23、云环境下服务可用性测量的演变

云环境下服务可用性测量的演变

在当今数字化时代,云技术的广泛应用使得服务可用性的测量变得至关重要。下面我们将深入探讨云环境下服务可用性测量的相关内容。

1. 传统服务可用性测量应用于云应用的步骤

当我们要将传统服务可用性测量应用到云部署的示例应用时,第一步是明确“应用实例”的边界,以此确定应用服务可用性测量所涵盖的范围。TL 9000 通常会按照网络元素或系统来规范服务中断测量,具体定义如下:
- 网络元素 :是指一个系统设备、实体或节点,包括位于同一位置的所有相关硬件和/或软件组件。网络元素必须包含执行其适用产品类别主要功能所需的所有组件。如果需要多个现场可更换单元(FRU)、设备和/或软件组件才能使网络元素提供其产品类别的主要功能,那么这些单个组件本身都不能被视为一个网络元素,所有这些组件的集合才被视为一个单一的网络元素。
- 系统 :是指位于一个或多个物理位置的硬件和/或软件项目的集合,所有这些项目都是正常运行所必需的,没有单个项目可以单独运行。

对于示例应用,由于保护应用免受非法流量、DDoS 攻击和其他外部安全威胁并非其主要功能,因此添加了一个单独的安全设备来保护应用免受外部攻击。由于安全设备与应用本身是分离的,它位于应用的边界之外。所以,应用的服务可用性应该测量在应用逻辑边缘呈现给最终用户的性能。在这种情况下,应用实例面向客户的服务边界位于负载均衡器组件之前,但在安全设备之后。

2. 应用演变分析

可靠性框图(RBDs)是分析和理解应用服务可用性风险和行为的有用可视化工具。下面是传统硬件架构和云部署下示例应用的 RBD 分析: <

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值