CN103455858A - 面向服务的系统中的质量动态预警方法 - Google Patents

Abstract

本发明涉及面向服务的系统中的质量动态预警方法，属于计算机应用技术领域。所述方法通过感知用户的条件偏好，并利用brown运动首达值原理，对系统中服务质量属性的动态变化进行预警，该方法自动的导入用户在构建系统时提出的条件偏好，并采集服务质量的多维度的历史属性值，分析服务质量波动的特征，从而估计出特征属性值，自动的分析在服务被调用期间，系统可能出现的风险，实现智能化预警。

Description

面向服务的系统中的质量动态预警方法

技术领域

本发明涉及计算机应用领域，具体涉及解决复杂系统中用户条件偏好敏感的服务质量动态预警的方法。

背景技术

目前尚未发现利用计算机通过结合用户条件偏好来解决大规模复杂的系统中的服务质量动态预警的问题。虽然已有一些方法可以解决系统质量属性值的预测，或者系统功能运行风险预警的问题，诸如：时序分析法和回归分析法、协同过滤法、基于条件概率的贝叶斯方法和极大似然估计法等，这些方法与本发明有着一定的联系，即都是基于已有的数据轨迹对未来数据变化进行预测的问题。但是具体解决的是完全不同的问题，之前的方法大都是基于概率分布，或是多阶线性拟合等方法，而且都是面向单一的质量属性，并且不考虑用户的偏好。而本人的发明是面向用户条件偏好，基于随机过程和鞅论的系统质量属性波动的预警问题。

在各种典型的软件质量预测方法中质量的建模和问题表达方式有所不同，但其本质可以归结为以下过程：一、对服务质量的历史数据进行采集和清洗（即建立数据轨迹）；二、使用某种建模方法对历史数据进行建模，常见的包括基于统计模型和数据轨迹相似度匹配等；三、预测质量属性在未来Δt时刻的属性值。事实上，仅用这样的过程来分析是片面的。

从质量属性的数据本身看，要想了解系统质量属性随时间的发展，需要将系统质量的变化按时间的发展作为随机试验的基本结果进行研究，因为描写质量属性值或状态转移的统计概率规律的参数通常是不知道的，所以需要通过观察的结果统计的推定。不是所有的随机过程的轨道数据都可以用来表达整个随机过程的特征参数，即不是所以的模型都具有遍历性质。本发明提出的预警方法以Brown运动为驱动的随机过程，在宽松的条件下，可以满足遍历性质。

从面向服务的系统的应用来看，相同的服务被不同的请求者调用，由于用户的偏好不同，对服务的选择是不同的。而这种偏好，也将影响用户对系统运行时服务质量的评估。同时，服务质量的属性往往是多方面的，仅仅根据服务质量的某一个属性值的波动来进行对服务质量进行预测是不完全的。现有的方法，如基于协同过滤的方法，基于时序分析的预测方法等，均未能考虑用户偏好与多个质量属性对预测结果的影响。本发明提出的预警方法以WCP-nets的来描述用户加权的条件偏好，并以此平衡多个质量属性对预警效果的影响。

值得注意的是，本发明所涉及的面向系统的系统中的服务质量动态预警方法依赖于服务质量轨迹数据以及用户偏好，预警的目标是给出服务质量属性在一定时间范围内不满足用户偏好的概率。这与一般的估计单一属性值在未来某个时刻的值的方法有着显著的差异。但在实际应用中，在系统运行阶段，用户并不关心服务质量的值，而只关心在其调用服务的过程中，服务的质量是否在其指定的范围内。后者主要基于单一属性值的历史数据进行估计，需要计算在服务被调用所有的时刻，服务质量的预测值，才能得出结果。进一步的，现有的预测方法，得到的预测值，往往是一个范围。例如：基于时序的方法，可以得到在某个概率情况下，t+1时刻最有可能的值。基于协同过滤的方法，可以得到在某个概率情况下，t+n时刻最有可能的值。那么，即使知道t+1,t+2，。。。，t+n时刻的不同值，在是否需要对面向服务的系统进行预警这一问题而言，也只是给出模式化的判断结果，没有考虑不同用户对风险的承受能力。如果在n个未来值中，有超范围的，那么就给出一个异常预警；如果在n个未来值中，没有有超范围的，那么就给出一个正常预警。由于现有的方法均不能保障预测值的绝对正确，相应的预测结果的可靠性不能得到很好的保障。而本发明提出的考虑用户偏好的服务预警方法，可以直接计算得到在某段时间内，服务质量是否会超出某个范围的概率。本方法可以告诉用户，系统质量发生风险的概率是多少，用户可以根据自己的特点，来判断是否需要对系统质量进行修复。有的用户可以耐受高风险，有的用户就不一定能耐受。因此，本发明提出的质量预警方法能够很好的解决大规模复杂系统中，不同用户对系统质量预警的不同需求，这面向服务的系统的可靠性保障具有重要意义。

