CN109379216B - 一种自适应切换贝叶斯网络的动态任务影响估计方法 - Google Patents

一种自适应切换贝叶斯网络的动态任务影响估计方法 Download PDF

Info

Publication number
CN109379216B
CN109379216B CN201811131156.8A CN201811131156A CN109379216B CN 109379216 B CN109379216 B CN 109379216B CN 201811131156 A CN201811131156 A CN 201811131156A CN 109379216 B CN109379216 B CN 109379216B
Authority
CN
China
Prior art keywords
domain
task
service
resource
bayesian network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811131156.8A
Other languages
English (en)
Other versions
CN109379216A (zh
Inventor
丁峰
于靖
赵鑫
周芳
刘祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 28 Research Institute
Original Assignee
CETC 28 Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CETC 28 Research Institute filed Critical CETC 28 Research Institute
Priority to CN201811131156.8A priority Critical patent/CN109379216B/zh
Publication of CN109379216A publication Critical patent/CN109379216A/zh
Application granted granted Critical
Publication of CN109379216B publication Critical patent/CN109379216B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/28—Restricting access to network management systems or functions, e.g. using authorisation function to access network configuration
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general
    • H04L63/205—Network architectures or network communication protocols for network security for managing network security; network security policies in general involving negotiation or determination of the one or more network security mechanisms to be used, e.g. by negotiation between the client and the server or between peers or by selection according to the capabilities of the entities involved

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种自适应切换贝叶斯网络的动态任务影响估计方法，通过对服务调用进行分布式追踪，自动生成服务域内部依赖关系；以服务域为媒介，分别向上向下进行映射，生成任务域和资源域的内部依赖关系；根据任务、服务和资源的多元属性组描述，构建任务域‑服务域‑资源域的关联模型；利用关联模型的依赖特征，建立贝叶斯网络；针对系统运行过程中任务域‑服务域‑资源域依赖关系的时变特性，组建关联模型和贝叶斯网络库，根据实际资源调度策略，自适应切换网络模型；利用先验测试数据训练贝叶斯网络，结合实际监测状态数据，进行动态任务影响估计。

