一种预测服务质量的方法和计算装置制造方法及图纸

本申请提供的一种预测服务质量的方法包括：获取第一检测数据之后，将第一检测数据通过分类器输出目标虚拟机的目标黑盒指标集合，再确定与目标虚拟机的目标黑盒指标集合对应的目标预测模型，获取第二检测数据之后，将第一检测数据和第二检测数据通过目标预测模型预测在第二物理机上目标虚拟机的服务质量劣化程度

【技术实现步骤摘要】
一种预测服务质量的方法和计算装置


[0001]本申请涉及云
，尤其涉及一种预测服务质量的方法和计算装置
。

技术介绍

[0002]云平台可以向用户提供虚拟机
。
对于用户在虚拟机上运行应用程序
、
任务或作业，云平台应当根据服务级别协议
(service level agreement,SLA)
指标保障上述应用程序
、
任务或作业的服务质量
。
[0003]目前有一种预测服务质量的方法大致如下：对目标应用程序做缓存压力测试，以获取缓存压力与目标应用程序的服务质量的对应关系，该对应关系可以用敏感度曲线表示
。
根据敏感度曲线可以确定目标应用程序的服务质量下限以及服务质量下限对应的缓存压力
。
根据候选物理机的缓存压力和目标应用程序的敏感度曲线可以预测目标应用程序在候选物理机上的服务质量
。
[0004]在实际环境中造成服务质量下降的原因复杂多样，上述敏感度曲线并不能很好地表征实际环境因素对服务质量的干扰
。

