[發明專利]一種基于MIDS-Tree的服務故障高響應匹配方法

有效

• 申請號: 202011357084.6
• 申請日: 2020-11-26
• 公開（公告）號: CN112488181B
• 公開（公告）日: 2022-10-18
• 發明（設計）人: 王勇;曲連威;王昊;馬宇良;張越;彭宇
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q10/04
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 劉景祥

1.一種基于MIDS-Tree的服務故障高響應匹配方法，其特征在于，所述匹配方法包括以下步驟：

步驟1：對微服務監控平臺智能匯聚的多元微服務數據集進行面向微服務故障的多元數據屬性選取和去噪處理；

步驟2：對步驟1多元數據屬性選取和去噪處理的數據，進行面向服務故障的標簽處理，得到去噪高可用的含標簽的多元微服務故障數據集；

步驟3：對步驟2中的多元微服務故障數據集進行基于標簽的服務故障類型分類，形成面向服務故障類型的多元微服務故障數據集；

步驟4：對步驟3已分類的多元微服務故障數據集進行面向多類型服務故障的Apriori算法的特征屬性提取，通過Apriori算法以及自設定的最小支持度和置信度，對多元微服服務故障數據集進行挖掘，則最終得出微服務各類型的故障與樣本屬性特征間的關聯性；

步驟5：對步驟4的多元微服務故障數據集提取的特征屬性進行面向特定類型故障和降級特征屬性的敏感度計算，最終根據提取的特征屬性和其自身的敏感度篩選出最優特征屬性；

所述步驟5具體為，根據自設定的最小支持和置信度，生成的面向多類型服務故障樣本屬性特征的1-頻繁項集關聯規則集，根據該1-頻繁項集合進行面向特定類型故障和降級的屬性特征的敏感度計算，計算樣本屬性的敏感度公式為：

其中，p(x_i)代表隨機事件x_i的概率；

進行基于特征屬性歷史值的經驗分析；首先根據敏感度篩選出的最大敏感度則為最優特征和屬性，依據此最優特征屬性進行服務故障的態勢分析，然后將對該特征屬性的波動范圍進行取值，最終得到該服務故障樣本屬性的波動范圍為：[V_min,V_max]，其中V_min,V_max分別為該樣本屬性最小值與最大值；

步驟6：通過步驟5中的最優特征屬性進行面向相關類型服務故障的態勢分析，得到面向特征屬性的服務故障波動范圍；

步驟7：基于步驟6中最優特征屬性的態勢分析，以及特征屬性、服務故障降級策略進行多類型故障隔離或降級的MIDS-Tree的建立；

步驟8：依據步驟7建立的MIDS-Tree對目標服務進行服務故障降級預測，并進行降級或故障隔離的策略匹配，以使得資源利用率最大化。

2.根據權利要求1所述一種基于MIDS-Tree的服務故障高響應匹配方法，其特征在于，所述步驟1具體為：通過對微服務監控平臺采集微服務運行監控過程中的服務負載數據，CPU利用率、失敗數、時延或訪問量多元微服務監控數據，進行面向故障隔離、降級的數據選取和去噪的數據預處理，最終得到低噪高可用性的面向故障隔離和降級的多元微服務數據集。

3.根據權利要求1所述一種基于MIDS-Tree的服務故障高響應匹配方法，其特征在于，所述步驟2具體為，將預處理后的面向服務故障隔離和降級的多元數據集進行標簽處理，以區分該數據集中每條數據記錄所反映的具體服務故障。

4.根據權利要求1所述一種基于MIDS-Tree的服務故障高響應匹配方法，其特征在于，所述步驟3具體為，將標簽處理后的多元服務故障數據，進行面向多元微服務負載故障隔離和降級標簽數據集的服務故障類型分類。

5.根據權利要求4所述一種基于MIDS-Tree的服務故障高響應匹配方法，其特征在于，所述步驟4的基于Apriori的特征屬性提取中關聯規則具體為，A—B應滿足：A，B均為分類后的多元微服務故障數據集D的真子集，且A與B無交集，A為服務故障數據集樣本屬性即為發生該多元服務故障數據集樣本屬性B的條件；其中通過自定義支持度和置信度，其中支持度說明該規則在所有事務中代表性是否顯著即支持度越大，關聯規則越重要；

通過下列公式進行置信度和支持度的計算：

置信度：S(A→B)＝P(AB)；

支持度：C(A→B)＝P(B|A)。