[发明专利]通过AI的方式对软件变更后的健康状态进行评估的方法

说明书

本申请提出了一种通过AI的方式对软件变更后的健康状态进行评估的方法，涉及数据分析技术领域，其中，该方法包括：获取待检测的KPI时间序列，并对获取到的KPI时间序列进行中位差检验；若检测到某个数据点高于中位差检验的阈值，则对KPI时间序列的曲线进行无监督异常检测，得到每个点对应的异常分数；将异常分数作为极值理论的输入来确定动态阈值，根据曲线上待检测点的异常分数与此点对应阈值的比较来判断曲线是否有异常点；若曲线有异常点，使用空间回归算法对曲线进行评估，判断异常的种类。采用上述方案的本申请能够快速、准确判断异常是否是由软件变更导致的，从而完成对服务变更的评估，极大提高了服务变更评估的效率。

技术领域

本申请涉及数据分析技术领域，尤其涉及通过AI的方式对软件变更后的健康状态进行评估的方法和装置。

背景技术

微服务架构和敏捷开发产生了复杂的服务树结构，进而导致每天都有大量的服务变更发生，随着业务量的剧增，公有云每天发生数百次服务变更，失败服务变更已成为威胁云服务稳定性的最主要因素之一，运维人员手动操作大量的服务变更以及仅靠人工经验判断服务软件变更的异常，会很大程度的影响软件变更的效率和稳定性，为了确保服务的稳定性，需要快速、准确地评估服务变更是否成功，以便在变更失败时立即触发服务回滚操作，避免失败变更带来更大损失。

目前的现有技术主要有：

(1)os异常检测与诊断

通过分析日志数据对路由器、磁盘等硬件故障进行诊断；

(2)观察在线指标数据趋势，依赖人工经验判断服务异常

运维人员采取肉眼盯屏，观察服务变更变更时与变更后一段时间的指标曲线变化，依赖人工经验判断服务变更是否异常。

现有技术缺点：

1)运维人员只基于在线数据分析，依赖人工经验判断服务变更是否异常

这种方式没有采用历史数据，无法将当前的指标变化与历史数据变化趋势做对比，且仅靠运维人员人工经验判断易产生误判。

2)对于多种类的KPI曲线不具有鲁棒性

在检测结果中，呈现只对一种类型的曲线检测良好，无法对多种类型的曲线都达到良好的检测状态。

3)需要对每一条指标曲线设定特定的阈值

阈值的设定严重依赖运维工程师的个人经验及此时此刻具体的业务场景，并且随着业务量增长、业务场景的改变或者机器环境的变化，这些设定的阈值还需要不断地修改。

4)只对发生变更的服务进行异常检测之后未进一步验证异常是否是由软件变更导致的异常检测是采用发生服务变更的机器指标和业务指标数据进行分析和判断，未与同条件下的未发生软件变更的服务的指标数据进行变更前和变更后比较，无法辨别异常是由软件变更导致的还是其他原因引起的异常。

5)不同的实际变更场景采用相同的检测方案

由于常用的变更场景比如滚动发布、金丝雀发布、蓝绿发布的发布方式不同，在服务变更过程中引流方式具有差异性，使用同一检测方案不能实现最好的检测效果。

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通过AI的方式对软件变更后的健康状态进行评估的方法，在目前服务变更场景下和服务产生的历史数据基础上，以机器学习算法为核心，分析服务和机器的关键性能指标，提供更进一步的智能化异常检测，并快速、准确判断异常是否是由软件变更导致的，从而完成对服务变更的评估，使得运维人员在操作服务变更时能根据算法结果的反馈及时对服务进行回滚或下一步的操作，改变人工盯屏情况，很大程度上解放了运维人员的人工精力，避免失败变更带来更大损失，极大提高了服务变更评估的效率。