CN105791030B - 一种大规模网络服务系统异常预警方法 - Google Patents

Abstract

本发明针对用户合法行为短时聚集引起的系统异常问题，提出一种大规模网络服务系统异常预警的方法，建立系统预期负载与“放大因子”关系模型以及系统行为阻滞度模型，把用户量与用户提交的重复行为数对系统的影响通过“放大因子”放大，使之可以在系统出现异常之前快速感知到系统负载的变化趋势，并且定位异常行为。本发明从系统可用性的角度，通过系统行为的可预见性解决了开放网络服务系统环境中用户行为的不可预见性。

Description

一种大规模网络服务系统异常预警方法

技术领域

本发明涉及一种大规模网络服务系统，属于信息技术技术领域。

背景技术

随着软件技术的不断发展，普适计算软件、超大规模软件系统、网构软件等新一代软件范型不断涌现，基于网络的服务系统给用户需求满足带来了巨大的便捷性.与传统计算机软件相比，互联网服务系统所表现出的大规模性、开放性、复杂性等特征，使得软件自适应对系统感知提出了更高的要求。

对于感知系统信息和故障检测，Yang等(Yang Y，Huang Y，Cao J，et al.Formalspecification and runtime detection of dynamic properties in asynchronouspervasive computing environments[J].Parallel and Distributed Systems，IEEETransactions on，2013，24(8)：1546-1555)提出利用“建模-规约-检测”的分布异步环境感知框架来检测异步动态属性的普适计算环境。Huang等(Huang T，Ma X，Ji X，et al.Anefficient method for online detecting abnormal cascading pattern indistributed networks[C]//Fuzzy Systems and Knowledge Discovery(FSKD)，201310th International Conference on.IEEE，Shenyang，China，2013：741-746)提出了一种级联模式用于分布式网络的在线监测异常事件

现有的系统异常检测方法大多适用于用户非法行为造成的系统异常。

发明内容

本发明的目的是：针对用户合法行为短时聚集引起的系统异常问题，提出一种大规模网络服务系统异常预警的方法，建立系统预期负载与“放大因子”关系模型以及系统行为阻滞度模型，把用户量与用户提交的重复行为数对系统的影响通过“放大因子”放大，使之可以在系统出现异常之前快速感知到系统负载的变化趋势，并且定位异常行为。

为了达到上述目的，本发明的技术方案是提供了一种大规模网络服务系统异常预警方法，其特征在于，大规模网络服务系统包括放大因子模块、系统预期负载与放大因子关系模块、系统行为阻滞度模块，其中：

放大因子模块，用于阐明放大因子是用户不可控性的行为偏差影响的，其放大因子模型为：

NTR_t＝β₁ΔBr_t/Δt+β₂ΔS_t/Δt，式中，NTR_t为t时刻的放大因子，ΔBr_t表示在趋近t时刻的系统用户重复提交的总的行为数的变化量；ΔS_t表示在趋近t时刻的用户数的变化量；系统重复行为阻滞系数β₁是t时刻所有用户重复提交的行为数Br_t占总的系统行为数B_t的比重；系统行为阻滞系数β₂是在t时刻的所有用户正常提交的行为数Bf_t占总的系统行为数B_t的比重，Δt是趋近于t时刻的时间间隔；

系统预期负载与放大因子关系模块，用于查找预期负载与放大因子的影响情况，系统预期负载与放大因子关系模型是：

C_t＝B_t×a；Cb_t＝NTR_t×Bf_t×a，式中，C_t是t时刻系统的实际负载；Cb_t是t时刻预期的系统负载；t时刻系统中用户提交的总的行为数B_t是t时刻系统中所有用户正常提交的行为数Bf_t和重复提交的行为数Br_t的总和，a表示一个用户提交的一个请求行为所需要的系统行为的负载；

系统行为阻滞度模块，用于在系统发出预警信号后找出系统异常行为所在，其系统行为阻滞度模型为：

式中，{b₁，b₂，b₃，…，b_n}表示系统的行为序列，w_it系统行为阻滞度，则异常预警方法包括以下步骤：

S1、计算所有用户在当前时刻t提交的总的行为数对应的一个实际的系统负载；

S2、计算当前时刻t的放大因子NTR_t的值；

S3、计算所有用户在当前时刻t提交的正常行为数在放大因子的作用下所需要的预期系统负载；

S4、如果Cb_t大于最大系统负载C_max，预警系统在未来的某个时刻会发生异常；

S5、计算当前时刻t所有行为序列{b₁，b₂，b₃，…，b_n}的阻滞度；

S6、比较当前时刻t所有行为序列{b₁，b₂，b₃，…，b_n}的阻滞度；

S7、输出阻滞度最大的系统行为，即异常行为；

S8、算法结束。

发明的有益效果：

本发明的异常敏捷感知方法可以快速感知系统异常，比Yang等提出利用“建模-规约-检测”的分布异步环境感知框架来检测异步动态属性的普适计算环境的实时性要好，该方法从系统可用性的角度，通过系统行为的可预见性解决了开放网络服务系统环境中用户行为的不可预见性。

附图说明

图1为系统行为异常敏捷感知方法流程图；

图2为某网购系统流程图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。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。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明涉及大规模网络服务系统，主要有三个部分组成：

(1)放大因子模块。该模块负责阐明放大因子是用户不可控性的行为偏差影响的。

(2)系统预期负载与放大因子关系模块。该模块负责查找预期负载与放大因子的影响情况。

(3)系统行为阻滞度模块。该模块负责在系统发出预警信号后找出系统异常行为所在。

本发明的技术核心在于放大因子模块，“放大因子”模型的建立。基本思想是：根据行为噪音的思想，提取单位时间内用户提交的正常行为数和重复行为数的变化量对系统负载影响的因素，建立“放大因子”模型，并将这种影响放大来看，使之可以在系统异常表征出现之前，提前感知到系统负载微小的变化趋势。

