一种基于openstack监测云主机状态的方法、装置及存储介质制造方法及图纸

本申请涉及一种基于openstack监测云主机状态的方法、装置及存储介质。该方法基于多因素时间序列算法对云主机生命周期进行监测学习以达到对其生命周期进行预测，其基于openstack创建虚拟机综合数据信息采集和虚拟机持续状态数据交替，构建多因素时间序列，并以此作为数据有效凭证进而构建虚拟机实时状态模型，以达到持续性实时监测虚拟机状态并能有效进行虚拟机状态预测。有效进行虚拟机状态预测。有效进行虚拟机状态预测。

【技术实现步骤摘要】
一种基于openstack监测云主机状态的方法、装置及存储介质


[0001]本申请涉及云计算的
，尤其是涉及一种基于openstack监测云主机状态的方法、装置及存储介质。

技术介绍

[0002]OpenStack是一个开源的云计算管理平台项目，可以提供可扩展的弹性的云计算服务，OpenStack作为私有云的事实标准具备强大的基础设施管理能力。目前openstack生产虚拟机或对虚拟机持续性管理有一定滞后性，在面向普通使用过程中满足需求；子广域云级服务中尚未有明确手段对云主机状态进行实时预测并做预处理。
[0003]当下OpenStack采集虚拟机数据较为全面，Ceiltometer Module可以满足对虚拟机实时状态精准监测和采集，Promethous技术栈实现server和host监控数据采集，虽然状态数据采集较为广泛，但大量精确数据并未能应用于云级服务器预测综状态中。基于openstack面向私有云级服务器，如何实现云平台的云主机的全面的监控数据采集，并基于此对云主机进行状态合理预测并进行行为管理和数据热备等，是目前本领域技术人员可提升或解决的难题。

