CN111240881A

CN111240881A - 基于贝叶斯网络的Web服务组合异常诊断方法

Info

Publication number: CN111240881A
Application number: CN202010036288.3A
Authority: CN
Inventors: 陈瑶
Original assignee: South Central University for Nationalities
Current assignee: South Central Minzu University
Priority date: 2020-01-14
Filing date: 2020-01-14
Publication date: 2020-06-05

Abstract

本发明提供了一种基于贝叶斯网络的Web服务组合异常诊断方法，包括如下步骤：S1，将Web服务组合映射到贝叶斯网络；S2，进行贝叶斯网络的参数设置，同时设定每个服务节点的先验概率，并设定每个输出节点的条件概率表；S3，从输出节点中选取证据集；S4，根据所选取的证据集，在贝叶斯网络中对Web服务组合进行异常诊断。在Web服务组合的执行过程不能获得有效保证的情况下，本发明提供的基于贝叶斯网络的Web服务组合异常诊断方法能够有效诊断出发生异常的Web服务节点，从而使用候选Web服务对异常服务进行替换，完成Web服务组合的执行，该方法大大降低了异常诊断的成本，保证效率的同时提高了可靠性。

Description

基于贝叶斯网络的Web服务组合异常诊断方法

技术领域

本发明属于计算机软件服务技术领域，具体涉及一种基于贝叶斯网络的Web服务组合异常诊断方法。

背景技术

随着分布式环境下部署的Web服务数量日益增多，单个服务已经无法满足用户需求，将多个Web服务进行重新组合，以满足用户日益增长的新需求，成为一种新的信息服务解决方案之一。然而，在大量的Web服务当中，会存在大量的具有相同或相似功能的服务，这些服务可以组合出成百上千功能相同但质量不同的新服务，在运行过程中，难以确保系统的正常执行，因此需要对服务组合过程中的服务异常进行诊断。但是，若直接对Web服务的日志数据或者对其进行实时测试，会耗费大量的时间，其成本过高，效率过低。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于贝叶斯网络的Web服务组合异常诊断方法，包括如下步骤：

S1，将Web服务组合映射到贝叶斯网络，具体为：将Web服务组合中的每个Web服务的输入及执行情况映射为根节点，将每个Web服务的输出映射为独立的变量节点，Web服务的执行情况映射的节点表述为服务节点，Web服务的输出映射的节点表述为输出节点；

S2，进行贝叶斯网络的参数设置，同时设定每个服务节点的先验概率，并设定每个输出节点的条件概率表；

S3，从输出节点中选取证据集；

S4，根据所选取的证据集，在贝叶斯网络中对Web服务组合进行异常诊断，具体为：在贝叶斯网络中，分析得到证据集中每一个输出节点的后验概率，并根据后验概率的值，按由大到小的顺序依次检测证据集中每个输出节点是否发生异常。

在一些实施例中，在步骤S4后，还包括步骤：

S5a，若在步骤S4中检测到了发生异常的输出节点，则使用备选的Web服务替换发生异常的输出节点对应的Web服务；

S5b，若在步骤S4中未检测到发生异常的输出节点，则继续正常执行原Web服务组合。

在一些实施例中，在步骤S4中，依次检测证据集中每个输出节点是否发生异常的同时，记录发生异常的输出节点数，若发生异常的输出节点数大于预设的阈值，则停止执行步骤S4，并进入步骤S5a。

在一些实施例中，步骤S4中，依次检测证据集中每个输出节点是否发生异常的同时，保存检测后的输出节点的检测结果，保存的检测结果用于在下一次进行异常诊断时得到对应的输出节点的后验概率。

在一些实施例中，步骤S2中，根据Web服务的可靠性来描述每个服务节点的先验概率。

在一些实施例中，步骤S3中，从输出节点中选取证据集的具体方法为：

以S＝{S₁,S₂,...,S_m}为服务节点集合，O＝{O₁,O₂,...,O_n}为输出节点集合，其中m和n分别表示总服务节点个数和总输出节点个数，从输出节点集合中选取子集

作为证据集，该子集中的输出节点个数为小于n的预设值，并使得该子集到全部服务节点的总距离D(O_subset)最小，

其中，

D(S_i,O_j)＝H(S_i|O_j)，H(S_i|O_j)表示条件熵。

在一些实施例中，步骤S3中，利用k-means聚类算法，对输出节点集合O求出若干个聚类中心点，然后以这些聚类中心点作为证据集O_subset。

本发明的优点是：在Web服务组合的执行过程不能获得有效保证的情况下，本发明提供的基于贝叶斯网络的Web服务组合异常诊断方法能够有效诊断出发生异常的Web服务节点，从而使用候选Web服务对异常服务进行替换，完成Web服务组合的执行，该方法大大降低了异常诊断的成本，保证效率的同时提高了可靠性。本发明主要面向开放互联网环境下提供Web服务的应用领域，不仅可以有效保障用户使用服务的可用性，还能够有效提高Web服务在深度和广度上的应用，从而灵活的支撑上层应用业务，并屏蔽信息基础设施变化带来的影响。

