何 望，林果園

(1.中國礦業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 徐州 221000;2.礦山數(shù)字化教育部工程研究中心，江蘇 徐州 221000)

1 引言

近年來，由于本地化服務(wù)器的種種限制，越來越多的企業(yè)更傾向于將數(shù)據(jù)存儲和業(yè)務(wù)部署等任務(wù)安放于云平臺上。由于云平臺服務(wù)種類多樣，集群數(shù)量過大并且結(jié)構(gòu)復(fù)雜，發(fā)生故障則是在所難免。商業(yè)云平臺在實(shí)際使用時采取了容錯備份機(jī)制以及緊急恢復(fù)機(jī)制[1]，主要目的在于用戶使用云平臺服務(wù)器時，即使發(fā)生了故障也可以保證云服務(wù)器的正常運(yùn)行。但是，容錯以及緊急恢復(fù)并不能保證云服務(wù)器完全可靠。因此，我們還需對云服務(wù)器運(yùn)行時的數(shù)據(jù)指標(biāo)進(jìn)行關(guān)聯(lián)性分析挖掘，協(xié)助云平臺精準(zhǔn)預(yù)測可能發(fā)生的云服務(wù)器故障。

FP-Growth算法是由頻繁模式樹FP-Tree生成頻繁項(xiàng)集，將所掃描得到的數(shù)據(jù)庫分成眾多條件數(shù)據(jù)集，再從中挖掘關(guān)聯(lián)規(guī)則[2]。針對該算法挖掘過程中的時空消耗問題，研究人員提出了許多算法，如 Agrawal 等人[3]提出的樹-投影算法，Bhandari等人[4]提出的基于頻繁模式樹的改進(jìn)Apriori算法,Rathee等人[5]提出的基于分布式Spark平臺的FP-Growth算法改進(jìn)研究。此類相關(guān)改進(jìn)算法較多的優(yōu)化改進(jìn)策略在于如何在生成條件FP-tree的過程中降低時空消耗，在一定程度上有效地提高了算法的實(shí)際效率。但是，面臨較大規(guī)模數(shù)據(jù)集時，條件FP-tree的生成過程本身就是最大的時空消耗，因此本文引入數(shù)組標(biāo)記策略，對條件FP-tree在生成FP-tree之前進(jìn)行剪枝降維，在實(shí)際挖掘過程中無需生成條件FP-tree，減少了時空消耗，提升了實(shí)際使用效率，使其適用于云服務(wù)器故障數(shù)據(jù)分析。

2 云服務(wù)器故障數(shù)據(jù)分析

對云服務(wù)器供應(yīng)商而言，保障云服務(wù)器的正常運(yùn)行是極為關(guān)鍵的[6 - 9]。而如何在用戶使用云服務(wù)器的過程中盡可能早地檢測出潛在的云服務(wù)器故障錯誤，是云平臺企業(yè)面臨的難題。在用戶租用云服務(wù)器的過程中，云服務(wù)器供應(yīng)商采集了大量的云服務(wù)器運(yùn)行數(shù)據(jù)以及實(shí)時監(jiān)控?cái)?shù)據(jù)。本文的主要思想在于如何利用改進(jìn)的FP-Growth關(guān)聯(lián)規(guī)則對云服務(wù)器運(yùn)行數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，找出云服務(wù)器運(yùn)行數(shù)據(jù)與云服務(wù)器故障類型引發(fā)原因之間的關(guān)聯(lián)規(guī)則，根據(jù)關(guān)聯(lián)規(guī)則對云服務(wù)器運(yùn)行調(diào)整作出合理推薦。

