關(guān)于有向復(fù)雜網(wǎng)絡(luò)軟件異常交互行為檢測研究

崔素麗，董 東，仇 賓，孫曼曼*

(1.河北師范大學(xué)附屬民族學(xué)院，河北 石家莊 0500001；2.河北師范大學(xué)，河北 石家莊 0500002)

1 引言

軟件的使用方便了人們的日常生活，由軟件質(zhì)量缺陷等產(chǎn)生的損失也為人們的生活帶來了諸多問題[1]。尤其是網(wǎng)絡(luò)化軟件的產(chǎn)生，其具有復(fù)雜的特性，提高軟件的可靠性和安全性是該領(lǐng)域面臨的重要挑戰(zhàn)[2-4]。因此通過對網(wǎng)絡(luò)化軟件運行交互行為進(jìn)行有效地檢測，掌握交互行為產(chǎn)生的規(guī)律、了解運行機理，是解決網(wǎng)絡(luò)化軟件可靠與安全的關(guān)鍵，其中，對網(wǎng)絡(luò)軟件交互行為特征進(jìn)行研究更是具有重要意義。

當(dāng)前，大量研究是從網(wǎng)絡(luò)軟件的可靠性出發(fā)，對網(wǎng)絡(luò)交互過程的行為進(jìn)行檢測。文獻(xiàn)[5]基于軟件特點，提出與工程實踐相符合失效模式的可靠評估模型，對構(gòu)件的運行過程、交互過程以及故障傳播過程進(jìn)行了詳細(xì)的分析，通過定義各種類型構(gòu)件的可靠參數(shù)與實例相結(jié)合，仿真結(jié)果表明該方法準(zhǔn)確性較高，但故障傳播過程的可靠性有待提高。文獻(xiàn)[6]通過對網(wǎng)絡(luò)軟件的定性描述，以eCos系統(tǒng)作為載體進(jìn)行分析，從軟件系統(tǒng)規(guī)模、組成單元的交互關(guān)系等不同方面對網(wǎng)絡(luò)模型進(jìn)行特性分析，結(jié)果表明該軟件在不同粒度上均具有相似的結(jié)構(gòu)特性，并且通過對軟件的本質(zhì)特征和節(jié)點特性等方面的分析，該軟件檢測方法具有可配置等優(yōu)勢。文獻(xiàn)[7]對軟件的用戶體驗進(jìn)行分析，同時考慮到多線程程序開發(fā)技術(shù)在計算機硬件資源方面的應(yīng)用以及軟件性能異常等方面的調(diào)試難度，結(jié)合現(xiàn)有的交互性能進(jìn)行擴展，以Google Chrome等流行軟件作為對象，對設(shè)計的交互性能異常系統(tǒng)進(jìn)行分析。

基于以上研究，本文將復(fù)雜網(wǎng)絡(luò)的有向邊連接強度通過邊權(quán)矩陣進(jìn)行量化，計算出節(jié)點間不同異構(gòu)路徑的鏈接強度，對軟件交互進(jìn)行進(jìn)行描述，并構(gòu)建行為模型，對軟件異常傳播進(jìn)行詳細(xì)地分析。

2 有向網(wǎng)絡(luò)量化

有向網(wǎng)絡(luò)和無向網(wǎng)絡(luò)的本質(zhì)區(qū)別是網(wǎng)絡(luò)節(jié)點是否有方向，包含3種類型連邊，如圖1所示。正向邊由網(wǎng)絡(luò)起始節(jié)點a指向終止節(jié)點b，表示網(wǎng)絡(luò)節(jié)點的主動行為；反向邊由網(wǎng)絡(luò)終止節(jié)點c指向起始節(jié)點a，表示網(wǎng)絡(luò)節(jié)點的被動行為；互惠邊是網(wǎng)絡(luò)起始節(jié)點a與終止節(jié)點d間的互相指向，表示兩節(jié)點間緊密關(guān)聯(lián)。

圖1 三種有向連邊

為了對3種類型連邊進(jìn)行量化，需要定義不同權(quán)重值，假設(shè)有向網(wǎng)絡(luò)為A(B，C)，鄰接矩陣為D，那么鄰接邊權(quán)矩陣E可表示為

(1)

圖2 有向路徑示意圖

依據(jù)有向路徑的起始節(jié)點可將網(wǎng)絡(luò)的路徑分為正向路徑、逆向路徑、混合路徑和聯(lián)通強路徑4種類型。在網(wǎng)絡(luò)中不同路徑具有不同的作用，假定通過路徑中各個連邊的強度積表示路徑的總強度，那么n階路徑的連接強度可表示為

