Resumen

Las máquinas virtuales (VM) en una plataforma Cloud pueden verse influidas por diversos factores que pueden provocar una disminución del rendimiento y tiempos de inactividad, afectando a la fiabilidad de la plataforma Cloud. Los algoritmos y estrategias tradicionales de detección de anomalías para plataformas en nube presentan algunos defectos en cuanto a su precisión de detección, velocidad de detección y adaptabilidad. En este artículo, se propone un algoritmo de detección de anomalías dinámico y adaptativo basado en mapas auto-organizativos (SOM) para máquinas virtuales. Se presenta un método de modelado unificado basado en SOM para detectar el rendimiento de la máquina dentro de la región de detección, lo que evita el coste de modelado de una sola máquina virtual y mejora la velocidad de detección y la fiabilidad de las máquinas virtuales a gran escala en la plataforma Cloud. Los parámetros importantes que afectan a la velocidad de modelado se optimizan en el proceso SOM para mejorar significativamente la precisión del modelado SOM y, por tanto, la precisión de detección de anomalías de la máquina virtual.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Máquinas virtuales; plataforma en nube; rendimiento; tiempo de inactividad; algoritmo de detección de anomalías; mapas autoorganizados.
• Keywords:Virtual machines; cloud platform; performance; downtime; anomaly detection algorithm; self-organizing maps