[發明專利]一種容器云存儲系統的灰色故障檢測方法

有效

• 申請號: 202110101191.0
• 申請日: 2021-01-26
• 公開（公告）號: CN112764994B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 陳寧江;梁碧枘;覃潤冰
• 申請（專利權）人: 廣西大學
• 主分類號: G06F11/30
• 分類號: G06F11/30;G06N3/04;G06N3/08
• 代理公司: 深圳市六加知識產權代理有限公司 44372
• 代理人: 向彬

1.一種容器云存儲系統的灰色故障檢測方法，其特征在于，包括如下步驟：

(1)定義應用性能干擾情境來確定性能干擾度：根據云存儲的軟硬件故障以及灰色故障與應用之間的性能干擾的關聯性，定義基于內存資源、位置、負載均衡的關聯關系以及其判斷和約束條件；在約束條件下通過計算關聯關系的性能干擾度來定量地確定應用干擾情境和灰色故障之間的關聯程度，為后續灰色故障檢測建立關聯關系度量庫；包括：

(1.1)定義應用之間關聯關系：兩個應用共同競爭共享內存資源，或者共處于同一節點，或者在同一時刻下兩個應用都在同一組被系統控制器進行負載均衡，上述的這些關聯關系都擁有自己的判斷和約束條件；

(1.2)性能干擾度：兩個應用之間的性能干擾度定義為在資源受限和不受限的情況下運行性能比值的乘積，引入性能干擾度定量地確定應用干擾情境和灰色故障之間關聯程度的大小，計算方法如下：

其中，是指應用i在資源不受限的情況下運行時的性能，為應用i被應用j干擾時，在節點的磁盤讀寫帶寬、容器網絡帶寬和CPU限制下運行的性能；

(1.3)應用性能干擾與灰色故障的關系模型：應用性能干擾情境是滿足特定約束條件的性能干擾度集合，通過已有歷史數據中應用干擾情境與產生的灰色故障情境進行擬合處理，最終得出灰色故障情境與應用性能干擾的關聯度，所有的關聯度組成關聯模型；

其中，三種關聯關系的判斷和約束條件具體如下：

(1.3.1)對于應用之間由基于內存資源的關聯關系觸發的性能干擾情境：

memory_request_rate[i]+memory_request_rate[j]M-M[N] (2)

其中，M是節點N中的內存總量，memory_request_rate[i]和memory_request_rate[j]分別為應用的內存請求率，內存請求率指應用向節點請求內存的次數在應用所有所需資源請求次數的占比；

(1.3.2)對于應用之間由基于位置的關聯關系觸發的性能干擾情境：

AIC[N]＝{i,j} (3)

其中，AIC[N]表示節點N中同節點中運行的應用程序實例，當只有應用i和j都運行在節點N中，會觸發性能干擾；

(1.3.3)對于應用之間由基于負載均衡的關聯關系觸發的性能干擾情境：

LBG[i]＝LBG[j] (4)

Application_avalable[i]＝Application_avalable[j] (5)

其中，LBG[i]和LBG[j]分別表示為應用i和應用j所屬的負載均衡的組；Application_avaliable[i]和Application_available[j]分別表示應用程序i和j是否在線并且可用，若其值為1，表示可用；若其值為0，表示不可用，當應用i和j同時分在同一個負載均衡的組中，且都在線可用時，發生負載均衡，會觸發性能干擾；

在應用之間的關聯關系條件約束下，應用間的性能干擾情境使用應用之間的性能干擾度來進行描述，性能干擾度定義為應用在資源受限情況與資源不受限情況下運行的性能比值的積通過計算關聯關系的性能干擾度來定量地確定應用干擾情境和灰色故障之間關聯程度的大小，計算方法如下式：

其中，是應用i在資源不受限即所屬節點資源足夠的情況下的運行時的性能；為應用i被應用j干擾，在節點N的磁盤讀寫帶寬D[N]、內存(M[N])、容器網絡帶寬，包括讀帶寬IO_r[N]和寫帶寬IO_W[N]，和CPU的限制CPU[N]下執行時的性能；

