一种基于混合神经网络和注意力机制的服务系统可靠性分析系统及预测方法

1.本发明涉及一种分析系统，具体涉及一种基于混合神经网络和注意力机制的服务系统可靠性分析系统，属于服务计算领域。


背景技术：

2.随着全球化协同需求的激增和服务计算技术的深入实践，服务化已成为当前构造复杂软件的主流趋势。作为构建服务系统(service-oriented systems)的核心技术，服务组合不仅需要满足用户的功能需求，还需保证服务质量(quality of service，qos)，服务质量保障的前提是能够发现问题，也即需要实现服务系统可靠性度量技术。然而，随着服务技术的发展和用户需求的复杂多样化，服务系统的构造问题日益表现出动态化、规模化以及偏好多样化等特点，进而从服务系统故障监测配置、服务系统故障监测优化规模及服务系统故障监测优化目标等方面给服务系统可靠性度量技术带来了一系列新的挑战。研究智能应用系统适应性演化机理，探索在面向高动态、易变化大数据环境下，根据人机群体复杂智能系统网络资源调用、数据处理、系统内服务组件交互难的特点，分析其与运行环境、用户负载和吞吐量之间的关联性，研究动态环境下智能应用系统自适应构建的规律，抽取服务系统在线资源特征信息，构建服务系统精细化资源特征画像收集服务系统运行时高质量数据用于服务系统可靠性度量与预测等任务。
3.因此，为了有效的监督服务系统中组件服务的可靠性趋势走向，开发新的算法用于服务系统可靠性分析具有重要的理论意义与实际应用价值。


