CN111949498A - 应用服务器异常预测方法及*** - Google Patents

应用服务器异常预测方法及*** Download PDF

Info

Publication number
CN111949498A
CN111949498A CN202010794365.1A CN202010794365A CN111949498A CN 111949498 A CN111949498 A CN 111949498A CN 202010794365 A CN202010794365 A CN 202010794365A CN 111949498 A CN111949498 A CN 111949498A
Authority
CN
China
Prior art keywords
historical
health degree
application server
predicted
time point
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
Application number
CN202010794365.1A
Other languages
English (en)
Other versions
CN111949498B (zh
Inventor
张晓娜
暨光耀
傅媛媛
黄琼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202010794365.1A priority Critical patent/CN111949498B/zh
Publication of CN111949498A publication Critical patent/CN111949498A/zh
Application granted granted Critical
Publication of CN111949498B publication Critical patent/CN111949498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/323—Visualisation of programs or trace data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/324—Display of status information
    • G06F11/327—Alarm or error message display
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种应用服务器异常预测方法及***，属于信息安全技术领域。该应用服务器异常预测方法包括：获取应用服务器的预测时间点；将预测时间点输入基于历史时间点和历史时间点对应的历史实际健康度创建的健康度预测模型中，得到预测健康度；确定预测时间点的告警阈值；根据预测健康度和告警阈值得到应用服务器异常结果。本发明可以及时有效预测应用服务器的异常，进一步提高了应用***的稳定性和对外服务质量。

