云应用分类与基于预测的细粒度云资源提供

摘要

针对部署在云中的应用多而繁杂并且不同的应用对特定的资源呈现不同的敏感性问题,提出了一种基于主模式方法的云应用分类架构,能够比较精确地将应用分为CPU密集型、内存密集型、网络密集型和I/O密集型等类型,从而能够更好地对云中的资源进行调度；对于云中的应用对资源的消耗,提出了一种基于差分自回归移动平均(ARIMA)模型的预测算法,能够以低的预测误差(高预测平均误差7.59％,低预测平均误差6.06％)对消耗资源预测；对传统的基于虚拟化的应用云架构进行适当的修改,能够细粒度地应对应用的自动扩张,从理论上解决了基于虚拟机的资源提供的不灵活以及低效的问题.