[发明专利]购物系统的在线可靠性预测和提高方法

摘要

本发明公开了一种购物系统的在线可靠性预测和提高方法，在该方法中，系统的可靠性采用时间序列分析模型ARIMA进行预测，可靠性的提高通过对错误组件进行定位并重配置来实现，具体包括如下步骤：（1）配置日志文件，收集系统实时运行数据；（2）根据收集到的数据，确定ARIMA模型ARIMA(p,d,q)；（3）根据所得的预测模型ARMA预测未来一段时间内的实效数据；（4）计算系统在未来一段时间内的可靠性；（5）当预测的可靠性低于预期值时，通过频谱定位方法查找可能出故障的组件；（6）分别考虑增加和故障组件功能相同的组件和替换故障组件所能带来的系统的可靠性提高程度，选取可靠性提高最多的方法来对系统重新配置以提高可靠性。

主权项

一种购物系统的在线可靠性预测和提高方法，其特征在于，包括如下步骤：(1)收集系统实时运行数据：通过配置系统的日志文件来收集系统实时运行数据，对于java应用程序的购物系统，通过配置log4j来获得系统的运行日志；(2)根据收集到的实时运行数据，确定进行失效数据预测的时间序列分析模型，即自回归积分滑动平均模型(ARIMA)，该模型的形式为ARIMA(p,d,q)，其中p，q分别表示自回归项和移动平均项，d表示时间序列成为平稳时所做的差分次数；根据样本数据确定模型中的参数；(3)失效数据的预测：确定预测模型之后，根据当前和过去的数据预测系统在未来一段时间内的失效数据；具体包括如下步骤：(3.1)失效数据的平稳化处理：当失效数据序列{Y₁，Y₂，…，Y_t}不平稳时，通过逐次差分，直到获得新的平稳序列{X₁，X₂，…，X_t‑d}，其中所进行的差分次数即为d的值；然后再将平稳序列{X₁，X₂，…，X_t‑d}零均值化处理(3.2)模型确定：利用最小二乘估计法、极大似然估计法对ARMA(p，q)的自回归系数，滑动平均系数进行估计；再利用AIC准则进行模型定阶，有着最小AIC值的模型即为最优模型；最后判断此模型的残差序列是否为白噪声，若是则通过检验，得出软件可靠性预测模型，否则，重新计算；(3.3)失效数据预测：根据所得模型预测{X_t’}，然后还原为失效数据{Y_t}的预测结果；(4)系统可靠性预测：根据预测的失效数据和基于组件的可靠性计算模型，计算系统在未来一段时间的可靠性；所述基于组件的可靠性模型具体如下：端口：端口p是一个多元组(M，t，c)，M在端口p中是一个方法的有限集，t表示提供或需求的端口类型，c表示同步或异步的通信类型；组件：组件Com是一个多元组(P_p，P_r，G，W)，P_p是提供端口的有限集，P_r是需求端口的有限集，G是有限子组件集，表示非自反关系的端口关系，且TP＝P_p∪P_r∪∪_C∈GC.P_r，C.P_p和C.P_r分别表示子组件C提供和需求的端口集；使用端口活动描述组件的动态行为，其基本活动被认为是两个端口之间的信息交换；端口的可靠性预测：当一个端口的方法被调用时，认为这个端口被访问一次；n_i表示端口p在一段时间间隔[0，T]内被访问的次数；预测过程中一个失效数据表示一次错误，f_i表示预测过程中错误的次数；假设端口p有操作p₁→p₂，则在时间T端口p的可靠性定义为：$r(p\&lsqb;p_1\&RightArrow;p_2\&rsqb;)=1-\frac{f_i}{n_i};$系统的可靠性预测：系统在执行一段时间后的可靠性定义为:其中r(tr_i)是轨迹tr_i的可靠性，f(tr_i)是轨迹tr_i的发生频率；(5)故障组件的定位：如果预测的可靠性低于预期值时，则需寻找引起系统可靠性降低的组件，这里利用频谱定位和极大似然估计方法来定位故障组件；假设系统由M个组件组成，记为Cj(j∈{1，……，M})，可能有E个错误组件；诊断报告D＝<…，d_k，…>为有序的可能的多个错误的组件候选集，d_k按照错误的可能性排列；建立频谱矩阵：频谱矩阵表示系统动态行为中所包含的组件的标记；系统每执行一次，经过了的组件记为1，否则为0；假设共执行了N次，频谱矩阵表示为一个N*M的矩阵A；考虑了所经组件的次数，故矩阵元素a_ij表示组件Cj在第i次执行时是否经过此组件及经过的次数；执行的结果存储在向量e中，表示每次执行完后，若运行通过，则记为0，运行失败记为1；候选集生成：使用最小命中集算法来计算诊断候选集，基于频谱的错误定位技术(SFL)能很好地按照组件故障可能性预测故障排行；SFL输入频谱矩阵(A，e)，产生有序的组件错误可能性排行；组件以相似系数计算排名，即排名最高的组件往往是错误的；具体相似系数的定义为：$s\left(j\right)=\left\{\begin{array}{c}\frac{n_{11}\left(\right\{j\left\}\right)}{den\left(j\right)=\sqrt{\left(n_{11}\right(\left\{j\right\})+n_{10}(\left\{j\right\}\left)\right)*\left(n_{11}\right(\left\{j\right\})+n_{01}(\left\{j\right\}\left)\right)}},den\left(j\right)\&NotEqual;0\\ 0,otherwise\end{array}\right.$其中，n₁₁(j)＝|{i∈{1,2,…,N}|a_ij>0∧e_i＝1}|n₁₀(j)＝|{i∈{1,2,…,N}|a_ij>0∧e_i＝0}|n₀₁(j)＝|{i∈{1,2,…,N}|a_ij＝0∧e_i＝1}|候选集排序：使用贝叶斯规则来计算候选集的概率；根据候选集d_k的所有观测值，每个候选集d_k的概率描述了实际系统的错误情况；由贝叶斯规则得出，在所观测到的观测值下候选集d_k的后验概率的计算公式为：$P_r\left(d_k\right|obs)=\frac{P_r\left(obs\right|d_k)}{P_r\left(obs\right)}\&CenterDot;P_r\left(d_k\right)$令P_r(j)＝p表示组件C_j错误的先验概率，假设组件错误是独立的，则候选集d_k的先验概率为:$P_r\left(d_k\right)=p^{\left|d_k\right|}\&CenterDot;{(1-p)}^{M-\left|d_k\right|}$P_r(obs)是为正规化因子，无需计算；因每次执行是独立的，故$P_r\left(obs\right|d_k)=\underset{i=1}{\overset{N}{\&Pi;}}{P}_r\left({\mathrm{obs}}_i\right|d_k)$其中Pr(obs_i|d_k)的定义如下：其中：其中h_j∈[0,1]表示组件j正常工作的概率；因此，Pr(obs|d_k)是关于h_j的表达式，通过最大似然估计法可以得到hj的估计值，实际上就是求解如下极值问题：其中，G＝{h_j∈[0,1]:j＝1,2,…,M}；(6)系统重新配置：对于故障组件，可以替换该组件或者在系统中增加与故障组件功能相同的正常组件，通过计算两个方法所能获得的可靠性选取可靠性提高最大的方法。