[发明专利]一种基于马氏链和贝叶斯网络的k8s网络故障预测方法

权利要求书

1.一种基于马氏链和贝叶斯网络的k8s网络故障预测方法，其特征在于，包括：

步骤一、在组网内的中央集群管理服务器上创建一个基于k8s的中央调度集群，部署相关节点、数据库和模型；

步骤二、构建使用固定流量阈值的基于马尔可夫链的网络预警模型，基于步骤一部署内容获得模型训练参数数据；

步骤三、构建基于贝叶斯的阈值预测模型，基于步骤一部署内容获得预测模型参数，阈值预测模型分析历史故障数据得出更符合当前业务特征的故障阈值代替马网络预警模型使用中的固定流量阈值，实现连续时间的k8s网络故障预测。

2.根据权利要求1所述的一种基于马氏链和贝叶斯网络的k8s网络故障预测方法，其特征在于，所述步骤一在组网内的中央集群管理服务器上创建一个基于k8s的中央调度集群；

在中央集群管理服务器上部署主节点Master和历史故障数据库及阈值管理数据库；

在主节点Master通过k8s的API server在中央集群管理服务器上创建一个模型Node节点和一个采集所有Pod网络流量数据的采集Node节点；

在采集Node节点部署采集数据库；

在模型节点上部署网络预警模型和阈值预测模型。

3.根据权利要求1所述的一种基于马氏链和贝叶斯网络的k8s网络故障预测方法，其特征在于，所述步骤二包括：

S1、构建使用固定流量阈值的基于马尔可夫链的网络预警模型，其对应的马尔可夫转移概率矩阵模型公式为：

X(k+1)＝X(k)×P

式中：X(k)表示趋势分析与预测对象在t＝k时刻的状态向量，P表示一步转移概率矩阵，X(k+1)表示趋势分析与预测对象在t＝k+1时刻的状态向量；

S2、通过访问采集数据库和历史故障数据库获得参数生成矩形集合，所述参数包括固定流量阈值下历史网络故障初始概率、本时段固定阈值下网络故障转移到非故障概率、本时段固定阈值下非网络故障转移到故障概率；

S3、网络预警模型基于S2获取的固定流量阈值下历史网络故障初始概率、本时段固定阈值下网络故障转移到非故障概率、本时段固定阈值下非网络故障转移到故障概率，得出下一个时段阈值不变网络故障占采集数据占比、下一个时段阈值不变非网络故障占采集数据占比和下一时段阈值不变情况下故障与非故障比例。

4.根据权利要求3所述的一种基于马氏链和贝叶斯网络的k8s网络故障预测方法，其特征在于，所述S2中，具体参数获取方式为：

1)、固定流量阈值下历史网络故障初始概率＝(N)/(N+C)；

N＝从历史故障数据库获取符合指定阈值条件的网络故障数据总条数；

C＝从采集数据库获取符合指定阈值条件的网络采集数据总条数；

2)、本时段固定流量阈值下网络故障转移到非故障概率＝|(S％-H％)|x本时间段内采集总条数/S；

H％＝从历史故障数据库获取本时间段内符合指定阈值条件的网络故障数据总条数/本时间段内采集总条数；

S％＝从采集数据库获取本时间段内符合指定阈值条件的发生且故障未恢复的网络采集数据总条数/本时间段内采集总条数；

S＝本时间段内故障未恢复数据总条数；

3)、本时段固定流量阈值下非网络故障转移到故障概率＝(|(S％-H％)|x本时间段内采集总条数)/(本时间段内采集总条数-本时间段内故障未恢复数据总条数)。

5.根据权利要求1所述的一种基于马氏链和贝叶斯网络的k8s网络故障预测方法，其特征在于，所述步骤三构建基于贝叶斯的阈值预测模型，访问部署在中央集群管理服务器上的阈值管理数据库和历史告警数据库结合分析，获得模型参数，具体的：

所述阈值预测模型为：

P(A|B)＝(P(B|A)*P(A))/P(B|A)P(A)+P(B|A')P(A')

其中，模型各参数为：

P(B|A)为网络预警模型连续学习过程中曾经使用过几次当前阈值/阈值数据库总条数结果的概率；

P(A)是忽略其它因素，使用当前阈值的故障总条数/历史故障总条数；

P(B|A')为阈值数据库阈值在历史故障数据库出现过的概率；

P(A')＝1-P(A)。

6.根据权利要求1所述的一种基于马氏链和贝叶斯网络的k8s网络故障预测方法，其特征在于，所述步骤三将历史阈值中除当前使用之外的每个阈值逐一输入阈值预测模型，获得阈值使用概率，采用使用概率最大的阈值代替马网络预警模型使用中的固定流量阈值，实现连续时间的k8s网络故障预测。