实例使用状态的识别方法及设备技术

本申请提供一种实例使用状态的识别方法及设备，包括：获取目标实例在一个识别周期内的至少一个性能指标的运行数据，针对每个性能指标，对一个识别周期内的运行数据进行特征提取，获得各性能指标的特征数据，对性能指标的特征数据进行计算获得目标实例的性能指数，根据目标实例的性能指数获得目标实例的使用状态，本申请通过对实例的各性能指标的运行数据进行处理获得目标实例的性能指数，再基于性能指数确定目标实例的使用状态，提高使用状态的识别准确性。识别准确性。识别准确性。

【技术实现步骤摘要】
实例使用状态的识别方法及设备


[0001]本申请涉及计算机
，尤其涉及一种实例使用状态的识别方法及设备。

技术介绍

[0002]实例为具体的云服务器(Cloud Virtual Machine，简称，CVM)，是包含CPU、内存、操作系统、网络、磁盘等最基础的计算组件，是云服务厂商提供云服务的基本单元，每个服务器内可以运行多个实例。云服务厂商为了精细化管理众多实例，需要对实例的使用状态进行识别。
[0003]通常情况下，在对实例的使用状态进行识别时，对于同一类型同一规格的实例，采用固定的阈值进行使用状态识别。当某一性能指标的运行数据大于或者等于设定的阈值，则将该实例的使用状态设定为高负载状态，某一性能指标的运行数据小于设定的阈值，则将该实例的使用状态设定为空闲状态。
[0004]然而，通常实例的各性能指标的运行数据的数量级达到百万级别，需要逐一将运行数据与设定阈值比较，数据计算量大，计算耗时，并且需要人工设置合适的阈值，若阈值设置不当，容易导致识别结果错误。

