CN102801581B - 一种web服务连接成功率的预测方法 - Google Patents

Abstract

本发明公开了一种WEB服务连接成功率的预测方法，属于软件可靠性预测的领域，该方法按照固定单位时间间隔获取WEB服务连接成功率的一系列测量值的序列，然后定义和计算了各个测量值所处的分布类并计算类之间的转换概率矩阵，最后计算t时刻的连接成功率测量值加上平均转移增量再加上增量修正值，从而获得了第t+1时刻的连接成功率的预测值。本发明避免了传统的WEB预测模型和方法中过于依赖SLA规范和假设参数恒定不变的不足，能为WEB服务可信性研究提供模型支撑和分析手段。

Description

一种WEB服务连接成功率的预测方法

技术领域

本发明属于软件可靠性预测的领域，特别是涉及一种WEB服务连接成功率的预测方法。

背景技术

WEB服务作为一种新型的分布式构件模型在电子商务、企业应用集成等领域扮演着越来越重要的角色，它被认为是SOA(Service-Ori ented Architecture，面向服务计算构架)中最核心的技术之一，WEB服务运行在动态变化的网络环境中，其可靠性表现也在频繁变化，这种动态性使得WEB服务的运行时性能和效率相对于传统形态的软件更难以预测、掌控和干预，因此，对WEB服务进行可靠性预测是保证基于服务的应用系统质量的关键技术，也是WEB服务组合进行优化的必要基础，WEB服务可靠性中最重要的一个指标为连接成功率，它表示了用户向所需的WEB服务发起调用和执行请求后得到成功响应的概率。

虽然学术界和工业界提出了一系列用于分析和预测WEB服务可靠性的模型和方法，但大部分方法多以基于SLA（Service-level-agreement，服务等级协议）的静态分析为主要手段。服务等级协议是关于网络服务供应商和客户间的一份合同，其中定义了服务类型、服务质量和客户付款等术语，它从数量上约束了WEB服务的最小连接带宽、最大丢包率、链接故障率等参数。基于SLA的静态可靠性分析，就是直接以服务等级协议所约束的上述参数的限值为模型输入，并假设参数恒定不变，分析和预测WEB服务的实际可靠性。这种静态分析的方法存在很大的缺陷：由于WEB服务运行时所依赖的网络和系统环境瞬息万变，各种影响可靠性的参数量如带宽、丢包率、链接故障率、消息字段长度等，不可能维持恒定不变，这与相关参数恒定不变的假设存在极大的偏差；由于服务等级协议中给出的参数均为上限和下限值，实际运行时的量值可能高于或低于限值，从而导致基于服务等级协议的可靠性预测方法高估或低估了WEB服务实际的表现。

为了弥补上述方法的不足，充分考虑真实环境下WEB服务的动态性，本发明在深入研究WEB服务可靠性测量值序列，分析其趋势变化的基础上，提出一种基于转移趋势概率分析和增量修正的WEB服务连接成功率的预测方法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种高精确度的WEB服务连接成功率预测方法。

为实现上述目的，本发明提供了一种WEB服务连接成功率的预测方法，首先按照固定时间间隔获取WEB服务的连接成功率数据序列；所述获取WEB服务的连接成功率数据序列由SOAP UI测试平台对WEB服务的url地址测试得到；

设定连接成功率数据序列有t个时刻的连接成功率值，连接成功率值为cr(i)，1≤i≤t,1≤t≤∞；

然后对获取的WEB服务连接成功率数据序列进行区间分类；

t个连接成功率中最小值为MIN，MIN＝min{cr(i)|1≤i≤t}；

t个连接成功率中最大值为MAX，MAX＝max{cr(i)|1≤i≤t}；

将MIN到MAX的区间分为p个类，p为正整数；设定第x个连接成功率值到第l个分类的映射函数为map(x)，1≤x≤t，1≤l≤p；当且仅当 $\mathrm{MIN}+\frac{\mathrm{MAX}-\mathrm{MIN}}{p}\×(l-1)\≤\mathrm{cr}\left(x\right)\≤\mathrm{MIN}+\frac{\mathrm{MAX}-\mathrm{MIN}}{p}\×l$ 时，map(x)＝l；

