[發(fā)明專利]一種基于隱馬爾科夫模型的軟件系統(tǒng)狀態(tài)預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201510099169.1
• 申請日: 2015-03-06
• 公開（公告）號: CN104699606B
• 公開（公告）日: 2017-05-24
• 發(fā)明（設(shè)計）人: 常政威;吳佳;林奕歐;江維;謝曉娜;陳亞軍;王電鋼
• 申請（專利權(quán)）人: 國網(wǎng)四川省電力公司電力科學(xué)研究院;電子科技大學(xué);國家電網(wǎng)公司
• 主分類號: G06F11/36
• 分類號: G06F11/36
• 代理公司: 成都行之專利代理事務(wù)所(普通合伙)51220
• 代理人: 梁田

技術(shù)領(lǐng)域

本發(fā)明涉及計算機軟件技術(shù)領(lǐng)域，具體地，涉及一種基于隱馬爾科夫模型的軟件系統(tǒng)狀態(tài)預(yù)測方法，主要應(yīng)用于大型軟件管理系統(tǒng)的運行狀態(tài)預(yù)測。

背景技術(shù)

隨著計算機的普及和應(yīng)用，各個企業(yè)對大型軟件管理系統(tǒng)需求越來越高。各式各樣的軟件管理系統(tǒng)成為各個企業(yè)安全、可靠和穩(wěn)定運行的重要保障。因此，迫切要求提出以評估軟件系統(tǒng)運行狀態(tài)為基礎(chǔ)的系統(tǒng)評估和預(yù)測機制，提高其運行的可靠性，以保證軟件系統(tǒng)中各向功能的安全使用。但是軟件狀態(tài)預(yù)測方面，其理論與技術(shù)的發(fā)展仍然處在一個初級的階段。

軟件狀態(tài)預(yù)測指通過歷史信息以及軟件系統(tǒng)當(dāng)前狀態(tài)信息，對于軟件系統(tǒng)未來時間可能出現(xiàn)的狀態(tài)進行預(yù)測。準(zhǔn)確的預(yù)測軟件狀態(tài)有助于運維人員及早發(fā)現(xiàn)和處理可能的問題，防止功能降級,或者系統(tǒng)崩潰等。

當(dāng)前主流預(yù)測方法主要基于時間序列法，從以往系統(tǒng)狀態(tài)序列中找到一定模式進而推測未來系統(tǒng)狀態(tài)，預(yù)測準(zhǔn)確率低，且該方法并未發(fā)掘系統(tǒng)實際狀態(tài)和系統(tǒng)觀測參數(shù)之間的聯(lián)系。

發(fā)明內(nèi)容

本發(fā)明的目的就在于克服現(xiàn)有技術(shù)在軟件運行狀態(tài)預(yù)測中的缺點和不足，提供一種基于隱馬爾科夫模型的軟件系統(tǒng)狀態(tài)預(yù)測方法。該方法基于隱馬爾科夫模型對系統(tǒng)實際狀態(tài)和系統(tǒng)觀測參數(shù)之間關(guān)系進行建模，進而根據(jù)系統(tǒng)觀測值對系統(tǒng)實際狀態(tài)進行預(yù)測。

本發(fā)明解決上述問題所采用的技術(shù)方案是：

一種基于隱馬爾科夫模型的軟件系統(tǒng)狀態(tài)預(yù)測方法，包括以下步驟：

步驟1、構(gòu)造訓(xùn)練樣本集，采用K均值聚類算法將訓(xùn)練樣本集中的樣本聚為k簇；

步驟2、構(gòu)造隱馬爾科夫模型λ＝[π,A,B]，將步驟一中的k個簇作為模型的觀測狀態(tài)，將系統(tǒng)狀態(tài)作為隱藏狀態(tài)；π為初始狀態(tài)的概率分布，A為隱藏狀態(tài)轉(zhuǎn)移矩陣，B為隱藏狀態(tài)與觀測狀態(tài)關(guān)系矩陣；

步驟3、對隱馬爾科夫模型進行訓(xùn)練，得到新的隱馬爾科夫模型

步驟4、利用采集的系統(tǒng)觀測值和新的隱馬爾科夫模型對系統(tǒng)實際狀態(tài)進行預(yù)測。

作為本發(fā)明的進一步改進，所述步驟2包括以下步驟：

步驟21、將步驟1中的k個簇作為隱馬爾科夫模型的觀測狀態(tài),觀測狀態(tài)個數(shù)為M，M＝k；

步驟22、系統(tǒng)狀態(tài)由正常、注意、異常和危險四個狀態(tài)構(gòu)成，這四個狀態(tài)作為隱馬爾科夫模型的隱藏狀態(tài)，隱藏狀態(tài)個數(shù)為N，N＝4。

進一步，所述步驟3包括以下步驟：

步驟31、隨機賦值初始化隱馬爾科夫模型的參數(shù)，得到初始化的隱馬爾科夫模型；

步驟32、選定一組已知的觀測序列O＝{o₁,o₂,…,o_T}，利用該觀測序列和初始化的隱馬爾科夫模型和對隱馬爾科夫模型進行重估，并對重估后的隱馬爾科夫模型進行反復(fù)迭代重估，直至收斂，得到訓(xùn)練好的隱馬爾科夫模型。

進一步，步驟1包括以下步驟：

步驟11、從系統(tǒng)運行歷史數(shù)據(jù)中采集T個時刻的軟件運行狀態(tài)參數(shù)，構(gòu)造訓(xùn)練樣本集X，訓(xùn)練集合為{x⁽¹⁾，x⁽²⁾，x⁽³⁾，…，x^(T)}；

步驟12、采用K均值聚類算法將樣本集中的所有樣本聚為k類，具體包括以下步驟：

(b1)隨機選取k個聚類質(zhì)心點：μ_1，μ₂，...，μ_k；

(b2)重復(fù)b21-b22直到收斂：

(b21)對于每一個樣本x^(q)，q＝1,2，…，T，計算其應(yīng)該屬于的類：

c^(q)表示每一個樣本x^(q)應(yīng)該屬于的類，c^(q)的取值范圍為{1,…,k}；

(b22)在步驟(b21)將所有樣本分類完成后，對于每一個類，重新計算該類的質(zhì)心：

進一步，步驟12中，將采用K均值聚類算法將樣本集中的所有樣本聚為8類。

進一步，步驟32包括以下步驟：

步驟321.選定一組已知的觀測序列O＝{o₁,o₂,…,o_T}；

步驟322.設(shè)定收斂條件，收斂條件為ε＝10^-3，為重估的隱馬爾科夫模型中觀察到觀測序列O的概率，P(O|λ)為當(dāng)前的隱馬爾科夫模型中觀察到觀測序列O的概率；