[发明专利]基于多维度分析的云网络共享资源异常根因定位方法

说明书

本申请提出了一种基于多维度分析的云网络共享资源异常根因定位方法，涉及云网络流量异常根因定位技术领域，其中，该方法包括：根据异常信息从数据存储集群中分别获取共享资源流量数据和使用共享资源流量数据的所有虚拟主机的流量数据；分别对共享资源和虚拟主机的流量数据进行三个维度的计算，得到三个维度计算结果，其中，三个维度包括预测偏差维度、异常幅度、形状相似度；对三个维度计算结果进行整合，得到根因列表。采用上述方案的本申请提出基于多维度分析的通用云网络共享资源异常根因定位框架，通过对预测偏差、异常幅度、形状相似度三个维度的分析，提出了一种综合的排序算法，来实现快速、准确、通用的异常定位。

技术领域

本申请涉及云网络流量异常根因定位技术领域，尤其涉及一种基于多维度分析的云网络共享资源异常根因定位方法和装置。

背景技术

随着云技术的不断发展，目前大量的企业与个人用户选择将业务放在云网络中。随着云网络规模的不断扩大，云网络的运维与管理逐渐成为新的技术挑战。共享资源型的服务在云网络中普遍存在，例如用户购买的NAT服务、共享带宽、共享流量包、专线业务等。这种共享资源型的服务在给用户带来低成本和高效的管理服务的同时，也给网络运维带来新的挑战，尤其当共享资源存在异常时，如何快速准确的定位产生异常的虚拟机主机是一个难以解决的问题。

现有的技术实现方案：

目前的解决方案主要有三种：基于流量Top N的统计、基于Session数据的聚合分析以及基于机器学习的分析方法。

基于流量Top N的统计方法：

流量Top N的统计方法是目前常用的方法，是指在出口流量产生异常时，通过统计流量排名靠前的N个虚拟机来作为可能的异常根因。这种方法仅适用于流量平稳，且异常类型属于明显的尖峰型异常的情况。但实际的网络流量时间序列往往具有较高的复杂性与不确定性，并且异常类型还包括骤降、高频抖动等其他类型，因此这种方法适用范围有限。

基于Session数据聚合的分析方法：

网络流量出口NAT网关上有相比单一流量统计信息更加细粒度的会话(Session)统计信息，通过对每个虚拟机的流信息统计，可以更加精准的汇聚虚拟机的流量变化情况，进而分析出可能的异常根因虚拟机。然而，Session数据规模巨大，如果基于Session数据进行根因分析，相比于基于虚拟机的出口流量统计分析的方法，需要多花费更大的存储空间，且随着云网络规模的不断扩张，难以进行有效的扩展。

基于机器学习的分析方法：

目前针对类似的根因分析问题，业界多采用基于预测算法与聚类分析的方法，即先对每个可能的根因节点曲线进行预测，得到偏差曲线，进而在对偏差曲线进行聚类分析。这种方法只适用于小规模的根因分析问题，多用于微服务、小型分布式软件系统、物联网系统等。在云网络这种大规模的网络环境中，很难实现对所用用户的虚拟机采取精准预测的方法来构建每台主机的精准偏差。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种基于多维度分析的云网络共享资源异常根因定位方法，解决了现有方法难以满足大规模、异常类型多样性、实时性、以及动态性的问题，还解决了现有方法需要多花费更大的存储空间，且难以进行有效扩展的问题，通过对预测偏差、异常幅度、形状相似度三个维度的分析，提出了一种综合的排序算法，来实现快速、准确、通用的异常定位。

本申请的第二个目的在于提出一种基于多维度分析的云网络共享资源异常根因定位装置。

本申请的第三个目的在于提出一种非临时性计算机可读存储介质。