云環(huán)境下服務(wù)器故障自適應(yīng)診斷算法研究

程瑩　邵清

摘要：為了解決傳統(tǒng)服務(wù)器故障檢測(cè)方法大多針對(duì)已經(jīng)注入的故障類(lèi)型進(jìn)行檢測(cè)，無(wú)法獲取未知故障類(lèi)型，并且檢測(cè)速度較慢的問(wèn)題，提出一種基于自適應(yīng)監(jiān)測(cè)過(guò)程與決策樹(shù)算法的故障檢測(cè)方法ASFD。該算法利用自適應(yīng)監(jiān)測(cè)方法獲取服務(wù)器數(shù)據(jù)，并引入信息熵與鄰居協(xié)作算法對(duì)故障檢測(cè)點(diǎn)進(jìn)行檢測(cè)，然后將SVM與CART相結(jié)合進(jìn)行故障類(lèi)型判斷。實(shí)驗(yàn)結(jié)果表明，該算法能夠有效實(shí)現(xiàn)故障類(lèi)型判斷，提高了故障檢測(cè)速度。

關(guān)鍵詞：云計(jì)算；自適應(yīng)；故障診斷；數(shù)據(jù)監(jiān)測(cè)；決策樹(shù)；SVM算法

DOIDOI：10.11907/rjdk.181088

中圖分類(lèi)號(hào)：TP312

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：16727800（2018）009007205

英文標(biāo)題Research on Adaptive Fault Diagnosis Algorithm for Server Fault in Cloud Environment

--副標(biāo)題

英文作者CHENG Ying， SHAO Qing

英文作者單位（School of OpticalElectrical and Computer Engineering，University of Shanghai for Science and Technology，Shanghai 210093，China）

英文摘要Abstract：Most of the traditional server fault detection methods only detect the injected fault types，fail to get the unknown fault types，and the detection speed is slow.In order to solve this problem，a fault detection method based on adaptive monitoring process and decision tree algorithm is proposed ASFD in this paper.The algorithm uses adaptive monitoring method to get server data，and introduces information entropy and neighbor cooperation algorithm to detect the fault detection points.Then SVM and CART are combined to decide the fault type.The experimental results show that the algorithm proposed in this paper can effectively judge the fault type and enhance the fault diagnosis speed.

英文關(guān)鍵詞Key Words：cloud computing；selfadaptive；fault diagnosis；data monitoring；decision tree；SVM algorithm

0引言

隨著云計(jì)算發(fā)展不斷完善，用戶(hù)量增加導(dǎo)致服務(wù)器任務(wù)數(shù)量增加，且任務(wù)復(fù)雜性提高。云計(jì)算服務(wù)器負(fù)載增加及任務(wù)處理難度的提升使得服務(wù)器故障頻發(fā)，易致系統(tǒng)崩潰[14]。

針對(duì)上述問(wèn)題，眾多學(xué)者相繼提出了一系列算法用于云計(jì)算服務(wù)器故障診斷。文獻(xiàn)[5]將日志類(lèi)型特征向量應(yīng)用于主故障與伴隨故障，提出基于伴隨狀態(tài)追蹤的持續(xù)故障定位框架CST，實(shí)現(xiàn)了注入故障類(lèi)型檢測(cè)，該算法對(duì)已存在故障可以有效地判斷分析，但缺少對(duì)未知故障的分析。文獻(xiàn)[6]提出基于執(zhí)行軌跡監(jiān)測(cè)的故障診斷方式，采用代碼插樁監(jiān)測(cè)，然后利用主成分分析抽取關(guān)鍵方式診斷故障類(lèi)型，該算法缺點(diǎn)主要是由于監(jiān)測(cè)方式與插樁方法數(shù)量成正比，因此性能消耗較大，不利于后續(xù)發(fā)展。文獻(xiàn)[7]采用Petri網(wǎng)解決服務(wù)組合的問(wèn)題，然后基于CTL描述相關(guān)性質(zhì)并提出驗(yàn)證服務(wù)組合故障分析的實(shí)施算法，該算法在處理服務(wù)組合故障時(shí)具有一定的優(yōu)越性，但是可靠性較差，并且未考慮QoS問(wèn)題。