Description

应用服务器异常预测方法及***
技术领域
本发明涉及信息安全技术领域，具体地，涉及一种应用服务器异常预测方法及***。
背景技术
目前，生产运维人员一般通过应用服务器当前的CPU利用率，内存利用率、磁盘I/O等待时间和TPS等性能指标，评估其实时健康度，为日常生产运维提供决策依据，如***重启、优化和扩容等。然而，这种实时评估方式只有当应用服务器出现问题时，才能暴露其存在性能问题或***故障，这常常让生产运维人员措手不及，极大地影响了应用***的稳定性和对外服务质量。
发明内容
本发明实施例的主要目的在于提供一种应用服务器异常预测方法及***，以及时有效预测应用服务器的异常，进一步提高了应用***的稳定性和对外服务质量。
为了实现上述目的，本发明实施例提供一种应用服务器异常预测方法，包括：
获取应用服务器的预测时间点；
将预测时间点输入基于历史时间点和历史时间点对应的历史实际健康度创建的健康度预测模型中，得到预测健康度；
确定预测时间点的告警阈值；
根据预测健康度和告警阈值得到应用服务器异常结果。
本发明实施例还提供一种应用服务器异常预测***，包括：
第一获取单元，用于获取应用服务器的预测时间点；
预测健康度单元，用于将预测时间点输入基于历史时间点和历史时间点对应的历史实际健康度创建的健康度预测模型中，得到预测健康度；
告警阈值确定单元，用于确定预测时间点的告警阈值；
异常结果单元，用于根据预测健康度和告警阈值得到应用服务器异常结果。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，处理器执行计算机程序时实现所述的应用服务器异常预测方法的步骤。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现所述的应用服务器异常预测方法的步骤。
本发明实施例的应用服务器异常预测方法及***先将预测时间点输入基于历史时间点和历史时间点对应的历史实际健康度创建的健康度预测模型中，得到预测健康度，再根据预测健康度和预测时间点的告警阈值得到应用服务器异常结果，可以及时有效预测应用服务器的异常，进一步提高了应用***的稳定性和对外服务质量。
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是本发明实施例中应用服务器异常预测方法的流程图。
图2是本发明实施例中创建健康度预测模型的流程图；
图3是本发明实施例中S201的流程图；
图4是本发明另一实施例中应用服务器异常预测方法的流程图；
图5是本发明实施例中应用服务器异常预测***的结构框图；
图6是本发明实施例中计算机设备的结构框图。
具体实施方式
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，所描述的实施例仅仅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做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。
本领域技术人员知道，本发明的实施方式可以实现为一种***、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
鉴于目前实时评估应用服务器的方式极大地影响了应用***的稳定性和对外服务质量，本发明实施例提供一种应用服务器异常预测方法，以及时有效预测应用服务器的异常，进一步提高了应用***的稳定性和对外服务质量。以下结合附图对本发明进行详细说明。
图1是本发明实施例中应用服务器异常预测方法的流程图。图4是本发明另一实施例中应用服务器异常预测方法的流程图。如图1和图4所示，应用服务器异常预测方法包括：
S101：获取应用服务器的预测时间点。
S102：将预测时间点输入基于历史时间点和历史时间点对应的历史实际健康度创建的健康度预测模型中，得到预测健康度。
在实际应用中，随着时间变化，应用服务器所承载业务***的用户活跃度、交易频度和交易类型等存在一定的周期规律，它们直接影响应用服务器的CPU利用率，内存利用率、磁盘I/O等待时间和TPS等性能指标，从而直接影响应用服务器的健康度。因此，以时间为尺度，易知应用服务器的健康度和时间存在强关联关系。
应用服务器的历史健康度反映了过去一段历史时间内应用服务器的健康度变化情况。以时间为尺度，直观地，这些历史健康度在某时间周期内呈现一定的变化规律；潜在地，这些历史健康度与未来健康度之间也存在某种强关联关系。因此，基于历史时间点和历史时间点对应的历史实际健康度可创建相应的健康度预测模型，用以预测应用服务器的未来健康度。
S103：确定预测时间点的告警阈值。
其中，告警阈值为动态变化的动态阈值，通过如下公式确定预测时间点的告警阈值：
Figure BDA0002624997110000031
Zn′+1为第n′+1个预测时间点的告警阈值，即第n′+1个预测健康度对应的告警阈值，k为告警阈值参数，是小于1的常数；hj为第j个预测时间点的历史实际健康度，m为预设的均值数量。
