[发明专利]基于概率图模型的服务组件可靠性在线时间序列预测方法

说明书

技术领域

本发明涉及一种利用计算机对面向服务的系统中成员系统（组件级）的可靠性开展在线时间序列预测的方法，尤其涉及一种基于概率图模型的服务组件可靠性在线时间序列预测方法。

背景技术

目前尚未发现利用计算机来开展面向服务的计算（Service-Oriented Computing，简称SOC）系统中面向成员系统（组件级）可靠性的在线时间序列预测方法，但存在一些面向传统计算机系统的在线错误预测的方法及面向SOC系统的可靠性预测方法，比如：

（1）在线错误预测方法，如基于条件概率的贝叶斯预测、非参数方法预测、曲线拟合方法、semi-Markov模型、神经网络模型、SVM模型、组件交互图模型、协同过滤技术等，这些模型或方法只能建模错误的发生，在时间上满足泊松分布的错误事件，对SOC系统中由于网络、吞吐量及系统的工作状态等原因所造成的随机波动环境下不确定性错误事件的可靠性预测问题尚缺乏足够的支持；

（2）服务计算领域有关可靠性预测的方法，其目的大多集中于容错计算，主要关注的是对错误发生后的组件选择问题，这使得该领域的可靠性预测研究主要集中于对历史平均可靠性的预测，或预测下一个时刻（错误发生的临近时刻）的可靠性，相关预测技术不能完全支持本发明所提出的面向SOC的“在线”时间序列可靠性的预测问题。

“前摄”错误管理（Proactive Fault Management）是提高计算机系统可靠性，保障系统持续有效运行的一种手段。基于IBM所提出的自主计算的理念，面向服务的系统运行时“前摄”错误管理其核心问题是如何有效的预测系统的可靠性并在此基础上实现组合系统运行时面向系统可靠性的自优化。自主计算中有关self-*（configuration,healing,optimization,or protection）的研究对服务计算领域现有的可靠性预测问题提出新的挑战：服务计算领域现有的有关可靠性预测方面的研究对有效的预测时间问题都没有展开讨论。为支持self-*的研究，可靠性的预测必须是一种在线（on-line）的预测，需要预测未来（near future）的可靠性。在SOC系统中，不同的用户对成员系统的调用时间具有不确定性。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供面向SOC系统中不确定性错误事件的成员系统可靠性在线时间序列预测方法，从提高预测方法的可操作性的角度，基于概率图模型，通过分析系统历史的可靠性、吞吐量及响应时间这三组数据，预测前导时间之后的一个有效时间序列周期内系统的可靠性，相比现有的SOC成员系统可靠性预测结果更为精确，更能适应SOC动态、不确定性的应用环境

技术方案：为实现上述目的，本发明采用的技术方案为：

在SOC系统中，用户的行为具有涌现性（emergent behavior），成员系统（服务端）及用户（客户端）的网络状况具有不确定性，成员系统的运行状态（通常由服务端的软、硬件环境决定）同样具有很大的不确定性；这些因素导致SOC的各成员系统其错误的发生在时间上不具备明显的规律性。这些问题导致软件工程领域传统的在线错误预测机理或方法很难适应面向不确定性错误事件的SOC成员系统可靠性在线时间序列预测需求；另一方面，为保障系统的运行质量，使得面向服务的系统能够持续有效的运行，要求所面临的错误预测问题需要预测系统未来的可靠性，且在时间上应保证系统能及时修改服务组合的工作流，并顺利执行完毕；而用户占用每一个成员系统的时间同样具有不确定性，因此同时要求在线预测问题需要能够预测SOC成员系统在有效的未来时间区间内多个时间片上的可靠性时间序列。

针对上述问题，本发明对概率图模型开展研究，这一模型将图结构和概率模型有机的结合，不仅可以有效的解决现实世界中大量的不确定性问题，而且可以有效的提高人工智能模型的泛化能力。本发明对系统历史的响应时间RT、吞吐量T和可靠性R三组参数开展分析，寻找这些参数中的motifs，在此基础上采用概率图模型中的动态贝叶斯网络（Dynamic Bayesian networks，DBNs）模型构建面向成员系统可靠性预测的DBNs模型，以相应的motifs作为DBNs网络节点的参数，并对这些参数开展学习以构建DBNs模型中各节点条件依赖关系的条件概率表（Conditional probability table，CPT），在此基础上开展模型的推理，根据实时采集的系统吞吐量T、响应时间RT参数，预测未来的可靠性R时间序列。

具体的，基于概率图模型的服务组件可靠性在线时间序列预测方法，包括如下步骤：