附图说明

通过下文中参照附图对本发明所作的描述，本发明的其它目的和优点将显而易见，并可帮助对本发明有全面的理解。

图1为本发明提供的基于贝叶斯网络的Web服务组合异常诊断方法的流程图；

图2a-图2d为步骤S1中将Web服务组合映射到贝叶斯网络的示意图；

图3为步骤S2中设定先验概率的示意图；

图4a-图4c为采用不同方法得到的异常诊断准确率的对比图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。

参照图1，为本发明提供的基于贝叶斯网络的Web服务组合异常诊断方法，包括如下步骤：

S3，从输出节点中选取证据集；

进一步还可包括步骤：S5a，若在步骤S4中检测到了发生异常的输出节点，则使用备选的Web服务替换发生异常的输出节点对应的Web服务；S5b，若在步骤S4中未检测到发生异常的输出节点，则继续正常执行原Web服务组合。

优选地，在步骤S4中，依次检测证据集中每个输出节点是否发生异常的同时，记录发生异常的输出节点数，若发生异常的输出节点数大于预设的阈值，则停止执行步骤S4，并进入步骤S5a。

更优选地，在步骤S4中，依次检测证据集中每个输出节点是否发生异常的同时，保存检测后的输出节点的检测结果，保存的检测结果用于在下一次进行异常诊断时得到对应的输出节点的后验概率。

可以理解的是，步骤S4中，后验概率值最大的输出节点即为最可能发生异常的节点，此时，核对该Web服务的日志数据或者对其进行实时测试，以确认该节点对应的Web服务是否真正发生异常，并将该诊断结果添入证据集里进行下一次处理。直接对Web服务的日志数据或者对其进行实时测试会耗费大量的时间，而通过本方法进行异常诊断，则可以大大降低异常诊断的成本，保证效率的同时提高了可靠性。

具体地，步骤S1中，贝叶斯网络的不确定性推理是采用有向无环图来实现的，因此，基于贝叶斯网络的Web服务组合异常处理问题首先要解决如何将Web服务组合映射到贝叶斯网络当中。Web服务组合的过程结构可以按照贝叶斯网络的结构进行有向无环图转换，以匹配基于业务过程的Web组合服务。在Web服务组合执行过程中，Web服务之间会进行相互交互，这使得异常会产生一定的因果关系。通过对贝叶斯网络进行分析，可以对这些不确定的异常进行处理，找到发生异常的Web服务位置。在贝叶斯网络当中，弧是代表两个节点之间的因果关系，而这种关系在Web服务组合当中是表示Web服务节点之间的路有关系。所以，可以将Web服务组合当中隐含的服务节点之间的因果关系映射到贝叶斯网络里，然后进行Web服务异常诊断。

在Web服务组合当中，一个Web服务输出的正确性是由其所有输入的正确性和Web服务自身执行的正确性来决定的，即Web服务的所有输入与执行情况是其输出的原因，Web服务的输出是其所有输入与执行情况的结果。本发明中，将Web服务执行情况单独的抽取出来作为根节点(本发明中称为服务节点)，而将其输出抽取出来作为独立的变量节点(本发明中称为输出节点)，如图2a所示，在图中，上半部分为Web服务的模型，下半部分表示将其转换到贝叶斯网络后的模型。

另外，在Web服务的组合模型中，会存在多种不同的控制结构，主要包括顺序、选择、循环和并行4种，不同的控制结构会对Web服务节点间的因果关系产生影响。以顺序结构与并行结构为例，图2b和图2c分别显示了顺序结构与并行结构的Web服务组合向贝叶斯网络转换的过程。通过选择条件概率，Web服务选择结构可以划分为多个执行路径；循环结构则依据循环条件进行构造，Web服务组合会展开分解为一个拥有串行和并行的有向无环图。采用上述方法，能够将Web服务组合映射到贝叶斯网络当中。在一个具体实施例中，如图2d所示，图中示出了以外出吃饭订餐、打的、付款等Web服务组合为例，进行贝叶斯网络的映射过程分析。通过映射，每一个Web服务节点成为贝叶斯网络当中的一个节点。在贝叶斯网络当中，因为任意一个节点条件独立于其非后裔的其他节点，并且，Web服务节点均自独立，没有父节点，也不是其他Web服务节点的后裔，因此，映射后的Web服务节点可视为独立的随机变量。这意味着Web服务是否能够正常运行只和它自身相关，不受其他Web服务的干预，这和Web服务在实际环境中的运行是一致的。

