基于大数据趋势预测的SaaS应用软件模块故障建模分析

《Science of Computer Programming》：Fault modeling analysis of SaaS application software modules based on big data tendency prediction

　　

李张|王晓宇

摘要

针对软件即服务（SaaS）应用软件海量性能状态日志的故障建模方法，目前缺乏有效的特征提取与数据处理机制。因此，在训练过程中模型无法充分学习与故障相关的关键信息，进而影响其对软件模块故障趋势的准确评估能力。为解决这一问题，本文提出了一种基于大数据趋势预测的SaaS应用软件模块故障建模分析方法。该方法采用大数据分析技术中的隐马尔可夫随机场（HMRF）模型，对SaaS运行过程中产生的海量性能状态日志进行解析，从中提取有用信息形成观测值。随后运用最大后验概率估计原理，根据HMRF模型生成的观测值计算软件模块故障的后验概率，从而判断是否发生故障。一旦确认SaaS应用软件模块存在故障，还会进一步引入径向基函数神经网络（RBFNN）来预测故障发展趋势。通过训练RBFNN模型，可以建立故障因素与故障发生之间的映射关系，实现故障预测与预警功能。实验结果表明，所提出的方法在测试样本上能够成功完成故障预测与分析，在故障判定方面的精确率和召回率分别达到97.2%和96.1%，而在故障预测方面的精确率和召回率则分别为96.3%和94.1%。此外，该方法在故障分析时的实时能耗较低，展现出在实际应用中的高效率与实用性。

引言

随着互联网技术的快速发展，服务型软件得到了广泛应用。传统软件模型存在成本高昂、资源消耗大、不利于远程办公与协作以及安全性不足等问题[1]。为应对信息技术的飞速发展以及用户对高效低成本软件服务的需求，软件即服务（SaaS）商业模式应运而生[2]。SaaS应用软件代表了一种新型实用的数据库应用系统开发与运营模式，它以互联网服务的形式向特定用户群体提供软件运行功能。近年来，SaaS应用软件已在多个领域得到广泛应用，有望成为软件行业新的发展方向[3]。然而，SaaS应用软件高度集中的资源架构引发了用户对信息安全的担忧。与传统软件不同，SaaS应用软件的用户数据存储在服务提供商的服务器上，由服务提供商负责维护管理[[4], [5]]。虽然这种服务模式降低了运营成本，但由于多个租户共享同一数据库，数据安全与隐私问题便变得十分突出，因此权限管理尤为重要。

SaaS的核心作用在于提供一种灵活、可扩展且成本效益高的软件交付模式。用户无需自行购买、安装或维护服务器及软件，即可通过互联网访问和使用相关软件。SaaS广泛应用于企业管理和协作、电子商务、数据分析等领域，Salesforce、Microsoft 365、Shopify等产品帮助企业提高管理效率、降低IT成本并获取数据洞察。此外，SaaS应用的服务质量（QoS）直接影响到用户满意度[6]。作为SaaS软件的关键QoS指标，性能直接影响用户体验。在云计算提供的动态可扩展运行环境中，如果SaaS应用中服务请求的平均响应时间过长或应用出现不可用情况，就会引发服务故障，导致用户不满甚至经济损失，进而损害服务提供商的生意。因此，在SaaS应用运行过程中，运维人员需要及时准确地检测模块故障，找出故障原因，并采取措施确保系统恢复可用状态，同时持续提供高性能服务。要满足这一要求，关键在于能够实时持续地监控、识别和诊断故障问题[7]。

