丁三軍，薛 宇，王朝霞，徐 蕾

（1.中國(guó)航空工業(yè)集團(tuán)公司沈陽(yáng)飛機(jī)設(shè)計(jì)研究所，沈陽(yáng)110136；2.沈陽(yáng)航空航天大學(xué)計(jì)算機(jī)學(xué)院，沈陽(yáng)110136）

基于模糊數(shù)據(jù)挖掘的虛擬環(huán)境主機(jī)故障預(yù)測(cè)

丁三軍1，薛 宇2，王朝霞1，徐 蕾2

（1.中國(guó)航空工業(yè)集團(tuán)公司沈陽(yáng)飛機(jī)設(shè)計(jì)研究所，沈陽(yáng)110136；2.沈陽(yáng)航空航天大學(xué)計(jì)算機(jī)學(xué)院，沈陽(yáng)110136）

為避免虛擬計(jì)算環(huán)境中由于資源配置不合理，導(dǎo)致虛擬主機(jī)服務(wù)中斷或數(shù)據(jù)丟失的問題，設(shè)計(jì)一種虛擬主機(jī)故障預(yù)測(cè)模型。利用主機(jī)運(yùn)行日志進(jìn)行模糊數(shù)據(jù)挖掘，獲得故障預(yù)測(cè)的模糊關(guān)聯(lián)規(guī)則。根據(jù)故障預(yù)測(cè)中聚類區(qū)域邊緣數(shù)據(jù)，給出基于規(guī)則的閾值迭代算法求解日志數(shù)據(jù)預(yù)處理修正系數(shù)，進(jìn)而提高規(guī)則的匹配率。實(shí)驗(yàn)結(jié)果表明，該模型能夠在實(shí)際服務(wù)失效前預(yù)測(cè)故障，預(yù)測(cè)準(zhǔn)確率達(dá)到85%以上。

虛擬環(huán)境；主機(jī)故障預(yù)測(cè)；模糊數(shù)據(jù)挖掘；關(guān)聯(lián)規(guī)則；閾值迭代

1 概述

在大型數(shù)據(jù)中心，為充分利用系統(tǒng)資源、提升數(shù)據(jù)中心的計(jì)算能力、避免IT設(shè)備的非必要擴(kuò)充而普遍采用了虛擬化技術(shù)。虛擬化技術(shù)的使用提高了數(shù)據(jù)中心設(shè)備的利用率，但也存在一些潛在的問題。若虛擬機(jī)資源配置與運(yùn)行任務(wù)的資源需求不匹配，部分虛擬機(jī)長(zhǎng)時(shí)間負(fù)載過重導(dǎo)致服務(wù)失效，即虛擬機(jī)不能正常運(yùn)行任務(wù)或者任務(wù)在沒有完成的時(shí)候被意外終止。因此有必要對(duì)虛擬機(jī)服務(wù)失效（故障）狀態(tài)提前預(yù)測(cè)，便于數(shù)據(jù)中心的運(yùn)維系統(tǒng)能夠及時(shí)的響應(yīng)。

