基于回歸分析的早期預(yù)警和失效預(yù)測(cè)技術(shù)

田從根 吳長(zhǎng)澤

(重慶大學(xué)計(jì)算機(jī)學(xué)院 重慶 400030)

基于回歸分析的早期預(yù)警和失效預(yù)測(cè)技術(shù)

田從根 吳長(zhǎng)澤

(重慶大學(xué)計(jì)算機(jī)學(xué)院 重慶 400030)

提前預(yù)測(cè)運(yùn)行時(shí)期失效的發(fā)生對(duì)于實(shí)現(xiàn)系統(tǒng)彈性和避免失效的嚴(yán)重后果有重要的意義。為了能對(duì)系統(tǒng)失效過(guò)程預(yù)測(cè)以及實(shí)現(xiàn)早期預(yù)警，進(jìn)而降低失效率，提高系統(tǒng)可靠性，提出采用回歸分析法?；阱e(cuò)誤日志記錄構(gòu)造錯(cuò)誤傳播簽名演繹失效發(fā)生的趨勢(shì)，然后通過(guò)回歸分析法構(gòu)造針對(duì)失效事件(是否發(fā)生)和失效時(shí)間(何時(shí)發(fā)生)的預(yù)測(cè)器，充分展現(xiàn)了提前預(yù)警的作用，而且在失效模式已知和未知的情況下都能正確預(yù)測(cè)失效的發(fā)生。實(shí)驗(yàn)結(jié)果表明其預(yù)測(cè)精度在81.4%～93.0%，平均精度高達(dá)87%，失效避免率在70%以上，有很強(qiáng)的優(yōu)越性。

失效預(yù)測(cè) 失效模式 回歸分析法 早期預(yù)警

0 引 言

預(yù)測(cè)失效是基于運(yùn)行時(shí)系統(tǒng)的當(dāng)前狀態(tài)預(yù)測(cè)未來(lái)失效的發(fā)生，可以預(yù)先避免失效，或至少減輕失效的影響，把損失降到最低，(例如通過(guò)建議重新啟動(dòng)特定系統(tǒng)模塊，保存數(shù)據(jù)等)，因此可以提高系統(tǒng)的可靠性。

當(dāng)前在線(xiàn)故障預(yù)測(cè)技術(shù)是基于在線(xiàn)實(shí)時(shí)觀察目標(biāo)系統(tǒng)，通過(guò)觀察內(nèi)部狀態(tài)特定變量(例如，頁(yè)面每秒的故障，I / O請(qǐng)求隊(duì)列大小等)來(lái)收集信息，尤其是，有的故障預(yù)測(cè)算法使用過(guò)去時(shí)間里故障事件發(fā)生的信息以及現(xiàn)在運(yùn)行狀態(tài)下實(shí)時(shí)監(jiān)測(cè)的系統(tǒng)失效前瞬間的系統(tǒng)變量，兩者一起作為故障預(yù)測(cè)的數(shù)據(jù)。 故障預(yù)測(cè)的輸出結(jié)果可以是判斷即將是否會(huì)發(fā)生失效或者描繪失效發(fā)展的趨勢(shì)。

現(xiàn)在的故障預(yù)測(cè)技術(shù)會(huì)預(yù)測(cè)故障發(fā)生的數(shù)量、產(chǎn)生的影響、是否失效、失效的模式，但是都沒(méi)有在運(yùn)行期間根據(jù)某一失效模式推演失效趨勢(shì)的過(guò)程中針對(duì)某一關(guān)鍵狀態(tài)提前做出及時(shí)預(yù)警，而且在故障模式貧瘠、不完備或者新的故障模式是未知的情況下不能很好地預(yù)測(cè)故障的發(fā)生。

