【技术实现步骤摘要】
一种基于时间序列预测的自适应心跳检测方法
本专利技术属于高可靠计算
,具体涉及一种基于时间序列预测的自适应心跳检测方法。
技术介绍
心跳机制是高可用集群的基础,目前高可用集群中常用的心跳检测方法主要有推模型、拉模型、双模型、闲谈类型错误侦测、层次类型错误侦测等,但这些方法均采用固定的心跳周期。由于高可用集群系统中,各节点的负载以及节点之间的通信网络是动态变化的,传统方法无法适应其动态变化特性,容易出现心跳误判情况。吴书华等人提出了一种银河麒麟操作系统的高可靠心跳协议,通过对传统推模型的改进,采用可变的心跳时间间隔和怀疑节点失效时间,下一时刻的心跳时间间隔和失效时间采用滑动平均方法进行预测,以提高高可用集群系统的适应性。
技术实现思路
(一)要解决的技术问题本专利技术要解决的技术问题是:如何针对集群节点负载变化的时间序列特性,提出一种自适应心跳检测方法。(二)技术方案为了解决上述技术问题,本专利技术提供了一种基于时间序列预测的自适应心跳检测方法,包括以下步骤:步骤1、采用心跳发送周期序列的前k个数据进行ARMA模型的模型定阶和在线模型参数辨识,得到心跳发送周期的ARMA模型的参数值;并采用心跳接收周期序列的前k个数据进行ARMA模型的模型定阶和在线模型参数辨识,得到心跳接收周期的ARMA模型的参数值;步骤2、采用心跳发送周期的ARMA模型进行心跳发送周期的一步向前预测,由t时刻之前的实测值得到t时刻心跳发送周期的预测值;采用心跳接收周期的ARMA模型进行心跳接收 ...
【技术保护点】
1.一种基于时间序列预测的自适应心跳检测方法,其特征在于,包括以下步骤:/n步骤1、采用心跳发送周期序列的前k个数据进行ARMA模型的模型定阶和在线模型参数辨识,得到心跳发送周期的ARMA模型的参数值;并采用心跳接收周期序列的前k个数据进行ARMA模型的模型定阶和在线模型参数辨识,得到心跳接收周期的ARMA模型的参数值;/n步骤2、采用心跳发送周期的ARMA模型进行心跳发送周期的一步向前预测,由t时刻之前的实测值得到t时刻心跳发送周期的预测值;采用心跳接收周期的ARMA模型进行心跳接收周期的一步向前预测,由t时刻之前的实测值得到t时刻心跳接收周期的预测值;/n步骤3、基于步骤2,执行基于时间序列预测的自适应心跳检测。/n
【技术特征摘要】
1.一种基于时间序列预测的自适应心跳检测方法,其特征在于,包括以下步骤:
步骤1、采用心跳发送周期序列的前k个数据进行ARMA模型的模型定阶和在线模型参数辨识,得到心跳发送周期的ARMA模型的参数值;并采用心跳接收周期序列的前k个数据进行ARMA模型的模型定阶和在线模型参数辨识,得到心跳接收周期的ARMA模型的参数值;
步骤2、采用心跳发送周期的ARMA模型进行心跳发送周期的一步向前预测,由t时刻之前的实测值得到t时刻心跳发送周期的预测值;采用心跳接收周期的ARMA模型进行心跳接收周期的一步向前预测,由t时刻之前的实测值得到t时刻心跳接收周期的预测值;
步骤3、基于步骤2,执行基于时间序列预测的自适应心跳检测。
2.如权利要求1所述的方法,其特征在于,还包括:
步骤4、用测量到的t时刻的心跳发送周期实际值和心跳接收周期实际值分别代替t时刻的预测值;
步骤5、令t=t+1,返回步骤2循环执行预测和检测步骤,直至系统关机。
3.如权利要求1所述的方法,其特征在于,其中,心跳发送周期的ARMA模型和心跳接收周期的ARMA模型分别为:
其中,和分别是心跳发送周期和心跳接收周期在t时刻的预测值,ΔSTt-i和ΔHTt-i分别是心跳发送周期和心跳接收周期在t-i时刻的实际值,{εt}和{ηt}是白噪声序列,ps是心跳发送周期的ARMA模型中AR部分的阶数,qs是心跳发送周期的ARMA模型中MA部分的阶数;ph是心跳接收周期中AR部分的阶数,qh是心跳接收周期的ARMA模型中MA部分的阶数。<...
【专利技术属性】
技术研发人员:刘宗宝,张力,李之乾,张琨,李勇翔,
申请(专利权)人:北京计算机技术及应用研究所,
类型:发明
国别省市:北京;11
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。