一种基于执行轨迹监测的微服务故障诊断方法
本文关键词:一种基于执行轨迹监测的微服务故障诊断方法 出处:《软件学报》2017年06期 论文类型:期刊论文
更多相关文章: 故障诊断 异常检测 微服务 执行轨迹 主成分分析
【摘要】:微服务正逐步成为互联网应用所采用的设计架构,如何有效检测故障并定位问题原因,是保障微服务性能与可靠性的关键技术之一.当前的方法通常监测系统度量,根据领域知识人工设定报警规则,难以自动检测故障并细粒度定位问题原因.针对该问题,提出一种基于执行轨迹监测的微服务故障诊断方法.首先,利用动态插桩监测服务组件的请求处理流,进而利用调用树对请求处理的执行轨迹进行刻画;然后,针对影响执行轨迹的系统故障,利用树编辑距离来评估请求处理的异常程度,通过分析执行轨迹差异来定位引发故障的方法调用;最后,针对性能异常,采用主成分分析抽取引起系统性能异常波动的关键方法调用.实验结果表明:该方法可以准确刻画请求处理的执行轨迹,以方法为粒度,准确定位系统故障以及性能异常的问题原因.
[Abstract]:Micro-service is gradually becoming the design framework used in Internet applications, how to effectively detect failures and locate the cause of the problem. It is one of the key technologies to ensure the performance and reliability of microservices. The current methods usually monitor system metrics and manually set alarm rules according to domain knowledge. It is difficult to detect the fault automatically and locate the problem of fine granularity. In view of this problem, a fault diagnosis method of micro-service based on execution track monitoring is proposed. Firstly, the request processing flow of the service component is monitored by dynamic piling. Then, the execution track of request processing is described by call tree. Then, aiming at the system fault which affects the execution trajectory, the tree edit distance is used to evaluate the abnormal degree of the request processing, and the method call that causes the fault is located by analyzing the difference of the execution trajectory. Finally, the principal component analysis (PCA) is used to extract the key method which causes the abnormal performance fluctuation of the system. The experimental results show that the method can accurately describe the execution trajectory of request processing, and take the method as the granularity. Accurately locate system failures and cause problems with abnormal performance.
【作者单位】: 中国科学院软件研究所;中国科学院大学;广西大学计算机与电子信息学院;中科软科技股份有限公司;
【基金】:国家自然科学基金(61402450,61363003,61572480) 北京市自然科学基金(4154088) CCF-启明星辰“鸿雁”科研资助计划(CCF-Venustech RP2016007) 国家科技支撑计划(2015BAH55F02)~~
【分类号】:TP277
【正文快照】: 互联网应用的动态性和复杂性不断增加,传统的软件架构已经难以适应用户需求的快速变化.微服务(microservices)[1,2]将复杂的软件系统拆分成功能单一、可独立开发部署的服务组件,通过轻量级通信机制使得这些组件协同配合,从而形成一种高内聚低耦合的系统架构.SOA[3]和微服务一
【相似文献】
相关期刊论文 前10条
