D. CHẨN ĐOÁN LỖI VỚI PHƯƠNG PHÁP LỰA CHỌN TÍNH NĂNG
E. SƠ ĐỒ CHẨN ĐOÁN VÀ PHÁT HIỆN LỖ
E.1 Giai đoạn đào tạo
Cho tập dữ liệu huấn luyện X, mô hình mờ một lớp SVM có thể được xây dựng như sau:
Các cột X =
được bình thường hóa trung bình bằng 0 và phương sai đơn vị. Bằng cách sử dụng PCA, tập dữ liệu thu được véc tơđiểm T của nó:
2) Tính toán sắc nét của các điểm dữ liệu dựa trên hàm tàu thành viên lôgic mờ gk (di)
E. SƠ ĐỒ CHẨN ĐOÁN VÀ PHÁT HIỆN LỖI
E.1 Giai đoạn đào tạo
4) Tính hằng số ρ dưới dạng
trong đó ti là các vectơ hỗ trợ với ξi = 0, ns là số của các vectơ
hỗ trợ, tj biểu thị các vectơ điểm.
Thuật toán 2 Chẩn đoán lỗi - Xếp hạng tính năng với Rừng ngẫu nhiênVào:
Các trường hợp dữ liệu: Các trường hợp nhãn:
E. SƠ ĐỒ CHẨN ĐOÁN VÀ PHÁT HIỆN LỖI
E.1 Giai đoạn đào tạo
Tính năng được xếp hạng danh sách 1: cho k ← 1 đến K làm
2: Vẽ một tập con có túi của mẫu Lk từ L
3: trong khi các tiêu chí dừng không được đáp ứng, hãy làm 4: Chọn ngẫu nhiên các tính năng S
5: cho s ← 1 đến S làm
6: Tính toán sự giảm tạp chất của nút 7: kết thúc cho
8: Chọn tính năng làm giảm tạp chất nhiều nhất và nút được chia thành các nút con
9: kết thúc trong khi 10: kết thúc cho
E. SƠ ĐỒ CHẨN ĐOÁN VÀ PHÁT HIỆN LỖI
E.2 Giai đoạn xử lý trực tuyến
1) Vectơđiểm t thu được bằng cách chuẩn hóa mẫu mới với giá trị trung bình và phương sai của X
1) Tính toán hàm quyết định ranh giới
3) Sử dụng mô hình EWMA-FOCSVM để phát hiện lỗi đối với F (t)
4) Sử dụng mô hình RFE-RF để xếp hạng các chỉ số đáng ngờ
sau khi loại bỏ lỗi
IV. ĐÁNH GIÁ
- ứng dụng thương mại điện tử mã nguồn mở trên dịch vụ đám mây điện toán- đã được thực hiện. TPC-W là một điểm chuẩn cho web thương mại điện tử, bao gồm ba thành phần chính: (i) Hệ thống thử nghiệm web Ap plication (STU); (ii) bộ
tạo khối lượng công việc và gửi đến STU; và (iii) thành phần giám sát hiệu suất cho SUT. TPC-W cho phép mô phỏng ba loại khác nhau của tương tác web: mua sắm (WIPS), duyệt web (WIPSb) và đặt hàng dựa trên web (WIPSo). TPC-W sử dụng khái niệm Nhóm các trình duyệt được mô phỏng (EB) để đưa ra yêu cầu đối với SUT. EB mô phỏng người dùng tương tác với SUT bằng trình duyệt bằng cách gửi và nhận nội dung HTML thông qua HTTP
IV. ĐÁNH GIÁ
◼ Các hệ thống sẽ được tiêm vào hai lô lỗi bao gồm:
◼ • Thứ nhất, các lỗi được đưa vào từ thứ 420 đến thứ 441 do làm nhăn người dùng đồng thời đột ngột từ 20
đến 200. Điều này việc chèn lỗi dẫn đến tăng lưu lượng mạng, thiếu bộ nhớ và truy cập I / O Đĩa.
◼ • Thứ hai, từ thứ 485 đến thứ 512, một vòng lặp vô tận trong mã nguồn của ứng dụng nhiều tầng được kích hoạt. Lỗi này phần mềm dẫn đến tràn ngăn xếp.
