基于时序数据趋势预测的运维方法、装置及设备制造方法及图纸

本申请公开了一种基于时序数据趋势预测的运维方法，对于由服务器在不同时刻的性能数据组成的时序数据，该方法在进行预测之前，先对时序数据进行周期性检测。然后根据时序数据是否具备周期性，采用不同的方式进行预测，因此即便在复杂的数据环境下该方法预测得到的结果仍具有较高的准确性，根据该预测结果执行相应的运维操作，有助于提升服务器性能。此外，本申请还提供了一种基于时序数据趋势预测的运维装置、设备及可读存储介质，其技术效果与上述方法的技术效果相对应。

【技术实现步骤摘要】
基于时序数据趋势预测的运维方法、装置及设备
本申请涉及计算机
，特别涉及一种基于时序数据趋势预测的运维方法、装置、设备及可读存储介质。
技术介绍
随着云计算领域的快速发展，对拥有物理机性能和云弹性的裸机建设正在云计算中悄然兴起。为了使云计算中的物理机与云主机的性能达到最佳，分析和预测性能数据对机器性能调优具有指导意义。目前，对服务器的性能数据的预测方式包含基于时间序列的方法与基于机器学习的方法。基于时间序列的方法，往往采用累积式自回归移动平均(ARIMA)、指数平滑(Holt-Winters)等模型，这些模型均为线性模型，对非线性数据的预测能力不足。基于机器学习的方法，主要包含支持向量机(SVM)、人工神经网络(ANN)等实现方式，这种方法主要针对小样本问题，如果面临大规模数据量时，容易陷入局部最优解。服务器中的性能数据的数据复杂度比较高，因此，一般的预测方案往往对一类数据的预测效果很好，但对另一类数据的预测效果很差。例如，由性能数据组成的时序数据往往具有周期性和趋势性，一些预测方案对周期性数据的预测效果比较好，但对趋势数据的预测效果较差，另一些预测方案则反之。可见，在服务器运维场景下，如何对同时具有周期性和趋势性的时序数据进行预测，从而根据预测结果对服务器进行调节，提升服务器性能，是亟待本领域技术人员解决的问题。
技术实现思路
本申请的目的是提供一种基于时序数据趋势预测的运维方法、装置、设备及可读存储介质，用以解决当前的运维方案对同时具备周期性和趋势性的时序数据的预测效果较差，导致运维效果较差的问题。其具体方案如下：第一方面，本申请提供了一种基于时序数据趋势预测的运维方法，包括：获取时序数据，其中所述时序数据包括服务器在不同时刻的性能数据；对所述时序数据进行平滑去噪处理；利用DTW对平滑去噪处理后的时序数据进行周期性检测；在所述时序数据具备周期性时，将所述时序数据分解为周期数据和趋势数据；对所述趋势数据或不具备周期性的时序数据进行小波分解，得到分量数据；利用ARMA模型对所述分量数据进行预测，得到趋势预测结果；在所述时序数据具备周期性时，根据所述周期数据的周期性和所述趋势预测结果确定所述时序数据的预测结果；在所述时序数据不具备周期性时，直接将所述趋势预测结果作为所述时序数据的预测结果；根据所述时序数据的预测结果，对所述服务器执行相应的运维操作。优选的，所述对所述时序数据进行平滑去噪处理，包括：采用最小二乘平滑滤波算法，对所述时序数据进行平滑去噪处理。优选的，所述对所述趋势数据或不具备周期性的时序数据进行小波分解，得到分量数据，包括：对所述趋势数据或不具备周期性的时序数据进行平稳性检验；若所述趋势数据或不具备周期性的时序数据不具备平稳性，则进行小波分解，得到分量数据；对所述分量数据进行平稳性检验，若所述分量数据也不具备平稳性，则重复进行小波分解，直至分解得到的分量数据具备平稳性。优选的，所述对所述趋势数据或不具备周期性的时序数据进行平稳性检验，包括：利用ADF算法对所述趋势数据或不具备周期性的时序数据进行平稳性检验。优选的，所述利用DTW对平滑去噪处理后的时序数据进行周期性检测，包括：对平滑去噪处理后的时序数据进行分段，得到子时序数据集合；利用DTW计算所述子时序序列中相邻两份子时序数据之间的距离值；若所述距离值超过预设阈值，则判定所述时序数据不具备周期性。优选的，所述利用DTW计算所述子时序序列中相邻两份子时序数据之间的距离值之前，还包括：若所述子时序数据集合中各个子时序数据的维度不同，则对所述子时序数据集合中各个所述子时序数据的维度进行统一。优选的，所述利用ARMA模型对所述分量数据进行预测，得到趋势预测结果之前，还包括：确定ARMA模型的模型参数的取值范围；依据BIC准则，确定在所述取值范围内使BIC值最小的最优模型参数；基于所述最优模型参数，构建相应的ARMA模型。第二方面，本申请提供了一种基于时序数据趋势预测的运维装置，包括：时序数据获取模块：用于获取时序数据，其中所述时序数据包括服务器在不同时刻的性能数据；平滑去噪处理模块：用于对所述时序数据进行平滑去噪处理；周期性检测模块：用于利用DTW对平滑去噪处理后的时序数据进行周期性检测；周期分解模块：用于在所述时序数据具备周期性时，将所述时序数据分解为周期数据和趋势数据；小波分解模块：用于对所述趋势数据或不具备周期性的时序数据进行小波分解，得到分量数据；预测模块：用于利用ARMA模型对所述分量数据进行预测，得到趋势预测结果；预测结果输出模块：用于在所述时序数据具备周期性时，根据所述周期数据的周期性和所述趋势预测结果确定所述时序数据的预测结果；在所述时序数据不具备周期性时，直接将所述趋势预测结果作为所述时序数据的预测结果；运维模块：用于根据所述时序数据的预测结果，对所述服务器执行相应的运维操作。第三方面，本申请提供了一种基于时序数据趋势预测的运维设备，包括：存储器：用于存储计算机程序；处理器：用于执行所述计算机程序，以实现如上所述的基于时序数据趋势预测的运维方法。第四方面，本申请提供了一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如上所述的基于时序数据趋势预测的运维方法。本申请所提供的一种基于时序数据趋势预测的运维方法，对于由服务器在不同时刻的性能数据组成的时序数据，该方法在进行预测之前，先对时序数据进行平滑去噪处理和周期性检测。将具备周期性的时序数据分解为周期数据和趋势数据，然后对趋势数据进行小波分解得到分量数据；将不具备周期性的时序数据直接进行小波分解得到分量数据。在预测时，利用ARMA模型对分量数据进行预测，得到趋势预测结果。然后生成时序数据的预测结果，具体的，在时序数据具备周期性时，根据前述周期数据的周期性确定周期预测结果，对周期预测结果与趋势预测结果进行结合，得到时序数据的预测结果；在时序数据不具备周期性时，直接将趋势预测结果作为时序数据的预测结果。最终，根据时序数据的预测结果，对服务器执行相应的运维操作。可见，该方法根据时序数据是否具备周期性，采用不同的方式进行预测，因此即便在复杂的数据环境下该方法预测得到的结果仍具有较高的准确性，根据该预测结果执行相应的运维操作，有利于实现服务器性能的最大化。此外，本申请还提供了一种基于时序数据趋势预测的运维装置、设备及可读存储介质，其技术效果与上述方法的技术效果相对应，这里不再赘述。附图说明为了更清楚的说明本申请实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在本文档来自技高网...