发明内容

本发明的目的是让复杂的基于计算机的软件系统对用户偏好进行感知，并根据面向服务的系统的系统（SoS）的质量属性值的历史数据，对SoS的质量风险进行主动的智能预警，可以达到与人类似的水平。而且本发明利用学习感知到的各种信息建立聚类模型可以达到更高的精度。

我们提出一种新的解决方法——感知用户的条件偏好，并利用brown运动首达值原理对系统中服务质量属性的动态变化进行预警的方法（Preference AwareQuality Proactive Warning for Service Oriented System of System,PAQPW_3S）。该方法可以自动的导入用户在构建系统时提出的条件偏好，并采集服务质量的多维度的历史属性值，分析服务质量波动的特征，从而估计出特征属性值，通过执行Brown运动的首达值预测算法，自动的分析在服务被调用期间，系统可能出现的风险。

在对该方法具体步骤进行描述之前，首先给出相关定义：（1）用户的条件偏好由加权条件偏好网络(weighted conditional preference nets,WCP-nets)定义，WCP-nets由两个部分构成：一是加权有向依赖图（WDDG），用于表示多个属性之间的偏好；另一个是条件偏好列表(CPTs)，用于表达用户对每个属性的偏好。WCP-nets的模型图如图1所示；（2）服务的质量轨迹数据，采用漂移布朗运动来建模，采用常用的直接增量法来构造漂移系数和扩散系数；（3）面向服务组件的单一质量的风险预警概率Pa_△t(QM_w)，是服务组件质量的某个属性在未来Δt时刻才首次达QM_w的概率；（4）系统风险值P.sos(Δt)，是根据用户条件偏好预测得到的SoS的质量风险概率。

本发明提供的基于用户偏好的系统质量风险预警方法包括如下主要步骤：（1）自动采集用户的条件偏好和服务的质量轨迹数据；（2）根据用户偏好中的条件偏好列表CPTs，分析单一服务质量属性的风险概率；（3）根据用户偏好中的加权有向图WDDG，计算各个服务模式SP的违反度评分VD（SP），以及每个模式对系统风险的影响力E(SP)。（4）计算系统风险值P.sos(Δt)，并根据分级预警机制给出系统预警。

本发明的初衷就是想要模拟根据服务质量的历史数据预测系统质量风险的基础上，兼顾用户偏好的影响。因为根据历史轨迹预测质量未来某时刻的值是迄今为止在服务质量预测领域使用最广泛的方法，并已经广泛验证了其方法的正确性、有效性。我们通过获取用户偏好的感知信息，得到用户偏好对服务质量波动预警的影响，建立模型并将其通过自动拟合出复杂系统情况下的质量风险预警，与传统的预警方法在目标上是相似的。根据随机过程和鞅论的理论，可以在理论上证明本方法的有效性和正确性。同时由本方法计算得到的系统风险概率，可以证明其正确率是收敛的，有界的。

