改進FP-Growth算法下云服務(wù)器故障診斷研究

張 衡，王大勇，宋 朋

(遼寧大學(xué)，遼寧 沈陽 110036)

1 引言

計算機技術(shù)的應(yīng)用領(lǐng)域日益廣泛，對計算機的可靠性要求也越來越高。尤其在一些特殊的應(yīng)用領(lǐng)域，例如在實驗室方面，對服務(wù)器的應(yīng)用性能要求更高?，F(xiàn)階段，計算機硬件已經(jīng)得到了很大程度的提升，但是軟件設(shè)計日益復(fù)雜，帶來了很多的潛在隱患。尤其是在比較特殊的環(huán)境下，都容易導(dǎo)致實驗室服務(wù)器出現(xiàn)故障[1，2]，同時還會產(chǎn)生比較大的經(jīng)濟損失。

為了有效解決上述問題，國內(nèi)相關(guān)專家針對服務(wù)器故障診斷方面的內(nèi)容展開了大量研究，例如李奎等人[3]對聲音信號和振動信號經(jīng)驗?zāi)B(tài)分解處理，提取不同類型信號的IMF(固有模態(tài)函數(shù)，Intrinsic Mode Function)包絡(luò)能量熵，將其設(shè)定為特征向量輸入，同時使用D-S(登普斯特-謝弗，Dempster-Shafer)證據(jù)理論對聲振信號加權(quán)概率分配完成決策層融合處理，最終獲取故障診斷結(jié)果。于斌等人[4]提出了一種基于并行運行時驗證的DoS(拒絕服務(wù)，Denial of Service)攻擊檢測方法。描述邊緣服務(wù)器預(yù)期行為和DoS攻擊特征。采用并行運行時驗證框架，充分利用邊緣服務(wù)器的計算與存儲資源，對服務(wù)器程序運行狀態(tài)進行異常檢測和誤用檢測。在以上幾種方法的基礎(chǔ)上，提出一種基于改進FP-Growth算法的云服務(wù)器故障診斷方法。經(jīng)實驗測試結(jié)果表明，所提方法能夠得到更加精準(zhǔn)的服務(wù)器故障診斷結(jié)果。

2 云服務(wù)器故障診斷

2.1 改進FP-Growth算法

FP-Growth算法的基本思想就是將事務(wù)數(shù)據(jù)庫中的事務(wù)開展剪枝以及排序等相關(guān)操作，有效保留各個數(shù)據(jù)項之間的關(guān)系[5]。以下給出FP-Growth算法的詳細(xì)操作步驟：

1)獲取頻繁項列表

對事務(wù)數(shù)據(jù)庫遍歷處理，主要負(fù)責(zé)完成數(shù)據(jù)庫中全部項數(shù)據(jù)統(tǒng)計工作，將小于最小尺度計數(shù)的數(shù)據(jù)項刪除，同時根據(jù)頻數(shù)遞減對數(shù)據(jù)項排序處理，進而獲取頻繁項列表。

2)建立FP-tree

以Null(零器)為根節(jié)點構(gòu)建FP-tree，通過Flist對數(shù)據(jù)庫中的全部數(shù)據(jù)項排序處理，將不滿足最小支持度的數(shù)據(jù)項刪除。將完成排序的事務(wù)插入到FP-tree中，判斷路徑是否可以分享，假設(shè)可以分享，則需要記錄節(jié)點數(shù)量。

3)挖掘FP-tree

設(shè)定后綴模式以及初始值，采用FP-tree算法挖掘FP-tree；假設(shè)FP-tree為單分支，則刪除小于最小支持度的節(jié)點，將剩余節(jié)點組成任務(wù)集合，經(jīng)過對比分析獲取對應(yīng)的頻繁項集。

經(jīng)典的FP-Growth算法[6，7]主要通過FP樹作為數(shù)據(jù)存儲結(jié)構(gòu)，將數(shù)據(jù)庫事務(wù)集全部壓縮處理，同時存儲至FP-tree中，確保各個頻繁項之間的關(guān)系不會被打破。在實際操作過程中，并不會形成候選集，所以需要兩次掃描事務(wù)數(shù)據(jù)庫，有效避免時間浪費。將頻繁項集中出現(xiàn)的最小數(shù)據(jù)項設(shè)定為后綴，降低搜索時間。

由于傳統(tǒng)的FP-Growth算法挖掘數(shù)據(jù)規(guī)模比較小，而在實際應(yīng)用中的實驗室服務(wù)器數(shù)據(jù)存儲規(guī)模比較大，并且還在持續(xù)增加。如果超過單一架構(gòu)以及分布環(huán)境可以處理的數(shù)據(jù)規(guī)模，則各個節(jié)點之間的通信能耗和時間會大幅度增加。在上述分析基礎(chǔ)上，提出PL-FPGrowth(程序語言頻繁模式增長，Procedural Language-Frequent Pattern Growth)算法。用于統(tǒng)計數(shù)據(jù)項的頻數(shù)，如式(1)所示

