CN104503920A - 基于动态描述逻辑和案例推理的软件系统故障检测方法 - Google Patents

Abstract

本发明公开一种基于动态描述逻辑和案例推理的软件系统故障检测方法，其以状态为基础，采用动态描述逻辑的动作理论对问题进行描述，把程序功能模块的执行看作是使状态改变的动作，把状态的转换看作是由动作引起的改变，加入了状态转换之间的语义信息，降低了建模的复杂度。再将动态描述逻辑的描述能力和可推理能力结合案例推理技术，对故障案例进行管理，为系统将要出现的新的故障提供解决方法上的经验支持。加入动作序列匹配的案例检索提高对系统故障的案例检索的查准率。当系统运行的过程中遇到故障之后，利用本发明的方法能够通过软件运行的状态转换序列找出相似故障案例及提供相应修复措施。

Description

基于动态描述逻辑和案例推理的软件系统故障检测方法

技术领域

本发明涉及软件系统技术领域，具体涉及一种基于动态描述逻辑和案例推理的软件系统故障检测方法。

背景技术

随着软件技术的提升和软件应用领域的不断拓宽，更多的复杂技术系统需要借助软件来对其进行控制。在当今软件的应用中，更需要注重软件系统的正确性、可靠性、性能、隐私性、可用性、保密性和安全性等其它的可信性质。软件领域所提出的可信软件系统是指具有容错功能的稳定的软件系统。即在系统出现错误的情况下，系统依然能够提供正确的服务。若在系统的开发阶段就实现容错功能，则可以提高了系统的可靠性。可信软件系统在实现的过程中，主要分为两个阶段：故障检索阶段和故障恢复阶段。但随着复杂技术系统性能和可靠性要求的进一步增加，并加之系统固有的复杂性，使得故障的检测难度不断增大。尤其是软件运行时的动态特性，使得软件故障更加难以检测。对于软件系统的可靠性研究，不能局限于静态的系统，更需关注系统的动态变化。

通过实践表明，网络结构化的软件动态系统的故障检测问题可以抽象成为一个离散事件系统(Discrete-Event System,简称DES)的状态转化和推理问题。而现有的一些基于离散时间系统框架检测方式的主要方法是：将被检测的系统抽象建模成为一个有限状态机，基于各个状态之间的转换关系，通过对状态的评估可以指出是否有一个故障发生。虽然在一些研究中通过对时间等信息的引入使得检测效率有所提高，但由于有的软件实体的行为并没有完全地遵循软件的设计理念，执行了设计者所禁止的行为，违反了系统的语义，即现有的故障检测方法对于软件系统中的语义信息仍然考虑得不足，因而均不能很好得解决可信软件系统现在所面临的问题。

发明内容

本发明所要解决的是现有软件系统的故障检测方法对于动态软件系统中的语义信息考虑不足的问题，提供一种基于动态描述逻辑和案例推理的软件系统故障检测方法。

为解决上述问题，本发明是通过以下技术方案实现的：

基于动态描述逻辑和案例推理的软件系统故障检测方法，包括如下步骤：

步骤1，采用动态维度的动态描述逻辑对程序运行过程中遇到的问题进行描述，即把程序的执行看作是状态转换的动作，把状态转换看作是由动作引起的，并将状态转换加入语义信息；

步骤2，将当前程序运行过程中遇到的问题作为新案例，将新案例的状态和动作序列作为本次案例检索的输入；

步骤3，将新案例的状态与案例库中的案例进行相似计算，并从案例库中挑选出与新案例的相似度达到状态相似匹配阈值的案例，将之存入初步结果集合中；

步骤4，依次从初步结果集合中提取一个案例；首先将引起到达该提取案例的最后一个动作与引起到达新案例的最后一个动作进行相似度计算，初始的相似动作计数变量为零；若2个动作的相似度达到动作相似匹配的阈值，则相似动作计数变量加1，表示提取案例与新案例在动作上的相似程度增加，并将比较对象指向更为往前的一个动作，直至提取案例的动作与新案例的动作未达到动作相似匹配的阈值或动作序列完全匹配为止；然后读取相似动作计数变量的值，作为该提取案例与新案例的动作相似度；

