CN111897705A - 服务状态处理、模型训练方法、装置、设备和存储介质 - Google Patents
服务状态处理、模型训练方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111897705A CN111897705A CN202010639456.8A CN202010639456A CN111897705A CN 111897705 A CN111897705 A CN 111897705A CN 202010639456 A CN202010639456 A CN 202010639456A CN 111897705 A CN111897705 A CN 111897705A
- Authority
- CN
- China
- Prior art keywords
- service
- abnormal
- indexes
- determining
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 238000012549 training Methods 0.000 title claims description 56
- 238000012545 processing Methods 0.000 title claims description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 136
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 238000010801 machine learning Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明实施例提供服务状态处理方法、装置、设备和存储介质,该方法包括:获取一项服务的多个服务指标;根据异常检测算法,确定所述多个服务指标中的异常服务指标;输入所述异常服务指标到预训练的机器学习模型,确定所述服务的服务状态。通过获取某一项服务的多个服务指标进行异常判断,若发现存在异常指标,则该服务的异常指标输入到预先训练好的机器学习模型当中,利用机器学习模型根据这些服务异常指标判断当前服务状态是否正常。通过上述技术方案,能够在无需人为干预的情况下,根据实时监测到的各项异常服务指标判断出当前服务状态是否正常,能够有效减轻工作人员的工作负担,提升检测效率和判断效率。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及服务状态处理、模型训练方法、装置、设备和存储介质。
背景技术
随着互联网技术的发展,在一些应用场景中可能同时应用到很多种服务。在使用过程中,还需要对这些服务的工作状态进行监控,保证各项服务都能够顺利进行。
在现有技术中,通常是获取各项服务的服务指标,同时还需要设定各项服务指标的指标阈值。在使用过程中,需要将当前采集到的服务指标与指标阈值进行比较,从而判断出当前服务指标是否正常。若发现当前服务存在不正常的服务指标,还需要工作人员根据经验判断当前服务状态是否正常。这样的监控方式比较耗费人员精力,同时还考验人员工作经验,影响判断结果的准确性。
因此,需要一种能够更加简单、准确判断当前服务状态的方案。
发明内容
本发明实施例提供服务状态处理、模型训练方法、装置、设备和存储介质,用以实现简单、准确判断当前服务状态的需求。
第一方面,本发明实施例提供一种服务状态处理方法,该方法包括:
获取一项服务的多个服务指标;
根据异常检测算法,确定所述多个服务指标中的异常服务指标;
输入所述异常服务指标到预训练的机器学习模型,确定所述服务的服务状态。
可选地,所述根据异常检测算法,确定所述多个服务指标中的异常服务指标,包括:
根据所述多个服务指标,确定服务指标平均值;
根据所述异常检测算法,确定所述多个服务指标中的初始异常服务指标;
根据所述服务指标平均值与所述初始异常服务指标的大小关系,确定所述多个服务指标中的异常服务指标。
可选地,所述异常检测算法包括二分K均值算法。
可选地,所述输入所述异常服务指标到预训练机器模型,确定所述服务的服务状态,包括:输入所述异常服务指标到决策树模型;
利用所述决策树模型判断所述服务的服务状态;
若所述服务状态为异常状态,则发送异常通知信息给客户端。
第二方面,本发明实施例提供一种机器学习模型训练方法,该方法包括:
获取一项服务的多个服务指标和服务状态标识;
根据异常检测算法,确定所述多个服务指标中的异常服务指标作为训练样本;
利用所述训练样本和所述服务状态标识,对所述机器学习模型进行训练。
可选地,所述根据异常算法,确定所述多个服务指标中的异常服务指标作为训练样本,包括:
根据所述多个服务指标,确定服务指标平均值;
根据所述异常检测算法,确定所述多个服务指标中的初始异常服务指标;