进一步地，步骤S2中，在进行贝叶斯网络分析前，要进行贝叶斯网络的参数设置，同时要确定服务节点的先验概率，并设定每个输出节点的条件概率表。服务节点的先验概率用来表示根据经验判断服务节点出现异常的概率。本发明中，根据Web服务的可靠性来描述每个节点的先验概率，其取值范围为[0,1]的一个变量。Web服务的可靠性值越大，Web服务执行时发生的异常概率越小。因此，用1-f(s)表示节点的先验概率，其中，f(s)表示Web服务s发生异常的概率。

条件概率表可表示为P(output|input1,input2,...,inputn,operation)，其中input 1-input n表示输出节点对应的n个输入，operation表示输出节点对应的执行情况；如果每一个输入都具有正常与异常两个不同状态时，则条件概率表可表示为通过有2ⁿ项的条件概率组成的列表。实际操作中，由于Web服务组合的设计人员对组合的过程和Web服务间的关联十分了解，所以可以由相关的设计人员为Web服务组合设定条件概率。在设计的过程中，可以预分析如果某一个Web服务发生异常时，是否会对后续的Web服务执行产生影响，通过条件概率来计算这种关联程度。另外，条件概率还可以通过Web服务历史运行数据计算出来，从监控平台的历史数据里找出可能会存在的发生异常的概率。条件概率表可以通过上述两种方式，即专家赋值和通过历史数据挖掘，当数据不断增加后，可以及时的对条件概率表进行动态调整。若条件概率的值为0或1，则表示一种确定的状态，即如果Web服务的输入参数与Web服务操作状态确定，那么输出结果也就确定了。否则，条件概率的值就代表一种不确定的状态，即如果Web服务的输入参数与Web服务操作状态确定，那么输出结果是不确定的随机概率分布。故条件概率不仅可以描述了确定性的状态，也可以描述不确定性的状态。

在一个具体实施例中，如图3所示，其对应于图2d，显示了外出吃饭订餐、打的、付款的贝叶斯网络参数设置结果。其中，每个参数只有两个不同的状态，即正常和异常；每一个节点都进行了先验概率P(S1)的设置，且输出节点则给出了条件概率表CPT。

进一步地，步骤S3中，证据集的个数与其在贝叶斯网络当中的分布会对异常诊断产生十分大的影响。Web服务组合中映射到贝叶斯网络时，全部的输出节点都是被监控的候选节点。但是，如果在现实条件下对每一个输出节点进行监控，会导致信息过载，而且随着Web服务组合的复杂程度而造成高昂的支出。因此，本发明根据需要选择所有输出节点的一个子集作为监控证据集；要求选取的证据集子集能够提供有效的信息，即选择最有效的证据通道作为异常诊断依据。从输出节点中选取证据集的具体方法为：

其中，

D(S_i,O_j)＝H(S_i|O_j)，H(S_i|O_j)表示条件熵。

条件熵的计算公式为：

依据条件熵的定义可知，当值越小时，代表了的不确定性越小；当值越大时，则说明的不确定性越大。因此，将证据集的选取放到一定的约束目标下，获取所有证据集的一个有效子集，使该子集到全部服务节点的距离最小。

进一步地，可利用k-means聚类算法，对输出节点集合O求出若干个聚类中心点，然后以这些聚类中心点作为证据集O_subset，来对Web服务组合进行诊断。

为了验证本方法的正确性与可行性，发明人进行了多个不同条件下的实验，在Web服务组合的执行过程不能获得有效保证的情况下，诊断出发生异常的Web服务，从而使用候选Web服务对异常服务进行替换，完成Web服务组合的执行，提高可靠性。采用Web服务异常诊断准确率和异常诊断开销比两个评价指标来评估提出方法的有效性，如下：

定义异常诊断准确率(Exception Diagnosis percentage，EDP)。若Web服务组合执行过程中，所有发生异常的Web服务节点数为ExceptionTotal，通过诊断后实现发生异常的Web服务节点为ExceptionDiagnosed，则：

当EDP的值越高，表示找到的异常节点越多。

另外，定义异常诊断开销比(Exception Diagnosis Cost，EDC)。若贝叶斯网络当中的所有节点数是N，每一个节点S_i进行Web服务日志检测的系统开销为C_i，要通过M个节点检测后才能够完成Web服务组合的诊断，那么：

