CN102866942A - 一种基于贝叶斯推断的软件服务质量监控方法及系统 - Google Patents

Abstract

本发明公开一种基于贝叶斯推断的软件服务质量动态监控方法及系统，设定原假设与备择假设，选取先验分布函数，读取训练样本，对训练样本进行预处理，统计满足属性的样本数，更新样本集；对样本总数，成功样本数，标准值整形；计算贝叶斯因子，分析、存储并返回监控结果。系统包括：控制器，采集软件的服务声明标准，产生不同任务目的分析器，传递需匹配的服务标准给分析器，向数据采集端发布指令，控制周期性采集；观察器从数据服务设备端周期采集所需的服务数据，对信息进行筛分分类重组；分析器，数据进行匹配，形成可预处理样本，传入历史数据库保存；采用贝叶斯统计模块分析数据，结果存入监控结果数据库。

Description

一种基于贝叶斯推断的软件服务质量监控方法及系统

技术领域

本发明涉及一种对运行软件QoS需求指标监控的方法和系统，尤其涉及一种基于贝叶斯推断的软件服务质量监控方法及系统，属于软件服务质量监控技术领域。

背景技术

近年来，软件系统越来越要求具有较高的动态性和灵活性，能够动态组合开放环境下使用分布、自治的第三方组件，并支持软件运行时的不断演化。然而在复杂多变的Internet环境中，这种对于第三方服务的依赖会带来不确定的问题，比如服务组件接口变化，动态选择发生变化，组件自身变化，又或者如果各个组件提供的功能或者非功能特性与预先声明不同，都会产生严重影响，无法满足QoS(Quality of Service)需求。因此需要采用运行时的监控技术对其进行监管以确保软件执行的正确性，提高软件的可信度。

QoS的关键指标如可用性、吞吐量、时延、时延变化(包括抖动和漂移)和丢失等通常用概率来表示不确定性，但很多时候分析和评估QoS指标时，很难给出确切的特征量估计值，而采用模糊语言，例如“程序在0.2s内响应的概率为95%”，“数据丢包率小于万分之三”等等，保证系统可靠运行需要对这些不确定的模糊概率进行监控诊断。然而，现有的概率监控方法采用传统假设检验来进行统计，只使用单一概率值评估，不使用复合假设，实际可执行性差，又或者使用SPRT(Sequential Probability Ratio Test)方法统计，由于该方法样本大量落入中立区，监控常常失效。所以，现有的概率监控技术无法满足概率监控的需要。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于贝叶斯推断的软件服务质量监控方法及系统，监控方法和系统通过判断软件的运行时行为是否满足软件系统的属性规约，以发现软件的异常和一些QoS状况，为软件系统的动态自适应调整和演化等活动提供决策依据，从而保证软件系统的安全可靠运行。

技术方案：一种基于贝叶斯推断的软件服务质量监控方法，包括以下步骤：

步骤1，根据可靠性标准，设定原假设H₀与备择假设H₁；其中，原假设和备择假设必须互斥，接受一方，必须拒绝另一方；根据可靠性标准，建立对立的原假设H₀与备择假设H₁：H₀：p≥θ';H₁：p＜θ'；

步骤2，选取先验分布函数；具体为：如有充足的先验信息，利用历史日志中以往软件运行的服务质量数据，分析数据特性，形成先验分布函数g(θ)；根据监控仿真实验特性，引入二项分布的自然共轭先验分布，即贝塔分布，通过设定两个不同的参数a和b来拟合[0,1]区间上g(θ)，其概率密度分布函数：

$\∀u\∈\left(\mathrm{0,1}\right),g(u,a,b)=\frac{1}{\mathrm{Be}(a,b)}{u}^{\mathrm{\α}-1}{(1-u)}^{\mathrm{\β}-1},a>0,b>0$

其中

如无充足的先验信息，根据贝叶斯假设采用无信息先验，g(θ)是(0,1)上的均匀分布，此时，a，b取值分别为1，1。

步骤3，读取软件运行时的观测变量组合作为训练样本

对训练样本

进行预处理，存入样本集TX；

步骤4，统计满足属性

的样本数，记为成功样本数succ，更新样本集TX；

步骤5，对样本总数n、成功样本数succ、标准θ整形；

步骤6，计算贝叶斯因子B；

1)计算贝塔分布函数:

$\∀u\∈\left(\mathrm{0,1}\right),F_{a,b}\left(u\right)=\underset{0}{\overset{u}{\∫}}g(t,a,b)\mathrm{dt}$

