基于数据学习的容量监测方法、装置及电子设备制造方法及图纸

本申请提供一种基于数据学习的容量监测方法、装置及电子设备。涉及计算机技术领域。方法包括：获取目标指标在预设时段内的监测数据序列以及历史监测数据序列；基于监测数据序列得到所述目标指标在未来目标采样点的第一预测数据，基于历史监测数据序列得到所述目标指标在未来目标采样点的第二预测数据；依据监测数据序列及历史监测数据序列确定第一预测数据的第一权重及第二预测数据的第二权重；依据第一权重及第二权重，基于对第一预测数据及第二预测数据进行加权求和确定目标指标在未来目标采样点的目标预测监测数据。本申请能够提前对目标指标的容量进行预警，有利于提高系统扩容效率。扩容效率。扩容效率。

【技术实现步骤摘要】
基于数据学习的容量监测方法、装置及电子设备


[0001]本申请涉及计算机
，尤其涉及一种基于数据学习的容量监测方法、一种基于数据学习的容量监测装置、一种电子设备及一种计算机可读存储介质。

技术介绍

[0002]随着数据中心的数字化转型需求，IT容量资源的巡检分析、新系统的上线、存量系统的投产变更、系统的容量预警等业务都需要针对应用系统的容量数据进行智能分析。例如，应用系统所在的应用服务器、所依赖数据库和网络等资源的指标如何进行监控、达到什么条件需要告警、何时进行告警等问题都需要精确的计算分析才能得到相应的结果，因此，应用系统对应的容量分析和趋势预警变得非常重要。但是，现有的IT容量监测中，针对监测对象，通常采用固定阈值实现，容易出现漏告警或误告警的情况，同时，现有技术中，对IT容量的监测告警通常为实时告警，即，容量达到阈值才进行告警，无法对监测对象的未来趋势进行提前预测告警，不利于系统的扩容。

