CN102930346A - 一种soa服务平均故障间隔时间预测方法 - Google Patents

Abstract

本发明公开了一种SOA服务平均故障间隔时间预测方法，属于软件服务质量预测的领域，本发明通过深入研究SOA服务运行时量化特征，在分析其趋势变化的基础上，提出一种基于增量转移概率分析的SOA服务平均故障间隔时间预测方法，本发明避免了传统的SOA性能预测模型和方法中过于依赖SLA规范和假设性能参数恒定不变的不足，能为SOA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。

Description

一种SOA服务平均故障间隔时间预测方法

技术领域

本发明属于软件服务质量预测的领域，尤其是涉及一种SOA服务故障间隔时间预测方法。

背景技术

SOA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 Oriented Architecture，面向服务计算构架）中最核心的技术之一。SOA服务运行在动态变化的网络环境中，其表现也在频繁变化，这种动态性使得SOA服务的运行时服务质量相对于传统形态的软件更难以预测、掌控和干预。SOA服务的服务质量中最重要的一个指标即为MTTF（Mean Time To Failure，平均故障间隔时间），它表示SOA服务在运行中从上一次故障恢复到下一次故障出现的间隔时间的数学期望，反应了SOA服务连续提供正常服务的持续能力。

虽然学术界和工业界提出了一系列用于分析和预测SOA服务的模型和方法，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SOA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，计算和预测SOA服务的服务质量指标。这种静态分析的方法存在很大的缺陷：由于SOA服务运行时所依赖的网络和系统环境瞬息万变，各种影响SOA服务运行时质量的参数量如带宽、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预测方法高估或低估了SOA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SOA服务的动态性，本发明在深入研究SOA服务运行时量化特征，分析其趋势变化的基础上，提出一种基于增量转移概率分析的SOA服务平均故障间隔时间预测方法。

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准确度更高的SOA服务平均故障间隔时间预测方法。

为实现上述目的，本发明提供了一种SOA服务平均故障间隔时间预测方法，按以下步骤执行：

步骤一：采用SOAP UI工具对目标SOA服务的url地址进行轮询式的连接测试，记录连续n次SOA服务故障发生的时刻；获取SOA服务的故障间隔时间数据序列；

设定SOA服务故障发生的初始时刻为t(n)，所述故障间隔时间数据序列为tf(i)，tf(i)＝t(i+1)-t(i)，各故障间隔时间，n为正整数，i为整数且1≤i≤n-1；

步骤二：替换所述故障间隔时间数据序列中的奇异点；

设定单位时间内所述故障间隔时间数据序列的最大正变化率为R_p，单位时间内所述故障间隔时间数据序列的最大负变化率为R_n；计算R_p和R_n；

$R_p=\max \left\{\frac{\mathrm{tf}(i+1)-\mathrm{tf}\left(i\right)}{t(i+1)-t\left(i\right)}\right|\mathrm{tf}\left(j\right)-\mathrm{tf}\left(i\right)>0\};$

$R_p=\max \left\{\frac{\mathrm{tf}(i+1)-\mathrm{tf}\left(i\right)}{t(i+1)-t\left(i\right)}\right|\mathrm{tf}\left(j\right)-\mathrm{tf}\left(i\right)>0\};$

当 $\frac{\mathrm{tf}\left(i\right)-\mathrm{tf}(i-1)}{t\left(i\right)-t(i-1)}>a\×R_p$ 且 $\frac{\mathrm{tf}(i+1)-\mathrm{tf}\left(i\right)}{t(i+1)-t\left(i\right)}>a\×R_n$ 时，tf(i)为奇异点；

当 $\frac{\mathrm{tf}\left(i\right)-\mathrm{tf}(i-1)}{t\left(i\right)-t(i-1)}<a\&times;R_n$ 且 $\frac{\mathrm{tf}(i+1)-\mathrm{tf}\left(i\right)}{t(i+1)-t\left(i\right)}>a\&times;R_p$ 时，tf(i)为奇异点，0.5＜a＜1；

