本申请公开了一种资源池的监控方法、装置、平台和存储介质，方法包括：通过获取监控平台监控的资源池n中，前置采集集群n上报的被监控对象对资源池n中的资源进行利用所产生的监控数据；其中，监控平台用于监控N个资源池，不同资源池对应的被监控对象的网络架构不同；n大于等于1，且小于等于N；通过机器学习模型对被监控对象的监控数据进行深度分析，得到第一分析结果；向被监控对象发送第一分析结果，以使被监控对象处理第一分析结果，如此，实现了对异构资源池的全自动化监控以及跨资源池区域的异地监控，有效降低监控成本，提高监控与决策效率。决策效率。决策效率。
【技术实现步骤摘要】
一种资源池的监控方法、装置、平台和存储介质
[0001]本申请涉及云计算
，尤其是涉及一种资源池的监控方法、资源池的监控装置、监控平台和存储介质。
技术介绍
[0002]在云计算技术日趋成熟以及业务量迅速增多的推动下，云计算服务平台中部署了多种不同的虚拟化技术架构如KVM、VMware、Xen、Hyper
‑
V的云资源池，且不同云资源池位于不同区域，以支持复杂多样的业务场景。
[0003]相关技术中，云计算服务平台对异构且分散的云资源池进行监控时，通过设置多种监控平台的方式以实现对每一架构的资源池的管理。然而，该方法至少存在无法对多个异构云资源池进行统一管理，导致监控成本高、监控效率低的问题。
技术实现思路
[0004]本申请提供一种资源池的监控方法、资源池的监控装置、监控平台和存储介质，解决相关技术中存在无法对多个异构云资源池进行统一管理，导致监控成本高、监控效率低的问题。
[0005]本申请的技术方案是这样实现的：
[0006]本申请提供一种资源池的监控方法，所述方法包括：
[0007]获取监控平台监控的资源池n中，前置采集集群n上报的被监控对象对所述资源池n中的资源进行利用所产生的监控数据；其中，所述监控平台用于监控N个资源池，不同资源池对应的被监控对象的网络架构不同；所述n大于等于1，且小于等于所述N；
[0008]通过机器学习模型对所述被监控对象的所述监控数据进行深度分析，得到第一分析结果；
[0009]向所述被监控对象发送所述第一分析结果，以使所述被监控对象处理所述第一分析结果。
[0010]本申请提供一种资源池的监控装置，所述装置包括：
[0011]获取模块，用于获取监控平台监控的资源池n中，前置采集集群n上报的被监控对象对所述资源池n中的资源进行利用所产生的监控数据；其中，所述监控平台用于监控N个资源池，不同资源池对应的被监控对象的网络架构不同；所述n大于等于1，且小于等于所述N；
[0012]处理模块，用于通过机器学习模型对所述被监控对象的所述监控数据进行深度分析，得到第一分析结果；
[0013]发送模块，用于向所述被监控对象发送所述第一分析结果，以使所述被监控对象处理所述第一分析结果。
[0014]本申请提供一种监控平台，所述监控平台包括：
[0015]存储器，用于存储可执行指令；
[0016]处理器，用于执行所述存储器中存储的可执行指令，以实现上述所述的资源池的监控方法。
[0017]本申请提供一种计算机存储介质，所述计算机存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述所述的资源池的监控方法。
[0018]本申请提供一种资源池的监控方法、资源池的监控装置、监控平台和存储介质，通过获取监控平台监控的资源池n中，前置采集集群n上报的被监控对象对资源池n中的资源进行利用所产生的监控数据；其中，监控平台用于监控N个资源池，不同资源池对应的被监控对象的网络架构不同；n大于等于1，且小于等于N；通过机器学习模型对被监控对象的监控数据进行深度分析，得到第一分析结果；向被监控对象发送第一分析结果，以使被监控对象处理第一分析结果；也就是说，监控平台通过机器学习模型，对资源池n中，前置采集集群n上报的被监控对象对资源池n中的资源进行利用所产生的监控数据进行深度分析，得到分析结果，以使被监控对象处理分析结果，如此，实现了对异构资源池的全自动化监控以及跨资源池区域的异地监控，有效降低监控成本，提高监控与决策效率。
附图说明
[0019]图1为本申请实施例提供的一种可选的资源池的监控方法的流程示意图；
[0020]图2为本申请实施例提供的一种可选的资源池的监控平台的架构示意图；
[0021]图3为本申请实施例提供的一种可选的资源池的监控方法的流程示意图；
[0022]图4为本申请实施例提供的一种可选的硬盘运行寿命监测的架构示意图；
[0023]图5为本申请实施例提供的一种可选的资源池的监控方法的监控系统的架构示意图；