技术实现思路

[0003]本申请提供一种基于数据学习的容量监测方法、装置及电子设备，用以解决现有技术无法对监测对象的未来趋势进行提前预测告警的问题。
[0004]本申请的第一方面，提供一种基于数据学习的容量监测方法，包括：
[0005]获取目标指标在预设时段内的监测数据序列，以及获取所述目标指标的历史监测数据序列，所述历史监测数据序列包括所述目标指标在与未来目标采样点对应的多个历史同期采样点的历史监测数据，所述历史监测数据序列包括所述目标指标在与未来目标采样点对应的多个历史同期采样点的历史监测数据；
[0006]基于所述监测数据序列，通过预设预测算法得到所述目标指标在未来目标采样点的第一预测数据，以及基于所述历史监测数据序列，通过所述预设预测算法得到所述目标指标在未来目标采样点的第二预测数据；
[0007]依据所述监测数据序列及所述历史监测数据序列确定所述第一预测数据的第一权重，以及依据所述监测数据序列及所述历史监测数据序列确定所述第二预测数据的第二权重；
[0008]依据所述第一权重及所述第二权重，基于对所述第一预测数据及所述第二预测数据进行加权求和确定所述目标指标在未来目标采样点的目标预测监测数据。
[0009]可选地，所述方法还包括：
[0010]对所述监测数据序列进行特征提取，依据特征提取结果确定所述监测数据序列的特征标签；
[0011]确定所述目标指标在所述目标指标在未来目标采样点的目标预测监测数据之后，所述方法还包括：
[0012]依据所述监测数据序列的特征标签，确定所述目标指标的预警条件；
[0013]在确定所述目标预测监测数据满足所述预警条件的情况下，生成所述目标预测监测数据的预警信息。
[0014]可选地，对所述监测数据序列进行特征提取，依据特征提取结果确定所述监测数据序列的特征标签，包括：
[0015]若依据周期图分析法确定所述监测数据序列具有波动周期性，确定所述监测数据序列的特征标签为第一特征标签；
[0016]或者，若依据MK统计检验法确定所述监测数据序列具有递增性，确定所述监测数据序列的特征标签为第二特征标签；
[0017]或者，若依据MK统计检验法确定所述监测数据序列具有递减性，确定所述监测数据序列的特征标签为第三特征标签；
[0018]或者，若依据极值理论确定所述监测数据序列具有稳定性，确定所述监测数据序列的特征标签为第四特征标签。
[0019]可选地，所述监测数据序列的特征标签为第一特征标签，若所述目标预测监测数据的值不小于预设阈值，所述预警条件，包括：
[0020]所述目标预测监测数据的值达到第一预警阈值；
[0021]若所述目标预测监测数据的值小于预设阈值，所述预警条件，包括：
[0022]所述目标预测监测数据的值达到第二预警阈值；
[0023]所述第一预警阈值与所述第二预警阈值不同。
[0024]可选地，所述监测数据序列的特征标签为第二特征标签，所述监测数据序列包括按时间顺序依次划分的多个子监测数据段，所述多个子监测数据段至少包括第一子监测数据段及第二子监测数据段；
[0025]其中，所述第一子监测数据段对应第一预警阈值，所述第二子监测数据段对应第二预警阈值，所述第一预警阈值大于所述第二预警阈值；
[0026]所述预警条件，包括：
[0027]所述目标预测监测数据的值达到第三预警阈值；
[0028]所述第二预警阈值大于所述第三预警阈值。
[0029]可选地，所述监测数据序列的特征标签为第三特征标签，所述监测数据序列包括按时间顺序依次划分的多个子监测数据段，所述多个子监测数据段至少包括第一子监测数据段及第二子监测数据段；
[0030]所述第一子监测数据段对应第一预警阈值，所述第二子监测数据段对应第二预警阈值，所述第一预警阈值小于所述第二预警阈值；
[0031]所述预警条件，包括：
[0032]所述目标预测监测数据的值达到第三预警阈值；
[0033]所述第三预警阈值大于所述第二预警阈值。
[0034]可选地，所述监测数据序列的特征标签为第四特征标签，所述预警条件，包括：
[0035]所述目标预测监测数据的值达到预警阈值。
[0036]可选地，依据所述监测数据序列及所述历史监测数据序列确定所述第一预测数据的第一权重，包括：
[0037]计算所述监测数据序列的第一均值，以及计算所述历史监测数据序列的第二均
值；
[0038]对所述第一均值及第二均值求和，得到第一和值；
[0039]以所述第一均值与所述第一和值的比值作为所述第一预测数据的第一权重。
[0040]可选地，依据所述监测数据序列及所述历史监测数据序列确定所述第二预测数据的第二权重，包括：
[0041]以所述第二均值与所述第一和值的比值作为所述第二预测数据的第二权重。
[0042]可选地，依据所述第一权重及所述第二权重，基于对所述第一预测数据及所述第二预测数据进行加权求和确定所述目标指标在未来目标采样点的目标预测监测数据，包括：
[0043]以所述第一权重对所述第一预测数据加权，得到加权后的第一预测数据，以及以所述第二权重对所述第二预测数据加权，得到加权后的第二预测数据；
[0044]以加权后的第一预测数据与加权后的第二预测数据之和作为目标预测监测数据。
[0045]本申请的第二方面，提供一种基于数据学习的容量监测装置，包括：
[0046]数据获取模块，被配置为获取目标指标在预设时段内的监测数据序列，以及获取所述目标指标的历史监测数据序列，所述历史监测数据序列包括所述目标指标在与未来目标采样点对应的多个历史同期采样点的历史监测数据；
[0047]第一预测模块，被配置为基于所述监测数据序列，通过预设预测算法得到所述目标指标在未来目标采样点的第一预测数据，以及基于所述历史监测数据序列，通过所述预设预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据学习的容量监测方法，其特征在于，包括：获取目标指标在预设时段内的监测数据序列，以及获取所述目标指标的历史监测数据序列，所述历史监测数据序列包括所述目标指标在与未来目标采样点对应的多个历史同期采样点的历史监测数据；基于所述监测数据序列，通过预设预测算法得到所述目标指标在未来目标采样点的第一预测数据，以及基于所述历史监测数据序列，通过所述预设预测算法得到所述目标指标在未来目标采样点的第二预测数据；依据所述监测数据序列及所述历史监测数据序列确定所述第一预测数据的第一权重，以及依据所述监测数据序列及所述历史监测数据序列确定所述第二预测数据的第二权重；依据所述第一权重及所述第二权重，基于对所述第一预测数据及所述第二预测数据进行加权求和确定所述目标指标在未来目标采样点的目标预测监测数据。2.根据权利要求1所述的基于数据学习的容量监测方法，其特征在于，所述方法还包括：对所述监测数据序列进行特征提取，依据特征提取结果确定所述监测数据序列的特征标签；确定所述目标指标在未来目标采样点的目标预测监测数据之后，所述方法还包括：依据所述监测数据序列的特征标签，确定所述目标指标的预警条件；在确定所述目标预测监测数据满足所述预警条件的情况下，生成所述目标预测监测数据的预警信息。3.根据权利要求2所述的基于数据学习的容量监测方法，其特征在于，对所述监测数据序列进行特征提取，依据特征提取结果确定所述监测数据序列的特征标签，包括：若依据周期图分析法确定所述监测数据序列具有波动周期性，确定所述监测数据序列的特征标签为第一特征标签；或者，若依据MK统计检验法确定所述监测数据序列具有递增性，确定所述监测数据序列的特征标签为第二特征标签；或者，若依据MK统计检验法确定所述监测数据序列具有递减性，确定所述监测数据序列的特征标签为第三特征标签；或者，若依据极值理论确定所述监测数据序列具有稳定性，确定所述监测数据序列的特征标签为第四特征标签。4.根据权利要求3所述的基于数据学习的容量监测方法，其特征在于，所述监测数据序列的特征标签为第一特征标签，若所述目标预测监测数据的值不小于预设阈值，所述预警条件，包括：所述目标预测监测数据的值达到第一预警阈值；若所述目标预测监测数据的值小于预设阈值，所述预警条件，包括：所述目标预测监测数据的值达到第二预警阈值；所述第一预警阈值与所述第二预警阈值不同。5.根据权利要求3所述的基于数据学习的容量监测方法，其特征在于，所述监测数据序列的特征标签为第二特征标签，所述监测数据序列包括按时间顺序依次划分的多个子监测数据段，所述多个子监测数据段至少包括第一子监测数据段及第二子监测数据段；
其中，所述第一子监测数据段对应第一预警阈值，所述第二子监测数据段对应第二预警阈值，所述第一预警阈值大于所述第二预警阈值；所述预警条件，包括：所述目标预测监测数据的值达到第三预警阈值；所述第二预警阈值大于所述第三预警阈值。6.根据权利要求3所述的基于数据学习的容量监测方法，其特征在于，所述监测数据序列的特征标签为第三特征标签，所述监测数据序列包括按时间顺序依次划分的多个子监测数据段，所述多个子监测数据段至少包括第一子监测数据段及第二子监测数据段；所述第一子监测数据段对...

【专利技术属性】
技术研发人员：金勇，
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：