现代医学中的其他诊断方法

此外，一些研究者也从其他角度出发提出了他们的故障诊断方法。例如，将基于模型的诊断方法与基于历史数据的诊断方法相结合，进而解决单个方法无法解决的问题。

例如，Kopp等[77]分析了Web服务七层结构中不同层之间的相互作用，将故障分为通信层故障、传输层故障、消息层故障、服务质量层故障和组件层故障。依据对不同层的故障分析，详述了在Apache ODE、Apache Sandesha和Apache Axis环境下的故障处理策略。

Lakshmi和Mohanty[132]评述了在Web服务故障管理方面应用自动机构建验证、监控和诊断方面模型的工作，并指出这些模型的局限性。为了解决目前已有模型对系统的不确定性、人类行为和系统故障的不可预测性，使用随机自动机构建Web服务模型，通过给每个不确定性状态转换赋予一个描述该转换发生可能性的概率值，比较观察路径与预测路径来判定是否发生故障。该模型的优点在于对任何故障都可做出快速的诊断，缺点是不能解释故障发生的原因，而且其诊断的准确性没有得到验证。

Zhu等[128]提出一个根据因果关系构建故障路径的诊断方法。首先构建一个故障传播流，在进程抛出异常后，根据进程执行记录从异常点出发构建故障的传播路径，然后利用给出的每个服务的输入、输出规约判断路径上每个节点（即服务或行为）是否是故障原因。Zhu等还给出了一个测试框架用于测试该方法的诊断能力。该方法的优点在于可诊断多故障问题，且根据策略文件可给出故障引发的根本原因。缺点：该方法根据进程执行记录构造故障路径，在记录的行为粒度松散的情况下，无法找到故障的具体行为点，诊断的正确性也会降低；根据策略文件推断故障，在策略文件不完备的情况下，诊断的正确性无法得到保证。(www.xing528.com)

Lamperti和Zanella[133]提出基于离散事件系统（Discrete Event System，DES）模型的诊断框架EDEN，该框架主要由3部分组成，即SMILE编译器、模型基和诊断工程。首先，SMILE将重构后的领域、系统和问题描述文件进行语义和句法处理，编译后的3类数据被分别存储在模型基中；然后，当异常发生时，诊断系统从模型基中检索所有需要的信息，重构所有能解释观察的系统演化过程，通过分析产生候选诊断；最后，将候选诊断展示给使用者并将故障规约信息存储在模型基中。该方法的优点在于可以做出快速的诊断并可同时诊断多个故障；缺点在于故障描述都是事先定义并存储于数据库中的，因此诊断的前期工作量相当的大，一旦有不符合现有描述的新故障发生，诊断工程会检索所有相关信息，既耗时又很难做出正确的诊断。2011年，他们又提出一个针对离散事件系统的上下文相关的诊断方法[134]。该方法将待诊断系统转化为有限自动机，依据定理（给出的系统故障模式描述及包含系统行为最终状态的故障集的并集是诊断解）对系统进行诊断，找到故障原因。该方法的优点在于可对结构复杂的系统进行较深入的故障诊断并能给出故障原因；缺点是要对系统进行全面的建模，而且还要提前给出所有子系统的故障模式，这样无法保证服务的私有性，很难对出现的新故障进行诊断。

Kemper等[135]指出系统进程均包含很多循环路径，这些循环路径一般都是正常的运行路径，当消除掉这些循环路径后，可根据初始路径长度与消减后路径长度的关系图识别出不规则行为，以及不规则行为发生的位置，通过分析不规则行为发生的原因来发现故障，认知故障类型，识别哪个事件对于达到一个特定状态是有用的。Kemper还给出了一个消减循环、认知故障根源的可视化工具Traviando。这个方法的好处在于直观，易于实时掌握故障的发生；缺点是无法解释故障发生的原因，而且该方法主要依赖进程历史数据，若数据不完整或粒度过大则很难发现故障。

Duan等[136]提出了一个全系统相似性查询框架，包括系统建模、相似性计算、基于图的索引和查询的表示及执行这4个步骤。应用该框架可根据系统的历史数据分析推断系统发生故障的根本原因，能够对重复性故障做出快速的诊断。虽然该算法能够快速诊断出重复性故障，但是对于未知故障则需要操作人员的介入才能完成诊断。