一种软件系统性能故障预测方法及系统技术方案

本发明专利技术提供了一种软件系统性能故障预测方法及系统，其属于大数据信息处理及智能化运维技术领域，所述方案包括获取待测系统运行时的监控指标数据，并进行相应预处理；基于预处理后的监控指标数据，获得各单一指标数据的纵向序列和横向序列；基于交叉注意力机制获取两序列的交叉注意力向量，并基于预先训练的LSTM模型，获得各单一指标的预测值；计算所述预测值与实际监测值的差值，若存在单一指标预测值与实际监测值的差值超过预设阈值，则判定存在异常发生，输出故障预警；将各单一指标数据序列结合，获得多维监控指标序列数据；并将其输入预先训练的基于相似性分解注意力机制的Transformer模型中进行故障分类，获得故障类型分类结果。型分类结果。型分类结果。

【技术实现步骤摘要】
一种软件系统性能故障预测方法及系统


[0001]本专利技术属于大数据信息处理及智能化运维
，尤其涉及一种软件系统性能故障预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]大规模的软件系统已经成为我们日常活动的重要组成部分，如提供金融服务、实现医疗保健运营等。为了满足用户的期望，软件系统需要以高性能和高可靠性来执行其功能。然而，在系统运行时，可能出现性能异常，进而影响用户体验。
[0004]为了维护软件系统的性能，操作员需要检测性能异常，防止在运行时发生故障。由于软件系统的规模和复杂性的增加，操作人员手动跟踪软件系统的执行状态会导致成本较高。因此，研究人员提出了各种方法来自动监控软件系统和检测运行时的异常。但是，专利技术人发现，在故障发生后进行检测并采取纠正措施可能导致违反服务水平目标(例如，用户请求的响应时间长)，从而导致财务损失；同时，在进行故障预测时，大多数现有的工作关注的是是否会发生故障，而对于造成异常的原因没有进一步解释，导致运维人员需要耗费大量时间去核对造成异常的原因。因此，提供一种可以主动提前发现故障的性能故障预测方法，从而帮助运维人员防止潜在故障的发生，是当前急需解决的问题。