Description

一种自适应切换贝叶斯网络的动态任务影响估计方法
技术领域
本发明涉及信息系统技术领域，特别是涉及一种自适应切换贝叶斯网络的动态任务影响估计方法法。
背景技术
在系统遭受外部攻击或发生内部扰动时，如何保障系统内正在开展的任务顺利完成仍然是一个挑战。赛博攻击可能导致任务状态、任务进度和任务完成度受到严重影响，甚至有可能造成任务失败。当系统遭受攻击后，作战指挥员最为关心的问题是任务完成的可能性和任务在受到影响的程度。任务影响估计方法即是完成该功能，根据监测系统反馈的系统节点状态，对最终任务进行影响估计，为作战指挥员的决策和系统保障技术人员的维护提供参考。
在任务影响估计技术领域，已经有大量研究人员通过各种技术手段开展了大量研究工作。基于情境知识参考模型(SKRM)的方法，可以实现任务影响估计，但由于其没有严格规定交叉层互连，SKRM缺乏进行量化任务影响分析的能力。采用影响依赖图(IDG)进行影响评估，在一定程度上可计算出任务受影响程度，但其未给出IDG图的生成依赖关系的详细方法，节点逻辑关系的计算方法也影响其评估的准确性。
现有的任务影响估计方法多为建模定性评估方法，能够实现准确定量评估的方法较为少见，并且目前的方法均是针对静态任务影响估计。然而，在实际任务开展过程中，由于受到外界干扰或者内部调整，任务与资源的依赖关系是会随着时间变化的，其具有时变特性。因此，针对网络化、服务化的信息系统，如何构建动态的任务-资源关联模型，如何设计适合的算法进行动态估计的问题，对于实现动态任务影响准确估计具有重要的现实意义。上述问题的解决，将有助于提高系统的快速自我调节能力，保障核心任务的顺利完成。
发明内容
发明目的：本发明提供一种自适应切换贝叶斯网络的动态任务影响估计方法，通过构建任务域-服务域-资源域的关联模型；考虑系统运行过程中任务域-服务域-资源域依赖关系的变化，组建贝叶斯网络库；自适应切换网络模型，实现动态任务影响估计，提高系统对外部攻击或内部扰动的动态主动防御能力。
实现本发明目的的技术解决方案包括以下内容：一种自适应切换贝叶斯网络的动态任务影响估计方法，包括以下步骤：
步骤1、构建任务域、服务域、资源域关联模型；
步骤2、基于关联模型，建立贝叶斯网络；
步骤3、针对任务域、服务域、资源域依赖关系的时变特性，对应组建模型和网络库；
步骤4、利用先验测试数据，训练贝叶斯网络；
步骤5、根据实际调度策略，自适应切换网络模型，进行动态任务影响估计。
步骤1中所述任务域是指由任务和任务功能组成，表明任务功能之间的依赖关系及其按照系统特定的业务流程执行，例如电商购物平台业务流程为浏览商品->选择订单->支付->商品发货；服务域是是指任务依赖的服务集合，并且具有服务之间的调用关系；资源域是指任务依赖的计算、存储、网络资源的集合。
步骤1中所述构建任务域、服务域、资源域关联模型包括服务域内部依赖、任务域内部依赖、资源域内部依赖以及跨域逻辑依赖关系：
所述服务域内部依赖通过分布式链路监控工具(zipkin)进行服务追踪分析，获取服务之间的调用关系，即获得了服务域内服务之间的依赖关系；
所述任务域内部依赖用服务域为媒介，任务功能由两个以上服务组成，根据服务属性划分任务功能，并按照服务调用形成业务流程。
所述资源域内部依赖用服务域为媒介，根据服务实际部署关系映射到资源域，从而形成内部依赖关系，服务部署通过唯一ID来跟踪，根据部署的虚拟机、物理机的主机号进行关联，形成资源域内部依赖关系；
所述跨域逻辑依赖关系通过任务-服务关联表、服务-资源关联表获得，任务-服务关联表包含了任务和服务之间的相互依赖关系，服务-资源关联表包含了服务和资源之间的相互依赖关系，依赖关系有单一、与、或三种。
步骤2包括：关联模型中任务、任务功能、服务和资源作为贝叶斯网络的节点，依赖关系作为节点之间的条件概率。
步骤3中所述模型和网络库包括：
步骤1和步骤2所建关联模型和贝叶斯网络为系统初始状态，针对系统运行过程中任务、资源依赖关系的时变特性，即任务、资源的关系发生变化，构建对应的任务域、服务域、资源域关联模型，按照步骤1和步骤2组建新的关联模型库；
根据新构建的任务域、服务域、资源域关联模型库，设计相应的贝叶斯网络，组建贝叶斯网络库。
步骤4包括：通过仿真实验获得先验测试数据，利用先验测试数据训练贝叶斯网络，从而获得贝叶斯网络中节点之间的条件概率，贝叶斯网络节点之间的条件概率表示联合概率，其形式为：
