[发明专利]基于轨迹日志学习的微服务潜在错误与故障根源预测方法

权利要求书

1.一种基于轨迹日志学习的微服务潜在错误与故障根源预测方法，其特征在于，包括离线训练和在线预测两部分；所述离线训练部分通过运行微服务应用及其经故障注入得到的故障版本获得大量的轨迹日志，在此基础上通过特征抽取和机器学习获得微服务潜在错误与故障根源预测模型；所述在线预测部分，持续收集运行中的微服务应用执行轨迹日志，抽取特征，然后利用训练好的预测模型预测潜在错误、故障类型以及故障所在的微服务；

所述预测模型融合了执行轨迹和微服务两个层次的预测；其中，轨迹层次包括三个模型：LE模型，用于预测潜在错误；FM模型，用于预测故障微服务；FT模型，用于预测故障类型；微服务层次包含一个MS模型，用于直接预测每个微服务是否包含故障及其故障类型；所有四个预测模型都是分类模型；轨迹层次的三个模型在训练和预测时都将所给的轨迹实例作为整体，其中：LE模型是一个二元分类模型，将一个轨迹实例分类为包含潜在错误和不包含潜在错误两类；FM模型是一个多标签分类模型，将一个轨迹实例中包含的一个或多个微服务预测为有故障的；FT模型是一个多标签分类模型，预测一个轨迹实例中所包含的一个或多个故障类型；微服务层次的MS模型针对所给的轨迹实例中涉及的微服务分别进行训练和预测，该模型是一个单标签分类模型，用于预测一个微服务的故障状态；两个层次的预测模型在使用时按照如下方式组合：首先使用轨迹层次的LE模型预测当前微服务运行轨迹是否存在潜在错误；如果LE模型预测结果置信度达到阈值，那么继续使用轨迹层次的FM模型和FT模型分别预测故障所在的微服务及其类型；置信度未达到阈值的，改为使用微服务级别的MS模型进行预测。

2.根据权利要求1所述的预测方法，其特征在于，离线训练部分具体步骤如下：

（1）根据多种故障注入策略，通过对于微服务代码及配置的静态分析和操纵生成微服务应用的一系列故障版本；其中，故障注入通过半自动的方法将不同类型的故障引入应用程序的不同部分，产生一系列微服务应用的故障版本；每种类型的故障都对应一个故障注入策略，包括以下信息：先决条件，定义注入故障的位置所需要满足的条件；代码变换方法，指定如何对微服务实现代码进行变换从而向其中注入故障；预期的错误症状，指定故障注入并按预期引发错误后应当表现出的症状；

（2）使用自动化测试用例来驱动微服务应用的正常版本及其经故障注入得到的故障版本执行；在此过程中，执行控制器通过对运行时环境施加额外控制使微服务应用在不同环境下运行，收集所产生的微服务应用轨迹日志；执行控制器部署目标应用程序及其故障版本，使用现有的自动测试用例执行不同的应用程序版本，并收集执行轨迹日志；对于故障版本，控制器进一步操作应用程序的运行时环境，以便微服务应用程序在不同的环境下运行，包括不同数量的微服务实例、环境配置和异步交互序列；对于每个环境，控制器执行涉及相应故障微服务的测试用例，执行给定次数，以在同一环境下获得多个执行轨迹实例；

（3）为预测模型准备训练样本库：对于每个轨迹实例，通过提取轨迹层次特征，并标记其错误状态、故障类型和故障位置，生成一个轨迹层次的训练样本；对于轨迹实例中涉及的每个微服务，通过提取微服务层次的特征，并标记其错误状态，从而生成一个微服务层次的训练样本；

（4）在提取的特征基础上进行相关性分析，剔除掉相关性较低的特征，将留下的具较高相关性的特征作为预测模型的最终输入；

（5）利用机器学习技术训练预测模型，包括轨迹层次的LE模型、FM模型、FT模型以及微服务层次的MS模型。

3.根据权利要求2所述的预测方法，其特征在于，在线预测部分监控生产环境中应用程序的执行，收集所产生的微服务应用轨迹日志，并抽取轨迹级别和微服务级别两方面特征，然后应用轨迹和微服务两个层次的预测模型来预测轨迹日志中所包含的潜在错误、故障所在的微服务以及故障类型。

4.根据权利要求2所述的预测方法，其特征在于，一些特征定义如下表：

。