基于时间特征的服务器性能缺陷预测方法、装置及介质制造方法及图纸

本发明专利技术公开了基于时间特征的服务器性能缺陷预测方法，包括根据设定的采样周期对服务器的历史运行数据进行采样以得出若干个采样周期的监测数据和服务异常状态；当采样次数达到设定次数时，根据采集到的所有监测数据和异常状态值构建数据集，并根据数据集对构建的监测数据和异常状态值的函数关系模型进行训练求解；对服务器的运行进行实时监控以获取新的监测数据并将其代入到监测数据和异常状态值的函数关系模型中预测得出服务器的异常状态。本发明专利技术能够实现服务器的异常状态的预测，解决现有技术中仅仅通过设定阈值的方式监测服务器是否出现异常状态。本发明专利技术还公开了基于时间特征的服务器性能缺陷预测装置及存储介质。特征的服务器性能缺陷预测装置及存储介质。特征的服务器性能缺陷预测装置及存储介质。

【技术实现步骤摘要】
基于时间特征的服务器性能缺陷预测方法、装置及介质


[0001]本专利技术涉及服务器监控，尤其涉及基于时间特征的服务器性能缺陷预测方法、装置及介质。

技术介绍

[0002]由于服务器上运行各种系统，而服务器的正常运行是保障各个系统正常运行的关键环节。因此，需要对服务器的运行进行监控，一般包括服务器硬件层面的监控、服务器操作系统层面的监控、服务器上运行软件业务方面的监控、服务器上运行的数据库的监控等。其中，服务器硬件层面的监控，一般是由服务器通过对应的接口来实现对服务器硬件状态的监控，比如华为服务器通过BMC(Baseboard Management Controller，基板管理控制器)或iMana接口来实现、IBM(International Business Machines Corporation)服务器通过IMM接口来实现等。
[0003]服务器操作系统层面的监控，一般是通过SNMP/SSH/WMI/Agent等方式支持对服务器中操作系统运行及性能状态进行监控。
[0004]服务器上运行软件业务方面的监控，一般是通过设置各种类型的监测器来实现对服务器上运行的各种应用软件的运行状态和性能参数的监控，比如通过购模拟访问的方式，对任意操作系统上运行的HTTP、HTTPS、FTP、Telnet、FTP、ICMP、IMAP、POP3、SMTP、URL及任意TCP端口上的应用服务的可用性、访问质量等进行监控。
[0005]服务器上运行的数据库的监控，其一般也是通过模拟访问的方式，对主流的数据库的性能参数进行监控。
[0006]目前在对服务器进行监控时，是根据设置的各种监控指标对服务器运行过程中的数据进行监控以得出各个监控指标的数据，然后将其与设定的阈值进行比对，一旦监控的数据不符合设定的阈值时，则认为服务器出现对应的缺陷，但是，这种监控只是根据设定的阈值直观地反应出服务器当前或过往一段时间内的运行状况，并无法对服务器的未来缺陷进行预测。