技术实现要素：

4.本发明正是针对现有技术中存在的问题，提供一种基于混合神经网络和注意力机制服务系统可靠性分析系统，该技术方案给出了一种新的服务系统运行时可靠性分析的思维方式，充分利用服务系统运行时软硬件环境中蕴含系统可靠性的特征，提高服务系统可靠性分析的准确度。
5.为了实现上述目的，本发明的技术方案如下，一种基于混合神经网络和注意力机制的服务系统可靠性分析系统，其特征在于，所述分析系统包括
6.数据获取模块：借助promethus云原生监控技术实时获取并存储服务系统中的大量软硬件环境运行时时序信息；
7.数据库存储模块：将实时获取到的服务系统历史qos数据落盘到数据库中，并对其做持久化存储；
8.数据预处理模块：对服务系统软硬件环境运行时时序信息进行预处理，包括数据最小最大归一化；
9.时序数据可靠性分析模块：利用基于混合神经网络和注意力机制算法挖掘服务系统运行时的软硬件状态时序数据，并对该类时序信息进行系统可靠性分析和预测；
10.服务系统可靠性信息展示模块：将分析出的可靠性信息以可视化的形式直观地展示出来；
11.各模块之间的的控制关系：通过数据获取模型获取服务系统实时qos数据，将服务系统qos数据落盘到数据库，从数据库中抽取服务系统qos数据，数据预处理模块对抽取到的数据进行预处理操作，将预处理好的服务历史qos数据放入提前训练好的可靠性分析预测模型中，得到对应未来有效预测周期内的服务可靠性等级分类，将预测到的服务可靠性情况抛出到信息展示模块，对服务未来可靠性预测等级信息和通过web接口拿到的服务系统历史qos信息进行结合，将结合后的信息在信息展示模型进行动态实时渲染。
12.该系统利用prometheus云原生监控技术实时获取并存储服务系统软硬件时序信息，然后利用混合神经网络发现服务系统运行时高维指标的时序数据性状，实时关注服务系统的软硬件信息即其服务运行可靠性的趋势。
13.一种基于混合神经网络和注意力机制服务系统可靠性预测方法，所述方法包括以下步骤：
14.步骤1：数据最小最大归一化；
15.我们使用数据最小最大归一化方法，实现服务qos时间序列信息的数据规范化，标准化服
16.务响应时间、服务吞吐量和服务可靠性到[0，1]；
[0017][0018][0019][0020]
其中responsetime*，throughput*，reliability*为responsetime，throughput，
[0021]
reliability归一化后的结果。responsetime
max
，throughput
max
，reliability
max
为服务
[0022]
系统qos数据中服务响应时间，服务吞吐量，服务可靠性一一对应的最大值；
[0023]
responsetime
min
，throughput
min
，reliability
min
为服务系统qos数据中服务响应时间，
[0024]
服务吞吐量，服务可靠性一一对应的最小值。
[0025]
步骤2：时序数据窗口划分；
[0026]
对最小最大归一化后的数据进行时序数据窗口划分，按照历史服务系统qos顺序，前导时间，未来有效预测周期内的服务系统可靠性数据的顺序进行数据划分，对未来有效预测周期窗口内的服务系统可靠性数据进行平均操作，得到对应未来有效预测周期窗口内服务系统可靠性分类标记，设置服务历史qos数据的时间序列长度为t，服务qos的维度为n，经过数据归一化操作和时序数据窗口划分，得到一个t*n服务历史qos矩阵q＝{q1，q2，...，q
t
}和一个服务未来有效预测周期内可靠性等级分类序列l＝{l1，l2，...，l
t
}，其中qi＝{responsetimei，thoughtputi，reliabilityi}
[0027]
步骤3：使用多粒度lstm提取服务qos时间序列特征；
[0028]
使用神经单元数量为128、64、32的lstm用于提取服务qos时间的特征，q＝{q1，q2，...，q
t
}作为lstm模型的输入，输出结果可以得到rj＝{r
j1
，r
j2
，...，r
jt
}(j＝32，64，128)
[0029]
步骤4：使用注意力机制提取服务qos敏感信息；
[0030]
在整个服务qos时间片中，计算的注意力得分对计算得到的注意力得分使用softmax函数计算得到注意力分布值。最后，计算服务qos经过注意力提取后的特征向量r
′
。
[0031][0032][0033]
步骤5：服务qos特征融合；
[0034]
在每个粒度下融合服务qos时间序列特性r
′
32
，r
′
64
，r
′
128
。计算公式如下：
[0035]
m＝concat(r
′
32
，r
′
64
，r
′
128
)
[0036]
步骤6：使用多核卷积神经网络提取服务qos特征画像信息；
[0037]
本专利中使用3x64、2x32卷积核，具体卷积计算公式如下：
[0038]c64
＝w
3*64
m[i：i+63](i＝1，2，...，t)
[0039]c64
经过批归一化和relu激活函数后，得到c64
[0040]c32
＝w
2*32c′
64
[i：i+31](i＝1，2，...，t)
[0041]c32
经过批归一化和relu激活函数后，得到c
′
32
[0042]
步骤7：最大卷积池化服务qos特征矩阵；
[0043]r″′
＝max(c
′
32
)
[0044]
步骤8：使用全连接层缓冲服务可靠性分类特征；
[0045]r″′
＝w3r
″
+b
″′
[0046][0047]
步骤9：损失函数的计算；
[0048]
最后，我们使用稀疏分类交叉熵作为ahn_sr的损失函数，计算公式为：
[0049][0050]
相对于现有技术，本发明具有如下优点，该技术方案一方面可以补充现有研究在服务系统可靠性分析研究方面的缺陷，从一个新的角度，为维护服务系统可靠性提供一种基于混合神经网络和注意力机制的服务系统可靠性分析方法。相比于现有的服务系统可靠性分析方法，本发明融合混合神经网络的优势与注意力机制的关键信息抓取，充分利用服务系统运行时的软硬件环境信息，从而在服务系统可靠性分析方面具有更高的准确度。本方案使用了服务系统可靠性多分类预测方法，相比于过去的服务系统可靠性回归预测方法，本发明中提出的基于混合神经网络和注意力机制算法，首次针对服务等级多分类前提下的服务系统可靠性预测问题，利用多粒度的lstm神经网络、注意力机制、多核的cnn神经网络提取服务系统qos画像中的服务运行特征，相比于传统的服务系统可靠性回归预测方法，本发明中提出的方法可以直接得到当前的服务属于哪个服务可靠性等级，直接判断该服务是否满足服务提供方与服务使用方之间的服务等级协议。
