一种面向软件变更的适应性弱点检测方法技术

本发明专利技术提出一种面向软件变更的适应性弱点检测方法，包括，使用噪声注入技术生成数据模式相同和数据模式存在差异的单元序列对作为训练数据集；构建扰动检测模型，扰动检测模型包括特征提取层和输出分类层；通过训练数据集对扰动检测模型进行训练；针对软件变更前版本和变更后版本配置相同的用户负载，制造相同的扰动事件，收集变更前数据和变更后数据；将变更前数据和变更后数据输入训练完成后的扰动检测模型，通过输出的结果中存在的明显差异的指标指示新引入的系统弱点。通过本发明专利技术提出的方法，可以在软件变更时检测系统弱点，避免扰动事件造成重大经济损失，提高微服务系统的可靠性。可靠性。可靠性。

【技术实现步骤摘要】
一种面向软件变更的适应性弱点检测方法


[0001]本专利技术属于网络安全领域。

技术介绍

[0002]微服务架构是一种将应用程序构建为松耦合服务集合的架构风格，它凭借灵活的扩展能力和敏捷的开发过程在企业的生产实践中流行开来。采用微服务架构在创造更大价值的同时对服务的可靠性带来了威胁。作为分布式系统，微服务系统的正常运行更容易受到真实生产环境中随机事件的影响，如负载高峰、硬件故障、网络波动等无法预测的扰动事件（Disruption）经常造成服务的中断。这些扰动事件导致服务中断的原因包括软件的错误配置、代码的不恰当实现等，这些瑕疵就是关联扰动事件的系统弱点（System Weakness），也是降低可靠性的罪魁祸首。软件变更（Software Change）是引入系统弱点的重要原因，研究表明谷歌70%的云服务故障的直接或者间接原因就是软件变更。
[0003]现有技术中，Analysis
‑
tool需要工程师在混沌实验的过程中全程参与；Gremlin和FILIBUSTER虽然通过断言检测实现了混沌实验的自动化分析，但是每个系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向软件变更的适应性弱点检测方法，其特征在于，包括以下步骤：使用噪声注入技术生成数据模式相同和数据模式存在差异的单元序列对作为训练数据集；构建扰动检测模型，所述扰动检测模型包括特征提取层和输出分类层；通过所述训练数据集对所述扰动检测模型进行训练；针对软件变更前版本和变更后版本配置相同的用户负载，制造相同的扰动事件，收集变更前数据和变更后数据；将所述变更前数据和变更后数据输入训练完成后的扰动检测模型，通过输出的结果中存在的明显差异的指标指示新引入的系统弱点。2.根据权利要求1所述的方法，其特征在于，所述使用噪声注入技术生成数据模式相同和数据模式存在差异的单元序列对作为训练数据集，包括：用噪声强度定量描述噪声模式，时间序列的噪声强度定义为时间序列不同周期的同一个时间点的数值标准差的均值，具体计算过程为：，，，其中，表示时间序列包含的周期数，表示时间序列周期的长度，表示单个时间点在不同周期的均值，表示单个时间点在不同周期的标准差，对应单个时间点的噪声强度；一个周期内所有时间点噪声强度的均值就是时间序列的噪声强度；设置统一的噪声强度，对于具体的时间序列，放缩的计算定义为：，将放缩后的时间序列作为训练数据集。3.根据权利要求1所述的方法，其特征在于，所述通过所述训练数据集对所述扰动检测模型进行训练，包括：使用交叉熵函数计算损失，使用0标签指示二元序列对应的序列对模式无差异，1标签指示有差异，交叉熵损失的计算方法为：，其中，对应时间序列对的真实标签，对应分类模型输出的标签概率。4.根据权利要求3所述的方法，其特征在于，所述通过所述训练数据集对所述扰动检测模型进行训练，还包括引入批归一化的技术处理输入的二元时间序列，包括：对输入的每个维度计算批次的经验均值和方差；使用所述经验均值和方差重新给出新的输入。5.根据权利要求1所述的方法，其特征在于，在将所述变更前数据和变更后数据输入训练完成后的扰动检测模型，通过输出的结果中存在的明显差异的指标指示新引入的系统弱点之后，还包括通过量化...

【专利技术属性】
技术研发人员：裴丹，贺光磊，
申请(专利权)人：清华大学，
类型：发明
国别省市：