基于此，提出一種云計(jì)算環(huán)境下服務(wù)器自適應(yīng)故障診斷算法（Adaptive Fault Diagnosis Method for Server，ASFD）。采取自適應(yīng)監(jiān)測(cè)方式實(shí)時(shí)監(jiān)控服務(wù)器數(shù)據(jù)，當(dāng)出現(xiàn)可疑節(jié)點(diǎn)時(shí)采取信息熵方式判斷該節(jié)點(diǎn)，若為可疑點(diǎn)則利用鄰居協(xié)作方式判斷其是否為故障節(jié)點(diǎn)。確認(rèn)故障節(jié)點(diǎn)后，為防止進(jìn)一步傳播，利用決策樹(shù)算法診斷出該故障具體類(lèi)型。經(jīng)實(shí)驗(yàn)驗(yàn)證，該算法能準(zhǔn)確隔離故障節(jié)點(diǎn)，有效判斷故障類(lèi)型，防止故障節(jié)點(diǎn)造成進(jìn)一步危害。

1基本概念與過(guò)程

云服務(wù)依靠服務(wù)器集群的整體工作，可以將服務(wù)器模型抽象為二元組（I，S）。I是指所有服務(wù)器節(jié)點(diǎn)共享的具有帶寬的內(nèi)部通信網(wǎng)絡(luò)，負(fù)責(zé)節(jié)點(diǎn)之間的信息交換；S={Si}，Si表示編號(hào)為i的服務(wù)器節(jié)點(diǎn)，其中i=1，2，3，4…，N。每個(gè)節(jié)點(diǎn)都駐留一個(gè)內(nèi)部通信系統(tǒng)Ci，專(zhuān)門(mén)負(fù)責(zé)本服務(wù)器節(jié)點(diǎn)與其它服務(wù)器節(jié)點(diǎn)之間的消息傳遞。若節(jié)點(diǎn)Si出現(xiàn)故障，表明Si不能正常工作，即Ci將不能正常發(fā)送信息到Si，同時(shí)Ci不能從Si獲取信息（見(jiàn)圖1）[8]。

全文分為3部分：自適應(yīng)監(jiān)測(cè)、監(jiān)測(cè)數(shù)據(jù)管理、故障診斷，具體功能介紹如下：

（1）自適應(yīng)監(jiān)測(cè)。使用第三方工具，采取周期性拉模式與事件驅(qū)動(dòng)推模式對(duì)數(shù)據(jù)進(jìn)行監(jiān)測(cè)。

（2）監(jiān)測(cè)數(shù)據(jù)管理。根據(jù)鄰居節(jié)點(diǎn)協(xié)作、SVM遞歸特征提取監(jiān)測(cè)數(shù)據(jù)，對(duì)歷史數(shù)據(jù)進(jìn)行處理。

（3）故障診斷。通過(guò)CART算法建立判斷樹(shù)，判斷出故障類(lèi)型。

2服務(wù)器數(shù)據(jù)監(jiān)測(cè)

對(duì)服務(wù)器數(shù)據(jù)監(jiān)測(cè)模式和監(jiān)測(cè)過(guò)程進(jìn)行介紹，用于判斷故障類(lèi)型。

2.1監(jiān)測(cè)模式

數(shù)據(jù)監(jiān)測(cè)模式是利用監(jiān)測(cè)器監(jiān)測(cè)各服務(wù)器節(jié)點(diǎn)的資源信息和負(fù)載情況，而后分析監(jiān)測(cè)數(shù)據(jù)，進(jìn)行故障診斷。監(jiān)測(cè)組件是構(gòu)成監(jiān)測(cè)服務(wù)組合的基本單元（見(jiàn)圖2）。其中：①采樣器，周期性對(duì)所駐留節(jié)點(diǎn)的資源性能和負(fù)載信息進(jìn)行采樣；②通告器，被監(jiān)測(cè)器用來(lái)將所收集的系統(tǒng)資源性能和負(fù)載信息通告給系統(tǒng)中其它構(gòu)件；③激發(fā)器，對(duì)監(jiān)測(cè)器和節(jié)點(diǎn)分別進(jìn)行“拉”或者“推”的采樣動(dòng)作；④推模式，是節(jié)點(diǎn)用來(lái)主動(dòng)將采樣信息“推”給監(jiān)測(cè)器的通信接口；⑤拉模式，是監(jiān)測(cè)器用來(lái)從各節(jié)點(diǎn)“拉”采樣信息的通信接口；⑥庫(kù)，是對(duì)監(jiān)測(cè)器功能進(jìn)行封裝的輕量級(jí)庫(kù)。