Figure BDA0001813543810000031
其中Xk为第k个节点发生失效的事件，P(X1,X2,…Xk)为事件X1～Xk均发生的联合概率，P(X1)为事件X1发生的概率，k为节点总数。
步骤5包括：
步骤5-1，自适应切换网络模型：当系统中任务、资源依赖关系发生变化时，根据实际选择的控制调度策略，控制调度策略包括虚拟机迁移、服务迁移等，从贝叶斯网络模型库中选择对应的贝叶斯网络模型，自适应切换概率网络；
步骤5-2，动态任务影响估计：根据实际的系统节点监测数据，如虚拟机的CPU、内存、磁盘、网络监测指标，利用加权平均方法并设定失效阈值，判断节点是否失效，输入利用先验测试数据训练完成的贝叶斯网络，实现动态任务影响估计。
系统节点的失效计算公式：
W＝e1·Ucpu+e2·Umem+e3·UIO+e4·Unet
Figure BDA0001813543810000032
其中，W为失效值，Ucpu为CPU利用率，Umem内存利用率，UIO磁盘利用率，Unet网络利用率，e1、e2、e3、e4为权值系数，σ为阈值，通过压力工具获取具体数据从而获得上述参数。
当已知先验概率和条件概率，则贝叶斯公式计算后验概率为：
Figure BDA0001813543810000033
其中P(Xk|Xi-1)为在Xi-1发生的情况下Xk发生的条件概率，P(Xk)为Xk发生的先验概率，P(Xi-1|Xk)为在Xk发生的情况下Xi-1发生的条件概率。
本发明与现有技术相比具有以下优点：
(1)针对目前信息系统中任务-资源依赖关系建立缺少灵活性、适应性的问题，采用服务调用链跟踪技术自动生成服务域内部依赖关系，通过分别向任务域和资源域映射，构建任务域-服务域-资源域关联模型。该模型能够根据任务、服务、资源的时变特性，进行动态调整，实现动态关联模型。
(2考虑信息系统遭受外部攻击或发生内部扰动的情况，根据系统的控制调度策略，动态调整任务域-服务域-资源域关联模型，构建贝叶斯网络库，自适应切换概率网络，能够实现动态任务影响的定量估计。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述或其他方面的优点将会变得更加清楚。
图1为本发明任务域-服务域-资源域关联模型图。
图2为本发明基于关联模型的贝叶斯网络示意图。
图3为本发明赛博攻击下动态切换贝叶斯网络示意图。
图4为本发明赛博攻击时序图。
图5为一个基于任务-资源模型构建的贝叶斯网络的具体案例。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
结合图1至图4，本发明一种自适应切换贝叶斯网络的动态任务影响估计方法，包括：
1、构建任务域-服务域-资源域关联模型
图1为任务域-服务域-资源域关联模型示意图。任务域由任务(Mission)和任务功能(Task)组成，其中Mission由Task1、Task2和Task3组成，Task1、Task2和Task3之间为串行关系；服务域由支撑任务完成的服务组成，S1～S12为服务名称；资源域由支撑服务的基础资源组成，R1～R8为资源名称；AND和OR为逻辑关系。
任务域-服务域-资源域关联模型的构建包括服务域内部依赖、任务域内部依赖、资源域内部依赖以及跨域逻辑依赖关系：
服务域内部依赖通过分布式链路监控工具zipkin进行服务追踪分析，获取服务之间的调用关系，即获得了服务域内服务之间的依赖关系；
任务域内部依赖用服务域为媒介，任务功能由多个服务组成，根据服务属性划分任务功能，并按照服务调用形成业务流程。
资源域内部依赖用服务域为媒介，根据服务实际部署关系映射到资源域，从而形成内部依赖关系；跨域逻辑依赖关系可通过任务、服务和资源的多元属性描述获得，具体为：
(1)任务描述模型
Mission＝<Name,ID,Information,Function,Dservice>
Name表示任务名称，一般可分为预警探测、侦察与监视、情报处理、指挥控制等；
ID表示任务的唯一标识码；
Information表示信息需求要素集合，对任务目标的范围、属性、来源的描述；
Function表示功能需求要素集合，完成任务所需的任务功能集合，以及任务功能的工作流程；
Dservice表示任务依赖的服务资源集合，以及跨域之间的逻辑依赖关系描述，依赖关系有单一、与、或三种。
(2)服务描述模型