步骤5，对初步结果集合中的所有案例与新案例的动作相似度进行排序，并将拥有最大动作相似度值的案例作为与新案例的最相似案例，此时将最相似案例的问题描述和问题解决方案作为结果输出。

上述步骤3中，若案例库中的所有案例与新案例的相似度均未达到状态相似匹配阈值，则启动人工专家干预，并将此案例的问题的描述和问题解决方案存入案例库中，更新案例库使得下次遇到相似问题会提供此方案。

上述步骤4中，当将引起达到提取案例的最后一个动作与引起达到新案例的最后一个动作进行相似计算后，若2个动作的相似度未达到动作相似匹配的阈值，则不对相似动作计数变量进行计数累计，直接跳转至步骤5。

与现有技术相比，本发明所提出的一种基于动态描述逻辑和案例推理技术的软件系统故障检测方法，其以状态为基础，采用动态描述逻辑的动作理论对问题进行描述，把程序功能模块的执行看作是使状态改变的动作，把状态的转换看作是由动作引起的改变，加入了状态转换之间的语义信息，降低了建模的复杂度。再将动态描述逻辑的描述能力和可推理能力结合案例推理(Case-Based Reasoning，简称CBR)技术，对故障案例进行管理，为系统将要出现的新的故障提供解决方法上的经验支持。加入动作序列匹配的案例检索提高对系统故障的案例检索的查准率。当系统运行的过程中遇到故障之后，利用本发明的方法能够通过软件运行的状态转换序列找出相似故障案例及提供相应修复措施。使用本发明，在软件系统的功能变化较大时，仍能保持算法的灵活性，不会因为一个状态的转换或功能的变化而对整个模型的约束关系进行更改，或是去重新设置状态转换的自动机模型。可以减少案例描述中的冗余度，提高检索算法中的匹配效率。

附图说明

图1是本发明的动态描述逻辑知识库结构。

图2是本发明的整体方案示意图。

图3是本发明的一个故障检测的系统模型实例。

图4是本发明的加入动作序列比较的相似度算法流程图。

具体实施方式

一种基于动态描述逻辑和案例推理的软件系统故障检测方法，包括如下步骤：

步骤1，采用动态维度的动态描述逻辑对程序运行过程中遇到的问题进行描述，即把程序的执行看作是状态转换的动作，把状态转换看作是由动作引起的，并将状态转换加入语义信息；

步骤2，将当前程序运行过程中遇到的问题作为新案例，将新案例的状态和动作序列作为本次案例检索的输入；

步骤3，将新案例的状态与案例库中的案例进行相似计算，并从案例库中挑选出与新案例的相似度达到状态相似匹配阈值的案例，将之存入初步结果集合中；若案例库中的所有案例与新案例的相似度均未达到状态相似匹配阈值，则启动人工专家干预，并将此案例的问题的描述和问题解决方案存入案例库中，更新案例库使得下次遇到相似问题会提供此方案；

步骤4，依次从初步结果集合中提取一个案例；首先将引起到达该提取案例的最后一个动作与引起到达新案例的最后一个动作进行相似度计算，并将初始化相似动作计数变量为零；当将引起达到提取案例的最后一个动作与引起达到新案例的最后一个动作进行相似计算后，若2个动作的相似度未达到动作相似匹配的阈值，则不对相似动作计数变量进行计数累计，直接跳转至步骤5；若2个动作的相似度达到动作相似匹配的阈值，则相似动作计数变量加1，表示提取案例与新案例在动作上的相似程度增加，并将比较对象指向更为往前的一个动作，直至提取案例的动作与新案例的动作未达到动作相似匹配的阈值或动作序列匹配完成为止；然后读取相似动作计数变量的值，作为该提取案例与新案例的动作相似度；

