运维处理方法、运维处理装置、电子设备及存储介质制造方法及图纸

本公开提供了一种运维处理方法，可应用于人工智能以及云计算技术领域。该方法，包括：根据存储于数据库中的第一时间序列数据，确定预测模型；从存储于消息队列中的第二时间序列数据中，读取第三时间序列数据，并缓存入本地队列中；对第三时间序列数据进行解析，得到解析结果；在确定解析结果表征满足预测条件的情况下，从本地队列中的第三时间序列数据中获取第一预设时段内产生的第四时间序列数据；将第四时间序列数据输入预测模型，输出预测结果；以及在确定预测模型满足预设时限的情况下，根据预测结果，确定运行设备的运维处理策略。本公开还提供了一种运维处理装置、电子设备、存储介质和程序产品。介质和程序产品。介质和程序产品。

【技术实现步骤摘要】
运维处理方法、运维处理装置、电子设备及存储介质


[0001]本公开涉及人工智能以及云计算
，具体涉及一种运维处理方法、运维处理装置、电子设备、存储介质和程序产品。

技术介绍

[0002]随着计算机技术的快速发展与应用以及各企业对业务的不断扩展，使涉及到的集群设备的运维处理工作受到影响。当集群规模扩大到成千上万台设备后，传统采用纯手工运维会面临人力成本高，效率低，不太可控等问题。
[0003]虽然业界一直在探索自动化运维和智能运维，希望以此来解决大规模集群的运维处理问题，但是在实施本公开的过程中发现，针对运行设备的运维处理，需要对具体某一种时序数据进行预测以及运维处理，导致运维处理成本高以及运维处理效率低。