例如，m＝8，n′＝8，h1＝23,h2＝25,h3＝26,h4＝24,h5＝25,h6＝23,h7＝26,h8＝25，k＝0.6，则
Figure BDA0002624997110000032
随着时间向前推移，hj会不断变化，告警阈值也随之变化。
S104：根据预测健康度和告警阈值得到应用服务器异常结果。
具体实施时，根据预测健康度绘制应用服务器健康度未来变化趋势曲线，当预测时间点的预测健康度超过告警阈值时，自动向运维人员发送告警，提醒运维人员关注并制定相关预案。
图1所示的应用服务器异常预测方法的执行主体可以为计算机。由图1所示的流程可知，本发明实施例的应用服务器异常预测方法先将预测时间点输入基于历史时间点和历史时间点对应的历史实际健康度创建的健康度预测模型中，得到预测健康度，再根据预测健康度和预测时间点的告警阈值得到应用服务器异常结果，可以及时有效预测应用服务器的异常，进一步提高了应用***的稳定性和对外服务质量。
图2是本发明实施例中创建健康度预测模型的流程图。如图2所示，基于历史时间点和历史时间点对应的历史健康度创建健康度预测模型的步骤包括：
S201：根据历史时间点和历史时间点对应的历史实际健康度确定初始健康度预测模型。
在执行S201之前，还包括：获取历史时间点对应的中央处理器利用率、内存利用率、磁盘读写等待时间和每秒交易量；根据中央处理器利用率、内存利用率、磁盘读写等待时间和每秒交易量确定历史时间点对应的历史实际健康度。
具体实施时，可以先从应用服务器性能集中监控***获取应用服务器上一监控周期的中央处理器(CPU)利用率、内存利用率、磁盘读写等待时间(磁盘I/O等待时间)和每秒交易量(TPS，Transactions Per Second)，上述数据为连续的时序数据。然后将中央处理器利用率、内存利用率、磁盘读写等待时间和每秒交易量作为历史性能数据，按时间间隔L划分为n＝B/L组，B为应用服务器的性能监控周期，n为划分的组数。对每一组数据按照以下公式进行压缩：
Figure BDA0002624997110000041
其中，vi为第i组的历史性能数据，
Figure BDA0002624997110000042
为第i组内的第F个历史性能数据，e为组内的历史性能数据数量，i为大于或等于0，且小于n的自然数。历史性能数据的获取以监控周期为单位，只获取上一监控周期的数据，监控周期可根据应用实际情况设定，比如30分钟。
将同一时间压缩得到的历史性能数据写为向量[ti,ci,mi,di,tpsi]，其中ti为第i个时间点，ci为第i组(第i个时间点)的中央处理器利用率，mi为第i组(第i个时间点)的内存利用率，di为第i组(第i个时间点)的磁盘读写等待时间，tpsi为第i组(第i个时间点)的每秒交易量。可以将上述向量按时序组织为历史性能数据矩阵，如下：
Figure BDA0002624997110000051
可以通过如下公式确定历史时间点对应的历史实际健康度：
Yi＝w1×ci+w2×mi+w3×di,+w4×tpsi；
其中，w1为中央处理器利用率的权重，w2为内存利用率的权重，w3为磁盘读写等待时间的权重，w4为每秒交易量的权重，Yi为第i个时间点的历史实际健康度。
初始健康度预测模型为非线性模型回归模型。本申请在每一次预测前，会从幂函数回归模型、指数回归模型、对数回归模型和多项式回归模型中选取R2(拟合优度)最大的模型作为非线性回归算法的预测模型，以提高应用服务器预测健康度的准确度。
考虑到在实际应用中，应用服务器健康度是一个随时序变化的连续值，因此，在应用幂函数回归模型、指数回归模型、对数回归模型和多项式回归模型(一元三次多项式模型)拟合历史健康度曲线前，首先将它们转换为线性回归模型(包括一元一次多项式模型和三元一次多项式模型)，基于最小二乘法拟合为线性的历史健康度曲线，然后再将线性的历史健康度曲线转换为幂函数回归模型、指数回归模型、对数回归模型和多项式回归模型。
具体实施时，可以使用Python语言调用sklearn.preprocessing中的PolynomialFeatures(degree＝3)方法创建一元三次多项式模型，其中degree＝3表示创建三阶多项式；具体如下：
qf＝PolynomialFeatures(degree＝3)；
进一步地，通过sklearn.linear_model中LinearRegression()方法创建线性回归模型，然后将一元三次多项式模型转换为多元一次线性回归模型，具体如下：
LR_Model＝LinearRegression()；
LR_Model.fit(qf.fit_transform(X),Y)。
其中，Y为上一步得到的应用服务器的历史健康度，X为与之一一对应的时间序列。
当LR_Model为健康度预测模型时，可直得到预测健康度，具体如下：
h_predict＝LR_Model.predict(X’[m])。
其中，X’[i]为未来的某个时刻。当需要预测未来T′＝{t1,t2,t3,...,tm-1,tm}时刻的应用服务器健康度时，将T′中的各个时刻逐个输入上述模型，即可得到各个时刻的健康度。
图3是本发明实施例中S201的流程图。如图3所示，S201包括：