[0024]图6为本申请实施例提供的一种可选的资源池的监控方法的流程示意图；
[0025]图7为本申请实施例提供的一种可选的资源池的监控方法的流程示意图；
[0026]图8为本申请实施例提供的一种资源池的监控装置的结构示意图；
[0027]图9为本申请实施例提供的一种监控平台的结构示意图。
具体实施方式
[0028]为了使本
的人员更好地理解本申请方案，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作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。
[0029]本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
[0030]在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同
的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0031]参见图1，图1是本申请实施例提供的资源池的监控方法的一个实现流程示意图，该资源池的监控方法应用于监控平台，该资源池的监控方法包括以下步骤：
[0032]步骤101、获取监控平台监控的资源池n中，前置采集集群n上报的被监控对象对资源池n中的资源进行利用所产生的监控数据。
[0033]其中，监控平台用于监控N个资源池，不同资源池对应的被监控对象的网络架构不同；n大于等于1，且小于等于N。
[0034]本申请实施例中，资源用于执行一个应用程序所需要的全部硬件设备、软件设施和数据，资源池中的资源包括软件资源和硬件资源，其中，硬件资源包括计算资源和存储资源，硬件资源还包括网络资源。
[0035]本申请实施例中，被监控对象包括但不限于物理硬件、操作系统、网络流量和数据库。示例性的，被监控对象为磁盘、中央处理器(central processing unit，CPU)、风扇等。
[0036]本申请实施例中，监控数据包括CPU温度、风扇转速、CPU利用率，已用磁盘利用率、未用磁盘利用率、磁盘读写速率、磁盘每秒读写操作的词数(Input/Output Operations Per Second，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种资源池的监控方法，其特征在于，所述方法包括：获取监控平台监控的资源池n中，前置采集集群n上报的被监控对象对所述资源池n中的资源进行利用所产生的监控数据；其中，所述监控平台用于监控N个资源池，不同资源池对应的被监控对象的网络架构不同；所述n大于等于1，且小于等于所述N；通过机器学习模型对所述被监控对象的所述监控数据进行深度分析，得到分析结果；向所述被监控对象发送所述分析结果，以使所述被监控对象处理所述分析结果。2.根据权利要求1所述的资源池的监控方法，其特征在于，所述获取监控平台监控的资源池n中，前置采集集群n上报的被监控对象对所述资源池n中的资源进行利用所产生的监控数据，包括：获取所述前置采集集群n上报的，所述前置采集集群n按照筛选时长和数据差异筛选条件，对所述被监控对象对所述资源池n中的资源进行利用所产生的监控数据进行筛选后的监控数据。3.根据权利要求1所述的资源池的监控方法，其特征在于，所述通过机器学习模型对所述被监控对象的所述监控数据进行深度分析，得到第一分析结果，包括：将所述监控数据中用于标识所述被监控对象的属性的数据，输入所述机器学习模型包含的机理模型中，得到所述机理模型输出的第一结果；将所述监控数据中用于指示所述被监控对象的运行状态的数据，输入至所述机器学习模型包含的机器学习算法模型中，得到所述机器学习算法模型输出的第二结果；基于所述第一结果和所述第二结果，对所述被监控对象进行故障预测，得到所述第一分析结果。4.根据权利要求3所述的资源池的监控方法，其特征在于，所述基于所述第一结果和所述第二结果，对所述被监控对象进行故障预测，得到所述第一分析结果之后，所述方法还包括：输出所述第一分析结果至所述被监控对象的生产厂商设备；获取所述生产厂商设备反馈的更新后的机理模型，并将所述机器学习模型包含的机理模型替换为所述更新后的机理模型。5.根据权利要求1所述的资源池的监控方法，其特征在于，所述通过机器学习模型对所述被监控对象的所述监控数据进行深度分析，得到第一分析结果之前，所述方法还包括：获取所...
【专利技术属性】
技术研发人员：江俊桦，赵时祥，李宏杰，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。