根据所述服务指标平均值与所述初始异常服务指标的大小关系,确定所述多个服务指标中的异常服务指标作为训练样本。
第三方面,本发明实施例提供一种服务状态处理装置,所述装置包括:
获取模块,用于获取一项服务的多个服务指标;
确定模块,用于根据异常检测算法,确定所述多个服务指标中的异常服务指标;
判断模块,用于输入所述异常服务指标到预训练的机器学习模型,确定所述服务的服务状态。
第四方面,本发明实施例提供一种机器学习模型训练装置,所述装置包括:
获取模块,用于获取一项服务的多个服务指标和服务状态标识;
确定模块,用于根据异常检测算法,确定所述多个服务指标中的异常服务指标作为训练样本;
训练模块,用于利用所述训练样本和所述服务状态标识,对所述机器学习模型进行训练。
第五方面,本发明实施例提供一种电子设备,包括:处理器、存储器,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现第一方面中任一项所述的服务状态处理方法。
第六方面,本发明实施例提供一种存储有计算机程序的计算机可读存储介质,当所述计算机程序被一个或多个处理器执行时,致使所述一个或多个处理器执行包括以下的动作:
获取一项服务的多个服务指标;
根据异常检测算法,确定所述多个服务指标中的异常服务指标;
输入所述异常服务指标到预训练的机器学习模型,确定所述服务的服务状态。
本发明实施例中,通过获取某一项服务的多个服务指标进行异常判断,若发现存在异常指标,则该服务的异常指标输入到预先训练好的机器学习模型当中,利用机器学习模型根据这些服务异常指标判断当前服务状态是否正常。通过上述技术方案,能够在无需人为干预的情况下,根据实时监测到的各项异常服务指标判断出当前服务状态是否正常,能够有效减轻工作人员的工作负担,提升检测效率和判断效率。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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。
图1为本申请实施例提供的一种服务状态处理方法的流程示意图;
图2为本申请实施例提供的一种机器学习的训练方法的流程示意图;
图3为本申请实施例提供的一种服务状态处理装置的结构示意图;
图4为本申请实施例提供的一种机器学习模型训练装置的结构示意图;
图5为与图3所述实施例提供的实时数据处理装置对应的电子设备的结构示意图;
图6为与图4所述实施例提供的实时数据处理装置对应的电子设备的结构示意图;
图7为本申请实施例提供的举例说明异常服务指标的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种,但是不排除包含至少一种的情况。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者***中还存在另外的相同要素。
另外,下述各方法实施例中的步骤时序仅为一种举例,而非严格限定。
为了确保***或者应用的稳定运行,通常会对其中运行的各项服务进行监控。容易理解的是,为了能实现对服务的有效监控,通常会获取服务中各项服务指标,若发现服务指标异常,则将该异常信息及时通知到工作人员,以便工作人员根据该各项异常指标判断当前服务的状态,若当前服务出现了问题,则工作人员会及时进行处理,若没出问题则忽略该异常。在这个过程中,需要工作人员根据经验或者根据指导手册判断哪些指标影响服务正常工作,哪些不影响。这个判断过程可能会由于工作人员的差别导致判断结果不准确,而且判断过程较慢,影响运行效率。
因此,本申请实施例提出一种能够自动及时判断服务状态的技术方案。
图1为本申请实施例提供的一种服务状态处理方法的流程示意图,如图1 所示,该方法包括以下步骤:
101:获取一项服务的多个服务指标。
102:根据异常检测算法,确定所述多个服务指标中的异常服务指标。
103:输入所述异常服务指标到预训练的机器学习模型,确定所述服务的服务状态。
在实际应用中,不同服务所具有的服务指标可能不完全相同。因此,在获取服务指标的时候,需要根据服务类型选择性的获取服务指标。对于无关紧要 (无法判断服务状态)的指标可以不用获取。
这里所说的异常检测算法,可以是二分K均值(Bisecting KMeans)算法,该算法属于聚类算法的一种,是对K-Means的优化。当然,除此之外,还可以采用其他类似算法,比如,均值偏移聚类算法、DBSCAN聚类算法等等。在实际应用中,用户可以根据实际应用场景和需求自己选择合适的算法,这里仅作为举例说明,并不构成对本申请技术方案的限制。
在获得所需的异常服务指标之后,将异常服务指标作为机器学习模型的输入,然后,利用该机器学习模型可以及时、准确的判断出当前服务状态是否正常。不再需要工作人员参与,能够有效提高监控效率,可以二十四小时无人监测。在通过机器学习模型判断服务状态异常之后,可以通过***或者即时消息通知工作人员尽快处理。