本文提出的方法可以預(yù)測(cè)系統(tǒng)運(yùn)行期間故障是否發(fā)生、何時(shí)發(fā)生以及發(fā)生的模式，而且在故障模式是否已知的情況下，都能做出很好的預(yù)測(cè)。本文利用錯(cuò)誤歷史記錄構(gòu)造錯(cuò)誤傳播簽名，每一條日志記錄對(duì)應(yīng)一個(gè)時(shí)刻的簽名，也代表了該系統(tǒng)當(dāng)時(shí)的狀態(tài)和發(fā)展的趨勢(shì)。利用錯(cuò)誤日志記錄可以訓(xùn)練得到預(yù)測(cè)器，該預(yù)測(cè)器結(jié)合當(dāng)前系統(tǒng)狀態(tài)參數(shù)評(píng)估現(xiàn)在系統(tǒng)所處的健康狀態(tài)，處于何種失效趨勢(shì)模式下，在系統(tǒng)處于危險(xiǎn)邊緣時(shí)可以及時(shí)危險(xiǎn)警告。實(shí)驗(yàn)證明，在故障模式庫(kù)越來(lái)越完備的情況下可以更準(zhǔn)確地預(yù)測(cè)失效的發(fā)生，在模式庫(kù)貧瘠的情況下，同樣可以保持優(yōu)秀的預(yù)測(cè)精度。

本文的貢獻(xiàn)在于以下三點(diǎn)：1) 通過(guò)錯(cuò)誤歷史記錄和失效事件構(gòu)造出預(yù)測(cè)器，該構(gòu)造器可以預(yù)測(cè)失效發(fā)展的趨勢(shì)，以及在某一關(guān)鍵時(shí)刻做出有效預(yù)警避免最終失效的發(fā)生；2) 在未知失效模式下也可以較準(zhǔn)確地預(yù)測(cè)失效地發(fā)生；3) 通過(guò)逐漸完備的失效模式庫(kù)可以達(dá)到更好的預(yù)測(cè)精度。

1 相關(guān)工作

一些關(guān)于故障、錯(cuò)誤、失效的預(yù)測(cè)技術(shù)已經(jīng)被很多學(xué)者所研究[1-5]，失效發(fā)生時(shí)一個(gè)服務(wù)偏離其正確行為，一個(gè)錯(cuò)誤是直接導(dǎo)致故障的損壞的系統(tǒng)狀態(tài)， 故障是系統(tǒng)損壞的根本原因[6]。而在最近30年，對(duì)失效預(yù)測(cè)的研究比重一直在增加。

Pizza等[7]和Hamerly等[8]都使用了基于分類(lèi)技術(shù)的失效預(yù)測(cè)。他們基于歷史數(shù)據(jù)，把系統(tǒng)狀態(tài)分為失效趨勢(shì)狀態(tài)和非失效趨勢(shì)狀態(tài)兩類(lèi)，在系統(tǒng)運(yùn)行過(guò)程中，監(jiān)視當(dāng)前系統(tǒng)狀態(tài)判斷為失效或者非失效狀態(tài)。該方法可以精確判斷失效，但對(duì)于失效時(shí)間范圍很難確定，而且失效的過(guò)程也不能推演。本文通過(guò)每個(gè)以往的錯(cuò)誤日志文件和失效記錄作為輸入，使用回歸分析可以模擬出失效模式，對(duì)于失效的惡化趨勢(shì)可以有很直觀的把控，而且建立數(shù)量充足且質(zhì)量高效的模式庫(kù)對(duì)于以后的失效預(yù)測(cè)有很好的提升效果。

Teerat Pitakrat[9]為了提高基于組件的軟件系統(tǒng)可靠性，系統(tǒng)的組件依賴(lài)圖和內(nèi)部構(gòu)造信息需要被描述出來(lái)。鄭從環(huán)[10]使用人工神經(jīng)網(wǎng)絡(luò)模型得到預(yù)測(cè)器，文中用到的變量需要從需求文檔中獲得,這些變量需要專(zhuān)業(yè)人士識(shí)別并提取出來(lái),此類(lèi)型的數(shù)據(jù)采集和整理的過(guò)程比較復(fù)雜，最后的數(shù)據(jù)不準(zhǔn)確或者稀少會(huì)導(dǎo)致預(yù)測(cè)的精度。而本文采用錯(cuò)誤歷史日志作為數(shù)據(jù)，提取簡(jiǎn)單而且數(shù)據(jù)量充足，減少了很多時(shí)間成本和經(jīng)濟(jì)成本，并且對(duì)預(yù)測(cè)的精度有很大幫助。

