仇 開，姜 瑛

(1.云南省計(jì)算機(jī)技術(shù)應(yīng)用重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650500;2.昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院，云南 昆明 650500)

1 引言

近年來，云計(jì)算技術(shù)迅猛發(fā)展。云環(huán)境中分布著海量服務(wù)，服務(wù)不是孤立存在的，服務(wù)與服務(wù)之間存在組合調(diào)用關(guān)系，這構(gòu)成了復(fù)雜的服務(wù)運(yùn)行環(huán)境。在復(fù)雜的云環(huán)境中，服務(wù)運(yùn)行數(shù)據(jù)如果存在異常，將影響服務(wù)的運(yùn)行，或演化為服務(wù)故障，甚至導(dǎo)致服務(wù)的宕機(jī)。2014年4月，Amazon EC2服務(wù)中斷了100多個(gè)小時(shí)，導(dǎo)致交易系統(tǒng)關(guān)閉，造成700多萬美元的損失[1]。2017年6月，蘋果iCloud服務(wù)約有1%的用戶持續(xù)宕機(jī)超過36 h，受影響用戶無法使用之前的備份來恢復(fù)設(shè)備數(shù)據(jù)，造成了無法估量的經(jīng)濟(jì)損失[2]。如果云環(huán)境中重要的服務(wù)宕機(jī)1 h，由此導(dǎo)致的經(jīng)濟(jì)損失將以百萬美元級(jí)別計(jì)算[3]。為了確保云環(huán)境下服務(wù)的正常運(yùn)行，對(duì)云環(huán)境中的服務(wù)運(yùn)行數(shù)據(jù)進(jìn)行異常檢測(cè)是亟需解決的問題。

2 相關(guān)工作

異常檢測(cè)是指在數(shù)據(jù)集中發(fā)現(xiàn)與預(yù)期數(shù)據(jù)不符的離群點(diǎn)的過程[4]。目前，已有針對(duì)云環(huán)境中軟件異常檢測(cè)的方法，可以將其分為有監(jiān)督的方法和無監(jiān)督的方法。有監(jiān)督的方法需根據(jù)一個(gè)已經(jīng)標(biāo)記的數(shù)據(jù)集訓(xùn)練出一個(gè)分類器，然后根據(jù)這個(gè)分類器，將測(cè)試數(shù)據(jù)劃分到各類別。文獻(xiàn)[5]提出了基于Cluster-KNN的方法用于檢測(cè)網(wǎng)絡(luò)異常，首先用K-means聚類算法劃分?jǐn)?shù)據(jù)，計(jì)算聚類中心的質(zhì)心，然后再使用近鄰搜索算法從聚簇中獲取相應(yīng)的k近鄰，最后對(duì)k近鄰使用基于KNN的近鄰決策算法得出最終分類結(jié)果。文獻(xiàn)[6]在SMO(Sequential Minimal Optimization)算法的基礎(chǔ)上提出了具有在線學(xué)習(xí)能力的LASVM(Learning Active Support Vector Machine)算法,用于云環(huán)境異常檢測(cè)，相比傳統(tǒng)SVM算法，在海量數(shù)據(jù)集處理上有較快的處理速度，占用更少的資源。無監(jiān)督的方法不需要有標(biāo)記的數(shù)據(jù)集。聚類是一種典型的無監(jiān)督方法，這種方法能夠?qū)⑾嗨频臄?shù)據(jù)聚集到同一個(gè)簇中。LOF(Local Outlier Factor)算法[7]是一種基于密度的聚類算法，文獻(xiàn)[8]提出了一種基于改進(jìn)LOF的異常檢測(cè)算法，用于云計(jì)算環(huán)境中的異常檢測(cè)，算法提出用R-tree來存儲(chǔ)每個(gè)點(diǎn)的k近鄰，提高了算法的運(yùn)行速度且具有較好的準(zhǔn)確率。文獻(xiàn)[9]提出了一種基于K-means的改進(jìn)異常檢測(cè)算法，用于云環(huán)境中虛擬機(jī)異常的檢測(cè)，通過策略來設(shè)置初始聚類中心，并對(duì)聚類結(jié)果中心點(diǎn)進(jìn)行修正，最終將虛擬機(jī)運(yùn)行狀態(tài)分為正常、異常和故障。