设定MIN到MAX的区间中第m个类和第n个类之间的转换概率矩阵为TR(m,n)，1≤m≤p，1≤n≤p；

$\mathrm{TR}(m,n)=\left\{\begin{array}{c}\frac{\underset{l=1}{\overset{t}{\mathrm{\Σ}}}\mathrm{IJCOUNT}(m,n,l)}{\underset{l=1}{\overset{t}{\mathrm{\Σ}}}\mathrm{ICOUNT}(m,l)}\\ 1-\underset{1\≤i\≤p,m\≠i}{\mathrm{\Σ}}\mathrm{TR}(m,i)\mathrm{else}\end{array}\right.\mathrm{ifm}\≠n;$

$\mathrm{ICOUNT}(m,l)=\left\{\begin{array}{cc}1& \mathrm{ifmap}\left(l\right)=m\\ 0& \mathrm{else}\end{array}\right.;$

$\mathrm{IJCOUNT}(m,m,l)=\left\{\begin{array}{cc}1& \mathrm{ifmap}(l+1)=\mathrm{nandmap}\left(l\right)=m\\ 0& \mathrm{else}\end{array}\right.;$

设定p个类中各个类间的平均增量为inc(l)，其中1≤l≤p；

$\mathrm{inc}\left(l\right)=\underset{0<i\&le;p,i\&NotEqual;l}{\mathrm{\&Sigma;}}\mathrm{TR}(l,i)\&times;(i-l)\&times;\frac{\mathrm{MAX}-\mathrm{MIN}}{p};$

设定t+1时刻连接成功率值相对于t时刻连接成功率值的平均增量为EINC，计算EINC＝inc(map(t))，得出EINC；

因为连接成功率值被分成p个分类，所以连接成功率的测量数值的复杂程度和分布程度大大下降，简化了计算的难度。

进一步的，为了减小误差，更好的提高精确率，需要考虑实际的预期连接成功率值的真实分布，为了减小实际的预期连接成功率值的真实分布与连接成功率的预测值之间误差的影响，还需要通过增量修正值对t+1时刻连接成功率的预测值进行调整。

设定t个连接成功率测量值中，calib(x)为相邻连接成功率测量值间的增量修正值，1≤x≤t；计算calib(x)＝inc(map(x))-(cr(x+1)-cr(x))，得出相邻连接成功率测量值间的增量修正值；

对于t个连接成功率数据序列整体而言，设定其平均增量修正值为ECALIB；

计算得出连接成功率数据序列的平均增量修正值。

设定t+1时刻连接成功率的预测值为PRCR：计算PRCR＝cr(t)+EINC+ECALIB，求出PRCR便可以更准确的得到需要预测的连接成功率值。

本发明的有益效果是：本发明是在深入研究连接成功率历史数据序列，分析其趋势变化的基础上实现，避免了传统的预测模型和方法中过于依赖SLA规范和假设参数恒定不变的不足，能为WEB服务可信性研究提供模型支撑和分析手段，能够极大的提高预测准确率和精度。

附图说明

图1是本发明实施例一的流程示意图。

图2是本发明实施例二的流程示意图。

图3是WEB服务连接成功率预测值与实际值的比较示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明：

实施例一：如图1所示，首先按照固定时间间隔获取WEB服务的连接成功率数据序列；所述获取WEB服务的连接成功率数据序列由SOAP UI测试平台对WEB服务的url地址测试得到。

设定连接成功率数据序列有t个时刻的连接成功率值，连接成功率值为cr(i)，1≤i≤t,1≤t≤∞；

然后对获取的WEB服务连接成功率数据序列进行区间分类；

t个连接成功率中最小值为MIN，MIN＝min{cr(i)|1≤i≤t}；

t个连接成功率中最大值为MAX，MAX＝max{cr(i)|1≤i≤t}；

将MIN到MAX的区间分为p个类，p为正整数；设定第x个连接成功率值到第l个分类的映射函数为map(x)，1≤x≤t，1≤l≤p；当且仅当 $\mathrm{MIN}+\frac{\mathrm{MAX}-\mathrm{MIN}}{p}\&times;(l-1)\&le;\mathrm{cr}\left(x\right)\&le;\mathrm{MIN}+\frac{\mathrm{MAX}-\mathrm{MIN}}{p}\&times;l$ 时，map(x)＝l；

