获取微服务健康状态指标的方法和微服务异常诊断方法与流程

技术特征：

1.一种获取微服务健康状态指标的方法，包括：

步骤H1)，基于微服务模块间的交互数据包构建微服务调用关系图；

步骤H2)，基于所述微服务调用关系图生成微服务节点的调用矩阵，其中所述调用矩阵的各个项表示微服务节点间发送的数据包数目；

步骤H3)，基于所述调用矩阵利用卷积神经网络获取所述微服务的健康状态指标，其中所述卷积神经网络利用调用矩阵的样本训练生成。

2.根据权利要求1所述的方法，所述调用关系图中的节点表示微服务节点，节点之间的边表示节点之间存在数据交互，边的数值表示对应节点之间传送的数据包个数；所述节点之间包括两条不同方向的有向边。

3.根据权利要求1所述的方法，所述调用矩阵的行数和列数等于所述调用关系图中的节点数，第i行第j列的元素表示源节点i向目的节点j发送的数据包个数。

4.根据权利要求1所述的方法，所述健康状态指标是利用卷积神经网络获取的所述微服务的网络状态向量。

5.一种微服务异常诊断方法，包括：

步骤D1)，基于权利要求1-4之一所述的方法获取微服务的健康状态指标；

步骤D2)，获得基于微服务所处物理机的硬件状态数据；

步骤D3)，基于所述微服务的健康状态指标以及微服务所处物理机的硬件状态数据利用BP神经网络对微服务的异常进行判断，其中所述BP神经网络利用微服务的健康状态指标以及微服务所处物理机的硬件状态数据的样本数据训练。

6.根据权利要求5所述的方法，所述步骤D2包括：

利用XGBoost算法过滤硬件状态数据，选取前N个硬件数据指标，其中，N为大于等于1的整数。

7.一种基于微服务调用关系的根因定位方法，包括：

步骤R1，基于权利要求5或6所述方法获取异常的微服务节点；

步骤R2，基于所述微服务调用关系图利用以下公式计算异常的微服务节点的影响因子；

其中，i，j表示异常节点，fi表示节点i的影响因子，di,j表示节点i到节点j的距离；

步骤R3，根据所述的异常的微服务节点的影响因子大小，取前K个节点作为根因节点，其中，K为大于等于1的整数。

8.根据权利要求7所述的根因定位方法，当节点i到节点j可达，di，j为节点i到节点j的总跳数；当节点i到节点j不可达，di，j＝M 1，M为所述微服务调用关系图中节点的总数。

9.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1至8任一项所述方法的步骤。

10.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至8任一项所述方法的步骤。

技术总结
本发明提供获取微服务健康状态指标的方法和微服务异常诊断方法，包括：获取微服务的健康状态指标；获得基于微服务所处物理机的硬件状态数据；基于所述微服务的健康状态指标以及微服务所处物理机的硬件状态数据利用BP神经网络对微服务的异常进行判断，其中所述BP神经网络利用微服务的健康状态指标以及微服务所处物理机的硬件状态数据的样本数据训练。本发明能够为复杂的微服务模块提供高速、高准确性的异常诊断。

技术研发人员：周朋朋;王阳;李振宇;谢高岗;
受保护的技术使用者：中国科学院计算技术研究所;
技术研发日：2021.07.01
技术公布日：2021.10.01