在上述異常檢測(cè)方法中，存在以下問題：(1)部分方法對(duì)異常判斷的準(zhǔn)確率不高，例如文獻(xiàn)[5,6,9]在計(jì)算距離時(shí)采取了傳統(tǒng)的歐氏距離，未考慮數(shù)據(jù)的各個(gè)維度在求解距離過程中體現(xiàn)的不同作用，導(dǎo)致使用傳統(tǒng)的歐氏距離來進(jìn)行異常判斷不夠準(zhǔn)確；(2)在異常檢測(cè)中，只考慮服務(wù)運(yùn)行數(shù)據(jù)本身的異常程度，而忽略了服務(wù)上下文信息，易將正常的服務(wù)運(yùn)行數(shù)據(jù)劃分為異常數(shù)據(jù)。在云環(huán)境中，存在大量任務(wù)調(diào)度，可以將這些任務(wù)調(diào)度視為服務(wù)的上下文信息，任務(wù)執(zhí)行會(huì)導(dǎo)致服務(wù)的運(yùn)行數(shù)據(jù)產(chǎn)生大幅度的變化，這些由于正常任務(wù)執(zhí)行而產(chǎn)生波動(dòng)的服務(wù)運(yùn)行數(shù)據(jù)不能視為異常。針對(duì)以上存在的問題，本文提出了一種加權(quán)LOF結(jié)合上下文判斷的云環(huán)境中服務(wù)運(yùn)行數(shù)據(jù)異常檢測(cè)方法，用于服務(wù)運(yùn)行數(shù)據(jù)的異常檢測(cè)。

3 加權(quán)LOF結(jié)合上下文判斷的服務(wù)運(yùn)行數(shù)據(jù)異常檢測(cè)方法

在檢測(cè)云環(huán)境中的服務(wù)運(yùn)行數(shù)據(jù)異常時(shí)，為了提高異常判斷的準(zhǔn)確率，本文將異常檢測(cè)分為2個(gè)階段：首先，在進(jìn)行初次異常判斷時(shí)，為了區(qū)別對(duì)待服務(wù)運(yùn)行數(shù)據(jù)各維度的屬性值，本文使用信息熵賦權(quán)法對(duì)不同維度屬性賦予不同的權(quán)值，并對(duì)LOF算法進(jìn)行改進(jìn)，使用了加權(quán)歐氏距離；然后，在二次異常判斷時(shí)，將初次判斷后得到的異常服務(wù)運(yùn)行數(shù)據(jù)集與服務(wù)運(yùn)行時(shí)的上下文信息進(jìn)行綜合判斷，得到異常判斷的結(jié)果。本文方法流程如圖1所示。

Figure 1 Flow chart of anomaly detection method for service running data in cloud environment based on weighted LOF and context judgment圖1 加權(quán)LOF結(jié)合上下文判斷的云環(huán)境中 服務(wù)運(yùn)行數(shù)據(jù)異常檢測(cè)方法流程圖

3.1 基于加權(quán)LOF算法的服務(wù)運(yùn)行數(shù)據(jù)異常程度計(jì)算

本文進(jìn)行的初次異常判斷是為了計(jì)算云環(huán)境中服務(wù)運(yùn)行數(shù)據(jù)的異常程度，為異常判斷提供依據(jù)。服務(wù)運(yùn)行數(shù)據(jù)的異常程度可以根據(jù)其局部異常因子的值來確定，數(shù)據(jù)局部異常因子的值可以通過LOF算法計(jì)算得到。由于LOF算法沒有考慮到服務(wù)運(yùn)行數(shù)據(jù)各維度在求解距離過程中貢獻(xiàn)的差異，本文使用信息熵賦權(quán)法給服務(wù)運(yùn)行數(shù)據(jù)的各維度屬性賦予不同的權(quán)值，然后計(jì)算加權(quán)歐氏距離，使用加權(quán)LOF算法計(jì)算服務(wù)運(yùn)行數(shù)據(jù)的異常值。

3.1.1 服務(wù)運(yùn)行數(shù)據(jù)各維度屬性賦權(quán)