附图说明

图1是本发明解决问题的示意图；

图2是WCP-nets模型图；

图3是本发明中采用的服务质量的试验用例；

图4是本发明中服务质量预警的试验结果；

图5a、5b是本发明的方法与其他方法的对比结果(a灵敏度，b特异度)；

图6是面向服务偏好的系统质量风险预警方法流程图。

具体实施方式

下面对本发明进行详细说明。

可以证明，对于布朗（Brown）运动Bt，有Bt是鞅。进一步的，如果放弃Brown运动初值为0的假定，即B0可以是独立于Bt,t>=0的随机变量，那么，这样得到的{Bt,t>=0}是时齐的马尔科夫（Markov）过程。

假定服务组件的某个质量属性值是时间以T为单位的标准Brown运动，其初始值为v0，求在此后的ΔT时间中，其属性值变化为v1的概率P，

设v1<v0,Δv=v0-v1>=0。进一步的，考虑服务组件的质量的波动是非标准brown运动，如果漂移系数和扩散系数分别为μ,σ²，在此后的Δt时间中，其trust值变化为v1的概率P， $P(Q_{\mathrm{\&Delta;v}}\&GreaterEqual;-\mathrm{\&Delta;t})=2[1-\mathrm{\&Phi;}\left(\frac{\mathrm{\&Delta;v}-\mathrm{\&mu;}}{\mathrm{\&sigma;}\sqrt{\mathrm{\&Delta;t}}}\right)].$

进一步的，在本发明中采用常用的直接增量法来构造漂移系数和扩散系数。

设QM(t_i),i=1,…,n为服务质量在（0，T]时间段内的观察值，将看做μ(QM(t_i))的样本，通过Y₁(t_i)对QM(t_i)做线性回归来估计μ(QM(t_i))。基于带噪声的观察值Y₂(t_i)＝n(QM(t_i+1)-QM(t_i))²来估计σ²(QM(t_i)),以

作为σ²的估计值。

在面向服务的系统的系统中，一些重要的服务质量属性值是会受环境的影响产生波动的。当用户选择服务时，只能服务质量属性的历史值进行判断。这就导致了系统运行期间，即服务被调用过程中存在着服务质量不满足用户需求的可能。除了历史数据采集的时间和长度造成的影响外，我们认为还有多方面因素会导致运行时的异常（如下图1所示）。图1表示了两个不同的系统在请求相同的服务时，服务质量对系统质量安全的影响。其中，T0和T1是服务质量属性值的历史轨迹所在的起始和终止时间点。系统1和系统2在相同的时刻T1提出了访问服务的请求。R1和R2代表了这两个系统提出的不同的用户偏好。Ts.R1和Ts.R2代表了两个系统获得服务绑定的时间。Te.R1和Te.R2代表了两个系统结束服务绑定的时间。首先，绑定时间差。在用户选中某个服务，发起请求，服务给予响应，用户绑定服务，服务被执行之间，存在着时间差。这就造成了在服务调用期间，不同用户得到的服务质量的起始值是不同的。也就是说，两个服务请求者，同时请求一个服务，当两个请求者使用服务时，由于绑定时间的差异，他们得到的服务质量的初始值是不同的。其次，用户约束差异。不同用户对服务的约束请求是不同的。虽然是访问同一个服务，由于用户的个性化差异，有的用户会满意该服务的质量，而有的用户认为该服务的质量会不满足其要求。第三，访问时间差异。显然，由于服务质量的波动性，对于访问时间长的用户而言，服务质量不满足其约束的概率是更大的。

本发明在此用户加权条件偏好基础上，根据用户给出的WCP-nets（如图2所示）及WCP-nets分析引擎，对服务质量的多重属性进行监控。该WCP-nets分析引擎由Hongbing Wang，Jie Zhang等于2012年在”Lecture Notes inComputer Science Volume 7636,2012,pp 298-312”发表的文章”WCP-nets:AWeighted Extension to CP-Nets for Web Service Selection”中提出。根据用户的偏好，可以为各个属性值出现异常计算概率。基于条件概率的方式，计算每个模式可能出现的异常概率。根据用户偏好，计算加权后的异常概率结果。

设根据用户偏好，每个WCP-nets涉及到n个服务属性，记为QM.i,i＝1…n。每个服务属性对应的可选值域有vR(i),i＝1…n个，记为R_i,j,j＝1…vR(i)。