IV. ĐÁNH GIÁ
B. Đánh giá phát hiện lỗi
Để đánh giá phương pháp đề xuất, Độ nhạy, Nếu chỉ số icity và Độ chính xác được xem xét. Ta ble 2 hiển thị phép đo độ
chính xác của mô hình được sử dụng để tính toán các tiêu chí này. Công thức của các tiêu chí này được tính như sau:
Khi • T P: Hiển thị số lượng cá thể có nhãn thực sự là F ault và mô hình phát hiện lỗi cũng nhận dạng chính xác nhãn này. • T N: Hiển thị số lượng cá thể có nhãn thực sự là Bình thường và mô hình phát hiện lỗi cũng chính xác công nhận lại nhãn này. • F P: Hiển thị số lượng cá thể có dữ liệu thực tế là Bình thường nhưng mô hình phát hiện lỗi đã xác định nhầm nó thành F ault. • F N: Hiển thị số lượng bản ghi có dữ liệu thực tế là Rất tiếc nhưng mô hình phát hiện lỗi đã xác định nhầm nó là Bình thường. Giá trị của ranh giới quyết định F (t) trong (43)
được sử dụng để phát hiện
IV. ĐÁNH GIÁ
IV. ĐÁNH GIÁ
IV. ĐÁNH GIÁ
C. Đánh giá chẩn đoán lỗi
Ở quy trình đầu tiên, sự gia tăng đột ngột của đồng thời người dùng gây ra tình trạng thiếu bộ nhớ trong cả LB và DB, lỗi công việc mạng trong WEB 1 và Lỗi chuyển đổi ngữ
cảnh ở WEB 2. Tại
lần tiêm lỗi thứ hai, lỗi vòng lặp vô tận của ap plication đa tầng gây ra lỗi CPU ở cả LB và WEB 2, lỗi I / O trong WEB 1 và thiếu bộ nhớ trong DB. Cả hai trường hợp, bộ nhớ là một tài nguyên quan trọng trong DB. Do đó, có thể kết luận rằng, loại lỗi này do thiếu tài nguyên đòi hỏi Các loại máy ảo cho
IV. ĐÁNH GIÁ
C. Đánh giá chẩn đoán lỗi
Thuật toán chẩn đoán lỗi được đánh giá bằng cách tính toán sai số của bộ dự báo RF được tính như sau:
V. KẾT LUẬN
Trong bài báo này, một phương pháp phát hiện và chẩn đoán lỗi được đề xuất cho ứng dụng web nhiều tầng trong
điện toán đám mây cơ sở hạ tầng. Vấn đề này được giải quyết thông qua cách tiếp cận ba bước, nơi đầu tiên chúng tôi đề xuất vectơ hỗ trợ một lớp mờ mô hình máy để phát hiện dữ liệu bất thường dựa trên quyết định ranh giới. Sau đó, đường trung bình động có trọng số theo cấp số nhân biểu đồ theo dõi giá trị ranh giới quyết định của FOCSVM được áp dụng để phát hiện lỗi cho ứng dụng web nhiều tầng. Cuối cùng, thuật toán tính năng xếp hạng Rừng ngẫu nhiên được áp dụng để xác định xem các chỉ số đáng ngờ có phải là căn nguyên của lỗi hay không. Các phương pháp tiếp cận chẩn đoán và phát hiện lỗi hiệu suất được đánh giá bằng cách so sánh nó với các
phương pháp cơ sở. Trong vấn đề phát hiện lỗi, độ chính xác của EWMA-FOCSVM cao hơn một trong
Ngưỡng-FOCSVM. Để so sánh thuật toán Rừng ngẫu nhiên và Cây quyết định có túi về các tính năng xếp hạng, Phương pháp loại bỏ tính năng đệ quy với mỗi lần lặp mà chúng ta nhập vào Rừng ngẫu nhiên hoặc Cây quyết
định có túi được áp dụng. Các kết quả thử nghiệm cho thấy các giá trị Lỗi bình phương trung bình gốc của
Loại bỏ tính năng đệ quy với thuật toán Rừng ngẫu nhiên mới là hạ một cây trong Cây quyết định có túi. Ngoài ra, khả năng khám phá của thuật toán Rừng ngẫu nhiên trong dữ liệu huấn luyện không cân bằng là Cây quyết định có túi cao hơn. Tuy nhiên, cần nghiên cứu them được thực hiện trên lỗi byzantine để nghiên cứu thêm.