主機(jī)故障預(yù)測(cè)通常利用機(jī)器運(yùn)行日志文件中的數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，得到機(jī)器故障的預(yù)測(cè)規(guī)則，現(xiàn)有的預(yù)測(cè)技術(shù)主要有：（1）基于支持向量機(jī)（Support Vector Machine，SVM）機(jī)器學(xué)習(xí)的故障預(yù)測(cè)，文獻(xiàn)［1］利用并行支持向量機(jī)分析系統(tǒng)日志來進(jìn)行故障預(yù)測(cè)，達(dá)到了較高的故障預(yù)測(cè)率；由于SVM求解支持向量時(shí)會(huì)耗費(fèi)大量的機(jī)器內(nèi)存和運(yùn)算時(shí)間，當(dāng)訓(xùn)練樣本與支持向量數(shù)目過多時(shí)，分類器的分類速度過慢，限制了支持向量機(jī)的應(yīng)用。（2）基于關(guān)聯(lián)規(guī)則的故障預(yù)測(cè)。通常方法是把日志文件中的每個(gè)數(shù)據(jù)屬性劃分為若干個(gè)區(qū)間，每個(gè)區(qū)間用布爾型值1或0表示，若數(shù)據(jù)屬性值在某個(gè)區(qū)間范圍內(nèi)，則該區(qū)間值為1，否則為0。這種方法存在劃分邊界過硬的問題。文獻(xiàn)［2］提出了加權(quán)關(guān)聯(lián)規(guī)則的分類預(yù)測(cè)方法，通過引入屬性權(quán)值提高預(yù)測(cè)的準(zhǔn)確率。文獻(xiàn)［3］提出基于模糊關(guān)聯(lián)規(guī)則與多重最小支持度的預(yù)測(cè)方法，模糊關(guān)聯(lián)規(guī)則［4-5］使用模糊集來軟化屬性論域劃分邊界，解決了區(qū)間劃分邊界過硬的問題；規(guī)則匹配的分類速度相對(duì)較快，解決了SVM對(duì)大樣本分類速度慢的缺陷，然而規(guī)則方法的故障預(yù)測(cè)準(zhǔn)確率相對(duì)較低［6］。

本文實(shí)現(xiàn)一種虛擬機(jī)的主機(jī)故障預(yù)測(cè)模型。利用虛擬機(jī)的運(yùn)行日志數(shù)據(jù)進(jìn)行故障的模糊關(guān)聯(lián)規(guī)則挖掘，提出基于規(guī)則的日志數(shù)據(jù)加權(quán)預(yù)處理方法。

2 主機(jī)故障預(yù)測(cè)模型

虛擬環(huán)境下主機(jī)故障預(yù)測(cè)模型的工作過程如圖1所示，模型利用主機(jī)運(yùn)行日志樣本數(shù)據(jù)集進(jìn)行模糊數(shù)據(jù)挖掘獲得主機(jī)故障預(yù)測(cè)的模糊關(guān)聯(lián)規(guī)則，工作過程如下：用模糊C均值算法求得樣本數(shù)據(jù)集的聚類中心及隸屬度矩陣，再用Apriori數(shù)據(jù)挖掘算法求出故障預(yù)測(cè)的模糊關(guān)聯(lián)規(guī)則；進(jìn)一步基于數(shù)據(jù)挖掘獲得的故障預(yù)測(cè)規(guī)則用本文提出的閾值迭代算法得到一組日志數(shù)據(jù)加權(quán)系數(shù)，其中的閾值為規(guī)則的故障檢錯(cuò)率，迭代過程中設(shè)為固定的值（閾值不能設(shè)定的太小，否則不容易收斂），日志加權(quán)系數(shù)迭代時(shí)，首先設(shè)定加權(quán)系數(shù)的初值，將日志樣本數(shù)據(jù)加權(quán)計(jì)算后做模糊化，匹配故障預(yù)測(cè)規(guī)則，若規(guī)則的故障檢錯(cuò)率超過閾值，則調(diào)整加權(quán)系數(shù)繼續(xù)迭代直至小于閾值為止；進(jìn)行實(shí)時(shí)主機(jī)故障預(yù)測(cè)時(shí)，首先對(duì)日志數(shù)據(jù)做加權(quán)處理，再進(jìn)行模糊化與規(guī)則匹配，得到故障預(yù)測(cè)結(jié)果。

圖1 主機(jī)故障預(yù)測(cè)模型

2.1 主機(jī)日志屬性提取及故障分析

分析服務(wù)器中虛擬主機(jī)的系統(tǒng)運(yùn)行日志，提取日志數(shù)據(jù)中的相關(guān)屬性進(jìn)行故障預(yù)測(cè)規(guī)則挖掘，提取的屬性如表1所示。