如图7为本申请实施例提供的举例说明异常服务指标的示意图。在本申请一个或者多个实施例中,所述根据异常检测算法,确定所述多个服务指标中的异常服务指标,包括:根据所述多个服务指标,确定服务指标平均值;根据所述异常检测算法,确定所述多个服务指标中的初始异常服务指标;根据所述服务指标平均值与所述初始异常服务指标的大小关系,确定所述多个服务指标中的异常服务指标。
在实际应用中,为了确保异常服务指标的准确性,在利用异常检测算法计算得到异常服务指标之后,还需要对其进行二次判断。在进行二次判断的时候,需要利用服务指标平均值进行判断,这里所说的服务指标平均值,是指根据历史数据求得该服务指标的平均值,如果当前初始异常服务指标与服务指标平均值之间的差值大于一定阈值之后,则认为该初始异常服务指标确实为异常指标,经过二次判断能够解决异常检测算法对微小的差异也很敏感导致判断失误的问题。
在本申请一个或者多个实施例中,所述输入所述异常服务指标到预训练机器模型,确定所述服务的服务状态,包括:输入所述异常服务指标到决策树模型;利用所述决策树模型判断所述服务的服务状态;若所述服务状态为异常状态,则发送异常通知信息给客户端。
常见的算法包括CART(Classification And Regression Tree)、ID3、C4.5、随机森林(Random Forest)等。
这里所说的客户端,可以是手机或者计算机、平板电脑等智能终端,能够通过***接收异常通知信息,也可以通过即时消息接收异常通知信息。通过上述方案,无需工作人员时刻监控各个服务运行状态,也无需工作人员参与到判断过程中,能够有效减轻工作人员的工作量,同时,利用机器学习模型对异常服务指标进行判断的工作效率更高、准确率更高。
基于同样的思路,本申请实施例提供一种机器学习模型的训练方法。如图2 为本申请实施例提供的机器学习模型的训练方法的流程示意图。
201:获取一项服务的多个服务指标和服务状态标识。
202:根据异常检测算法,确定所述多个服务指标中的异常服务指标作为训练样本。
203:利用所述训练样本和所述服务状态标识,对所述机器学习模型进行训练。
在实际应用中,可以针对不同的服务训练专用的机器学习模型,从而能够有效提高判断的准确率。当然,如果多个服务比较相似,而且指标也很相似或者相同,则可以利用多个服务的服务指标训练一个机器学习模型。
训练该机器学习模型的目的是为了能够根据异常服务指标判断服务状态是否异常。因此,在选择训练样本的时候,需要将各个异常服务指标作为训练样本,并且采用有监督学习算法进行训练,这里所采用的训练标签是服务状态标识,这里所说的服务状态标识包括:服务状态正常、服务状态异常。
在本申请一个或者多个实施例中,所述根据异常算法,确定所述多个服务指标中的异常服务指标作为训练样本,包括:根据所述多个服务指标,确定服务指标平均值;根据所述异常检测算法,确定所述多个服务指标中的初始异常服务指标;根据所述服务指标平均值与所述初始异常服务指标的大小关系,确定所述多个服务指标中的异常服务指标作为训练样本。
在实际应用中,为了能够训练得到更加准确的机器学***均值进行判断,这里所说的服务指标平均值,是指根据历史数据求得该服务指标的平均值,如果当前初始异常服务指标与服务指标平均值之间的差值大于一定阈值之后,则认为该初始异常服务指标确实为异常指标,并且可以将这个异常服务指标作为训练样本。
基于同样的思路,本申请实施例还提供一种服务状态处理装置,如图3为本申请实施例提供的一种服务状态处理装置的结构示意图。所述装置包括:
获取模块31,用于获取一项服务的多个服务指标;
确定模块32,用于根据异常检测算法,确定所述多个服务指标中的异常服务指标;
判断模块33,用于输入所述异常服务指标到预训练的机器学习模型,确定所述服务的服务状态。
可选地,确定模块32,用于根据所述多个服务指标,确定服务指标平均值;根据所述异常检测算法,确定所述多个服务指标中的初始异常服务指标;根据所述服务指标平均值与所述初始异常服务指标的大小关系,确定所述多个服务指标中的异常服务指标。
可选地,所述异常检测算法包括二分K均值算法。
可选地,判断模块33,用于输入所述异常服务指标到决策树模型;利用所述决策树模型判断所述服务的服务状态;若所述服务状态为异常状态,则发送异常通知信息给客户端。
基于同样的思路,本申请实施例还提供一种机器学习模型训练装置,如图4 为本申请实施例提供的一种实时数据处理装置的结构示意图。所述装置包括:
获取模块41,用于获取一项服务的多个服务指标和服务状态标识;
确定模块42,用于根据异常检测算法,确定所述多个服务指标中的异常服务指标作为训练样本;
训练模块43,用于利用所述训练样本和所述服务状态标识,对所述机器学习模型进行训练。
可选地,确定模块42,用于根据所述多个服务指标,确定服务指标平均值;根据所述异常检测算法,确定所述多个服务指标中的初始异常服务指标;根据所述服务指标平均值与所述初始异常服务指标的大小关系,确定所述多个服务指标中的异常服务指标作为训练样本。
