12，C 21}，{C12，C22}}，即组件Cn= INIT出错可能性 最大。
[0077] 定位出出错组件后，系统将进行重新配置。
[0078] (5)系统重新配置：配置系统有两种方法，即增加与故障组件功能相同的组件和 替换故障组件。通过判断两种方法所能带来的可靠性的提升程度来选择合适的配置方法。 对于增加与故障组件功能相同的组件时，系统的轨迹将增加，需要重新计算轨迹以及轨迹 的概率和可靠性；对于替换故障组件，系统的轨迹和轨迹的概率将不会发生变化，但是各轨 迹的可靠性需要重新计算。
[0079] 首先，计算添加新组件后的系统可靠性。添加与组件Cn= INIT功能相同的新组 件Cn'= INIT'，重新计算系统可靠性。如图2所示，添加新组件Cn'=INIT'后系统部分 的架构图。添加新组件Cn' = INIT后，系统可选择组件Cn= INIT与Cn' = INIT两条路 径开始执行，且两条开始路径互斥。因此，系统的轨迹变为原来的二倍。各端口可靠性如下 所示：
[0080]
[0082] 添加新组件后整个系统的可靠性为：
[0084] 其次，计算替换出故障组件后的系统可靠性。用功能相同的新组件Cn" = INIT" 替换故障组件Cn= INIT，重新计算系统可靠性。各端口可靠性如下表所示：
[0085]
[0086] 替换出故障组件后整个系统的可靠性为：
[0088] 比较添加新组件与替换出故障组件两种方案的实验结果可得，在此实验中，当系 统可靠性达不到预期值时，更换组件提高的系统可靠性效果要更好。因此，本实例中采取更 换故障组件Cn= INIT的策略来自动提高系统可靠性。
[0089] 通过上述5个步骤，即可完成购物系统的在线可靠性预测和在线可靠性提高。应 当指出：本发明在考虑系统的配置时，只关心不同方法对系统可靠性的提升程度，而未考虑 替换组件和增加组件的时间成本和空间成本；当同时考虑时间成本和空间成本时，可能有 不同的关注点，因此选择的配置方案也将发送变化，因此，在不脱离本发明原理的前提下， 可以对系统重新配置做出若干改进，这些改进也应视为本发明的保护范围。
【主权项】
1. 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（ARIM)，该模型的形式为ARIM(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{Yi，Y2,…，YJ不平稳时，通过逐次差 分，直到获得新的平稳序列找i，X2,…，Xt_d}，其中所进行的差分次数即为d的值；然后再将 平稳序列找1，《2，…，Xt_d}零均值化处理义支； (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；根据所得模型预测找/}，然后还原为失效数据{YJ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是一个多元组化，Pr，G，W)，Pp是提供端口的有限集，Pr是需求端口 的有限集，G是有限子组件集，rC7PX护.PpUC."表示非自反关系的端口关系，且TP= PpUPrUUC E共Pr，C.Pp和C.Pr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，认为该个端口被访问一次；表示端 口P在一段时间间隔[〇，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，表 示预测过程中错误的次数；假设端口P有操作Pi-P2,则在时间T端口P的可靠性定义为：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(化）是轨迹化的可靠性，f (tr1)是轨迹化的发生频率； (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，该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(jG{1，……，M})，可能有E个错误组件；诊断报告D= <…，dk，…〉为有 序的可能的多个错误的组件候选集，dk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ay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；S化输入频谱矩阵（A，e)，产生有序的 组件错误可能性排行；组件W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：其中， 〇11(j) = I U e (1，2,…，N} 13。'〉0 八 1} nio(j) = I UG (1，2, ...'N} |3。'〉0 八 0} n〇i(j) = I Ue (1，2,…，N} |au= 0 八ei= 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dk的所有观测值，每 个候选集dk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dk的后验概率的计算公式为：令Pfa) =P表示组件Cj.错误的先验概率，假设组件错误是独立的，则候选集dk的先 验概率为：Pf(obs)是为正规化因子，无需计算；因每次执行是独立的，故其中Pr(obSildk)的定义如下：其中hj.G[0, 1]表示组件j正常工作的概率； 因此，Pr(obs|dk)是关于hj.的表达式，通过最大似然估计法可W得到hj的估计值，实 际上就是求解如下极值问题；巧。沪叫'心4;其中，G=(hjG[0, 1] :j= 1, 2,…，M}; (6)系统重新配置；对于故障组件，可W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。2. 根据权利要求1所述的购物系统的在线可靠性预测和提高方法，其特征在于，所述 步骤（2)中，ARIM(p，d，q)模型的确立使用Eviews统计分析软件来完成，具体包括如下过 程；时间序列数据的平稳化处理、模型参数估计。3. 根据权利要求1所述的购物系统的在线可靠性预测和提高方法，其特征在于，所述 步骤巧）中，故障组件的定位包括；根据各个组件在每次测试中经过的次数构建频谱矩阵， 根据频谱矩阵产生故障组件的候选集，利用极大似然估计确定候选集的后验概率，数值最 大的即为选择的故障组件集合。
【专利摘要】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。
【IPC分类】G06Q10/04, G06Q30/02
【公开号】CN104933492
【申请号】CN201510407544
【发明人】丁佐华, 杨晓燕, 徐婷, 周远
【申请人】浙江理工大学
【公开日】2015年9月23日
【申请日】2015年7月10日