虛擬環(huán)境下的主機(jī)故障定義為一段時(shí)間內(nèi)某個(gè)虛擬主機(jī)的服務(wù)失效。主機(jī)服務(wù)失效主要表現(xiàn)如表2所示，表中所有服務(wù)失效現(xiàn)象的檢測(cè)時(shí)間為60 s，稱為單位檢測(cè)時(shí)間。

表1 與主機(jī)故障相關(guān)的運(yùn)行狀態(tài)屬性

表2 虛擬主機(jī)服務(wù)失效表現(xiàn)

表2第2項(xiàng)故障是指處理器在內(nèi)存中讀取某一頁(yè)出現(xiàn)錯(cuò)誤時(shí)，就會(huì)產(chǎn)生缺頁(yè)中斷，在日志屬性M emoryPage Faults/s會(huì)有所反應(yīng)，錯(cuò)誤會(huì)使系統(tǒng)的運(yùn)行效率很快下降。M emoryPage Input（Reads）/s表示為解決錯(cuò)誤而寫入（讀?。┯脖P的頁(yè)數(shù)，數(shù)值越大表示硬錯(cuò)誤越多，系統(tǒng)性能越低，若在單位檢測(cè)時(shí)間內(nèi)數(shù)值超過20以上認(rèn)為存在故障。

因?yàn)橐恍〤PU允許操作系統(tǒng)并行多個(gè)未完成請(qǐng)求的輸入/輸出操作。PhysicalDisk（-Total）\% Disk Time屬性的值會(huì)超過100%，其數(shù)值長(zhǎng)時(shí)間較高時(shí)磁盤操作成為瓶頸。計(jì)算機(jī)在單位檢測(cè)時(shí)間內(nèi)對(duì)文件系統(tǒng)進(jìn)行高頻率（2 000以上）讀/寫時(shí)，系統(tǒng)運(yùn)行效率會(huì)嚴(yán)重下降，導(dǎo)致故障產(chǎn)生。

NetworkBytes Total/s監(jiān)控是否由于網(wǎng)絡(luò)原因?qū)е孪到y(tǒng)故障，由于1 M b/s帶寬影響，Network Byte Total/s數(shù)值接近帶寬時(shí)網(wǎng)絡(luò)連接達(dá)到瓶頸。用戶狀態(tài)模式是指除一般系統(tǒng)服務(wù)、進(jìn)程管理、內(nèi)存管理等由操作系統(tǒng)自行啟動(dòng)的進(jìn)程外CPU處理線程的百分比，數(shù)值過大的原因是應(yīng)用系統(tǒng)消耗了大量的CPU時(shí)間，引起CPU性能下降。

當(dāng)虛擬主機(jī)的運(yùn)行特征中頻繁出現(xiàn)上述現(xiàn)象時(shí)，表明虛擬機(jī)的部分資源不能滿足運(yùn)行任務(wù)的要求，服務(wù)質(zhì)量下降。若能夠提前預(yù)測(cè)這種服務(wù)失效，可以及時(shí)采取措施，避免服務(wù)中斷。

2.2 數(shù)據(jù)模糊化與關(guān)聯(lián)規(guī)則挖掘

利用主機(jī)運(yùn)行的日志數(shù)據(jù)進(jìn)行故障預(yù)測(cè)的模糊關(guān)聯(lián)規(guī)則挖掘。設(shè)規(guī)則挖掘的樣本數(shù)據(jù)集為X=｛x1，x2，…，xn｝（n為樣本數(shù)），其中xi=｛xi，1，xi，2，…，xi，8｝（1≤i≤n）是具有上述8個(gè)屬性的日志數(shù)據(jù)，利用FCM（Fuzzy-C-M eans）算法［7］對(duì)X進(jìn)行模糊化處理。將數(shù)據(jù)的每個(gè)屬性模糊化為5類，分別為極低（VLow）、低（Low）、中等（M idd）、高（High）、極高（VHigh）。FCM算法計(jì)算每個(gè)屬性的聚類中心并求樣本集相對(duì)聚類中心的隸屬度，使得非相似性指標(biāo)的價(jià)值函數(shù)達(dá)到最?。?］。