(2)使用應用性能干擾度求性能干擾情境與灰色故障的關聯關系度：應用之間的關聯關系滿足某一種約束條件，通過獲取灰色故障情境與應用間的性能干擾情境，求得應用干擾情境與灰色故障之間的關聯關系度；

(3)建立關聯度組成關聯模型(Relational Model based on the Relationshipbetween Application Interference Situationcontext and Grey Fault，RMAIG)：所有的灰色故障利用之前求出來的關聯度組成關聯模型RMAIG，使用模型RMAIG檢測灰色故障的發生場景，同時利用監控收集到的應用性能數據，來進行關聯模型的自動建模和更新，若當前應用情境模型與所給出的關聯模型的相似度超過預設閾值時，則認為有灰色故障發生；包括：

將所求出的應用之間的性能干擾度作為干擾情境與灰色故障之間的關聯關系度的度量，把監控以及歷史數據轉化為數學模型以便進行建模，設已有的歷史數據中應用干擾情境產生的灰色故障情境G表示為：

X_G(k)＝{x_c(1),x_c(2),…,x_c(k)},c＝1,2,…,N_i (17)

其中：c為與灰色故障G發生有關的應用干擾情境類別，N_i是應用干擾情境類別總數，k為與灰色故障發生有關的應用情境的特征向量個數，x_c(k)是應用i與應用j產生的應用性能干擾情境；應用i與應用j之間的關聯關系滿足前面三種關系中的某一種關系的約束條件：

x_c(k)＝{ρ_ij|Application_available[i]＝Application_available[j]},i,j∈(1,N) (18)

設X_G(k)數列除去x_c(k)情境之后的數列為X_b(k)，X_b(k)表示為與灰色故障無關的應用干擾情境，b＝c-{N_i}，則b表示為與灰色故障無關的應用干擾類別總數；X_b(k)＝{x_b(1),x_b(2),…,x_b(n)}；求x_c(k)與X_b(k)之間的關聯關系度，求出應用干擾情境與灰色故障G之間的關聯關系度；記x_c(k)對X_b(k)的關聯關系度為η_cb(k)，計算方法如下：

其中，Δ_cb(k)為x_c(k)與X_b(k)的差的絕對值：表示在X_b(k)上找出各點與x_c(k)點的差值的最小值基礎上，再按b＝c-{N_i}找出所有曲線X_b(k)中的最小差值；表示在X_b(k)的曲線上找出各點與x_c(k)點的差值的最大值基礎上，再按b＝c-{N_i}找出所有曲線X_b(k)中的最大差值；ρ為應用情境x_c(k)情況下應用性能干擾度與X_b(k)中各個情境的應用性能干擾度的比值，ρ∈(0,1]；

故灰色故障情境G與其有關的應用性能干擾情境的關聯度為：

ε_g＝{η_cb(k)|c＝1,2,...,N_i；b＝c-{N_i}} (20)

所有的灰色故障情境利用上面的式子所求出來的關聯度組成關聯模型RMAIG，設一共有M個灰色故障情境，則關聯模型RMAIG可表示為：

θ＝{ε_g|g＝1,2,...,M} (21)

利用操作期間監控收集的應用性能數據，來進行關聯模型的自動建模和更新；若當前應用情境模型與所給出的關聯模型的相似度超過預設閾值時，則認為有灰色故障發生；

(4)利用長短期記憶網絡(Long Short Term Memory，LSTM)和雙向長短期記憶網絡(Bidriectional Long Short-Term Memor，BLSTM)結合方法對關聯模型進行深度學習訓練：當前時刻的數據輸入和過去一個時刻內的RMAIG模型作為輸入，通過BLSTM來決定要保留RMAIG模型向量的哪些部分，之后輸入到LSTM中，實現RMAIG模型的更新。