[發(fā)明專利]一種長短期預測融合的故障檢測方法

有效

• 申請?zhí)枺?/td>: 201711453209.3
• 申請日: 2017-12-28
• 公開（公告）號: CN108282360B
• 公開（公告）日: 2021-06-18
• 發(fā)明（設計）人: 劉雪琳;葉可江;須成忠
• 申請（專利權）人: 深圳先進技術研究院
• 主分類號: H04L12/24
• 分類號: H04L12/24;H04L12/26;G06F11/34
• 代理公司: 深圳市科進知識產權代理事務所(普通合伙) 44316
• 代理人: 趙勍毅

本發(fā)明屬于信息技術領域，特別涉及一種長短期預測融合的故障檢測方法，通過建立一個數(shù)據(jù)隨時間變化的統(tǒng)計模型；再利用自回歸模型對統(tǒng)計模型的預測殘差值進行修正；接著利用馬爾可夫預測模型對被修正后的統(tǒng)計模型進行趨勢調整，最后采用廣義似然比算法進行故障點檢測，根據(jù)情況變化閾值預測故障報警。本發(fā)明既利用歷史數(shù)據(jù)變化方式的總體規(guī)律信息，又利用當前實時數(shù)據(jù)的變化特征信息，建立一個長短期融合的故障預測模型，通過融合處理來降低單個預測方法的不確定性，發(fā)揮其自身的優(yōu)越性，從而提高整體的故障預測準確性，保證了容器云的可靠性和服務質量的情況下，盡量減少或避免因為故障帶來的損失。

技術領域

本發(fā)明屬于信息技術領域，具體涉及一種長短期預測融合的故障檢測方法。

背景技術

容器云是當前一種主流的云計算模式，其擁有啟動速度快、資源消耗少等多方面的優(yōu)勢。容器云環(huán)境面臨很大的可靠性挑戰(zhàn)。一方面隨著用戶請求程序的增加以及程序復雜性的增加，程序容易出現(xiàn)異常；另一方面，云系統(tǒng)內部服務器的數(shù)目也在不斷增加，同時，云計算基礎設施一般采用比較低檔的服務器或者PC機，單機的可靠性存在問題。因此容器云環(huán)境可能經(jīng)常因為某些原因出現(xiàn)故障，這些故障進而破壞云環(huán)境，從而導致一個任務甚至是多個任務需要重新執(zhí)行，嚴重影響了程序的正常運行。研究表明，在大規(guī)模集群中，有1-5％的硬盤會發(fā)生失效，服務器的失效率也達到了2-4％。對于一個新的集群來說將會有超過1000次的節(jié)點會產生失效，并且這種失效的次數(shù)會隨著集群的增大而變得越來越多。根據(jù)上面的介紹可以得出，容器云平臺出現(xiàn)故障對于程序的運行有重要影響。

目前，國內外已經(jīng)就如何提高云環(huán)境穩(wěn)定性進行了大量的研究。主要方法都是基于歷史數(shù)據(jù)進行長期預測，然而一般長期模型利用較長的時間的數(shù)據(jù)，雖然滿足了長期趨勢的要求，但是缺乏對數(shù)據(jù)的實時性的把握，還是有一定的局限性。容器云平臺復雜的結構導致故障發(fā)生概率顯著增加，而傳統(tǒng)的做法往往在故障發(fā)生后才能夠使用常見的故障處理方法解決故障，這種滯后性使得一些損失不可避免。基于容器的云計算系統(tǒng)相比于傳統(tǒng)的基于虛擬機的云計算系統(tǒng)在啟動速度、資源消耗等方面更具優(yōu)勢，因此近年來很多大公司都采用容器技術來構建新的云計算系統(tǒng)。然而，隨著容器云規(guī)模的不斷擴大以及運行程序的種類的不斷增多，如何保障容器云的安全可靠成為了一個突出的挑戰(zhàn)。

因此，及時預測資源異常的趨勢、有效檢測資源狀態(tài)、在故障產生顯著影響前實施解救措施，故障的精準預測和及時檢測能為整個容器云環(huán)境的安全可靠提供堅實的保障，是提高容器云服務質量的一種重要方法，也是目前云計算研究的熱點和重點內容。

發(fā)明內容

針對以上問題，本發(fā)明旨在提供一種長短期預測融合的故障檢測方法。

為解決上述技術問題，本發(fā)明采用的一個技術方案是：提供一種長短期預測融合的故障檢測方法，包括如下步驟：

S1：建立一個數(shù)據(jù)隨時間變化的統(tǒng)計模型；

S2：利用時間序列建模得到的自回歸模型，利用自回歸模型對上述統(tǒng)計模型的預測殘差值進行修正；

S3：利用馬爾可夫預測模型作為長期建模方案，對被修正后的統(tǒng)計模型進行趨勢調整。

S4：采用廣義似然比算法進行故障點檢測，根據(jù)情況變化閾值預測故障報警。

作為一種改進，所述步驟S1中“建立一個數(shù)據(jù)隨時間變化的統(tǒng)計模型”還包括，為了消除日期，周數(shù)和月份對統(tǒng)計模型的影響，分別逐步加入總均值、日期的影響、周數(shù)的影響、月份的影響因素建立擴展統(tǒng)計模型。

作為進一步改進，擴展統(tǒng)計模型為：

y_t＝μ+α_i+β_w+γ_m (3)