云平台关键性能指标的状态检测方法技术

本发明专利技术涉及云平台技术领域，公开了云平台关键性能指标的状态检测方法

【技术实现步骤摘要】
云平台关键性能指标的状态检测方法、装置、设备及介质


[0001]本专利技术涉及云平台
，具体涉及云平台关键性能指标的状态检测方法
、
装置
、
设备及介质
。

技术介绍

[0002]云平台也称为云计算平台，是基于硬件资源和软件资源，用于提供计算
、
网络和存储能力的服务平台
。
云平台监控系统不间断的从云平台中采集大量时序关键性能指标
(Key Performance Indicator
，
KPI)
，例如中央处理器
(Central Processing Unit
，
CPU)
使用率，网络吞吐量等，来判断平台的运行状态
。
[0003]随着云平台的越来越成熟，平台规模也从最初的几台
、
十几台上升到几百台甚至上千台，同时云平台自身的服务也越来越多
、
调用也越来越复杂，使云平台监控系统的监控数据越来越多且越来越复杂
。/>[0004]传统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种云平台关键性能指标的状态检测方法，其特征在于，所述方法包括：获取云平台关键性能指标的性能数据；基于双向循环神经网络模型对所述性能数据进行特征提取，得到序列特征；根据注意力机制特征提取网络模型对所述序列特征进行二次特征提取，得到所述性能数据的目标特征；将所述目标特征输入分布式梯度增强库分类器，得到所述性能数据的状态，所述分布式梯度增强库分类器的输入为目标特征，所述分布式梯度增强库分类器的输出为性能数据的状态
。2.
根据权利要求1所述的方法，其特征在于，所述获取云平台关键性能指标的性能数据之后，所述方法还包括：将所述性能数据按照预设时间长度划分，得到多个性能数据组；对所述多个性能数据组进行归一化处理，通过归一化处理之后的所述多个性能数据组用于输入至所述双向循环神经网络模型中
。3.
根据权利要求2所述的方法，其特征在于，所述基于双向循环神经网络模型对所述性能数据进行特征提取，得到序列特征，包括：将所述多个性能数据组输入至训练完成的双向循环神经网络模型，所述双向循环神经网络模型的输入为性能数据，所述双向循环神经网络模型的输出为序列特征；根据所述双向循环神经网络模型得到序列特征
。4.
根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括对所述双向循环神经网络模型进行训练的过程；训练所述双向循环神经网络模型的过程，包括：获取云平台关键性能指标的历史性能数据；将所述历史性能数据按照预设时间长度划分，得到多个历史性能数据组；对所述多个历史性能数据组进行归一化处理；将所述多个历史性能数据组划分为测试集和训练集；构建双向循环神经网络模型，所述双向循环神经网络模型包括输入层
、
输出层以及隐藏层；将所述训练集输入至所述双向循环神经网络模型，对所述双向循环神经网络模型进行训练；将测试集输入至所述双向循环神经网络模型，对所述双向循环神经网络模型进行评估；保存训练完成的所述双向循环神经网络模型
。5.
根据权利要求4所述的方法，其特征在于，所述双向循环神经网络模型通过如下公式表示：
y
i
＝
g(w
o1
*h
f
+w
o2
*h
b

【专利技术属性】
技术研发人员：苏海明，
申请(专利权)人：济南浪潮数据技术有限公司，
类型：发明
国别省市：