设定所述故障间隔时间数据序列中的奇异点集合为f(x)，1≤x≤n-1；当tf(i)为奇异点时， $\mathrm{tf}\left(i\right)=\mathrm{mean}\{\frac{(f(x+1)-f(x-1))\&times;(t\left(x\right)-t(x-1))}{t(x+1)-t(x-1)}+f(x-1)|1\&le;x\&le;n-1\};$

步骤三：计算相邻故障间隔时间增量序列的对数；

设定相邻故障间隔时间增量序列为cr(i)；cr(i)＝tf(i+1)-tf(i)；计算相邻故障间隔时间增量序列的对数lcr(i)：

$\mathrm{lcr}\left(i\right)=\left\{\begin{array}{cc}\log \left(\mathrm{cr}\left(i\right)\right)& \mathrm{cr}\left(i\right)>0\\ -\log (-\mathrm{cr}\left(i\right))& \mathrm{cr}\left(i\right)<0\\ 0& \mathrm{cr}\left(i\right)=0\end{array}\right.;$

步骤四：计算对数增长序列各分类之间的转移概率矩阵；

设定lcr(i)序列中最小值为MIN，MIN＝min{lcr(i)|1≤i≤n-1}；设定lcr(i)序列中最大值为MAX，MAX＝max{lcr(i)|1≤i≤n-1}；将MIN到MAX的区间分为p个类，p为正整数；设定第x个序列数据到第l个分类的映射函数为map(x)，1≤l≤p；当且仅当 $\mathrm{MIN}+\frac{\mathrm{MAX}-\mathrm{MIN}}{p}\&times;(l-1)\&le;\mathrm{lcr}\left(x\right)\&le;\mathrm{MIN}+\frac{\mathrm{MAX}-\mathrm{MIN}}{p}\&times;l$ 时，map(x)＝l；

设定MIN到MAX的区间中第x₁个类和第x₂个类之间的转移概率矩阵为TR(x₁，x₂)，x₁和x₂均为正整数；

$\mathrm{TR}(x_1,x_2)=\left\{\begin{array}{cc}\frac{\underset{l=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{IJCOUNT}(x_1,x_2,l)}{\underset{l=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{ICOUNT}(x_1,l)}& \mathrm{if}{x}_1\&NotEqual;x_2\\ 1-\underset{1\&le;i\&le;p,x_1\&NotEqual;i}{\mathrm{\&Sigma;}}\mathrm{TR}(x_1,i)& \mathrm{else}\end{array}\right.;$

$\mathrm{ICOUNT}(x_1,l)=\left\{\begin{array}{ccc}1& \mathrm{if}& \mathrm{map}\left(l\right)=x_1\\ 0& \mathrm{else}& \end{array}\right.;$

$\mathrm{IJCOUNT}(x_1,x_2,l)=\left\{\begin{array}{ccccc}1& \mathrm{if}& \mathrm{map}(1+1)=x_2& \mathrm{and}& \mathrm{map}\left(l\right)=x_1\\ 0& & \mathrm{else}& & \end{array}\right.;$

步骤五：计算相邻故障间隔时间指数增量的平均转移差值；

计算MIN到MAX的区间各个类的平均转移增量inc(l)，其中1≤l≤p；

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

设定相邻故障间隔时间指数增量的平均转移差值为EINC；

$\mathrm{EINC}=\left\{\begin{array}{cc}{e}^{\mathrm{inc}\left(\mathrm{map}(n-1)\right)}& \mathrm{inc}\left(\mathrm{map}(n-1)\right)>0\\ 0& \mathrm{inc}\left(\mathrm{map}(n-1)\right)=0\\ {-e}^{-\mathrm{inc}\left(\mathrm{map}(n-1)\right)}& \mathrm{inc}\left(\mathrm{map}(n-1)\right)<0;\end{array}\right.;$

步骤六、设定平均故障时间间隔的预测值为PMTTF，计算并求出PMTTF；

$\mathrm{PMTTF}=\underset{i=1}{\overset{w}{\mathrm{\&Sigma;}}}\frac{\mathrm{tf}(n+1-i)}{w}+\mathrm{EINC};$ w为正整数。