一些研究預(yù)測(cè)失效的文章基本都可以對(duì)失效的預(yù)測(cè)做出判斷，但是忽略了對(duì)失效時(shí)間的研究，從而不能在合適的時(shí)刻提前預(yù)警，采取有效的措施攔截錯(cuò)誤、避免失效。例如Pang[11]在基于計(jì)算機(jī)網(wǎng)絡(luò)的基礎(chǔ)上使用馬爾科夫模型對(duì)軟件系統(tǒng)的可靠性和失效預(yù)測(cè)做了一些工作，其目的是為了預(yù)測(cè)，但是卻沒(méi)有給出明確的時(shí)間范圍來(lái)表示系統(tǒng)失效時(shí)刻。

2 背景知識(shí)

2.1 軟件可靠性的定義

1983年美國(guó)IEEE計(jì)算機(jī)學(xué)會(huì)對(duì)“軟件可靠性”作出了明確定義，該定義包括兩方面的含義[13]：

(1) 在規(guī)定的條件下，在規(guī)定的時(shí)間內(nèi)，軟件不引起系統(tǒng)失效的概率；

(2) 在規(guī)定的時(shí)間周期內(nèi)，在所述條件下程序執(zhí)行所要求的功能的能力。

其中的概率是系統(tǒng)輸入和系統(tǒng)使用的函數(shù)，也是軟件中存在的故障的函數(shù)，系統(tǒng)輸入將確定是否會(huì)遇到已存在的故障(如果故障存在的話(huà))。

2.2 軟件失效的原理

軟件容錯(cuò)率越高，說(shuō)明對(duì)失效的免疫力越強(qiáng)，如果失效不間斷發(fā)生而且軟件不能抵御失效帶來(lái)的危害，那么不但對(duì)軟硬件本身是一種耗損，對(duì)社會(huì)、政治、經(jīng)濟(jì)文化也是一種摧殘。圖1描述了軟件失效的產(chǎn)生原理[14]。

圖1 軟件失效原理

錯(cuò)誤(error)是指軟件開(kāi)發(fā)人員在軟件開(kāi)發(fā)階段出現(xiàn)的失誤、漏洞和錯(cuò)誤。

缺陷(defect)是指產(chǎn)品代碼中固有的錯(cuò)誤編碼，如果不修正，會(huì)引發(fā)各種失效。

故障(fault)是指軟件在運(yùn)行過(guò)程中出現(xiàn)的預(yù)料之外或者不被接受的內(nèi)部錯(cuò)誤狀態(tài)，通常是由內(nèi)部固有缺陷引起的。

失效(failure)是指軟件運(yùn)行過(guò)程中偏移了正常的需求輸出，其結(jié)果是不可用的。

從以上的描述中可以看到，從各個(gè)階段處理都可以盡量避免失效的發(fā)生，但是失效狀態(tài)作為軟件系統(tǒng)發(fā)生失效中最后的關(guān)鍵一環(huán)，采取合理的預(yù)測(cè)技術(shù)避免失效的發(fā)生是極其重要的。

3 早期預(yù)警以及失效預(yù)測(cè)

本節(jié)介紹預(yù)測(cè)框架的構(gòu)建過(guò)程，比如如何構(gòu)建錯(cuò)誤傳播簽名。每個(gè)簽名狀態(tài)下對(duì)應(yīng)的失效概率及危險(xiǎn)系數(shù)的數(shù)理統(tǒng)計(jì)。如何把控合理的預(yù)警時(shí)間來(lái)避免失效。如何利用回歸分析法構(gòu)建失效預(yù)測(cè)器。在已知模式和未知模式兩種情況下分別如何預(yù)測(cè)系統(tǒng)失效，以及及時(shí)預(yù)警。

3.1 構(gòu)建錯(cuò)誤傳播簽名

在系統(tǒng)運(yùn)行期間，很多數(shù)據(jù)可以表明系統(tǒng)的性能狀況，比如 CPU和內(nèi)存的利用率、讀寫(xiě)速度、網(wǎng)速、響應(yīng)時(shí)間、棧、錯(cuò)誤信息、錯(cuò)誤計(jì)數(shù)等。在發(fā)生錯(cuò)誤時(shí)，一條日志記錄可以由這些信息表述，記錄當(dāng)時(shí)系統(tǒng)的狀況,其中最主要的是錯(cuò)誤分布情況，連續(xù)時(shí)間段內(nèi)的幾條日志記錄就可以共同表示當(dāng)時(shí)系統(tǒng)在一段期間內(nèi)的健康動(dòng)態(tài)，也可以表示為失效趨勢(shì)。

