应用主机中异常节点的识别方法、监测设备和电子设备技术

本公开提供了一种应用主机中异常节点的识别方法、监测设备、电子设备和计算机存储介质，涉及计算机技术领域。该方法包括：根据应用主机的多个指标数据通过聚类算法将各个应用主机聚成两类；通过iForest算法计算每个应用主机的异常得分；通过集成学习算法从多个指标中选出N个指标；对选出的N个指标通过PCA降维算法提取M个主成分；根据各个应用主机的M维指标数据通过基于密度的聚类算法对各个应用主机进行聚类，从而获得各个应用主机中的异常节点。该方法能够实现自动监测，减少了数据中噪音的干扰，提高了识别效率和准确率。

Identification method, monitoring equipment and electronic equipment of abnormal nodes in application host

【技术实现步骤摘要】
应用主机中异常节点的识别方法、监测设备和电子设备
本公开涉及计算机
，尤其涉及一种应用主机中异常节点的识别方法、监测设备、电子设备和计算机存储介质。
技术介绍
基于人为经验按规则逐一排查主机的各个性能监控指标，找出可能异常的应用主机，确定异常主机范围再排查各个指标的差异性，最终找到异常主机。需要人为排查应用下每个机器的各个指标是否有差异，监控指标众多难以比较，低效而且不易于找到真正的异常节点。需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
本公开的目的在于提供一种应用主机中异常节点的识别方法、监测设备、电子设备和计算机存储介质，至少在一定程度上克服由于相关技术的限中低效且不易找到异常节点的问题。本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。根据本公开的一个方面，提供一种1.一种应用主机中异常节点的识别方法，包括：获取各个应用主机的多个指标数据；根据所述多个指标数据通本文档来自技高网...

【技术保护点】
1.一种应用主机中异常节点的识别方法，其特征在于，包括：/n获取各个应用主机的多个指标数据；/n根据所述多个指标数据通过聚类算法将各个应用主机聚成两类；/n通过孤立森林iForest算法计算每个应用主机的异常得分；/n通过集成学习算法从所述多个指标中选出N个指标；/n对选出的所述N个指标通过主成分分析PCA降维算法提取M个主成分，从而将各个应用主机的所述多个指标数据降为M维指标数据；/n根据各个应用主机的M维指标数据通过基于密度的聚类算法对各个应用主机进行聚类，从而获得各个应用主机中的异常节点；/n其中，N，M都为自然数，M<N。/n

【技术特征摘要】
1.一种应用主机中异常节点的识别方法，其特征在于，包括：
获取各个应用主机的多个指标数据；
根据所述多个指标数据通过聚类算法将各个应用主机聚成两类；
通过孤立森林iForest算法计算每个应用主机的异常得分；
通过集成学习算法从所述多个指标中选出N个指标；
对选出的所述N个指标通过主成分分析PCA降维算法提取M个主成分，从而将各个应用主机的所述多个指标数据降为M维指标数据；
根据各个应用主机的M维指标数据通过基于密度的聚类算法对各个应用主机进行聚类，从而获得各个应用主机中的异常节点；
其中，N，M都为自然数，M<N。


2.根据权利要求1所述的应用主机中异常节点的识别方法，其特征在于，M等于2；
在根据各个应用主机的M维指标数据通过基于密度的聚类算法对各个应用主机进行聚类后，所述方法还包括：
将聚类结果映射在二维散点图中，其中横坐标为第一主成分，纵坐标是第二主成分。


3.根据权利要求1或2所述的应用主机中异常节点的识别方法，其特征在于，所述根据所述多个指标数据通过聚类算法将各个应用主机聚成两类包括：
根据所述多个指标数据通过K均值聚类算法将各个应用主机聚成两类。


4.根据权利要求3所述的应用主机中异常节点的识别方法，其特征在于，所述集成学习算法包括随机森林RF算法、引导聚集算法Bagging、梯度提升树GBDT、或极度梯度提升XGBoost算法。


5.根据权利要求1或2所述的应用主机中异常节点的识别方法，其特征在于，N等于5，和/或所述基于密度的聚类算法为DBSCAN算法。


6.根据权利要求1所述的应用主机中异常节点的识别方法，其特征在于，...

【专利技术属性】
技术研发人员：陈楚濠，张静，
申请(专利权)人：京东数字科技控股有限公司，
类型：发明
国别省市：北京;11