可以得到基于用户偏好WCP-nets的二维风险向量QP(WCP-nets)

$\mathrm{QP}(\mathrm{WCP}-\mathrm{NET})=\left(\begin{array}{c}P(\mathrm{QM}.1)\\ .\\ .\\ .\\ P(\mathrm{QM}.n)\end{array}\right)=\left\{\begin{array}{ccc}{\mathrm{Pa}}_{\mathrm{\&Delta;t}}(\mathrm{QM}.1=R_{\mathrm{1,1}})& ...& {\mathrm{Pa}}_{\mathrm{\&Delta;t}}(\mathrm{QM}.1=R_{1,\mathrm{vR}\left(1\right)})\\ ...& ...& ...\\ {\mathrm{Pa}}_{\mathrm{\&Delta;t}}(\mathrm{QM}.n=R_{n,1})& ...& {\mathrm{Pa}}_{\mathrm{\&Delta;t}}(\mathrm{QM}.n=R_{n,\mathrm{vR}\left(n\right)})\end{array}\right\}$

这里，根据可选值域的不同，分三种情况（ε→0）：

（1）如果用户的质量偏好是区间型R_i,j，对用户偏好的区间[B,U]，设服务质量预警值QM_w＝U+ε，

${\mathrm{Pa}}_{\mathrm{\&Delta;t}}(\mathrm{QM}.i=R_{i,j})={\mathrm{Pa}}_{\mathrm{\&Delta;t}}(U+\mathrm{\&epsiv;})|\stackrel{\&OverBar;}{{\mathrm{Pa}}_{\mathrm{\&Delta;t}}(B-\mathrm{\&epsiv;})}+{\mathrm{Pa}}_{\mathrm{\&Delta;t}}(B-\mathrm{\&epsiv;})|\stackrel{\&OverBar;}{{\mathrm{Pa}}_{\mathrm{\&Delta;t}}(U+\mathrm{\&epsiv;})}.$

（2）如果用户的质量偏好是最小上界型，对用户偏好的区间[-∞,U]，设服务质量预警值QM_w＝U+ε，Pa_Δt(QM.i＝R_i,j)＝Pa_△t(U+ε)。

（3）如果用户的质量偏好是最大下界型，对用户偏好的区间[B,+∞]，设服务质量预警值QM_w＝B-ε，Pa_Δt(QM.i＝R_i,j)＝Pa_△t(B-ε)。

服务模式SP出现质量风险的概率QP(SP)为该服务模式中涉及的服务质量属性出现非取值范围值的首达时概率。

设一个SP中，出现的质量属性及其值域为

QM.1＝R_1,x(1),…,QM.n＝R_n,x(n),x(i)≤vR(i)。

$\mathrm{QP}\left(\mathrm{SP}\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{n>1}{\mathrm{\&Sigma;}}P\left({\mathrm{Pa}}_{\mathrm{\&Delta;t}}(\mathrm{QM}.i=R_{i,x\left(i\right)})\right|B_n)*P\left(B_n\right),$

P(B_n)＝Pa_△t(QM.j＝R_j,x(j)),j＝1..n,j＜＞i

根据WCP-nets的推理过程，设每个SP的违反度评分为VD（SP），这里，VD越小，表示用户越偏好于该模式，相应的在风险预测中，应更关注该模式的影响。考虑到VD最小值为0，定义模式对系统风险的影响力如下:

E(SP)＝e^-1*VD(SP)

E(SP)最大值为1，随VD的增大而减少。

系统风险值P.sos(t)

$P.\mathrm{sos}\left(t\right)=\frac{1}{\mathrm{num}}\underset{i=1}{\overset{\mathrm{num}}{\mathrm{\&Sigma;}}}(\mathrm{QP}\left({\mathrm{SP}}_i\right)*E\left({\mathrm{SP}}_i\right))=\frac{1}{\mathrm{num}}\underset{i=1}{\overset{\mathrm{num}}{\mathrm{\&Sigma;}}}(\underset{i=1}{\overset{n}{\mathrm{\&Pi;}}}{\mathrm{Pa}}_{\mathrm{\&Delta;t}}(\mathrm{QM}.i=R_{i,x\left(i\right)})*e^{-1*\mathrm{VD}\left({\mathrm{SP}}_i\right)})$