S301：根据历史时间点和历史时间点对应的历史实际健康度生成多个坐标点。
具体实施时，将历史时间点写为按时序排列的有序向量T，T＝{t1,t2,t3,...,tn-1,tn}，n为历史时间点的数量；将历史实际健康度写为对应的有序向量Y，Y＝{y1,y2,y3,...,yn-1,yn}。将历史时间点作为横坐标(自变量x，即将T＝{t1,t2,t3,...,tn-1,tn}转换为X＝{x1,x2,x3,...xn-1,xn})，历史时间点对应的历史实际健康度(Yi)作为纵坐标(因变量f(x))。
S302：将多个坐标点拟合为至少一个线性模型。
具体实施时，可以基于最小二乘法将一维坐标点(x，f(x))拟合为一元一次线性模型f(x)＝a+bx，将一维坐标点转换为多维坐标点(x1,x2,x3，f(x))后拟合为多元一次线性模型f(x1,x2,x3)＝a″+b″x1+c″x2+d″x3。其中，x1＝x，x2＝x2，x3＝x3。
S303：将线性模型转换为至少一个非线性模型。
例如，将一元一次线性模型f(x)＝a+bx转换为幂函数回归模型f′(x′)＝a′x′b，其中：
f′(x′)＝ef(x),a′＝ea,x′＝ex。
将一元一次线性模型f(x)＝a+bx转换为指数回归模型f′(x)＝a′ebx，其中：
f′(x)＝ef(x),a′＝ea。
将一元一次线性模型f(x)＝a+bx转换为对数回归模型f(x′)＝a+blnx′，其中：
x′＝ex。
将三元一次线性模型f(x1,x2,x3)＝a″+b″x1+c″x2+d″x3转换为一元三次线性回归模型f(x″)＝a″+b″x″+c″x″2+d″x″3；其中，
Figure BDA0002624997110000061
S304：确定非线性模型的拟合优度的最大值对应的非线性模型为初始健康度预测模型。
例如，确定幂函数回归模型的拟合优度
Figure BDA0002624997110000062
指数回归模型的拟合优度
Figure BDA0002624997110000063
对数回归模型的拟合优度
Figure BDA0002624997110000064
和多项式回归模型的拟合优度
Figure BDA0002624997110000065
当
Figure BDA0002624997110000066
时，将对数回归模型作为初始健康度预测模型f(ti)。其中拟合优度
Figure BDA0002624997110000067
Yi为历史实际健康度，yi为将历史时间点代入非线性公式得到的历史预测健康度，
Figure BDA0002624997110000068
为Yi的平均值。
执行如下迭代处理：
S202：将历史时间点输入初始健康度预测模型中，得到历史预测健康度。
S203：根据历史预测健康度和历史实际健康度确定稳定值。
例如，可以通过如下公式确定稳定值：
Figure BDA0002624997110000071
其中，U为稳定值，yn为第n个历史时间点的历史预测健康度，Yn为第n个历史时间点的历史实际健康度，rn为第n个历史时间点的截距，
Figure BDA0002624997110000072
为第1个历史时间点的截距r1至第n-1个历史时间点的截距rn-1的平均值。
S204：判断稳定值是否小于或等于预设稳定值。
S205：当稳定值小于或等于预设稳定值时，确定初始健康度预测模型为健康度预测模型。
其中，预设稳定值为0.05。当稳定值U小于或等于0.05时，健康度预测模型f′(ti)＝f(ti)。
S206：当稳定值大于预设稳定值时，根据历史预测健康度和历史实际健康度更新初始健康度预测模型，继续执行迭代处理。
例如，当稳定值U大于0.05时，将初始健康度预测模型更新为：f(ti)＝f(ti)-ε，其中ε为补偿因子，
Figure BDA0002624997110000073
补偿因子ε随
Figure BDA0002624997110000074
的变化动态调整，即在完成每一次应用服务器健康度的预测后都会重新计算
Figure BDA0002624997110000075
的值，并修正补偿因子ε，以进一步提高下次预测的准确度。
本发明实施例的具体流程如下：
1、获取历史时间点对应的中央处理器利用率、内存利用率、磁盘读写等待时间和每秒交易量。
2、根据中央处理器利用率、内存利用率、磁盘读写等待时间和每秒交易量确定历史时间点对应的历史实际健康度。
3、根据历史时间点和历史时间点对应的历史实际健康度生成多个坐标点。
4、将多个坐标点拟合为至少一个线性模型，将线性模型转换为至少一个非线性模型。
5、确定非线性模型的拟合优度的最大值对应的非线性模型为初始健康度预测模型。
6、将历史时间点输入初始健康度预测模型中，得到历史预测健康度。
7、根据历史预测健康度和历史实际健康度确定稳定值。
8、当稳定值小于或等于预设稳定值时，确定初始健康度预测模型为健康度预测模型，否则根据历史预测健康度和历史实际健康度更新初始健康度预测模型，返回步骤6。
9、获取应用服务器的预测时间点，将预测时间点输入基于历史时间点和历史时间点对应的历史实际健康度创建的健康度预测模型中，得到预测健康度。
10、确定预测时间点的告警阈值。