本发明的有益效果是：本发明是在深入研究性能测试值时间序列数据，分析其趋势变化的基础上实现，避免了传统的SOA性能预测模型和方法中过于依赖SLA规范和假设性能参数恒定不变的不足，能为SOA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是本发明的流程示意图。

图2是平均故障间隔时间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：

如图1所示，一种SOA服务平均故障间隔时间预测方法，其特征在于按以下步骤执行：

步骤一：采用SOAP UI工具对目标SOA服务的url地址进行轮询式的连接测试，记录连续n次SOA服务故障发生的时刻；获取SOA服务的故障间隔时间数据序列。

设定SOA服务故障发生的初始时刻为t(n)，所述故障间隔时间数据序列为tf(i)，tf(i)＝t(i+1)-t(i)，各故障间隔时间，n为正整数，i为整数且1≤i≤n-1。

步骤二：替换所述故障间隔时间数据序列中的奇异点；

由于SOA服务的运行时效率收到诸多系统因素如消息延迟、连接带宽、运算资源冲突和非系统因素如偶发失效、消息丢失等的影响，步骤一获得的故障间隔时间数据序列存在波动性，而且序列中存在部分记录值明显脱离整体变化规律的情况，也就是所谓的奇异点，由于故障间隔时间记录值长短不一，每个记录的初始时刻t(n)并非等间隔分布在时间轴上，而时间序列分析要求序列中记录值的取得时间点等间隔分布在时间轴上，因此需要按以下步骤来确定和替换所述故障间隔时间数据序列中的奇异点。

S1、设定单位时间内所述故障间隔时间数据序列的最大正变化率为R_p，单位时间内所述故障间隔时间数据序列的最大负变化率为R_n；计算R_p和R_n；

$R_p=\max \left\{\frac{\mathrm{tf}(i+1)-\mathrm{tf}\left(i\right)}{t(i+1)-t\left(i\right)}\right|\mathrm{tf}\left(j\right)-\mathrm{tf}\left(i\right)>0\};$

$R_p=\max \left\{\frac{\mathrm{tf}(i+1)-\mathrm{tf}\left(i\right)}{t(i+1)-t\left(i\right)}\right|\mathrm{tf}\left(j\right)-\mathrm{tf}\left(i\right)>0\};$

S2、当第i个故障时刻相对于第i-1个故障时刻的单位时间增长率大于比例a×R_p且第i个记录点相对于第i+1个故障时刻的单位时间增长率小于a×R_n时，tf(i)为奇异点；当第i个故障时刻相对于第i-1个故障时刻的单位时间增长率小于a×R_n且第i个故障时刻相对于第i+1个故障时刻的单位时间增长率大于a×R_p时，tf(i)为奇异点，其中a为一个给定的比例，满足0.5＜a＜1，即：

当 $\frac{\mathrm{tf}\left(i\right)-\mathrm{tf}(i-1)}{t\left(i\right)-t(i-1)}>a\&times;R_p$ 且 $\frac{\mathrm{tf}(i+1)-\mathrm{tf}\left(i\right)}{t(i+1)-t\left(i\right)}>a\&times;R_n$ 时，tf(i)为奇异点；

当 $\frac{\mathrm{tf}\left(i\right)-\mathrm{tf}(i-1)}{t\left(i\right)-t(i-1)}<a\&times;R_n$ 且 $\frac{\mathrm{tf}(i+1)-\mathrm{tf}\left(i\right)}{t(i+1)-t\left(i\right)}>a\&times;R_P$ 时，tf(i)为奇异点；将所述故障间隔时间数据序列中的奇异点依次集合为{f(x)|1≤x≤n-1}；

S3、当tf(i)为奇异点时，将tf(i)替换为以下新值：

$\mathrm{tf}\left(i\right)=\mathrm{mean}\{\frac{(f(x+1)-f(x-1))\&times;(t\left(x\right)-t(x-1))}{t(x+1)-t(x-1)}+f(x-1)|1\&le;x\&le;n-1\}.$