设定MIN到MAX的区间中第m个类和第n个类之间的转换概率矩阵为TR(m,n)，1≤m≤p，1≤n≤p；

$\mathrm{TR}(m,n)=\left\{\begin{array}{c}\frac{\underset{l=1}{\overset{t}{\mathrm{\&Sigma;}}}\mathrm{IJCOUNT}(m,n,l)}{\underset{l=1}{\overset{t}{\mathrm{\&Sigma;}}}\mathrm{ICOUNT}(m,l)}\\ 1-\underset{1\&le;i\&le;p,m\&NotEqual;i}{\mathrm{\&Sigma;}}\mathrm{TR}(m,i)\mathrm{else}\end{array}\right.\mathrm{ifm}\&NotEqual;n;$

$\mathrm{ICOUNT}(m,l)=\left\{\begin{array}{cc}1& \mathrm{ifmap}\left(l\right)=m\\ 0& \mathrm{else}\end{array}\right.;$

$\mathrm{IJCOUNT}(m,m,l)=\left\{\begin{array}{cc}1& \mathrm{ifmap}(l+1)=\mathrm{nandmap}\left(l\right)=m\\ 0& \mathrm{else}\end{array}\right.;$

步骤三：设定p个类中各个类间的平均增量为inc(l)，其中1≤l≤p；

$\mathrm{inc}\left(l\right)=\underset{0<i\&le;p,i\&NotEqual;l}{\mathrm{\&Sigma;}}\mathrm{TR}(l,i)\&times;(i-l)\&times;\frac{\mathrm{MAX}-\mathrm{MIN}}{p};$

设定t+1时刻连接成功率值相对于t时刻连接成功率值的平均增量为EINC，计算EINC＝inc(map(t))，得出EINC；

因为连接成功率值被分成p个分类，所以连接成功率的测量数值的复杂程度和分布程度大大下降，简化了计算的难度。进一步的，为了减小误差，更好的提高精确率，需要考虑实际的预期连接成功率值的真实分布，为了减小实际的预期连接成功率值的真实分布与连接成功率的预测值之间误差的影响，还需要通过增量修正值对t+1时刻连接成功率的预测值进行调整。

设定t个连接成功率测量值中，calib(x)为相邻连接成功率测量值间的增量修正值，1≤x≤t；计算calib(x)＝inc(map(x))-(cr(x+1)-cr(x))，得出相邻连接成功率测量值间的增量修正值；

对于t个连接成功率数据序列整体而言，设定其平均增量修正值为ECALIB；计算得出连接成功率数据序列的平均增量修正值。

设定t+1时刻连接成功率的预测值为PRCR：计算PRCR＝cr(t)+EINC+ECALIB，求出PRCR便可以更准确的得到需要预测的连接成功率值。

实施例二：如图2所示，本实施例与实施例一的流程基本相同，所不同的是：计算得出t+1时刻连接成功率值相对于t时刻连接成功率值的平均增量EINC后，计算PRCR＝cr(t)+EINC，求出PRCR。

然后设定t个连接成功率测量值中，calib(x)为相邻连接成功率测量值间的增量修正值，1≤x≤t；计算calib(x)＝inc(map(x))-(cr(x+1)-cr(x))，得出相邻连接成功率测量值间的增量修正值；

对于t个连接成功率数据序列整体而言，设定其平均增量修正值为ECALIB；

计算得出连接成功率数据序列的平均增量修正值。

最后通过连接成功率数据序列的平均增量修正值对连接成功率的预测值进行调整，计算PRCR+ECALIB，得出的即为最终的连接成功率的预测值。

为了对方法的正确性和精确性进行验证，在配置为2.8G的INTEL i5-760处理器、内存为4G的PC机上采用SOAPUI测试平台对一个提供天气信息的WEB服务的实例进行了测试，所述WEB服务实例的URL地址为http://www.WEBservicex.net/globalweather.asmx?WSDL，测试的开始时间为2011年10月17日上午10点30分0秒，测试时间间隔为250毫秒，连续获取128个连接成功率测试值，其中前100个数据用于模型建立，剩下28个从2011年10月17日上午10点30分25秒开始测得的连接成功率测试值用于模型验证。

模型中的参数设置为：分类数量p＝8，按照本发明给出的方法，2011年10月17日上午10点30分25秒以后的连接成功率预测值同另外三个模型预测值的结果展示在图3中，如图3所示，图3中线条1为采用本发明的方法得到的预测值，线条2采用ARMA时间序列模型得到的预测值，线条3为采用消除离群点的ARMA-O模型得到的预测值，线条4为WEB服务连接成功率的实际值。本发明方法得到的预测值与实际值平均误差率为5.7%，采用ARMA时间序列模型得到的预测值与实际值平均误差率为12.4%，采用消除离群点的ARMA-O模型得到的预测值与实际值平均误差为8.4%。由以上数据可见，采用本发明提出的方法，在WEB服务连接成功率的预测上取得了更好的精度。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (4)

