基于BP神經網絡的虛擬機評估

王澤宇，馬 鵬

（武警工程大學，西安 710086）

0 引言

McCullough等利用隨機服務系統理論來實現對虛擬機資源占有的調控以達到目標預期性能[1]。張蓓蓓等人提出了基于BP神經網絡對虛擬機的負載部署預測，得到較高的收斂速度和擬合精度[2]。本文基于BP神經網絡對特征值進行建模，建立多輸入單輸出的神經網絡模型對性能進行預測并與實際數據進行對比觀測模型準確性。

1 線性模型的測試

假設：①模型符合線性模型；②自變量：虛擬機內存、VCPU個數、調度算法、核心綁定、虛擬機個數、負載類型、CPU周期權重用來表示；③變量前的參數用表示，得到為線性模型。根據可加性得到：亦為線性模型，對進行一元線性擬合建模，選取一組測試數據如表1所示：

表1 測試數據表

得到測試結果數據并不呈線性分布，甚至還超出了上下邊界，故不為線性模型，不為線性模型，不適合用線性模型求解。

2 虛擬機性能預測工具的設計與實現

設計的模型能夠實現對已知配置性能的預測，能根據由訓練集得出的經驗來評估預測精度與誤差。設定訓練次數為1萬次；學習速率為0.1；誤差精度是10（-6），得到以下數據：

圖1 學習次數圖

圖2 訓練效果圖

圖3 訓練集擬合度

圖4 測試集擬合度

圖1表示隨著學習次數的增加模型的訓練精度越來越接近我們設定的10（-6）；圖2表示數據點越接近Y=X表示訓練精度越高；圖3表示與實際虛擬機性能的擬合度；圖4表示與實際數據的擬合度。綜上可發現模型對于訓練集擬合效果很高，但對測試集效果出現過擬合現象，通過改進得到：

圖5 學習次數圖

圖6訓練效果圖

圖7 訓練集擬合度

圖8 測試集擬合度

通過對圖5-8的分析，不難看出改進之后的模型對測試集的擬合效果有了顯著的增強，達到了預期的精度要求。

3 測試結果和性能分析

表2列出目標配置、實際與預測應用性能的對比：

表2 性能對比表

4 結束語

通過對樣本數據分析提取出了特征參數，設計對不同虛擬機都有良好的適應性。對過擬合現象做出了明確的解釋與修正，為后續工作者提供了有力的理論支持。我們雖實現了對物理機資源池的占用，但也有不足：數據均是在同一臺物理上采集的，對其他物理機的適應性存在一些差異，可能會影響模型的預測精度，此外模型只能以程序的形式調用。