每一條日志記錄就對(duì)應(yīng)一個(gè)錯(cuò)誤傳播簽名，每一條日志記錄可以由一個(gè)或多個(gè)錯(cuò)誤日志變量來(lái)表示，錯(cuò)誤日志變量表示為對(duì)系統(tǒng)日志中一種特定錯(cuò)誤類(lèi)型、信息或者參數(shù)的計(jì)數(shù)。

由此錯(cuò)誤傳播簽名可以表示為多個(gè)錯(cuò)誤日志變量組成的一維向量。

(1)

(2)

所以：

(3)

3.2 危險(xiǎn)系數(shù)

每一個(gè)錯(cuò)誤傳播簽名都對(duì)應(yīng)一個(gè)失效概率，表示在該狀態(tài)下運(yùn)行系統(tǒng)發(fā)生失效的概率即危險(xiǎn)系數(shù)，在[0,1]區(qū)間，0表示該狀態(tài)下不可能會(huì)發(fā)生失效，1表示已經(jīng)發(fā)生失效。

(4)

所以，在系統(tǒng)從開(kāi)始運(yùn)行產(chǎn)生錯(cuò)誤日志記錄1到n的過(guò)程中，錯(cuò)誤傳播簽名一直在表征系統(tǒng)當(dāng)時(shí)的運(yùn)行狀態(tài)，失效模式概率表示其失效嚴(yán)重性。

3.3 預(yù)警時(shí)間

失效模型概率可以表示系統(tǒng)當(dāng)前失效狀態(tài)的嚴(yán)重性，那么失效時(shí)間表示系統(tǒng)距離發(fā)生失效所剩余的時(shí)間，可以表示為：

圖2 預(yù)警時(shí)間圖

3.4 回歸分析構(gòu)造預(yù)測(cè)器

回歸分析是確定兩種或兩種以上變量間相互依賴(lài)的定量關(guān)系的一種統(tǒng)計(jì)分析方法。本文使用系統(tǒng)歷史日志建立錯(cuò)誤日志和失效模式之間的關(guān)系從而構(gòu)造出預(yù)測(cè)器，在系統(tǒng)運(yùn)行期間基于運(yùn)行時(shí)錯(cuò)誤日志可以分析出對(duì)應(yīng)的失效模式。

設(shè)想從系統(tǒng)運(yùn)行期間{t1,t2,…,tn}開(kāi)始產(chǎn)生錯(cuò)誤日志{log1,log2,…,logn},以及對(duì)應(yīng)的失效狀態(tài)，這些數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)庫(kù)中。利用該數(shù)據(jù)實(shí)施回歸分析需要以下幾步：

第一，構(gòu)建已知失效模式庫(kù){m1,m2,…,mM},每種模式都在系統(tǒng)歷史中至少發(fā)生了一次。

(5)

(6)

(7)

(8)

3.5 預(yù)測(cè)并預(yù)警

系統(tǒng)在運(yùn)行期間發(fā)生失效會(huì)根據(jù)某種失效模式逐漸惡化或者好轉(zhuǎn)，如果系統(tǒng)逐漸惡化，最終的模式趨勢(shì)概率為1,會(huì)發(fā)生失效，如果逐漸好轉(zhuǎn)，趨近的概率值為0，系統(tǒng)為正常。通過(guò)監(jiān)測(cè)系統(tǒng)錯(cuò)誤日志，在日志記錄簽名中使用累積錯(cuò)誤計(jì)數(shù)器，可以更直觀地表示系統(tǒng)狀態(tài)。在最終狀態(tài)，系統(tǒng)會(huì)趨于失效或者正常。在系統(tǒng)失效之前，必須精確地預(yù)測(cè)失效的時(shí)間，及時(shí)發(fā)出預(yù)警通知系統(tǒng)管理員做出處理操作或者系統(tǒng)本身自適應(yīng)改善錯(cuò)誤。