2)计算贝叶斯因子：

在样本集TX＝{x₁，x₂，...，x_n}下：

$B=\frac{\underset{\mathrm{\θ}}{\overset{1}{\∫}}p\left(x_1\right|t)...p\left(x_n\right|t)\·g\left(t\right)\mathrm{dt}}{\underset{0}{\overset{\mathrm{\θ}}{\∫}}p\left(x_1\right|t)...p\left(x_n\right|t)\·g\left(t\right)\mathrm{dt}}$

利用贝塔分布函数，贝叶斯因子可简化为：

$B=\frac{1}{F_{\mathrm{succ}+a,n-\mathrm{succ}+b}\left(\mathrm{\θ}\right)}-1$

将被放大后的样本总数n、成功样本数succ、标准θ带入上述公式计算贝叶斯因子；

步骤7，结果分析，向软件返回监控结果，存储本次监控结果；

步骤8，定期读取运行时的观测变量组合作为训练样本，对训练样本进行预处理，存入样本集TX；重复步骤3~步骤8。

所述的对训练样本进行预处理，具体为训练样本

与软件声明YT标准相匹配，满足要求则

对应的第i次样本预处理结果X_t=1，否则为0；

所述的统计满足属性的成功样本数succ，更新样本集TX，具体为：

1)统计成功样本数succ，如果成功样本数succ的值与样本集TX中最早样本预处理结果相同，成功样本数succ不变，直接向软件返回上次存储的监控结果；否则如果X_i=1，则succ=succ+1；X_i=0，则succ=succ-1；

2)更新样本集TX，其中，TX是布尔型数组，存储最近的样本预处理结果，更新采取FIFO(First In First Out)策略，替换TX最早的样本预处理结果。

所述的对样本总数n、成功样本数succ、标准θ整形，具体为：

对样本总数n、成功样本总数succ、标准标准θ分别同步放大为kn^m，ksucc^m，kθ^m，k,m＞1。放大与临界值间的差距，使得测试值更灵敏；

所述步骤7的结果分析，具体为：选取阙值Thres，阙值Thres的选取根据所要求的I型错误来确定，默认为T＝θ/(1-θ)*100；如果B大于Thres，则认为有足够的理由相信原假设H₀成立，如果B<1/Thres则支持备择假设H₁成立；如果1/Thres<B<Thres，则不确定支持原假设还是支持备择假设。

为了实现上述目的，本发明还提供该方法采用的监控系统，所述系统包括：

控制器，用于采集运行时软件的服务声明标准，作为监控对象服务标准，根据服务标准产生不同任务目的分析器，传递需匹配的服务标准给对应的分析器，向数据采集端发布指令，指示观察器采集所需的对应数据集，并控制实时周期性采集，数据库汇总各分析器的监控结果，送入服务能力评价模块，向数据服务设备返回对软件的监控结果及评价结果；

观察器，用于从数据服务设备端周期采集所需的服务数据，对数据采集端的信息进行筛分分类重组，以准备形成不同分析器需要的数据；

分析器，根据控制器提供的服务标准和数据筛分模块分组后的数据，将数据进行匹配，形成可以采用贝叶斯统计的预处理样本，并传入历史数据库保存。根据贝叶斯方法作出相应的判断，结果存入监控结果数据库。

