大数据驱动下面向服务系统的可靠性提升方法研究

With the fast development of service computing, developing fault-free service-oriented systems becomes a great challenge. However, traditional software reliability engineering techniques are incapable caused by the large-scale complex system architecture and the vastly unpredictable environment. To overcome these challenges, we will comprehensively explore the big trace log data of service-oriented systems, construct workflow networks, and build fault diffusion models, on target of scientific problem of fault localization. We will comprehensively explore the big QoS data of service-oriented systems, build a state-aware QoS prediction model, a QoS-aware adaptive fault tolerance framework, and an online incremental learning algorithm for fault tolerance strategy, on target of scientific problem of fault tolerance. We will propose a distributed data sharing framework for collecting system-generated big data for trace logs and QoS information, and deliver a reliability management toolkit. The research results of this project will be significance for improving reliabilities of service-oriented systems.

近年来，随着服务计算的快速发展，面向服务系统的可靠性变得越来越重要。然而，传统的软件可靠性技术已经难以适应规模庞大、组件众多、环境动态的面向服务系统。为了有效应对这些挑战，本项目将充分挖掘系统日志大数据，构建工作流网络，建立故障扩散模型，并将该模型应用于故障根因定位的核心技术的突破；本项目将基于服务质量大数据，构建状态感知的服务质量预测模型，提出服务质量感知的自适应的故障容忍机制，建立故障容忍策略的线上增量学习模型；本项目将设计分布式的日志和服务质量数据共享机制，开发可靠性管理工具。本项目的研究成果对于提高面向服务系统的可靠性，具有重要的理论意义和实际价值。

随着服务计算的快速发展，面向服务系统的可靠性变得越来越重要。然而，传统的软件可靠性技术已经难以适应规模庞大、组件众多、环境动态的面向服务系统。基于此，本项目主要研究以下内容：基于系统日志数据构建结构化系统事件序列，展开故障检测和故障定位研究；基于服务质量数据构建服务质量预测模型，研究服务质量感知的故障容忍机制；设计开发面向服务的分布式系统可靠性管理工具。.. 本项目的重要研究成果如下：（1）提出了隐私保护分布式日志自动解析的方法，提高了面向服务系统环境下异构的分布式日志的协同解析准确率和效率。（2）提出了基于日志聚类的在线服务系统的故障识别定位方法，缩短了故障识别定位时间。（3）提出了多个服务质量预测方法，提高了服务质量预测的准确度和效率。（4）提出了基于服务质量感知的故障容忍机制，提高了面向服务系统的可靠性。（5）设计开发了面向服务的分布式系统的可靠性管理工具，可以自动化处理日志和服务质量数据并提供模型分析结果。本项目的研究成果对于提高面向服务系统的可靠性，具有重要的理论意义和实际价值。