2.1 云服務(wù)器相關(guān)數(shù)據(jù)的獲取與整合

云服務(wù)器運(yùn)行數(shù)據(jù)是用戶在租用云服務(wù)器時產(chǎn)生的相關(guān)數(shù)據(jù)，包括硬件資源狀態(tài)，如CPU、內(nèi)存以及網(wǎng)絡(luò)帶寬等使用量，其中資源狀態(tài)以時間節(jié)點(diǎn)作為區(qū)分與云服務(wù)器實(shí)際運(yùn)行狀態(tài)相關(guān)聯(lián)。如某一時刻下某一云服務(wù)器的運(yùn)行狀態(tài)對應(yīng)該服務(wù)器資源的使用情況。其中云服務(wù)器的運(yùn)行狀態(tài)為歷史數(shù)據(jù)中對云服務(wù)器過去某個時段的實(shí)際使用情況記錄，在本文研究中，算法模型即以云服務(wù)器各個時間節(jié)點(diǎn)的運(yùn)行狀態(tài)為數(shù)據(jù)，挖掘數(shù)據(jù)與云服務(wù)器故障類型之間的關(guān)聯(lián)規(guī)則。具體數(shù)據(jù)從操作系統(tǒng)層面、云服務(wù)器連接層面和請求響應(yīng)層面3個維度進(jìn)行采集。操作系統(tǒng)層面數(shù)據(jù)包括CPU利用率、內(nèi)存利用率、云服務(wù)器端口占用情況、云服務(wù)器監(jiān)聽狀態(tài)和I/O速率；云服務(wù)器連接層面數(shù)據(jù)包括云服務(wù)器連接的使用情況以及假死狀態(tài)連接的比例；請求響應(yīng)層面數(shù)據(jù)包括請求數(shù)/響應(yīng)數(shù)、請求響應(yīng)成功率和最近的請求在隊(duì)列中等待時間。具體挖掘指標(biāo)參數(shù)和指標(biāo)符號如表1所示。

Table 1 Mining index parameters

2.2 云服務(wù)器數(shù)據(jù)分析方法

云服務(wù)器使用過程中產(chǎn)生的各種數(shù)據(jù)存儲在云服務(wù)商對應(yīng)的各類數(shù)據(jù)存儲系統(tǒng)中，這些多源異構(gòu)數(shù)據(jù)需要集中獲取并整合為結(jié)構(gòu)化數(shù)據(jù)，從而用于數(shù)據(jù)挖掘。同時我們根據(jù)云服務(wù)器的運(yùn)行時特征，將云服務(wù)器運(yùn)行狀態(tài)分別預(yù)分類為響應(yīng)異常RE(Response Exception)、系統(tǒng)異常SE(System Exception)和正常運(yùn)行ON(Operation Normal)。其中，ON狀態(tài)為云服務(wù)器正常運(yùn)行，RE與SE為運(yùn)行異常，運(yùn)行異常類別為表1中指標(biāo)參數(shù)的挖掘目標(biāo)；SE按級別層面分為3類目標(biāo)，即操作系統(tǒng)層面SEO、Web連接層面和請求響應(yīng)層面SEA。具體相關(guān)檢測指標(biāo)如下所示：

(1)RE:響應(yīng)異常是系統(tǒng)處于非健康狀態(tài)情況中的一種，有異常行為的特征，不能正常響應(yīng)用戶的請求，根據(jù)云服務(wù)器運(yùn)行時的特征及請求響應(yīng)過程，將云服務(wù)器端口占用情況以及云服務(wù)器監(jiān)聽狀態(tài)抽象為RE異常中的聚類指標(biāo)，即定義RE={〈P,L〉}。

(2)SE:系統(tǒng)異常是危險(xiǎn)信號，說明系統(tǒng)存在異常的可能性較高。將云服務(wù)器的這種運(yùn)行狀態(tài)記為SE狀態(tài)。其中對應(yīng)的聚類指標(biāo)有：CPU利用率、內(nèi)存利用率、I/O 速率、Web連接的使用情況、假死狀態(tài)連接的比例、請求響應(yīng)比、請求響應(yīng)成功率及最近請求等待時間，即SE={〈C,M,I,N,B,RR,RS,RW〉}。但是，在云服務(wù)器正常使用過程中需要考慮各指標(biāo)之間的相互影響問題，如當(dāng)CPU和內(nèi)存的占用率都同時過高超出閾值范圍時，那么此時的最近請求等待時間同樣較大可能也會超過閾值。對SE錯誤再按級別層面劃分為3類，其中操作系統(tǒng)層面SEO={〈C,M,I〉}，Web連接層面SEW={〈N,B〉}，請求響應(yīng)層面SEA={〈RP,RS,RW〉}，此時重新定義SE下3種錯誤指標(biāo)聚類方法如式(1)所示。