步骤5，对初步结果集合中的所有案例与新案例的动作相似度进行排序，并将拥有最大动作相似度值的案例作为与新案例的最相似案例，此时将最相似案例的问题描述和问题解决方案作为结果输出。

下面对本发明进行进一步详细说明：

一、程序运行状态转换的动作表示及建模

作为一类用于知识表示的形式化工具，描述逻辑(Description Logic，简称DL)是一种基于对象的知识表示的形式化，也叫概念表示语言或术语逻辑。他是一阶逻辑的一个可判定的子集，具有合适定义的语义，并且具有很强的表达能力。一个描述逻辑系统包含四个基本组成部分：表示概念和关系的构造集、TBox包含断言、ABox实例断言、TBox和ABox上的推理机制。一个描述逻辑系统的表示能力和推理能力取决于对以上几个要素的选择以及不同的假设。在此基础上引入动态维度的动态描述逻辑(Dynamic DescriptionLogic，简称DDL)将描述逻辑、动态逻辑与动作理论有机地结合起来，在描述逻辑ALC基础上构建起来的动态描述逻辑具有清晰的语义特征，并且同样可以提供可判定的推理服务。

本发明使用DDL通过原子动作定义式对在程序运行阶段的各个原子动作进行进一步的刻画。每个原子动作定义形式如α≡(P,E)，其中：(1)a∈N_A，表示被定义的原子动作；(2)P是由简单公式组成的有限集合，表示执行该动作之前必须满足的条件；(3)E是由简单公式组成的有限集合，表示执行该动作之后将会产生的影响。以描述逻辑中RBox和TBox刻画的领域知识为背景，依次引入带参数的原子动作定义式和带参数的复杂动作定义式，形成关于原子动作的知识模块AActBox和关于复杂动作的知识模块CActBox，然后将RBox，TBox，AActBox，CActBox以及描述逻辑中的ABox一起构成基于DDL的知识库；该知识库在描述逻辑的基础上实现了对静态领域知识、关于动作的知识和应用领域具体状态的统一刻画。接下来，对与知识库相关的各种推理问题进行了全面的考察，给出了在执行动作之后引起的ABox更新。对于故障检测模型，需要在以上的基础上增加一个动作执行序列知识模块ActSerialBox，它由四部分组成{动作序列，当前状态，故障标志位，故障解决方案}，其中当故障标志位为0时，表示至当前状态未发生故障，故障解决方案为空；当故障标志位为1时，表示当前状态为故障状态，故障解决方案保存对当前故障的解决方案。参见图1。

本发明定义的知识库KB包含了4个方面的知识：由R和F表示的领域本体、由AAct和CAct表示的关于动作的知识、由刻画的关于应用领域具体状态的知识、动作序列构成的知识集合。各部分知识之间具有图2所示的层次关系。其中，在刻画领域本体时发挥了描述逻辑的刻画能力，既描述了静态领域知识，又为动作和状态的刻画提供了词汇；在刻画原子动作时通过描述逻辑公式分别对动作的前提条件和执行动作之后产生的影响进行了描述；而在刻画复杂动作时则发挥了动态逻辑的刻画能力，可以对顺序、测试、选择、迭代等控制结构进行刻画；在刻画应用领域具体状态时再一次发挥了描述逻辑的刻画能力。

在DDL中所使用的计算符号：

将在程序运行过程中能够引起状态改变的动作序列(或称为轨迹)进行存储，放入动作序列集ActSerialBox中，该序列集中记录的是动作序列和当前运行状态(包括正常状态和故障状态)。

软件系统故障检测模型包括以下概念：软件系统故障、案例知识库、基于动态描述逻辑的案例描述、动作表示、动作序列表示、动作序列相似度计算、相似案例推荐列表。其中软件系统故障是程序在运行过程中遇到的问题，此问题相对于案例库作为新案例。案例将使用描述逻辑进行刻画。动作的刻画采用动态描述逻辑，使得运行状态转化具有语义信息。

