王澤宇，馬 鵬

（武警工程大學(xué)，西安 710086）

0 引言

McCullough等利用隨機服務(wù)系統(tǒng)理論來實現(xiàn)對虛擬機資源占有的調(diào)控以達到目標預(yù)期性能[1]。張蓓蓓等人提出了基于BP神經(jīng)網(wǎng)絡(luò)對虛擬機的負載部署預(yù)測，得到較高的收斂速度和擬合精度[2]。本文基于BP神經(jīng)網(wǎng)絡(luò)對特征值進行建模，建立多輸入單輸出的神經(jīng)網(wǎng)絡(luò)模型對性能進行預(yù)測并與實際數(shù)據(jù)進行對比觀測模型準確性。

1 線性模型的測試

假設(shè)：①模型符合線性模型；②自變量：虛擬機內(nèi)存、VCPU個數(shù)、調(diào)度算法、核心綁定、虛擬機個數(shù)、負載類型、CPU周期權(quán)重用來表示；③變量前的參數(shù)用表示，得到為線性模型。根據(jù)可加性得到：亦為線性模型，對進行一元線性擬合建模，選取一組測試數(shù)據(jù)如表1所示：

表1 測試數(shù)據(jù)表

得到測試結(jié)果數(shù)據(jù)并不呈線性分布，甚至還超出了上下邊界，故不為線性模型，不為線性模型，不適合用線性模型求解。

2 虛擬機性能預(yù)測工具的設(shè)計與實現(xiàn)

設(shè)計的模型能夠?qū)崿F(xiàn)對已知配置性能的預(yù)測，能根據(jù)由訓(xùn)練集得出的經(jīng)驗來評估預(yù)測精度與誤差。設(shè)定訓(xùn)練次數(shù)為1萬次；學(xué)習(xí)速率為0.1；誤差精度是10（-6），得到以下數(shù)據(jù)：

圖1 學(xué)習(xí)次數(shù)圖

圖2 訓(xùn)練效果圖

圖3 訓(xùn)練集擬合度

圖4 測試集擬合度

圖1表示隨著學(xué)習(xí)次數(shù)的增加模型的訓(xùn)練精度越來越接近我們設(shè)定的10（-6）；圖2表示數(shù)據(jù)點越接近Y=X表示訓(xùn)練精度越高；圖3表示與實際虛擬機性能的擬合度；圖4表示與實際數(shù)據(jù)的擬合度。綜上可發(fā)現(xiàn)模型對于訓(xùn)練集擬合效果很高，但對測試集效果出現(xiàn)過擬合現(xiàn)象，通過改進得到：

圖5 學(xué)習(xí)次數(shù)圖

圖6訓(xùn)練效果圖

圖7 訓(xùn)練集擬合度

圖8 測試集擬合度

通過對圖5-8的分析，不難看出改進之后的模型對測試集的擬合效果有了顯著的增強，達到了預(yù)期的精度要求。

3 測試結(jié)果和性能分析

表2列出目標配置、實際與預(yù)測應(yīng)用性能的對比：

表2 性能對比表

4 結(jié)束語

通過對樣本數(shù)據(jù)分析提取出了特征參數(shù)，設(shè)計對不同虛擬機都有良好的適應(yīng)性。對過擬合現(xiàn)象做出了明確的解釋與修正，為后續(xù)工作者提供了有力的理論支持。我們雖實現(xiàn)了對物理機資源池的占用，但也有不足：數(shù)據(jù)均是在同一臺物理上采集的，對其他物理機的適應(yīng)性存在一些差異，可能會影響模型的預(yù)測精度，此外模型只能以程序的形式調(diào)用。