(1)

(2)

(1)以毫秒為單位采集n個時刻的運(yùn)行狀態(tài)數(shù)據(jù)，每個時刻包含有對應(yīng)的m個屬性參數(shù)，attri=(P1,P2,…,Pm),0

(2)用n個時刻的屬性均值作為每個屬性的正常水平，記為avg。

(3)用式(2)中的Tj衡量某時刻中第j個屬性的異常程度。

(3)ON:安全信號，表示當(dāng)前云服務(wù)器正常安全運(yùn)行的可能性較高，無異常信號發(fā)生，對應(yīng)信號集為空，系統(tǒng)處于健康狀態(tài)。定義ON={ }，即ON為空集。

3 FP-Growth改進(jìn)算法

3.1 FP-Growth以及關(guān)聯(lián)規(guī)則介紹

FP-Growth最早將頻繁模式樹(FP-Tree)這種樹狀結(jié)構(gòu)引入頻繁項(xiàng)挖掘[10]，樹狀圖中的每個節(jié)點(diǎn)都對應(yīng)頻繁項(xiàng)集中的一個項(xiàng)， 同時，頻繁事務(wù)集中的某一條事務(wù)對應(yīng)樹中由根到其子孫節(jié)點(diǎn)的某條路徑，又因?yàn)槠渲胁糠致窂綍霈F(xiàn)重疊，那么FP-Tree可以生成共享節(jié)點(diǎn)，由同一節(jié)點(diǎn)延伸來減少數(shù)據(jù)保存所需空間。FP-Tree本身的數(shù)據(jù)結(jié)構(gòu)包含3個部分：原始數(shù)據(jù)、項(xiàng)頭表(Htable)和節(jié)點(diǎn)鏈表。項(xiàng)頭表分為2個域：項(xiàng)目名稱(Item-Name)和項(xiàng)目支持?jǐn)?shù)(Item-Pointer)[11]。項(xiàng)頭表的生成能極大地幫助建立節(jié)點(diǎn)鏈表，節(jié)點(diǎn)鏈表本身由4個部分組成：節(jié)點(diǎn)名稱(NodeName)、節(jié)點(diǎn)計(jì)數(shù)(NodeCount)、節(jié)點(diǎn)鏈(NodeLink)(用于指向樹中具有相同節(jié)點(diǎn)名稱的下一個節(jié)點(diǎn))和根節(jié)點(diǎn)指針(RootNode)。給定原始云服務(wù)器故障數(shù)據(jù)集D以及所設(shè)定的最小支持度閾值mt，那么我們可以通過2次遍歷生成所需要的FP-Tree。主要步驟為：(1)第1次掃描原始云服務(wù)器故障數(shù)據(jù)集D,得到所有頻繁1-項(xiàng)集，同時刪除低于最小支持度閾值的項(xiàng)，根據(jù)支持度計(jì)數(shù)降序排列后存入項(xiàng)頭表，并記為Ld。(2)創(chuàng)建根節(jié)點(diǎn)“NULL”并第2次掃描原始云服務(wù)器故障數(shù)據(jù)集D,對應(yīng)每項(xiàng)事務(wù)按支持度計(jì)數(shù)降序創(chuàng)建對應(yīng)分支，若考慮為某個事務(wù)增加分支時，可以在其父節(jié)點(diǎn)上將其節(jié)點(diǎn)計(jì)數(shù)加1，再按左右子樹處理相同根節(jié)點(diǎn)的子樹創(chuàng)建問題。

3.2 基本概念

設(shè)基本指標(biāo)參數(shù)項(xiàng)i為云服務(wù)器運(yùn)行數(shù)據(jù)集的單條數(shù)據(jù)，DS={i1,i2,…,im}為m個不同參數(shù)項(xiàng)的集合。設(shè)事務(wù)X為DS的項(xiàng)目子集，即X?DS，則稱X為一條事務(wù)集。事務(wù)集X中項(xiàng)的個數(shù)稱為事務(wù)集X的維數(shù)或長度，若其長度為k，則稱為k-項(xiàng)事務(wù)集。

