本發(fā)明專利技術(shù)公開了一種基于概率圖模型的服務(wù)組件可靠性在線時(shí)間序列預(yù)測方法，包括如下步驟：（1）motifs發(fā)現(xiàn)過程；（2）使用發(fā)現(xiàn)的motifs標(biāo)注服務(wù)組件的各個歷史參數(shù)；（3）通過DBNs模型學(xué)習(xí)構(gòu)建CPT；（4）DBNs模型推理并開展基于系統(tǒng)實(shí)時(shí)參數(shù)的在線預(yù)測。本發(fā)明專利技術(shù)提供的基于概率圖模型的服務(wù)組件可靠性在線時(shí)間序列預(yù)測方法，能夠有效解決面向服務(wù)的組件級系統(tǒng)在線可靠性時(shí)間序列預(yù)測的問題，對服務(wù)計(jì)算領(lǐng)域軟件質(zhì)量保障問題提供一種有效的解決方案，為我國開展大規(guī)模復(fù)雜軟件系統(tǒng)的應(yīng)用提供支撐，解決了自主計(jì)算領(lǐng)域有關(guān)Self-*的相關(guān)研究中最為核心的一個問題。
【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及一種利用計(jì)算機(jī)對面向服務(wù)的系統(tǒng)中成員系統(tǒng)(組件級)的可靠性開展在線時(shí)間序列預(yù)測的方法，尤其涉及一種。
技術(shù)介紹
目前尚未發(fā)現(xiàn)利用計(jì)算機(jī)來開展面向服務(wù)的計(jì)算(Service-OrientedComputing,簡稱SOC)系統(tǒng)中面向成員系統(tǒng)(組件級)可靠性的在線時(shí)間序列預(yù)測方法，但存在一些面向傳統(tǒng)計(jì)算機(jī)系統(tǒng)的在線錯誤預(yù)測的方法及面向SOC系統(tǒng)的可靠性預(yù)測方法，比如:(I)在線錯誤預(yù)測方法，如基于條件概率的貝葉斯預(yù)測、非參數(shù)方法預(yù)測、曲線擬合方法、sem1-Markov模型、神經(jīng)網(wǎng)絡(luò)模型、SVM模型、組件交互圖模型、協(xié)同過濾技術(shù)等,這些模型或方法只能建模錯誤的發(fā)生，在時(shí)間上滿足泊松分布的錯誤事件，對SOC系統(tǒng)中由于網(wǎng)絡(luò)、吞吐量及系統(tǒng)的工作狀態(tài)等原因所造成的隨機(jī)波動環(huán)境下不確定性錯誤事件的可靠性預(yù)測問題尚缺乏足夠的支持；(2)服務(wù)計(jì)算領(lǐng)域有關(guān)可靠性預(yù)測的方法，其目的大多集中于容錯計(jì)算，主要關(guān)注的是對錯誤發(fā)生后的組件選擇問題，這使得該領(lǐng)域的可靠性預(yù)測研究主要集中于對歷史平均可靠性的預(yù)測，或預(yù)測下一個時(shí)刻(錯誤發(fā)生的臨近時(shí)刻)的可靠性，相關(guān)預(yù)測技術(shù)不能完全支持本專利技術(shù)所提出的面向SOC的“在線”時(shí)間序列可靠性的預(yù)測問題。“前攝”錯誤管理(Proactive Fault Management)是提高計(jì)算機(jī)系統(tǒng)可靠性,保障系統(tǒng)持續(xù)有效運(yùn)行的一種手段。基于IBM所提出的自主計(jì)算的理念，面向服務(wù)的系統(tǒng)運(yùn)行時(shí)“前攝”錯誤管理其核心問題是如何有效的預(yù)測系統(tǒng)的可靠性并在此基礎(chǔ)上實(shí)現(xiàn)組合系統(tǒng)運(yùn)行時(shí)面向系統(tǒng)可靠性的自優(yōu)化。自主計(jì)算中有關(guān)self-*(configuration, healing,optimization, or protection)的研究對服務(wù)計(jì)算領(lǐng)域現(xiàn)有的可靠性預(yù)測問題提出新的挑戰(zhàn):服務(wù)計(jì)算領(lǐng)域現(xiàn)有的有關(guān)可靠性預(yù)測方面的研究對有效的預(yù)測時(shí)間問題都沒有展開討論。為支持self-*的研究，可靠性的預(yù)測必須是一種在線(on-line)的預(yù)測，需要預(yù)測未來(near future)的可靠性。在SOC系統(tǒng)中，不同的用戶對成員系統(tǒng)的調(diào)用時(shí)間具有不確定性。
