一种基于BCC-KNN的云计算中心智能运维方法及系统技术方案

本发明专利技术公开了一种基于BCC‑KNN的云计算中心智能运维方法及系统，方法包括：检测所有服务的运行状态是否发生异常，并对发生异常的服务采集其运行状态数据；对采集得到的运行状态数据进行处理并将其利用BCC‑KNN算法进行分类处理；根据分类后得到的异常类别从方案库调用相应的解决方案并执行。系统包括：异常状态采集模块、异常检测模块和异常处理模块。本发明专利技术通过对异常情况依次进行检测、判定和自动化解决执行的过程，能对云服务发生的异常情况进行智能自主处理，有效减少人为的介入，提高异常处理的速度，实现提高服务的可用性和减少工作人员的工作量的目的，大大减少运营成本。本发明专利技术作为一种基于BCC‑KNN的云计算中心智能运维方法及系统可广泛应用于云服务中。

【技术实现步骤摘要】

本专利技术涉及计算机
，尤其涉及一种基于BCC-KNN的云计算中心智能运维方法及系统。
技术介绍
NIST定义云计算是一个模型，用于随时随地的按需快速的通过网络访问一个可配置的计算资源(网络、服务器、存储、应用程序和服务)共享池。计算资源只需要很小的管理代价和与服务提供商较少的交互便能够快速的获取和释放。云计算模型由5个基本特征、3种服务模型、4种部署模型组成。基本特征有按需自服务、资源池化、广泛的网络连接方式、快速的弹性扩展、可计量的服务。按需自服务是指用户可以自主地根据需要单向地准备计算资源，不需要与服务提供商进行交互。资源池化是指服务提供者将计算资源汇集到资源池中(类型包括存储、处理、内存、带宽、和虚拟机等)，通过多租户模式共享给多个消费者，根据消费者的需求对不同的物理资源和虚拟资源进行动态分配或重分配。以用户为中心的界面使云基础架构能够实现应用对用户的透明性，用户基于自已的需求访问服务而不用考虑服务是在哪里提供。广泛的网络连接方式是指通过标准化，云计算提供的资源能够被各种异构的瘦终端或特定的客户端，比如手机、平板电脑、工作站所访问。快速的弹性扩展是云计算的一个很重要的特征，因为资源池化和快速弹性，用户能够获取的资源似乎是无穷无尽的，并且可以在任何时候获取任何数量的资源。弹性的重要性在于能够按需分配资源，应用程序驻留在可以快速进行水平扩展的数据中心中，即云服务的规模可快速伸缩，以自动适应业务负载的动态变化。用户使用的资源同业务的需求相一致，避免了因为服务器性能过载或冗余而导致的服务质量下降或资源浪费。值得注意的是，资源的扩展必须是细粒度并且足够快速才能使计算资源跟计算负载很好的匹配。因为服务器的峰值工作量比平均值要高3-10倍，所以传统的数据中心的服务器利用率大概仅在10％到30％左右。为了保证服务质量，服务器要按峰值工作量需求来部署，这就必然导致了非峰值时间资源的浪费，而且负载的波动性越强浪费的资源就越多。可计量的服务是指云系统利用一种计量功能来自动调控和优化资源利用，根据不同的服务类型按照合适的度量指标进行计量、监控和报告资源使用情况，提升服务提供者和服务消费者的透明度。然而，现在云计算中心的规模过大，传统环境中的低频异常在云计算中心就会因规模化而变成高频异常，并且许多的异常会重复出现。因此，若是不能利用有效的方式而是要人为负责大量异常的处理，这就会导致了较高的同种异常人工重复处理成本，即异常发生并处理后，当再次出现时人工还要重复处理过程。另外，云应用本身在运行过程中会产生相关的状态数据，这些数据会指导运维人员对异常进行判定，但大量的云应用产生的海量的运行状态数据会导致运维人员要花费大量的时间和精力去分析这些数据来定位异常并判定其类型，延长了异常的修复时间。最后，由于传统环境下的维护管理的手段、系统、模型的设计都不是面向云计算中心的，所以许多的维护任务不能用简单的步骤一次完成，这就迫使云管理者要投入大量人力资源，导致较高的运营费用。
技术实现思路
为了解决上述技术问题，本专利技术的目的是提供一种能快速处理异常情况，且能降低运营成本的一种基于BCC-KNN的云计算中心智能运维方法及系统。本专利技术所采用的技术方案是：一种基于BCC-KNN的云计算中心智能运维方法，包括以下步骤：A、检测所有服务的运行状态是否发生异常，并对发生异常的服务采集其运行状态数据；B、对采集得到的运行状态数据进行处理并将其利用BCC-KNN算法进行分类处理；C、根据分类后得到的异常类别从方案库调用相应的解决方案并执行。作为所述的一种基于BCC-KNN的云计算中心智能运维方法的进一步改进，所述步骤A包括：A1、对所有服务的运行状态数据进行循环检测，判断其是否发生异常，若是，则执行步骤A2；否则进行执行步骤A1；A2、对发生异常的服务进行运行状态数据的采集。作为所述的一种基于BCC-KNN的云计算中心智能运维方法的进一步改进，所述步骤B包括：B1、对采集得到的运行状态数据进行筛选处理；B2、将处理后的运行状态数据转换成符合BCC-KNN算法的数据格式；B3、对转换格式后的运行状态数据利用BCC-KNN算法进行实时分类处理，得出服务对应的异常类别。作为所述的一种基于BCC-KNN的云计算中心智能运维方法的进一步改进，所述步骤B3包括：B31、将存储的实例集按照异常类别进行划分聚簇；B32、计算各聚簇内所有实例的数据的均值，得到异常聚簇中心；B33、对未分类的运行状态数据与各异常聚簇中心进行相似度计算，将其归类至与其相似度最高的异常聚簇中心所在的聚簇，并将该聚簇的异常类别作为其对应的异常类别，从而得到该服务对应的异常类别。作为所述的一种基于BCC-KNN的云计算中心智能运维方法的进一步改进，所述步骤C包括：C1、根据分类后得到的异常类别从方案库调用相应的解决方案；C2、根据需要调用的解决方案，生成其自动化执行脚本，并执行。作为所述的一种基于BCC-KNN的云计算中心智能运维方法的进一步改进，所述步骤C2后还包括：C3、检测脚本执行后该异常是否处理成功，若不成功，则发送警报通知工作人员进行人为处理；C4、根据分类后聚簇的运行状态数据，对聚簇的异常聚簇中心进行更新。本专利技术所采用的另一技术方案是：一种基于BCC-KNN的云计算中心智能运维系统，包括：异常状态采集模块，用于检测所有服务的运行状态是否发生异常，并对发生异常的服务采集其运行状态数据；异常检测模块，用于对采集得到的运行状态数据进行处理并将其利用BCC-KNN算法进行分类处理；异常处理模块，用于根据分类后得到的异常类别从方案库调用相应的解决方案并执行。作为所述的一种基于BCC-KNN的云计算中心智能运维系统的进一步改进，所述异常状态采集模块包括：运行状态检测模块，用于对所有服务的运行状态数据进行循环检测，判断其是否发生异常，若是，则执行数据采集模块；否则进行执行运行状态检测模块；数据采集模块，用于对发生异常的服务进行运行状态数据的采集。作为所述的一种基于BCC-KNN的云计算中心智能运维系统的进一步改进，所述异常检测模块包括：数据处理模块，用于对采集得到的运行状态数据进行筛选处理；数据转换模块，用于将处理后的运行状态数据转换成符合BCC-KNN算法的数据格式；数据分类模块，用于对转换格式后的运行状态数据利用BCC-KNN算法进行实时分类处理，得出服务对应的异常类别。作为所述的一种基于BCC-KNN的云计算中心智能运维系统的进一步改进，所述异常处理模块包括：处理方案生成模块，用于根据分类后得到的异常类别从方案库调用相应的解决方案；自动化执行模块，用于根据需要调用的解决方案，生成其自动化执行脚本，并执行。本专利技术的有益效果是：本专利技术一种基于BCC-KNN的云计算中心智能运维方法通过对异常情况依次进行检测、判定和自动化解决执行的过程，能对云服务发生的异常情况进行智能自主处理，有效减少人为的介入，提高异常处理的速度，实现提高服务的可用性和减少工作人员的工作量的目的，大大减少运营成本。本专利技术的另一个有益效果是：本专利技术一种基于BCC-KNN的云计算中心智能运维系统通过异常状态采集模块、异常检测模块和异常处理模块对异常情况依次进行检测、判定和自动化解决执行的过程，能对云服务发生的异常情况本文档来自技高网...