附图说明
[0051]
图1是基于混合神经网络和注意力机制的服务系统可靠性预测方法流程图；
[0052]
图2是基于混合神经网络和注意力机制的服务系统可靠性预测方法框架图；
[0053]
图3是服务系统可靠性分析系统框架图。
具体实施方式
[0054]
为了加深对本发明的理解，下面结合附图对本实施例做详细的说明。
[0055]
实施例1：参见图1，基于混合神经网络和注意力机制的服务系统可靠性分析系统，所述分析系统包括
[0056]
数据获取模块：借助promethus云原生监控技术实时获取并存储服务系统中的大量软硬件环境运行时时序信息；
[0057]
数据库存储模块：将实时获取到的服务系统历史qos数据落盘到数据库中，并对其做持久化存储。
[0058]
数据预处理模块：对服务系统软硬件环境运行时时序信息进行预处理，包括数据最小最大归一化；
[0059]
时序数据可靠性分析模块：利用基于混合神经网络和注意力机制的算法挖掘服务系统运行时的软硬件状态时序数据，并对该类时序信息进行系统可靠性分析和预测；
[0060]
服务系统可靠性信息展示模块：将分析出的可靠性信息以可视化的形式直观地展示出来。
[0061]
各模块之间的的控制关系：通过数据获取模型获取服务系统实时qos数据，将服务系统qos数据落盘到数据库，从数据库中抽取服务系统qos数据，数据预处理模块对抽取到的数据进行预处理操作，将预处理好的服务历史qos数据放入提前训练好的可靠性分析预测模型中，得到对应未来有效预测周期内的服务可靠性等级分类，将预测到的服务可靠性情况抛出到信息展示模块，对服务未来可靠性预测等级信息和通过web接口拿到的服务系统历史qos信息进行结合，将结合后的信息在信息展示模型进行动态实时渲染。
[0062]
该系统利用prometheus云原生监控技术实时获取并存储服务系统软硬件时序信息，然后利用混合神经网络发现服务系统运行时高维指标的时序数据性状，实时关注服务系统的软硬件信息即其服务运行可靠性的趋势。
[0063]
实施例2：一种基于混合神经网络和注意力机制的服务系统可靠性预测方法，所述方法包括以下步骤：
[0064]
步骤1：数据最小最大归一化
[0065]
我们使用数据最小最大归一化方法，实现服务qos时间序列信息的数据规范化。标准化服务响应时间、服务吞吐量和服务可靠性到[0，1]。
[0066][0067][0068]
[0069]
其中responsetime*，throughput*，reliability*为responsetime，throughput，reliability归一化后的结果。responsetime
max
，throughput
max
，reliability
max
为服务系统qos数据中服务响应时间，服务吞吐量，服务可靠性一一对应的最大值。responsetime
min
，throughput
min
，reliability
min
为服务系统qos数据中服务响应时间，服务吞吐量，服务可靠性一一对应的最小值。
[0070]
步骤2：时序数据窗口划分
[0071]
对最小最大归一化后的数据进行时序数据窗口划分，按照历史服务系统qos顺序，前导时间，未来有效预测周期内的服务系统可靠性数据的顺序进行数据划分。对未来有效预测周期窗口内的服务系统可靠性数据进行平均操作，得到对应未来有效预测周期窗口内服务系统可靠性分类标记。我们设置服务历史qos数据的时间序列长度为t，服务qos的维度为n。经过数据归一化操作和时序数据窗口划分，我们得到一个t*n服务历史qos矩阵q＝{q1，q2，...，q
t
}和一个服务未来有效预测周期内可靠性等级分类序列l＝{l1，l2，...，l
t
}，其中qi＝{responsetimei，thoughtputi，reliabilityi}
[0072]
步骤3：使用多粒度lstm提取服务qos时间序列特征
[0073]
使用神经单元数量为128、64、32的lstm用于提取服务qos时间的特征。q＝{q1，q2，...，q
t
}作为lstm模型的输入，输出结果可以得到
[0074]
步骤4：使用注意力机制提取服务qos敏感信息
[0075]
在整个服务qos时间片中，计算的注意力得分对计算得到的注意力得分使用softmax函数计算得到注意力分布值。最后，计算服务qos经过注意力提取后的特征向量r
′
。
[0076][0077][0078]
步骤5：服务qos特征融合
[0079]
在每个粒度下融合服务qos时间序列特性r
′
32
，r
′
64
，r
′
128
。计算公式如下：
[0080]
m＝concat(r
′
32
，r
′
64
，r
′
128
)
[0081]
步骤6：使用多核卷积神经网络提取服务qos特征画像信息
[0082]
本专利中使用3x64、2x32卷积核，具体卷积计算公式如下：
[0083]c64
＝w
3*64
m[i：i+63](i＝1，2，...，t)
[0084]c64
经过批归一化和relu激活函数后，得到c
′
64
[0085]c32
＝w
2*32c′
64
[i：i+31](i＝1，2，...，t)
[0086]c32
经过批归一化和relu激活函数后，得到c
′
32
[0087]
步骤7：最大卷积池化服务qos特征矩阵
[0088]r″′
＝max(c
′
32
)
[0089]
步骤8：使用全连接层缓冲服务可靠性分类特征
[0090]r″′
＝w3r
″
+b
″′
[0091][0092]
步骤9：损失函数
[0093]
最后，我们使用稀疏分类交叉熵作为ahn_sr的损失函数。计算公式为：
[0094][0095]
通过以上的说明，我们可以得出结论，本发明提出的基于混合神经网络和注意力机制的服务系统可靠性预测方法和系统能够充分利用时序数据信息中的多维运行时信息，从而得到较高的分类精度，具有很高的应用价值。
[0096]
需要说明的是上述实施例，并非用来限定本发明的保护范围，在上述技术方案的基础上所作出的等同变换或替代均落入本发明权利要求所保护的范围。