通过上述方案,通过获取某一项服务的多个服务指标进行异常判断,若发现存在异常指标,则该服务的异常指标输入到预先训练好的机器学习模型当中,利用机器学习模型根据这些服务异常指标判断当前服务状态是否正常。通过上述技术方案,能够在无需人为干预的情况下,根据实时监测到的各项异常服务指标判断出当前服务状态是否正常,能够有效减轻工作人员的工作负担,提升检测效率和判断效率。
在一个可能的设计中,上述图3所示服务状态处理装置的结构可实现为一电子设备,如图5所示为与图3所述实施例提供的服务状态处理装置对应的电子设备的结构示意图,该电子设备可以包括:处理器51、存储器52,所述存储器52 用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器51执行时实现前述各实施例中客户端所执行的各步骤。
可选地,该电子设备中还可以包括通信接口53,用于与其他设备进行通信。
另外,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质。当计算机可读存储介质存储计算机程序,且计算机程序被一个或多个处理器执行时,致使一个或多个处理器执行相应图1所示方法实施例中的各步骤。
在一个可能的设计中,上述图4所示机器学习模型训练装置的结构可实现为一电子设备,如图6所示为与图4所述实施例提供的机器学习模型训练装置对应的电子设备的结构示意图,该电子设备可以包括:处理器61、存储器62,所述存储器62用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器61执行时实现前述各实施例中客户端所执行的各步骤。
可选地,该电子设备中还可以包括通信接口63,用于与其他设备进行通信。
另外,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质。当计算机可读存储介质存储计算机程序,且计算机程序被一个或多个处理器执行时,致使一个或多个处理器执行相应图2所示方法实施例中的各步骤。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现,当然也可以通过硬件和软件结合的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程更新设备的处理器以产生一个机器,使得通过计算机或其他可编程设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM) 和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种服务状态处理方法,其特征在于,所述方法包括:
获取一项服务的多个服务指标;
根据异常检测算法,确定所述多个服务指标中的异常服务指标;
输入所述异常服务指标到预训练的机器学习模型,确定所述服务的服务状态。
2.根据权利要求1所述的方法,其特征在于,所述根据异常检测算法,确定所述多个服务指标中的异常服务指标,包括:
根据所述多个服务指标,确定服务指标平均值;
根据所述异常检测算法,确定所述多个服务指标中的初始异常服务指标;
根据所述服务指标平均值与所述初始异常服务指标的大小关系,确定所述多个服务指标中的异常服务指标。
3.根据权利要求2所述的方法,其特征在于,所述异常检测算法包括二分K均值算法。
4.根据权利要求1所述的方法,其特征在于,所述输入所述异常服务指标到预训练机器模型,确定所述服务的服务状态,包括:
输入所述异常服务指标到决策树模型;
利用所述决策树模型判断所述服务的服务状态;
若所述服务状态为异常状态,则发送异常通知信息给客户端。
5.一种机器学习模型的训练方法,其特征在于,所述方法包括:
获取一项服务的多个服务指标和服务状态标识;
根据异常检测算法,确定所述多个服务指标中的异常服务指标作为训练样本;
利用所述训练样本和所述服务状态标识,对所述机器学习模型进行训练。
6.根据权利要求5所述的训练方法,其特征在于,所述根据异常算法,确定所述多个服务指标中的异常服务指标作为训练样本,包括:
根据所述多个服务指标,确定服务指标平均值;
根据所述异常检测算法,确定所述多个服务指标中的初始异常服务指标;
根据所述服务指标平均值与所述初始异常服务指标的大小关系,确定所述多个服务指标中的异常服务指标作为训练样本。
7.一种服务状态处理装置,其特征在于,所述装置包括:
获取模块,用于获取一项服务的多个服务指标;
确定模块,用于根据异常检测算法,确定所述多个服务指标中的异常服务指标;
判断模块,用于输入所述异常服务指标到预训练的机器学习模型,确定所述服务的服务状态。
8.一种机器学习模型训练装置,其特征在于,所述装置包括:
获取模块,用于获取一项服务的多个服务指标和服务状态标识;
确定模块,用于根据异常检测算法,确定所述多个服务指标中的异常服务指标作为训练样本;
训练模块,用于利用所述训练样本和所述服务状态标识,对所述机器学习模型进行训练。
