网络性能指标预测方法、装置、设备及存储介质制造方法及图纸

本申请实施例提供了一种网络性能指标预测方法、装置、设备及存储介质，涉及人工智能技术领域，包括：获取两个性能预测模型，分别调用每个性能预测模型对目标服务器的历史网络性能指标进行预测处理，得到每个性能预测模型对目标服务器的预测处理结果，对每个性能预测模型的预测处理结果指示的参考网络性能指标进行注意力处理，确定目标服务器的目标网络性能指标。通过采用两个性能预测模型对历史性能指标数据进行预测处理，有助于提升目标网络性能指标预测的准确性。本申请可以涉及区块链技术，如可将目标网络性能指标写入区块链中。本申请还涉及数字医疗技术领域，如目标服务器用于提供数据医疗技术领域的服务。于提供数据医疗技术领域的服务。于提供数据医疗技术领域的服务。

【技术实现步骤摘要】
网络性能指标预测方法、装置、设备及存储介质


[0001]本申请涉及数据处理
，尤其涉及一种网络性能指标预测方法、装置、设备及存储介质。

技术介绍

[0002]随着社会不断发展与成熟，互联网业务需要更多的服务器提供计算或应用服务。然而，服务器在运行过程中可能会出现异常。为了保障互联网业务的正常执行，需要提前预测服务器的网络性能指标，以便提前进行运维，避免服务崩溃。因此，如何准确的预测网络性能指标是一个亟需解决的问题。