定義1對于給定的最小支持度min_sup，若所求項(xiàng)集支持度大于或等于最小支持度min_sup，則稱該項(xiàng)集滿足最小支持度min_sup；同時，如果所求項(xiàng)集滿足最小支持度，那么稱其為頻繁項(xiàng)集。記所得頻繁k-項(xiàng)集為Lk。

定義2對于給定的云服務(wù)器故障數(shù)據(jù)集D={T1,T2,…，Tn}，Ti即為數(shù)據(jù)集中的某一條數(shù)據(jù)，1-項(xiàng)集L1={i1，i2，…，im},如果{i1，i2}是頻繁2-項(xiàng)集，那么稱i2是i1的頻繁延伸項(xiàng)，所有i1的頻繁延伸項(xiàng)組成的集合稱為i1的頻繁延伸項(xiàng)集。

定義3在給定的FP-Tree中，取根節(jié)點(diǎn)的子樹中最靠前且可能存在頻繁延伸項(xiàng)集的子樹，記作第1棵子樹。

定義4設(shè)有in<…

定義5給定已生成的索引FP-Tree，假設(shè)存在對應(yīng)的約束子樹，取約束子路徑所對應(yīng)的樹節(jié)點(diǎn)，那么統(tǒng)計(jì)該節(jié)點(diǎn)在樹中的出現(xiàn)頻度之和即為約束子路徑的支出度計(jì)數(shù)，記支持度計(jì)數(shù)為sup。

性質(zhì)1由頻繁項(xiàng)集所得的子集必是頻繁的，反之，若項(xiàng)集的子集為頻繁的，那么它所對應(yīng)的所有超集未必頻繁，若子集為非頻繁，那么其所對應(yīng)的所有超集都必定不頻繁。

證明取任一頻繁k-項(xiàng)集Lk:

(1)由Lk剪枝所得的直接子集Lk-1仍為頻繁項(xiàng)集。且重復(fù)剪枝，得其所有子集都為頻繁項(xiàng)集。

(2)由于剪枝所得子樹對應(yīng)的項(xiàng)集Li為頻繁項(xiàng)集，無法推斷其延伸樹仍為頻繁項(xiàng)集。設(shè)存在頻繁項(xiàng)集項(xiàng)頭表為{1，2，…，n}，如果存在頻繁m-項(xiàng)集L={1，2，…，m}，那么以m為結(jié)尾生成的不包括L的所有項(xiàng)集必為非最大頻繁項(xiàng)集，即其超集未必頻繁。而若Li不頻繁，那由其所得的延伸樹必有這一段不頻繁，故其本身不頻繁，證畢。

□

性質(zhì)2最大頻繁項(xiàng)集必定為邊界頻繁項(xiàng)集。

1.2.1 對照組實(shí)施傳統(tǒng)健康教育 對照組采用傳統(tǒng)健康教育，具體如下：①入院宣教：向家屬介紹患兒病情及注意事項(xiàng)。②飲食指導(dǎo)：根據(jù)患兒的年齡、飲食習(xí)慣制定個性化飲食方案，避免偏食。③運(yùn)動指導(dǎo)：合理安排運(yùn)動時間，掌握好適宜的運(yùn)動量。④出院指導(dǎo)：真確監(jiān)測血糖，并記錄血糖值及胰島素用量，為調(diào)整治療方案提供依據(jù)。

證明給定一個項(xiàng)集為頻繁項(xiàng)集，若其所有超集都為非頻繁項(xiàng)集，那么由性質(zhì)1可得，該項(xiàng)集必為邊界頻繁項(xiàng)集。

□

性質(zhì)3假設(shè)k-項(xiàng)集Lk中存在非頻繁t-項(xiàng)集Nt，則由Lk生成的頻繁項(xiàng)集必在以Nt分割后的n個(k-1)-項(xiàng)集子集中。

