论文部分内容阅读
大规模网络服务系统环境中,短时的大规模用户合法行为聚集会造成系统行为异常,使得系统可用性受到极大的损害。如何感知系统出现异常并采取相应的措施提高系统的可用性,是目前大规模网络研究领域的一个热点。而现有的系统异常检测方法大多适用于用户非法行为造成的系统异常,且在线演化系统时没有考虑系统行为流程的自身问题,导致耗费的演化代价较大。本文针对用户合法行为短时聚集引起的系统异常问题,提出一种大规模网络服务系统行为异常的敏捷感知方法和系统自适应重构方法。具体内容如下: 1.系统异常敏捷感知模型。系统异常敏捷感知模型针对用户合法行为短时聚集引起的系统异常提出“放大因子”的概念,建立系统预期负载与“放大因子”关系模型和系统行为阻滞度模型。一旦在t时刻预期系统负载值超过系统所能承受的最大负载值,就表明系统会在未来的某一时刻发生异常,并且可以定位系统异常行为。 2.重复行为检测的Petri模型。在敏捷感知模型的基础上,针对实际应用系统的异常检测,提出了基于带优先关系的颜色双变迁Petri网的重复行为检测模型及其系统异常敏捷感知算法,并对构成系统Petri网模型的四种基本结构分别进行阐述。将该模型及算法运用到12306模拟购票系统,实验表明该方法可以有效地在系统异常发生之前提前感知,并能定位引起异常的系统行为。 3.系统行为重构的受控Petri网模型。系统自适应重构模型是针对在快速定位引起系统异常的系统行为后,基于受控Petri网对系统行为流程建模,通过改变系统的行为流程,引导用户行为序列,减少用户重复提交的行为数,实现系统动态负载均衡,提高系统应变力。将该模型及算法运用到12306模拟购票系统,实验证明该方法的有效性。 总之,本文主要针对用户合法行为短时聚集引起的系统异常问题,提出系统异常敏捷感知模型,通过重复行为检测的Petri模型将敏捷感知模型运用到系统中,然后基于受控Petri网模型对系统行为进行重构,可以有效提高感知异常的实时性,增强系统的可用性。