[发明专利]一种基于隐马尔科夫模型的软件系统状态预测方法

说明书

技术领域

本发明涉及计算机软件技术领域，具体地，涉及一种基于隐马尔科夫模型的软件系统状态预测方法，主要应用于大型软件管理系统的运行状态预测。

背景技术

随着计算机的普及和应用，各个企业对大型软件管理系统需求越来越高。各式各样的软件管理系统成为各个企业安全、可靠和稳定运行的重要保障。因此，迫切要求提出以评估软件系统运行状态为基础的系统评估和预测机制，提高其运行的可靠性，以保证软件系统中各向功能的安全使用。但是软件状态预测方面，其理论与技术的发展仍然处在一个初级的阶段。

软件状态预测指通过历史信息以及软件系统当前状态信息，对于软件系统未来时间可能出现的状态进行预测。准确的预测软件状态有助于运维人员及早发现和处理可能的问题，防止功能降级,或者系统崩溃等。

当前主流预测方法主要基于时间序列法，从以往系统状态序列中找到一定模式进而推测未来系统状态，预测准确率低，且该方法并未发掘系统实际状态和系统观测参数之间的联系。

发明内容

本发明的目的就在于克服现有技术在软件运行状态预测中的缺点和不足，提供一种基于隐马尔科夫模型的软件系统状态预测方法。该方法基于隐马尔科夫模型对系统实际状态和系统观测参数之间关系进行建模，进而根据系统观测值对系统实际状态进行预测。

本发明解决上述问题所采用的技术方案是：

一种基于隐马尔科夫模型的软件系统状态预测方法，包括以下步骤：

步骤1、构造训练样本集，采用K均值聚类算法将训练样本集中的样本聚为k簇；

步骤2、构造隐马尔科夫模型λ＝[π,A,B]，将步骤一中的k个簇作为模型的观测状态，将系统状态作为隐藏状态；π为初始状态的概率分布，A为隐藏状态转移矩阵，B为隐藏状态与观测状态关系矩阵；

步骤3、对隐马尔科夫模型进行训练，得到新的隐马尔科夫模型

步骤4、利用采集的系统观测值和新的隐马尔科夫模型对系统实际状态进行预测。

作为本发明的进一步改进，所述步骤2包括以下步骤：

步骤21、将步骤1中的k个簇作为隐马尔科夫模型的观测状态,观测状态个数为M，M＝k；

步骤22、系统状态由正常、注意、异常和危险四个状态构成，这四个状态作为隐马尔科夫模型的隐藏状态，隐藏状态个数为N，N＝4。

进一步，所述步骤3包括以下步骤：

步骤31、随机赋值初始化隐马尔科夫模型的参数，得到初始化的隐马尔科夫模型；

步骤32、选定一组已知的观测序列O＝{o₁,o₂,…,o_T}，利用该观测序列和初始化的隐马尔科夫模型和对隐马尔科夫模型进行重估，并对重估后的隐马尔科夫模型进行反复迭代重估，直至收敛，得到训练好的隐马尔科夫模型。

进一步，步骤1包括以下步骤：

步骤11、从系统运行历史数据中采集T个时刻的软件运行状态参数，构造训练样本集X，训练集合为{x⁽¹⁾，x⁽²⁾，x⁽³⁾，…，x^(T)}；

步骤12、采用K均值聚类算法将样本集中的所有样本聚为k类，具体包括以下步骤：

(b1)随机选取k个聚类质心点：μ_1，μ₂，...，μ_k；

(b2)重复b21-b22直到收敛：

(b21)对于每一个样本x^(q)，q＝1,2，…，T，计算其应该属于的类：

c^(q)表示每一个样本x^(q)应该属于的类，c^(q)的取值范围为{1,…,k}；

(b22)在步骤(b21)将所有样本分类完成后，对于每一个类，重新计算该类的质心：

进一步，步骤12中，将采用K均值聚类算法将样本集中的所有样本聚为8类。

进一步，步骤32包括以下步骤：

步骤321.选定一组已知的观测序列O＝{o₁,o₂,…,o_T}；

步骤322.设定收敛条件，收敛条件为ε＝10^-3，为重估的隐马尔科夫模型中观察到观测序列O的概率，P(O|λ)为当前的隐马尔科夫模型中观察到观测序列O的概率；