11、根据预测健康度和告警阈值得到应用服务器异常结果。
综上，本发明实施例的应用服务器异常预测方法基于非线性回归算法，利用非线性回归模型的多样性和应用服务器的历史健康度，能有效预测应用服务器健康度在未来一段时间的变化趋势，可为生产运维人员提前制定更有针对性的运维策略提供决策依据，让生产运维部门可以更精准、更有计划地实施应用服务器重启、***扩容和***优化等日常生产运维操作，进一步提高生产运维部门的日常运维水平。
基于同一发明构思，本发明实施例还提供了一种应用服务器异常预测***，由于该***解决问题的原理与应用服务器异常预测方法相似，因此该***的实施可以参见方法的实施，重复之处不再赘述。
图5是本发明实施例中应用服务器异常预测***的结构框图。如图5所示，应用服务器异常预测***包括：
第一获取单元，用于获取应用服务器的预测时间点；
预测健康度单元，用于将预测时间点输入基于历史时间点和历史时间点对应的历史实际健康度创建的健康度预测模型中，得到预测健康度；
告警阈值确定单元，用于确定预测时间点的告警阈值；
异常结果单元，用于根据预测健康度和告警阈值得到应用服务器异常结果。
在其中一种实施例中，还包括：
健康度预测模型创建单元，用于：
根据历史时间点和历史时间点对应的历史实际健康度确定初始健康度预测模型；
执行如下迭代处理：
将历史时间点输入初始健康度预测模型中，得到历史预测健康度；
根据历史预测健康度和历史实际健康度确定稳定值；
当稳定值小于或等于预设稳定值时，确定初始健康度预测模型为健康度预测模型，否则根据历史预测健康度和历史实际健康度更新初始健康度预测模型，继续执行迭代处理。
在其中一种实施例中，健康度预测模型创建单元具体用于：
根据历史时间点和历史时间点对应的历史实际健康度生成多个坐标点；
将多个坐标点拟合为至少一个线性模型；
将线性模型转换为至少一个非线性模型；
确定非线性模型的拟合优度的最大值对应的非线性模型为初始健康度预测模型。
在其中一种实施例中，还包括：
第二获取单元，用于获取历史时间点对应的中央处理器利用率、内存利用率、磁盘读写等待时间和每秒交易量；
历史实际健康度单元，用于根据中央处理器利用率、内存利用率、磁盘读写等待时间和每秒交易量确定历史时间点对应的历史实际健康度。
综上，本发明实施例的应用服务器异常预测***先将预测时间点输入基于历史时间点和历史时间点对应的历史实际健康度创建的健康度预测模型中，得到预测健康度，再根据预测健康度和预测时间点的告警阈值得到应用服务器异常结果，可以及时有效预测应用服务器的异常，进一步提高了应用***的稳定性和对外服务质量。
本发明实施例还提供能够实现上述实施例中的应用服务器异常预测方法中全部步骤的一种计算机设备的具体实施方式。图6是本发明实施例中计算机设备的结构框图，参见图6，所述计算机设备具体包括如下内容：
处理器(processor)601和存储器(memory)602。
所述处理器601用于调用所述存储器602中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的应用服务器异常预测方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
获取应用服务器的预测时间点；
将预测时间点输入基于历史时间点和历史时间点对应的历史实际健康度创建的健康度预测模型中，得到预测健康度；
确定预测时间点的告警阈值；
根据预测健康度和告警阈值得到应用服务器异常结果。
综上，本发明实施例的计算机设备先将预测时间点输入基于历史时间点和历史时间点对应的历史实际健康度创建的健康度预测模型中，得到预测健康度，再根据预测健康度和预测时间点的告警阈值得到应用服务器异常结果，可以及时有效预测应用服务器的异常，进一步提高了应用***的稳定性和对外服务质量。
本发明实施例还提供能够实现上述实施例中的应用服务器异常预测方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的应用服务器异常预测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
获取应用服务器的预测时间点；
将预测时间点输入基于历史时间点和历史时间点对应的历史实际健康度创建的健康度预测模型中，得到预测健康度；
确定预测时间点的告警阈值；
根据预测健康度和告警阈值得到应用服务器异常结果。
综上，本发明实施例的计算机可读存储介质先将预测时间点输入基于历史时间点和历史时间点对应的历史实际健康度创建的健康度预测模型中，得到预测健康度，再根据预测健康度和预测时间点的告警阈值得到应用服务器异常结果，可以及时有效预测应用服务器的异常，进一步提高了应用***的稳定性和对外服务质量。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个***的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块，或单元，或装置都可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。