1.一种WEB服务连接成功率的预测方法，其特征在于包括以下步骤：

步骤一：按照固定时间间隔获取WEB服务的连接成功率数据序列；

设定连接成功率数据序列有t个时刻的连接成功率值，连接成功率值为cr(i)，1≤i≤t,1＜t≤∞；

步骤二：对获取的WEB服务连接成功率数据序列进行区间分类；

t个连接成功率中最小值为MIN，MIN＝min{cr(i)|1≤i≤t}；

t个连接成功率中最大值为MAX，MAX＝max{cr(i)|1≤i≤t}；

将MIN到MAX的区间分为p个类，p为正整数；设定第x个连接成功率值到第l个分类的映射函数为map(x)，1≤x≤t，1≤l≤p；当且仅当 $\mathrm{MIN}+\frac{\mathrm{MAX}-\mathrm{MIN}}{p}\&times;(l-1)\&le;\mathrm{cr}\left(x\right)\&le;\mathrm{MIN}+\frac{\mathrm{MAX}-\mathrm{MIN}}{p}\&times;l$ 时，map(x)＝l；

步骤三：设定MIN到MAX的区间中第m个类和第n个类之间的转换概率矩阵为TR(m,n)，1≤m≤p，1≤n≤p；

$\mathrm{TR}(m,n)=\left\{\begin{array}{cc}\frac{\underset{l=1}{\overset{t}{\mathrm{\&Sigma;}}}\mathrm{IJCOUNT}(m,n,l)}{\underset{l=1}{\overset{t}{\mathrm{\&Sigma;}}}\mathrm{ICOUNT}(m,l)}& \mathrm{if\; m}\&NotEqual;n\\ 1-\underset{1\&le;i\&le;p,m\&NotEqual;i}{\mathrm{\&Sigma;}}\mathrm{TR}(m,i)& \mathrm{else}\end{array}\right.;$

$\mathrm{ICOUNT}(m,l)=\left\{\begin{array}{cc}1& \mathrm{if\; map}\left(l\right)=m\\ 0& \mathrm{else}\end{array}\right.;$

$\mathrm{IJCOUNT}(m,n,l)=\left\{\begin{array}{cc}1& \mathrm{if\; map}(l+1)=\mathrm{n\; and\; map}\left(l\right)=m\\ 0& \mathrm{else}\end{array}\right.;$

设定p个类中各个类间的平均增量为inc(l)，其中1≤l≤p； $\mathrm{inc}\left(l\right)=\underset{0<i\&le;p,i\&NotEqual;l}{\mathrm{\&Sigma;}}\mathrm{TR}(l,i)\&times;(i-l)\&times;\frac{\mathrm{MAX}-\mathrm{MIN}}{p};$

设定t+1时刻连接成功率值相对于t时刻连接成功率值的平均增量为EINC，计算EINC＝inc(map(t))，得出EINC；

步骤四：设定t+1时刻连接成功率的预测值为PRCR：计算PRCR＝cr(t)+EINC，求出PRCR。

2.如权利要求1所述的一种WEB服务连接成功率的预测方法，其特征在于：还包括计算连接成功率数据序列的平均增量修正值的步骤；所述计算连接成功率数据序列的平均增量修正值按以下步骤进行：

S1、设定t个连接成功率测量值中，calib(x)为相邻连接成功率测量值间的增量修正值，1≤x≤t；计算calib(x)＝inc(map(x))-(cr(x+1)-cr(x))，得出相邻连接成功率测量值间的增量修正值；

S2、对于t个连接成功率数据序列整体而言，设定其平均增量修正值为ECALIB；计算得出连接成功率数据序列的平均增量修正值。

3.如权利要求2所述的一种WEB服务连接成功率的预测方法，其特征是：还包括通过计算PRCR+ECALIB对WEB服务连接成功率的预测值进行调整的步骤。

4.如权利要求1所述的一种WEB服务连接成功率的预测方法，其特征是：所述获取WEB服务的连接成功率数据序列由SOAP UI测试平台对WEB服务的url地址测试得到。