云環(huán)境下面向可信的虛擬機(jī)異常檢測關(guān)鍵技術(shù)研究.pdf

1、云計算具有按需分配資源、彈性可擴(kuò)展、面向服務(wù)、高性價比等優(yōu)勢，目前已成為主流的計算和服務(wù)模式。然而隨著云計算的蓬勃發(fā)展，云平臺的規(guī)模和復(fù)雜性不斷增長，其事故也隨之頻繁爆發(fā)，嚴(yán)重影響了云平臺的可靠性和可用性并降低了其可信性。在以虛擬化技術(shù)為支撐的云平臺，虛擬資源主要以虛擬機(jī)的形式進(jìn)行封裝并相互隔離，為用戶提供租用服務(wù)。本文通過及時檢測出處于異常狀態(tài)的虛擬機(jī)，以便在系統(tǒng)性能下降時就采取應(yīng)對措施，從而改善云平臺的可靠性、可用性和可維護(hù)性，以此

2、提升其可信性。由于云平臺虛擬機(jī)數(shù)量龐大、采集到的性能指標(biāo)多、監(jiān)測實(shí)時性強(qiáng)，準(zhǔn)確檢測出異常虛擬機(jī)極具挑戰(zhàn)性。
　　本文針對大規(guī)模云平臺研究虛擬機(jī)異常檢測若干關(guān)鍵技術(shù)。針對云環(huán)境設(shè)計了虛擬機(jī)異常檢測框架；系統(tǒng)地研究了特征提取技術(shù)，針對無標(biāo)記和有標(biāo)記樣本集分別提出了相應(yīng)的無監(jiān)督和有監(jiān)督特征提取算法；針對云環(huán)境下虛擬機(jī)異常檢測面臨的多種異常類型、不平衡訓(xùn)練樣本集、訓(xùn)練樣本實(shí)時增加等關(guān)鍵問題，利用支持向量機(jī)（SVM）在解決非線性和高維的分類

3、問題中特有的優(yōu)勢，系統(tǒng)地研究了基于SVM的異常檢測算法；最后在云平臺數(shù)據(jù)集、模擬數(shù)據(jù)集和標(biāo)準(zhǔn)數(shù)據(jù)集上對本文研究的算法進(jìn)行了廣泛的實(shí)驗與分析。
　　本論文的研究工作和創(chuàng)新點(diǎn)具體包含以下幾個方面。
　?、僭诳尚判詢?nèi)涵中定義了異常和異常檢測，并闡述與現(xiàn)有內(nèi)涵的關(guān)聯(lián)關(guān)系。通過回顧可信計算的發(fā)展歷史，闡述可信性及可用性、可靠性、防危性、完整性、可維護(hù)性五個屬性的內(nèi)涵，明晰可信性威脅因素之間的關(guān)聯(lián)關(guān)系，為理解云平臺可信性及開發(fā)相應(yīng)的可信

4、性增強(qiáng)方案提供重要的理論基礎(chǔ)。
　?、卺槍υ骗h(huán)境設(shè)計了虛擬機(jī)異常檢測框架。分析了云環(huán)境下現(xiàn)有的虛擬機(jī)異常檢測框架存在的不足，并總結(jié)了面臨的挑戰(zhàn)；設(shè)計了虛擬機(jī)異常檢測框架并闡述各模塊的功能，明確本文的主要研究內(nèi)容；形式化定義虛擬機(jī)的運(yùn)行環(huán)境屬性集和性能指標(biāo)集；給出了系統(tǒng)假設(shè)及相關(guān)策略說明。
　　③針對高維性能指標(biāo)樣本集提出了無監(jiān)督和有監(jiān)督特征提取算法。形式化描述特征提取并總結(jié)需要解決的關(guān)鍵問題；詳細(xì)分析四種分別基于主元分析（P

5、CA）、線性判別分析（LDA）、無監(jiān)督模糊線性判別分析（UFLDA）、獨(dú)立元分析（ICA）的特征提取算法的原理并指出不足；針對無標(biāo)記樣本集，提出了基于無監(jiān)督模糊核線性判別分析（UFKLDA）的特征提取算法，在UFLDA中引入核方法實(shí)現(xiàn)非線性特征提取并解決其不能有效處理非高斯分布樣本集的不足；針對有標(biāo)記樣本集，提出了基于有監(jiān)督核獨(dú)立元分析（SKICA）的特征提取算法，在ICA中引入核方法和類別標(biāo)記信息解決非線性混合問題并將其擴(kuò)展到有監(jiān)督情

6、形。
　　④針對云環(huán)境下虛擬機(jī)異常檢測面臨的關(guān)鍵問題研究了相應(yīng)的算法和策略。形式化描述虛擬機(jī)的異常檢測，并總結(jié)需要解決的關(guān)鍵問題；闡述了支持向量機(jī)（SVM）算法的思想并總結(jié)兩種基本的SVM異常檢測算法；指出了特征選擇和線性特征提取與核函數(shù)選擇之間的等價關(guān)系并作了相應(yīng)的證明；針對在降低樣本集維度的同時需要保留原始性能指標(biāo)的場合，提出了一種特征選擇算法－改進(jìn)的遞歸特征消除算法（IRFE）；針對云環(huán)境下虛擬機(jī)異常檢測面臨的多種異常類型、

7、不平衡訓(xùn)練樣本集、訓(xùn)練樣本實(shí)時增加等關(guān)鍵問題研究了基于多類 SVM、不平衡SVM、在線學(xué)習(xí)SVM的異常檢測算法；此外，還針對數(shù)據(jù)采樣、樣本集更新、異常檢測算法選擇等問題提出相應(yīng)的策略。
　　⑤在三種數(shù)據(jù)集上對本文研究的算法進(jìn)行了廣泛的實(shí)驗與分析。引入本文采集的虛擬機(jī)性能指標(biāo)集，分析采用性能指標(biāo)增量進(jìn)行異常檢測存在的問題，確定異常檢測的數(shù)據(jù)源為原始性能指標(biāo)數(shù)據(jù)；通過故障注入模擬虛擬機(jī)異常并采集云平臺數(shù)據(jù)集，同時也引入現(xiàn)有文獻(xiàn)廣泛采用

8、的模擬數(shù)據(jù)集和標(biāo)準(zhǔn)數(shù)據(jù)集，在這些數(shù)據(jù)集上對本文研究的特征提取、特征選擇和異常檢測算法進(jìn)行實(shí)驗與分析。
　　綜上，本文針對云環(huán)境設(shè)計了虛擬機(jī)異常檢測框架，提出或改進(jìn)了一系列算法，從而解決了其中的一些關(guān)鍵技術(shù)問題；對涉及到的每個概念都作了嚴(yán)格定義，對每個研究問題都進(jìn)行形式化描述。理論分析和實(shí)驗驗證表明，本文設(shè)計的異常檢測框架能應(yīng)對云環(huán)境下虛擬機(jī)異常檢測面臨的挑戰(zhàn)；提出的特征提取算法比現(xiàn)有算法能更有效地處理非高斯樣本數(shù)據(jù)，提取出的特征也