对于程序运行故障检测系统构建模型，模型包括：

1.个体变元V，表示系统状态，即由动作引起的状态的改变的状态集合。V能够取当前模型下的任意一状态。

2.初始状态ε₀(v)，是一个特殊状态，即一个程序运行的起始状态。

3.动作集Σ＝{α₀，α₁，α₂，α₃，…}，将程序中的功能模块之间的调度抽象为动作。

4.动作发生规则，根据程序的功能，在其调度时所能产生的状态的改变规则，如表示执行动作α₀后，会发生S₀到S₁的状态转换。

5.动作序列增加规则，当有新的动作出现，新动作使得系统的状态发生了改变，由于新动作的出现而产生的n个动作序列，将其存入原有动作序列集合。

6.动作序列约减规则，对于两个动作序列，若它们都有同样的序列前缀，则这个前缀在参与在案例匹配时对比度表现不明显，而且增大了计算的复杂度，所以对于有相同前缀的序列进行约减，以提高检索时的匹配效率。

具体针对图3所示的一种优选的故障检测系统模型G，其中个体变元V，表示系统状态(由动作引起的状态的改变的状态集合)v能够取值{S₀，S₁，S₂，S₃，S₄，…}。初始状态是ε₀(v)＝{S₀(v)}，动作集Σ＝{α₀，α₁，α₂，α₃，…}

(1)初始条件为：ε₀＝{S₀(v)}

(2)定义动作发生规则

${\mathrm{\α}}_0\left(v\right)\≡\left(\right\{S_0\left(v\right)\left\}\right\{\⫬S_0\left(v\right),S_1\left(v\right)\left\}\right),$

${\mathrm{\α}}_1\left(v\right)\≡\left(\right\{S_0\left(v\right)\left\}\right\{\⫬S_0\left(v\right),S_2\left(v\right)\left\}\right),$

${\mathrm{\α}}_2\left(v\right)\≡\left(\right\{S_2\left(v\right)\left\}\right\{\⫬S_2\left(v\right),S_3\left(v\right)\left\}\right),$

${\mathrm{\α}}_3\left(v\right)\≡\left(\right\{S_2\left(v\right)\left\}\right\{\⫬S_2\left(v\right),S_5\left(v\right)\left\}\right),$

${\mathrm{\α}}_4\left(v\right)\≡\left(\right\{S_2\left(v\right)\left\}\right\{\⫬S_2\left(v\right),S_4\left(v\right)\left\}\right),$

${\mathrm{\α}}_5\left(v\right)\≡\left(\right\{S_1\left(v\right)\left\}\right\{\⫬S_1\left(v\right),S_6\left(v\right)\left\}\right),$

${\mathrm{\α}}_6\left(v\right)\≡\left(\right\{S_4\left(v\right)\left\}\right\{\⫬S_4\left(v\right),S_3\left(v\right)\left\}\right),$

${\mathrm{\α}}_7\left(v\right)\≡\left(\right\{S_4\left(v\right)\left\}\right\{\⫬S_4\left(v\right),S_7\left(v\right)\left\}\right),$

${\mathrm{\α}}_8\left(v\right)\≡\left(\right\{S_6\left(v\right)\left\}\right\{\⫬S_6\left(v\right),S_8\left(v\right)\left\}\right),$

${\mathrm{\α}}_9\left(v\right)\≡\left(\right\{S_5\left(v\right)\left\}\right\{\⫬S_5\left(v\right),S_8\left(v\right)\left\}\right),$

${\mathrm{\α}}_{10}\left(v\right)\≡\left(\right\{S_7\left(v\right)\left\}\right\{\⫬S_7\left(v\right),S_8\left(v\right)\left\}\right),$

S以状态的形式表示网络结构软件系统中为实现某种功能的程序模块。动作α可看作是功能模块之间的相互调用。图中所示为整个软件系统中的一个部分，取其某一状态为该部分系统的初始状态S₀，其中为系统的初始状态，S₃和S₈为系统的故障状态。