設(shè)聚類中心C=｛cj，k｝（C為矩陣，1≤j≤8，1≤k≤5），U=｛ui，j，k｝是樣本集到聚類中心C的隸屬度，0＜ui，j，k＜1，C為n×8×5的矩陣。模糊聚類是按照日志數(shù)據(jù)的屬性分別進(jìn)行，對(duì)每個(gè)日志屬性數(shù)據(jù)設(shè)置價(jià)值函數(shù)：

初始化：設(shè)置初始聚類中心C，迭代標(biāo)準(zhǔn)ε＞0，初始化隸屬矩陣C，若ui，j，k的j屬性值距離某個(gè)聚類中心cj，k的距離最近，則初始化隸屬度ui，j，k為0.6，其余隸屬度ui，j，l（1≤l≤5∧l≠k）為0.1。

步驟1 用下式計(jì)算聚類中心C：

步驟2 用下式計(jì)算隸屬度矩陣U：

步驟3 根據(jù)式（1）計(jì)算價(jià)值函數(shù)。如果它大于閾值ε，返回步驟1，迭代計(jì)算聚類中心C和隸屬度矩陣U。

步驟4 算法停止，獲得聚類中心C和隸屬度矩陣U。

由上述的FCM算法得到樣本數(shù)據(jù)的模糊集之后，利用Apriori數(shù)據(jù)挖掘算法從模糊數(shù)據(jù)集中提取有意義的故障預(yù)測(cè)關(guān)聯(lián)規(guī)則［9-10］。經(jīng)Apriori挖掘算法挖掘得到關(guān)聯(lián)規(guī)則例子如表3所示。

表3 故障預(yù)測(cè)關(guān)聯(lián)規(guī)則例子

2.3 閾值迭代法

日志數(shù)據(jù)模糊化后，直接匹配上述得到的模糊關(guān)聯(lián)規(guī)則進(jìn)行故障預(yù)測(cè)產(chǎn)生了較大的誤差。分析發(fā)現(xiàn)是聚類區(qū)域邊緣的數(shù)據(jù)導(dǎo)致了這些誤差。因此，本文提出一種基于故障預(yù)測(cè)規(guī)則的閾值迭代算法求出一組權(quán)值向量，在日志數(shù)據(jù)模糊化之前對(duì)其進(jìn)行按屬性加權(quán)，使得數(shù)據(jù)模糊化時(shí)能夠向聚類中心靠攏，減少模糊規(guī)則不匹配的情況，提高預(yù)測(cè)準(zhǔn)確率。

基于規(guī)則的閾值迭代算法是利用日志樣本數(shù)據(jù)對(duì)故障預(yù)測(cè)規(guī)則的匹配情況進(jìn)行權(quán)值迭代，以期能夠獲得更高的規(guī)則匹配率。設(shè)數(shù)據(jù)挖掘獲得的模糊規(guī)則集為R=｛r1，r2，…，rs｝（s≥1），利用上節(jié)中得到的模糊聚類中心C=｛cj，k｝（1≤j≤8，1≤k≤5），日志樣本數(shù)據(jù)集X=｛x1，x2，…xn｝進(jìn)行權(quán)值迭代獲得權(quán)值向量W=｛w1，w2，…，w8｝。算法中權(quán)值迭代的終止條件為規(guī)則的檢錯(cuò)率e（所有規(guī)則使用同一個(gè)值），算法如下：

算法中將按規(guī)則求得的權(quán)值用求均值的方法求出一組權(quán)值，用于日志數(shù)據(jù)的調(diào)整。

2.4 實(shí)時(shí)主機(jī)故障預(yù)測(cè)

