[发明专利]分布式系统的异常检测方法及系统、服务终端、存储器

说明书

技术领域

本发明属于分布式系统检测技术领域，尤其涉及一种分布式系统的异常检测方法及系统、服务终端、存储器。

背景技术

在分布式系统中，各个计算机是相互独立的，可以是物理上相邻的，也可以是地理上分散的，它们通过网络或者其他方式进行连接，组成一个整体。

为了更好地体现分布式计算的强大的处理数据计算的能力，对分布式计算环境进行监控将变得尤为重要和关键。系统必须协调这些任务的运行、合理分配资源使资源得到充分的利用并提升整个系统的性能。

通常情况下，系统采用调度程序来管理这些任务。调度程序会采集系统中各种资源的相关信息以确定资源是否可用，然后调度算法根据资源的可用性、任务的运行时间等来确定任务的优先级并分配给它们可用的资源。然而随着任务的运行，各种资源的状态，如CPU负载、剩余内存、硬盘剩余空间等会随时发生改变，如果在实行调度之前，就能预测到资源在未来某个时间是否依然可用，并合理地避开异常时段对资源的使用，那么系统的调度结果将更加理想。因此，对系统中的资源进行监控，并在异常发生之前进行预测具有重要的意义。

现有技术中，异常预测模型都采用基于回归技术的模型，而回归技术具有其特定的局限性；或者，采用传统机器学习预测模型来进行预测，但在实时系统处理分析时会由于算法复杂度高，系统不稳定造成生成结果缓慢，预测结果可靠性不强。

发明内容

本发明实施例提供了一种分布式系统的异常检测方法及系统、服务终端、存储器，旨在解决现有技术中异常检测准确性较低的问题。

本发明实施例是这样实现的，一种分布式系统的异常检测方法，包括：

采集分布式系统的状态数据；

创建统计模型；

引入时间观测序列，建立所述统计模型对所述时间观测序列的支持概率模型；

基于所述状态数据及所述支持概率模型获取对应的异常检测结果。

优选地，所述统计模型为马尔科夫模型，所述统计模型具体为：λ＝(S，P，Q)，其中，所述S为原始状态空间，所述P为状态转移概率矩阵，所述Q为已知的分布式系统的所有状态概率模型分布。

优选地，所述引入时间观测序列，建立所述统计模型对所述时间观测序列的支持概率模型包括：

引入所述时间观测序列；

根据所述马尔科夫模型对所述原始状态空间进行迭代优化，得到优化状态空间。

优选地，所述基于所述时间观测序列对所述原始状态空间进行优化，得到优化状态空间具体包括：

获取每一状态出现的次数；

计算每一状态出现的概率；

对所计算的每一状态出现的概率按大小进行排序；

基于排序结果获取所述状态空间的状态个数；

将所述时间观测序列加入到所述原始状态空间，获得所述优化状态空间。

优选地，基于所述状态数据及所述支持概率模型获取对应的异常检测结果具体包括：

采用窗口划分法划分所述时间观测序列，得到两个以上状态序列；

基于所述状态数据及所述两个以上状态序列获取对应的异常检测结果。

优选地，所述基于所述状态数据及所述两个以上状态序列获取对应的异常检测结果具体包括：

基于所述两个以上状态序列获取支持概率的平均值模型；

基于所述状态数据及所述平均值模型计算对应的支持概率；

基于计算所得的支持概率获取对应的异常检测结果。

优选地，所述基于所述两个以上状态序列获取支持概率的平均值模型之后、基于所述状态数据及所述平均值模型计算对应的支持概率之前还包括：

对所述平均值模型进行修正，获得修正的平均值模型；

所述基于所述状态数据及所述平均值模型计算对应的支持概率具体为：

基于所述状态数据及所述修正的平均值模型计算对应的支持概率。

本发明还提供一种分布式系统的异常检测系统，包括：

采集模块，用于采集分布式系统的状态数据；

创建模块，用于创建统计模型；

建立模块，用于引入时间观测序列，建立所述统计模型对所述时间观测序列的支持概率模型；

获取模块，用于基于所述状态数据及所述支持概率模型获取对应的异常检测结果。

本发明还提供一种存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行如下步骤：

采集分布式系统的状态数据；

创建统计模型；

引入时间观测序列，建立所述统计模型对所述时间观测序列的支持概率模型；