Claims (10)

1.一种应用服务器异常预测方法，其特征在于，包括：
获取应用服务器的预测时间点；
将所述预测时间点输入基于历史时间点和所述历史时间点对应的历史实际健康度创建的健康度预测模型中，得到预测健康度；
确定所述预测时间点的告警阈值；
根据所述预测健康度和所述告警阈值得到应用服务器异常结果。
2.根据权利要求1所述的应用服务器异常预测方法，其特征在于，基于历史时间点和所述历史时间点对应的历史健康度创建健康度预测模型的步骤包括：
根据所述历史时间点和所述历史时间点对应的历史实际健康度确定初始健康度预测模型；
执行如下迭代处理：
将历史时间点输入所述初始健康度预测模型中，得到历史预测健康度；
根据所述历史预测健康度和所述历史实际健康度确定稳定值；
当所述稳定值小于或等于预设稳定值时，确定所述初始健康度预测模型为健康度预测模型，否则根据所述历史预测健康度和所述历史实际健康度更新所述初始健康度预测模型，继续执行所述迭代处理。
3.根据权利要求2所述的应用服务器异常预测方法，其特征在于，根据所述历史时间点和所述历史时间点对应的历史实际健康度确定初始健康度预测模型包括：
根据所述历史时间点和所述历史时间点对应的历史实际健康度生成多个坐标点；
将所述多个坐标点拟合为至少一个线性模型；
将所述线性模型转换为至少一个非线性模型；
确定所述非线性模型的拟合优度的最大值对应的非线性模型为初始健康度预测模型。
4.根据权利要求1所述的应用服务器异常预测方法，其特征在于，还包括：
获取所述历史时间点对应的中央处理器利用率、内存利用率、磁盘读写等待时间和每秒交易量；
根据所述中央处理器利用率、所述内存利用率、所述磁盘读写等待时间和所述每秒交易量确定所述历史时间点对应的历史实际健康度。
5.一种应用服务器异常预测***，其特征在于，包括：
第一获取单元，用于获取应用服务器的预测时间点；
预测健康度单元，用于将所述预测时间点输入基于历史时间点和所述历史时间点对应的历史实际健康度创建的健康度预测模型中，得到预测健康度；
告警阈值确定单元，用于确定所述预测时间点的告警阈值；
异常结果单元，用于根据所述预测健康度和所述告警阈值得到应用服务器异常结果。
6.根据权利要求5所述的应用服务器异常预测***，其特征在于，还包括：
健康度预测模型创建单元，用于：
根据所述历史时间点和所述历史时间点对应的历史实际健康度确定初始健康度预测模型；
执行如下迭代处理：
将历史时间点输入所述初始健康度预测模型中，得到历史预测健康度；
根据所述历史预测健康度和所述历史实际健康度确定稳定值；
当所述稳定值小于或等于预设稳定值时，确定所述初始健康度预测模型为健康度预测模型，否则根据所述历史预测健康度和所述历史实际健康度更新所述初始健康度预测模型，继续执行所述迭代处理。
7.根据权利要求6所述的应用服务器异常预测***，其特征在于，所述健康度预测模型创建单元具体用于：
根据所述历史时间点和所述历史时间点对应的历史实际健康度生成多个坐标点；
将所述多个坐标点拟合为至少一个线性模型；
将所述线性模型转换为至少一个非线性模型；
确定所述非线性模型的拟合优度的最大值对应的非线性模型为初始健康度预测模型。
8.根据权利要求5所述的应用服务器异常预测***，其特征在于，还包括：
第二获取单元，用于获取所述历史时间点对应的中央处理器利用率、内存利用率、磁盘读写等待时间和每秒交易量；
历史实际健康度单元，用于根据所述中央处理器利用率、所述内存利用率、所述磁盘读写等待时间和所述每秒交易量确定所述历史时间点对应的历史实际健康度。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一项所述的应用服务器异常预测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4任一项所述的应用服务器异常预测方法的步骤。
CN202010794365.1A 2020-08-10 2020-08-10 应用服务器异常预测方法及*** Active CN111949498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010794365.1A CN111949498B (zh) 2020-08-10 2020-08-10 应用服务器异常预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010794365.1A CN111949498B (zh) 2020-08-10 2020-08-10 应用服务器异常预测方法及***