所述控制器包括：

服务信息采集模块，用于采集运行时软件的服务声明标准，作为监控对象服务标准，向数据采集端发布指令，指示观察器采集所需的对应数据集；

分析器生成模块，根据服务标准产生不同任务目的分析器，传递需匹配的服务标准给对应的分析器；

计时器，控制观察器周期性采集监控对象数据；

服务能力评价模块，综合评价服务能力，向数据服务设备返回对软件的监控结果以及评价结果；

样本数据库，存储历史监控样本数据；

监控结果数据库，存储监控结果数据，汇总不同的分析器发来的结果，传递给服务能力评价模块。

所述观察器包括：

数据采集端，用于从数据服务设备端周期采集所需的服务数据；

数据筛分模块，对数据采集端的信息进行筛分分类重组，以准备形成不同分析器需要的数据。

所述分析器包括：

匹配整形模块，根据控制器提供的服务标准和数据筛分模块分组后的数据，将数据进行匹配，形成可以采用贝叶斯统计的预处理样本，并传入样本数据库保存；

贝叶斯统计模块，根据贝叶斯方法作出相应的判断，存入监控结果数据库。

有益效果：贝叶斯统计可以利用经验和历史数据作为先验信息来进行假设检验，在获取后验分布后，直接依据后验概率比进行推断，不像传统假设检验需要选择检验统计量，确定其抽样分布，也无需事先给出显著性水平，确定其拒绝域，相对而言比较简单；无经验和历史数据的情况下，也可以采用无信息先验，当样本量增大时，后验均值主要决定于样本均值，后验方差也越来越小，先验信息对后验分布的影响将愈来愈小，一定容量的样本，基本上不影响统计结果的正确性。相对于sprt顺序概率比测试技术，提高了概率监控的灵敏度，且在同样的I型错误控制水平下，减少了统计所需的样本数据。

附图说明

图1为本发明监控系统实施例一的结构示意图；

图2为本发明监控系统实施例二的结构示意图；

图3为本发明实施例的方法的流程图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

实施例一，如图1所示，适用于只需要验证单一的声明属性时。由控制器采集运行时软件的服务声明标准，作为监控对象服务评价标准，传递需匹配的服务标准给分析器，根据服务评价标准向数据采集端发送指令，控制实时周期性采集，收集监控数据，记录监控结果。

观察器从控制器接收服务评价标准，根据标准从数据服务设备端周期采集所需的服务数据，整理数据为标准所要求的数组、组合、集合形式传送给分析器。

分析器，将控制器提供的服务评价标准和观察器提供的观察样本进行匹配，形成可以采用贝叶斯方法统计的预处理样本，并传入样本数据库保存。预处理样本传入贝叶斯统计模块，根据本文所述的贝叶斯概率监控方法计算贝叶斯因子，比较所给定的概率指标得到结果，结果表示三种可能性“满足服务声明”，“不满足服务声明”，“不确定是否满足”，向数据服务设备返回相应的监控结果，存储入监控结果数据库。

实施例二，如图2所示，监控系统包括：控制器，用于采集运行时软件的服务声明标准，作为监控对象服务标准，根据服务标准产生不同任务目的分析器，以实现同时分析多种服务需求，传递需匹配的服务标准给对应的分析器，向数据采集端发出指令，指示观察器采集所需的对应数据集，并控制实时周期性采集，数据库汇总各分析器的监控结果并送入服务能力评价模块，由服务能力评价模块向数据服务设备返回对软件的监控结果及评价结果。

观察器，用于从数据服务设备端周期采集所需的服务数据，对数据采集端的信息进行筛分分类重组，以准备形成不同分析器需要的数据。

分析器，根据控制器提供的服务标准和数据筛分模块分组后的数据，将数据进行匹配，形成可以采用贝叶斯统计的预处理样本，并传入样本数据库保存。根据贝叶斯方法作出相应的判断，存入监控结果数据库。

以监控QoS服务为例，控制器中服务信息采集模块采集软件的服务声明，软件的服务声明包括不同级别的QoS服务的不同服务标准，相应的属性，如响应时间，可靠性，可用性等，属性指示监控需采集的信息；控制器向数据采集端和分析器生成模块分别发出指令，数据采集端依据属性信息采集匹配的组合组，分析器生成模块依据不同的属性组，产生多个分析器，以实现能同时分析多种QoS服务需求；分析器生成模块向数据筛分模块发布指令，指示数据筛分模块对数据采集端的信息进行筛分分类重组，以形成适应不同分析器需求的数据组合，发送给相应的分析器。分析器，根据控制器提供的服务标准和数据筛分模块分组后的数据，将数据进行匹配，形成可以采用贝叶斯统计的预处理样本，并传入样本数据库保存，根据贝叶斯方法作出相应的判断，存入监控结果数据库，监控结果数据库汇总各分析器的监控结果并送入服务能力评价模块，由服务能力评价模块向数据服务设备返回对软件的监控结果及评价结果。

如图3所示，为本发明的一种基于贝叶斯推断的软件服务质量动态监控方法的监控方法流程图，步骤如下：

步骤101：根据可靠性标准，设定原假设H₀与备择假设H₁；其中，原假设和备择假设必须互斥，接受一方，必须拒绝另一方；根据可靠性标准，建立对立的原假设H₀与备择假设H₁：H₀：p≥θ';H₁：p＜θ'；