(2)

(3)

假定網(wǎng)絡(luò)中的兩個節(jié)點i和j間存在多條路徑，沒有直接連接，各個路徑對連邊eij的權(quán)重不同，為了對不同路徑進(jìn)行區(qū)分，通過衰減參數(shù)對路徑連接強度的相似性指標(biāo)進(jìn)行計算，用公式可表示為

(4)

其中，J=D+αDT，當(dāng)時α=0時，不需要對網(wǎng)絡(luò)中的反向邊進(jìn)行考慮，只計算正向邊的路徑數(shù)量即可。當(dāng)n→∞時，αmax便是矩陣J的最大特征值，相似性指標(biāo)進(jìn)一步可表示為

(5)

其中，I表示單位矩陣。通過相似性指標(biāo)中的自適應(yīng)參數(shù)α可以調(diào)節(jié)網(wǎng)絡(luò)中有向路徑節(jié)點對連接強度的主要作用程度。通過以上設(shè)計方法對網(wǎng)絡(luò)中不同路徑連接強度的量化，不僅能對網(wǎng)絡(luò)中各條路徑進(jìn)行差異的區(qū)分，還可以預(yù)測出節(jié)點對連邊所指的方向。

3 網(wǎng)絡(luò)軟件行為描述

隨著軟件復(fù)雜度的不斷增加，如何對網(wǎng)絡(luò)交互行為進(jìn)行有效地分析是軟件領(lǐng)域的重要課題。行為描述是對軟件行為進(jìn)行分析的前提，是把握網(wǎng)絡(luò)軟件運行交互行為特征的首要條件。一般情況，在軟件運行時，通過設(shè)定的監(jiān)控點對軟件運行狀態(tài)進(jìn)行檢測，并把獲得的監(jiān)控結(jié)果與設(shè)定的狀態(tài)、行為比較，分析軟件當(dāng)前的健康狀況，對軟件故障進(jìn)行精準(zhǔn)的定位。隨著交互信息量的增加，若只基于內(nèi)容的描述方法對軟件行為進(jìn)行描述，其實時性與檢測效率很難得到保證。為提高軟件交互行為描述的效率，采用行為追蹤方法對網(wǎng)絡(luò)軟件交互行為進(jìn)行描述。

3.1 狀態(tài)轉(zhuǎn)移模型

狀態(tài)轉(zhuǎn)移模型是從歷史日志文檔中提取出來的，主要由離線處理和在線處理兩部分。通過對日志文檔的分析，采用聚類方法創(chuàng)建候選狀態(tài)，根據(jù)日志文檔中特殊的關(guān)鍵詞將信息設(shè)置到狀態(tài)轉(zhuǎn)移模型中，并將日志文檔劃分為多個子樣本空間，這樣可大大簡化日志文檔的聚類。通常用海明距離比較子樣本空間的日志記錄，海明距離公式可表示為

(6)

其中，m表示相同單詞個數(shù)；Wsame＿i表示相同單詞；scha＿1和scha＿2表示相同單詞構(gòu)成的字符串。如果子樣本空間日志記錄xm和ym之間的海明距離小于相似度閾值，那么可以把xm和ym聚類成候選狀態(tài)Scan＿m；如果子樣本空間日志記錄xm和ym之間的海明距離大于相似度閾值，那么可以把xm和ym設(shè)置成新的狀態(tài)Scan＿m，(k+1)。軟件狀態(tài)從日志文檔中獲得后，通過狀態(tài)轉(zhuǎn)移模型模擬網(wǎng)絡(luò)軟件的工作過程，且所有狀態(tài)均產(chǎn)生唯一的跟蹤軌跡。

若軟件具體工作轉(zhuǎn)換時間ttra和日志文檔已知，可將定量跟蹤問題轉(zhuǎn)換為軟件具體工作正確匹配軌跡的概率問題，對于Ms+1個狀態(tài)，跟蹤排列矢量集合可表示為

(7)

其中，Varr＿k表示排列矢量；TRA表示軟件具體工作的跟蹤；Vsta＿k表示跟蹤時間戳的矢量。在轉(zhuǎn)換時間下，將軟件具體工作跟蹤簡化為最大權(quán)重二分圖，對于時間戳矢量(Vsta＿0，Vsta＿1)，最大相似規(guī)則可簡化為

(8)

(9)