證明給定k-項(xiàng)集{a1,a2,…,ak}，若{a1,a2}為頻繁集，那么頻繁集可能會在{a1,a2,…,ak}或{a2,a3,…,ak}中，若不存在，則與性質(zhì)1矛盾。

□

3.3 改進(jìn)的FP-Growth算法

相對于經(jīng)典的FP-Growth算法而言，在直接挖掘時是通過循環(huán)遍歷，將產(chǎn)生的各個新候選項(xiàng)集加入條件中，在此不僅僅是對于維數(shù)較高的項(xiàng)集，同時對于維數(shù)較低但其遍歷過程中的最大頻繁項(xiàng)集過多的項(xiàng)集，經(jīng)典算法都會產(chǎn)生大量的候選項(xiàng)集。如若在較低維數(shù)數(shù)據(jù)集長度|DP|=10,Dmax(MFS)=2，那么由此產(chǎn)生的候選項(xiàng)集量接近10!，這樣對于計(jì)算的時間和空間消耗都是極大的。

本文算法在生成FP-Tree的同時，以云服務(wù)器故障運(yùn)行數(shù)據(jù)為事務(wù)集，先挖掘第1棵子樹，然后將第1棵子樹的所有子樹與其他分支合并，同時刪除第1棵子樹，繼續(xù)對新的逆向FP-tree遞歸調(diào)用挖掘過程，直至樹只有1棵子樹，且已經(jīng)挖掘完該子樹。同時，在逆向挖掘匹配中，可以很直觀地看到，在刪除剩余子樹的同時，仍舊需要遞歸生成過多的條件樹，而這一部分也是算法所占用時空最多的部分，那么可以將FP-tree的生成過程改為單向并且只保留指向?qū)?yīng)父節(jié)點(diǎn)的指針，舍棄了生成樹空間的同時引入約束子樹的模式，可以節(jié)省1/3的空間占用，而同時減少了生成樹的冗余結(jié)構(gòu)，這樣可以大大提升挖掘效率。FP-tree的基本數(shù)據(jù)結(jié)構(gòu)包括原始數(shù)據(jù)，節(jié)點(diǎn)鏈表和FP-tree 3個部分。設(shè)in<…

3.4 算法流程

算法1逆向子樹挖掘最大頻繁項(xiàng)集算法

輸入：原始云服務(wù)器故障數(shù)據(jù)集D的頻繁模式樹HFP,項(xiàng)頭表Header(記項(xiàng)頭表為HLd={1,2,…,t},t=|HLd|)，最小支持度閾值mt。

輸出:原始云服務(wù)器故障數(shù)據(jù)集D中的最大頻繁項(xiàng)集MLS,邊界頻繁延伸項(xiàng)集BLS。

1.MLS=?,BLS=?,BULS={1,2,…,endItem};/*BULS中可能為邊界頻繁項(xiàng)集，加入endItem保證其完備性*/

2.R為MLS的子集,設(shè)有非空集CLS;

3.root=find(fptree);/*找到第1棵子樹的根節(jié)點(diǎn)Root,挖掘子樹中所有的分支*/

4.for(allRinMLS) do{

5.CLS=CLS∪{R};/*根據(jù)性質(zhì)1，遍歷合并頻繁子樹*/

6.MLSi={k|k∈MLS&k的最后一項(xiàng)為i};

7.MLS=MLS-MLSi;/*連接剪枝尋找非頻繁項(xiàng)集步驟*/

8. DELETER/*刪除合并后的剩余子樹,計(jì)算項(xiàng)集在原始數(shù)據(jù)中的支持度計(jì)數(shù)*/

9. for alln∈MLSdo{

10. ifn.supinD

11.MLS=MLS∪{n}

12. }

13. else{

14. ifn.sup==1 then{

15.BLS=BLS∪{n}

16. for(h=nmax;h≤t;h++)do{

17. ifh+n?MLS的子集 then{

18.MLS=MLSU{h+n};