Service＝<Name,ID,Function,Address,Precall,Poscall,Dresource>
Name表示服务名称，一般有信息目录服务、主题服务、数据库访问、数据传输服务等；
ID表示服务的唯一标识码；
Function表示对该服务可实现的功能进行描述；
Address表示服务的逻辑地址；
Precall表示该服务调用其它服务的关系描述；
Poscall表示该服务被其它服务调用的关系描述；
Dresource表示该服务依赖的资源集合，以及跨域之间的逻辑依赖关系描述，依赖关系有单一、与、或三种。
(3)资源描述模型
Resource＝<Name,ID,Function,Address,Type>
Name表示资源名称，一般有联合态势感知数据库、数据链数据库、存储磁盘阵列、服务器、工作站等；
ID表示服务的唯一标识码；
Function表示对该资源可实现的功能进行描述；
Address表示资源的逻辑地址；
Type表示该资源的类型，如计算资源、存储资源、信息资源和网络资源等。
2、利用关联模型建立贝叶斯网络
贝叶斯网络是一种有向无环图，可用于对因果关系建模。利用任务域-服务域-资源域的关联模型，构建贝叶斯网络来进行任务影响概率估计。关联模型中任务、任务功能、服务和资源作为贝叶斯网络的节点，依赖关系作为节点之间的条件概率。通过仿真实验获得测试样本数据，利用先验知识训练贝叶斯网络，从而获得贝叶斯网络中节点之间的条件概率。图2为基于关联模型的贝叶斯网络示意图，R1～R5资源节点，S1～S4为服务节点，Task1、Task2位任务功能节点，Mission为任务节点，各边上数字为节点之间的条件概率。
贝叶斯网络节点之间的条件概率表示联合概率，其形式为：
Figure BDA0001813543810000061
3、建立时变关联模型及网络库
针对系统实际运行过程中任务-资源的时变依赖关系，构建对应的任务域-服务域-资源域关联模型，组建关联模型库；根据对应的任务域-服务域-资源域关联模型库，建立相应的贝叶斯网络，组建概率网络库。
4、自适应切换贝叶斯网络
根据选择的任务-资源控制调度策略，从贝叶斯网络模型库中选择对应的网络模型，自适应切换概率网络。
图3在赛博攻击下动态切换贝叶斯网络示意图，资源节点R1受到攻击而导致失效，根据冗余备份采用虚拟机迁移策略，利用R2节点替代R1节点，从而贝叶斯网络也需进行对应的切换。
5、赛博攻击下的动态任务影响估计
设定任务的执行是基于时间顺序，因此根据任务的实际进度状态，赛博攻击节点所属的任务功能可能处于以下3种情况，如图4所示：
(1)攻击节点处于已完成的任务功能Task1，对当前任务无影响。
(2)攻击节点处于正在进行的任务功能Taski，对任务产生的影响最大，按照贝叶斯网络计算任务影响概率估计。
(3)攻击节点处于待完成的任务功能TaskN，对任务的影响根据该节点距离目前正在运行的任务功能的时间轴远近而异，提前进行抵御或修复。若任务执行到该任务功能时，受攻击节点已经恢复正常状态，则对任务不产生影响；若任务执行到该任务功能时，受攻击节点未恢复正常状态，则按照贝叶斯网络计算任务影响概率估计。
根据实际的系统节点监测数据，判断节点的是否失效，输入利用先验测试数据训练完成的贝叶斯网络，实现动态任务影响估计。
当已知先验概率和条件概率，则贝叶斯公式计算后验概率为：
Figure BDA0001813543810000071
由上可知，本发明有助于推动信息服务系统由目前主要以静态任务影响估计向动态分析的演进，为提升信息服务系统在赛博攻击对抗条件下的防御能力、实现具有韧性的信息系统提供技术支持。
实施例
图5所示为一个基于任务-资源模型构建的贝叶斯网络的具体案例，在这个案例中，一个任务由几个任务功能组成。为了使每个任务都是正常的，它的所有组成任务都应该是正常的。此外，所有任务功能都应该按照正确的顺序提交。同样，每个任务功能也由几个服务组成组成。
表1所示为上图贝叶斯网络对应的条件概率表。在该表中，任务、任务功能1、任务功能2具有失效和正常两种状态，根据实际情况分配给系统节点。
表1
Figure BDA0001813543810000081
本发明提供了一种自适应切换贝叶斯网络的动态任务影响估计方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (7)