技术实现思路

[0007]为了克服现有技术的不足，本专利技术的目的之一在于提供基于时间特征的服务器性能缺陷预测方法，其能够解决现有技术服务器监控只能针对当前的服务器状态以及过往的服务器状态进行监控，无法推断未来一段时间内服务器出现缺陷的问题。
[0008]本专利技术的目的之二在于提供基于时间特征的服务器性能缺陷预测装置，其能够解决现有技术服务器监控只能针对当前的服务器状态以及过往的服务器状态进行监控，无法推断未来一段时间内服务器出现缺陷的问题。
[0009]本专利技术的目的之三在于提供一种存储介质，其能够解决现有技术服务器监控只能针对当前的服务器状态以及过往的服务器状态进行监控，无法推断未来一段时间内服务器出现缺陷的问题。
[0010]本专利技术的目的之一采用如下技术方案实现：
[0011]基于时间特征的服务器性能缺陷预测方法，所述服务器性能缺陷预测方法包括：
[0012]数据获取步骤：根据设定的采样周期对服务器的历史运行数据进行采样以得出若干个采样周期的监测数据和对应服务异常状态；其中，每个采样周期的监测数据均包括服务器的若干个监测指标的指标数值；
[0013]模型构建步骤：当采样次数达到设定次数时，根据采集到的所有监测数据和异常状态值构建数据集，并根据所述数据集对构建的监测数据和异常状态值的函数关系模型进行训练求解，以得出监测数据和异常状态值的函数关系模型；
[0014]预测步骤：对服务器的运行进行实时监控以获取新的采样周期的监测数据并将其代入到监测数据和异常状态值的函数关系模型中预测得出服务器的异常状态。
[0015]进一步地，所述监测指标的类型包括被动数据指标和/或主动数据指标；其中，所述被动数据指标是指由业务事件触发后所产生的或所观测到的与服务器性能相关的数据指标；所述主动数据指标是指由对应业务接口调用量与处理耗时数据。
[0016]进一步地，所述被动数据指标包括CPU占用率、内存使用量、网络RX使用速率、网络TX使用速率、磁盘IO的Read速率和磁盘IO的Write速率。
[0017]进一步地，所述监测数据中包括的一个监测指标的指标数值均包括起始值、结束值、最小值、最大值和平均值；其中，所述起始值是指采样周期起始时间点的指标数值；结束值是指采样周期结束时间点的指标数值；所述最小值是指采样周期内出现的指标最低数值；所述最大值是指采样周期内出现的指标最高数值；所述平均值是指采样周期内指标变化的平均数值。
[0018]进一步地，所述模型构建步骤具体包括：
[0019]数据集构建步骤：根据所有监测数据和异常状态值构建数据集；
[0020]其中，
[0021]数据集D表达式为：
[0022][0023]式中：x＝[x1,x2,...,x
i
]表示设定的监测时间内的所有采样周期的监测数据集；x
i
为第i个采样周期的监测数据；X服从正态分布；
[0024]y＝[y1,y2,...,y
i
]表示所有异常状态值的集合；其中，y
i
为第i个采样周期的异常状态值；
[0025]N表示非负整数集合或自然数集合；
[0026]R表示实数集合；
[0027]模型初建步骤：根据线性函数关系构建监测数据和异常状态值的函数关系模型；其中，函数关系模型通过公式(2)表示：设定存在一条直线h
θ
(x)与监测数据x存在线性关系，具体可通过公式(2)表示：h
θ
(x)＝θ1x1+θ2x2+...+θ
i
x
i
+b
ꢀꢀ
(2)；
[0028]模型求解步骤：构建最大似然估计函数，并根据最大似然估计法、数据集对公式(2)中的参数进行求解以得出监测数据与异常状态值的函数关系模型。
[0029]进一步地，所述模型求解步骤具体包括：
[0030]步骤一、令x0＝(1,1,1,1,1)，将公式(2)转换为公式(3)；
[0031]其中，
[0032]步骤二、根据逻辑回归的Sigmoid函数和公式(3)得出公式(4)；其中，Sigmoid函数的表达式为：
[0033]步骤三、将异常状态值y通过Logistic函数归一化到(0,1)之间，并根据最大似然估计法得出最大似然函数；其中，最大似然函数的表达式为：
[0034]步骤四、采用梯度上升法对最大似然函数进行求解以得出公式(2)中的参数值θ。
[0035]进一步地，所述步骤四还包括：首先对最大似然函数取对数并对参数θ求偏导，然后采用梯度上升迭代法求解得出参数θ的表达式，进而根据每个采样周期的监测数据和异常状态值得出公式(2)中的每个θ值；其中，
[0036]进一步地，所述步骤三中将异常状态值y通过Logistic函数归一化到(0,1)之间后得出y的值为1的概率公式为；P(y＝1|x；θ)＝h
θ
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于时间特征的服务器性能缺陷预测方法，其特征在于，所述服务器性能缺陷预测方法包括：数据获取步骤：根据设定的采样周期对服务器的历史运行数据进行采样以得出若干个采样周期的监测数据和对应服务异常状态；其中，每个采样周期的监测数据均包括服务器的若干个监测指标的指标数值；模型构建步骤：当采样次数达到设定次数时，根据采集到的所有监测数据和异常状态值构建数据集，并根据所述数据集对构建的监测数据和异常状态值的函数关系模型进行训练求解，以得出监测数据和异常状态值的函数关系模型；预测步骤：对服务器的运行进行实时监控以获取新的采样周期的监测数据并将其代入到监测数据和异常状态值的函数关系模型中预测得出服务器的异常状态。2.根据权利要求1所述的基于时间特征的服务器性能缺陷预测方法，其特征在于，所述监测指标的类型包括被动数据指标和/或主动数据指标；其中，所述被动数据指标是指由业务事件触发后所产生的或所观测到的与服务器性能相关的数据指标；所述主动数据指标是指由对应业务接口调用量与处理耗时数据。3.根据权利要求2所述的基于时间特征的服务器性能缺陷预测方法，其特征在于，所述被动数据指标包括CPU占用率、内存使用量、网络RX使用速率、网络TX使用速率、磁盘IO的Read速率和磁盘IO的Write速率。4.根据权利要求2所述的基于时间特征的服务器性能缺陷预测方法，其特征在于，所述监测数据中包括的一个监测指标的指标数值均包括起始值、结束值、最小值、最大值和平均值；其中，所述起始值是指采样周期起始时间点的指标数值；结束值是指采样周期结束时间点的指标数值；所述最小值是指采样周期内出现的指标最低数值；所述最大值是指采样周期内出现的指标最高数值；所述平均值是指采样周期内指标变化的平均数值。5.根据权利要求4所述的基于时间特征的服务器性能缺陷预测方法，其特征在于，所述模型构建步骤具体包括：数据集构建步骤：根据所有监测数据和异常状态值构建数据集；其中，数据集D表达式为：式中：x＝[x1,x2,...,x
i
]表示设定的监测时间内的所有采样周期的监测数据集；x
i
为第i个采样周期的监测数据；X服从正态分布；y＝[y1,y2,...,y
i
]表示所有异常状态值的集合；其中，y
i
为第i个采样周期的异常状态值；N表示非负整数集合或自然数集合；R表示实数集合；模型初建步骤：根据线性函数关系构建监测数据和异常状态值的函数关系模型；其中，函数关系模型通过公式(2)表示：设定存在一条直线h
θ
(x)与监测数据x存在线性关系，具体可通过公式(2)表示：h
θ
(x)＝θ1x1+θ2x2+...+θ
i

【专利技术属性】
技术研发人员：李少辉，洪晓，李乐天，黄凯颖，谢富成，吴文耀，邓集镇，张翠江，
申请(专利权)人：广州易起行信息技术有限公司，
类型：发明
国别省市：