根據(jù)交互過(guò)程將負(fù)載監(jiān)測(cè)分為周期性和事件驅(qū)動(dòng)兩種。周期性指被監(jiān)測(cè)節(jié)點(diǎn)定期將資源性能和負(fù)載信息主動(dòng)給監(jiān)測(cè)構(gòu)件，或者監(jiān)測(cè)構(gòu)件周期性地從其監(jiān)測(cè)節(jié)點(diǎn)獲取監(jiān)測(cè)數(shù)據(jù)。事件驅(qū)動(dòng)指只有在特定事件發(fā)生之后被監(jiān)測(cè)對(duì)象才將自己的資源性能和負(fù)載信息交給監(jiān)測(cè)構(gòu)件，或者監(jiān)測(cè)構(gòu)件從被監(jiān)測(cè)對(duì)象獲取數(shù)據(jù)。將其兩兩組合：周期性推模式、周期性拉模式、事件驅(qū)動(dòng)推模式、事件驅(qū)動(dòng)拉模式，如表1所示[9]。

2.2監(jiān)測(cè)過(guò)程

根據(jù)上述監(jiān)測(cè)模式，將周期性拉模式與事件驅(qū)動(dòng)推模式結(jié)合起來(lái)，能夠根據(jù)運(yùn)行環(huán)境和系統(tǒng)資源負(fù)載的變化，適應(yīng)性地發(fā)布獲取資源性能和負(fù)載信息。流程如圖4所示。

其中，周期性拉模式是指在監(jiān)測(cè)周期內(nèi)監(jiān)測(cè)器主動(dòng)從被監(jiān)測(cè)節(jié)點(diǎn)的采樣器中獲取數(shù)據(jù)；事件驅(qū)動(dòng)推模式是指被監(jiān)測(cè)節(jié)點(diǎn)超過(guò)濾閾值以后主動(dòng)將采樣器數(shù)據(jù)推給監(jiān)測(cè)器。結(jié)合兩種監(jiān)測(cè)模式，以獲取數(shù)據(jù)為故障類(lèi)型診斷作準(zhǔn)備。

3自適應(yīng)故障診斷算法

針對(duì)收集數(shù)據(jù)進(jìn)行分析判斷，使其相對(duì)已有故障診斷算法具備更好的診斷效果。在第一次故障點(diǎn)判斷時(shí)，采取鄰居協(xié)作方式進(jìn)行初步判斷，避免造成誤判而影響正常的服務(wù)器節(jié)點(diǎn)。在創(chuàng)建決策樹(shù)之前，將采集數(shù)據(jù)進(jìn)行篩選，保留能診斷出故障類(lèi)型的數(shù)據(jù)，節(jié)省計(jì)算時(shí)間與降低空間復(fù)雜度。

3.1決策樹(shù)模型改進(jìn)

根據(jù)傳統(tǒng)分類(lèi)算法CART進(jìn)行改良，建立決策樹(shù)之前，將上文介紹的周期性拉模式與事件驅(qū)動(dòng)推模式結(jié)合對(duì)節(jié)點(diǎn)進(jìn)行實(shí)時(shí)監(jiān)測(cè)。發(fā)現(xiàn)有可能故障時(shí)，對(duì)該節(jié)點(diǎn)進(jìn)行隔離判斷，進(jìn)一步確認(rèn)故障節(jié)點(diǎn)。若為故障點(diǎn)，則將監(jiān)測(cè)數(shù)據(jù)進(jìn)行篩選，最后使用篩選數(shù)據(jù)建立決策樹(shù)得到故障類(lèi)型，如圖5所示。

（1）可疑點(diǎn)判斷。與上個(gè)監(jiān)測(cè)周期內(nèi)監(jiān)測(cè)數(shù)據(jù)進(jìn)行比較，采取信息熵的思想進(jìn)行數(shù)據(jù)預(yù)判斷。信息熵表示某信息出現(xiàn)的概率，該信息越是確定，則信息熵越低，反之亦然。所以，信息熵可以用來(lái)確定信息不確定性程度。

定義1：設(shè)IS=（U，A，V，f）為信息系統(tǒng)[10]。其中：U表示非空有限集，稱(chēng)為論域；A為有限屬性集；V=∪a∈AVa，Va為屬性a的值域；f：U×A→V為信息函數(shù)。即對(duì)于x∈U，a∈A，有f（x，a）∈Va，任意屬性子集B屬于A決定一個(gè)二元補(bǔ)課區(qū)分關(guān)系IND（B），有：