信息熵[10]表示數(shù)據(jù)的不確定性，熵值越大，變量的不確定性就越大，其提供的信息量就越小；熵值越小，變量的不確定性就越小，其提供的信息量就越大。云環(huán)境中的服務(wù)運(yùn)行數(shù)據(jù)是多維的，每個(gè)維度的數(shù)據(jù)的取值范圍都存在差異，因此不同維度的數(shù)據(jù)含有的信息量不同，需要區(qū)別對(duì)待。

假設(shè)待判斷的服務(wù)運(yùn)行數(shù)據(jù)集RuntimeData={x1,x2,…,xn}，下稱RD，其中xi(1≤i≤n)是m維數(shù)據(jù)。服務(wù)運(yùn)行數(shù)據(jù)集RD的各維屬性賦權(quán)過程如算法1所示：

算法1各維度屬性賦權(quán)算法

Input：服務(wù)運(yùn)行數(shù)據(jù)集RD。

Output：權(quán)值集合W={w1,w2,…,wm}。

Step1使用Z-Score[11]標(biāo)準(zhǔn)化方法處理服務(wù)運(yùn)行數(shù)據(jù)集RD得到RD′={x′1,x′2,…,x′n}，用式(1)計(jì)算數(shù)據(jù)集RD′ 中第i個(gè)數(shù)據(jù)的第j維屬性的比重Pij：

(1)

其中，1≤i≤n，1≤j≤m，x′ij是RD′的第i個(gè)數(shù)據(jù)的第j維屬性值。

Step2用式(2)計(jì)算數(shù)據(jù)集RD′第j維屬性的信息熵Ej：

(2)

其中，p=1/lnn。

Step3用式(3)計(jì)算數(shù)據(jù)集RD′中第j維屬性的波動(dòng)系數(shù)fj:

fj=1-Ej

(3)

Step4用式(4)計(jì)算第j維屬性的權(quán)值wj:

(4)

3.1.2 計(jì)算加權(quán)歐氏距離

通過算法1可以獲得服務(wù)運(yùn)行數(shù)據(jù)各維度屬性的權(quán)值集合W。根據(jù)信息熵理論，這些屬性之間的不確定性是不同的，服務(wù)運(yùn)行數(shù)據(jù)中的異常點(diǎn)表現(xiàn)出的不確定性是由于其在某些屬性上的取值范圍不同造成的，服務(wù)運(yùn)行數(shù)據(jù)各維度屬性的不同權(quán)值實(shí)際上是其不確定性的一個(gè)反映。文獻(xiàn)[8]中的LOF算法在使用歐氏距離時(shí)沒有考慮屬性之間的不確定性會(huì)影響異常判斷的準(zhǔn)確率。因此，本文使用式(5)[12]計(jì)算歸一化后的服務(wù)運(yùn)行數(shù)據(jù)集合RD中的任意數(shù)據(jù)xA和數(shù)據(jù)xB的加權(quán)歐氏距離WeightDis(xA,xB)，下稱WD(xA,xB)：

(5)

其中，1≤j≤m，xAj為數(shù)據(jù)xA的第j維屬性值，xBj為數(shù)據(jù)xB的第j維屬性值，wj是第j維屬性的權(quán)重。

3.1.3 篩選初步異常服務(wù)運(yùn)行數(shù)據(jù)集

為了提高服務(wù)運(yùn)行數(shù)據(jù)異常判斷的準(zhǔn)確率，使用3.1.2節(jié)中的加權(quán)歐氏距離替換文獻(xiàn)[8]中LOF算法中涉及到的歐氏距離，改進(jìn)的加權(quán)LOF算法如算法2所示：

算法2改進(jìn)的加權(quán)LOF算法

Input:.經(jīng)Z-Score標(biāo)準(zhǔn)化的服務(wù)運(yùn)行數(shù)據(jù)集RD′={x′1,x′2,…,x′n},RD′的各維屬性的權(quán)重集合W={w1,w2,…,wm}。

Output:初步異常服務(wù)運(yùn)行數(shù)據(jù)集E。

Step1若數(shù)據(jù)集RD′所有數(shù)據(jù)都被處理，轉(zhuǎn)Step 6;否則，從數(shù)據(jù)集RD′取出一個(gè)未經(jīng)過處理的數(shù)據(jù)xA進(jìn)行以下處理。

