[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

本發明提供了一種基于MIDS?Tree的服務故障高響應匹配方法。對多元融合數據集進行選取和去噪；進行面向特定服務故障和降級類型的標簽處理，得到多元數據集；對數據集進行故障類型分類，形成多元微服務故障數據集；通過Apriori方法進行面向多類型服務故障的特征和屬性提取；根據提取后的特征屬性進行特征屬性敏感度計算，得出最優特征屬性并進行態勢分析，得出服務故障特征屬性的波動范圍；根據態勢分析以及服務故障類型信息，進行MIDS?Tree的建立,并進行服務故障的預測，使得服務的資源利用率最大化。本發明提出的輕量級架構模型，為解決已有服務故障預測方法，存在的模型龐雜、冗余；同時該模型能夠快速高響應的進行面向服務故障策略匹配，提高現有模型的響應時間。

技術領域

本發明屬于微服務領域；具體涉及一種基于MIDS-Tree的服務故障高響應匹配方法。

背景技術

微服務是當前軟件系統架構的重要模式和典型技術，具有輕量級、迭代快、跨平臺等特點，能夠使系統的部屬、管理和維護更加快速和便捷，逐漸成為系統架構技術發展的趨勢。然而，由于其技術多樣性和分布式復雜性，服務依賴、交互調用等貫穿整個過程，服務故障不可避免，甚至影響系統整體的性能，特別是在資源受限和負載高發背景下。服務故障具有多變、復雜、不確定等特性，常見的故障處理方法包括降級、隔離和限流等技術，通過設置一定時間閾值或失敗調用次數，或者按照優先級等等不同策略對服務進行相應處理，但是往往是服務故障后的處理方式，無法提前按照更加合理策略提前預測和處理，在一定程度上降低了服務質量和資源利用率，如何快速高效的識別、處理和恢復服務至關重要。

故障預測技術因其能夠保證服務的有效性、可靠性以及高資源利用率成為主要方法之一，通過對歷史日志數據的分析進行微服務故障預測是重要方式。服務運行過程中其產生的數據存在離散性、多樣性，與服務故障之間存在相應的聯系，通過數據挖掘等方法有效挖掘故障數據集與各類故障之間蘊含的關聯關系具有較高的可行性。

發明內容

本發明提供了一種基于MIDS-Tree的服務故障高響應匹配方法，該方法是一個輕量級高響應架構模型，該模型為解決已有服務故障預測方法模型中模型過去龐雜、冗余等復合問題；同時該輕量級模型能夠快速高響應的進行面向服務故障策略匹配，提高現有模型的低響應時間問題。更好地滿足的在資源受限和負載高并發背景下軟件系統對服務故障處理時間和服務質量要求等問題。

本發明通過以下技術方案實現：

一種基于MIDS-Tree的服務故障高響應匹配方法，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；

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；