外文翻译-数据中心的故障预测采用时间序列和故障树分析.docVIP

数据中心的故障预测 采用时间序列和故障树分析 一、引言 如今云计算已经成为流行，因为提高可用性，节能和点播服务。云计算的主思想是巩固大资源量和虚拟化他们。这样的设施，内部计算机系统通常被称为数据中心。基于云计算的数据中心，包括处理器，内存单元，磁盘驱动器，网络设备以及各种类型的感应器可以支持多种应用程序和用户。任何系统运行的应用程序与这些异质性和密集工作量有时可能容易受到不同种类的故障，在这种“硬件故障”是单一最大原因系统故障。因此，本研究强调硬件故障的处理。 通过回顾文献，主动故障处理策略最近已广泛研究。故障预测和作业迁移结合使用，以管理硬件故障的影响，并增加系统可在用户的角度来看的精度预测模型，从而起到对这一战略的重要作用。 从我们的研究，预测模型可分为2类：神经网络和时间序列分析。每个类是适合于数据的某些特性和系统环境。 在基于神经网络模型，支持向量机（支援向量机）和ANN（人工神经网络）是最流行的技术，因为它们可以提供一个很好的解决方案对非线性数据的短期预测。人工神经网络采用神经网络的算法来训练的节点。输入数据集流入输入层和在每个节点的每个隐含层由训练数据调整，直到误差是最小化或可行的解决方案为止。然后，可以输出从输出层获得的。沿着同样的想法，支持向量机是一种基于分类和回归者的技术使用训练数据集映射数据，建立预测模型。然而，这两种模式可以停留在当地最小值作为其初始状态是随机的，模型是缓慢的本质上收敛。 许多的研究工作，然后使用创建的混合动力车型PSO（粒子群优化），CPSO（混沌粒子群优化算法），或ACO（蚁群优化），以估计参数的支持向量机和人工神经网络。另一个有趣在这个算法类的工作使用贝叶斯模型和决策树分类。本文提出使用贝叶斯作为一种无监督的学习方法来表征正常状态，并检测云不规则行为计算系统。之后的异常进行验证，决定然后介绍了树分类是有监督学习 预测未来故障发生在系统中。该的监督学习算法的主要缺点是事实上模型往往缓慢收敛，并且是不适合实时预测。 另一种流行的预测算法类是时间系列模。这些方法分析过去数据，以决定将在未来发生什么。已经有许多研究工作的预测为基础的机制对于HPC系统开发。这些问题包括自回归（AR），移动平均线（MA），自回归移动平均（ARMA） ，自回归整合移动平均（ARIMA模型和线性回归（LR）。精度结果依赖于数据的特性。彼得A.等研究线性时间序列模型作为一种技术在未来的预测平均负载。他们评估了AR，MAARMA，ARIMA和ARFIMA的负荷预测。该结果表明，AR本身就足以产生最佳结果（使用顺序16日，AR）。回归也被用来构造线性预测模型短期预测的基于互联网的服务器。 首先，他们开发的过滤器模型，消除的CPU利用率，网络收集的数据中的噪声吞吐量和磁盘吞吐量。其运行时管理通过采用回归勾勒线性预测模型方法，即EWMA（指数加权移动平均），AR，ARIMA，和LR。实验结果表明该ARIMA模型可以是易出错的，因为模型不迅速作出反应的数据模式的变化。该文中还讨论了使用动态ARIMA模型的不断更新的每一个预测参数。该结果表明，动态ARIMA能跑赢大盘的ARIMA。 在本文中，我们提出了一个战略，保护系统可用性专注于预测模型。时间序列为基础的选择方法，因为实时预测是一个的目标。使用较低的复杂度模型用更少的培训时间也应该是更有效的。故障树分析也框架中的控制反馈回路采用。 本文的其余部分安排如下：背景对预测模型的研究，提出在第2节。详情故障预测方法在第3节中描述。该的Simics仿真器的使用中提到的第4节。第5节而第6讨论和实验结果。最后，该结束语在Section7提供。 二、背景研究 自回归移动平均线 自回归移动平均线或ARMA由 两种型号：AR和MA。AR模型被称为自回归，因为目前的观察上退步以前的一系列数据的回归观察量（x）的也术语秩序或滞后下知订单可通过P来表示。MA（移动平均线）使用以往的系列观测误差（等）以获得当前并且将来数据。以前的错误数观测可以通过Q”来表示。因此，我们称之为自回归模型AR（p）和呼叫移动平均模型MA（Q）。 ARMA模型是AR模型的实现订购PTH和MA模型的序第q。ARMA（P，Q）是由公式1给出。 凡XT-i是在时间的观测系统参数值TI，提出了一系列的错误以前在观察时间t-J。我们使用的X和q前值P1前值错误制定的模型。P表示窗口的大小或自回归条件的顺序，而Q”代表顺序的滞后预测误差。γ的值，α和β是一前数据的常数，系数和系数前者的残留，系数可以得到从回归分析矩阵使用一个操作训练数据集。最后1是一个预测系统在未来的某个时间，t参数值。每一次的未来状态参数预测，它被存储在数据库故障树故障树是一个系统安全性的分析工具，一般用于可靠性分析。故障树的用途其产生的链条的