[[alternative]]Improvement of predicted probability with cloud computing memory live migration

碩士[[abstract]]隨著雲端運算技術的成熟，近年來越來越多的雲端運算應用產生，其中雲端運算應用的系統虛擬化技術，變得相當重要。伺服器虛擬化可以提高伺服器服務效能與提供動態資源調度的特性。但伺服器會發生維修、負載過量或是毀損的情況，造成用戶出現服務中斷的狀況。針對此問題，發展出即時轉移技術，在狀況發生時，能夠持續用戶端使用，而不會感到服務中斷。此篇論文在介紹即時轉移技術中，利用預測記憶體修改機率，判別頁面是否暫停-複製轉移(Stop-and-Copy Phase)。 根據實際記憶體轉移模型，我們參考Markov model 和Gilbert-Elliot Model 來實際探討預測機率的狀況，分析我們計算出來的結果，可以得到更精準的預測機率數值。根據這些數值，在未來討論設定停機時間點的問題中，可以更精準的找出來，用以減少總轉一的時間點，提供伺服器運作的效能和速度。[[abstract]]With cloud computing technology matures, more and more in recent years, generating cloud computing applications, including cloud computing applications, system virtualization technology has become very important. Server virtualization can improve server performance and provide dynamic resource service scheduling features. But the server will occur repair, damage or excessive case load, causing the user interruption in service conditions. To solve this problem, the development of real-time transfer of technology, in the condition occurs, the client can continue to use, and will not find the service interruption. In this paper introduces instant transfer technology, the use of predictive probability memory modify, suspend determine whether the page - copy transfer (Stop-and-Copy Phase). According to the actual memory transfer model, we refer Markov model and Gilbert-Elliot Model to predict the probability of the actual study, and to analyze our calculated results, you can get a more accurate prediction probability values. Based on these values, set down in the next time point discussed problems, can be more accurate to find out, to reduce the total transfer time of one point, to provide the performance and speed of operation of the server.[[tableofcontents]]目 錄 第一章 緒論 1 1.1 前言 1 1.2 動機與目的 2 1.3 論文章節架構 3 第二章 背景知識與相關研究 4 2.1 虛擬機(Virtual Machine) 4 2.2 典型的資料轉移(Live Migration) 7 2.3 預複製轉移(Pre-copy Migration) 8 2.4 頁面修改預測機率方法 11 2.5 馬可夫預測模型(Markov Model) 12 第三章 吉爾伯特-艾略特模型(Gilbert-Elliot Model) 15 3.1 GE Model 15 3.2 GE Model例子說明 17 3.3 針對Dirty Page變化下的分析(PBB、PBG) 18 3.3 考慮實際情形的狀下的分析 (PGG、PBG、PGB、PBB) 22 第四章 模擬環境與結果分析 23 4.1 環境設定 23 4.2 結果分析 23 第五章 結論與未來展望 37 參考文獻 38 圖目錄 圖2.1 伺服器虛擬化示意圖 5 圖2.2 即時轉移示意圖 6 圖2.3 虛擬機轉移階段示意圖 8 圖2.4 預複製轉移(Pre-Copy Migration)階段示意圖 …10 圖2.5 記憶體預測流程示意圖 11 圖3.1 G-E Model 15 圖4.1 PGB = 10% ; PBG = 10% 24 圖4.2 PGB = 10% ; PBG = 20% 24 圖4.3 PGB = 10% ; PBG = 30% 25 圖4.4 PGB = 10% ; PBG = 40% 25 圖4.5 PGB = 10% ; PBG = 50% 26 圖4.6 PGB = 10% ; PBG = 60% 26 圖4.7 PGB = 10% ; PBG = 70% 27 圖4.8 PGB = 10% ; PBG = 80% 27 圖4.9 PGB = 10% ; PBG = 90% 28 圖4.10 PGB = 10% ; PBG = 100% 28 圖4.11 PGB = 90% ; PBG = 10% 29 圖4.12 PGB = 90% ; PBG = 20% 30 圖4.13 PGB = 90% ; PBG = 30% 30 圖4.14 PGB = 90% ; PBG = 40% 31 圖4.15 PGB = 90% ; PBG = 50% 31 圖4.16 PGB = 90% ; PBG = 60% 32 圖4.17 PGB = 90% ; PBG = 70% 32 圖4.18 PGB = 90% ; PBG = 80% 33 圖4.19 PGB = 90% ; PBG = 90% 33 圖4.20 PGB = 90% ; PBG = 100% 34 圖4.21 PGB = 30% ; PBG = 70% 35 圖4.22 PGB = 70% ; PBG = 30% 35 圖4.23 PGB = 50% ; PBG = 50% 36 表目錄 表2.1 隨機10次頁面修改記錄 13 表3.1 亂數頁面變化table 18 表3.2 U10 疊代頁面變化預測值 19 表3.3 Locality 方式產生的頁面變化 table 20 表3.4 U10 疊代頁面變化預測值 20 表3.5 U10 疊代頁面變化預測值 21 表3.6 U10 疊代頁面變化預測值 22[[note]]學號: 794350339, 學年度: 10