3.5.1 已知模式

失效模式概率可以表達(dá)系統(tǒng)處于失效狀態(tài)的嚴(yán)重系數(shù)，當(dāng)某一個(gè)sn狀態(tài)下概率高于某閾值π∈[0,1]時(shí)，表示系統(tǒng)處于危險(xiǎn)階段，沿著該失效趨勢(shì)發(fā)展下去系統(tǒng)被判定為失效，反之成功。該閾值可以根據(jù)特定系統(tǒng)實(shí)際情況自適應(yīng)調(diào)整。

在系統(tǒng)發(fā)生失效之前，預(yù)測(cè)器判定的是系統(tǒng)沿著某一條失效模式發(fā)展，該過(guò)程是預(yù)測(cè)推理過(guò)程，當(dāng)系統(tǒng)發(fā)生失效之后就可以清楚判定導(dǎo)致其失效的模式具體是已知模式中的某一個(gè)。

3.5.2 未知模式

基于正在發(fā)生的失效模式是已知的情況下，預(yù)測(cè)器可以有規(guī)劃地進(jìn)行失效預(yù)測(cè)和預(yù)警，但是當(dāng)出現(xiàn)未知的失效模式時(shí)，必須采取其他手段處理。當(dāng)系統(tǒng)處于sn狀態(tài)時(shí)，沒(méi)有可以遵從的失效模式，那么采取概率統(tǒng)計(jì)的方法評(píng)估系統(tǒng)會(huì)發(fā)生失效的概率。

當(dāng)F(sn)超過(guò)一定的閾值?時(shí)，即可判定系統(tǒng)有可能會(huì)發(fā)生失效，同時(shí)發(fā)出失效預(yù)警。失效發(fā)生后，把錯(cuò)誤日志記錄和錯(cuò)誤事件整理訓(xùn)練，新的失效模式被記錄下來(lái)加入已知模式庫(kù)。

4 實(shí)驗(yàn)評(píng)估

本節(jié)主要在實(shí)際環(huán)境中進(jìn)行實(shí)驗(yàn)對(duì)本文理論的驗(yàn)證，探索該論文各方面的優(yōu)勢(shì)和不足，主要驗(yàn)證失效預(yù)測(cè)精度、預(yù)測(cè)失效模型準(zhǔn)確性、預(yù)警的效率，以及在未知模式下該預(yù)測(cè)器的性能是否保持同樣優(yōu)勢(shì)。

初始階段要對(duì)目標(biāo)系統(tǒng)的歷史錯(cuò)誤日志數(shù)據(jù)采集和整理，對(duì)數(shù)據(jù)的整理要降低噪聲、降維、歸一化等操作可以保證錯(cuò)誤日志和失效時(shí)間更清晰、更準(zhǔn)確的匹配，通過(guò)回歸分析法構(gòu)造的預(yù)測(cè)器性能會(huì)更好。

為了保持預(yù)測(cè)器保持在很高的準(zhǔn)確度，我們?cè)谀繕?biāo)系統(tǒng)上運(yùn)行監(jiān)測(cè)器捕捉運(yùn)行時(shí)間段內(nèi)的錯(cuò)誤日志記錄，作為預(yù)測(cè)器的輸入進(jìn)行預(yù)測(cè)，然后比對(duì)已發(fā)生的故障有沒(méi)有被預(yù)測(cè)器正確地預(yù)測(cè)到，多報(bào)、誤報(bào)、漏報(bào)都會(huì)被記錄下來(lái)。所以我們通過(guò)在實(shí)際中捕捉到的失效和預(yù)測(cè)器的預(yù)測(cè)結(jié)果進(jìn)行量化對(duì)比測(cè)試預(yù)測(cè)器的準(zhǔn)確度。