(1)

式中，count-I(i，j)代表頻數(shù)；lm，n代表節(jié)點上數(shù)據(jù)項出現(xiàn)的總數(shù)；i和j代表第i個和第j個節(jié)點。

4)在不同的節(jié)點上，通過頻繁項列表，需要對本地數(shù)據(jù)集中的事務(wù)排序處理，構(gòu)建對應(yīng)的局部FP-tree。

5)將局部的頻繁項集整合處理，假設(shè)頻繁項集相同，則增加頻數(shù)；反之，則刪除支持度和置信度的頻繁項集，通過整合形成全局最大頻繁項集的集合。

2.2 基于改進FP-Growth算法的云服務(wù)器故障診斷

針對實驗室服務(wù)器數(shù)據(jù)的特殊性，需要給出基于改進FP-Growth算法的云服務(wù)器故障診斷流程。分析實驗室服務(wù)器的實際工作情況，為了確保故障診斷結(jié)果的準(zhǔn)確性，在故障診斷前期，需要滿足以下幾方面的約束條件，如下所示：

1)確保數(shù)據(jù)結(jié)構(gòu)屬于非線性的；

2)確保數(shù)據(jù)的概率分布滿足指數(shù)型分布；

3)確保向量的方差大小和變量之間的重要性呈正相關(guān)；

4)主元相互正交。

由于實驗服務(wù)器是復(fù)雜多變的，具有復(fù)雜多變以及非線性等特點，主要涉及多個不同的實驗設(shè)備，所以需要在事務(wù)數(shù)據(jù)庫中分別添加關(guān)鍵數(shù)據(jù)，將其存放于關(guān)鍵項表中，將其設(shè)定為最終所挖掘的關(guān)聯(lián)規(guī)則輸出。

針對任何含有n個類別的分類問題而言，所以可以將其轉(zhuǎn)換為兩個類別的分類問題[8，9]。在頻繁項頭中主要包含兩個不同的域，通過圖1可知，F(xiàn)P-tree是利用兩次掃描數(shù)據(jù)庫得到的。

1)記錄全部頻繁項集的支持度和兩種類別的相對支持度。

2)輸入FP-tree，獲取各個子路徑上對應(yīng)節(jié)點集合的支持度和置信度，詳細(xì)的計算式如下

(2)

(3)

式中，support代表支持度；confidence代表置信度；count和relative分別代表不同的子路徑。

3)二次掃描，同時構(gòu)建相對支持樹，將項頭表按照從小到大的順序排序處理，進而構(gòu)建頻繁模式基。

利用圖1給出基于改進FP-Growth算法的云服務(wù)器故障診斷流程圖。

圖1 基于改進FP-Growth算法的云服務(wù)器故障診斷流程

由于經(jīng)典的FP-Growth算法[10，11]在挖掘關(guān)聯(lián)規(guī)則的過程中，和數(shù)據(jù)排列方式存在十分密切的關(guān)聯(lián)。為了得到全局最大頻繁項集，對局部事務(wù)排序仍然無法滿足局部頻繁項集，進而獲取目標(biāo)頻繁項集。設(shè)定參與計算的節(jié)點數(shù)量為m，最小支持度為min-sup，則各個節(jié)點對應(yīng)的局部支持度計數(shù)可以表示為式(4)所示

sup-local=min-sup ·qi

(4)

上式中，sup-local代表局部支持度計數(shù)；qi代表節(jié)點事務(wù)集總數(shù)。

在完成剪枝操作之后，會降低構(gòu)建局部FP-tree和局部挖掘頻繁項集的工作量。在刪除不滿足最小支持度計數(shù)的頻繁項之后，在挖掘全局最大頻繁項集時[12，13]，會有效降低通信開銷。

為了準(zhǔn)確評估不同節(jié)點對應(yīng)參考時間，可以采用式(5)計算

(5)

式中，excute-time(i)代表第i個節(jié)點對應(yīng)的執(zhí)行參考時間[14，15]；time(i)代表節(jié)點i的運行時間；n代表測試樣本數(shù)量；ωi，j代表不同節(jié)點的權(quán)重取值。

計算服務(wù)器故障比例如式(5)所示：

(6)