1.一种自适应切换贝叶斯网络的动态任务影响估计方法，其特征在于，包括以下步骤：
步骤1、构建任务域、服务域、资源域关联模型；
步骤2、基于关联模型，建立贝叶斯网络；
步骤3、针对任务域、服务域、资源域依赖关系的时变特性，对应组建模型和网络库；
步骤4、利用先验测试数据，训练贝叶斯网络；
步骤5、根据实际调度策略，自适应切换网络模型，进行动态任务影响估计。
2.根据权利要求1所述的方法，其特征在于，步骤1中所述任务域是指由任务和任务功能组成，表明任务功能之间的依赖关系及其按照系统特定的业务流程执行；服务域是指任务依赖的服务集合，并且具有服务之间的调用关系；资源域是指任务依赖的计算、存储、网络资源的集合。
3.根据权利要求2所述的方法，其特征在于，步骤1中所述构建任务域、服务域、资源域关联模型包括服务域内部依赖、任务域内部依赖、资源域内部依赖以及跨域逻辑依赖关系：
所述服务域内部依赖通过分布式链路监控工具zipkin进行服务追踪分析，获取服务之间的调用关系，即获得了服务域内服务之间的依赖关系；
所述任务域内部依赖用服务域为媒介，任务功能由两个以上服务组成，根据服务属性划分任务功能，并按照服务调用形成业务流程；
所述资源域内部依赖用服务域为媒介，根据服务实际部署关系映射到资源域，从而形成内部依赖关系；
所述跨域逻辑依赖关系通过任务-服务关联表、服务-资源关联表获得，任务-服务关联表包含了任务和服务之间的相互依赖关系，服务-资源关联表包含了服务和资源之间的相互依赖关系，依赖关系有单一、与、或三种。
4.根据权利要求3所述的方法，其特征在于，步骤2包括：关联模型中任务、任务功能、服务和资源作为贝叶斯网络的节点，依赖关系作为节点之间的条件概率。
5.根据权利要求4所述的方法，其特征在于，步骤3中所述模型和网络库包括：
针对系统运行过程中任务、资源依赖关系的时变特性，即任务、资源的关系发生变化，构建新的任务域、服务域、资源域关联模型，组建关联模型库；
根据的任务域、服务域、资源域关联模型库，建立相应的贝叶斯网络，即每一个新的关联模型建立相应的贝叶斯网络，组建贝叶斯网络库。
6.根据权利要求5所述的方法，其特征在于，步骤4包括：通过仿真实验获得先验测试数据，利用先验测试数据训练贝叶斯网络，从而获得贝叶斯网络中节点之间的条件概率，贝叶斯网络节点之间的条件概率表示联合概率，其形式为：
Figure FDA0003204828360000021
其中Xk为第k个节点发生失效的事件，P(X1,X2,…Xk)为事件X1～Xk均发生的联合概率，P(X1)为事件X1发生的概率，k为节点总数。
7.根据权利要求6所述的方法，其特征在于，步骤5包括：
步骤5-1，自适应切换网络模型：当系统中任务、资源依赖关系发生变化时，根据实际选择的控制调度策略，从贝叶斯网络模型库中选择对应的贝叶斯网络模型，自适应切换概率网络，所述控制调度策略包括虚拟机迁移、服务迁移；
步骤5-2，动态任务影响估计：根据实际的系统节点监测数据，计算节点的失效概率，输入利用先验测试数据训练完成的贝叶斯网络，实现动态任务影响估计，当已知先验概率和条件概率，则贝叶斯公式计算后验概率为：
Figure FDA0003204828360000022
其中P(Xk|Xi-1)为在Xi-1发生的情况下Xk发生的条件概率，P(Xk)为Xk发生的先验概率，P(Xi-1|Xk)为在Xk发生的情况下Xi-1发生的条件概率。
CN201811131156.8A 2018-09-27 2018-09-27 一种自适应切换贝叶斯网络的动态任务影响估计方法 Active CN109379216B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811131156.8A CN109379216B (zh) 2018-09-27 2018-09-27 一种自适应切换贝叶斯网络的动态任务影响估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811131156.8A CN109379216B (zh) 2018-09-27 2018-09-27 一种自适应切换贝叶斯网络的动态任务影响估计方法