如圖3所示，在目標(biāo)系統(tǒng)上運(yùn)行該模型100個(gè)工作日，其預(yù)測(cè)精度在81.4%和93.0%之間。初始階段失效模式庫(kù)比較貧瘠，更多的預(yù)測(cè)是在未知模式下進(jìn)行。雖然如此，依然能保持很理想的預(yù)測(cè)精度，而且隨著預(yù)測(cè)器對(duì)模式的積累，失效模式庫(kù)逐漸完備，后期主要依賴(lài)于已知模式對(duì)失效事件的預(yù)測(cè)。已知模式下預(yù)測(cè)精度很高，從1～100天實(shí)驗(yàn)期間內(nèi)整體上看預(yù)測(cè)精度的趨勢(shì)在逐漸上升。從圖4可以看出隨著時(shí)間的增長(zhǎng)，平均預(yù)測(cè)精度逐漸增高。由此可知建立逐漸完備的模式庫(kù)對(duì)于失效預(yù)測(cè)的重要性。

圖3 本文模型預(yù)測(cè)精度

圖4 隨時(shí)間增長(zhǎng)平均精度的趨勢(shì)

由表1所示，1～4周時(shí)間內(nèi)，預(yù)測(cè)失效計(jì)數(shù)和在無(wú)預(yù)警情況下真實(shí)發(fā)生的失效計(jì)數(shù)基本相當(dāng)，表明了很高的預(yù)測(cè)精度。當(dāng)真實(shí)值高于預(yù)測(cè)值，說(shuō)明預(yù)測(cè)器存在漏報(bào)。當(dāng)預(yù)測(cè)值高于真實(shí)值，說(shuō)明存在一定的多報(bào)。當(dāng)然中間也會(huì)有錯(cuò)報(bào)的情況，不過(guò)總體看預(yù)測(cè)精度在84%～90%之間，在4～8周，有預(yù)警系統(tǒng)參與的情況下，平均失效從91.25次/周降低為25.50次/周，失效避免率為72.1%，效果還是比較明顯。當(dāng)預(yù)警發(fā)生時(shí)，管理員或者系統(tǒng)本身自適應(yīng)改善系統(tǒng)錯(cuò)誤非常重要，而且更高效精確的預(yù)測(cè)器是對(duì)預(yù)警工作不可獲取的一環(huán)。

表1 有預(yù)警與無(wú)預(yù)警真實(shí)失效計(jì)數(shù)對(duì)比圖

5 結(jié) 語(yǔ)

本文基于錯(cuò)誤日志記錄構(gòu)造錯(cuò)誤傳播簽名演繹失效發(fā)生的趨勢(shì)，然后通過(guò)回歸分析法構(gòu)造針對(duì)失效事件和失效時(shí)間的預(yù)測(cè)器，充分展現(xiàn)了提前預(yù)警的作用，在失效模式已知和未知的情況下都能正確預(yù)測(cè)失效的發(fā)生。實(shí)驗(yàn)證明在失效模式庫(kù)貧瘠的情況下對(duì)失效的預(yù)測(cè)精度高于84.02%，隨著對(duì)模式的積累，后期平均預(yù)測(cè)精度可以達(dá)到88.60%，最高可以達(dá)到93%。已知模式和未知模式下對(duì)失效的預(yù)測(cè)達(dá)到了預(yù)期的要求，而且在預(yù)警工作方面，預(yù)警時(shí)間的把控很準(zhǔn)，對(duì)于大部分的失效都可以有效的預(yù)警，提前避免失效發(fā)生，避免失效事件70%以上。如果合理地調(diào)控預(yù)警時(shí)間閾值，可以提升預(yù)警效果，但是會(huì)增加系統(tǒng)開(kāi)銷(xiāo)，浪費(fèi)一些資源，所以要根據(jù)系統(tǒng)的具體情況合理預(yù)警。

本文的研究是基于單模式導(dǎo)致失效的情況，沒(méi)有考慮實(shí)際中可能會(huì)存在多種模式混合導(dǎo)致系統(tǒng)失效的情況。而且錯(cuò)誤傳播簽名是基于錯(cuò)誤計(jì)數(shù)構(gòu)造成一個(gè)錯(cuò)誤狀態(tài)實(shí)體，當(dāng)多個(gè)錯(cuò)誤計(jì)數(shù)稍有差別時(shí)要判斷是否類(lèi)屬于同一種錯(cuò)誤傳播狀態(tài)還需要進(jìn)一步加強(qiáng)認(rèn)知，如果判斷不準(zhǔn)確會(huì)被認(rèn)為是新的未知模式發(fā)生，導(dǎo)致最終預(yù)測(cè)精度降低。進(jìn)一步提高預(yù)測(cè)精度、精確把控預(yù)警時(shí)間、自適應(yīng)改善錯(cuò)誤是后期需要進(jìn)一步補(bǔ)充和完善的工作。

[1] Berenji H R,Ametha J,Vengerov D.Inductive learning for fault diagnosis[C]//The 12th IEEE International Conference on Fuzzy Systems,2003,1:726-731.