根据以上基本思想，定义本发明的系统异常敏捷感知模型为：

放大因子模型为：

NTR_t＝β₁ΔBr_t/Δt+β₂ΔS_t/Δt，式中，NTR_t为t时刻的放大因子，ΔBr_t表示在趋近t时刻的系统用户重复提交的总的行为数的变化量；ΔS_t表示在趋近t时刻的用户数的变化量；系统重复行为阻滞系数β₁是t时刻所有用户重复提交的行为数Br_t占总的系统行为数B_t的比重；系统行为阻滞系数β₂是在t时刻的所有用户正常提交的行为数Bf_t占总的系统行为数B_t的比重，Δt是趋近于t时刻的时间间隔；

系统预期负载与放大因子关系模型是：

C_t＝B_t×a；Cb_t＝NTR_t×Bf_t×a，式中，C_t是t时刻系统的实际负载；Cb_t是t时刻预期的系统负载；t时刻系统中用户提交的总的行为数B_t是t时刻系统中所有用户正常提交的行为数Bf_t和重复提交的行为数Br_t的总和，a是一个用户提交的一个请求行为所需要的系统行为的负载；

系统行为阻滞度模型为：

式中，{b₁，b₂，b₃，…，b_n}表示系统的行为序列，w_it是系统行为阻滞度。

本发明提供的如图1所示大规模网络服务系统异常敏捷感知方法可以应用到某网购网站等大规模网络服务系统中，实现了系统预警和定位异常行为。具体方法描述如下：

如图2所示是某网购系统流程，假设对某网购系统流程中的用户登录行为、浏览网页行为、加入购物车行为、支付行为进行关键监测，检测其上述四种关键系统行为总的用户提交正常行为数和重复行为数。具体数据假设如表1所示：

表1 检测系统总行为数数据表

	Time	Bf<sub>t</sub>	Br<sub>t</sub>	B<sub>t</sub>
					t<sub>1</sub>	9：00	12083	7953	20036
t<sub>2</sub>	9：10	15937	12394	28331
					t<sub>3</sub>	9：20	22671	17568	40239
t<sub>4</sub>	9：30	33755	21052	54807
					t<sub>5</sub>	9：40	38272	21953	60225

假设淘宝网购系统所能承受的最大系统负载C_max为60000，一个用户提交的一个请求行为所需要的系统负载a为1；从表1数据得出：

当t₅＝9：40，

当t₄＝9：40，S1、

S2、

S3、

S4、即当Time＝9：30时，

S5、系统发出预警，且t₅＜t₄。

S6、从表2数据得出：

w_2t＝∑b₂/B_t＝10154/54807≈0.19，

w_3t＝∑b₃/B_t＝12197/54807≈0.22，

w_4t＝∑b₄/B_t＝22103/54807≈0.40。

S7、当Time＝9：30时，w_4t≈0.40最大，输出系统异常行为是b₄，即支付行为。

表2 9：30检测各行为数据表

Claims (1)

1.一种大规模网络服务系统异常预警方法，其特征在于，大规模网络服务系统包括放大因子模块、系统预期负载与放大因子关系模块、系统行为阻滞度模块，其中：

放大因子模块，用于阐明放大因子是用户不可控性的行为偏差影响的，其放大因子模型为：

NTR_t＝β₁ΔBr_t/Δt+β₂ΔS_t/Δt，式中，NTR_t为t时刻的放大因子，ΔBr_t表示在趋近t时刻的系统用户重复提交的总的行为数的变化量；ΔS_t表示在趋近t时刻的用户数的变化量；系统重复行为阻滞系数β₁是t时刻所有用户重复提交的行为数Br_t占总的系统行为数B_t的比重；系统行为阻滞系数β₂是在t时刻的所有用户正常提交的行为数Bf_t占总的系统行为数B_t的比重，Δt是趋近于t时刻的时间间隔；

系统预期负载与放大因子关系模块，用于查找预期负载与放大因子的影响情况，系统预期负载与放大因子关系模型是：

C_t＝B_t×a；Cb_t＝NTR_t×Bf_t×a，式中，C_t是t时刻系统的实际负载；Cb_t是t时刻预期的系统负载；t时刻系统中用户提交的总的行为数B_t是t时刻系统中所有用户正常提交的行为数Bf_t和重复提交的行为数Br_t的总和，a是一个用户提交的一个请求行为所需要的系统行为的负载；

系统行为阻滞度模块，用于在系统发出预警信号后找出系统异常行为所在，其系统行为阻滞度模型为：

式中，{b₁，b₂，b₃，…，b_n}表示系统的行为序列，w_it是系统行为阻滞度，则异常预警方法包括以下步骤：

S1、计算所有用户在当前时刻t提交的总的行为数对应的一个实际的系统负载；

S2、计算当前时刻t的放大因子NTR_t的值；

S3、计算所有用户在当前时刻t提交的正常行为数在放大因子的作用下所需要的预期系统负载；

S4、如果Cb_t大于最大系统负载C_max，预警系统在未来的某个时刻会发生异常；

S5、计算当前时刻t所有行为序列{b₁，b₂，b₃，…，b_n}的阻滞度；

S6、比较当前时刻t所有行为序列{b₁，b₂，b₃，…，b_n}的阻滞度；

S7、输出阻滞度最大的系统行为，即异常行为；

S8、算法结束。