Інтелектуальна система прогнозування зниження продуктивності віртуальних машин у середовищі хмарних обчислень

Abstract

У статті в рамках інформаційно-екстремальної інтелектуальної технології розглядається аналіз та синтез системи прогнозування зниження продуктивності віртуальних машин на спільній фізичній інфраструктурі внаслідок їх конкуренції за ресурси. Запропоновано формування вхідного математичного опису системи шляхом кластер-аналізу метрик продуктивності віртуальних машин та метрик використання ресурсів. Як ознаки розпізнавання стану зниження продуктивності системи розглядаються кількість розміщених на хості віртуальних машин кожного класу споживання ресурсів та обсяг вільних ресурсів процесора, оперативної та дискової пам’яті і мережевого каналу. Розроблені алгоритми ґрунтуються на адаптивному двійковому кодуванні ознак розпізнавання та оптимізації геометричних параметрів розбиття простору ознак на класи еквівалентності у процесі максимізації інформаційної спроможності системи оцінювання функціонального стану обчислювального середовища. Як критерій оптимізації запропоновано використовувати модифікацію інформаційної міри Кульбака, що є функціоналом від помилки другого роду та першої достовірності прийняття рішень.

В статье в рамках информационно-экстремальной интеллектуальной технологии рассматривается анализ и синтез системы прогнозирования снижения производительности виртуальных машин на совместной физической инфраструктуре в результате их конкуренции за ресурсы. Предложено формирование входного математического описания системы путем кластер-анализа метрик производительности виртуальных машин и метрик использования ресурсов. В качестве признаков распознавания состояния снижение производительности системы рассматриваются количество размещенных на хосте виртуальных машин каждого класса потребления ресурсов и объем свободных ресурсов процессора, оперативной и дисковой памяти и сетевого канала. Разработанные алгоритмы основываются на адаптивном двоичном кодировании признаков распознавания и оптимизации геометрических параметров разбиения пространства признаков на классы эквивалентности в процессе максимизации информационной способности системы оценки функционального состояния вычислительной среды. В качестве критерия оптимизации предложено использовать модификацию информационной меры Кульбака, что является функционалом от ошибки второгорода и первой достоверности принятия решений.

In this article the information-extreme intellectual technologies of analyzing and synthesis of the forecasting system are researched. In this case the authors analyzed the degradation of the virtual machines owing to their interference on a common physical infrastructure. The authors proposed the approaches of the formation the input of the mathematical description which based on the cluster-analysis of the performance and resource usage metrics of the virtual machines. Considered feature set for recognize a condition of performance degradation includes the amount of allocated to host virtual machines from each resource consumption class, the amount of available CPU, RAM and disk space and network channel. The algorithms are based on adaptive binary coding of feature vectors and optimization of geometrical parameters of feature space partition into classes equivalence to maximize the information ability of system intended to predict functional state of the computing environment. The modified information criterion for estimate efficiency of machine learning is expressed in terms of false omission rate and positive predictive value. The physical modeling of proposed algorithms are implemented by the example of cloud services from Google.