Publications (2)

Publication Number Publication Date
CN109379216A CN109379216A (zh) 2019-02-22
CN109379216B true CN109379216B (zh) 2022-02-11

Family

ID=65402653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811131156.8A Active CN109379216B (zh) 2018-09-27 2018-09-27 一种自适应切换贝叶斯网络的动态任务影响估计方法

Country Status (1)

Country Link
CN (1) CN109379216B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102508639A (zh) * 2011-10-10 2012-06-20 北京邮电大学 一种基于卫星遥感数据特征的分布式并行处理方法
CN103488886A (zh) * 2013-09-13 2014-01-01 清华大学 基于模糊动态贝叶斯网络的态势威胁评估方法
CN104955059A (zh) * 2015-05-07 2015-09-30 西安电子科技大学 基于贝叶斯网络的蜂窝网基站状态时变模型建立方法
CN107277039A (zh) * 2017-07-18 2017-10-20 河北省科学院应用数学研究所 一种网络攻击数据分析及智能处理方法
CN108471429A (zh) * 2018-06-29 2018-08-31 北京奇虎科技有限公司 一种网络攻击告警方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170181711A1 (en) * 2015-12-29 2017-06-29 International Business Machines Corporation Time-varying risk profiling from health sensor data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102508639A (zh) * 2011-10-10 2012-06-20 北京邮电大学 一种基于卫星遥感数据特征的分布式并行处理方法
CN103488886A (zh) * 2013-09-13 2014-01-01 清华大学 基于模糊动态贝叶斯网络的态势威胁评估方法
CN104955059A (zh) * 2015-05-07 2015-09-30 西安电子科技大学 基于贝叶斯网络的蜂窝网基站状态时变模型建立方法
CN107277039A (zh) * 2017-07-18 2017-10-20 河北省科学院应用数学研究所 一种网络攻击数据分析及智能处理方法
CN108471429A (zh) * 2018-06-29 2018-08-31 北京奇虎科技有限公司 一种网络攻击告警方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Exploiting incocuousness in Bayesian networks;MOTZEK A;《28th Australasian Joint Conference on Artificial Intelligence》;20151130;全文 *

Also Published As

Publication number Publication date
CN109379216A (zh) 2019-02-22

Similar Documents

Publication Publication Date Title
US10997015B2 (en) Self-learning disaster-avoidance and recovery
US11269718B1 (en) Root cause detection and corrective action diagnosis system
Mohammed et al. Failover strategy for fault tolerance in cloud computing environment
TWI725744B (zh) 透過多層次相關性建立系統資源預測及資源管理模型的方法
Ganga et al. A fault tolerent approach in scientific workflow systems based on cloud computing
US20120143844A1 (en) Multi-level coverage for crawling selection
Amoon et al. On the design of reactive approach with flexible checkpoint interval to tolerate faults in cloud computing systems
Nichols et al. Autonomic workflow execution in the grid
AU2021104045A4 (en) Failure nodes detection and recovery system in cloud computing to improve resources reliability
Hu et al. Cloud model-based security-aware and fault-tolerant job scheduling for computing grid
CN111027591A (zh) 一种面向大规模集群系统的节点故障预测方法
CN109379216B (zh) 一种自适应切换贝叶斯网络的动态任务影响估计方法
CN110971468B (zh) 一种基于脏页预测的延迟拷贝增量式容器检查点处理方法
Ibrahim et al. Improving mapreduce performance with progress and feedback based speculative execution
CN110109702B (zh) 基于代码分析的Android计算迁移在线决策方法
CN115865912A (zh) 网络边缘在线服务功能链部署方法、系统和设备
CN113298492B (zh) 一种基于流程引擎的高响应流程智能处理方法及系统
Song et al. Web service composition on IoT reliability test based on cross entropy
US10445080B2 (en) Methods for adaptive placement of applications and devices thereof
Nakagawa et al. Expression caching for runtime verification based on parameterized probabilistic models
CN113535365A (zh) 基于强化学习的深度学习训练作业资源放置系统及方法
Musliner et al. Meta-control for adaptive cybersecurity in FUZZBUSTER
Grüneberger et al. Adaptive Selective Replication for Complex Event Processing Systems.
Kazemi et al. Optimizing the controller placement problem in SDN with uncertain parameters with robust optimization
Xiang et al. A Fault-tolerant and Cost-efficient Workflow Scheduling Approach Based on Deep Reinforcement Learning for IT Operation and Maintenance

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 210000 No.1, Lingshan South Road, Qixia District, Nanjing City, Jiangsu Province

Applicant after: THE 28TH RESEARCH INSTITUTE OF CHINA ELECTRONICS TECHNOLOGY Group Corp.

Address before: 210007 No. 1 East Street, alfalfa garden, Jiangsu, Nanjing

Applicant before: THE 28TH RESEARCH INSTITUTE OF CHINA ELECTRONICS TECHNOLOGY Group Corp.

GR01 Patent grant
GR01 Patent grant