[发明专利]一种基于时序演化基因的Docker容器故障智能预测方法

权利要求书

1.一种基于时序演化基因的Docker容器故障智能预测方法，其特征在于，包括：

对多维的时序进行切分，划分为很多片段；

对片段进行聚类，发现典型的模式；

对不同的模式，采用条件对抗网络(CVAE-GAN)捕捉其分布特征；

组合分布特征随时间的变化，预测即将发生的异常。

2.根据权利要求1所述的一种基于时序演化基因的Docker容器故障智能预测方法，其特征在于，包括以下步骤：

步骤1：采集K8S组件日志和K8S组件状态，K8S是一个Docker容器管理工具；

步骤2：分析K8S组件日志和K8S组件状态，提取Docker容器特征指标；

步骤3：构建时序演化基因深度学习训练模型，进行历史数据的离线训练和实时数据的在线训练；

步骤四：输出Docker容器故障智能预警信息，并评估模型预测效果。

3.根据权利要求2所述的一种基于时序演化基因的Docker容器故障智能预测方法，其特征在于，步骤3还包括：

步骤3.1：在一条完成的时间序列上，对于每一时间分段训练一个分类器C区分出每一时间窗口内Docker采集数据所属的类型i，

步骤3.2：之后通过变分自编码机(VAE)(包涵编码器网络E，解码器网络G)对每一个进行特征抽取；

具体来说，编码器E将编码出包涵多维混合高斯分布的均值，方差组合的特征隐层然后解码器G通过采样这个多维混合分布还原样本；

步骤3.3：通过KL散度来减少编码与采样之间的误差；

步骤3.4：生成器网络G在再采样的上进行反编码，还原出真实样本，然后使得判别器识别不出尽可能犯错误，其目标函数为：

步骤3.5：判别器网络D目标将真实样本和生成样本进行区分，其目标函数为：

步骤3.6：完成上述训练之后，模型组合每一时段的隐变量与真实样本通过循环神经网络对整体的演化过程进行挖掘分析，输出Docker下一个时段发生异常的概率P和特征估计值

4.根据权利要求3所述的一种基于时序演化基因的Docker容器故障智能预测方法，其特征在于，Docker容器特征指标如下：

前24小时日志数；

每个小时的日志数；

每个小时component Name均值方差最大值最小值；

每个小时host均值方差最大值最小值；

每个小时severity中info、error、warning的占比及数量。

5.一种如权利要求1-4任一项所述的方法建立的基于时序演化基因的Docker容器故障智能预测模型图谱。

6.根据权利要求5所述的基于时序演化基因的Docker容器故障智能预测模型图谱，其特征在于，其中，模型组合每一时段的隐变量与真实样本通过循环神经网络对整体的演化过程进行挖掘分析，输出Docker下一个时段发生异常的概率P和特征估计值

7.根据权利要求6所述的基于时序演化基因的Docker容器故障智能预测模型图谱，其特征在于，所述Docker容器特征指标如下：

前24小时日志数；

每个小时的日志数；

每个小时component Name均值方差最大值最小值；

每个小时host均值方差最大值最小值；

每个小时severity中info、error、warning的占比及数量。