用于预测应用的健康级别的方法、电子设备和存储介质技术

本公开的实施例涉及用于预测应用的健康级别的方法、电子设备和计算机存储介质，涉及信息处理领域。根据该方法，获取应用对于多种资源在当前期间内的多个时段内的多个当前使用值、多个当前初始值和多个当前限制值；确定应用对于多种资源在当前期间内的多个当前离散系数特征值；基于机器学习模型和多个当前离散系数特征值，确定应用在当前期间的下一期间内的预测异常特征值；以及基于异常特征值的范围与健康级别之间的预定关联和所述预测异常特征值，确定应用在下一期间内的预测健康级别。由此，能够使得机器学习模型的预测值更能反映实际场景。反映实际场景。反映实际场景。

【技术实现步骤摘要】
用于预测应用的健康级别的方法、电子设备和存储介质


[0001]本公开的实施例总体涉及信息处理领域，具体涉及用于预测应用的健康级别的方法、电子设备和计算机存储介质。

技术介绍

[0002]在微服务架构下一套业务体系由很多应用组成，由于业务的丰富性，应用间相互交互。应用处理功能逻辑的复杂度无法衡量，外部访问量无法预测，以至于应用作出的响应时而快时而慢，甚至个别情况是异常返回。这造成部分业务交互不能成功完成，给业务带来了糟糕的体验。因此，希望能够准确预测应用的健康情况，从而及时预警和更正。