技术实现思路

[0003]本申请实施例提供了一种网络性能指标预测方法、装置、设备及存储介质。通过采用两个性能预测模型对目标服务器进行预测处理，有助于网络性能指标预测设备准确预测目标服务器的网络性能指标，以便提前运维，避免服务崩溃。
[0004]第一方面，本申请实施例提供了一种网络性能指标预测方法，该网络性能指标预测方法包括：
[0005]响应于对目标服务器进行预测处理的触发操作，获取目标服务器的历史网络性能指标；
[0006]获取两个性能预测模型，其中，两个性能预测模型分别对应不同的神经网络算法；
[0007]分别调用每个性能预测模型对历史网络性能指标进行预测处理，得到每个性能预测模型对目标服务器的预测处理结果；
[0008]对每个性能预测模型的预测处理结果指示的参考网络性能指标进行注意力处理，确定目标服务器的目标网络性能指标。
[0009]第二方面，本申请实施例提供了一种网络性能指标预测装置，该网络性能指标预测装置包括：
[0010]获取单元，用于响应于对目标服务器进行预测处理的触发操作，获取目标服务器的历史网络性能指标；
[0011]该获取单元，还用于获取两个性能预测模型，其中，两个性能预测模型分别对应不同的神经网络算法；
[0012]预测处理单元，用于分别调用每个性能预测模型对历史网络性能指标进行预测处理，得到每个性能预测模型对目标服务器的预测处理结果；
[0013]确定单元，用于对每个性能预测模型的预测处理结果指示的参考网络性能指标进行注意力处理，确定目标服务器的目标网络性能指标。
[0014]第三方面，本申请实施例还提供了一种网络性能指标预测设备，包括输入接口、输出接口，该网络性能指标预测设备还包括：
[0015]处理器，适于实现一条或多条指令；以及，
[0016]计算机存储介质，该计算机存储介质存储有一条或多条指令，该一条或多条指令适于由处理器加载并执行第一方面所述的方法。
[0017]第四方面，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序指令，计算机程序指令被处理器执行时，用于执行第一方面所述的方法。
[0018]在本申请实施例中，网络性能指标预测设备响应于对目标服务器进行预测处理的触发操作，获取该目标服务器的历史网络性能指标以及采用神经网络算法训练得到两个性能预测模型；然后调用两个性能预测模型根据历史网络性能指标对目标服务器进行预测处理。本申请实施例通过机器学习中的神经网络算法构建性能预测模型对目标服务器进行网络性能指标预测，预测得到的预测处理结果准确率高。除此之外，由于本申请实施例利用了两个性能预测模型根据历史网络性能指标对目标服务器进行预测，避免了单一模型的缺陷，可以进一步保障目标服务器的网络性能指标预测的准确性。
附图说明
[0019]为了更清楚地说明本申请实施例或现有技术中的技术方案，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地介绍，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，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]图1是本申请实施例提供的一种网络性能指标预测系统的架构示意图；
[0021]图2是本申请实施例提供的一种网络性能指标预测方法的流程示意图；
[0022]图3是本申请实施例提供的另一种网络性能指标预测方法的流程示意图；
[0023]图4是本申请实施例提供的一种网络性能指标预测装置的结构示意图；
[0024]图5是本申请实施例提供的一种网络性能指标预测设备的结构示意图。
具体实施方式
[0025]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0026]人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。其中，机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
[0027]随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如
常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等。除此之外，人工智能技术还可以在其他领域得到应用，例如，可以采用人工智能技术中的机器学习实现对服务器的智能运维。其中，本专利技术实施例提出了一种基于机器学习的网络性能指标预测方法，使得网络性能指标预测设备可通过机器学习中的神经网络构建两个性能预测模型，并调用每个性能预测模型对目标服务器的历史网络性能指标进行预测处理，然后可以根据每个性能预测模型对目标服务器的预测处理结果确定目标服务器的目标网络性能指标，通过采用两个性能预测模型对目标服务器进行预测处理，有助于网络性能指标预测设备准确预测目标服务器的网络性能指标，以便提前进行智能运维，避免服务崩溃。其中，智能运维是指将人的知识和运维经验与大数据、机器学习技术相结合，开发成一系列的智能策略，融入到运维系统中，并以开发的智能策略(或运维系统)去完成运维任务。
[0028]在一个实施例中，该网络性能指标预测方法可用于对服务器或终端设备进行网络性能指标预测。该网络性能指标预测方法可应用在如图1所示的网络性能指标预测系统中，如图1所示，该网络性能指标预测系统可至少包括：网络性能指标预测设备11和服务器12，其中，该网络性能指标预测设备11是运行有两个性能预测模型的设备，该网络性能指标预测设备11可以是如图1所示的终端设备，其中，终端本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络性能指标预测方法，其特征在于，包括：响应于对目标服务器进行预测处理的触发操作，获取所述目标服务器的历史网络性能指标；获取两个性能预测模型，其中，所述两个性能预测模型分别对应不同的神经网络算法；分别调用每个性能预测模型对所述历史网络性能指标进行预测处理，得到每个性能预测模型对所述目标服务器的预测处理结果；对所述每个性能预测模型的预测处理结果指示的参考网络性能指标进行注意力处理，确定所述目标服务器的目标网络性能指标。2.如权利要求1所述的方法，其特征在于，所述历史网络性能指标包括多个历史时间段内的历史网络性能指标，所述性能预测模型包括基于长短期记忆LSTM算法构建的双向LSTM网络；所述分别调用每个性能预测模型对所述历史网络性能指标进行预测处理，得到每个性能预测模型对所述目标服务器的预测处理结果，包括：分别对每个历史时间段内的历史网络性能指标进行编码，得到历史特征序列；将所述历史特征序列按照正向序列和反向序列输入到所述双向LSTM网络中，得到所述目标服务器的预测处理结果。3.如权利要求2所述的方法，其特征在于，在所述分别调用每个性能预测模型对所述历史网络性能指标进行预测处理之前，所述方法还包括：获取样本数据，所述样本数据包括预设数量的多个时间段内的网络性能指标；基于时间段的先后顺序将所述样本数据划分为训练样本集和验证样本集，并利用所述训练样本集和所述验证样本集对初始模型进行训练，得到所述性能预测模型。4.如权利要求1所述的方法，其特征在于，所述获取目标服务器的历史网络性能指标，包括：获取多个历史时间段的接口访问日志；获取网络性能指标对应的性能指标因子，从所述每个历史时间段的接口访问日志中查找所述性能指标因子对应的数值，并将所述性能指标因子对应的数值代入性能指标函数，得到每个历史时间段的历史网络性能指标。5.如权利要求1所述的方法，其特征在于，所述历史网络性能指标为预处理后的历史网络性能指标，所述分别调用每个性能预测模型对所述历史网络性能指标进行预测处理，得到每个性能预测模型对所述目标服务器的预测处理结果，包括：获取所述每个历史时间段的历史网络性能指标中大于预设峰值的历史网络性能指标，并将大于预设峰值的历史网络性能指标替换为预设峰值；获取替换了所述预设峰值后的各个历史网络性能指标中的最大网络性能指标和最小网络性能指标；基于所述最大网络性能指标和所述最小网络性能指标对替换后的各个历史网络性能指标进行归...

【专利技术属性】
技术研发人员：黄一格，
申请(专利权)人：平安国际智慧城市科技股份有限公司，
类型：发明
国别省市：