| 主权项 |
基于概率图模型的服务组件可靠性在线时间序列预测方法，其特征在于：包括如下步骤：(1)motifs发现过程：寻找历史参数中响应时间RT、吞吐量T和可靠性R三组参数中的motifs；记响应时间RT的motifs为RT_motifs(i)、i＝1,2,...,n<sub>RT</sub>，吞吐量T的motifs为T_motifs(j)、j＝1,2,...,n<sub>T</sub>，可靠性R的motifs为R_motifs(k)、k＝1,2,...,n<sub>R</sub>；其中，motifs表示系统历史参数时间序列数据中出现次数大于某一阈值的系统参数的特征子序列，采用基于时间序列数据相似度的方法确定motifs，具体为：基于k‑means方法计算时间序列数据的相似度，采用基于时间序列数据相似度的方法确定motifs的出现；(2)使用发现的motifs标注服务组件的各个历史参数：首先将历史参数的每个时间序列分别以与该时间序列包含的特征子序列相似度最大的motifs进行标注，具体为将响应时间RT的每个时间序列分别以与该时间序列包含的特征子序列相似度最大的motifs进行标注，将吞吐量T的每个时间序列分别以与该时间序列包含的特征子序列相似度最大的motifs进行标注，将可靠性R的每个时间序列分别以与该时间序列包含的特征子序列相似度最大的motifs进行标注；然后通过历史参数的标注结果统计历史参数的变化规律；(3)通过DBNs模型学习构建CPT：基于历史参数的变化规律，构建面向成员系统可靠性R预测的DBNs模型，以相应参数的motifs标注作为DBNs网络中节点的参数，并对网络节点参数开展学习以构建DBNs模型中各节点的条件概率表CPT；构建DBNs模型中各节点的条件概率表CPT的具体方法为：在每个网络节点的CPT中，参数采用motifs发现过程中所构建的motifs来表示，根据步骤(2)中对各历史参数的标注结果，对历史参数展开统计分析，最终建立每个网络节点的CPT；(4)DBNs模型推理并开展基于系统实时参数的在线预测：根据实时采集的响应时间RT和吞吐量T，通过CPT计算子节点的概率分布，实现对未来可靠性R时间序列的预测；所述DBNs表示动态贝叶斯网络，CPT表示条件概率表。 |