技術(shù)實(shí)現(xiàn)思路
專利技術(shù)目的:為了克服現(xiàn)有技術(shù)中存在的不足，本專利技術(shù)提供面向SOC系統(tǒng)中不確定性錯誤事件的成員系統(tǒng)可靠性在線時(shí)間序列預(yù)測方法，從提高預(yù)測方法的可操作性的角度，基于概率圖模型，通過分析系統(tǒng)歷史的可靠性、吞吐量及響應(yīng)時(shí)間這三組數(shù)據(jù)，預(yù)測前導(dǎo)時(shí)間之后的一個有效時(shí)間序列周期內(nèi)系統(tǒng)的可靠性，相比現(xiàn)有的SOC成員系統(tǒng)可靠性預(yù)測結(jié)果更為精確，更能適應(yīng)SOC動態(tài)、不確定性的應(yīng)用環(huán)境技術(shù)方案:為實(shí)現(xiàn)上述目的，本專利技術(shù)采用的技術(shù)方案為:在SOC系統(tǒng)中，用戶的行為具有涌現(xiàn)性(emergent behavior),成員系統(tǒng)(服務(wù)端)及用戶(客戶端)的網(wǎng)絡(luò)狀況具有不確定性，成員系統(tǒng)的運(yùn)行狀態(tài)(通常由服務(wù)端的軟、硬件環(huán)境決定)同樣具有很大的不確定性；這些因素導(dǎo)致SOC的各成員系統(tǒng)其錯誤的發(fā)生在時(shí)間上不具備明顯的規(guī)律性。這些問題導(dǎo)致軟件工程領(lǐng)域傳統(tǒng)的在線錯誤預(yù)測機(jī)理或方法很難適應(yīng)面向不確定性錯誤事件的SOC成員系統(tǒng)可靠性在線時(shí)間序列預(yù)測需求；另一方面，為保障系統(tǒng)的運(yùn)行質(zhì)量，使得面向服務(wù)的系統(tǒng)能夠持續(xù)有效的運(yùn)行，要求所面臨的錯誤預(yù)測問題需要預(yù)測系統(tǒng)未來的可靠性，且在時(shí)間上應(yīng)保證系統(tǒng)能及時(shí)修改服務(wù)組合的工作流，并順利執(zhí)行完畢；而用戶占用每一個成員系統(tǒng)的時(shí)間同樣具有不確定性，因此同時(shí)要求在線預(yù)測問題需要能夠預(yù)測SOC成員系統(tǒng)在有效的未來時(shí)間區(qū)間內(nèi)多個時(shí)間片上的可靠性時(shí)間序列。針對上述問題，本專利技術(shù)對概率圖模型開展研究，這一模型將圖結(jié)構(gòu)和概率模型有機(jī)的結(jié)合，不僅可以有效的解決現(xiàn)實(shí)世界中大量的不確定性問題，而且可以有效的提高人工智能模型的泛化能力。本專利技術(shù)對系統(tǒng)歷史的響應(yīng)時(shí)間RT、吞吐量T和可靠性R三組參數(shù)開展分析，尋找這些參數(shù)中的motifs，在此基礎(chǔ)上采用概率圖模型中的動態(tài)貝葉斯網(wǎng)絡(luò)(Dynamic Bayesian networks, DBNs)模型構(gòu)建面向成員系統(tǒng)可靠性預(yù)測的DBNs模型，以相應(yīng)的motifs作為DBNs網(wǎng)絡(luò)節(jié)點(diǎn)的參數(shù)，并對這些參數(shù)開展學(xué)習(xí)以構(gòu)建DBNs模型中各節(jié)點(diǎn)條件依賴關(guān)系的條件概率表(Conditional probability table, CPT),在此基礎(chǔ)上開展模型的推理，根據(jù)實(shí)時(shí)采集的系統(tǒng)吞吐量T、響應(yīng)時(shí)間RT參數(shù)，預(yù)測未來的可靠性R時(shí)間序列。