技术实现思路

[0005]有鉴于此，本申请提供一种预测服务质量的方法，能够预测虚拟机在迁移后的服务质量，根据预测的服务质量进行虚拟机迁移，从而提高迁移虚拟机的可靠性
。
[0006]第一方面提供一种预测服务质量的方法，该方法中，获取第一检测数据之后，将第一检测数据输入分类器，通过分类器输出目标虚拟机的目标黑盒指标集合；确定与目标虚拟机的目标黑盒指标集合对应的目标预测模型；获取第二检测数据之后，将第一检测数据和第二检测数据输入目标预测模型；通过目标预测模型预测在第二物理机上目标虚拟机的白盒指标劣化程度
。
[0007]其中，第一检测数据包括目标虚拟机数据和第一物理机的物理机数据，第二检测数据包括第二物理机在目标时段的物理机数据，目标虚拟机数据包括目标虚拟机的资源使用数据和目标虚拟机的底层指标数据，目标虚拟机是任意一个在第一物理机上运行的虚拟机，物理机数据包括物理机的资源使用数据和物理机的底层指标数据
。
目标黑盒指标集合包括一个或多个目标黑盒指标，目标黑盒指标是与目标虚拟机的白盒指标相关度大于或等于预设相关度的黑盒指标
。
白盒指标劣化程度是指劣化的白盒指标数据与无干扰的白盒指标数据之比
。
[0008]依此实施，目标虚拟机数据与目标虚拟机的负载相关，第一物理机的物理机数据与目标虚拟机在第一物理机的干扰源相关，因此通过分类器分类得到的目标黑盒指标集合与目标虚拟机的负载和干扰源都相关
。
而且该目标黑盒指标集合与目标虚拟机的白盒指标具有良好的相关性，能够更加准确地反映出该目标虚拟机在第一物理机上的服务质量
。
而且，目标预测模型的训练样本集合与目标虚拟机的负载，目标虚拟机在第一物理机和第二物理机的干扰源都相关，因此根据该目标黑盒指标对应的预测模型能够更加准确的预测该
目标虚拟机迁移到第二物理机上的白盒指标劣化程度
。
[0009]在第一方面的第一种可能的实现方式中，将第一检测数据输入分类器包括：当第一检测数据满足预设干扰条件时，将第一检测数据输入分类器
。
当前时段的虚拟机存在干扰时，能够自动预测该虚拟机的白盒指标劣化程度
。
[0010]结合第一方面或第一方面的第一种可能实现方式，在第一方面的第二种可能的实现方式中，通过目标预测模型预测在第二物理机上目标虚拟机的白盒指标劣化程度包括：将第一检测数据输入降噪自编码器，通过降噪自编码器输出虚拟机特征数据；将第二检测数据输入自编码器，通过自编码器输出第二物理机特征数据；将虚拟机特征数据和第二物理机特征数据组合为目标预测模型的输入数据；通过目标预测模型输出在第二物理机上目标虚拟机的白盒指标劣化程度
。
降噪自编码器可以减少目标虚拟机数据的噪声，得到无噪声或者低噪的虚拟机特征数据，将其与第二物理机特征数据组合可以模拟目标虚拟机在第二物理机上的检测数据，因此可以预测出在第二物理机上目标虚拟机的白盒指标劣化程度
。
而且自编码器可以降低第二物理机的物理机数据的维度，提高计算速度
。
[0011]结合第一方面或第一方面的以上可能实现方式，在第一方面的第三种可能的实现方式中，当白盒指标劣化程度小于预设幅值时，将目标虚拟机迁移到第二物理机
。
这样可以自动预测迁移后的白盒指标劣化程度，从而选择满足服务质量要求的物理机进行迁移，提高了迁移的效率和可靠性
。
[0012]结合第一方面或第一方面的以上可能实现方式，在第一方面的第四种可能的实现方式中，获取在第一物理机上第
i
个虚拟机的训练样本集合，训练样本集合包括多个干扰时段中第一物理机的物理机数据和第
i
个虚拟机的虚拟机数据，然后根据第
i
个虚拟机的虚拟机数据确定多个融合指标向量，从多个融合指标向量中选取至少一个目标融合指标向量，根据至少一个目标融合指标向量确定第
i
个虚拟机的目标黑盒指标集合；根据多个虚拟机的训练样本集合和多个虚拟机的目标黑盒指标集合训练分类器
。
目标融合指标向量与预设白盒指标向量的相关度大于或等于预设相关度，这样能够筛选出与白盒指标相关的黑盒指标
。
将多个虚拟机的目标黑盒指标集合作为训练标签，使得分类器的类别与虚拟机的实际服务质量相关
。
[0013]结合第一方面或第一方面的以上可能实现方式，在第一方面的第五种可能的实现方式中，根据第
i
个虚拟机的虚拟机数据确定多个融合指标向量包括：从第
i
个虚拟机的虚拟机数据中选取多个向量对，将每个向量对的所有单项指标数据按照预设运算规则计算出融合指标向量的元素，将融合指标向量的元素组成融合指标向量
。
每个向量包括多个干扰时段的单项指标数据
。
预设运算规则为除法运算，乘法运算或加权运算，这样提供了多种指标融合的方式
。
[0014]结合第一方面的第五种可能实现方式，在第一方面的第六种可能的实现方式中，获取第一训练数据集合和第二训练数据集合，将第一训练数据集合输入降噪自编码器，通过降噪自编码器输出虚拟机特征数据集合；将第二训练数据集合输入自编码器，通过自编码器输出的第二物理机特征数据集合，然后根据虚拟机特征数据集合以及第二物理机特征数据集合生成第三训练数据集合；根据第三训练数据集合和预设的白盒指标劣化程度训练出第
i
个目标黑盒指标集合对应的预测模型
