一种基于时序演化基因的Docker容器故障智能预测方法
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
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
具体来说，编码器E将
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
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
进一步，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。
作为本发明的第二方面，一种基于时序演化基因的Docker容器故障智能预测模型图谱。
其中，模型组合每一时段的隐变量
其中，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。
本发明的有益效果：
1、本发明通过Docker容器的历史时序数据训练，获得了Docker容器的故障预测模型，通过基因演化模型可以准确预测Docker容器的运行故障，有效提升云平台Docker的维护水平。
2、本发明同时通过在线时序数据的输入，可以不断更新Docker容器的算法，为Docker容器的运行基因演化模型提供更多的最新特征序列，从而保证Docker容器故障算法的时效性和精确度。
附图说明
图1为深度学习数据处理流程图。
图2为本发明的原理示意图。
图3为故障特征1的折线图。
图4为故障特征2的折线图。
图5为故障特征3的折线图。
图6为故障特征4的折线图。
具体实施方式
以下结合具体实施例，对本发明作进一步说明。应理解，以下实施例仅用于说明本发明而非用于限定本发明的范围。
实施例1
图1为深度学习数据处理流程图，图2为本发明的原理示意图，如图1-图2所示。一种基于时序演化基因的Docker容器故障智能预测方法，包括：
本发明的深度学习数据处理流程如下：
本发明的一种基于时序演化基因的Docker容器故障智能预测方法，如下：
(1)、对多维的时序进行切分，划分为很多片段；
(2)、对片段进行聚类，发现典型的模式；
(3)、对不同的模式，采用条件对抗网络(CVAE-GAN)捕捉其分布特征；
(4)、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
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
具体来说，编码器E将
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
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
实验结果：
1、故障特征1：某些之前一直访问量很低的host访问突然变多。
图3为故障特征1的折线图，如图3所示，上面的图是8月每分钟出现日志条数的折线图，下面的图是8月每分钟故障特征1的某个值出现的条数的折线图。黑线代表发生异常的时间。
2、故障特征2：某个host访问变多，出现上升沿。
图4为故障特征2的折线图，如图4所示，上面的图是8月每分钟出现日志条数的折线图，下面的图是8月每分钟故障特征2的某个值出现的条数的折线图。黑线代表发生异常的时间。
3、故障特征3：日志数量变多、Warning和Error个数变多。
图5为故障特征3的折线图，如图5所示，上面的图是8月每分钟出现日志条数的折线图，下面的图是8月每分钟故障特征3的某个值出现的条数的折线图。黑线代表发生异常的时间。
4、故障特征4：某个服务的调用量突增。
图6为故障特征4的折线图，如图6所示，上面的图是8月每分钟出现日志条数的折线图，下面的图是8月每分钟故障特征4的某个值出现的条数的折线图。黑线代表发生异常的时间。
以上对本发明的具体实施方式进行了说明，但本发明并不以此为限，只要不脱离本发明的宗旨，本发明还可以有各种变化。