IND（B）={（x，y）∈U×U|a∈B，f（x，a）=f（y，a）}（1）

U/IND（B）構(gòu)成了U的一個(gè)劃分，稱(chēng)為U上的一個(gè)知識(shí)，其中每個(gè)等價(jià)類(lèi)稱(chēng)為一個(gè)知識(shí)粒。

定義2：設(shè)IS=（U，A，V，f）為信息系統(tǒng)，U/A={X1，X2，…Xm}，則A的信息熵[11]定義為：

H（A）=-∑mi=1p（Xi）logp（Xi）（2）

其中，p（Xi）=|Xi|/|U|，i=1，2，3…m，|E|為合集E的基數(shù)。

信息熵的計(jì)算與特征值數(shù)量和具體數(shù)值沒(méi)有關(guān)系，只需要得到每個(gè)分類(lèi)類(lèi)別對(duì)應(yīng)的概率，用最大似然估計(jì)就可以求出當(dāng)前狀態(tài)下的信息熵[1214]。

（2）故障點(diǎn)確認(rèn)。將信息熵較大點(diǎn)定義為可疑節(jié)點(diǎn)，并進(jìn)行進(jìn)一步判斷。由于故障會(huì)隨著服務(wù)器節(jié)點(diǎn)信息傳遞而傳播，需要將可疑點(diǎn)進(jìn)行隔離處理。云計(jì)算環(huán)境由服務(wù)器集群構(gòu)成，若在監(jiān)測(cè)過(guò)程中將每個(gè)可疑節(jié)點(diǎn)立即隔離，則易造成服務(wù)器集群癱瘓。因此，利用鄰居協(xié)作的方式對(duì)可疑節(jié)點(diǎn)進(jìn)一步確認(rèn)。所謂鄰居協(xié)作，是指將可疑點(diǎn)作為圓心，在R為半徑的圓范圍內(nèi)進(jìn)行基于鄰居協(xié)作的預(yù)判斷。原理在于服務(wù)器之間通信是信息的交換，此范圍內(nèi)的所有其它點(diǎn)都將與可疑點(diǎn)進(jìn)行信息交換，如圖7所示。鄰居節(jié)點(diǎn)作為信息發(fā)出者，將發(fā)送信息給可疑點(diǎn)。如果可疑點(diǎn)在相應(yīng)時(shí)間范圍內(nèi)將信息反饋給對(duì)應(yīng)發(fā)出者，則該可疑點(diǎn)是誤判點(diǎn)，釋放誤判點(diǎn)；反之則是故障點(diǎn)。當(dāng)可疑點(diǎn)定義為故障點(diǎn)時(shí)，進(jìn)行隔離，以防故障進(jìn)一步擴(kuò)大，造成更大損失。接下來(lái)對(duì)故障點(diǎn)的監(jiān)測(cè)數(shù)據(jù)進(jìn)行處理，用以診斷故障類(lèi)型。

（3）故障診斷。針對(duì)已確定的故障點(diǎn)，進(jìn)行決策樹(shù)訓(xùn)練得到具體故障類(lèi)型。

用數(shù)據(jù)預(yù)處理器處理監(jiān)測(cè)數(shù)據(jù)，必須除去不需要和重復(fù)的數(shù)據(jù)，此時(shí)采取SVMREF算法。假定訓(xùn)練樣本為（xi，yi），（i=1，…，l），最簡(jiǎn)單的SVM回歸使用線(xiàn)性函數(shù)對(duì)樣本點(diǎn)進(jìn)行擬合。對(duì)于無(wú)法用線(xiàn)性函數(shù)擬合的問(wèn)題，則將樣本點(diǎn)映射到高維特征空間，在高維特征空間中建立線(xiàn)性模型f（x，k）=（k·O（x））+b，其中O（x）是將樣本點(diǎn)映射到高維空間的非線(xiàn)性變換。SVM可以表示為：

max12‖ω‖2+C∑ii-1（ζi+ζi*）（3）

s.tyi-f（xi，ω）≤ε+ξi，i=1，…，l；

f（xi，k）-yi≤ε+ξi*，i=1，…，l；

ξi≥0，ξ*i≥0，i=1，…，l。

式（3）中：‖ω‖2代表與模型復(fù)雜度相關(guān)的因素；C>0為懲罰系數(shù)，控制對(duì)超出誤差樣本的懲罰程度；ε為不敏感函數(shù)，其取值大小影響支持向量的數(shù)目；ζi、ζi*為松弛變量，表示樣本偏離ε不敏感區(qū)域的程度。

