Robuste Methode zur Erkennung von Host-Überlastung basierend auf dynamischen Sicherheitsparametern

Die Erkennung von Host-Überlastung ist eine wichtige Phase im dynamischen Konsolidierungsprozess von Virtuellen Maschinen (VMs). Der Einsatz von maschinellem Lernen zur Vorhersage der zukünftigen Arbeitslast auf einem Host ist eine vielversprechende Technik, um eine Überlastungssituation zu vermeiden. In dieser Arbeit schlagen wir einen neuartigen Ansatz zur Erkennung überlasteter Hosts vor, der auf neuronalen Netzwerken und dem Markov-Modell basiert. Das neuronale Netzwerk wird auf einem Arbeitslast-Datensatz trainiert, der aus der CPU-Nutzungsgeschichte der VMs besteht. Das trainierte Modell wird dann verwendet, um die zukünftige Nutzung einer bestimmten Physikalischen Maschine (PM) vorherzusagen, indem die vorhergesagte Nutzung aller ihrer VMs summiert wird. Die Zuversicht in diese Vorhersage wird durch einen dynamischen Sicherheitsparameter gemessen, der auf dem Markov-Modell basiert. Die erzielten Ergebnisse zeigen, dass unser Ansatz die derzeitigen Algorithmen wie MAD, IQR und LRR übertrifft.