Step2求數(shù)據(jù)xA的第k加權(quán)近鄰距離k-WeightDis(xA)，下稱k-WD(xA)。其中，k-WD(xA)為數(shù)據(jù)xA與數(shù)據(jù)集中其他數(shù)據(jù)加權(quán)距離大小排名(升序)為第k的距離。

Step3求數(shù)據(jù)xA的k鄰域Nk(xA)和鄰域中的每個(gè)數(shù)據(jù)xO到數(shù)據(jù)xA的加權(quán)局部可達(dá)距離WeightReachDis(xA,xO)，下稱WRD(xA,xO)，其中Nk(xA)為數(shù)據(jù)xA與數(shù)據(jù)集中其他數(shù)據(jù)加權(quán)距離大小排名(升序)前k的數(shù)據(jù)的集合,WRD(xA,xO)=max{k-WD(xA),WD(xA,xO)}。

Step4求數(shù)據(jù)xA的局部可達(dá)密度lrdk(xA):

(6)

其中，|Nk(xA)| 是數(shù)據(jù)xA的k鄰域中數(shù)據(jù)的個(gè)數(shù)。

Step5通過式(7)求數(shù)據(jù)xA的局部異常因子LOFk(xA)，如果LOFk(xA)>LOFthreshold，將數(shù)據(jù)xA加入初步異常服務(wù)運(yùn)行數(shù)據(jù)集E，轉(zhuǎn)Step 1。其中，LOFthreshold為閾值，若數(shù)據(jù)的局部異常因子大于此值，該數(shù)據(jù)為異常；若小于或等于此值，該數(shù)據(jù)為正常。

(7)

Step6結(jié)束，輸出初步異常服務(wù)運(yùn)行數(shù)據(jù)集E。

經(jīng)過以上步驟后，對(duì)服務(wù)運(yùn)行數(shù)據(jù)進(jìn)行初次異常判斷，得到初步異常服務(wù)運(yùn)行數(shù)據(jù)集E。

3.2 基于上下文信息匹配的服務(wù)運(yùn)行數(shù)據(jù)異常判斷

通過3.1節(jié)的方法對(duì)服務(wù)運(yùn)行數(shù)據(jù)集進(jìn)行了初步篩選，得到初步異常數(shù)據(jù)集。初步異常數(shù)據(jù)集只是服務(wù)運(yùn)行數(shù)據(jù)自身的異常程度的反映，其中的部分異常數(shù)據(jù)可能是由于云計(jì)算服務(wù)運(yùn)行環(huán)境中存在相關(guān)正常任務(wù)調(diào)度產(chǎn)生的，但這種因任務(wù)調(diào)度產(chǎn)生的“異常”并不是真正的異常。因此，需要在采集正常服務(wù)組合數(shù)據(jù)并獲取其數(shù)據(jù)特征后，再對(duì)初步異常服務(wù)運(yùn)行數(shù)據(jù)集進(jìn)行二次異常判斷。

3.2.1 服務(wù)組合數(shù)據(jù)處理

為了判斷異常數(shù)據(jù)是否與云環(huán)境中的服務(wù)的運(yùn)行環(huán)境相關(guān)，需要考慮相應(yīng)的服務(wù)上下文信息。服務(wù)上下文信息是描述云環(huán)境中服務(wù)的環(huán)境狀態(tài)、資源信息、用戶需求的屬性或?qū)傩灾礫13]，可以用于輔助異常數(shù)據(jù)的判斷。例如，對(duì)于某服務(wù)，t時(shí)刻的CPU和內(nèi)存利用率是該服務(wù)的運(yùn)行數(shù)據(jù)，t時(shí)刻的系統(tǒng)進(jìn)程數(shù)是服務(wù)的上下文信息。因?yàn)樯舷挛男畔膫?cè)面反映當(dāng)前服務(wù)的狀態(tài)，其與運(yùn)行數(shù)據(jù)之間存在關(guān)聯(lián)性，在異常判斷時(shí)上下文信息起到輔助作用，因此需要綜合考慮服務(wù)運(yùn)行時(shí)的上下文信息。