此系统的动作序列有：

Se₁＝{α₀；S₁}；Se₂＝{α₀；α₅；S₆}；Se₃＝{α₀；α₅；α₈；S₈}；Se₄＝{α₁；S₂}；Se₅＝{α₁；α₂；S₃}；Se₆＝{α₁；α₃；S₅}；Se₇＝{α₁；α₃；α₉；S₈}；Se₈＝{α₁；α₄；S₄}；Se₉＝{α₁；α₄；α₆；S₃}；Se₁₀＝{α₁；α₄；α₇；S₇}；Se₁₁＝{α₁；α₄；α₇；α₁₀；S₈}

应用增加规则：当有新的动作出现，新动作使得系统的状态发生了改变，如图中所示：Se₁₂和Se₁₃是由于动作α₁₁的出现而产生的两个动作序列。模型中在新增动作α₁₁后，动作序列集合在原有基础上增加了：Se₁₂＝{α₁，α₃，α₁₁，S₇}Se₁₃＝{α₁，α₃，α₁₁，α₁₀，S₈}

应用约减规则：对于序列Se₇＝{α₁，α₃，α₉，S₈}和序列Se₁₁＝{α₁，α₄，α₇，α₁₀，S₈}都有同样的前缀α₁，这个前缀对于在案例匹配的相似度对比的作用不大，对于相同前缀的进行约减，以提高检索时的匹配效率。动作序列的长度可以根据实际情况来设定，采用FIFO的队列存储方式。

二、基于案例推理技术的动作序列匹配

基于案例的推理是人工智能发展较为成熟的一个分支，它是一种基于过去的实际经验或经历的推理。传统的推理观点把推理理解为通过规则链导出结论的一个过程。许多专家系统使用的就是这种规则链的推理方法。基于案例的推理则是另外一种不同的观点，它使用的主要知识不是规则，而是案例，这些案例的记录了过去发生的种种相关情节。对基于案例推理来说，求解一个问题的结论不是通过对链式的推理产生的，而是从记忆或案例库中找到与当前问题最相关的案例，然后对案例做必要的改动以适合当前需解决的问题。

本发明采用基于案例推理的技术并加入动作的案例匹配，其检索步骤如图4所示，具体如下：

步骤1，输入新案例NCase的状态和动作序列。

步骤2，将当前案例的状态与案例库中的案例进行匹配。

步骤3，若无达到相似匹配阈值的案例，则转向步骤11，否则进行步骤4。

步骤4，将匹配的结果(由一到多个案例组成)存入一个集合，命名为PreResult，此集合为初步筛选结果集合，设集合中的元素个数为Long(PreResult)＝n，集合中每一个案例都有一个标识，记为i，区别与其他案例，以下步骤将基于此集合。

步骤5，提取初步结果集合PreResult中的一个案例OCase_i(1≤i≤n)，将比较对象分别指向引起到达OCase_i和新案例NCase当前状态的动作，并初始化相似动作计数变量SiAct_i＝0。

步骤6，对这两个动作进行匹配，初始化相似动作计数变量SiAct_i＝0，若匹配结果未达到动作匹配的阈值，则转向步骤8，否则执行步骤7。

步骤7，两个动作达到相似匹配的阈值，则记相似动作SiAct_i+1，表示案例OCase_i与新案例在动作上的相似程度增加，并将比较对象指向更为往前的一个动作，转向步骤6。

步骤8，读取相似动作计数变量SiAct_i的值，作为案例OCase_i和新案例NCase的动作相似度。

步骤9，若案例OCase_i标识i小于集合长度n，则取i＝i+1，执行步骤5，否则执行步骤10。

步骤10，统计所有记相似动作SiAct_i(1≤i≤n)，判定拥有最大值的案例OCase_i是与新案例NCase最为相似案例，相对于OCase_i的案例问题描述和问题解决方案将做为此次检索结果输出，转向步骤12。