Publications (2)

Publication Number Publication Date
CN111949498A true CN111949498A (zh) 2020-11-17
CN111949498B CN111949498B (zh) 2024-06-25

Family

ID=73332883

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010794365.1A Active CN111949498B (zh) 2020-08-10 2020-08-10 应用服务器异常预测方法及***

Country Status (1)

Country Link
CN (1) CN111949498B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112395162A (zh) * 2020-11-26 2021-02-23 上海创远仪器技术股份有限公司 针对软件***实现内存泄漏趋势快速判定的方法、装置、处理器及其存储介质
CN115759734A (zh) * 2022-10-19 2023-03-07 国网物资有限公司 基于指标的电力业务供应链监控方法、装置、设备和介质
CN115914052A (zh) * 2022-10-28 2023-04-04 京东科技信息技术有限公司 域名健康状况的检测方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106776214A (zh) * 2016-12-12 2017-05-31 广州市申迪计算机***有限公司 一种服务器健康度评估方法
CN106951984A (zh) * 2017-02-28 2017-07-14 深圳市华傲数据技术有限公司 一种***健康度动态分析预测方法及装置
CN109800139A (zh) * 2018-12-18 2019-05-24 东软集团股份有限公司 服务器健康度分析方法，装置，存储介质及电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106776214A (zh) * 2016-12-12 2017-05-31 广州市申迪计算机***有限公司 一种服务器健康度评估方法
CN106951984A (zh) * 2017-02-28 2017-07-14 深圳市华傲数据技术有限公司 一种***健康度动态分析预测方法及装置
CN109800139A (zh) * 2018-12-18 2019-05-24 东软集团股份有限公司 服务器健康度分析方法，装置，存储介质及电子设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112395162A (zh) * 2020-11-26 2021-02-23 上海创远仪器技术股份有限公司 针对软件***实现内存泄漏趋势快速判定的方法、装置、处理器及其存储介质
CN115759734A (zh) * 2022-10-19 2023-03-07 国网物资有限公司 基于指标的电力业务供应链监控方法、装置、设备和介质
CN115759734B (zh) * 2022-10-19 2024-01-12 国网物资有限公司 基于指标的电力业务供应链监控方法、装置、设备和介质
CN115914052A (zh) * 2022-10-28 2023-04-04 京东科技信息技术有限公司 域名健康状况的检测方法和装置
CN115914052B (zh) * 2022-10-28 2024-05-17 京东科技信息技术有限公司 域名健康状况的检测方法和装置

Also Published As

Publication number Publication date
CN111949498B (zh) 2024-06-25

Similar Documents

Publication Publication Date Title
CN111949498A (zh) 应用服务器异常预测方法及***
CN113902334A (zh) 一种事件异常波动检测方法、***、电子设备及存储介质
CN108733508B (zh) 用于控制数据备份的方法和***
CN110995459B (zh) 异常对象识别方法、装置、介质及电子设备
CN111382906A (zh) 一种电力负荷预测方法、***、设备和计算机可读存储介质
EP3239905A1 (en) Methods and apparatus for use in predicting non-stationary time-series data
CN111382020A (zh) 交易流量监控方法及***
CN112732738B (zh) 基于多目标优化的自适应网络数据采集方法及相关设备
CN113705929A (zh) 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法
CN114170002A (zh) 一种访问频次的预测方法及装置
CN117632905B (zh) 基于云端使用记录的数据库管理方法及***
CN113487086A (zh) 设备剩余使用寿命预测方法、装置、计算机设备和介质
CN116823468A (zh) 一种基于sac的高频量化交易控制方法、***及存储介质
CN116883065A (zh) 商户风险预测方法及装置
US20230095807A1 (en) Method, electronic device, and computer program product for managing storage device
CN115759455A (zh) 一种基于时序高斯混合密度网络的负荷概率密度预测方法
CA3177037A1 (en) Forecasting based on bernoulli uncertainty characterization
CN114154780A (zh) 评价方法、装置、电子设备及相关产品
CN109408531B (zh) 缓慢下跌型数据的检测方法及装置、电子设备、存储介质
CN118229035B (zh) 一种光纤生产制造的数字化智能调度方法及***
CN116402321B (zh) 物品需求量确定方法及装置、电子设备和存储介质
CN113850433B (zh) 广告位流量预测方法、***、设备及存储介质
US20230195842A1 (en) Automated feature engineering for predictive modeling using deep reinforcement learning
GB2549792A (en) Methods and apparatus for use in predicting non-stationary time-series data
CN115567406A (zh) 一种管理网络节点的方法、装置和***

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