当EDC的值越小，表示用于Web服务组合诊断的开销越小，对性能的影响也相对较小。

在模拟过程照中，每一轮的测试采用10个不同的Web服务组合流程结构来实现。同一种组合服务，进行100次的异常诊断和处理。在每一次检测完一个Web服务节点后，都会将相应的EDC和EDP记录下来，实验结果取平均值。模拟中假定进行Web服务日志的检测费用支出相同。本实验设计了4个不同的场景对贝叶斯网络异常处理过程进行模拟，其结果和分析如下：

(1)不同观察证据集选择策略

采用不同的观察证据集选择策略，可以验证贝叶斯网络及不同选择方案对异常处理的有效性。在观察证据集中Web服务数量相同的前提下，对以下三种不同的观察证据集选择策略进行比较：

1)从Web服务组合中随机的选取k个Web服务作为观察证据集；

2)从Web服务流程结构等距离选取k个Web服务作为观察证据集；

3)本发明提供的基于k-means算法来选择观察证据集；

图4a显示了采用上述三种不同策略的对比情况。实验中Web服务的数量为60，观察证据集选择比例为50％，即30个。

从图中对比结果可以看到，在选择相同观察证据集的条件下，本发明提出的基于k-means方法的选择策略要优于其它两种方案。这说明在进行Web服务组合异常诊断中使用观察证据集方式的可行性，并验证了基于k-means方法的选择策略的有效性。当对15％的Web服务节点进行检测后，就可以发现约80％的异常，这极大的降低了系统的开销和异常诊断成本。后续实验均采用基于k-means方法的选择策略。此外，从图中可以看出EDC是一条线性递增的直线，它表示随着检测Web服务节点数量的递增，消耗的资源也越来越大。因此，选择较少的观察证据集能够降低系统开销。

(2)不同观察证据集比例

不同的观察证据集比例对诊断结果会产生一定的影响，图4b显示了选择25％、50％、75％的观察证据集比例的异常诊断情况，Web服务的数量为60。

从图中可以看出，选择证据集比例越大，其EDP会越高，但是并非是同比例递增的。在实际的应用中，可以根据实际需要，选择不同比例的观察证据集。

(3)不同Web服务组合规模

实验中Web服务的数量分别为20，40，60，观察证据集选择比例设为50％。不同Web服务组合规模Web服务组合结果如图4c所示。

从图中可以看出，随着网络中规模越来越大，存在的问题节点也会越来越多。可见在不同的规模下，本发明提出的方法都能很好的完成Web服务的异常诊断和处理，这显示了该方法在不同规模下异常处理的有效性。

综上，在Web服务组合的执行过程不能获得有效保证的情况下，本发明提供的基于贝叶斯网络的Web服务组合异常诊断方法能够有效诊断出发生异常的Web服务节点，从而使用候选Web服务对异常服务进行替换，完成Web服务组合的执行，该方法大大降低了异常诊断的成本，保证效率的同时提高了可靠性。本发明主要面向开放互联网环境下提供Web服务的应用领域，不仅可以有效保障用户使用服务的可用性，还能够有效提高Web服务在深度和广度上的应用，从而灵活的支撑上层应用业务，并屏蔽信息基础设施变化带来的影响。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims

1.一种基于贝叶斯网络的Web服务组合异常诊断方法，其特征在于，包括如下步骤：

S3，从输出节点中选取证据集；

2.根据权利要求1所述的基于贝叶斯网络的Web服务组合异常诊断方法，其特征在于，在步骤S4后，还包括步骤：

3.根据权利要求2所述的基于贝叶斯网络的Web服务组合异常诊断方法，其特征在于，在步骤S4中，依次检测证据集中每个输出节点是否发生异常的同时，记录发生异常的输出节点数，若发生异常的输出节点数大于预设的阈值，则停止执行步骤S4，并进入步骤S5a。

4.根据权利要求2所述的基于贝叶斯网络的Web服务组合异常诊断方法，其特征在于，步骤S4中，依次检测证据集中每个输出节点是否发生异常的同时，保存检测后的输出节点的检测结果，保存的检测结果用于在下一次进行异常诊断时得到对应的输出节点的后验概率。

5.根据权利要求1所述的基于贝叶斯网络的Web服务组合异常诊断方法，其特征在于，步骤S2中，根据Web服务的可靠性来描述每个服务节点的先验概率。

6.根据权利要求1所述的基于贝叶斯网络的Web服务组合异常诊断方法，其特征在于，步骤S3中，从输出节点中选取证据集的具体方法为：

其中，

D(S_i,O_j)＝H(S_i|O_j)，H(S_i|O_j)表示条件熵。

7.根据权利要求6所述的基于贝叶斯网络的Web服务组合异常诊断方法，其特征在于，步骤S3中，利用k-means聚类算法，对输出节点集合O求出若干个聚类中心点，然后以这些聚类中心点作为证据集O_subset。