步骤三：计算相邻故障间隔时间增量序列的对数；

设定相邻故障间隔时间增量序列为cr(i)；cr(i)＝tf(i+1)-tf(i)；计算相邻故障间隔时间增量序列的对数lcr(i)：

$\mathrm{lcr}\left(i\right)=\left\{\begin{array}{cc}\log \left(\mathrm{cr}\left(i\right)\right)& \mathrm{cr}\left(i\right)>0\\ -\log (-\mathrm{cr}\left(i\right))& \mathrm{cr}\left(i\right)<0\\ 0& \mathrm{cr}\left(i\right)=0\end{array}\right..$

步骤四：计算对数增长序列各分类之间的转移概率矩阵；

设定lcr(i)序列中最小值为MIN，MIN＝min{lcr(i)|1≤i≤n-1}；设定lcr(i)序列中最大值为MAX，MAX＝max{lcr(i)|1≤i≤n-1}；将MIN到MAX的区间分为p个类，p为正整数；设定第x个序列数据到第l个分类的映射函数为map(x)，1≤l≤p；当且仅当 $\mathrm{MIN}+\frac{\mathrm{MAX}-\mathrm{MIN}}{p}\&times;(l-1)\&le;\mathrm{lcr}\left(x\right)\&le;\mathrm{MIN}+\frac{\mathrm{MAX}-\mathrm{MIN}}{p}\&times;l$ 时，map(x)＝l。

设定MIN到MAX的区间中第x₁个类和第x₂个类之间的转移概率矩阵为TR(x₁，x₂)，x₁和x₂均为正整数；

$\mathrm{TR}(x_1,x_2)=\left\{\begin{array}{cc}\frac{\underset{l=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{IJCOUNT}(x_1,x_2,l)}{\underset{l=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{ICOUNT}(x_1,l)}& \mathrm{if}{x}_1\&NotEqual;x_2\\ 1-\underset{1\&le;i\&le;p,x_1\&NotEqual;i}{\mathrm{\&Sigma;}}\mathrm{TR}(x_1,i)& \mathrm{else}\end{array}\right.;$

$\mathrm{ICOUNT}(x_l,l)=\left\{\begin{array}{ccc}1& \mathrm{if}& \mathrm{map}\left(l\right)=x_1\\ 0& \mathrm{else}& \end{array};\right.$

$\mathrm{IJCOUNT}(x_1,x_2,l)=\left\{\begin{array}{ccccc}1& \mathrm{if}& \mathrm{map}(1+1)=x_2& \mathrm{and}& \mathrm{map}\left(l\right)=x_1\\ 0& & \mathrm{else}& & \end{array}\right..$

步骤五：计算相邻故障间隔时间指数增量的平均转移差值；

计算MIN到MAX的区间各个类的平均转移增量inc(l)，其中1≤l≤p；

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

设定相邻故障间隔时间指数增量的平均转移差值为EINC；

$\mathrm{EINC}=\left\{\begin{array}{cc}{e}^{\mathrm{inc}\left(\mathrm{map}(n-1)\right)}& \mathrm{inc}\left(\mathrm{map}(n-1)\right)>0\\ 0& \mathrm{inc}\left(\mathrm{map}(n-1)\right)=0\\ {-e}^{-\mathrm{inc}\left(\mathrm{map}(n-1)\right)}& \mathrm{inc}\left(\mathrm{map}(n-1)\right)<0\end{array}\right.;.$

步骤六、设定平均故障时间间隔的预测值为PMTTF， $\mathrm{PMTTF}=\underset{i=1}{\overset{w}{\mathrm{\&Sigma;}}}\frac{\mathrm{tf}(n+1-i)}{w}+\mathrm{EINC},$ w为求平均故障间隔时间时所参考的连续故障间隔时间记录值的数量，w为正整数，计算并求出PMTTF，由此得到平均故障时间间隔的预测值。