技术实现思路

[0005]本专利技术为了解决上述问题，提供了一种软件系统性能故障预测方法及系统，所述方案充分考虑了单一监控指标的不同维度之间的关系，采用结合交叉注意力机制的LSTM进行预测，同时，所述方案结合多种监控指标，并使用基于相似性分解的注意力机制对Transformer的多头注意力机制进行优化，进而预测可能导致异常的原因，有效提升了预测效率和准确性。
[0006]根据本专利技术实施例的第一个方面，提供了一种软件系统性能故障预测方法，包括：
[0007]获取待测系统运行时的监控指标数据，并进行相应预处理；
[0008]基于预处理后的监控指标数据，获得各单一指标数据的纵向序列和横向序列；
[0009]基于交叉注意力机制获取所述纵向序列和横向序列的交叉注意力向量，基于所述交叉注意力向量及预先训练的LSTM模型，获得各单一指标的预测值；
[0010]计算所述预测值与实际监测值的差值，若存在单一指标预测值与实际监测值的差值超过预设阈值，则判定存在异常发生，输出故障预警；
[0011]将各单一指标数据序列结合，获得多维监控指标序列数据；并将所述多维监控指标序列数据输入预先训练的Transformer模型中进行故障分类，获得故障类型分类结果，其中，所述Transformer模型采用基于相似性分解的注意力机制。
[0012]进一步的，所述基于交叉注意力机制获取所述纵向序列和横向序列的交叉注意力
向量，具体为：
[0013]将获得的单一指标数据的纵向序列和横向序列分别输入交叉注意力模块中，分别获得第一交叉注意力向量和第二交叉注意力向量；
[0014]将所述第一交叉注意力向量和单一指标数据的纵向序列交叉相乘，并与所述第二交叉注意力向量和单一指标数据的横向序列交叉相乘的结果进行拼接，获得交叉注意力向量。
[0015]进一步的，所述基于相似性分解的注意力机制，其处理过程具体为：
[0016]基于获得的多维监控指标序列数据，获取其键向量、值向量以及查询向量；
[0017]基于获得的键向量和查询向量，计算入流和出流；
[0018]基于出流以及值向量，计算竞争；并基于键向量、查询向量、入流以及竞争，计算汇聚；
[0019]基于所述汇聚和入流，计算得到分配结果。
[0020]进一步的，所述将所述多维监控指标序列数据输入预先训练的Transformer模型中进行故障分类，获得故障类型分类结果，具体为：
[0021]将计算得到的分配结果，输入至Transformer模型中的Add&Norm网络层进行残差连接计算，并将输出的结果输入至Feed Forward层，并经归一化层处理后，获得分类结果。
[0022]根据本专利技术实施例的第二个方面，提供了一种软件系统性能故障预测系统，包括：
[0023]数据获取单元，其用于获取待测系统运行时的监控指标数据，并进行相应预处理；
[0024]交叉注意力预测单元，其用于基于预处理后的监控指标数据，获得各单一指标数据的纵向序列和横向序列；基于交叉注意力机制获取所述纵向序列和横向序列的交叉注意力向量，基于所述交叉注意力向量及预先训练的LSTM模型，获得各单一指标的预测值；
[0025]预测值分析单元，其用于计算所述预测值与实际监测值的差值，若存在单一指标预测值与实际监测值的差值超过预设阈值，则判定存在异常发生，输出故障预警；
[0026]故障分类单元，其用于将各单一指标数据序列结合，获得多维监控指标序列数据；并将所述多维监控指标序列数据输入预先训练的Transformer模型中进行故障分类，获得故障类型分类结果，其中，所述Transformer模型采用基于相似性分解的注意力机制。
[0027]根据本专利技术实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种软件系统性能故障预测方法。
[0028]根据本专利技术实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种软件系统性能故障预测方法。
[0029]与现有技术相比，本专利技术的有益效果是：
[0030](1)本专利技术提供了一种软件系统性能故障预测方法及系统，所述方案将指标的纵向序列与横向序列相结合，并引入交叉注意力机制来捕获双序列信息之间的依赖信息，同时利用LSTM来学习表示向量，从而有效增强了预测结果的有效性；
[0031](2)所述方案通过对Transformer模型进行优化，获得SD
‑
Transformer模型，在进行故障预警后，采用多维指标监控数据序列，将其输入至SD
‑
Transformer模型进行故障类别预测，获得可能的产生异常原因，基于获得的异常原因，可以对运维人员进行有效指导，进一步提升软件系统的运行效率。
[0032]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0033]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0034]图1为本专利技术实施例中所述的一种软件系统性能故障预测方法流程图；
[0035]图2为本专利技术实施例中所述的融合交叉注意力的LSTM处理流程图；
[0036]图3为本专利技术实施例中所述的SD
‑
Transformer处理流程图；
[0037]图4为本专利技术实施例中所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种软件系统性能故障预测方法，其特征在于，包括：获取待测系统运行时的监控指标数据，并进行相应预处理；基于预处理后的监控指标数据，获得各单一指标数据的纵向序列和横向序列；基于交叉注意力机制获取所述纵向序列和横向序列的交叉注意力向量，基于所述交叉注意力向量及预先训练的LSTM模型，获得各单一指标的预测值；计算所述预测值与实际监测值的差值，若存在单一指标预测值与实际监测值的差值超过预设阈值，则判定存在异常发生，输出故障预警；将各单一指标数据序列结合，获得多维监控指标序列数据；并将所述多维监控指标序列数据输入预先训练的Transformer模型中进行故障分类，获得故障类型分类结果，其中，所述Transformer模型采用基于相似性分解的注意力机制。2.如权利要求1所述的一种软件系统性能故障预测方法，其特征在于，所述基于交叉注意力机制获取所述纵向序列和横向序列的交叉注意力向量，具体为：将获得的单一指标数据的纵向序列和横向序列分别输入交叉注意力模块中，分别获得第一交叉注意力向量和第二交叉注意力向量；将所述第一交叉注意力向量和单一指标数据的纵向序列交叉相乘，并与所述第二交叉注意力向量和单一指标数据的横向序列交叉相乘的结果进行拼接，获得交叉注意力向量。3.如权利要求1所述的一种软件系统性能故障预测方法，其特征在于，所述基于相似性分解的注意力机制，其处理过程具体为：基于获得的多维监控指标序列数据，获取其键向量、值向量以及查询向量；基于获得的键向量和查询向量，计算入流和出流；基于出流以及值向量，计算竞争；并基于键向量、查询向量、入流以及竞争，计算汇聚；基于所述汇聚和入流，计算得到分配结果。4.如权利要求1所述的一种软件系统性能故障预测方法，其特征在于，所述将所述多维监控指标序列数据输入预先训练的Transformer模型中进行故障分类，获得故障类型分类结果，具体为：将计算得到的分配结果，输入至Transformer模型中的Add&Norm网络层进行残差连接计算，并将输出的结果输入至Feed Forward层，...

【专利技术属性】
技术研发人员：史玉良，杨南飞，王新军，孔凡玉，李晖，陈志勇，
申请(专利权)人：山东大学，
类型：发明
国别省市：