為了綜合考慮服務(wù)運(yùn)行時(shí)的數(shù)據(jù)和當(dāng)時(shí)的上下文信息數(shù)據(jù)，本文給出服務(wù)組合數(shù)據(jù)的定義：服務(wù)組合數(shù)據(jù)是同一時(shí)刻t，一條服務(wù)運(yùn)行數(shù)據(jù)和一條上下文信息數(shù)據(jù)的組合，如式(8)所示：

Compt=(xt,yt)

(8)

其中,Compt是服務(wù)組合數(shù)據(jù)，xt是時(shí)刻t的服務(wù)運(yùn)行數(shù)據(jù)，yt是時(shí)刻t的服務(wù)上下文信息數(shù)據(jù)。

同一類服務(wù)上下文信息數(shù)據(jù)，其對(duì)應(yīng)的服務(wù)運(yùn)行數(shù)據(jù)往往具有相同或者相似的特征。為了獲取數(shù)據(jù)特征，可以在正常運(yùn)行情況下采集服務(wù)組合數(shù)據(jù)后，首先使用K-means算法[14]對(duì)服務(wù)上下文信息進(jìn)行聚類，使得具有相同或者相似服務(wù)上下文信息的數(shù)據(jù)被歸于同一個(gè)簇，初始聚類中心的選取方法參照韓曉紅等人[15]的選取策略。聚類完畢后可以獲得每條組合數(shù)據(jù)的上下文信息簇號(hào)a和對(duì)應(yīng)上下文信息簇的中心坐標(biāo)Ca,1≤a≤kK-means，其中kK-means為K-means算法的初始聚類數(shù)。

對(duì)于在同一類上下文信息簇中的服務(wù)運(yùn)行數(shù)據(jù)，需要為其建立正常服務(wù)運(yùn)行數(shù)據(jù)集超球體。對(duì)于同一個(gè)簇，所有正常的服務(wù)運(yùn)行數(shù)據(jù)都應(yīng)該包含在超球體內(nèi)部。每個(gè)上下文信息簇的正常服務(wù)運(yùn)行數(shù)據(jù)集超球體構(gòu)建算法如算法3所示：

算法3服務(wù)運(yùn)行數(shù)據(jù)集超球體構(gòu)建算法

Step1通過上下文信息簇號(hào)a，提取具有相同簇號(hào)a的服務(wù)運(yùn)行數(shù)據(jù)集Da={h1,h2,…,hv|v∈N*},v是簇號(hào)為a的服務(wù)運(yùn)行數(shù)據(jù)集的大小。

Step2計(jì)算數(shù)據(jù)集Da中每個(gè)數(shù)據(jù)和Ca之間的歐氏距離L，獲取數(shù)據(jù)間的最大歐氏距離Lmax。

Step3以Ca為超球體球心，Ra=Lmax為超球體半徑，構(gòu)造簇a對(duì)應(yīng)的服務(wù)運(yùn)行數(shù)據(jù)集超球體Oa。

Step4結(jié)束。

經(jīng)過以上步驟，為不同的上下文信息簇建立了不同的數(shù)據(jù)特征。其特征在于：不同服務(wù)上下文信息簇下的數(shù)據(jù)，若在其相應(yīng)服務(wù)運(yùn)行數(shù)據(jù)的超球體內(nèi)，則該數(shù)據(jù)為正常；若在超球體外，則該數(shù)據(jù)為異常。不同簇的數(shù)據(jù)特征的建立為初步異常服務(wù)運(yùn)行數(shù)據(jù)集的二次判斷提供了依據(jù)。

3.2.2 二次異常判斷

為了提高異常判斷的準(zhǔn)確率，對(duì)于每個(gè)初步異常數(shù)據(jù)，都需要獲取其上下文信息，并將其與正常服務(wù)組合數(shù)據(jù)的上下文信息進(jìn)行匹配。初步異常服務(wù)運(yùn)行數(shù)據(jù)集數(shù)據(jù)點(diǎn)的二次異常判斷如算法4所示。