19. }

20. }

21. }

22. }

23. }

24.}

4 FP-Growth改進(jìn)算法在云服務(wù)器故障數(shù)據(jù)中的分析應(yīng)用

4.1 改進(jìn)FP-Growth算法實(shí)驗(yàn)

為了評估改進(jìn)后的FP-Growth算法的性能，與同為高效模式挖掘的改進(jìn)的BICA算法[12]進(jìn)行對比。改進(jìn)BICA算法是一種快速可擴(kuò)展的ADTree構(gòu)建算法。利用以上算法在云服務(wù)器運(yùn)行分析數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，根據(jù)實(shí)驗(yàn)結(jié)果對改進(jìn)的FP-Growth算法進(jìn)行時間評估，同時對改進(jìn)前后的FP-Growth規(guī)則數(shù)進(jìn)行對比實(shí)驗(yàn)。實(shí)驗(yàn)環(huán)境CPU為Intel Xeon E5，內(nèi)存為64 GB，操作系統(tǒng)為 Windows Server 2012。

圖1為FP-Growth算法改進(jìn)前后和改進(jìn)BICA算法隨著最小支持度的變化，3個算法所用時間的對比結(jié)果圖。通過實(shí)驗(yàn)結(jié)果可以看出，隨著最小支持度的不斷增大，改進(jìn)FP-Growth算法的時間性能總體優(yōu)于改進(jìn)的BICA算法，經(jīng)計(jì)算，改進(jìn)FP-Growth算法運(yùn)行時間相比改進(jìn)的BICA算法平均少了12.5 s，相比于原FP-Growth算法運(yùn)行時間平均節(jié)省24.4 s。使用改進(jìn)BICA算法進(jìn)行數(shù)據(jù)分析時，最終只能得到一個二分樹，利用該二分樹的每一個節(jié)點(diǎn)與分支進(jìn)行分析，才能得出云服務(wù)器運(yùn)行狀態(tài)相關(guān)的一些結(jié)論，有時改進(jìn)的BICA得出的二叉樹并不能包含全部結(jié)果，會遺漏部分參數(shù)的影響。而FP-Growth算法挖掘給出的是一條條關(guān)聯(lián)規(guī)則，只要給出確定的支持度與置信度，就能得到符合要求的全部規(guī)則，沒有遺漏。通過關(guān)聯(lián)規(guī)則能夠更加直觀與清晰地看出參數(shù)間的關(guān)聯(lián)關(guān)系，對進(jìn)一步的分析也更加方便。

Figure 1 Running time comparison of three algorithms圖1 3個算法運(yùn)行時間對比圖

Figure 2 Rule numbers of two algorithms圖2 2個算法的規(guī)則數(shù)變化圖

圖2給出了FP-Growth算法改進(jìn)前后生成的規(guī)則數(shù)。通過實(shí)驗(yàn)結(jié)果可以看出，隨著最小支持度的不斷增大，規(guī)則數(shù)不斷減少， 經(jīng)實(shí)驗(yàn)計(jì)算可知，改進(jìn)后的FP-Growth算法對無效規(guī)則的消除率最高可達(dá)37%。在實(shí)際應(yīng)用分析時，用戶往往需要耗費(fèi)不小的精力去剔除這些無效規(guī)則，而利用本文算法，不僅可以避免用戶在無效規(guī)則上的時間浪費(fèi)，同時還極大地降低了用戶對結(jié)果分析的難度。