[2] Ning M H,Yong Q,Di H,et al.Software Aging Prediction Model Based on Fuzzy Wavelet Network with Adaptive Genetic Algorithm[C]//2012 IEEE 24th International Conference on Tools with Artificial Intelligence (2006),2006:659-666.

[3] Pfefferman J D.A nonparametric nonstationary procedure for failure prediction[J].IEEE Transactions on Reliability,2002,51(4):434-442.

[4] Salfner F,Malek M.Using Hidden Semi-Markov Models for Effective Online Failure Prediction[C]//IEEE International Symposium on Reliable Distributed Systems.IEEE,2007:161-174.

[5] Wong K C P,Ryan H M,Tindle J.Early Warning Fault Detection Using Artificial Intelligent Methods[C]//Proceedings:31st Universities power engineering conference,Technological Educational Institute of Iraklion,Hereklion,Crete,1996:949-952.

[6] Avizienis A,Laprie J C,Randell B.Fundamental Concepts of Dependability[J].Third Information Survivability Workshop,2001,404(1-2):112-126.

[7] Pizza M,Strigini L,Bondavalli A,et al.Optimal Discrimination between Transient and Permanent Faults[C]//High-Assurance Systems Engineering Symposium,1998.Proceedings.Third IEEE International,1998:214-214.

[8] Hamerly G,Elkan C.Bayesian approaches to failure prediction for disk drives[C]//ICML ’01 Proceedings of the Eighteenth International Conference on Machine Learning,2001:202-209.

[9] Pitakrat T.Hora:Online Failure Prediction Framework for Component-based Software Systems Based on Kieker and Palladio[D].Germany:University of Stuttgart,2013.

[10] 鄭從環(huán).在線(xiàn)軟件系統(tǒng)的失效預(yù)測(cè)[D].浙江:浙江理工大學(xué),2014.

[11] Pang J.A new Markov model of reliability assurance and failure prediction using network technology[C]//International Conference on Computer Science and Network Technology.IEEE,2015.

[12] Salfner F,Lenk M,Malek M.A survey of online failure prediction methods[J].Acm Computing Surveys,2010,42(3):1283-1310.

[13] Standard I.610.12-1990 - IEEE Standard Glossary of Software Engineering Terminology[M]//IEEE standard glossary of software engineering terminology.Institute of Electrical and Electronics Engineers,1983:112-118.

[14] 喬輝.軟件缺陷預(yù)測(cè)技術(shù)研究[D].解放軍信息工程大學(xué),2013.

EARLYWARNINGANDFAILUREPREDICTIONTECHNIQUESBASED
ONREGRESSIONANALYSIS

Tian Conggen Wu Changze

(CollegeofComputerScience,ChongqingUniversity,Chongqing400030,China)

It’s much important to predict the occurrence of potential failure during runtime for achieving system resilience and avoiding the dangerous consequences of failure. In order to predict the system failure process and realize early warning, and then reduce the failure rate and improve the system reliability, such that the regression analysis is proposed. In this paper, our methodology utilizes system error log records to craft runtime error-spread signature and determine a predictive function (estimator) for each failure mode based on these signatures by regression analysis method to predict the failure possibility and failure time, which fully highlight the role of early warning. And it plays with highly accurate prediction no matter in known or non-known mode. The prediction accuracy of the experimental results is stable between 81.4% and 93.0%, the average accuracy up to 87%, which show the superiority of the model is good.

Failure prediction Failure mode Regression analysis Early warning

2016-12-29。田從根，碩士，主研領(lǐng)域：軟件可靠性，失效預(yù)測(cè)。吳長(zhǎng)澤，講師。

TP311

A

10.3969/j.issn.1000-386x.2017.11.010