算法4初步異常服務(wù)運(yùn)行數(shù)據(jù)集數(shù)據(jù)的二次異常判斷

Input：服務(wù)運(yùn)行數(shù)據(jù)集RD的初步異常運(yùn)行數(shù)據(jù)集E={xp,xq,…,xr}，其中p、q、r等是初步異常服務(wù)運(yùn)行數(shù)據(jù)集E中的數(shù)據(jù)在RD數(shù)據(jù)集中的對(duì)應(yīng)序號(hào)。

Output:最終異常服務(wù)運(yùn)行數(shù)據(jù)集F。

Step1F=E。

Step2若數(shù)據(jù)集中所有數(shù)據(jù)都被處理，轉(zhuǎn)Step 6；否則，從數(shù)據(jù)集E中取出一個(gè)未經(jīng)過處理的數(shù)據(jù)xu進(jìn)行處理，其在RD數(shù)據(jù)集中對(duì)應(yīng)的序號(hào)為u，獲取初步異常數(shù)據(jù)集中下標(biāo)為u的數(shù)據(jù)的組合數(shù)據(jù)(xu,yu)，計(jì)算上下文信息數(shù)據(jù)xu與正常組合數(shù)據(jù)中上下文信息的每個(gè)簇中心點(diǎn)的歐氏距離M，根據(jù)最小距離原則，得到距離最近的簇的簇號(hào)a。

Step3計(jì)算初步異常服務(wù)運(yùn)行數(shù)據(jù)xu與簇號(hào)為a的超球體中心點(diǎn)Ca的歐氏距離Lu。

Step4若Lu>Ra,則表明初步異常的服務(wù)運(yùn)行數(shù)據(jù)不在超球體內(nèi)，數(shù)據(jù)遠(yuǎn)離正常，最終該數(shù)據(jù)被判斷為異常。

Step5若Lu≤Ra,表明初步異常數(shù)據(jù)的服務(wù)運(yùn)行數(shù)據(jù)在超球體內(nèi)，數(shù)據(jù)正常，最終數(shù)據(jù)xu被改判為正常，從數(shù)據(jù)集F中剔除數(shù)據(jù)xu，轉(zhuǎn)Step 2。

Step6結(jié)束,輸出最終異常服務(wù)數(shù)據(jù)集F。

本文提出的方法進(jìn)行了2次異常判斷，第一次使用加權(quán)LOF算法進(jìn)行局部異常因子的計(jì)算，大于閾值的數(shù)據(jù)初步判斷為異常。對(duì)于初步異常服務(wù)運(yùn)行數(shù)據(jù)，其數(shù)據(jù)的波動(dòng)可能是由上下文信息變化引起的，也有可能是真正的異常波動(dòng)，因此需要對(duì)這些初步異常數(shù)據(jù)進(jìn)行二次異常判斷。首先將這些數(shù)據(jù)的上下文信息與正常服務(wù)組合數(shù)據(jù)的上下文信息簇匹配，再與最相似的簇內(nèi)的服務(wù)運(yùn)行數(shù)據(jù)超球體中心點(diǎn)求歐氏距離，若距離大于超球體半徑，則是真正的異常數(shù)據(jù)；若距離小于或等于超球體半徑，則初步異常數(shù)據(jù)被認(rèn)為是正常數(shù)據(jù)。

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)1

為了初步驗(yàn)證本文方法的有效性，借助VMware 11虛擬化工具，使用OpenStack搭建基于Hadoop 2.7的云計(jì)算平臺(tái)，包含3個(gè)節(jié)點(diǎn)(1個(gè)Master節(jié)點(diǎn)和2個(gè)Slave節(jié)點(diǎn))。本文使用Java語言開發(fā)了一個(gè)加權(quán)LOF結(jié)合上下文判斷的云環(huán)境中服務(wù)組合數(shù)據(jù)異常檢測(cè)原型工具，其功能是監(jiān)測(cè)MySQL服務(wù)和平臺(tái)的基礎(chǔ)設(shè)施服務(wù)的服務(wù)組合數(shù)據(jù)。

為獲取云環(huán)境中的相關(guān)服務(wù)組合數(shù)據(jù)，本文將原型工具部署在Master節(jié)點(diǎn)上，采集運(yùn)行時(shí)的MySQL服務(wù)組合數(shù)據(jù)和基礎(chǔ)設(shè)施服務(wù)組合數(shù)據(jù)作為測(cè)試數(shù)據(jù)集，采集的數(shù)據(jù)內(nèi)容如表1和表2所示。