具體的，，包括如下步驟:(l)motifs發(fā)現(xiàn)過程:尋找歷史參數(shù)中響應(yīng)時(shí)間RT、吞吐量T和可靠性R三組參數(shù)中的 motifs ;記響應(yīng)時(shí)間 RT 的 motifs 為 RT_motifs(i)、i=l, 2,..., nRT,吞吐量 T 的 motifs為 T_motifs(j)、j=l, 2,..., ητ,可靠性 R 的 motifs 為 R_motifs(k)、k=l, 2,..., nE ;其中，motifs表示系統(tǒng)歷史參數(shù)時(shí)間序列數(shù)據(jù)中出現(xiàn)次數(shù)大于某一閾值的系統(tǒng)參數(shù)的特征子序列，采用基于時(shí)間序列數(shù)據(jù)相似度(如歐式距離)的方法確定motifs ；(2)使用發(fā)現(xiàn)的motifs標(biāo)注服務(wù)組件的各個歷史參數(shù):首先將歷史參數(shù)的每個時(shí)間序列分別以與該時(shí)間序列包含的特征子序列相似度最大的motifs進(jìn)行標(biāo)注，具體為將響應(yīng)時(shí)間RT的每個時(shí)間序列分別以與該時(shí)間序列包含的特征子序列相似度最大的motifs進(jìn)行標(biāo)注，將吞吐量T的每個時(shí)間序列分別以與該時(shí)間序列包含的特征子序列相似度最大的motifs進(jìn)行標(biāo)注，將可靠性R的每個時(shí)間序列分別以與該時(shí)間序列包含的特征子序列相似度最大的motifs進(jìn)行標(biāo)注；然后通過歷史參數(shù)的標(biāo)注結(jié)果統(tǒng)計(jì)歷史參數(shù)的變化規(guī)律；(3)通過DBNs模型學(xué)習(xí)構(gòu)建CPT:基于歷史參數(shù)的變化規(guī)律，構(gòu)建面向成員系統(tǒng)可靠性R預(yù)測的DBNs模型，以相應(yīng)參數(shù)的motifs標(biāo)注作為DBNs網(wǎng)絡(luò)中節(jié)點(diǎn)的參數(shù)，并對網(wǎng)絡(luò)節(jié)點(diǎn)參數(shù)開展學(xué)習(xí)以構(gòu)建DBNs模型中各節(jié)點(diǎn)的條件概率表CPT ；(4) DBNs模型推理并開展基于系統(tǒng)實(shí)時(shí)參數(shù)的在線預(yù)測:根據(jù)實(shí)時(shí)采集的響應(yīng)時(shí)間RT和吞吐量T，通過CPT計(jì)算子節(jié)點(diǎn)的概率分布，實(shí)現(xiàn)對未來可靠性R時(shí)間序列的預(yù)測。優(yōu)選的，所述步驟(I)中，基于k-means方法計(jì)算時(shí)間序列數(shù)據(jù)的相似度，通過相似度的方法確定motifs的出現(xiàn)。有益效果:本專利技術(shù)提供的，能夠有效解決面向服務(wù)的組件級系統(tǒng)在線可靠性時(shí)間序列預(yù)測的問題，對服務(wù)計(jì)算領(lǐng)域軟件質(zhì)量保障問題提供一種有效的解決方案，為我國開展大規(guī)模復(fù)雜軟件系統(tǒng)的應(yīng)用提供支撐，解決了自主計(jì)算領(lǐng)域有關(guān)Self-* (configuration、healing、optimization、或protection)的相關(guān)研究中最為核心的一個問題。附圖說明圖1為傳統(tǒng)的動態(tài)貝葉斯網(wǎng)絡(luò)模型；圖2為基于概率圖模型的服務(wù)組件可靠性在線時(shí)間序列預(yù)測框架。