根据实验结果，在本文中设定三西格玛为系统需要预警的服务质量标准。

如果系统异常预测的概率大于0.27%，则提出轻度预警；

如果系统异常预测的概率大于4.55%，则提出中度预警；

如果系统异常预测的概率大于31.73%，则提出高度预警；

我们以面向服务的系统中的数据服务为例进行试验已验证算法的有效性，采集到的服务质量波动如图3所示，在时间段[0，3600]的前一半数据[0，1800]作为轨迹数据，后一半数据[1801，3600]作为待验证数据。设用户对该服务的偏好为[0,25]，其在拟在[1801,Δt]（Δt）时间内调用该服务。在调用时，该服务的访问量属性值=2。可见该服务在时刻Δt=972和Δt=1776时，出现了超过用户偏好的值。对于预警系统而言，需要根据服务质量的历史轨迹数据预警在一段时间内发生风险的概率。

以可以获得的全部数据为轨迹数据，将待估计区间划分为10个区间，Δt=[180,360,540,720,900,1080,1260,1440,1620,1800]。则当用户对该服务的偏好为[0,25]时，本算法估计的概率如下图4所示。对比上图中该属性的变化，可见虽然在服务调用时该属性值较低，但根据轨迹数据，本算法仍然给出了高风险预警，尤其在Δt=900时，本算法的预警概率达到88%，有效的预期了服务属性的变化。。

进一步的，我们分别试验了四种算法的预测效果：M1：本发明提出的方法，M2对数正态随机变量预测的方法；M3基于回归的方法；M4基于时序分析的方法。实验设计如下：在数据中，随机抽样100次，每次截取N+M个数据样本，每个样本中前N个作为数据轨迹，预测后M个长度的时间内，系统是否预警。设用户对该服务的偏好为[0,20]。在本实验中，设定考虑三种长度的时间轨迹N=[20,50,100]，考虑未来M为[N/2,N,2N,5N,10N]的预测效果。考察不同方法的特异度和灵敏度。对比结果如图5所示。从图中5可以看出，本发明提出的方法，在兼顾面向用户偏好的时候，其灵敏度与特异度均优于其他方法。

本发明提出的面向服务偏好的系统质量风险预警方法的整个算法流程，如图6所示。

Claims (2)

1.一种面向服务的系统中的质量动态预警方法，其特征在于，用户的条件偏好由WCP-nets定义，WCP-nets由两个部分构成：一是加权有向依赖图WDDG，用于表示多个属性之间的偏好；另一个是条件偏好列表CPTs，用于表达用户对每个属性的偏好；服务的质量轨迹数据，采用漂移布朗运动来建模，采用常用的直接增量法来构造漂移系数和扩散系数；单一服务质量属性的风险采用首达值理论计算单一属性风险概率；系统风险值P.sos(Δt)，是根据用户条件偏好结合服务质量风险矩阵，预测得到的系统的系统SoS（System of System）的质量风险概率，所述方法包括以下步骤： 

（1）自动采集用户的条件偏好和服务的质量轨迹数据，并分析数据特征；使用Y1和Y2两个统计量来估计轨迹数据特征， 

（2）根据用户偏好中的CPTs，使用首达值理论，分析单一服务质量属性的风险概率； 

（3）根据用户偏好中的WDDG，计算各个服务模式SP的违反度评分VD（SP），以及每个模式对系统风险的影响力E(SP)；E(SP)=e^-1*VD(SP)

（4）根据质量风险矩阵，计算系统风险值P.sos(Δt)，并根据分级预警机制给出系统预警。 

。

2.如权利要求1中所述的面向服务的系统中的质量动态预警方法，其特征是：面向服务组件的单一质量的风险预警概率Pa_△t(QM_w)，是服务组件质量的某个属性在未来Δt时刻才首次达QM_w的概率。 

Images