通過(guò)求解上述模型的拉格拉日對(duì)偶問(wèn)題，得原問(wèn)題的最優(yōu)解：

f（x）=∑l[]i=1（αi-α*i）K（xi，xj）+b（4）

式（4）中：K（xi，xj）稱(chēng)為核函數(shù)，滿(mǎn)足Mercer條件且K（xi，xj）=（φ（xi）φ（xj））。

經(jīng)SVMREF算法計(jì)算，最終選擇出6個(gè)特征，對(duì)于訓(xùn)練集和測(cè)試集的擬合效果相對(duì)較好，

4仿真實(shí)驗(yàn)與分析

4.1實(shí)驗(yàn)設(shè)計(jì)及數(shù)據(jù)

在cloudsim模擬器上初始化GridSim庫(kù)，創(chuàng)建兩個(gè)數(shù)據(jù)中心，分別用于保存正常數(shù)據(jù)和故障數(shù)據(jù)。創(chuàng)建虛擬機(jī)500個(gè)模擬服務(wù)器，并通過(guò)一個(gè)可以向服務(wù)器隨機(jī)注入故障的軟件注入故障，使用第三方監(jiān)測(cè)工具進(jìn)行實(shí)時(shí)監(jiān)測(cè)。最后將500組數(shù)據(jù)隨機(jī)分割成訓(xùn)練集（75%）和驗(yàn)證集（25%），訓(xùn)練集用來(lái)訓(xùn)練決策樹(shù)，再用驗(yàn)證集驗(yàn)證決策樹(shù)的準(zhǔn)確率。通過(guò)大量數(shù)據(jù)訓(xùn)練，得到最后的故障類(lèi)型判斷樹(shù)以及部分訓(xùn)練數(shù)據(jù)。

4.2實(shí)驗(yàn)結(jié)果與分析

根據(jù)實(shí)驗(yàn)數(shù)據(jù)訓(xùn)練得到判斷樹(shù)，如圖8所示。

由圖8可得，在確認(rèn)為故障點(diǎn)之后，對(duì)采集到的數(shù)據(jù)進(jìn)行決策判斷，然后進(jìn)行決策樹(shù)訓(xùn)練，就可以得到該故障點(diǎn)的故障類(lèi)型，方便故障處理后續(xù)工作。實(shí)驗(yàn)結(jié)果表明，本次實(shí)驗(yàn)可以有效判斷故障節(jié)點(diǎn)并作出相應(yīng)的故障類(lèi)型判斷。

4.3評(píng)價(jià)指標(biāo)

算法意在提高故障診斷的及時(shí)性，因此，評(píng)價(jià)指標(biāo)是從發(fā)現(xiàn)故障到診斷出故障結(jié)果的耗時(shí)。將文獻(xiàn)[15]、[16]提出的故障診斷方式進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)環(huán)境相同，主要針對(duì)服務(wù)器無(wú)法啟動(dòng)、服務(wù)器頻繁啟動(dòng)和服務(wù)器死機(jī)3種故障進(jìn)行故障診斷，3種故障的注入次數(shù)和成功數(shù)量見(jiàn)表4。

可知，在實(shí)驗(yàn)數(shù)據(jù)增大的情況下，ASFD算法更具及時(shí)性。FTPS算法以數(shù)據(jù)傳輸開(kāi)銷(xiāo)換時(shí)間開(kāi)銷(xiāo)，增加了數(shù)據(jù)傳輸量，使得算法在數(shù)據(jù)集規(guī)模上更大。基于故障模型的故障診斷方式，在數(shù)據(jù)量小的情況下比較及時(shí)，定義了故障與故障特征的關(guān)系，將云計(jì)算環(huán)境中出現(xiàn)的故障與故障特征關(guān)聯(lián)起來(lái)，但是當(dāng)數(shù)據(jù)量不斷增大時(shí)，算法計(jì)算過(guò)程和判斷過(guò)程就較為復(fù)雜，相應(yīng)地會(huì)增加故障診斷時(shí)間。

5結(jié)語(yǔ)