步骤102：选取先验分布函数；如有充足的先验信息，利用历史日志中以往软件运行的服务质量数据，分析数据特性，形成先验分布函数g(θ)；根据监控仿真实验特性，引入二项分布的自然共轭先验分布，即贝塔分布，通过设定两个不同的参数a和b来拟合[0,1]区间上g(θ)，其概率密度分布函数：

$\&ForAll;u\&Element;\left(\mathrm{0,1}\right),g(u,a,b)=\frac{1}{\mathrm{Be}(a,b)}{u}^{\mathrm{\&alpha;}-1}{(1-u)}^{\mathrm{\&beta;}-1},a>0,b>0$

其中

如无充足的先验信息，根据贝叶斯假设采用无信息先验，g(θ)是(0,1)上的均匀分布，此时，a，b取值分别为1，1；

步骤103：读取软件运行时的观测变量组合作为训练样本

训练样本

与软件声明Y^T标准相匹配，满足要求则

对应的第i次样本预处理结果X_i=1，否则为0；

步骤104：判断Xi的值是否与样本集TX中最早样本预处理结果相同；

步骤105：用FIFO先进先出策略更替最早的样本预处理结果，使样本集保有最近的样本预处理结果；

步骤106：判断新样本预处理结果是否为1；

步骤107：预处理结果X_i不为1，succ=succ-1；

步骤108：预处理结果X_i为1，succ=succ+1；

步骤109：对样本总数n，成功样本总数succ，标准标准θ分别同步放大为kn^m，ksucc^m，kθ^m，k,m＞1；

步骤110：计算贝叶斯因子B；

步骤111：比较贝叶斯因子B是否大于Thres，或者小于1/Thres；

步骤112：B<1/Thres，软件提供的服务与声明不符；

步骤113：B>Thres，软件提供的服务满足声明；

步骤114：1/Thres<B<Thres，无法确定软件提供的服务是否与声明一致，监测失效。

步骤115：向软件返回监控结果；

步骤116：监控进入下一周期。

Claims (9)

1.一种基于贝叶斯推断的软件服务质量监控方法，其特征在于，包括以下步骤：

步骤1，根据可靠性标准，设定原假设H₀与备择假设H₁；其中，原假设和备择假设必须互斥，接受一方，必须拒绝另一方；根据可靠性标准，建立对立的原假设H₀与备择假设H₁：H₀：p≥θ';H₁：p＜θ'；

步骤2，选取先验分布函数；具体为：如有充足的先验信息，利用历史日志中以往软件运行的服务质量数据，分析数据特性来形成先验分布函数g(θ)；根据监控仿真实验特性，引入二项分布的自然共轭先验分布，即贝塔分布，通过设定两个不同的参数a和b来拟合[0,1]区间上g(θ)，其概率密度分布函数：

$\&ForAll;u\&Element;\left(\mathrm{0,1}\right),g(u,a,b)=\frac{1}{\mathrm{Be}(a,b)}{u}^{\mathrm{\&alpha;}-1}{(1-u)}^{\mathrm{\&beta;}-1},a>0,b>0$

其中

如无充足的先验信息，根据贝叶斯假设采用无信息先验，g(θ)是(0,1)上的均匀分布，此时，a，b取值分别为1，1；

步骤3，读取软件运行时的观测变量组合作为训练样本

对训练样本

进行预处理，存入样本集TX；

步骤4，统计满足属性

的样本数，记为成功样本数succ，更新样本集TX；

步骤5，对样本总数n、成功样本数succ、标准θ整形；

步骤6，计算贝叶斯因子B；

1)计算贝塔分布函数:

$\&ForAll;u\&Element;\left(\mathrm{0,1}\right),F_{a,b}\left(u\right)=\underset{0}{\overset{u}{\&Integral;}}g(t,a,b)\mathrm{dt}$

2)计算贝叶斯因子：

在样本集TX＝{x₁，x₂，...，x_n}下：

$B=\frac{\underset{\mathrm{\&theta;}}{\overset{1}{\&Integral;}}p\left(x_1\right|t)...p\left(x_n\right|t)\&CenterDot;g\left(t\right)\mathrm{dt}}{\underset{0}{\overset{\mathrm{\&theta;}}{\&Integral;}}p\left(x_1\right|t)...p\left(x_n\right|t)\&CenterDot;g\left(t\right)\mathrm{dt}}$

利用贝塔分布函数，贝叶斯因子可简化为：

$B=\frac{1}{F_{\mathrm{succ}+a,n-\mathrm{succ}+b}\left(\mathrm{\&theta;}\right)}-1$