4.2 挖掘結(jié)果分析

通過FP-Growth算法得出的關(guān)聯(lián)規(guī)則能夠幫助我們進(jìn)行云服務(wù)器運(yùn)行故障檢測數(shù)據(jù)分析。以表1中數(shù)據(jù)為參數(shù)指標(biāo)采集對應(yīng)云服務(wù)器運(yùn)行狀態(tài)數(shù)據(jù)，該數(shù)據(jù)集可用樣本數(shù)為308 880，其中，狀態(tài)標(biāo)記為ON的數(shù)據(jù)量為306 471，出現(xiàn)RE或SE狀態(tài)的數(shù)據(jù)量為2 409，異常率約為0.78%。根據(jù)4.1節(jié)中性能評估結(jié)果可以看出，若支持度選擇較小會導(dǎo)致算法運(yùn)行時間過長，而支持度選擇較大則雖然算法運(yùn)行時間縮短，但是結(jié)果對應(yīng)的有效關(guān)聯(lián)規(guī)則數(shù)則會過少。為此在對支持度閾值進(jìn)行選擇時既要保證得到一定數(shù)量的關(guān)聯(lián)規(guī)則，又要生成的關(guān)聯(lián)規(guī)則便于進(jìn)行針對性分析，因此實(shí)驗(yàn)設(shè)置支持度為0.25，置信度為0.35。根據(jù)改進(jìn)FP-Growth算法的挖掘結(jié)果，對數(shù)據(jù)進(jìn)行回查，查詢挖掘出的關(guān)聯(lián)規(guī)則中的頻繁項(xiàng)對云服務(wù)器運(yùn)行故障的影響。得到的關(guān)聯(lián)規(guī)則結(jié)果如圖3所示。

Figure 3 Association rule results(partial)圖3 關(guān)聯(lián)規(guī)則結(jié)果圖(部分)

圖3中結(jié)果采用[items(前項(xiàng))，items(后項(xiàng))，置信度]的輸出形式對關(guān)聯(lián)規(guī)則進(jìn)行效用性分析。對結(jié)果進(jìn)行粗略分析可以看出，所發(fā)生的錯誤情況較多是由RP故障引起的，而引起的故障類型較多是SEA故障。對各個關(guān)聯(lián)規(guī)則如“RP+RS+RW→SEA”的置信度為0.62進(jìn)行分析，可得出若針對SEA問題解決請求訪問堵塞的情況，則可更好地保障云服務(wù)器高效安全地運(yùn)行。

通過對結(jié)果的綜合分析， 此時段云服務(wù)器運(yùn)行數(shù)據(jù)故障較多是由于RW、RS和RP的請求響應(yīng)層面問題引起的，請求堵塞的同時增加了服務(wù)器運(yùn)行壓力，引起CPU以及內(nèi)容使用率的增大，導(dǎo)致服務(wù)器無法正常使用，此時則應(yīng)更好地采取如增加帶寬的措施來解決云服務(wù)器請求響應(yīng)層面的問題。

限于篇幅，若對實(shí)驗(yàn)結(jié)果進(jìn)一步討論可繼續(xù)追蹤故障源，縮小數(shù)據(jù)集目標(biāo)，引入服務(wù)器故障發(fā)生時間作為參數(shù)比較，同時對周期性服務(wù)器故障進(jìn)行不同時間的數(shù)據(jù)對比。根據(jù)時間點(diǎn)查看服務(wù)器對應(yīng)運(yùn)行日志，還可更明確地找出引起云服務(wù)器故障問題的軟件所在或是哪些訪問目標(biāo)及訪問來源引發(fā)的訪問激增從而導(dǎo)致訪問請求阻塞，再解決目標(biāo)程序的具體問題。

5 結(jié)束語

本文針對經(jīng)典FP-Growth算法在構(gòu)建以及挖掘過程所涉及的問題提出了改進(jìn)優(yōu)化策略，優(yōu)化了FP-Growth在生成FP-Tree時的樹狀結(jié)構(gòu)，引入數(shù)組約束標(biāo)記，提升了算法的實(shí)際挖掘效率。改進(jìn)后的FP-Growth算法有效提升了對云服務(wù)器運(yùn)行時各項(xiàng)異常數(shù)據(jù)的關(guān)聯(lián)分析效率，并且適用于大數(shù)據(jù)量的數(shù)據(jù)挖掘。該算法通過關(guān)聯(lián)分析產(chǎn)生的頻繁項(xiàng)集，能夠較為準(zhǔn)確地預(yù)測出云服務(wù)器運(yùn)行狀態(tài)的變化可能性情況，幫助云服務(wù)供應(yīng)商提高服務(wù)質(zhì)量，減少用戶在使用時可能發(fā)生的云服務(wù)器故障。