技术实现思路

[0004]鉴于上述问题，本公开提供了一种运维处理方法、运维处理装置、电子设备、存储介质和程序产品。
[0005]根据本公开的第一个方面，提供了一种运维处理方法，包括：
[0006]根据存储于数据库中的第一时间序列数据，确定预测模型，其中，第一时间序列数据表征运行设备的实时运行情况；
[0007]从存储于消息队列中的第二时间序列数据中，读取第三时间序列数据，并缓存入本地队列中；
[0008]对第三时间序列数据进行解析，得到解析结果；
[0009]在确定解析结果表征满足预测条件的情况下，从本地队列中的第三时间序列数据中获取第一预设时段内产生的第四时间序列数据；
[0010]将第四时间序列数据输入预测模型，输出预测结果；以及r/>[0011]在确定预测模型满足预设时限的情况下，根据预测结果，确定运行设备的运维处理策略。
[0012]根据本公开的实施例，根据存储于数据库中的第一时间序列数据，确定预测模型，包括：
[0013]从第一时间序列数据中获取第二预设时间段内产生的第五时间序列数据；
[0014]在确定模型库中不存在第五时间序列数据需要训练的训练模型的情况下，根据时间序列算法模型，确定初始训练模型，其中，模型库用于实时存储训练模型；以及
[0015]根据第五时间序列数据和目标函数训练初始训练模型，将训练好的初始训练模型作为预测模型，其中，目标函数根据初始训练模型确定。
[0016]根据本公开的实施例，第一时间序列数据是实时更新的；
[0017]根据存储于数据库中的第一时间序列数据，确定预测模型，还包括：
[0018]在确定模型库中存在第五时间序列数据需要训练的训练模型的情况下，选取训练
模型进行训练，并将训练好的训练模型作为预测模型。
[0019]根据本公开的实施例，运维处理方法，还包括：
[0020]从运行设备上获取实时时间序列数据；
[0021]将实时时间序列数据同步存储于消息队列中，得到第二时间序列数据；以及
[0022]将实时时间序列数据存储于数据库中，得到第一时间序列数据。
[0023]根据本公开的实施例，预测模型包括M个线性结构函数，M为大于等于2的整数；
[0024]将第四时间序列数据输入预测模型，输出预测结果，包括：
[0025]将第四时间序列数据依次输入M个线性结构函数，输出M个预测子结果；以及
[0026]根据M个预测子结果，得到预测结果，其中，预测结果表征运行设备的未来运行情况。
[0027]根据本公开的实施例，线性结构函数包括K个拟合函数，K为大于等于2的整数；
[0028]将第四时间序列数据依次输入M个线性结构函数，输出M个预测子结果，包括：
[0029]针对每个线性结构函数，重复执行以下步骤：
[0030]将第四时间序列数据输入一个拟合函数，分别输出第一结果和第二结果；其中，第一结果用于确定预测子结果，第二结果用于确定另一个拟合函数的输入；以及
[0031]根据K个拟合函数的用于确定预测子结果的K个输出，确定线性结构函数的输出。
[0032]本公开的第二方面提供了一种运维处理装置，包括：
[0033]第一确定模块，用于根据存储于数据库中的第一时间序列数据，确定预测模型，其中，第一时间序列数据表征运行设备的实时运行情况；
[0034]读取模块，用于从存储于消息队列中的第二时间序列数据中，读取第三时间序列数据，并缓存入本地队列中；
[0035]解析模块，用于对第三时间序列数据进行解析，得到解析结果；
[0036]第一获取模块，用于在确定解析结果表征满足预测条件的情况下，从本地队列中的第三时间序列数据中获取第一预设时段内产生的第四时间序列数据；
[0037]预测模块，用于将第四时间序列数据输入预测模型，输出预测结果；以及
[0038]第二确定模块，用于在确定预测模型满足预设时限的情况下，根据预测结果，确定运行设备的运维处理策略。
[0039]本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述运维处理方法。
[0040]本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述运维处理方法。
[0041]本公开的第五方面还提供了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运维处理方法。
[0042]根据本公开的实施例，通过利用表征运行设备的实时运行情况的第一时间序列数据，确定预测模型；以及通过对缓存在本地队列的时间序列数据的解析，来确定满足预测条件后，基于构造的深度学习模型对时间序列数据的预测，无需针对运行设备的具体某一种实时运行情况的数据进行运维处理，也无需对具体某一种实时运行情况的数据都进行单独预测，提高了预测模型的泛化能力和学习自由度，降低了模型设计的成本，还适用于对多种
实时运行情况数据预测后根据预测结果进行运维处理，提高了运维处理效率，解决了运维处理不及时导致的不可控的损失问题，节约了运维处理成本，一定程度满足了大规模集群设备的运维处理需求。
附图说明
[0043]通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
[0044]图1示意性示出了根据本公开实施例的运维处理方法、运维处理装置、电子设备、存储介质和程序产品的应用场景图；
[0045]图2示意性示出了根据本公开实施例的运维处理方法的流程图；
[0046]图3示意性示出了根据本公开实施例的预测模型结构图；
[0047]图4示意性示出了根据本公开另一实施例的运维处理方法的架构图；
[0048]图5示意性示出了根据本公开实施例的运维处理装置的结构框图；以及
[0049]图6示意性示出了根据本公开实施例的适于实现运维处理方法的电子设备的方框图。
具体实施方式
[0050]以下，将参照附图来描本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种运维处理方法，包括：根据存储于数据库中的第一时间序列数据，确定预测模型，其中，所述第一时间序列数据表征运行设备的实时运行情况；从存储于消息队列中的第二时间序列数据中，读取第三时间序列数据，并缓存入本地队列中；对所述第三时间序列数据进行解析，得到解析结果；在确定所述解析结果表征满足预测条件的情况下，从所述本地队列中的所述第三时间序列数据中获取第一预设时段内产生的第四时间序列数据；将所述第四时间序列数据输入所述预测模型，输出预测结果；以及在确定所述预测模型满足预设时限的情况下，根据所述预测结果，确定所述运行设备的运维处理策略。2.根据权利要求1所述的方法，所述根据存储于数据库中的第一时间序列数据，确定预测模型，包括：从所述第一时间序列数据中获取第二预设时间段内产生的第五时间序列数据；在确定模型库中不存在所述第五时间序列数据需要训练的训练模型的情况下，根据时间序列算法模型，确定初始训练模型，其中，所述模型库用于实时存储所述训练模型；以及根据所述第五时间序列数据和目标函数训练所述初始训练模型，将训练好的初始训练模型作为所述预测模型，其中，所述目标函数根据所述初始训练模型确定。3.根据权利要求2所述的方法，其中，所述第一时间序列数据是实时更新的；所述方法还包括：在确定所述模型库中存在所述第五时间序列数据需要训练的所述训练模型的情况下，选取所述训练模型进行训练，并将训练好的训练模型作为所述预测模型。4.根据权利要求1所述的方法，还包括：从所述运行设备上获取实时时间序列数据；将所述实时时间序列数据同步存储于所述消息队列中，得到所述第二时间序列数据；以及将所述实时时间序列数据存储于所述数据库中，得到所述第一时间序列数据。5.根据权利要求1所述的方法，其中，所述预测模型包括M个线性结构函数，M为大于等于2的整数；所述将所述第四时间序列数据输入所述预测模型，输出预测结果，包括：将所述第四时间序列数据依次输入M个所述线性结构函数，输出M个预...

【专利技术属性】
技术研发人员：简拥军，
申请(专利权)人：建信金融科技有限责任公司，
类型：发明
国别省市：