其中，W(i，j)表示二分圖每條邊的權(quán)值。

3.2 行為跟蹤

基于上述分析，從日志文檔中提取出軟件具體工作轉(zhuǎn)移模型，用來描述應(yīng)用軟件的流轉(zhuǎn)過程，從而實現(xiàn)對交互過程的行為追蹤。對于丟失標(biāo)記的行為跟蹤，采用狀態(tài)劃分算法將狀態(tài)轉(zhuǎn)移模型劃分成多個二分圖系統(tǒng)，計算出各個子系統(tǒng)的網(wǎng)絡(luò)最大流，將匹配的連線連接起來得出跟蹤序列，完成對軟件行為的標(biāo)識工作。

將二分圖的匹配問題轉(zhuǎn)化為網(wǎng)絡(luò)最大流處理問題，需要在二分圖中分別增加源點ps和匯點pt，然后將源點和匯點通過有向弧與各個節(jié)點進(jìn)行連接，并將全部弧的容量定義為1。當(dāng)網(wǎng)絡(luò)流量最大時，若點(xj，yj)的流量為1，則說明xj和yj最為匹配。

假設(shè)二分圖子系統(tǒng)中行為軌跡的結(jié)束與發(fā)生時間分別為tstop和tstart，對應(yīng)的節(jié)點分別為nstop和nstart，對應(yīng)的節(jié)點狀態(tài)集合分別為Nstop={nstop＿i|i=1，m}和Nstart={nstart＿i|i=1，m}，m表示狀態(tài)集合中行為跟蹤軌跡的數(shù)量。對于任意軟件具體工作而言，若時間在轉(zhuǎn)移的限定時間內(nèi)，離開狀態(tài)與到達(dá)狀態(tài)先后出現(xiàn)，說明這兩個狀態(tài)所產(chǎn)生的軌跡與軟件的某一具體工作是匹配的，通過有向弧將兩個節(jié)點連接，可以得出連接弧的集合，表示為：

(10)

綜上所述，根據(jù)狀態(tài)之間的轉(zhuǎn)移時間，按照指數(shù)分布與正態(tài)分布進(jìn)行計算，可以得出描述網(wǎng)絡(luò)跟蹤軌跡匹配的網(wǎng)絡(luò)流程圖。

4 軟件異常行為

根據(jù)軟件異常行為在不同情況的交互形式，構(gòu)建描述異常行為交互過程的模型。復(fù)雜的系統(tǒng)不能對其內(nèi)部的運行過程進(jìn)行深入研究，只能對行為模型進(jìn)行抽取描述，在網(wǎng)絡(luò)軟件交互行為模型的基礎(chǔ)上，構(gòu)建網(wǎng)絡(luò)軟件系統(tǒng)錯誤模型，將軟件的執(zhí)行過程視為組件的消息傳輸、組件關(guān)聯(lián)等函數(shù)的調(diào)用，且均通過有向邊表示。在模型的建立過程中對影響軟件異常行為的3種參數(shù)進(jìn)行分析，包含組件的內(nèi)部錯誤率、連接率和交互頻率。

組件內(nèi)部錯誤率表示為了實現(xiàn)組件功能，節(jié)點中所隱含的錯誤概率。由于組件內(nèi)部錯誤不一定導(dǎo)致其它軟件產(chǎn)生錯誤，因此在模型中引入錯誤傳播概率。依據(jù)錯誤概率與傳播概率的相互獨立性，當(dāng)某個組件i的錯誤傳播概率小于1時，說明系統(tǒng)可靠性較強。組件內(nèi)部錯誤概率是一個靜態(tài)估計值，公式為

(11)

其中，derr表示錯誤密度；ri表示組件的代碼行數(shù)。組件內(nèi)部錯誤傳播率與組件內(nèi)部類與類之間具有關(guān)聯(lián)性。通過不斷的研究發(fā)現(xiàn)，CBO中包含隱藏錯誤類的所有類，對錯誤傳播率起到主要的影響；WMC中包含影響錯誤傳播率的內(nèi)聚性；RFC中包含影響外部調(diào)用函數(shù)的基數(shù)。因此提出類的錯誤傾向指數(shù)對組件的內(nèi)部錯誤傳播率進(jìn)行描述，公式為

(12)

(13)

其中，Ctot表示組件i包含的類總數(shù)量。

連接率是按照程序邏輯隨時間變化的動態(tài)變量。將軟件的工作過程視為可隨時間變化的網(wǎng)絡(luò)，可通過函數(shù)調(diào)用關(guān)系反映出連接率。在網(wǎng)絡(luò)軟件中，一個錯誤節(jié)點可以影響多個正常節(jié)點，與此同時，一個正常的網(wǎng)絡(luò)節(jié)點也有可能受多個錯誤節(jié)點影響。假定有向圖為A(B，C(t))，連接率表示為