虛擬環(huán)境下實(shí)時(shí)主機(jī)故障預(yù)測(cè)過程如下：

（1）獲得主機(jī)運(yùn)行日志數(shù)據(jù)，提取相關(guān)屬性數(shù)據(jù)。

（2）將主機(jī)日志數(shù)據(jù)與前節(jié)獲得的權(quán)值向量做加權(quán)處理（方法同上），利用已知的聚類中心根據(jù)式（3）對(duì)加權(quán)后的日志數(shù)據(jù)進(jìn)行模糊化。

（3）得到的模糊數(shù)據(jù)與規(guī)則集R中規(guī)則進(jìn)行匹配，若匹配R中的一條或多條規(guī)則，則選擇其中置信度最高的規(guī)則結(jié)論作為預(yù)測(cè)結(jié)果［11-13］。

主機(jī)故障預(yù)測(cè)時(shí)，日志數(shù)據(jù)讀取太頻繁，會(huì)影響到主機(jī)的工作效率，設(shè)置主機(jī)日志每T s（T＜60）讀取一次，單位預(yù)測(cè)時(shí)間內(nèi)提取n條數(shù)據(jù)，若其中有2/3以上數(shù)據(jù)表達(dá)出故障狀態(tài)，則認(rèn)為此單位時(shí)間內(nèi)為故障狀態(tài)。若表達(dá)故障狀態(tài)數(shù)據(jù)在2/3以內(nèi)，之后數(shù)值平穩(wěn)下降趨于穩(wěn)定，則認(rèn)為系統(tǒng)正常運(yùn)行，此時(shí)狀態(tài)為非故障狀態(tài)。

3 實(shí)驗(yàn)及結(jié)果分析

實(shí)現(xiàn)上述故障預(yù)測(cè)系統(tǒng)以驗(yàn)證模型的有效性。實(shí)驗(yàn)平臺(tái)搭建采用一臺(tái)IBM X 3650M 4服務(wù)器，CPU為10核頻率3.0 GHz、16 GB內(nèi)存、10 TB硬盤容量、2.4 Gb/s網(wǎng)絡(luò)接入能力。虛擬化環(huán)境為VMw are vSphere，利用VMw are ESX i組件將服務(wù)器分為3個(gè)虛擬機(jī)，每個(gè)虛擬機(jī)分配4 GB內(nèi)存、3個(gè)處理器核。3臺(tái)虛擬機(jī)上運(yùn)行的任務(wù)是飛機(jī)飛行參數(shù)的分布式處理與數(shù)據(jù)交換，當(dāng)虛擬機(jī)進(jìn)行某類飛參故障分析時(shí)會(huì)出現(xiàn)集中的計(jì)算或數(shù)據(jù)交換。實(shí)驗(yàn)提取某個(gè)虛擬機(jī)中的10 000條日志數(shù)據(jù)作為訓(xùn)練樣本。

在數(shù)據(jù)挖掘時(shí)，價(jià)值函數(shù)的閾值ε取值是0.01，樣本數(shù)據(jù)獲得的聚類中心C如表4所示，數(shù)據(jù)挖掘過程中，規(guī)則的最小支持度0.5、最小置信度0.5，得到384條關(guān)聯(lián)規(guī)則。

表4 FCM算法迭代結(jié)束后的聚類中心C

基于規(guī)則的閾值迭代算法設(shè)置e=0.2，獲得的權(quán)值向量W=｛0.043，0.0105，0.215，0.15，0.17，0.28，0.3，0.225｝。