【技术保护点】
一种基于BCC‑KNN的云计算中心智能运维方法，其特征在于：包括以下步骤：A、检测所有服务的运行状态是否发生异常，并对发生异常的服务采集其运行状态数据；B、对采集得到的运行状态数据进行处理并将其利用BCC‑KNN算法进行分类处理；C、根据分类后得到的异常类别从方案库调用相应的解决方案并执行。

【技术特征摘要】
2016.01.21 CN 20161004086261.一种基于BCC-KNN的云计算中心智能运维方法，其特征在于：包括以下步骤：A、检测所有服务的运行状态是否发生异常，并对发生异常的服务采集其运行状态数据；B、对采集得到的运行状态数据进行处理并将其利用BCC-KNN算法进行分类处理；C、根据分类后得到的异常类别从方案库调用相应的解决方案并执行。2.根据权利要求1所述的一种基于BCC-KNN的云计算中心智能运维方法，其特征在于：所述步骤A包括：A1、对所有服务的运行状态数据进行循环检测，判断其是否发生异常，若是，则执行步骤A2；否则进行执行步骤A1；A2、对发生异常的服务进行运行状态数据的采集。3.根据权利要求1所述的一种基于BCC-KNN的云计算中心智能运维方法，其特征在于：所述步骤B包括：B1、对采集得到的运行状态数据进行筛选处理；B2、将处理后的运行状态数据转换成符合BCC-KNN算法的数据格式；B3、对转换格式后的运行状态数据利用BCC-KNN算法进行实时分类处理，得出服务对应的异常类别。4.根据权利要求3所述的一种基于BCC-KNN的云计算中心智能运维方法，其特征在于：所述步骤B3包括：B31、将存储的实例集按照异常类别进行划分聚簇；B32、计算各聚簇内所有实例的数据的均值，得到异常聚簇中心；B33、对未分类的运行状态数据与各异常聚簇中心进行相似度计算，将其归类至与其相似度最高的异常聚簇中心所在的聚簇，并将该聚簇的异常类别作为其对应的异常类别，从而得到该服务对应的异常类别。5.根据权利要求1所述的一种基于BCC-KNN的云计算中心智能运维方法，其特征在于：所述步骤C包括：C1、根据分类后得到的异常类别从方案库调用相应的解决方案；C2、根据需要调用的解...

【专利技术属性】
技术研发人员：赵淦森，刘福蛟，林成创，王欣明，唐华，聂瑞华，汤庸，肖菁，任雪琦，陈统，许正强，臧毅，
申请(专利权)人：华南师范大学，广东轩辕网络科技股份有限公司，
类型：发明
国别省市：广东;44