具體實(shí)施例方式下面結(jié)合附圖對本專利技術(shù)作更進(jìn)一步的說明。概率圖模型(probabilistic graphical models)可以模擬不同物理區(qū)域之間的相關(guān)性或依賴關(guān)系，反映所收集的現(xiàn)實(shí)世界中不確定信息和需要的目標(biāo)信息之間的關(guān)系。這類模型將圖和概率結(jié)合，可將變量子集(甚至一個變量)的局部分布，根據(jù)變量之間內(nèi)在的結(jié)構(gòu)，轉(zhuǎn)變?yōu)閷ψ兞考险w的聯(lián)合本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
基于概率圖模型的服務(wù)組件可靠性在線時(shí)間序列預(yù)測方法，其特征在于：包括如下步驟：（1）motifs發(fā)現(xiàn)過程：尋找歷史參數(shù)中響應(yīng)時(shí)間RT、吞吐量T和可靠性R三組參數(shù)中的motifs；記響應(yīng)時(shí)間RT的motifs為RT_motifs(i)、i=1,2,...,nRT，吞吐量T的motifs為T_motifs(j)、j=1,2,...,nT，可靠性R的motifs為R_motifs(k)、k=1,2,...,nR；其中，motifs表示系統(tǒng)歷史參數(shù)時(shí)間序列數(shù)據(jù)中出現(xiàn)次數(shù)大于某一閾值的系統(tǒng)參數(shù)的特征子序列，采用基于時(shí)間序列數(shù)據(jù)相似度的方法確定motifs；（2）使用發(fā)現(xiàn)的motifs標(biāo)注服務(wù)組件的各個歷史參數(shù)：首先將歷史參數(shù)的每個時(shí)間序列分別以與該時(shí)間序列包含的特征子序列相似度最大的motifs進(jìn)行標(biāo)注，具體為將響應(yīng)時(shí)間RT的每個時(shí)間序列分別以與該時(shí)間序列包含的特征子序列相似度最大的motifs進(jìn)行標(biāo)注，將吞吐量T的每個時(shí)間序列分別以與該時(shí)間序列包含的特征子序列相似度最大的motifs進(jìn)行標(biāo)注，將可靠性R的每個時(shí)間序列分別以與該時(shí)間序列包含的特征子序列相似度最大的motifs進(jìn)行標(biāo)注；然后通過歷史參數(shù)的標(biāo)注結(jié)果統(tǒng)計(jì)歷史參數(shù)的變化規(guī)律；（3）通過DBNs模型學(xué)習(xí)構(gòu)建CPT：基于歷史參數(shù)的變化規(guī)律，構(gòu)建面向成員系統(tǒng)可靠性R預(yù)測的DBNs模型，以相應(yīng)參數(shù)的motifs標(biāo)注作為DBNs網(wǎng)絡(luò)中節(jié)點(diǎn)的參數(shù)，并對網(wǎng)絡(luò)節(jié)點(diǎn)參數(shù)開展學(xué)習(xí)以構(gòu)建DBNs模型中各節(jié)點(diǎn)的條件概率表CPT；（4）DBNs模型推理并開展基于系統(tǒng)實(shí)時(shí)參數(shù)的在線預(yù)測：根據(jù)實(shí)時(shí)采集的響應(yīng)時(shí)間RT和吞吐量T，通過CPT計(jì)算子節(jié)點(diǎn)的概率分布，實(shí)現(xiàn)對未來可靠性R時(shí)間序列的預(yù)測。...
【技術(shù)特征摘要】
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王紅兵，王磊，
申請(專利權(quán))人：東南大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。