9.一种电子设备,其特征在于,包括:处理器、存储器,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现权利要求1至4中任一项所述的服务状态处理方法。
10.一种存储有计算机程序的计算机可读存储介质,其特征在于,当所述计算机程序被一个或多个处理器执行时,致使所述一个或多个处理器执行包括以下的动作:
获取一项服务的多个服务指标;
根据异常检测算法,确定所述多个服务指标中的异常服务指标;
输入所述异常服务指标到预训练的机器学习模型,确定所述服务的服务状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010639456.8A CN111897705B (zh) | 2020-07-06 | 2020-07-06 | 服务状态处理、模型训练方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010639456.8A CN111897705B (zh) | 2020-07-06 | 2020-07-06 | 服务状态处理、模型训练方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111897705A true CN111897705A (zh) | 2020-11-06 |
CN111897705B CN111897705B (zh) | 2024-03-12 |
Family
ID=73191626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010639456.8A Active CN111897705B (zh) | 2020-07-06 | 2020-07-06 | 服务状态处理、模型训练方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111897705B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112463432A (zh) * | 2020-12-08 | 2021-03-09 | 广州品唯软件有限公司 | 基于指标数据的巡检方法、装置及*** |
CN113055246A (zh) * | 2021-03-11 | 2021-06-29 | 中国工商银行股份有限公司 | 异常服务节点识别方法、装置、设备及存储介质 |
CN113190417A (zh) * | 2021-06-01 | 2021-07-30 | 京东科技控股股份有限公司 | 微服务状态检测方法、模型的训练方法、设备及存储介质 |
CN113347201A (zh) * | 2021-06-25 | 2021-09-03 | 安徽容知日新科技股份有限公司 | 一种异常检测方法、***及计算设备 |
CN113608118A (zh) * | 2021-07-06 | 2021-11-05 | 深圳市研控自动化科技有限公司 | 伺服端子机的异常检测方法、设备及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108199920A (zh) * | 2017-12-29 | 2018-06-22 | 北京星河星云信息技术有限公司 | 监控云平台中的服务器的性能的方法和服务器 |
CN108804251A (zh) * | 2018-05-31 | 2018-11-13 | 深圳市智象科技有限公司 | 一种运行维护的数据处理方法和装置 |
CN109359768A (zh) * | 2018-09-25 | 2019-02-19 | 联想(北京)有限公司 | 一种数据处理方法、服务器及电子设备 |
CN111913848A (zh) * | 2020-07-24 | 2020-11-10 | 上海泛微网络科技股份有限公司 | 一种数据监测分析方法及相关设备 |
-
2020
- 2020-07-06 CN CN202010639456.8A patent/CN111897705B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108199920A (zh) * | 2017-12-29 | 2018-06-22 | 北京星河星云信息技术有限公司 | 监控云平台中的服务器的性能的方法和服务器 |
CN108804251A (zh) * | 2018-05-31 | 2018-11-13 | 深圳市智象科技有限公司 | 一种运行维护的数据处理方法和装置 |
CN109359768A (zh) * | 2018-09-25 | 2019-02-19 | 联想(北京)有限公司 | 一种数据处理方法、服务器及电子设备 |