1 吴凡;;状态监测和故障诊断技术的现状与展望[J];国外电子测量技术;2006年03期
2 师文谦;;浅谈计算机的故障诊断[J];计算技术与自动化;1986年03期
3 贾民平;机械故障诊断学的理论及其应用 第一讲 故障诊断的意义及研究发展概况[J];江苏机械制造与自动化;1999年01期
4 张峻宾;蔡金燕;;故障诊断与硬件演化的一体化设计[J];微电子学与计算机;2014年02期
5 张健成,周士昌,虞和济,丁相福,李国栋;故障诊断中的信息机制[J];基础自动化;2000年04期
6 田少民;工程机械的状态监测与故障诊断技术[J];工程机械;2001年01期
7 王敏,王万俊,熊春山,黄心汉;基于多传感器数据融合的故障诊断技术[J];华中科技大学学报;2001年02期
8 葛晓锋,陈素珊,何勇;基于图论和模糊数学的故障诊断新方法[J];浙江大学学报(农业与生命科学版);2001年04期
9 朱大奇,于盛林;基于知识的故障诊断方法综述[J];安徽工业大学学报(自然科学版);2002年03期
10 叶银忠;故障诊断技术的发展趋势及我们的对策[J];自动化博览;2002年03期
相关会议论文 前10条
1 黎清海;高庆;;基于系统分层的故障诊断方法[A];第三届全国信息获取与处理学术会议论文集[C];2005年
2 闻竞竞;黄道;;故障诊断方法综述[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用(CACIS)学术会议论文集[C];2007年
3 张利;徐娟;张建军;程龙;赵佛晓;;基于网格的远程协同故障诊断资源管理模型研究[A];全国第20届计算机技术与应用学术会议(CACIS·2009)暨全国第1届安全关键技术与应用学术会议论文集(上册)[C];2009年
4 罗霞;;一种快速故障诊断装置的设计[A];第七届全国核仪器及其应用学术会议暨全国第五届核反应堆用核仪器学术会议论文集[C];2009年
5 鲍忠贵;白方周;;故障诊断的模型跟踪法[A];1996中国控制与决策学术年会论文集[C];1996年
6 高锋;高强;马涛;;旋转机械振动状态监测与故障诊断管理[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年
7 徐章遂;房立清;米东;王云峰;;基于奇异谱分析的发动机故障诊断方法[A];2001年中国智能自动化会议论文集(下册)[C];2001年
8 张庆虎;高普云;;基于非线性动力学理论的故障诊断方法与进展[A];第18届全国结构工程学术会议论文集第Ⅲ册[C];2009年
9 赵剑伟;赵江;郭志新;;基于多传感器信息融合的故障诊断方法[A];2007'仪表,自动化及先进集成技术大会论文集(一)[C];2007年
10 王丽英;方攸同;苏丽颖;刘宝友;;劣化系统的故障诊断和检测策略的综合研究[A];第二十六届中国控制会议论文集[C];2007年
相关重要报纸文章 前1条
1 李萍;济钢EAM离线网络点检和故障诊断管理系统开发应用[N];世界金属导报;2007年
相关博士学位论文 前10条
1 尹同舟;基于复合网络拓扑结构的悬臂式掘进机故障诊断方法[D];中国矿业大学(北京);2017年
2 肖红军;数据驱动的污水处理过程故障诊断与多步预测[D];华南理工大学;2016年
3 向长城;基于可拓学的智能故障诊断与状态监测的理论及应用研究[D];重庆大学;2008年
4 胡友强;数据驱动的多元统计故障诊断及应用[D];重庆大学;2010年
5 高保禄;大型复杂机电设备分布式故障诊断方法研究[D];太原理工大学;2010年
6 曹玉苹;基于状态估计的石化过程故障诊断与预报方法研究[D];中国石油大学;2010年
7 李盘靖;远程协同故障诊断关键技术及其应用研究[D];西北工业大学;2006年
8 巩晓峗;基于全矢谱的非平稳故障诊断关键技术研究[D];郑州大学;2013年
9 侯俊剑;基于声像模式识别的故障诊断机理研究[D];上海交通大学;2011年
10 谭树彬;轧机厚控系统状态监测与故障诊断的研究与应用[D];东北大学;2006年
相关硕士学位论文 前10条
1 陈超;旋转机械状态趋势预测及故障诊断专家系统关键技术研究[D];郑州大学;2015年
2 李桥;基于集合算法的故障诊断研究[D];沈阳理工大学;2015年
3 闫国杨;基于度量学习和时间序列相似性度量的故障诊断方法研究[D];哈尔滨工业大学;2015年
4 董小亮;混杂系统的微小故障诊断方法的研究[D];新疆大学;2015年
5 史佳;基于聚类与K近邻算法的LKJ运行记录数据分析及故障诊断[D];兰州交通大学;2015年
6 刘超;鱼群优化算法及其汽轮机故障诊断的应用研究[D];东北石油大学;2010年
7 曹晓霞;基于相关向量机的小样本故障诊断预测研究[D];西安工程大学;2016年
8 王龙娜;动态工业过程的故障诊断方法研究[D];东北大学;2014年
9 高欣;基于支持向量机的田纳西化工过程故障诊断研究[D];渤海大学;2016年
10 祝向平;针对关键性能指标的故障诊断方法研究[D];渤海大学;2016年
,本文编号:1435188
本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/1435188.html