。
其中，白盒指标劣化程度为训练标签
。
第一训练数据集合包括至少一个虚拟机的训练数据集合且至少一个虚拟机的训练数据集合对应
第
i
个目标黑盒指标，第二训练数据集合包括多个干扰时段的第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种预测服务质量的方法，其特征在于，包括：获取第一检测数据，所述第一检测数据包括当前时段的目标虚拟机数据和第一物理机的物理机数据，所述目标虚拟机数据包括目标虚拟机的资源使用数据和目标虚拟机的底层指标数据，所述目标虚拟机是任意一个在所述第一物理机上运行的虚拟机，所述物理机数据包括物理机的资源使用数据和物理机的底层指标数据；将所述第一检测数据输入分类器，通过所述分类器输出所述目标虚拟机的目标黑盒指标集合；确定与所述目标虚拟机的目标黑盒指标集合对应的目标预测模型；获取第二检测数据，所述第二检测数据包括第二物理机在目标时段的物理机数据；将所述第一检测数据和所述第二检测数据输入目标预测模型；通过所述目标预测模型预测在所述第二物理机上目标虚拟机的白盒指标劣化程度
。2.
根据权利要求1所述的方法，其特征在于，所述将所述第一检测数据输入分类器包括：当所述第一检测数据满足预设干扰条件时，将所述第一检测数据输入分类器
。3.
根据权利要求1所述的方法，其特征在于，所述通过所述目标预测模型预测在所述第二物理机上目标虚拟机的白盒指标劣化程度包括：将所述第一检测数据输入降噪自编码器，通过所述降噪自编码器输出虚拟机特征数据；将所述第二检测数据输入自编码器，通过所述自编码器输出第二物理机特征数据；将所述虚拟机特征数据和所述第二物理机特征数据组合为目标预测模型的输入数据；通过所述目标预测模型输出在所述第二物理机上目标虚拟机的白盒指标劣化程度
。4.
根据权利要求1所述的方法，其特征在于，所述方法还包括：当所述白盒指标劣化程度小于预设幅值时，将所述目标虚拟机迁移到所述第二物理机
。5.
根据权利要求1至4中任一项所述的方法，其特征在于，所述方法还包括：获取在第一物理机上第
i
个虚拟机的训练样本集合，所述训练样本集合包括多个干扰时段中第一物理机的物理机数据和所述第
i
个虚拟机的虚拟机数据；根据所述第
i
个虚拟机的虚拟机数据确定多个融合指标向量；从所述多个融合指标向量中选取至少一个目标融合指标向量，所述目标融合指标向量与预设白盒指标向量的相关度大于或等于预设相关度；根据所述至少一个目标融合指标向量确定第
i
个虚拟机的目标黑盒指标集合；根据多个虚拟机的训练样本集合和多个虚拟机的目标黑盒指标集合训练分类器，所述多个虚拟机的目标黑盒指标集合为训练标签
。6.
根据权利要求5所述的方法，其特征在于，所述根据第
i
个虚拟机的虚拟机数据确定多个融合指标向量包括：从第
i
个虚拟机的虚拟机数据中选取多个向量对，每个向量包括多个干扰时段的单项指标数据；将每个向量对的所有单项指标数据按照预设运算规则计算出融合指标向量的元素，所述预设运算规则为除法运算，乘法运算或加权运算；
将所述融合指标向量的元素组成融合指标向量
。7.
根据权利要求5所述的方法，其特征在于，所述方法还包括：获取第一训练数据集合和第二训练数据集合，所述第一训练数据集合包括至少一个虚拟机的训练数据集合且至少一个虚拟机的训练数据集合对应第
i
个目标黑盒指标集合，所述第二训练数据集合包括多个干扰时段中第二物理机的物理机数据；将第一训练数据集合输入降噪自编码器，通过所述降噪自编码器输出虚拟机特征数据集合；将第二训练数据集合输入自编码器，通过所述自编码器输出第二物理机特征数据集合；根据所述虚拟机特征数据集合以及所述第二物理机特征数据集合生成第三训练数据集合，所述第三训练数据集合中每个训练样本包括一个虚拟机特征数据和一个第二物理机特征数据；根据所述第三训练数据集合和预设的白盒指标劣化程度训练出所述第
i
个目标黑盒指标集合对应的预测模型
。8.
根据权利要求1至4中任一项所述的方法，其特征在于，所述目标虚拟机的资源使用数据包括在目标虚拟机中处理器的运行时长，目标虚拟机的剩余内存，网络读字节数，网络写字节数，块读字节数和块写字节数中的一项或多项；所述目标虚拟机的底层指标数据包括在目标虚拟机中指令回退数和
/
或最后一级缓存未命中数；所述物理机的资源使用数据包括每秒处理消息数，物理机的处理器利用率，内存利用率，每秒收包数和每秒发包数中的一项或多项；所述物理机的底层指标数据包括物理机的每秒指令次数，单位时间统计的内存带宽和单位时间内已占用的共享缓存大小中的一项或多项
。9.
一种计算装置，其特征在于，包括：获取单元，用于获取第一检测数据，所述第一检测数据包括当前时段的目标虚拟机数据和第一物理机的物理机数据，所述目标虚拟机数据包括目标虚拟机的资源使用数据和目标虚拟机的底层指标数据，所述目标虚拟机是任意一个在所述第一物理机上运行的虚拟机，所述物理机数据包括物理机的资源使用数据...

【专利技术属性】
技术研发人员：高晓沨，程云龙，凌晓，陈贵海，
申请(专利权)人：华为云计算技术有限公司，
类型：发明
国别省市：