如图2所示，为了对方法的正确性和精确性进行验证，在配置为2.8G的INTELi5-760处理器、内存为4G的PC机上运行采用SOAP UI测试平台对一个提供天气信息的SOA服务的实例进行了测试，所述SOA服务实例的URL地址为http://www.SOAservicex.net/globalweather.asmx?WSDL，测试的开始时间为2012年6月15日下午3点30分0秒。每次取得当次的故障间隔时间的办法为：记录本次调用SOA服务第一次成功的时刻，此后以轮询的方式对其进行反复调用，再记录第一次调用失败的时刻，计算两个时刻间的差值即为本次故障间隔时间。连续获取500个连接的故障间隔时间记录值，其中前220个数据用于模型建立，剩下280个值用于模型验证，并将每10个连续的记录值作为一组取其平均故障间隔时间。

模型中的参数设置为：分类数量p＝8，w=10，a=0.75，图2中展示了按照本发明给出的方法得出的预测值、采用ARMA时间序列模型得到的预测值、采用消除利群点ARMA时间序列模型得到的预测值和实际值的结果比较。其中，线条1为按照本发明给出的方法得出的预测值，线条2为采用ARMA时间序列模型得到的预测值，线条3为采用消除利群点ARMA时间序列模型得到的预测值，线条4为实际值，可见，线条1与线条4的吻合度更高，即按照本发明给出的方法得出的预测值更加贴近实际值，说明采用本发明提出的方法，在SOA服务可靠性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 (2)

1.一种SOA服务平均故障间隔时间预测方法，其特征在于按以下步骤执行：

步骤一：记录连续n次SOA服务故障发生的时刻；获取SOA服务的故障间隔时间数据序列；

设定SOA服务故障发生的初始时刻为t(n)，所述故障间隔时间数据序列为tf(i)，tf(i)＝t(i+1)-t(i)，各故障间隔时间，n为正整数，i为整数且1≤i≤n-1；

步骤二：替换所述故障间隔时间数据序列中的奇异点；

设定单位时间内所述故障间隔时间数据序列的最大正变化率为R_p，单位时间内所述故障间隔时间数据序列的最大负变化率为R_n；计算R_p和R_n；

$R_p=\max \left\{\frac{\mathrm{tf}(i+1)-\mathrm{tf}\left(i\right)}{t(i+1)-t\left(i\right)}\right|\mathrm{tf}\left(j\right)-\mathrm{tf}\left(i\right)>0\};$

$R_p=\max \left\{\frac{\mathrm{tf}(i+1)-\mathrm{tf}\left(i\right)}{t(i+1)-t\left(i\right)}\right|\mathrm{tf}\left(j\right)-\mathrm{tf}\left(i\right)>0\};$

当 $\frac{\mathrm{tf}\left(i\right)-\mathrm{tf}(i-1)}{t\left(i\right)-t(i-1)}>a\&times;R_p$ 且 $\frac{\mathrm{tf}(i+1)-\mathrm{tf}\left(i\right)}{t(i+1)-t\left(i\right)}>a\&times;R_n$ 时，tf(i)为奇异点；

当 $\frac{\mathrm{tf}\left(i\right)-\mathrm{tf}(i-1)}{t\left(i\right)-t(i-1)}<a\&times;R_n$ 且 $\frac{\mathrm{tf}(i+1)-\mathrm{tf}\left(i\right)}{t(i+1)-t\left(i\right)}>a\&times;R_p$ 时，tf(i)为奇异点，0.5＜a＜1；

设定所述故障间隔时间数据序列中的奇异点集合为f(x)，1≤x≤n-1；

当tf(i)为奇异点时，

$\mathrm{tf}\left(i\right)=\mathrm{mean}\{\frac{(f(x+1)-f(x-1))\&times;(t\left(x\right)-t(x-1))}{t(x+1)-t(x-1)}+f(x-1)|1\&le;x\&le;n-1\};$