步骤11，案例库中无相似案例，则启动人工专家干预，将此问题的描述(包括动作)和解决方案存入案例库中，更新案例库使得下次遇到相似问题会提供此方案。执行步骤12。

步骤12，检索结束。

具体针对图3所示的一种优选的故障检测系统模型G，应用匹配规则为：将每个状态看作是动态描述逻辑中所表示的一个可能世界，如模型中S₂可执行α₃到达状态S₅，亦可执行α₄到达状态S₄。由于每一个状态(或功能模块)的执行，即在某一状态下，产生了动作α_i，引起了状态的改变。当系统执行了α₀，α₅，α₈这一动作序列后，系统进入了故障状态S₈。对于已知到达故障的动作序列Se_j＝{α₁₁，α₁₀，S₈}，就传统的案例匹配算法，对于相同的故障状态不能单从状态的属性进行区分并给出合适的解决方案，但通过上述的案例匹配规则可以在ActSerialBox中找出Se₁₁＝{α₁，α₄，α₇，α₁₀，S₈}是最佳的案例匹配，给出最适合的解决方案。

本发明基于动态描述逻辑和案例推理技术的软件系统故障检测方法。该方法包括：软件动态系统的故障检测问题可以抽象成为一个离散事件系统的状态转化和推理问题。采用动态描述逻辑的动作理论对问题进行描述，把程序功能模块的执行看作是使状态改变的动作，把状态的转换看作是由动作引起的改变，加入了状态转换之间的语义信息。在知识库的建立上增加了动作序列集ActSerialBox，记录动作序列和当前运行状态。并给出基于案例推理技术的动作序列匹配算法。使用本发明，在软件系统的功能变化较大时，仍能保持算法的灵活性，不会因为一个状态的转换或功能的变化而对整个检测模型的约束关系进行更改，或是去重新设置状态转换的自动机模型。由于加入程序的动态语义信息并对这些信息进行匹配，提高检索算法中的查准率。

Claims (3)

1.基于动态描述逻辑和案例推理的软件系统故障检测方法，其特征是，包括如下步骤：

步骤1，采用动态维度的动态描述逻辑对程序运行过程中遇到的问题进行描述，即把程序的执行看作是状态转换的动作，把状态转换看作是由动作引起的，并将状态转换加入语义信息；

步骤2，将当前程序运行过程中遇到的问题作为新案例，将新案例的状态和动作序列作为本次案例检索的输入；

步骤3，将新案例的状态与案例库中的案例进行相似计算，并从案例库中挑选出与新案例的相似度达到状态相似匹配阈值的案例，将之存入初步结果集合中；

步骤4，依次从初步结果集合中提取一个案例；首先将引起到达该提取案例的最后一个动作与引起到达新案例的最后一个动作进行相似度计算，并将初始化相似动作计数变量为零；若2个动作的相似度达到动作相似匹配的阈值，则相似动作计数变量加1，表示提取案例与新案例在动作上的相似程度增加，并将比较对象指向更为往前的一个动作，直至提取案例的动作与新案例的动作未达到动作相似匹配的阈值或动作序列匹配完成为止；然后读取相似动作计数变量的值，作为该提取案例与新案例的动作相似度；

步骤5，对初步结果集合中的所有案例与新案例的动作相似度进行排序，并将拥有最大动作相似度值的案例作为与新案例的最相似案例，此时将最相似案例的问题描述和问题解决方案作为结果输出。

2.根据权利要求1所述的基于动态描述逻辑和案例推理的软件系统故障检测方法，其特征是，步骤3中，若案例库中的所有案例与新案例的相似度均未达到状态相似匹配阈值，则启动人工专家干预，并将此案例的问题的描述和问题解决方案存入案例库中，更新案例库使得下次遇到相似问题会提供此方案。

3.根据权利要求1所述的基于动态描述逻辑和案例推理的软件系统故障检测方法，其特征是，步骤4中，当将引起达到提取案例的最后一个动作与引起达到新案例的最后一个动作进行相似计算后，若2个动作的相似度未达到动作相似匹配的阈值，则不对相似动作计数变量进行计数累计，直接跳转至步骤5。