算法首先采用鄰居節(jié)點(diǎn)作為預(yù)判斷，將自適應(yīng)監(jiān)測(cè)方式加入研究?jī)?nèi)容中，更加貼近實(shí)際操作環(huán)境。其次，在診斷故障類(lèi)型前進(jìn)行兩次初步判斷，節(jié)省計(jì)算時(shí)間成本。在判斷故障類(lèi)型時(shí)，CART算法做了二次遞歸分割，構(gòu)造出所需要的決策判斷樹(shù)。對(duì)比實(shí)驗(yàn)證明，在數(shù)據(jù)量不斷增大的情況下，該故障檢測(cè)方式可以更快地檢測(cè)故障。但是，使用第三方監(jiān)測(cè)導(dǎo)致故障檢測(cè)成本增加，且監(jiān)測(cè)節(jié)點(diǎn)增加導(dǎo)致數(shù)據(jù)量計(jì)算相應(yīng)增加，會(huì)提高后續(xù)的檢測(cè)工作難度，解決該問(wèn)題是以后的研究目標(biāo)。

參考文獻(xiàn)參考文獻(xiàn)：

[1]BAROLLI L，CHEN X，XHAFA F.Advances on cloud services and cloud computing[J].Concurrency & Computation Practice & Experience，2015，27（8）：19851987.

[2]KHARI M， KUMAR M， VAISHAL I.Comprehensive study of cloud computing and related security issues[J].Big Data Analytics，2018（1）：699707.

[3]劉永.云計(jì)算技術(shù)研究綜述[J].軟件導(dǎo)刊，2015，14（9）：46.

[4]胡瑩.云計(jì)算及其關(guān)鍵技術(shù)研究[J].軟件導(dǎo)刊，2016，15（8）：159161.

[5]饒翔，王懷民，陳振邦，等.云計(jì)算系統(tǒng)中基于伴隨狀態(tài)追蹤的故障檢測(cè)機(jī)制[J].計(jì)算機(jī)學(xué)報(bào)，2012，35（5）：856870.

[6]王子勇，王燾，張文博，等.一種基于執(zhí)行軌跡監(jiān)測(cè)的微服務(wù)故障診斷方法[J].軟件學(xué)報(bào)，2017，28（6）：14351454.

[7]范貴生，虞慧群，陳麗瓊，等.基于Petri網(wǎng)的服務(wù)組合故障診斷與處理[J].軟件學(xué)報(bào)，2010，21（2）：231247.

[8]左朝樹(shù).一種分布式并行服務(wù)器節(jié)點(diǎn)故障檢測(cè)算法[J].電子科技大學(xué)學(xué)報(bào)，2007，36：119125.

[9]楊剛，隨玉磊.面向云計(jì)算平臺(tái)自適應(yīng)資源監(jiān)測(cè)方法[J].計(jì)算機(jī)工程與應(yīng)用，2009，45（29）：1417.

[10]WANG G Y.Granular computing based data mining in the views of rough set and fuzzy set[C].IEEE International Conference on Granular Computing，2010：401416.

[11]周薇，李筱菁.基于信息熵理論的綜合評(píng)價(jià)方法[J].科學(xué)技術(shù)與工程，2010，10（23）：58395843.

[12]嚴(yán)化寧，孫超.無(wú)線(xiàn)傳感器網(wǎng)絡(luò)中改進(jìn)的最大似然估計(jì)定位算法[C].西安：上海聲學(xué)學(xué)術(shù)會(huì)議，2009.

[13]敬明旻，肖莉，楊傳書(shū)，等.基于最大似然估計(jì)與樸素貝葉斯的WSN故障檢測(cè)[J].電子技術(shù)應(yīng)用，2015，41（7）：114117.

[14]馬賢同，羅景青，劉興華.基于最大似然估計(jì)的不可區(qū)分多目標(biāo)定位法[J].計(jì)算機(jī)應(yīng)用研究，2016，33（3）：741743.

[15]王媛，王意潔，鄧瑞鵬，等.云計(jì)算環(huán)境下的容錯(cuò)并行Skyline查詢(xún)算法研究[J].計(jì)算機(jī)科學(xué)與探索，2011，5（9）：804814.

[16]黃婕.基于云計(jì)算的故障檢測(cè)方法研究與實(shí)現(xiàn)[D].昆明：昆明理工大學(xué)，2014.

責(zé)任編輯（責(zé)任編輯：何麗）