CN111913848A (zh) * | 2020-07-24 | 2020-11-10 | 上海泛微网络科技股份有限公司 | 一种数据监测分析方法及相关设备 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112463432A (zh) * | 2020-12-08 | 2021-03-09 | 广州品唯软件有限公司 | 基于指标数据的巡检方法、装置及*** |
CN113055246A (zh) * | 2021-03-11 | 2021-06-29 | 中国工商银行股份有限公司 | 异常服务节点识别方法、装置、设备及存储介质 |
CN113055246B (zh) * | 2021-03-11 | 2022-11-22 | 中国工商银行股份有限公司 | 异常服务节点识别方法、装置、设备及存储介质 |
CN113190417A (zh) * | 2021-06-01 | 2021-07-30 | 京东科技控股股份有限公司 | 微服务状态检测方法、模型的训练方法、设备及存储介质 |
CN113347201A (zh) * | 2021-06-25 | 2021-09-03 | 安徽容知日新科技股份有限公司 | 一种异常检测方法、***及计算设备 |
CN113347201B (zh) * | 2021-06-25 | 2023-08-18 | 安徽容知日新科技股份有限公司 | 一种异常检测方法、***及计算设备 |
CN113608118A (zh) * | 2021-07-06 | 2021-11-05 | 深圳市研控自动化科技有限公司 | 伺服端子机的异常检测方法、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111897705B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111897705B (zh) | 服务状态处理、模型训练方法、装置、设备和存储介质 | |
WO2020259421A1 (zh) | 一种业务***的监控方法及装置 | |
CN106951925B (zh) | 数据处理方法、装置、服务器及*** | |
CN108445410B (zh) | 一种监测蓄电池组运行状态的方法及装置 | |
CN112712113B (zh) | 一种基于指标的告警方法、装置及计算机*** | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
AU2019275633B2 (en) | System and method of automated fault correction in a network environment | |
CN106953766B (zh) | 一种报警方法及装置 | |
CN113313280B (zh) | 云平台的巡检方法、电子设备及非易失性存储介质 | |
CN112015618A (zh) | 异常告警方法及装置 | |
CN109828888A (zh) | 业务***状态监控方法、装置及计算机可读存储介质 | |
CN111314137A (zh) | 信息通信网络自动化运维方法、装置、存储介质和处理器 | |
CN108039971A (zh) | 一种告警方法及装置 | |
CN116089218A (zh) | 基于Kubernetes的历史数据和趋势分析的动态基线告警方法及*** | |
CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 | |
US20160299966A1 (en) | System and Method for Creation and Detection of Process Fingerprints for Monitoring in a Process Plant | |
CN114153646A (zh) | 一种运维故障处置方法、装置及存储介质、处理器 | |
CN113342625A (zh) | 一种数据监控方法及*** | |
CN111935279B (zh) | 基于区块链和大数据的物联网络维护方法及计算节点 | |
CN113222223B (zh) | 实时数仓的风控联动预警方法、***、设备及存储介质 | |
CN111367781B (zh) | 一种实例处理方法及其装置 | |
CN110457367B (zh) | 发现数据异动的方法和*** | |
CN112398706B (zh) | 数据评估标准确定方法、装置及存储介质、电子设备 | |
CN114676002A (zh) | 基于phm技术的***运维方法及装置 | |
CN111722977A (zh) | ***巡检方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |