張 衡，王大勇，宋 朋

(遼寧大學，遼寧 沈陽 110036)

1 引言

計算機技術的應用領域日益廣泛，對計算機的可靠性要求也越來越高。尤其在一些特殊的應用領域，例如在實驗室方面，對服務器的應用性能要求更高?，F階段，計算機硬件已經得到了很大程度的提升，但是軟件設計日益復雜，帶來了很多的潛在隱患。尤其是在比較特殊的環(huán)境下，都容易導致實驗室服務器出現故障[1，2]，同時還會產生比較大的經濟損失。

為了有效解決上述問題，國內相關專家針對服務器故障診斷方面的內容展開了大量研究，例如李奎等人[3]對聲音信號和振動信號經驗模態(tài)分解處理，提取不同類型信號的IMF(固有模態(tài)函數，Intrinsic Mode Function)包絡能量熵，將其設定為特征向量輸入，同時使用D-S(登普斯特-謝弗，Dempster-Shafer)證據理論對聲振信號加權概率分配完成決策層融合處理，最終獲取故障診斷結果。于斌等人[4]提出了一種基于并行運行時驗證的DoS(拒絕服務，Denial of Service)攻擊檢測方法。描述邊緣服務器預期行為和DoS攻擊特征。采用并行運行時驗證框架，充分利用邊緣服務器的計算與存儲資源，對服務器程序運行狀態(tài)進行異常檢測和誤用檢測。在以上幾種方法的基礎上，提出一種基于改進FP-Growth算法的云服務器故障診斷方法。經實驗測試結果表明，所提方法能夠得到更加精準的服務器故障診斷結果。

2 云服務器故障診斷

2.1 改進FP-Growth算法

FP-Growth算法的基本思想就是將事務數據庫中的事務開展剪枝以及排序等相關操作，有效保留各個數據項之間的關系[5]。以下給出FP-Growth算法的詳細操作步驟：

1)獲取頻繁項列表

對事務數據庫遍歷處理，主要負責完成數據庫中全部項數據統(tǒng)計工作，將小于最小尺度計數的數據項刪除，同時根據頻數遞減對數據項排序處理，進而獲取頻繁項列表。

2)建立FP-tree

以Null(零器)為根節(jié)點構建FP-tree，通過Flist對數據庫中的全部數據項排序處理，將不滿足最小支持度的數據項刪除。將完成排序的事務插入到FP-tree中，判斷路徑是否可以分享，假設可以分享，則需要記錄節(jié)點數量。

3)挖掘FP-tree

設定后綴模式以及初始值，采用FP-tree算法挖掘FP-tree；假設FP-tree為單分支，則刪除小于最小支持度的節(jié)點，將剩余節(jié)點組成任務集合，經過對比分析獲取對應的頻繁項集。

經典的FP-Growth算法[6，7]主要通過FP樹作為數據存儲結構，將數據庫事務集全部壓縮處理，同時存儲至FP-tree中，確保各個頻繁項之間的關系不會被打破。在實際操作過程中，并不會形成候選集，所以需要兩次掃描事務數據庫，有效避免時間浪費。將頻繁項集中出現的最小數據項設定為后綴，降低搜索時間。

由于傳統(tǒng)的FP-Growth算法挖掘數據規(guī)模比較小，而在實際應用中的實驗室服務器數據存儲規(guī)模比較大，并且還在持續(xù)增加。如果超過單一架構以及分布環(huán)境可以處理的數據規(guī)模，則各個節(jié)點之間的通信能耗和時間會大幅度增加。在上述分析基礎上，提出PL-FPGrowth(程序語言頻繁模式增長，Procedural Language-Frequent Pattern Growth)算法。用于統(tǒng)計數據項的頻數，如式(1)所示

(1)

式中，count-I(i，j)代表頻數；lm，n代表節(jié)點上數據項出現的總數；i和j代表第i個和第j個節(jié)點。

4)在不同的節(jié)點上，通過頻繁項列表，需要對本地數據集中的事務排序處理，構建對應的局部FP-tree。

5)將局部的頻繁項集整合處理，假設頻繁項集相同，則增加頻數；反之，則刪除支持度和置信度的頻繁項集，通過整合形成全局最大頻繁項集的集合。

2.2 基于改進FP-Growth算法的云服務器故障診斷

針對實驗室服務器數據的特殊性，需要給出基于改進FP-Growth算法的云服務器故障診斷流程。分析實驗室服務器的實際工作情況，為了確保故障診斷結果的準確性，在故障診斷前期，需要滿足以下幾方面的約束條件，如下所示：

1)確保數據結構屬于非線性的；

2)確保數據的概率分布滿足指數型分布；

3)確保向量的方差大小和變量之間的重要性呈正相關；

4)主元相互正交。

由于實驗服務器是復雜多變的，具有復雜多變以及非線性等特點，主要涉及多個不同的實驗設備，所以需要在事務數據庫中分別添加關鍵數據，將其存放于關鍵項表中，將其設定為最終所挖掘的關聯(lián)規(guī)則輸出。

針對任何含有n個類別的分類問題而言，所以可以將其轉換為兩個類別的分類問題[8，9]。在頻繁項頭中主要包含兩個不同的域，通過圖1可知，FP-tree是利用兩次掃描數據庫得到的。

1)記錄全部頻繁項集的支持度和兩種類別的相對支持度。

2)輸入FP-tree，獲取各個子路徑上對應節(jié)點集合的支持度和置信度，詳細的計算式如下

(2)

(3)