将被放大后的样本总数n、成功样本数succ、标准θ带入上述公式计算贝叶斯因子；

步骤7，结果分析，向软件返回监控结果，存储本次监控结果；

步骤8，定期读取运行时的观测变量组合作为训练样本，对训练样本进行预处理，存入样本集TX；重复步骤3~步骤8。

2.如权利要求1所述的基于贝叶斯推断的软件服务质量监控方法，其特征在于：所述的对训练样本进行预处理，具体为训练样本

与软件声明Y^T标准相匹配，满足要求则

对应的第i次样本预处理结果X_i=1，否则为0。

3.如权利要求1所述的基于贝叶斯推断的软件服务质量监控方法，其特征在于：所述的统计满足属性的成功样本数succ，更新样本集TX，具体为：

1)统计成功样本数succ，如果成功样本数succ的值与样本集TX中最早样本预处理结果相同，成功样本数succ不变，直接向软件返回上次存储的监控结果；否则如果X_i=1，则succ=succ+1；X_i=0，则succ=succ-1；

2)更新样本集TX，其中，TX是布尔型数组，存储最近的样本预处理结果，更新采取FIFO策略，替换TX最早的样本预处理结果。

4.如权利要求1所述的基于贝叶斯推断的软件服务质量监控方法，其特征在于：所述的对样本总数n、成功样本数succ、标准θ整形，具体为：

对样本总数n、成功样本总数succ、标准θ分别同步放大为kn^m，ksucc^m，kθ^m，k,m＞1。

5.如权利要求1所述的基于贝叶斯推断的软件服务质量监控方法，其特征在于：所述步骤7的结果分析，具体为：选取阙值Thres，阙值Thres的选取根据所要求的I型错误来确定，默认为T＝θ/(1-θ)*100；如果B大于Thres，则认为有足够的理由相信原假设H₀成立，如果B<1/Thres则支持备择假设H₁成立；如果1/Thres<B<Thres，则不确定支持原假设还是支持备择假设。

6.一种基于贝叶斯推断的软件服务质量监控系统，其特征在于，包括：

控制器，用于采集运行时软件的服务声明标准，作为监控对象服务标准，根据服务标准产生不同任务目的分析器，传递需匹配的服务标准给对应的分析器，向数据采集端发布指令，指示观察器采集所需的对应数据集，并控制实时周期性采集，数据库汇总各分析器的监控结果，送入服务能力评价模块，向数据服务设备返回对软件的监控结果及评价结果；

观察器，用于从数据服务设备端周期采集所需的服务数据，对数据采集端的信息进行筛分分类重组，以准备形成不同分析器需要的数据；

分析器，根据控制器提供的服务标准和数据筛分模块分组后的数据，将数据进行匹配，形成可以采用贝叶斯统计的预处理样本，并传入历史数据库保存；根据贝叶斯方法作出相应的判断，结果存入监控结果数据库。

7.如权利要求6所述的基于贝叶斯推断的软件服务质量监控系统，其特征在于，所述控制器包括：

服务信息采集模块，用于采集运行时软件的服务声明标准，作为监控对象服务标准，向数据采集端发布指令，指示观察器采集所需的对应数据集；

分析器生成模块，根据服务标准产生不同任务目的分析器，传递需匹配的服务标准给对应的分析器；

计时器，控制观察器周期性采集监控对象数据；

服务能力评价模块，综合评价服务能力，向数据服务设备返回对软件的监控结果以及评价结果；

样本数据库，存储历史监控样本数据；

监控结果数据库，存储监控结果数据，汇总不同的分析器发来的结果，传递给服务能力评价模块。

8.如权利要求6所述的基于贝叶斯推断的软件服务质量监控系统，其特征在于，所述观察器包括：

数据采集端，用于从数据服务设备端周期采集所需的服务数据；

数据筛分模块，对数据采集端的信息进行筛分分类重组，以准备形成不同分析器需要的数据。

9.如权利要求6所述的基于贝叶斯推断的软件服务质量监控系统，其特征在于，所述分析器包括：

匹配整形模块，根据控制器提供的服务标准和数据筛分模块分组后的数据，将数据进行匹配，形成可以采用贝叶斯统计的预处理样本，并传入样本数据库保存；

贝叶斯统计模块，根据贝叶斯方法作出相应的判断，存入监控结果数据库。

Images