【技术保护点】
1.一种基于时序数据趋势预测的运维方法，其特征在于，包括：/n获取时序数据，其中所述时序数据包括服务器在不同时刻的性能数据；/n对所述时序数据进行平滑去噪处理；/n利用DTW对平滑去噪处理后的时序数据进行周期性检测；/n在所述时序数据具备周期性时，将所述时序数据分解为周期数据和趋势数据；/n对所述趋势数据或不具备周期性的时序数据进行小波分解，得到分量数据；/n利用ARMA模型对所述分量数据进行预测，得到趋势预测结果；/n在所述时序数据具备周期性时，根据所述周期数据的周期性和所述趋势预测结果确定所述时序数据的预测结果；在所述时序数据不具备周期性时，直接将所述趋势预测结果作为所述时序数据的预测结果；/n根据所述时序数据的预测结果，对所述服务器执行相应的运维操作。/n

【技术特征摘要】
1.一种基于时序数据趋势预测的运维方法，其特征在于，包括：
获取时序数据，其中所述时序数据包括服务器在不同时刻的性能数据；
对所述时序数据进行平滑去噪处理；
利用DTW对平滑去噪处理后的时序数据进行周期性检测；
在所述时序数据具备周期性时，将所述时序数据分解为周期数据和趋势数据；
对所述趋势数据或不具备周期性的时序数据进行小波分解，得到分量数据；
利用ARMA模型对所述分量数据进行预测，得到趋势预测结果；
在所述时序数据具备周期性时，根据所述周期数据的周期性和所述趋势预测结果确定所述时序数据的预测结果；在所述时序数据不具备周期性时，直接将所述趋势预测结果作为所述时序数据的预测结果；
根据所述时序数据的预测结果，对所述服务器执行相应的运维操作。


2.如权利要求1所述的方法，其特征在于，所述对所述时序数据进行平滑去噪处理，包括：
采用最小二乘平滑滤波算法，对所述时序数据进行平滑去噪处理。


3.如权利要求1所述的方法，其特征在于，所述对所述趋势数据或不具备周期性的时序数据进行小波分解，得到分量数据，包括：
对所述趋势数据或不具备周期性的时序数据进行平稳性检验；
若所述趋势数据或不具备周期性的时序数据不具备平稳性，则进行小波分解，得到分量数据；
对所述分量数据进行平稳性检验，若所述分量数据也不具备平稳性，则重复进行小波分解，直至分解得到的分量数据具备平稳性。


4.如权利要求3所述的方法，其特征在于，所述对所述趋势数据或不具备周期性的时序数据进行平稳性检验，包括：
利用ADF算法对所述趋势数据或不具备周期性的时序数据进行平稳性检验。


5.如权利要求1所述的方法，其特征在于，所述利用DTW对平滑去噪处理后的时序数据进行周期性检测，包括：
对平滑去噪处理后的时序数据进行分段，得到子时序数据集合；
利用DTW计算所述子时序序列中相邻两份子时序数据之间的距离值；
若所述距离值超过预设阈值，则判定所述时序数据不具备周期性。


6....

【专利技术属性】
技术研发人员：苏海明，
申请(专利权)人：北京浪潮数据技术有限公司，
类型：发明
国别省市：北京;11