技术实现思路

[0004]针对上述技术问题,本申请提出了一种基于openstack监测云主机状态的方法、装置及存储介质。
[0005]第一方面，本申请提出了一种基于openstack监测云主机状态的方法，包括以下步骤：
[0006]S1：openstack生产虚拟机，状态标记提取虚拟机相关数据，并对虚拟机状态进行行为数据收集归类，以构建时空序列算法模型；
[0007]S2：对虚拟机持续性状态进行监测，并对实时状态数据进行提取，通过实时状态数据进入时空序列算法模型进行虚拟机下一步状态预测；
[0008]S3：根据时空序列算法模型的预测结果对用户进行行为预警，并根据状态变更提醒用户对虚拟机进行相应管理。
[0009]通过采用上述技术方案，该方法基于多因素时间序列算法对云主机生命周期进行监测学习以达到对其生命周期进行预测，其基于openstack创建虚拟机综合数据信息采集和虚拟机持续状态数据交替，构建多因素时间序列，并以此作为数据有效凭证进而构建虚拟机实时状态模型，以达到持续性实时监测虚拟机状态并能有效进行虚拟机状态预测。
[0010]优选的，在所述S1中，使用OpenStack的Ceilometer Module模块来获得所有物理服务器的负载属性值和消耗率，通过Prometheus Module模块来获得openstack所有服务状态属性，从而判断虚拟机创建所需服务器所有数据信息和持续性状态。
[0011]优选的，在所述S1中，针对横向虚拟机目标集合划分为n个子区域，每个子区域则为F
vm
矩阵分别记录为α1，α2，α3，...，α
n
，第i个子区域α
i
内的变量在时刻j的观测值为：α
i,j
(i
∈{1，2，...，n}),j∈{1，2，...，n}，t为观测时间，区域α对应的时间序列可表示为：X
i,l:t
＝{α
i,1
，α
i,2
，α
i,3
，...，α
i,n
}，时空序列可表示为：STS＝{X
i,l:t
|i∈{1，2，...，n}}，在此基础上验证序列平稳性，以满足后续模型判断。
[0012]优选的，在所述S1中：
[0013]生产openstack虚拟机处于持续性或节点性状态，统计虚拟机创建过程中关键性行为数据，所述关键性行为数据包括CPU、内存、磁盘、网络带宽以及供电状态数据点集；
[0014]设计虚拟机能力模型矩阵为：F
vm
＝[Fc,Fm,Fd,FIO,Fp]，其中，Fc表示CPU、Fm表示内存、Fd表示磁盘、FIO表示网络带宽、Fp表示供电状态，记录虚拟机状态时空序列矩阵为α
i
，时空序列表示为：X
i,l:t
＝{α
i,1
，α
i,2
，α
i,3
，...，α
i,n
}。
[0015]优选的，在所述S1中：
[0016]观测大量虚拟机在生产过程中所记录的状态点信息，根据时间序列方法进行时间序列集合生成；
[0017]设计物理节点的性能模型矩阵为：F
S
＝[F
c
,F
m
,F
IO
,F
n
,F
t
]，其中，F
c
表示CPU频率，F
m
表示内存大小，F
IO
表示磁盘IO，F
n
表示网络带宽，F
t
表示任务连接数；
[0018]设计物理节点的负载模型矩阵为：LS＝[Lc,Lm,LIO,Ln,Lt]，其中，L
c
表示CPU利用率，L
m
表示内存利用率，L
IO
表示磁盘IO吞吐率，L
n
表示网络带宽利用率，L
t
表示任务连接数。
[0019]优选的，在所述S1中，根据时间序列表示方法，生成出物理节点性能模型矩阵时间序列和物理节点负载模型时间序列，F
s
矩阵记录为β
i
，L
s
矩阵记录为γ
i
，时空序列分别表示为：
[0020]Y
i,l:t
＝{β
i,1
，β
i,2
，β
i,3
，...，β
i,n
}；
[0021]Z
i:l:t
＝{γ
i,1
，γ
i,2
，γ
i,3
，...，γ
i,n
}。
[0022]优选的，在所述S2中，从已有数据中产生出的时空序列作为历史时空序列作为判断，对未来一段时间轴上进行虚拟机状态预估，假设已知历史时空序列为STS＝{A
i,l:t
|i∈{1，2，...，n}}，预测观测时间T后M个时刻空变量的值，其表示为：
[0023]A
:,T+1:T+M
＝argmaxp(A
:,T+1:T+M
|A
:,1:T
,B
1:T
)，B为1至T时刻其它特征值；
[0024]此时根据以后时间序列观测，综合预测为：
[0025]R
:,T+1:T+M
＝argmaxp(F
vm:,T+1:T+M
|F
vm:,1:T
,F
S:,T+1:T+M
|F
S:,1:T
,L
B:,T本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于openstack监测云主机状态的方法，其特征在于：所述方法包括以下步骤：S1：openstack生产虚拟机，状态标记提取虚拟机相关数据，并对虚拟机状态进行行为数据收集归类，以构建时空序列算法模型；S2：对虚拟机持续性状态进行监测，并对实时状态数据进行提取，通过实时状态数据进入时空序列算法模型进行虚拟机下一步状态预测；S3：根据时空序列算法模型的预测结果对用户进行行为预警，并根据状态变更提醒用户对虚拟机进行相应管理。2.根据权利要求1所述的一种基于openstack监测云主机状态的方法，其特征在于：在所述S1中，使用OpenStack的Ceilometer Module模块来获得所有物理服务器的负载属性值和消耗率，通过Prometheus Module模块来获得openstack所有服务状态属性，从而判断虚拟机创建所需服务器所有数据信息和持续性状态。3.根据权利要求1所述的一种基于openstack监测云主机状态的方法，其特征在于：在所述S1中，针对横向虚拟机目标集合划分为n个子区域，每个子区域则为F
vm
矩阵分别记录为α1，α2，α3，...，α
n
，第i个子区域α
i
内的变量在时刻j的观测值为：α
i,j
(i∈{1，2，...，n}),j∈{1，2，...，n}，t为观测时间，区域α对应的时间序列可表示为：X
i,l:t
＝{α
i,1
，α
i,2
，α
i,3
，
…
，α
i,n
}，时空序列可表示为：STS＝{X
i,l:t
|i∈{1，2，...，n}}，在此基础上验证序列平稳性，以满足后续模型判断。4.根据权利要求3所述的一种基于openstack监测云主机状态的方法，其特征在于：在所述S1中：生产openstack虚拟机处于持续性或节点性状态，统计虚拟机创建过程中关键性行为数据，所述关键性行为数据包括CPU、内存、磁盘、网络带宽以及供电状态数据点集；设计虚拟机能力模型矩阵为：F
vm
＝[Fc,Fm,Fd,FIO,Fp]，其中，Fc表示CPU、Fm表示内存、Fd表示磁盘、FIO表示网络带宽、Fp表示供电状态，记录虚拟机状态时空序列矩阵为α
i
，时空序列表示为：X
i,l:t
＝{α
i,1
，α
i,2
，α
i,3
，
…
，α
i,n
}。5.根据权利要求3所述的一种基于openstack监测云主机状态的方法，其特征在于：在所述S1中：观测大量虚拟机在生产过程中所记录的状态点信息，根据时间序列方法进行时间序列集合生成；设计物理节点的性能模型矩阵为：F
S
＝[F
c
,F
m
,F
IO
,F
n
,F
t
]，其中，F
c
表示CPU频率，F
m
表示内存大小，F
IO
表示磁盘IO，F
n
表示网络带宽，F
t
表示任务连接数；设计物理节点的负载...

【专利技术属性】
技术研发人员：田晋丞，刘琼，姜海昆，范宇，
申请(专利权)人：长扬科技北京股份有限公司，
类型：发明
国别省市：