SaaS应用的操作日志包含了与软件及其支持环境的状态、事件、进程或变化相关的数据，其中包括用户行为、各类事件、交互消息等其他信息。这些日志数据在软件系统管理中起着至关重要的作用，比如用于软件故障分析、环境分析以及用户行为分析。尤其是当SaaS软件出现性能问题时，这些日志中记录的性能状态信息往往是分析和诊断问题根本原因的重要工具。系统操作日志中的用户行为、事件、交互消息等信息是通过三种方式收集的：云平台监控界面、应用跟踪以及网络数据包捕获。用户行为数据是通过前端跟踪获取用户操作序列；事件数据则是通过系统日志框架记录模块运行状态的变化；交互消息则通过API网关捕获服务调用请求与响应，在经过数据聚合与特征提取后形成标准化的日志序列。本研究的目标是构建一种适用于海量日志数据的SaaS应用软件模块故障建模与预测方法，以实现精准的故障识别与趋势预警。在软件供应链中，SaaS系统的多租户资源共享特性会导致用户数据集中存储，模块故障容易引发数据泄露、未经授权访问等安全和隐私问题。故障造成的服务中断会破坏供应链数据传输的完整性，而故障的扩散还可能导致跨租户数据污染，严重威胁软件供应链的安全与隐私保护能力。与现有方法相比，所提出的方法没有采用复杂的深度网络结构，从而避免了过拟合、梯度消失以及训练时间过长等问题。HMRF模型对含噪声的日志具有更强的鲁棒性，参数训练的复杂度也更低。RBFNN混沌算法则利用混沌特性优化网络参数，解决了传统RBFNN中因经验参数设置导致的泛化能力不足的问题，因此更适用于SaaS系统动态的多租户模块结构。

与LSTM、GRU这类纯时间模型以及GNN这类图模型相比，HMRF更符合SaaS日志数据的处理需求。其优势主要体现在以下几个方面：首先，SaaS日志数据既包含模块运行的时间序列特征，也包含模块交互的空间相关性特征，而HMRF无需构建复杂的图结构，就能通过邻域系统同时模拟这两种依赖关系；其次，日志数据中存在大量噪声和异常值，HMRF基于概率图模型的推理方法具备更强的抗噪能力，不易因个别异常数据点而出现误判；第三，HMRF模型的参数较少，训练成本较低，能够快速适应SaaS系统动态扩展带来的模块结构变化，满足实时故障诊断的时效性要求；第四，HMRF的推理过程具备很强的可解释性，能够输出模块故障的后验概率，这有助于运维人员定位故障根源，而这一点是深度学习模型难以做到的。

章节节选

相关工作

随着大规模操作日志和性能指标的不断增加，数据驱动方法逐渐成为主流解决方案，越来越多的文献开始探索不同的建模范式。邢某和陈等人研究了一种基于联合深度学习的多源故障识别方法[8]，该方法包括特征提取和分类器设计两个部分。在第一阶段，通过堆叠去噪自编码器将信号转换为时频域

SaaS应用软件的性能状态观测与信息提取

大数据技术中的隐马尔可夫随机场（HMRF）模型能够捕捉数据之间的时空相关性，非常适合处理具有复杂依赖关系的数据，比如SaaS应用软件的运行日志。这里的复杂依赖关系指的是调用依赖、资源共享依赖、时间执行依赖，以及SaaS软件中各模块之间日志数据的时空耦合关系。对这些数据的观测

实验设置

为验证本文提出的基于大数据趋势预测的SaaS应用软件模块故障建模与分析方法的实际应用效果，本研究选取了一个综合减灾应用系统作为实验对象。该系统基于云服务平台和SOA理念构建，由一系列具有独立功能的网页组件组成。一旦发生灾害，系统中的SaaS服务就会协同工作以

讨论

本文重点研究了基于大数据趋势预测的SaaS应用软件模块故障建模分析方法，并通过实验验证了其应用效果。该方法之所以能取得优异的性能，关键在于将HMRF模型与RBFNN相结合。这种组合方式显著提升了实验对象的故障分析精度。HMRF模型能够高效地从性能状态日志中提取有用信息

结论

经过对基于大数据趋势预测的SaaS应用软件模块故障建模与分析方法的深入研究，我们成功地将隐马尔可夫随机场（HMRF）模型和径向基函数神经网络（RBFNN）应用于故障分析领域。这两种先进的大数据技术模型不仅大幅提升了故障预测的精度，还为故障分析提供了更为全面深入的分析视角。实验结果

利益冲突声明

作者们没有需要披露的相关财务或非财务利益关系。

资金支持

本研究得到了内蒙古自治区教育厅基金的资助（项目编号：NJZY22523）。

数据可用性声明

如有必要，相关数据将会提供。

CRediT作者贡献说明

李张：撰写——审稿与编辑，撰写——初稿，验证，监督，项目管理，方法设计，研究实施，资金获取，正式分析，概念构思。王晓宇：撰写——审稿与编辑，撰写——初稿，可视化，软件使用，资源协调，正式分析，数据整理。