基于性能指标的干扰异常检测方法技术

本申请涉及异常检测技术领域，揭示了一种基于性能指标的干扰异常检测方法

【技术实现步骤摘要】
基于性能指标的干扰异常检测方法、装置、设备及介质


[0001]本专利技术涉及异常检测
，尤其涉及一种基于性能指标的干扰异常检测方法
、
装置
、
设备及介质
。

技术介绍

[0002]随着云计算技术的迅猛发展，企业和组织越来越倾向于将其应用部署在云平台上，以获得更大的灵活性
、
可扩展性和效率
。
然而，随着应用数量的增加和规模的扩大，云原生应用的部署和维护成本也逐渐成为一个挑战
。
为了应对这一挑战，应用混部技术逐渐崭露头角，为云原生应用的成本优化提供了新的解决方案
。
[0003]然而
,
底层容器对系统各项资源的隔离相较于传统虚拟机来说偏弱，而同一台物理主机上部署多个应用多个容器，容器间的干扰无法避免
。
因此一旦高优先级别容器受到干扰而无法对服务质量做到保证，那混部场景下带来的灵活性和成本节省也失去了意义
。
由于不同应用容器间的相互影响以及差异化的特点，在混部场景下，如何高效准确的对性能指标进行异常检测成为亟待解决的问题
。

