[发明专利]一种尾延迟异常云审计系统及方法

权利要求书

1.一种尾延迟异常云审计方法，应用于尾延迟异常云审计系统，该系统由控制器模块（100）、数据采集模块（110）和数据分析模块（120）组成；数据采集模块（110）还包括每台物理服务器上部署的数据采集模块代理（1101）；

所述控制器模块（100）从每台物理服务器上部署的数据采集模块代理（1101）处获取当前系统负载，然后针对每台物理服务器生成特定的数据采集计划；随后所述控制器模块（100）将生成的数据采集计划发送给数据采集模块代理（1101）；

每个数据采集模块代理（1101）按照本地的数据采集方案收集当前服务器上所部署的每个微服务的运行时指标，然后按照通信周期上传给数据分析模块（130）；

数据分析模块（120），用于对所收到的各数据采集模块代理（1101）发送的数据做一次数据整合，实现微服务按照应用分类以及将每个微服务的运行时数据按照时间排序的工作；在完成数据整合之后，将属于云服务的所有微服务指标数据输入给多分类机器学习模型，利用该机器学习模型判断尾延迟异常的原因并输出审计结果；其特征在于，该审计方法的具体过程如下：

系统运行初始时，控制器模块（100）为每一个数据采集模块（110）设置初始化采样周期；随着系统的运行，控制器模块（100）根据数据数据采集模块（110）反馈的当前系统负载以及微服务运行时指标数据的变异系数动态决定每个数据采集模块（110）的采样周期；控制器模块（100）根据数据采集模块（110）的采样周期以及当前网络的拥塞状态动态决定数据采集模块（110）和数据分析模块（120）之间的通信周期；

根据控制器模块（100）下发的数据采集计划中规定的采样周期以及采样指标修改本地的数据采集方案，按照控制器模块（100）下发的采样周期，周期性对需要审计云服务的系统层和微架构层指标进行采集，同时计算每个维度指标的变异系数，将每一个采样周期内采集到的指标数据与各维度的变异系数一同发送给数据分析模块（120）进行尾延迟异常审计；

利用数据分析模块（120）进行机器学习模型输入数据的整合，首先将需要审计的云服务进行区分，然后将各微服务按照已知的有向无环图归类到各云服务中，实现对微服务的分类；构建多分类机器学习模型，将一组微服务数据输入到已经训练好的多分类机器学习模型中，由机器学习模型输出定位到的故障微服务，并给出其异常原因分析。