云资源的智能监控方法、系统、服务器以及存储介质技术方案

本发明专利技术实施例涉及云计算领域，公开了一种云资源的智能监控方法、系统、服务器、以及存储介质。所述方法包括：检测云资源的至少一项性能指标；对所述性能指标进行量化处理；根据量化处理后的所述性能指标，以及所述性能指标的加权值，计算云资源的当前健康度值；将量化处理后的所述性能指标，输入预先训练好的分类器模型，以获取当前业务对所述云资源敏感度的类别；将所述当前健康度值和所述当前业务类别输入预先训练好的打分器模型，以判断所述当前健康度值是否大于所述当前业务类别所对应的报警阈值；如果大于，则产生报警信息，并上报。本发明专利技术中，可以有效的提高监控数据的自动化程度。

【技术实现步骤摘要】
云资源的智能监控方法、系统、服务器以及存储介质
本专利技术实施例涉及云计算领域，特别涉及云资源的智能监控方法、系统、服务器、以及存储介质。
技术介绍
随着信息技术的发展，云计算逐渐成为业界的发展热点，国内外各大厂商的云计算服务平台也纷纷投入到电子商务、教育、科学、物联网等多个领域进行使用。然而，由于云计算缺乏统一的设计标准，不同厂家开发的虚拟化产品大相径庭，很难统一管理、监控起来。在云服务平台中，高效的资源监控不仅是必须的，而且还会对企业的整个经营活动产生巨大影响。云资源监控是提高云资源利用率的基石，对于容量和资源管理、性能管理等也具有重要的意义。目前，对云资源进行监控的方式包括：对云主机、云硬盘、云存储等云资源进行监控、另一种是对云业务进行监控。专利技术人发现，相关技术中至少存在如下问题：监控策略比较传统、简单，仅仅实现采集的数据与设置的告警阈值进行比较，这样非常简单的方式实现监控，很难达到智能的监控目的。
技术实现思路
本专利技术实施方式的目的在于提供一种云资源的智能监控方法、系统、服务器、以及存储介质，可以有效的提高监控数据的智能化程度。为解决上述技术问题，本专利技术的实施方式提供了一种云资源的智能监控方法，包括：检测云资源的至少一项性能指标；对所述性能指标进行量化处理；根据量化处理后的所述性能指标，以及所述性能指标的加权值，计算云资源的当前健康度值；将量化处理后的所述性能指标，输入预先训练好的分类器模型，以获取当前业务对所述云资源敏感度的类别；将所述当前健康度值和所述当前业务类别输入预先训练好的打分器模型，以判断所述当前健康度值是否大于所述当前业务类别所对应的报警阈值；如果大于，则产生报警信息，并上报。另外，本专利技术还提供一种云资源的智能监控系统，包括：云资源检测模块，用于检测云资源的至少一项性能指标；健康度管理模块，用于对所述性能指标进行量化处理；根据量化处理后的所述性能指标，以及所述性能指标的加权值，计算云资源的当前健康度值；智能监控模块，用于将量化处理后的所述性能指标，输入预先训练好的分类器模型，以获取当前业务对所述云资源敏感度的类别；将所述当前健康度值和所述当前业务类别输入预先训练好的打分器模型，以判断所述当前健康度值是否大于所述当前业务类别所对应的报警阈值；告警上报中心，用于如果所述当前健康度值大于所述当前业务类别所对应的报警阈值时，则产生报警，并上报。另外，本专利技术还提供一种服务器，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的方法。另外，本专利技术还提供一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述的方法。上述方案中，检测云资源的至少一项性能指标；对所述性能指标进行量化处理；根据量化处理后的所述性能指标，以及所述性能指标的加权值，计算云资源的当前健康度值；将量化处理后的所述性能指标，输入预先训练好的分类器模型，以获取当前业务对所述云资源敏感度的类别；将所述当前健康度值和所述当前业务类别输入预先训练好的打分器模型，以判断所述当前健康度值是否大于所述当前业务类别所对应的报警阈值；如果大于，则产生报警信息，并上报。考虑了整个云计算环境下各项资源的健康度，并对使用云资源的业务运行状态进行动态评估、预测，及时上报告警信息，从而可以提高可以有效的提高监控数据的智能化程度。所述打分器模型根据以下方式进行训练：将制作的分类器数据集和打分器数据集分别分为训练集和验证集；并使用分类器训练集对分类器模型进行训练；使用分类器验证集对训练后的分类器模型进行验证；如果分类器模型的预选结果正确率大于设置的训练阈值，则分类器模型训练完成，否则继续训练；最终得到训练完成的分类器模型。上述方案中，基于深度学习算法的智能云资源告警策略，提高了智能监控的准确性。所述对所述性能指标进行量化处理；根据量化处理后的所述性能指标，以及所述性能指标的加权值，计算云资源的当前健康度值的步骤具体为：其中，Ucpu表示CPU利用率；Umem表示内存利用率；Udisk表示磁盘I/O利用率；α表示CPU利用率的重要程度，β表示内存利用率的重要程度，λ表示磁盘I/O利用率的重要程度；R表示当前健康度值。上述方案中，根据对业务的影响程度，将云资源各项指标进行加权，构建云资源健康度模型，可以基于业务需求灵活配置监控策略。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。附图说明一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。图1为本专利技术实施例所述的云资源的智能监控方法的流程示意图；图2为本专利技术实施例所述的云资源的智能监控系统的结构示意图；图3本专利技术应用场景所述的云资源智能监控的整体结构示意图。图4为本专利技术应用场景所述的云资源的智能监控方法的流程示意图；图5为本专利技术所述的服务器的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本专利技术各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本专利技术的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。如图1所示，为本专利技术实施例所述的一种云资源的智能监控方法，包括：步骤11，检测云资源的至少一项性能指标；步骤12，对所述性能指标进行量化处理；根据量化处理后的所述性能指标，以及所述性能指标的加权值，计算云资源的当前健康度值；步骤13，将量化处理后的所述性能指标，输入预先训练好的分类器模型，以获取当前业务对所述云资源敏感度的类别；将所述当前健康度值和所述当前业务类别输入预先训练好的打分器模型，以判断所述当前健康度值是否大于所述当前业务类别所对应的报警阈值；步骤14，如果大于，则产生报警信息，并上报。如果小于，则不进行报警处理。上述方案中，考虑了整个云计算环境下各项资源的健康度，并对使用云资源的业务运行状态进行动态评估、预测，及时上报告警信息，从而可以提高可以有效的提高监控数据的智能化程度。另外，本专利技术能够自动预警，并将对应的告警信息发送给相应的运维人员，可以提高运维人员的工作效率，降低业务出问题的本文档来自技高网...