技术实现思路

[0004]基于此，有必要针对现有技术中对性能指标进行异常检测不够高效准确的技术问题，提出了一种基于性能指标的干扰异常检测方法
、
装置
、
设备及介质
。
[0005]第一方面，提供了一种基于性能指标的干扰异常检测方法，所述方法包括：获取当前的性能指标以及历史直方图数据；根据
HBOS
算法和所述性能指标，生成目标直方图数据；根据所述目标直方图数据和所述历史直方图数据，确定目标评价数据；基于所述目标评价数据确定所述性能指标是否异常
。
[0006]第二方面，提供了一种基于性能指标的干扰异常检测装置，所述装置包括：获取模块，用于获取当前的性能指标以及历史直方图数据；生成模块，用于根据
HBOS
算法和所述性能指标，生成目标直方图数据
。
[0007]所述装置还包括：评价模块，用于根据所述目标直方图数据和所述历史直方图数据，确定目标评价数据；异常模块，用于基于所述目标评价数据确定所述性能指标是否异常
。
[0008]第三方面，提供了一种计算机设备，包括存储器
、
处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于性能指标的干扰异常检测方法的步骤
。
[0009]第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于性能指标的干扰异常检测方法的步骤
。
[0010]本实施例提出的基于性能指标的干扰异常检测方法，通过获取当前的性能指标以及历史直方图数据，接着根据
HBOS
算法和所述性能指标，生成目标直方图数据，而后根据所述目标直方图数据和所述历史直方图数据，确定目标评价数据，从而基于所述目标评价数据确定所述性能指标是否异常
。
由于历史直方图数据是过去时间正常的性能指标生成的直方图数据，能很好体现目标直方图数据是否出现异常，故而通过历史直方图数据和目标直方图数据，得到能够正确反映目标直方图数据状态的目标评价数据，从而高效准确地根据目标评价数据确定性能指标是否异常
。
附图说明
[0011]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0012]其中：图1为一个实施例中基于性能指标的干扰异常检测方法的应用环境图；图2为一个实施例中基于性能指标的干扰异常检测方法的流程图；图3为一个实施例中基于性能指标的干扰异常检测装置的结构框图；图4为一个实施例中计算机设备的结构框图；图5为另一个实施例中计算机设备的结构框图
。
具体实施方式
[0013]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例
。
基于本专利技术中的实施例，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，都属于本专利技术保护的范围
。
[0014]本专利技术实施例提供的基于性能指标的干扰异常检测方法，可应用在如图1的应用环境中，其中，客户端
110
通过网络与服务端
120
进行通信
。
服务端
120
可以通过客户端
110
接收当前的性能指标以及历史直方图数据，接着根据
HBOS
算法和所述性能指标，生成目标直方图数据，而后根据所述目标直方图数据和所述历史直方图数据，确定目标评价数据，从而基于所述目标评价数据确定所述性能指标是否异常
。
由于历史直方图数据是过去时间正常的性能指标生成的直方图数据，能很好体现目标直方图数据是否出现异常，故而通过历史直方图数据和目标直方图数据，得到能够正确反映目标直方图数据状态的目标评价数据，从而高效准确地根据目标评价数据确定性能指标是否异常
。
其中，客户端
110
可以但不限于各种个人计算机
、
笔记本电脑
、
智能手机
、
平板电脑和便携式可穿戴设备
。
服务端
120
可以用独立的服务器或者是多个服务器组成的服务器集群来实现
。
下面通过具体的实施例对本专利技术进行详细的描述
。
[0015]请参阅图2所示，图2为本专利技术一实施例提供的基于性能指标的干扰异常检测方法的一个流程示意图，包括如下步骤：步骤
S101
：获取当前的性能指标以及历史直方图数据；
其中，当前的性能指标可以是当前的
CPU 利用率
、CPI
（
Clock cycle Per Instruction
）
、
缓存缺失，
CPI
是指
CPI
表示每条计算机指令执行所需的时钟周期
。CPI
通常用于衡量计算机性能，
CPI
取决于计算机组成和指令系统的结构
。
当前的性能指标还可以是内存指标，内存指标包括内存利用率等，当前的性能指标还可以是输入输出指标，输入输出指标可以是
IOPS(Input/Output Operations Per Second)、
系统平均吞吐量等
。
历史直方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于性能指标的干扰异常检测方法，所述基于性能指标的干扰异常检测方法包括：获取当前的性能指标以及历史直方图数据；根据
HBOS
算法和所述性能指标，生成目标直方图数据；根据所述目标直方图数据和所述历史直方图数据，确定目标评价数据；基于所述目标评价数据确定所述性能指标是否异常
。2.
根据权利要求1所述的基于性能指标的干扰异常检测方法，其特征在于，所述性能指标包括
CPU
指标
、
内存指标以及输入输出指标，所述目标直方图数据包括第一直方图数据
、
第二直方图数据和第三直方图数据，所述根据
HBOS
算法和所述性能指标，生成目标直方图数据的步骤，包括：根据
HBOS
算法，对所述
CPU
指标构建直方图，得到所述
CPU
指标对应的第一直方图数据；根据
HBOS
算法，对所述内存指标构建直方图，得到所述内存指标对应的第二直方图；根据
HBOS
算法，对所述输入输出指标构建直方图，得到所述输入输出指标对应的第三直方图
。3.
根据权利要求2所述的基于性能指标的干扰异常检测方法，其特征在于，所述第一直方图数据包括多个第一区间，所述第二直方图数据包括多个第二区间，所述第三直方图数据包括多个第三区间，所述根据所述目标直方图数据和所述历史直方图数据，确定目标评价数据的步骤，包括：根据所述第一区间的区间宽度
、
所述第一区间内数据点的数量以及第一数据点总数量，确定第一概率密度，其中，所述第一数据点总数量为各个所述第一区间内数据点的数量之和；根据所述第二区间的区间宽度
、
所述第二区间内数据点的数量以及第二数据点总数量，确定第二概率密度，其中，所述第二数据点总数量为各个所述第二区间内数据点的数量之和；根据所述第三区间的区间宽度
、
所述第三区间内数据点的数量以及第三数据点总数量，确定第三概率密度，其中，所述第三数据点总数量为各个所述第三区间内数据点的数量之和；基于所述第一概率密度
、
所述第二概率密度
、
所述第三概率密度以及所述历史直方图数据，确定所述目标评价数据
。4.
根据权利要求3所述的基于性能指标的干扰异常检测方法，其特征在于，所述历史直方图数据包括第四直方图数据
、
第五直方图数据以及第六直方图数据，所述第四直方图数据是基于历史
CPU
指标构建的直方图数据，所述第四直方图数据的各个第四区间与各个所述第一区间一一对应
,
所述第五直方图数据是基于历史内存指标构建的直方图数据，所述第五直方图数据的各个第五区间与各个所述第二区间一一对应
,
所述第六直方图数据是基于历史输入输出指标构建的直方图数据，所述第六直方图数据的各个第六区...

【专利技术属性】
技术研发人员：叶可江，高瑞鸿，徐敏贤，须成忠，张佐玮，曾凡松，
申请(专利权)人：阿里云计算有限公司，
类型：发明
国别省市：