故障實(shí)時(shí)預(yù)測(cè)實(shí)驗(yàn)中，獲取日志的時(shí)間T= 5 s，單位檢測(cè)時(shí)間內(nèi)讀取12條數(shù)據(jù)。實(shí)驗(yàn)時(shí)間內(nèi)除正常運(yùn)行的任務(wù)之外，隨機(jī)地在某臺(tái)虛擬機(jī)內(nèi)增加一些數(shù)據(jù)運(yùn)算與交換任務(wù)以制造服務(wù)失效引起故障，并在模型進(jìn)行預(yù)測(cè)后及時(shí)撤出任務(wù)，以免對(duì)后期實(shí)驗(yàn)結(jié)果產(chǎn)生影響。實(shí)驗(yàn)計(jì)數(shù)了某臺(tái)虛擬機(jī)10 h內(nèi)故障的預(yù)測(cè)情況。模型的預(yù)測(cè)結(jié)果如圖2所示。實(shí)驗(yàn)測(cè)試的日志數(shù)據(jù)加權(quán)預(yù)處理的結(jié)果如表5所示。

圖2 故障預(yù)測(cè)模型故障預(yù)測(cè)結(jié)果

表5 2種方法預(yù)測(cè)結(jié)果對(duì)比

數(shù)據(jù)模糊化使得對(duì)數(shù)據(jù)描述的分級(jí)數(shù)增加，同時(shí)采用的日志數(shù)據(jù)加權(quán)又使得模糊集邊緣的數(shù)據(jù)向中心靠攏，因此日志數(shù)據(jù)模糊化后能夠提前預(yù)測(cè)故障的發(fā)生；實(shí)驗(yàn)結(jié)果驗(yàn)證故障預(yù)測(cè)模型平均提前10 m in（10個(gè)單位檢測(cè)時(shí)間）預(yù)報(bào)故障的出現(xiàn)；日志數(shù)據(jù)的加權(quán)預(yù)處理也提高了模型的故障檢測(cè)率，降低了檢錯(cuò)率。

實(shí)時(shí)故障預(yù)測(cè)過程中，系統(tǒng)必須實(shí)時(shí)獲取主機(jī)運(yùn)行日志，進(jìn)而消耗部分系統(tǒng)資源，實(shí)驗(yàn)得出每5 s處理一條運(yùn)行日志數(shù)據(jù)時(shí)，平均匹配28.8條規(guī)則，約為總規(guī)則數(shù)的1/11，平均耗時(shí)2 ms，所消耗的系統(tǒng)資源在可接受的范圍內(nèi)。

4 結(jié)束語(yǔ)

本文提出一種基于主機(jī)日志模糊數(shù)據(jù)挖掘的主機(jī)故障預(yù)測(cè)模型，由于日志數(shù)據(jù)模糊化后數(shù)據(jù)描述分級(jí)數(shù)增加，同時(shí)采用了加權(quán)預(yù)處理的方法，該模型獲得較好的故障預(yù)測(cè)效果和檢測(cè)率。由于模型中數(shù)據(jù)模糊化時(shí)分為5級(jí)，更加細(xì)致的分級(jí)可能會(huì)增加規(guī)則的數(shù)量進(jìn)而增加系統(tǒng)的開銷，基于數(shù)據(jù)挖掘獲得規(guī)則的預(yù)測(cè)系統(tǒng)受到數(shù)據(jù)挖掘使用樣本的限制，下一步將研究如何動(dòng)態(tài)調(diào)整規(guī)則以適應(yīng)主機(jī)運(yùn)行環(huán)境及運(yùn)行任務(wù)的變化。

［1］ Kumar R A.Pragmatic Approach to Predict Hardware Failures in Storage System s Using MPP Database and Big Data Technologies［C］//Proceedings of IACC'14. Washington D.C.，USA：IEEE Press，2014：779-788.

［2］ Sunita S.An Associative Classifier Using Weighted Association Rule［C］//Proceedings of 2009 World Congresson Nature&Biologically Inspired Computing. Piscataway，USA：IEEE Publications，2009：1492-1496.

