一种基于机器学习的服务器运行健康度预测方法及系统技术方案

本发明专利技术公开了一种基于机器学习的服务器运行健康度预测方法及系统，该预测方法包括如下步骤：根据构建的基于支持向量机的服务器状态预测模型和故障报警信息，对服务器排查故障，并提供基于机器学习的服务器运行健康度预测系统，实现服务器健康状态的预测，从而实现服务器的故障预警，为运维人员提供决策辅助，预留问题应对时间，实现对数据中心服务器的“主动式”运维。提升信息系统稳定性，保障业务系统运行连续稳定，延长服务器使用寿命。

【技术实现步骤摘要】
一种基于机器学习的服务器运行健康度预测方法及系统
本专利技术涉及一种服务器运行健康度预测方法及系统，尤其涉及一种基于机器学习的服务器运行健康度预测方法及系统。
技术介绍
随着公司信息化水平的不断提高，业务数据逐渐积累，计算资源需求不断增长，数据中心已成为电力业务的重要支撑。作为数据中心的核心计算设备，服务器的负载与数量也在日益增长。服务器的正常运行是业务系统正常运行的根本保证，因此对服务器的运维工作尤为重要。目前对于服务器的健康状态监控是应用I6000系统对运行参数及当前状态的监控。这种运维方式是实时监控，是一种“被动式”运维，即运维人员在服务器出现问题后，通过监控系统的报警才能得知服务器告警或故障状态，继而才能进行维护动作，而此时对业务系统的运行和服务器自身均已造成相当程度的损失。
技术实现思路
专利技术目的：本专利技术的目的为提供一种实现服务器健康状态的预测、为运维人员提供决策辅助的基于机器学习的服务器运行健康度预测方法，本专利技术的第二目的为提供基于机器学习的服务器运行健康度预测系统。>技术方案：本专利技本文档来自技高网...

【技术保护点】
1.一种基于机器学习的服务器运行健康度预测方法，其特征在于，包括如下步骤：/n根据构建的基于支持向量机的服务器状态预测模型和故障报警信息，对服务器排查故障。/n

【技术特征摘要】
1.一种基于机器学习的服务器运行健康度预测方法，其特征在于，包括如下步骤：
根据构建的基于支持向量机的服务器状态预测模型和故障报警信息，对服务器排查故障。


2.根据权利要求1所述基于机器学习的服务器运行健康度预测方法，其特征在于：所述基于支持向量机的服务器状态预测模型的构建包括如下步骤：
(1)对采集的运维数据基于灰色关联分析的选取特征量；
(2)根据选取的特征量构建基于BP神经网络的状态模型；
(3)根据状态模型构建基于支持向量机的服务器状态预测模型。


3.根据权利要求2所述基于机器学习的服务器运行健康度预测方法，其特征在于：步骤(1)中，在选取特征量前先对采集的运维数据中非零字段数据存在负值的信息进行剔除，并按照设定规则进行字段编码处理。


4.根据权利要求2所述基于机器学习的服务器运行健康度预测方法，其特征在于，步骤(1)中，所述特征量为关联度系数和关联度，所述关联度系数和关联度的选取包括如下步骤：
(a)对数据清洗后的运维数据进行参数的无量纲化；
(b)基于灰色关联分析计算关联度系数和关联度。


5.根据权利要求4所述基于机器学习的服务器运行健康度预测方法，其特征在于，步骤(b)中，令X0＝{x0(1),x0(2),...,x0(n)}为数据序列，Xi＝{xi(1),xi(2),...,xi(n)}为比较序列，两序列之间的关联度系数的计算公式
如下：



式中，|x0(k)-xi(k)|为第k点x0(k)与xi(k)的绝对差；

为两级最小绝对差；

为两级最大绝对差；
ρ为分辨率系数，0<ρ<1。


6.根据权利要求4所述基于机器学习的服务器运行健康度预测方法，其特征在于，步骤(b)中，令X0＝{x0(1),x0(2),...,x0(n)}为数据序列，Xi＝{xi(1),xi(2),...,xi(n)}为比较序列，Xi序列与X0序列的关联度


7.根据权利要求2所述基于机器学习的服务器运行健康度预测方法，其特征在于，步骤(2)中，所述状态模型的构建包括如下步骤：
(a)给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值和最大学习次数M；
(b)随机选取第k个特征量的输入样本x0(k)＝(x1(k),x2(k),…,xq(k))及对应期望输出y(k)＝(y1(...

【专利技术属性】
技术研发人员：陈宇航，杨明杰，王琼，闫润珍，巫乾军，王小龙，董清泉，俞俊，
申请(专利权)人：国网甘肃省电力公司信息通信公司，国电南瑞科技股份有限公司，
类型：发明
国别省市：甘肃;62