）傳統(tǒng)的預測模型無法適應云平臺復雜的性能變化，預測準確率不高，本文提出一種基于粒子群（Particle Swarm Optimization，PSO）-Elman的資源性能預測模型。該方法采用Elman神經(jīng)網(wǎng)絡對資源進行性能預測，根據(jù)樣本數(shù)據(jù)的相關性確定網(wǎng)絡輸入層節(jié)點數(shù)目，并采用PSO算法對Elman神經(jīng)網(wǎng)絡進行訓練。在PSO算法中引入粒子群聚集度的