[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

摘要

本发明公开了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，包括如下步骤：（1）motifs发现过程；（2）使用发现的motifs标注服务组件的各个历史参数；（3）通过DBNs模型学习构建CPT；（4）DBNs模型推理并开展基于系统实时参数的在线预测。本发明提供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，能够有效解决面向服务的组件级系统在线可靠性时间序列预测的问题，对服务计算领域软件质量保障问题提供一种有效的解决方案，为我国开展大规模复杂软件系统的应用提供支撑，解决了自主计算领域有关Self-*的相关研究中最为核心的一个问题。

主权项

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，其特征在于：包括如下步骤：（1）motifs发现过程：寻找历史参数中响应时间RT、吞吐量T和可靠性R三组参数中的motifs；记响应时间RT的motifs为RT_motifs(i)、i=1,2,...,nRT，吞吐量T的motifs为T_motifs(j)、j=1,2,...,nT，可靠性R的motifs为R_motifs(k)、k=1,2,...,nR；其中，motifs表示系统历史参数时间序列数据中出现次数大于某一阈值的系统参数的特征子序列，采用基于时间序列数据相似度的方法确定motifs；（2）使用发现的motifs标注服务组件的各个历史参数：首先将历史参数的每个时间序列分别以与该时间序列包含的特征子序列相似度最大的motifs进行标注，具体为将响应时间RT的每个时间序列分别以与该时间序列包含的特征子序列相似度最大的motifs进行标注，将吞吐量T的每个时间序列分别以与该时间序列包含的特征子序列相似度最大的motifs进行标注，将可靠性R的每个时间序列分别以与该时间序列包含的特征子序列相似度最大的motifs进行标注；然后通过历史参数的标注结果统计历史参数的变化规律；（3）通过DBNs模型学习构建CPT：基于历史参数的变化规律，构建面向成员系统可靠性R预测的DBNs模型，以相应参数的motifs标注作为DBNs网络中节点的参数，并对网络节点参数开展学习以构建DBNs模型中各节点的条件概率表CPT；（4）DBNs模型推理并开展基于系统实时参数的在线预测：根据实时采集的响应时间RT和吞吐量T，通过CPT计算子节点的概率分布，实现对未来可靠性R时间序列的预测。