［3］ Soean B.Fuzzy Association Rule Mining Approaches for Enhancing Prediction Performance［J］.Expert System s with Applications，2013，40（17）：6928-6937.

［4］ Kuok C M，F(xiàn)u A.Mining Fuzzy Association Rules in Database［J］.SIGMOD Record，1998，27（1）：41-46.

［5］ Chen Zuoliang.Building an Associative Classifier Based on Fuzzy Association Rules［J］.International Journal of Computational Intelligence System s，2008，1（3）：262-272.

［6］ Faustino C P，Novaes C P.Improving the Performance of Fuzzy Rules-based Forecasters Through Application of FCM Algorithm［J］.Artificial Intelligence Review，2014，41（2）：287-300.

［7］ Ichihashi H.FCM Classifier for High-dimensional Data［C］//Proceedings of IEEE International Conference on Fuzzy System s.Washington D.C.，USA：IEEE Press，2008：200-206.

［8］ Pi Dechang.A Modified Fuzzy C-means Algorithm for Association Rules Clustering［M］.Berlin，Germany：Springer，2006.

［9］ Touzi A G.Efficient Reduction of the Number of Associations Rules Using Fuzzy Clustering on the Data［C］//Proceedings of ICSI'11.Washington D.C.，USA：IEEE Press，2011：191-199.

［10］ Chen Chunhao.A Fuzzy Coherent Rule Mining Algorithm［J］.Applied Soft Computing，2013，13（7）：3422-3428.

［11］ Kuncheva L I.How Good are Fuzzy If-then Classifiers？［J］.IEEE Transactions on Systems，Man，and Cybernetics，2000，30（4）：501-509.

［12］ 肖 波，徐前方，藺志青，等.可信關(guān)聯(lián)規(guī)則及其基于極大團(tuán)的挖掘算法［J］.軟件學(xué)報(bào)，2008，19（10）：2597-2610.

［13］ 楊海蓉，方 紅，張 成，等.基于回溯的迭代硬閾值算法［J］.自動(dòng)化學(xué)報(bào)，2011，37（3）：276-182.

編輯索書志

Fault Prediction of Virtual Environment Host Based on Fuzzy Data Mining

DING Sanjun1，XUE Yu2，WANG Chaoxia1，XU Lei2
（1.Shenyang Aircraft Design and Research Institute，Aviation Industry Corporation of China，Shenyang 110136，China；2.Computing College，Shenyang Aerospace University，Shenyang 110136，China）

In order to report the service failure of the host or data interrupt in the virtual environment caused by undue resource allocation，this paper proposes a fault prediction model for virtual host.This model uses logs of the virtual host to mining the fuzzy association rules of fault predictions.Aiming at large error about rule matching problem in fault predictions caused by the edge data in cluster region，the model presents the threshold iterative algorithm based on the rules for solving the log data preprocessing coefficient，improving the rule matching rate.Experimental result show s that the prediction model can predict fault before the actual service fails，with an accuracy above 85%.

virtual environment；host fault prediction；fuzzy data mining；association rule；threshold iteration

丁三軍，薛 宇，王朝霞，等.基于模糊數(shù)據(jù)挖掘的虛擬環(huán)境主機(jī)故障預(yù)測(cè)［J］.計(jì)算機(jī)工程，2015，41（11）：202-206.

英文引用格式：Ding Sanjun，Xue Yu，Wang Chaoxia，et al.Fault Prediction of Virtual Environment Host Based on Fuzzy Data Mining［J］.Computing Engineering，2015，41（11）：202-206.

1000-3428（2015）11-0202-05

A

TP18

10.3969/j.issn.1000-3428.2015.11.035

丁三軍（1968-），男，研究員、碩士，主研方向：機(jī)器學(xué)習(xí)，信息安全；薛 宇，碩士研究生；王朝霞，研究員、碩士；徐 蕾，教授。

2014-09-25

2014-12-02 E-m ail：dsanjun@163.com