[发明专利]基于深度卷积迁移学习软件系统故障监测方法及系统

说明书

本发明涉及一种基于深度卷积迁移学习软件系统故障监测方法及系统，属于计算机软件测试领域，包括以下步骤：收集已有负载S下的软件系统负载数据集，构建源域数据集；对每一组原始响应时间都进行点数分割，构建源域样本数据集；构建目标域数据集，并对目标域数据集中的每组原始响应时间进行点数分割，构建目标域样本数据集；将源域样本数据集和目标域样本数据集利用深度卷积迁移学习，实现对软件系统进行故障监测。本发明可以在面对多负载下故障样本较少或某故障样本缺失等情况发生时，仍旧可以获得较为理想的故障监测效果，且在新负载下的数据集，不需要重新训练网络模型，可以节约大量时间。

技术领域

本发明属于计算机软件测试领域，涉及一种基于深度卷积迁移学习软件系统故障监测方法及系统。

背景技术

随着计算机软件规模的日益庞大与复杂，其质量难以得到有效的控制和保障。软件系统在大量用户运行过程中，负载加到临近边界时的将会出现不同程度故障。如何有效提取并利用已有的响应时间信息对软件故障进行快速、精确地识别、预测是目前软件故障监测领域的一个关键问题。

软件系统无法响应或停止运转，给用户造成很差的用户体验，而且可能给公司形象造成很大的面影响，甚至可能造成的损巨大。因此通过对软件系统监测、故障监测和宕机预测，在设备发生故障或即将发生故障时对设备进行扩展或分流维护，对于提高软件系统的可靠性以及经济性具有重要意义。

面对监测实际负载过程中软件系统常运转在不同负载的情况下响应时间，且软件系统产生故障状态较少。从而导致软件系统在实际负载中所监测采集的故障状态数据有着多负载，故障状态样本较少甚至某一故障状态样本缺失的特点。传统诊断方法在面对不同负载下的故障数据样本，需在负载改变时重新网络模型，其过程花费大量时间。并且多数传统诊断方法依赖于大量故障标签数据，而在面对故障状态样本不足或故障状态样本缺失情况发生时，传统网络模型的泛化能力不佳，对故障监测效果并不理想。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度卷积迁移学习软件系统故障监测方法及系统，其在面对多负载下故障样本较少或某故障样本缺失等情况发生时，仍旧可以获得较为理想的故障监测效果，且在新负载下的数据集，不需要重新训练网络模型，可以节约大量时间。迁移学习是运用已有知识对不同但相关领域问题进行求解的学习方法，该方法通过将源领域学习得到的知识迁移至目标领域中，以实现领域知识共享，从而解决目标领域内学习样本少、样本分布不平衡造成的训练模型性能差的问题。与增量学习、多任务学习以及自我学习等方法相比，迁移学习着重强调学习任务之间的相关性，并利用这种相关性完成知识之间的迁移。深度学习的概念起源于人工智能的机器学习领域，由多隐藏层组成的深度神经网络模型(Deep Neural Network，简称DNN)是深度学习模型的显著特点。相比于浅层神经网络模型，DNN可以组合底层特征形成更加抽象的高层特征表示，从而发现数据的隐含特征表达，通过数据特征的逐层转化，有效地提取和表示信息的特征。迁移学习(Transfer Learning)是一种机器学习方法，是把一个领域(即源领域)的知识，迁移到另外一个领域(即目标领域)，使得目标领域能够取得更好的学习效果。

为达到上述目的，本发明提供如下技术方案：

一方面，本发明提供一种基于深度卷积迁移学习软件系统故障监测方法，包括以下步骤：

S1：收集已有负载S下的软件系统负载数据集，构建源域样本数据集；

S2：对每一组原始响应时间都进行点数分割，构建源域数据集；

S3：构建目标域样本数据集，并对目标域数据集中的每组原始响应时间进行点数分割，构建目标域数据集；

S4：将源域数据集和目标域数据集利用深度卷积迁移学习，实现对软件系统进行故障监测。