技术实现思路

[0005]本申请提供一种实例使用状态的识别方法及设备，用以解决现有技术无法准确识别实例使用状态的技术问题。
[0006]本申请一实施例提供一种实例使用状态的识别方法，包括：
[0007]获取目标实例在一个识别周期内的至少一个性能指标的运行数据；
[0008]针对每个性能指标，对一个识别周期内的运行数据进行特征提取，获得各性能指标的特征数据；
[0009]对性能指标的特征数据进行计算获得目标实例的性能指数；
[0010]根据目标实例的性能指数获得目标实例的使用状态。
[0011]在一实施例中，每个识别周期包括多个时间区间；针对每个性能指标，对一个识别周期内的运行数据进行特征提取，获得各性能指标的特征数据，具体包括以下至少一项：
[0012]针对每个性能指标，对每个时间区间内的运行数据进行统计分析，获得性能指标在每个时间区间内的统计结果；
[0013]针对每个性能指标，利用机器学习算法对每个时间区间内的运行数据进行特征提取，获得性能指标在每个时间区间内的时序特征数据；
[0014]针对每个性能指标，利用机器学习算法对一个识别周期内的运行数据进行画像分析，获得目标实例的画像数据。
[0015]在一实施例中，对性能指标的特征数据进行计算获得目标实例的性能指数，具体包括：
[0016]利用机器学习算法对每个性能指标的特征数据进行处理，获得每个性能指标的权
重；
[0017]根据每个性能指标的权重和每个性能指标的特征数据计算获得目标实例的性能指数。
[0018]在一实施例中，利用机器学习算法对每个性能指标的特征数据进行处理，获得每个性能指标的权重，具体包括：
[0019]利用机器学习算法对性能指标在每个时间区间内的统计结果、性能指标在每个时间区间内的时序特征数据、目标实例的画像数据以及每个性能指标的预设初始权重进行处理，获得每个性能指标的权重。
[0020]在一实施例中，根据每个性能指标的权重和每个性能指标的特征数据计算获得目标实例的性能指数，具体包括：
[0021]针对每个时间区间，对每个性能指标的统计结果、时序特征数据以及画像数据进行归一化处理；对归一化处理后的统计结果、时序特征数据以及画像数据进行相加，获得在每个时间区间内每个性能指标的指标数据；
[0022]利用每个性能指标的权重对每个时间区间内每个性能指标的指标数据进行加权求和处理，获得每个时间区间内的目标实例的性能指数；
[0023]对每个时间区间内的目标实例的性能指数和预设时间权重进行加权求和，获得识别周期内的目标实例的性能指数。
[0024]在上述技术方案中，通过对不同时间区间的性能指数进行特征提取，获得每个性能指标的特征数据，再对各个性能指标的特征数据进行加权求和，获得各个时间区间内的目标实例的性能指数，再对各个时间区间内的目标实例的性能指数进行加权求和，所获得的目标实例的性能指数可以准确反应目标实例的运行数据的特点。
[0025]在一实施例中，根据目标实例的性能指数获得目标实例的使用状态，具体包括：
[0026]当目标实例的性能指数小于第一阈值时，确定目标实例处于空闲状态；
[0027]当目标实例的性能指数大于或等于第一阈值，且小于第二阈值时，确定目标实例处于低负载状态；
[0028]当目标实例的性能指数大于或等于第二阈值，且小于第三阈值时，确定目标实例处于正常负载状态；
[0029]当目标实例的性能指数大于或等于第三阈值，确定目标实例处于高负载状态。
[0030]在一实施例中，方法还包括：
[0031]获取目标实例在上一个识别周期内的至少一个性能指标的运行数据和在上一个识别周期内的目标实例的性能指数；
[0032]使用机器学习算法对在上一个识别周期内的至少一个性能指标的运行数据和目标实例的性能指数进行处理，获得第一阈值、第二阈值以及第三阈值。
[0033]在上述技术方案中，通过利用机器学习算法对在上一个识别周期内的至少一个性能指标的运行数据和目标实例的性能指数进行数据挖掘，获得第一阈值、第二阈值以及第三阈值，无需人工设置阈值，且阈值也能适应运行数据的变化，可以提高识别结果的准确性。
[0034]在一实施例中，获取目标实例在一个识别周期内的至少一个性能指标的运行数据，具体包括：
[0035]获取监控点采集到的在一个识别周期内的至少一个性能指标原始运行数据；
[0036]对一个识别周期内的至少一个性能指标原始运行数据进行数据聚合、缺失值填充以及异常值清洗处理，获得目标实例在一个识别周期内的至少一个性能指标的运行数据。
[0037]本申请另一实施例提供一种识别设备，包括：处理器，以及与处理器通信连接的存储器；
[0038]存储器存储计算机执行指令；
[0039]处理器执行存储器存储的计算机执行指令，以实现上述实施例提供的实例使用状态的识别方法。
[0040]本申请另一实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现上述实施例提供的实例使用状态的识别方法。
[0041]本申请另一实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述实施例提供的实例使用状态的识别方法。
[0042]本申请实施例提供的实例使用状态的识别方法及设备，通过对一个识别周期内的至少一个性能指标的运行数据进行特征提取获得各性能指标的特征数据，再对性能指标的特征数据进行计算获得目标实例的性能指数，实现将百万级大小的运行数据转换为目标实例的性能指数，降低数据计算量，再根据目标实例的性能指数获得目标实例的使用状态，因性能指数从时间维度和类型维度综合考虑了实例更全面的运行数据，增加状态识别结果的可靠性，个别运行数据的波动不会对性能指数产生较本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实例使用状态的识别方法，其特征在于，包括：获取目标实例在一个识别周期内的至少一个性能指标的运行数据；针对每个性能指标，对一个识别周期内的所述运行数据进行特征提取，获得各性能指标的特征数据；对所述性能指标的特征数据进行计算获得目标实例的性能指数；根据所述目标实例的性能指数获得所述目标实例的使用状态。2.根据权利要求1所述的识别方法，其特征在于，每个识别周期包括多个时间区间；针对每个性能指标，对一个识别周期内的所述运行数据进行特征提取，获得各性能指标的特征数据，具体包括以下至少一项：针对每个性能指标，对每个时间区间内的所述运行数据进行统计分析，获得所述性能指标在每个时间区间内的统计结果；针对每个性能指标，利用机器学习算法对每个时间区间内的所述运行数据进行特征提取，获得所述性能指标在每个时间区间内的时序特征数据；针对每个性能指标，利用机器学习算法对一个识别周期内的所述运行数据进行画像分析，获得所述目标实例的画像数据。3.根据权利要求1或2所述的识别方法，其特征在于，对所述性能指标的特征数据进行计算获得目标实例的性能指数，具体包括：利用机器学习算法对每个所述性能指标的特征数据进行处理，获得每个所述性能指标的权重；根据每个所述性能指标的权重和每个所述性能指标的特征数据计算获得所述目标实例的性能指数。4.根据权利要求3所述的识别方法，其特征在于，利用机器学习算法对每个所述性能指标的特征数据进行处理，获得每个所述性能指标的权重，具体包括：利用机器学习算法对所述性能指标在每个时间区间内的统计结果、所述性能指标在每个时间区间内的时序特征数据、所述目标实例的画像数据以及每个性能指标的预设初始权重进行处理，获得每个性能指标的权重。5.根据权利要求4所述的识别方法，其特征在于，根据每个所述性能指标的权重和每个所述性能指标的特征数据计算获得所述目标实例的性能指数，具体包括：针对每个时间区间，对每个性能指标的统计结果、时序特征数据以及画像数据进行归一化处理；并对归一化处理后的统计结果、时序特征数据以及画像数据进行相加，获得在每个时间区间内每个性能指标的指标数据；利用每个性能指标的权重对每个时间区间内每个性能指标的指标...

【专利技术属性】
技术研发人员：马丁士博，任志星，李湛，赵旭，陈林平，
申请(专利权)人：阿里巴巴中国有限公司，
类型：发明
国别省市：