式中，support代表支持度；confidence代表置信度；count和relative分別代表不同的子路徑。

3)二次掃描，同時構建相對支持樹，將項頭表按照從小到大的順序排序處理，進而構建頻繁模式基。

利用圖1給出基于改進FP-Growth算法的云服務器故障診斷流程圖。

圖1 基于改進FP-Growth算法的云服務器故障診斷流程

由于經典的FP-Growth算法[10，11]在挖掘關聯(lián)規(guī)則的過程中，和數據排列方式存在十分密切的關聯(lián)。為了得到全局最大頻繁項集，對局部事務排序仍然無法滿足局部頻繁項集，進而獲取目標頻繁項集。設定參與計算的節(jié)點數量為m，最小支持度為min-sup，則各個節(jié)點對應的局部支持度計數可以表示為式(4)所示

sup-local=min-sup ·qi

(4)

上式中，sup-local代表局部支持度計數；qi代表節(jié)點事務集總數。

在完成剪枝操作之后，會降低構建局部FP-tree和局部挖掘頻繁項集的工作量。在刪除不滿足最小支持度計數的頻繁項之后，在挖掘全局最大頻繁項集時[12，13]，會有效降低通信開銷。

為了準確評估不同節(jié)點對應參考時間，可以采用式(5)計算

(5)

式中，excute-time(i)代表第i個節(jié)點對應的執(zhí)行參考時間[14，15]；time(i)代表節(jié)點i的運行時間；n代表測試樣本數量；ωi，j代表不同節(jié)點的權重取值。

計算服務器故障比例如式(5)所示：

(6)

上式中，date-proportion代表節(jié)點數據的分配比例。

在以上分析的基礎上，還需要設定參數閾值規(guī)則，進而提取實驗室中不同服務器的故障向量變量的子集，以此為依據組建不同故障變量的條件FP-tree，將各個數據子集挖掘出的頻繁項集求并集，得到包含全部故障診斷信息的頻繁項集，最終達到服務器故障診斷的目的。

3 仿真研究

為了驗證所提方法的有效性，采用文獻[3]的基于多信息融合的故障診斷方法和文獻[4]的基于運行時驗證的邊緣服務器DoS攻擊檢測方法作為實驗對照組，將其與研究方法的測試結果對比，以突出提出方法的指標優(yōu)勢。

選取4核8G5M帶寬的云服務器為實驗測試對象，該服務器具備雙IP，設置云服務器的故障發(fā)生在運行時間為5s～10s和15s～20s兩個時間段，當服務器出現故障時，其數據通信量會發(fā)生較大幅度的變化。分別利用三種不同方法診斷該服務區(qū)的故障，所得結果如圖2所示。

圖2 不同方法下服務器故障輸出結果

根據圖2的實驗結果可知，基于多信息融合的故障診斷方法和基于運行時驗證的邊緣服務器DoS攻擊檢測方法的服務器故障診斷存在較為明顯的延時問題。研究方法能夠精準的獲取云服務器的故障，且在故障發(fā)生階段，服務器的通信量下降，且幅度較大，符合實際情況。

基于上述實驗，選取故障診斷耗時和診斷正確性作為測試指標。不同方法的云服務器故障診斷耗時測試結果如圖3所示。

圖3 不同方法的故障診斷耗時對比

分析圖3中的實驗數據可知，所提方法的云服務器故障診斷準確率明顯優(yōu)于文獻方法，說明所提方法可以獲取更加滿意的故障診斷結果。

基于云服務器故障診斷的耗時指標測試結果，進一步分析三種不同方法的故障診斷性能結果，設置4個故障類型，分別為服務暫停、服務停止、進程異常、指令執(zhí)行異常。利用基于多信息融合的故障診斷方法、基于運行時驗證的邊緣服務器DoS攻擊檢測方法以及研究方法對40個服務器樣本完成故障診斷，具體結果如圖4所示。

圖4 不同方法的云服務器故障診斷結果

分析圖4所得的實驗結果可知，在對4個類別的云服務器故障進行診斷時，基于多信息融合的故障診斷方法和基于運行時驗證的邊緣服務器DoS攻擊檢測方法在每一個類別的服務器故障診斷中均出現了錯誤診斷結果，說明文獻方法的故障診斷精度不夠理想。研究方法在對40個服務器樣本的不同類型故障診斷中，僅出現一次錯誤診斷。

為了更直觀對比不同方法故障診斷結果的精度，對以上方法的準確率數值進行計算，公式如下所示

(7)

式中，c代表正確判斷的故障類型數量；b代表實際故障數量。

根據圖4的實驗結果，計算不同方法的故障診斷精度，具體精度數據如圖5所示。

圖5 不同方法的故障診斷精度計算結果

根據圖5的不同方法的故障診斷精度對比可以明顯看出，對于不同類型的云服務器故障，研究方法的精度始終保持在90%～100%，基于多信息融合的故障診斷方法和基于運行時驗證的邊緣服務器DoS攻擊檢測方法的故障診斷精度波動范圍在80%～90%，明顯低于研究方法。該實驗結果驗證了所提方法具有更高的服務器故障診斷結果準確性，可以準確識別各個類型的故障，進一步證明了所提方法的優(yōu)越性。

4 結束語

提出一種基于改進FP-Growth算法的云服務器故障診斷方法。經實驗測試證明，所提方法可以準確診斷實驗室中各個類型的服務器故障，為服務器故障的研究和應用提供了全新的方法，確保系統(tǒng)的穩(wěn)定運行。