一种基于时序演化基因的Docker容器故障智能预测方法技术

一种基于时序演化基因的Docker容器故障智能预测方法，包括：对多维的时序进行切分，划分为很多片段；对片段进行聚类，发现典型的模式；对不同的模式，采用条件对抗网络(CVAE‑GAN)捕捉其分布特征；组合分布特征随时间的变化，预测即将发生的异常。有效提升云平台Docker的维护水平。

【技术实现步骤摘要】
一种基于时序演化基因的Docker容器故障智能预测方法
本专利技术涉及一种基于时序演化基因的Docker容器故障智能预测方法，具体涉及一种面向PaaS平台运维提出一种基于时序演化基因的Docker容器故障智能预测方法，本专利技术属于通信领域。
技术介绍
PaaS平台的传统运维模式是网管系统发现设备告警后，通知维护人员进行维修，属于事后的人工修复，故障响应时间长，不能满足实时性高的业务需求。系统运维人员处于大部分时间和精力都是处理一些简单重复的问题，体力劳动偏大，工作效率低，需要投入大量的维护资源。PaaS平台通常有以下缺点：(1)PaaS平台的网管系统不具备智能故障分析功能，业务异常时需要维护人员耗费大量的人力来进行故障查证，寻找故障原因，系统维护效率低。(2)PaaS平台的网管系统不具备智能故障预警功能，一旦出现严重故障还会影响系统的正常运行，系统维护较为被动。
技术实现思路
本专利技术的目的在于，提供一种基于时序演化基因的Docker容器故障智能预测方法，以克服现有技术所存在的上述缺点和不足。本专本文档来自技高网...

【技术保护点】
1.一种基于时序演化基因的Docker容器故障智能预测方法，其特征在于，包括：/n对多维的时序进行切分，划分为很多片段；/n对片段进行聚类，发现典型的模式；/n对不同的模式，采用条件对抗网络(CVAE-GAN)捕捉其分布特征；/n组合分布特征随时间的变化，预测即将发生的异常。/n

【技术特征摘要】
1.一种基于时序演化基因的Docker容器故障智能预测方法，其特征在于，包括：
对多维的时序进行切分，划分为很多片段；
对片段进行聚类，发现典型的模式；
对不同的模式，采用条件对抗网络(CVAE-GAN)捕捉其分布特征；
组合分布特征随时间的变化，预测即将发生的异常。


2.根据权利要求1所述的一种基于时序演化基因的Docker容器故障智能预测方法，其特征在于，包括以下步骤：
步骤1：采集K8S组件日志和K8S组件状态，K8S是一个Docker容器管理工具；
步骤2：分析K8S组件日志和K8S组件状态，提取Docker容器特征指标；
步骤3：构建时序演化基因深度学习训练模型，进行历史数据的离线训练和实时数据的在线训练；
步骤四：输出Docker容器故障智能预警信息，并评估模型预测效果。


3.根据权利要求2所述的一种基于时序演化基因的Docker容器故障智能预测方法，其特征在于，步骤3还包括：
步骤3.1：在一条完成的时间序列上，对于每一时间分段训练一个分类器C区分出每一时间窗口内Docker采集数据所属的类型i，
步骤3.2：之后通过变分自编码机(VAE)(包涵编码器网络E，解码器网络G)对每一个进行特征抽取；
具体来说，编码器E将编码出包涵多维混合高斯分布的均值，方差组合的特征隐层然后解码器G通过采样这个多维混合分布还原样本；
步骤3.3：通过KL散度来减少编码与采样之间的误差；
步骤3.4：生成器网络G在再采样的上进行反编码，还原出真实样本，然后使得判别器识别不出尽可能犯错误，其目标函数为：



步骤3.5：判别器网络D目标将真...

【专利技术属性】
技术研发人员：沙泉，
申请(专利权)人：上海伽易信息技术有限公司，
类型：发明
国别省市：上海;31