排序方式: 共有12条查询结果,搜索用时 31 毫秒
1.
现有的虚拟机池化管理普遍采用的是master/slave模式,存在单点失效问题。针对此问题,设计并实现一种基于角色的虚拟机池单点失效处理方法。该方法采用角色划分和选取机制自动指定主备节点,并基于序列法解决了自动选取机制中存在多个master节点冲突问题。实验表明,该方法能够实现master节点对用户透明的失效恢复。 相似文献
2.
3.
随着按需供给资源使用模式的推广,软件的资源需求已成为资源优化控制的重要属性.监测和估算是目前常用的资源消耗获取方法,但监测工具难以在运行时准确度量短任务的资源需求,回归分析方法又因受到多元共线性和不确定性因素的影响,导致其取值精度下降.本文提出了一种基于Kalman滤波的资源需求估算方法.该方法建立了可度量属性集与不可度量的资源需求间的关联,并利用滤波过滤度量过程中的噪声,达到降低估算误差的目的.基准测试的结果表明,通过合理的设置滤波参数,本方法能够快速逼近真实值,且平均误差小于8%. 相似文献
4.
5.
提出一种面向异构云计算环境的截止时间约束的MapReduce作业调度方法。使用加权偶图建模MapReduce作业调度问题,将Map任务及Reduce任务与资源槽分为2个节点集合,连接2个节点集合的边的权重为任务在资源槽上的执行时间。进而,使用整数线性规划求解最小加权偶图匹配,从而得到任务到资源槽的调度方案。本文考虑了云计算环境下异构节点任务处理时间的差异性,在线动态评估和调整任务的截止时间,从而提升了MapReduce作业处理的性能。实验结果表明,所提出的方法缩短了作业数据访问的时间,最小化了截止时间冲突的作业数量。 相似文献
6.
虚拟化技术已成为云计算平台中的关键性支撑技术.它极大地提高了数据中心的资源利用率,降低了管理成本和能源消耗,但同时也为数据中心带来了新的问题——性能干扰.同一平台上的多虚拟机过度竞争某一底层硬件资源(如CPU,Cache等),会造成虚拟机性能严重下降;而出于安全性和可移植性的考虑,底层平台管理者需要尽量避免侵入式监测上层虚拟机,因而,如何透明而有效地从底层估算虚拟机性能干扰,成为虚拟化平台管理者必须面临的一个挑战.为应对以上挑战,提出了一种基于硬件计数器的虚拟机性能干扰估算方法.硬件计数器是程序运行期间产生的硬件事件信息(如CPU时间片、缓存失效次数等),已有工作主要利用大规模分布式系统任务相似性查找产生异常硬件计数器数据的节点,而没有探究硬件事件变化与性能干扰之间的直接关系.通过实验研究发现,硬件计数器(last level cache misses rates,简称LLC misses rates)与不同资源需求的应用性能干扰存在不同的关联关系;以此建立虚拟机性能干扰估算模型,估算虚拟机性能.实验结果表明:该方法可以有效地预测CPU密集型应用和网络密集型应用的性能干扰大小,并仅为系统带来小于10%的开销. 相似文献
7.
8.
9.
在容器虚拟化支撑平台中,多种应用竞争共享资源造成监测系统难以通过设定固定阈值的方式进行异常报警,同时固定的监测周期需要在监测及时性与监测开销之间权衡.针对这些问题,本文提出了一种基于PCA的在线异常检测方法,并根据异常程度动态调整监测周期以节省监测开销.首先通过非侵入方式收集每个容器的监测数据构成数据矩阵,然后利用主成分分析的方法计算矩阵的主方向,最后计算当前与上次主方向的余弦相似度,将其作为当前系统状态的异常程度.对于异常程度超过设定的用户容忍度的容器,发送告警信息,同时根据异常程度增大或者减小监测周期.实验结果表明,对于在分布式存储系统中注入的典型错误,本方法的监测准确性达到80%以上,告警延迟控制在5秒以内,监测开销低于固定监测周期的方法. 相似文献
10.