Table 1 MySQL service composition data content表1 MySQL服務(wù)組合數(shù)據(jù)內(nèi)容

Table 2 IaaS service composition data content表2 基礎(chǔ)設(shè)施服務(wù)組合數(shù)據(jù)內(nèi)容

測(cè)試數(shù)據(jù)集的MySQL服務(wù)和基礎(chǔ)設(shè)施服務(wù)組合數(shù)據(jù)的數(shù)據(jù)量都為10 080條，其中MySQL服務(wù)數(shù)據(jù)中包含815條注入的異常數(shù)據(jù)，基礎(chǔ)設(shè)施服務(wù)數(shù)據(jù)包含1 260條注入的異常數(shù)據(jù)。此外，為了建立數(shù)據(jù)特征，本文分別采集了2 000條正常運(yùn)行狀態(tài)下的MySQL服務(wù)和基礎(chǔ)設(shè)施服務(wù)組合數(shù)據(jù)，并按照3.2.1節(jié)中的方法分別對(duì)2種服務(wù)組合數(shù)據(jù)進(jìn)行了處理。

本文分別使用文獻(xiàn)[8]的異常檢測(cè)方法(方法1)、加權(quán)LOF異常檢測(cè)方法(方法2)、加權(quán)LOF結(jié)合上下文判斷的異常檢測(cè)方法(方法3)對(duì)MySQL服務(wù)數(shù)據(jù)和基礎(chǔ)設(shè)施服務(wù)數(shù)據(jù)進(jìn)行了對(duì)比實(shí)驗(yàn)。在同一環(huán)境中進(jìn)行多次實(shí)驗(yàn)，實(shí)驗(yàn)中涉及到的初始化參數(shù)選取多次實(shí)驗(yàn)的近似最優(yōu)值，如表3和表4所示。

Table 3 Initialization parameter table of MySQL service experiment 表3 MySQL服務(wù)實(shí)驗(yàn)初始化參數(shù)表

Table 4 Initialization parameter table of IaaS service experiment 表4 基礎(chǔ)設(shè)施服務(wù)實(shí)驗(yàn)初始化參數(shù)表

使用上述方法對(duì)MySQL服務(wù)和基礎(chǔ)設(shè)施服務(wù)進(jìn)行實(shí)驗(yàn)，并采用真正率TPR(True Positive Rate)、真負(fù)率TNR(True Negative Rate)、正確率CDR(Correct Detection Rate)進(jìn)行衡量[16]，實(shí)驗(yàn)結(jié)果如圖2和圖3所示。

Figure 2 Experimental results of MySQL service in experiment 1圖2 實(shí)驗(yàn)1的MySQL服務(wù)實(shí)驗(yàn)結(jié)果

Figure 3 Experimental results of IaaS service in experiment 1圖3 實(shí)驗(yàn)1的基礎(chǔ)設(shè)施服務(wù)實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)結(jié)果表明，在kLOF和LOFthreshold等參數(shù)都保持相同的情況下，方法2對(duì)MySQL服務(wù)檢測(cè)的真正率、真負(fù)率和正確率指標(biāo)都略優(yōu)于方法1的，分別有2.94%,7.07%,5.01%的提升，對(duì)基礎(chǔ)設(shè)施服務(wù)檢測(cè)的真正率和正確率也有2.38%和1.09%的提高。在對(duì)2種服務(wù)運(yùn)行數(shù)據(jù)異常檢測(cè)的真負(fù)率上，方法3相比方法2分別提高了4.18%和6.53%。

