增强学习分类器以定位云数据中心中的数据

云订阅者希望验证外包数据在云数据中心的位置，以确保数据的可用性满足服务水平协议（SLA）。在数据中心发生操作故障或自然灾害和/或停电的情况下，云用户可能无法访问其外包的数据。最近，已提出IP地理定位技术来定位云数据中心中的数据文件。然而，这些技术利用互联网延迟与距离之间的关系，并且无法扩展以纳入可能与互联网延迟一起使用的不同网络测量，从而提高准确性。此外，大多数现有技术仅在一个云服务提供商（亚马逊云服务）上进行了验证。本文提出了一种增强学习分类器IP地理定位算法，该算法结合了多种网络测量，旨在提高在四个商业云服务提供商的数据中心中定位数据文件的准确性。为证明我们方法的准确性，我们在亚马逊云服务、微软Azure、谷歌应用引擎和Rackspace上评估了性能。我们的实验结果表明，我们的方法能够准确地定位数据文件，更接近真实位置，同时检测位置限制的违规。