一种大规模网络服务系统异常预警方法技术方案

本发明专利技术针对用户合法行为短时聚集引起的系统异常问题，提出一种大规模网络服务系统异常预警的方法，建立系统预期负载与“放大因子”关系模型以及系统行为阻滞度模型，把用户量与用户提交的重复行为数对系统的影响通过“放大因子”放大，使之可以在系统出现异常之前快速感知到系统负载的变化趋势，并且定位异常行为。本发明专利技术从系统可用性的角度，通过系统行为的可预见性解决了开放网络服务系统环境中用户行为的不可预见性。

【技术实现步骤摘要】

本专利技术涉及一种大规模网络服务系统，属于信息技术

技术介绍
随着软件技术的不断发展，普适计算软件、超大规模软件系统、网构软件等新一代软件范型不断涌现，基于网络的服务系统给用户需求满足带来了巨大的便捷性.与传统计算机软件相比，互联网服务系统所表现出的大规模性、开放性、复杂性等特征，使得软件自适应对系统感知提出了更高的要求。对于感知系统信息和故障检测，Yang等(YangY，HuangY，CaoJ，etal.Formalspecificationandruntimedetectionofdynamicpropertiesinasynchronouspervasivecomputingenvironments[J].ParallelandDistributedSystems，IEEETransactionson，2013，24(8)：1546-1555)提出利用“建模-规约-检测”的分布异步环境感知框架来检测异步动态属性的普适计算环境。Huang等(HuangT，MaX，JiX，etal.Anefficientmethodforonlinedetectingabnormalcascadingpatternindistributednetworks[C]//FuzzySystemsandKnowledgeDiscovery(FSKD)，201310thInternationalConferenceon.IEEE，Shenyang，China，2013：741-746)提出了一种级联模式用于分布式网络的在线监测异常事件现有的系统异常检测方法大多适用于用户非法行为造成的系统异常。
技术实现思路
本专利技术的目的是：针对用户合法行为短时聚集引起的系统异常问题，提出一种大规模网络服务系统异常预警的方法，建立系统预期负载与“放大因子”关系模型以及系统行为阻滞度模型，把用户量与用户提交的重复行为数对系统的影响通过“放大因子”放大，使之可以在系统出现异常之前快速感知到系统负载的变化趋势，并且定位异常行为。为了达到上述目的，本专利技术的技术方案是提供了一种大规模网络服务系统异常预警方法，其特征在于，大规模网络服务系统包括放大因子模块、系统预期负载与放大因子关系模块、系统行为阻滞度模块，其中：放大因子模块，用于阐明放大因子是用户不可控性的行为偏差影响的，其放大因子模型为：NTRt＝β1ΔBrt/Δt+β2ΔSt/Δt，式中，NTRt为t时刻的放大因子，ΔBrt表示在趋近t时刻的系统用户重复提交的总的行为数的变化量；ΔSt表示在趋近t时刻的用户数的变化量；系统重复行为阻滞系数β1是t时刻所有用户重复提交的行为数Brt占总的系统行为数Bt的比重；系统行为阻滞系数β2是在t时刻的所有用户正常提交的行为数Bft占总的系统行为数Bt的比重，Δt是趋近于t时刻的时间间隔；系统预期负载与放大因子关系模块，用于查找预期负载与放大因子的影响情况，系统预期负载与放大因子关系模型是：Ct＝Bt×a；Cbt＝NTRt×Bft×a，式中，Ct是t时刻系统的实际负载；Cbt是t时刻预期的系统负载；t时刻系统中用户提交的总的行为数Bt是t时刻系统中所有用户正常提交的行为数Bft和重复提交的行为数Brt的总和，a表示一个用户提交的一个请求行为所需要的系统行为的负载；系统行为阻滞度模块，用于在系统发出预警信号后找出系统异常行为所在，其系统行为阻滞度模型为：式中，{b1，b2，b3，…，bn本文档来自技高网...

【技术保护点】
一种大规模网络服务系统异常预警方法，其特征在于，大规模网络服务系统包括放大因子模块、系统预期负载与放大因子关系模块、系统行为阻滞度模块，其中：放大因子模块，用于阐明放大因子是用户不可控性的行为偏差影响的，其放大因子模型为：NTRt＝β1ΔBrt/Δt+β2ΔSt/Δt，式中，NTRt为t时刻的放大因子，ΔBrt表示在趋近t时刻的系统用户重复提交的总的行为数的变化量；ΔSt表示在趋近t时刻的用户数的变化量；系统重复行为阻滞系数β1是t时刻所有用户重复提交的行为数Brt占总的系统行为数Bt的比重；系统行为阻滞系数β2是在t时刻的所有用户正常提交的行为数Bft占总的系统行为数Bt的比重，Δt是趋近于t时刻的时间间隔；系统预期负载与放大因子关系模块，用于查找预期负载与放大因子的影响情况，系统预期负载与放大因子关系模型是：Ct＝Bt×a；Cbt＝NTRt×Bft×a，式中，Ct是t时刻系统的实际负载；Cbt是t时刻预期的系统负载；t时刻系统中用户提交的总的行为数Bt是t时刻系统中所有用户正常提交的行为数Bft和重复提交的行为数Brt的总和，a是一个用户提交的一个请求行为所需要的系统行为的负载；系统行为阻滞度模块，用于在系统发出预警信号后找出系统异常行为所在，其系统行为阻滞度模型为：式中，{b1，b2，b3，…，bn}表示系统的行为序列，wit是系统行为阻滞度，则异常预警方法包括以下步骤：S1、计算所有用户在当前时刻t提交的总的行为数对应的一个实际的系统负载；S2、计算当前时刻t的放大因子NTRt的值；S3、计算所有用户在当前时刻t提交的正常行为数在放大因子的作用下所需要的预期系统负载；S4、如果Cbt大于最大系统负载Cmax，预警系统在未来的某个时刻会发生异常；S5、计算当前时刻t所有行为序列{b1，b2，b3，…，bn}的阻滞度；S6、比较当前时刻t所有行为序列{b1，b2，b3，…，bn}的阻滞度；S7、输出阻滞度最大的系统行为，即异常行为；S8、算法结束。...

【技术特征摘要】
1.一种大规模网络服务系统异常预警方法，其特征在于，大规模网络服务系统
包括放大因子模块、系统预期负载与放大因子关系模块、系统行为阻滞度模块，
其中：
放大因子模块，用于阐明放大因子是用户不可控性的行为偏差影响的，其放
大因子模型为：
NTRt＝β1ΔBrt/Δt+β2ΔSt/Δt，式中，NTRt为t时刻的放大因子，ΔBrt表示
在趋近t时刻的系统用户重复提交的总的行为数的变化量；ΔSt表示在趋近t时刻
的用户数的变化量；系统重复行为阻滞系数β1是t时刻所有用户重复提交的行为
数Brt占总的系统行为数Bt的比重；系统行为阻滞系数β2是在t时刻的所有用户
正常提交的行为数Bft...

【专利技术属性】
技术研发人员：章昭辉，崔君，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海;31