Page 27 - 《软件学报》2021年第5期

殷康璘 等:基于混沌工程的微服务韧性风险识别和分析 1251

• 混沌实验数据集中性能指标的数量以及数据条数是否会对韧性风险分析方法产生影响?
为了分析混沌实验数据集中性能指标的数量及数据条数对韧性风险分析方法的影响,实验中分别统计了
在较少性能指标(20 个)情况下和以 50 个性能指标为增量,在 50/100/150 个性能指标情况下的系统资源消耗,并
分别以 25/50/250 的梯度递增地统计了不同数据条数下韧性风险分析方法的系统资源消耗.表 12 为不同性能指
标和数据条数下韧性风险分析方法对系统上的资源消耗,从表 12 中可以看出:本文提出的韧性风险分析方法能
够在较短的时间内分析出混沌实验数据集中的因果关系链,且消耗较少的 CPU 和内存资源.相对于数据条数,
混沌实验数据集中的性能指标数量对分析所花费时间有着更明显的影响.如何在保证算法准确度的同时降低
计算时间,将是本文的后续研究目标之一.

Table 12 System resource consumption of the resilience risk analysis method under different data length
表 12 不同数据量下韧性风险分析方法的系统资源消耗

性能指标数量 20 50 100 150
资源消耗
数据条数 Time CPU MEM Time CPU MEM Time CPU MEM Time CPU MEM
(s) (%) (MB) (s) (%) (MB) (s) (%) (MB) (s) (%) (MB)
25 4.36 7.92 17.92 10.46 7.94 34.19 15.18 7.39 33.86 34.01 9.56 37.12
50 4.38 7.72 18.71 12.55 8.89 36.65 25.41 7.36 35.77 35.52 8.41 36.00
100 4.50 7.49 18.93 17.42 7.42 35.47 32.61 7.49 37.68 44.05 7.26 38.47
150 4.36 8.99 19.17 16.71 7.53 39.45 31.07 8.72 38.51 46.52 7.23 41.46
200 4.49 7.02 19.06 17.79 7.45 38.09 32.71 7.92 40.56 46.85 8.48 42.99
250 4.38 7.67 19.66 18.81 8.09 37.90 35.74 8.95 39.73 50.42 8.12 45.59
500 4.5 7.44 19.68 20.11 8.92 39.90 35.69 8.48 41.43 53.31 8.02 46.06
750 4.40 7.99 20.12 20.43 8.01 39.84 37.88 8.43 44.33 55.03 7.98 46.09
1 000 4.40 7.13 21.96 20.53 8.37 40.94 40.95 7.21 43.40 55.19 8.58 45.02
1 500 4.43 7.23 21.89 21.05 8.16 44.23 43.39 8.78 44.99 77.79 7.34 46.29
2 000 4.45 7.37 22.07 27.19 8.85 42.27 46.09 8.45 46.83 67.01 8.47 45.07
图 17 为不同数据条数下,韧性风险影响链路的 Precision 和 Recall 值(k=1).当混沌实验数据集的数据量较
小时,由于在因果关系图的构建过程中识别到的因果关系边数量变少,导致了链路的准确度降低;而当数据集的
数据条数达到一定数量(本案例中为 200 条数据)后,链路的准确度能保持在 80%以上并处于一个相对稳定的状
态.由此可见,本文提出的韧性风险分析方法仅需相对较少的数据条数即可保证算法的准确度.

Fig.17 Influence of data length on resilience risk analysis accuracy
图 17 数据条数对韧性风险分析方法准确度的影响
5.2 总 结
本文着手于解决微服务架构系统中韧性风险的度量、识别以及分析问题.基于 MRMM 模型,并结合混沌工
程的实践方法,本文提出了针对微服务架构系统的韧性风险识别方法,以识别出严重影响系统服务性能的韧性
风险,大幅地减少了韧性风险识别过程中的人力与时间成本.对识别出的韧性风险,本文提出了基于因果搜索算