上式中，date-proportion代表節(jié)點數(shù)據(jù)的分配比例。

在以上分析的基礎(chǔ)上，還需要設(shè)定參數(shù)閾值規(guī)則，進而提取實驗室中不同服務(wù)器的故障向量變量的子集，以此為依據(jù)組建不同故障變量的條件FP-tree，將各個數(shù)據(jù)子集挖掘出的頻繁項集求并集，得到包含全部故障診斷信息的頻繁項集，最終達(dá)到服務(wù)器故障診斷的目的。

3 仿真研究

為了驗證所提方法的有效性，采用文獻(xiàn)[3]的基于多信息融合的故障診斷方法和文獻(xiàn)[4]的基于運行時驗證的邊緣服務(wù)器DoS攻擊檢測方法作為實驗對照組，將其與研究方法的測試結(jié)果對比，以突出提出方法的指標(biāo)優(yōu)勢。

選取4核8G5M帶寬的云服務(wù)器為實驗測試對象，該服務(wù)器具備雙IP，設(shè)置云服務(wù)器的故障發(fā)生在運行時間為5s～10s和15s～20s兩個時間段，當(dāng)服務(wù)器出現(xiàn)故障時，其數(shù)據(jù)通信量會發(fā)生較大幅度的變化。分別利用三種不同方法診斷該服務(wù)區(qū)的故障，所得結(jié)果如圖2所示。

圖2 不同方法下服務(wù)器故障輸出結(jié)果

根據(jù)圖2的實驗結(jié)果可知，基于多信息融合的故障診斷方法和基于運行時驗證的邊緣服務(wù)器DoS攻擊檢測方法的服務(wù)器故障診斷存在較為明顯的延時問題。研究方法能夠精準(zhǔn)的獲取云服務(wù)器的故障，且在故障發(fā)生階段，服務(wù)器的通信量下降，且幅度較大，符合實際情況。

基于上述實驗，選取故障診斷耗時和診斷正確性作為測試指標(biāo)。不同方法的云服務(wù)器故障診斷耗時測試結(jié)果如圖3所示。

圖3 不同方法的故障診斷耗時對比

分析圖3中的實驗數(shù)據(jù)可知，所提方法的云服務(wù)器故障診斷準(zhǔn)確率明顯優(yōu)于文獻(xiàn)方法，說明所提方法可以獲取更加滿意的故障診斷結(jié)果。

基于云服務(wù)器故障診斷的耗時指標(biāo)測試結(jié)果，進一步分析三種不同方法的故障診斷性能結(jié)果，設(shè)置4個故障類型，分別為服務(wù)暫停、服務(wù)停止、進程異常、指令執(zhí)行異常。利用基于多信息融合的故障診斷方法、基于運行時驗證的邊緣服務(wù)器DoS攻擊檢測方法以及研究方法對40個服務(wù)器樣本完成故障診斷，具體結(jié)果如圖4所示。

圖4 不同方法的云服務(wù)器故障診斷結(jié)果

分析圖4所得的實驗結(jié)果可知，在對4個類別的云服務(wù)器故障進行診斷時，基于多信息融合的故障診斷方法和基于運行時驗證的邊緣服務(wù)器DoS攻擊檢測方法在每一個類別的服務(wù)器故障診斷中均出現(xiàn)了錯誤診斷結(jié)果，說明文獻(xiàn)方法的故障診斷精度不夠理想。研究方法在對40個服務(wù)器樣本的不同類型故障診斷中，僅出現(xiàn)一次錯誤診斷。

為了更直觀對比不同方法故障診斷結(jié)果的精度，對以上方法的準(zhǔn)確率數(shù)值進行計算，公式如下所示

(7)

式中，c代表正確判斷的故障類型數(shù)量；b代表實際故障數(shù)量。

根據(jù)圖4的實驗結(jié)果，計算不同方法的故障診斷精度，具體精度數(shù)據(jù)如圖5所示。

圖5 不同方法的故障診斷精度計算結(jié)果

根據(jù)圖5的不同方法的故障診斷精度對比可以明顯看出，對于不同類型的云服務(wù)器故障，研究方法的精度始終保持在90%～100%，基于多信息融合的故障診斷方法和基于運行時驗證的邊緣服務(wù)器DoS攻擊檢測方法的故障診斷精度波動范圍在80%～90%，明顯低于研究方法。該實驗結(jié)果驗證了所提方法具有更高的服務(wù)器故障診斷結(jié)果準(zhǔn)確性，可以準(zhǔn)確識別各個類型的故障，進一步證明了所提方法的優(yōu)越性。

4 結(jié)束語

提出一種基于改進FP-Growth算法的云服務(wù)器故障診斷方法。經(jīng)實驗測試證明，所提方法可以準(zhǔn)確診斷實驗室中各個類型的服務(wù)器故障，為服務(wù)器故障的研究和應(yīng)用提供了全新的方法，確保系統(tǒng)的穩(wěn)定運行。