基于卷积神经网络的大服务系统在线可靠性预测方法技术方案
【技术实现步骤摘要】
基于卷积神经网络的大服务系统在线可靠性预测方法
本专利技术属于预测方法
，涉及一种利用卷积神经网络对面向服务的系统中成员系统的可靠性进行在线时间序列预测的方法。
技术介绍
近年来，具有动态架构软件系统的需求逐渐增加，系统的系统(System-of-System，简称SoS)通过集成成员系统构建满足更为复杂的用户需求。所构建的系统一般需要高效的运行和分析技术，使得组合得到的系统可以有效的协作。其中每一个组件都运行在一个动态多变的网络环境下，某些重要的组件出现问题时会对整个构建的系统产生重大的影响，因此可靠性已经成为SoS中一个十分重要的问题。目前有关SoS的研究主要集中在系统的构建等问题上，针对SoS可靠性的预测方面，尚未有较多的研究。目前已有的一些方法比如：(1)个性化可靠性预测方法，通过引入协同过滤的技术，开展原子服务的QualityofService，QoS(包括可靠性)预测。通过客户端对Web服务的调用测试以评估一个Web服务的可靠性。因为客户端环境的不同，不同客户端调用同一个Web服务，可靠性是不同的。在有限数量的客户端/Web服务的可靠性评估的基础...
【技术保护点】
基于卷积神经网络的大服务系统在线可靠性预测方法，其特征在于，包括如下步骤：步骤1，数据预处理，对任意响应时间参数时间序列，以及吞吐量参数时间序列进行归一化处理；步骤2，motifs发现，通过k‑means聚类算法寻找吞吐量，响应时间和可靠性三组参数中的motifs；步骤3，使用motifs进行标注，有效预测时间周期内的每一个可靠性时间序列采用距离最近的motif进行标注，当前时间周期内的相应时间，吞吐量等参数也将采用与之对应的有效预测时间周期内的可靠性时间序列motifs类别进行标注；步骤4，卷积神经网络模型的训练；步骤5，使用组件系统的最近邻时间段内所观测到的相应时间和吞...
【技术特征摘要】
1.基于卷积神经网络的大服务系统在线可靠性预测方法，其特征在于，包括如下步骤：步骤1，数据预处理，对任意响应时间参数时间序列，以及吞吐量参数时间序列进行归一化处理；步骤2，motifs发现，通过k-means聚类算法寻找吞吐量，响应时间和可靠性三组参数中的motifs；步骤3，使用motifs进行标注，有效预测时间周期内的每一个可靠性时间序列采用距离最近的motif进行标注，当前时间周期内的相应时间，吞吐量等参数也将采用与之对应的有效预测时间周期内的可靠性时间序列motifs类别进行标注；步骤4，卷积神经网络模型的训练；步骤5，使用组件系统的最近邻时间段内所观测到的相应时间和吞吐量相应参数时间序列带入到训练好的CNN模型中，得到组件系统的在线可靠性时间序列预测结果。2.根据权利要求1所述的基于卷积神经网络的大服务系统在线可靠性预测方法，其特征在于，所述步骤1具体包括如下过程：对于任意响应时间参数时间序列以及吞吐量参数时间序列采用以下的公式对参数中的每一个值和进行归一化处理：以及其中，和分别表示响应时间参数的最大最小值，和分别表示吞吐量参数的最大最小值。3.根据权利要求1所述的基于卷积神经网络的大服务系统在线可靠性预测方法，其特征在于，所述步骤2具体包括如下过程：KL散度来计算任意两个可靠性时间序列之间的距离，设分别为该组件系统在有效预测时间周期内的两个任意可靠性时间序列，其距离可以表示为：将上述距离公式应用于K-means算法，多次迭代后，算法收敛，所有聚簇的中心点将作为有效预测时间周期内的可靠性时间序列的motifs，我们将其形式化地表示为：其中，k为预先设定的参数，表示motifs的数量；利用和上面相同的方法，对数据窗口时间内的响应时间，吞吐量参数进行聚类处理，发现motifs。4.根据权利要求1所述的基于卷积神经网络的大服务系统在线可靠性预测方法，其特征在于，所述步骤3具体包括如下过程：有效预测时间周期内的每一个可靠性时间序列采用距...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。