【技术保护点】
1.一种云资源的智能监控方法，其特征在于，包括：/n检测云资源的至少一项性能指标；/n对所述性能指标进行量化处理；根据量化处理后的所述性能指标，以及所述性能指标的加权值，计算云资源的当前健康度值；/n将量化处理后的所述性能指标，输入预先训练好的分类器模型，以获取当前业务对所述云资源敏感度的类别；将所述当前健康度值和所述当前业务类别输入预先训练好的打分器模型，以判断所述当前健康度值是否大于所述当前业务类别所对应的报警阈值；/n如果大于，则产生报警信息，并上报。/n

【技术特征摘要】
1.一种云资源的智能监控方法，其特征在于，包括：
检测云资源的至少一项性能指标；
对所述性能指标进行量化处理；根据量化处理后的所述性能指标，以及所述性能指标的加权值，计算云资源的当前健康度值；
将量化处理后的所述性能指标，输入预先训练好的分类器模型，以获取当前业务对所述云资源敏感度的类别；将所述当前健康度值和所述当前业务类别输入预先训练好的打分器模型，以判断所述当前健康度值是否大于所述当前业务类别所对应的报警阈值；
如果大于，则产生报警信息，并上报。


2.根据权利要求1所述的方法，其特征在于，还包括：
记录产生报警信息时的至少一项性能指标，以作为所述分类器模型和所述分类器模型的数据集，供其进行训练学习。


3.根据权利要求1所述的方法，其特征在于，所述对所述性能指标进行量化处理；根据量化处理后的所述性能指标，以及所述性能指标的加权值，计算云资源的当前健康度值的步骤具体为：



其中，Ucpu表示CPU利用率；Umem表示内存利用率；Udisk表示磁盘I/O利用率；α表示CPU利用率的重要程度，β表示内存利用率的重要程度，λ表示磁盘I/O利用率的重要程度；R表示当前健康度值。


4.根据权利要求1所述的方法，其特征在于，所述打分器模型根据以下方式进行训练：
将制作的分类器数据集和打分器数据集分别分为训练集和验证集；并使用分类器训练集对分类器模型进行训练；
使用分类器验证集对训练后的分类器模型进行验证；
如果分类器模型的预选结果正确率大于设置的训练阈值，则分类器模型训练完成，否则继续训练；
最终得到训练完成的分类器模型。


5.根据权利要求4所述的方法，其特征在于，所述打分器模型训练的具体方式为：
以朴素贝叶斯模型作为分类器模型进行描述，分类模型样本是：

即有m个样本，每个样本有n个特征，特征输出有k个类别标签，定义为C1,C2,...,CK；
朴素贝叶斯的先验分布P(Y＝Ck)(k＝1,2,...,K)，条件概率分布P(X1＝x1,X2＝x2,...,Xn＝xn|Y＝Ck)，用贝叶斯公式得到P(X,Y)：P(X,Y＝Ck)＝P(Y＝Ck)P(X1＝x1,X2＝x2,...Xn＝xn)

即标签Ck在训练集中出现的频数；P(X1＝x1,X2＝x2,...,Xn＝xn|Y＝Ck)＝P(X1＝x1|Y＝Ck)P(X2＝x2|Y＝Ck)...P(Xn＝xn|Y＝Ck)；
给定测试集一个新样本特征贝叶斯模型的目标是后验概率最大化来判断分类；计算出所有的K个条件概率P(Y＝Ck|X＝X(test))；然后找出最大的条件概率对应的类别；预测的类别Cresult是使；P(Y＝Ck|X＝X(test))最大的类别：Cresult＝argmaxP(Y＝Ck|X＝X(test))........＝argmaxP(X＝X(test)|Y＝Ck)P(Y＝Ck)/P(X＝X(test))
朴素贝叶斯推断公式为：
其中，云主机CPU利用率、内存利用率、磁盘利用率为该模型中的特征x，CK表示预测的输...

【专利技术属性】
技术研发人员：位明扬，张杰，姜磊，李磊，余佳杏，
申请(专利权)人：中移杭州信息技术有限公司，中国移动通信集团有限公司，
类型：发明
国别省市：浙江;33