(14)

其中，|C(t)|表示時間t時軟件交互的有向圖中存在的邊數(shù)。|B|表示節(jié)點數(shù)目。若連接率越大，節(jié)點間連接的強度越高，說明軟件異常行為傳播的可能性較大。

交互頻率表示在某個時間段內(nèi)兩個節(jié)點被調(diào)用的次數(shù)，當(dāng)交互次數(shù)達(dá)到最大值時，可能導(dǎo)致調(diào)用該節(jié)點時出現(xiàn)錯誤。網(wǎng)絡(luò)軟件的執(zhí)行頻繁程度與重要性也是通過交互頻率體現(xiàn)。交互過程有向圖A(B，C(t))節(jié)點間的連邊隨著時間發(fā)生變化，整個網(wǎng)絡(luò)的交互頻率表示為

(15)

其中，dpoi表示節(jié)點的度；pint＿ij表示節(jié)點i和j的交互頻率。

5 仿真與結(jié)果分析

為了驗證關(guān)于有向復(fù)雜網(wǎng)絡(luò)軟件異常交互行為檢測的有效性，使用JAVA語言開發(fā)的電子購物平臺，對異常行為傳播模型進(jìn)行驗證。用戶進(jìn)入購物平臺，與確認(rèn)組件和系統(tǒng)組件進(jìn)行交互，然后進(jìn)行選購、下單等操作，系統(tǒng)通過數(shù)據(jù)庫的數(shù)據(jù)，對用戶的請求進(jìn)行管理。分別從錯誤傳播概率、交互率和連接率三方面進(jìn)行實驗驗證。

為了對組件內(nèi)部傳播概率進(jìn)行計算，首先需要對標(biāo)準(zhǔn)屬性值進(jìn)行統(tǒng)計，以GUI組件為例，根據(jù)組件內(nèi)錯誤傾向指數(shù)，結(jié)合本文方法計算出對應(yīng)組件的內(nèi)部錯誤傳播概率，如表1所示。

表1 組件錯誤傳播概率

從表中可以看出，關(guān)鍵組件3、組件5和組件6的錯誤傳播概率較大，說明組件間關(guān)聯(lián)程度較強，其中某一個隱藏的錯誤關(guān)聯(lián)類極有可能受到影響，因此提高組件的可靠與安全性非常重要。

對某個時間段軟件工作過程進(jìn)行劃分，并視為每個被劃分時間段上軟件交互行為有向圖的疊加。由于組件4中包含4種狀態(tài)，因此以組件4為例，當(dāng)時間T=400s時，組件間的調(diào)用關(guān)系交互行為A4(B，C(t))，其中B={B1，B2，B3，B4}，有向圖為該段時間的執(zhí)行交互行為圖，如圖3所示。

圖3 組件4交互行為圖

通過本文方法計算出組件4節(jié)點間的交互頻率約為2.88，共收集7天組件4的執(zhí)行跟蹤日志27000條，經(jīng)過計算與統(tǒng)計得出，采用本文方法的交互頻率服從泊松分布，具有較好的效果。

采用極大似然估計方法對連接率進(jìn)行計算，在不同時間片段上軟件交互行為有向圖的連接率均滿足冪律分布，通過仿真得出連接率曲線圖，如圖4所示。

圖4 連接曲線

從圖中可以看出，由于軟件中存在異常行為，隨著時間的增加，連接率逐漸降低，之后的其余時間處于穩(wěn)定狀態(tài)，表明正常的程序受到錯誤的干擾后，組件功能受到影響。通過測試說明采用本文方法可以對軟件異常行為進(jìn)行有效的檢測，可以及時采取控制措施，提高網(wǎng)絡(luò)系統(tǒng)的穩(wěn)定性。

6 結(jié)束語

為了對軟件異常交互行為進(jìn)行檢測研究，本文對復(fù)雜網(wǎng)絡(luò)軟件運行時的交互行為進(jìn)行描述，建立軟件行為和異常行為的模型，對模型進(jìn)行深入研究。通過JAVA語言編寫的線上電子購物平臺對影響軟件異常行為的錯誤傳播概率、交互概率和連接率三類參數(shù)進(jìn)行仿真測試。實驗結(jié)果表明，本文方法不僅能夠增強模型的準(zhǔn)確性和完整性，而且還能較好地計算出各種參數(shù)的變化規(guī)律，充分驗證了算法的可行性。