4.2 實(shí)驗(yàn)2

為了進(jìn)一步驗(yàn)證本文方法在云環(huán)境真實(shí)應(yīng)用場(chǎng)景中的有效性，在云環(huán)境中進(jìn)行仿真實(shí)驗(yàn)。使用Java語言開發(fā)了“自行車租賃系統(tǒng)”等多個(gè)Web應(yīng)用程序并將其部署在云環(huán)境中的Master節(jié)點(diǎn)上。使用4.1節(jié)中的原型工具采集真實(shí)應(yīng)用場(chǎng)景中的MySQL和基礎(chǔ)設(shè)施服務(wù)組合數(shù)據(jù)各11 120條，其中MySQL服務(wù)組合數(shù)據(jù)包含915條注入異常數(shù)據(jù)，基礎(chǔ)設(shè)施服務(wù)組合數(shù)據(jù)包含950條注入異常數(shù)據(jù)。為了建立數(shù)據(jù)特征，分別采集了3 000條正常運(yùn)行狀態(tài)下的MySQL和基礎(chǔ)設(shè)施服務(wù)組合數(shù)據(jù)建立數(shù)據(jù)特征。

各方法都采用實(shí)驗(yàn)1中的初始化參數(shù)，再次對(duì)MySQL服務(wù)和基礎(chǔ)設(shè)施服務(wù)進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖4和圖5所示。

Figure 4 Experimental results of MySQL service in experiment 2圖4 實(shí)驗(yàn)2的MySQL服務(wù)實(shí)驗(yàn)結(jié)果

Figure 5 Experimental results of IaaS service in experiment 2圖5 實(shí)驗(yàn)2的基礎(chǔ)設(shè)施服務(wù)實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)結(jié)果表明，在云環(huán)境的真實(shí)應(yīng)用場(chǎng)景中，方法2對(duì)MySQL服務(wù)檢測(cè)的真正率、真負(fù)率和正確率指標(biāo)都略優(yōu)于方法1的，分別有3.09%,7.86%,5.47%的提升，方法2在對(duì)基礎(chǔ)設(shè)施服務(wù)檢測(cè)的真正率和正確率方面略優(yōu)于方法1，分別有2.07%和0.66%的提升。因?yàn)榉椒?在計(jì)算數(shù)據(jù)間的歐氏距離時(shí)考慮了服務(wù)運(yùn)行數(shù)據(jù)各維度的不確定性，提高了異常檢測(cè)的準(zhǔn)確率。此外，在異常檢測(cè)的真正率方面，方法3和方法2相等，原因是2種方法在初次異常判斷時(shí)流程相同，不同的是前者在二次異常判斷時(shí)使用了上下文信息對(duì)初步異常服務(wù)運(yùn)行數(shù)據(jù)進(jìn)行了二次判斷，降低了誤報(bào)率，從而提升了真負(fù)率。因此，使用方法3對(duì)2種服務(wù)運(yùn)行數(shù)據(jù)異常檢測(cè)后的真負(fù)率比方法2分別提高了3.56%和5.44%。通過2次實(shí)驗(yàn)表明，本文方法在云環(huán)境真實(shí)應(yīng)用場(chǎng)景中也具有一定的可行性。

5 結(jié)束語

本文提出了一種加權(quán)LOF結(jié)合上下文判斷的云環(huán)境中服務(wù)運(yùn)行數(shù)據(jù)異常檢測(cè)方法，首先考慮服務(wù)運(yùn)行數(shù)據(jù)各維度屬性存在的不確定性不同，對(duì)LOF算法進(jìn)行了改進(jìn)，使用加權(quán)LOF算法進(jìn)行服務(wù)運(yùn)行數(shù)據(jù)的初次異常判斷。然后，通過處理服務(wù)組合數(shù)據(jù)建立數(shù)據(jù)特征，綜合考慮上下文信息后對(duì)初步異常服務(wù)運(yùn)行數(shù)據(jù)進(jìn)行二次異常判斷。但是，本文還存在不足，加權(quán)LOF結(jié)合上下文判斷的云環(huán)境中服務(wù)運(yùn)行數(shù)據(jù)異常檢測(cè)方法相比加權(quán)LOF異常檢測(cè)方法在2種服務(wù)運(yùn)行數(shù)據(jù)異常檢測(cè)的真正率方面沒有提高。因?yàn)檫M(jìn)行初次異常判斷時(shí)，判斷得到的正常數(shù)據(jù)集中有可能存在異常數(shù)據(jù)，而在本文方法中沒有對(duì)這些正常數(shù)據(jù)集中的異常數(shù)據(jù)進(jìn)行深入判斷，從而將這些異常數(shù)據(jù)漏報(bào)了，下一步需要對(duì)此繼續(xù)進(jìn)行研究。