[发明专利]基于轨迹日志学习的微服务潜在错误与故障根源预测方法

摘要

本发明属于软件工程技术领域，具体为一种基于轨迹日志学习的微服务潜在错误与故障根源预测方法。本发明方法包括离线训练和在线预测两部分；离线训练部分通过运行微服务应用及其经故障注入得到的故障版本获得大量的轨迹日志，在此基础上通过特征抽取和机器学习获得微服务潜在错误与故障根源预测模型；在线预测部分持续收集运行中的微服务应用执行轨迹日志，抽取特征后利用训练好的预测模型预测潜在错误、故障类型以及故障所在的微服务。

主权项

1.一种基于轨迹日志学习的微服务潜在错误与故障根源预测方法，其特征在于，包括离线训练和在线预测两部分；所述离线训练部分通过运行微服务应用及其经故障注入得到的故障版本获得大量的轨迹日志，在此基础上通过特征抽取和机器学习获得微服务潜在错误与故障根源预测模型；所述在线预测部分，持续收集运行中的微服务应用执行轨迹日志，抽取特征，然后利用训练好的预测模型预测潜在错误、故障类型以及故障所在的微服务；所述预测模型融合了执行轨迹和微服务两个层次的预测；其中，轨迹层次包括三个模型：LE模型，用于预测潜在错误；FM模型，用于预测故障微服务；FT模型，用于预测故障类型；微服务层次包含一个MS模型，用于直接预测每个微服务是否包含故障及其故障类型；所有四个预测模型都是分类模型；轨迹层次的三个模型在训练和预测时都将所给的轨迹实例作为整体，其中：LE模型是一个二元分类模型，将一个轨迹实例分类为包含潜在错误和不包含潜在错误两类；FM模型是一个多标签分类模型，将一个轨迹实例中包含的一个或多个微服务预测为有故障的；FT模型是一个多标签分类模型，预测一个轨迹实例中所包含的一个或多个故障类型；微服务层次的MS模型针对所给的轨迹实例中涉及的微服务分别进行训练和预测，该模型是一个单标签分类模型，用于预测一个微服务的故障状态；两个层次的预测模型在使用时按照如下方式组合：首先使用轨迹层次的LE模型预测当前微服务运行轨迹是否存在潜在错误；如果LE模型预测结果置信度达到阈值，那么继续使用轨迹层次的FM模型和FT模型分别预测故障所在的微服务及其类型；置信度未达到阈值的，改为使用微服务级别的MS模型进行预测。