技术实现思路

[0003]提供了一种用于预测应用的健康级别的方法、电子设备以及计算机存储介质，能够使得机器学习模型的预测值更能反映实际场景。
[0004]根据本公开的第一方面，提供了一种用于预测应用的健康级别的方法。该方法包括：获取应用对于多种资源在当前期间内的多个时段内的多个当前使用值、多个当前初始值和多个当前限制值；基于多个当前使用值、多个当前初始值和多个当前限制值，确定应用对于多种资源在当前期间内的多个当前离散系数特征值；基于机器学习模型和多个当前离散系数特征值，确定应用在当前期间的下一期间内的预测异常特征值，机器学习模型是基于应用对于多种资源在多个第一历史期间内的多个历史离散系数特征值和应用在多个第二历史期间内的多个异常特征值而训练的，多个第二历史期间中的每个第二历史期间为对应第一历史期间的下一期间，多个异常特征值是基于应用在多个第二历史期间内的多个异常访问量和多个总访问量而确定的；以及基于异常特征值的范围与健康级别之间的预定关联和预测异常特征值，确定应用在下一期间内的预测健康级别。
[0005]根据本公开的第二方面，提供了一种电子设备。该电子设备包括：至少一个处理器，以及与至少一个处理器通信连接的存储器，其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据第一方面所述的方法。
[0006]在本公开的第三方面中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。
[0007]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0008]结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素。
[0009]图1是根据本公开的实施例的信息处理环境100的示意图。
[0010]图2是根据本公开的实施例的用于预测应用的健康级别的方法200的示意图。
[0011]图3是根据本公开的实施例的用于预测应用的健康级别的方法300的示意图。
[0012]图4是根据本公开的实施例的用于确定多个当前离散系数特征值的方法400的示意图。
[0013]图5是根据本公开的实施例的用于训练机器学习模型的方法500的示意图。
[0014]图6是用来实现本公开实施例的用于预测应用的健康级别的方法的电子设备的框图。
具体实施方式
[0015]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0016]在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
[0017]如上所述，希望能够准确预测应用的健康情况，从而及时预警和更正。
[0018]为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种用于预测应用的健康级别的方案。在该方案中，计算设备获取应用对于多种资源在当前期间内的多个时段内的多个当前使用值、多个当前初始值和多个当前限制值，并基于多个当前使用值、多个当前初始值和多个当前限制值，确定应用对于多种资源在当前期间内的多个当前离散系数特征值。计算设备基于机器学习模型和多个当前离散系数特征值，确定应用在当前期间的下一期间内的预测异常特征值，机器学习模型是基于应用对于多种资源在多个第一历史期间内的多个历史离散系数特征值和应用在多个第二历史期间内的多个异常特征值而训练的，多个第二历史期间中的每个第二历史期间为对应第一历史期间的下一期间，多个异常特征值是基于应用在多个第二历史期间内的多个异常访问量和多个总访问量而确定的。计算设备基于异常特征值的范围与健康级别之间的预定关联和预测异常特征值，确定应用在下一期间内的预测健康级别。以此方式，能够使得机器学习模型的预测值更能反映实际场景。
[0019]在下文中，将结合附图更详细地描述本方案的具体示例。
[0020]图1示出了根据本公开的实施例的信息处理环境100的示例的示意图。信息处理环境100可以包括计算设备110、应用120
‑
1至120
‑
n（下文将应用统称为120）、应用监控系统130、应用访问日志系统140以及运行应用120的服务器150。
[0021]计算设备110例如包括但不限于服务器计算机、多处理器系统、大型计算机、包括上述系统或设备中的任意一个的分布式计算环境等。在一些实施例中，计算设备110可以具有一个或多个处理单元，包括诸如图像处理单元GPU、现场可编程门阵列FPGA和专用集成电路ASIC等的专用处理单元以及诸如中央处理单元CPU的通用处理单元。
[0022]应用监控系统130用于监控应用120的运行状态。应用监控系统130中可以存储有应用120的各种状态信息，例如包括但不限于应用120对于多种资源在多个第一历史期间内的多个时段内的多个历史使用值、多个历史初始值和多个历史限制值，应用120对于多种资源在当前期间内的多个时段内的多个当前使用值、多个当前初始值和多个当前限制值。
[0023]期间例如包括但不限于一天。多种资源例如包括但不限于计算资源、存储资源和带宽资源。计算资源例如包括但不限于CPU、GPU等，存储资源例如包括但不限于内部存储器资源和外部存储器资源。例如在微服务模式下，应用运行在容器平台，容器平台隔离资源使用，每个应用的运行资源设置有初始值、限制值和使用值，例如CPU初始值、CPU限制值和CPU使用值，内部存储器初始值、内部存储器限制值和内部存储器使用值，使用值介于初始值和限制值之间。
[0024]应用访问日志系统140中可以存储有应用1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于预测应用的健康级别的方法，包括：获取应用对于多种资源在当前期间内的多个时段内的多个当前使用值、多个当前初始值和多个当前限制值；基于所述多个当前使用值、所述多个当前初始值和所述多个当前限制值，确定所述应用对于所述多种资源在所述当前期间内的多个当前离散系数特征值；基于机器学习模型和所述多个当前离散系数特征值，确定所述应用在所述当前期间的下一期间内的预测异常特征值，所述机器学习模型是基于所述应用对于所述多种资源在多个第一历史期间内的多个历史离散系数特征值和所述应用在所述多个第二历史期间内的多个异常特征值而训练的，所述多个第二历史期间中的每个第二历史期间为对应第一历史期间的下一期间，所述多个异常特征值是基于所述应用在所述多个第二历史期间内的多个异常访问量和多个总访问量而确定的；以及基于异常特征值的范围与健康级别之间的预定关联和所述预测异常特征值，确定所述应用在所述下一期间内的预测健康级别。2.根据权利要求1所述的方法，还包括：获取所述应用对于所述多种资源在所述多个第一历史期间内的所述多个时段内的多个历史使用值、多个历史初始值和多个历史限制值；获取所述应用在所述多个第二历史期间内的多个异常访问量和多个总访问量；基于所述多个异常访问量和所述多个总访问量，确定所述应用在所述多个第二历史期间内的多个异常特征值；基于所述多个历史使用值、所述多个历史初始值和所述多个历史限制值，确定所述应用对于所述多种资源在所述多个第一历史期间内的多个历史离散系数特征值；以及基于所述多个历史离散系数特征值和所述多个异常特征值，训练所述机器学习模型。3.根据权利要求1所述的方法，其中确定所述应用对于所述多种资源在所述当前期间内的多个当前离散系数特征值包括对于所述多种资源中的每种资源：确定所述应用对于所述资源在所述当前期间内的所述多个时段内的多个当前使用值与多个当前初始值之间的多个第一差以及多个当前使用值与多个...

【专利技术属性】
技术研发人员：张杰，
申请(专利权)人：中智关爱通上海科技股份有限公司，
类型：发明
国别省市：