步骤三：计算相邻故障间隔时间增量序列的对数；

设定相邻故障间隔时间增量序列为cr(i)；cr(i)＝tf(i+1)-tf(i)；计算相邻故障间隔时间增量序列的对数lcr(i)：

$\mathrm{lcr}\left(i\right)=\left\{\begin{array}{cc}\log \left(\mathrm{cr}\left(i\right)\right)& \mathrm{cr}\left(i\right)>0\\ -\log (-\mathrm{cr}\left(i\right))& \mathrm{cr}\left(i\right)<0\\ 0& \mathrm{cr}\left(i\right)=0\end{array}\right.;$

步骤四：计算对数增长序列各分类之间的转移概率矩阵；

设定lcr(i)序列中最小值为MIN，MIN＝min{lcr(i)|1≤i≤n-1}；设定lcr(i)序列中最大值为MAX，MAX＝max{lcr(i)|1≤i≤n-1}；将MIN到MAX的区间分为p个类，p为正整数；设定第x个序列数据到第l个分类的映射函数为map(x)，1≤l≤p；当且仅当 $\mathrm{MIN}+\frac{\mathrm{MAX}-\mathrm{MIN}}{p}\&times;(l-1)\&le;\mathrm{lcr}\left(x\right)\&le;\mathrm{MIN}+\frac{\mathrm{MAX}-\mathrm{MIN}}{p}\&times;l$ 时，map(x)＝l；

设定MIN到MAX的区间中第x₁个类和第x₂个类之间的转移概率矩阵为TR(x₁，x₂)，x₁和x₂均为正整数；

$\mathrm{TR}(x_1,x_2)=\left\{\begin{array}{cc}\frac{\underset{l=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{IJCOUNT}(x_1,x_2,l)}{\underset{l=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{ICOUNT}(x_1,l)}& \mathrm{if}{x}_1\&NotEqual;x_2\\ 1-\underset{1\&le;i\&le;p,x_1\&NotEqual;i}{\mathrm{\&Sigma;}}\mathrm{TR}(x_1,i)& \mathrm{else}\end{array}\right.;$

$\mathrm{ICOUNT}(x_1,l)=\left\{\begin{array}{ccc}1& \mathrm{if}& \mathrm{map}\left(l\right)=x_1\\ 0& \mathrm{else}& \end{array}\right.;$

$\mathrm{IJCOUNT}(x_1,x_2,l)=\left\{\begin{array}{ccccc}1& \mathrm{if}& \mathrm{map}(1+1)=x_2& \mathrm{and}& \mathrm{map}\left(l\right)=x_1\\ 0& & \mathrm{else}& & \end{array}\right.;$

步骤五：计算相邻故障间隔时间指数增量的平均转移差值；

计算MIN到MAX的区间各个类的平均转移增量inc(l)，其中1≤l≤p； $\mathrm{inc}\left(l\right)=\underset{0\&le;i\&le;p,i\&NotEqual;l}{\mathrm{\&Sigma;}}\mathrm{TR}(l,i)\&times;(i-l)\&times;\frac{\mathrm{MAX}-\mathrm{MIN}}{p};$ 设定相邻故障间隔时间指数增量的平均转移差值为EINC；

$\mathrm{EINC}=\left\{\begin{array}{cc}{e}^{\mathrm{inc}\left(\mathrm{map}(n-1)\right)}& \mathrm{inc}\left(\mathrm{map}(n-1)\right)>0\\ 0& \mathrm{inc}\left(\mathrm{map}(n-1)\right)=0\\ {-e}^{-\mathrm{inc}\left(\mathrm{map}(n-1)\right)}& \mathrm{inc}\left(\mathrm{map}(n-1)\right)<0\end{array}\right.;$

步骤六、设定平均故障时间间隔的预测值为PMTTF，计算并求出PMTTF； $\mathrm{PMTTF}=\underset{i=1}{\overset{w}{\mathrm{\&Sigma;}}}\frac{\mathrm{tf}(n+1-i)}{w}+\mathrm{EINC};$ w为正整数。

2.如权利要求1所述的一种SOA服务平均故障间隔时间预测方法，其特征是：所述获取SOA服务的故障间隔时间数据序列由SOAP UI测试平台对SOA服务的url地址测试得到。

Images