[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

说明书

一种基于时序演化基因的Docker容器故障智能预测方法，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。有效提升云平台Docker的维护水平。

技术领域

本发明涉及一种基于时序演化基因的Docker容器故障智能预测方法，具体涉及一种面向PaaS平台运维提出一种基于时序演化基因的Docker容器故障智能预测方法，本发明属于通信领域。

背景技术

PaaS平台的传统运维模式是网管系统发现设备告警后，通知维护人员进行维修，属于事后的人工修复，故障响应时间长，不能满足实时性高的业务需求。系统运维人员处于大部分时间和精力都是处理一些简单重复的问题，体力劳动偏大，工作效率低，需要投入大量的维护资源。

PaaS平台通常有以下缺点：

(1)PaaS平台的网管系统不具备智能故障分析功能，业务异常时需要维护人员耗费大量的人力来进行故障查证，寻找故障原因，系统维护效率低。

(2)PaaS平台的网管系统不具备智能故障预警功能，一旦出现严重故障还会影响系统的正常运行，系统维护较为被动。

发明内容

本发明的目的在于，提供一种基于时序演化基因的Docker容器故障智能预测方法，以克服现有技术所存在的上述缺点和不足。本发明利用时序演化基因深度学习方法构建Docker容器故障智能预测模型，通过离线训练和在线训练相结合，准确预测Docker容器可能发生的未来故障。

本发明的目的是提升PaaS平台的智能化运维能力，实现PaaS平台运维从“事后”向“事前”发展，真正实现PaaS平台运维的“防患于未然”。

本发明所需要解决的技术问题，可以通过以下技术方案来实现：

作为本发明的第一方面，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。

进一步，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。

其中，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：