CN114676002A - 基于phm技术的***运维方法及装置 - Google Patents
基于phm技术的***运维方法及装置 Download PDFInfo
- Publication number
- CN114676002A CN114676002A CN202011550197.8A CN202011550197A CN114676002A CN 114676002 A CN114676002 A CN 114676002A CN 202011550197 A CN202011550197 A CN 202011550197A CN 114676002 A CN114676002 A CN 114676002A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- alarm information
- script
- basic data
- fault
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于PHM技术的***运维方法及装置,涉及计算机技术领域,主要目的在于借助PHM技术实现对IT***的运维管理,提高对复杂***的运维管理效率。本发明主要的技术方案为:根据预设的运维参数采集目标***的运维基础数据;将符合预设类型的所述运维基础数据输入对应的预测模型,得到目标***的报警信息;根据所述报警信息的内容匹配目标***的知识图谱,确定处理所述报警信息的运维脚本;调用所述运维脚本处理所述报警信息对应的***故障,生成所述***故障的运维处理信息。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于PHM技术的***运维方法及装置。
背景技术
PHM(Prognostics and Health Management,预测与健康管理)是指利用传感器采集***的数据信息,借助于信息技术、人工智能推理算法来监控、管理与评估***自身的健康状态,在***发生故障之前对其故障进行预测,并结合现有的资源信息提供一系列的维护保障建议或决策,它是一种集故障检测、隔离、健康预测与评估及维护决策于一身的综合技术。但是,目前PHM技术还主要应用于工业领域中,比如在武器、民航客机或高铁等载体上的应用。
而随着计算机领域中硬件和软件***发展的更加高效与复杂,IT***也变得越来越复杂。因此,在实际的IT***运维过程中,由于业务模型(或***部署结构)复杂所带来的最直接影响就是定位故障很困难,发现根源问题成本较高。而随着***规模变大,复杂度提高,监控覆盖的完善,监控指标数量指数性增加,指标形态***,基于经验的监控规则设定也力不从心,误报率、漏报率居高不下。使得故障发生前无法预知,有些本来可以避免的故障还是需要在故障发生后,通过对该故障发生后的若干个告警逐一排查找才能确定故障根因,效率极低,大大增加故障的恢复时间。因此,对于现有的IT***急需更为高效的故障监测与处理的运维***。
发明内容
鉴于上述问题,本发明提出了一种基于PHM技术的***运维方法及装置,主要目的在于借助PHM技术实现对IT***的运维管理,提高对复杂***的运维管理效率。
为达到上述目的,本发明主要提供如下技术方案:
第一方面,本发明提供一种基于PHM技术的***运维方法,包括:
根据预设的运维参数采集目标***的运维基础数据;
将符合预设类型的所述运维基础数据输入对应的预测模型,得到目标***的报警信息;
根据所述报警信息的内容匹配目标***的知识图谱,确定处理所述报警信息的运维脚本;
调用所述运维脚本处理所述报警信息对应的***故障,生成所述***故障的运维处理信息。
优选的,根据所述报警信息的内容匹配目标***的知识图谱,确定处理所述报警信息的运维脚本,包括:
提取所述报警信息中含有的所述目标***的设备信息;
获取所述目标***最新的知识图谱,所述知识图谱的节点中携带有对应的运维脚本标签;
根据预设规则在知识图谱中匹配所述设备信息,确定与所述报警信息相匹配的运维脚本标签;
根据所述运维脚本标签确定处理所述报警信息的运维脚本。
优选的,根据所述运维脚本标签确定处理所述报警信息的运维脚本,包括:
在未匹配到运维脚本标签时,在***运维界面中以预设格式生成可视化的报警信息;
在匹配到多个运维脚本标签时,根据所述运维脚本标签对应的运维脚本的优先级确定处理所述报警信息的运维脚本。
优选的,调用所述运维脚本处理所述报警信息对应的***故障,生成所述***故障的运维处理信息,包括:
监测所述***故障对应的运维基础数据,判断在运行所述运维脚本后***故障是否解除;
若解除,则生成所述***故障的运维处理日志;
若未解除,则在***运维界面中以预设格式生成可视化的故障报警信息。
优选的,所述运维基础数据的预设类型包括:周期型数据、平稳型数据、无规律型数据;所述方法还包括:
利用支持向量机算法获取周期型的运维基础数据;
利用聚类算法获取平稳型的运维基础数据;
利用卷积神经网络获取无规律型的运维基础数据。
优选的,所述方法还包括:
利用不同预设类型的运维基础数据训练所述预测模型,以使该预测模型能够对输入的运维基础数据进行***故障预测。
优选的,所述方法还包括:
根据所述***故障的运维处理信息更新所述目标***的健康状态数据;
根据所述健康状态数据更新所述目标***的运维参数。
第二方面,本发明提供一种基于PHM技术的***运维装置,所述装置包括:
采集单元,用于根据预设的运维参数采集目标***的运维基础数据;
预测单元,用于将符合预设类型的所述采集单元得到的运维基础数据输入对应的预测模型,得到目标***的报警信息;
确定单元,用于根据所述预测单元得到的报警信息的内容匹配目标***的知识图谱,确定处理所述报警信息的运维脚本;
运维单元,用于调用所述确定单元确定的运维脚本处理所述报警信息对应的***故障,生成所述***故障的运维处理信息。
优选的,所述确定单元包括:
提取模块,用于提取所述报警信息中含有的所述目标***的设备信息;
获取模块,用于获取所述目标***最新的知识图谱,所述知识图谱的节点中携带有对应的运维脚本标签;
匹配模块,用于根据预设规则在所述获取模块得到的知识图谱中匹配所述提取模块得到的设备信息,确定与所述报警信息相匹配的运维脚本标签;
确定模块,用于根据所述匹配模块确定的运维脚本标签确定处理所述报警信息的运维脚本。
优选的,所述确定模块具体用于:
在未匹配到运维脚本标签时,在***运维界面中以预设格式生成可视化的报警信息;
在匹配到多个运维脚本标签时,根据所述运维脚本标签对应的运维脚本的优先级确定处理所述报警信息的运维脚本。
优选的,所述运维单元包括:
判断模块,用于监测所述***故障对应的运维基础数据,判断在运行所述运维脚本后***故障是否解除;
生成模块,用于若判断模块确定解除***故障,则生成所述***故障的运维处理日志;反之,则在***运维界面中以预设格式生成可视化的故障报警信息。
优选的,所述运维基础数据的预设类型包括:周期型数据、平稳型数据、无规律型数据;所述装置还包括:分类单元,用于对所述采集单元采集的运维基础数据按预设类型分类,具体包括:利用支持向量机算法获取周期型的运维基础数据;利用聚类算法获取平稳型的运维基础数据;利用卷积神经网络获取无规律型的运维基础数据。
优选的,所述装置还包括:
训练单元,用于利用不同预设类型的运维基础数据训练所述预测模型,以使该预测模型能够对输入的运维基础数据进行***故障预测。
优选的,所述装置还包括:更新单元,用于根据所述***故障的运维处理信息更新所述目标***的健康状态数据;根据所述健康状态数据更新所述目标***的运维参数。
另一方面,本发明还提供一种设备,设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线;其中,处理器、存储器通过总线完成相互间的通信;处理器用于调用存储器中的程序指令,以执行上述第一方面的基于PHM技术的***运维方法。
另一方面,本发明还提供一种存储介质,所述存储介质用于存储计算机程序,其中,所述计算机程序运行时控制所述存储介质所在设备执行上述第一方面的基于PHM技术的***运维方法。
借由上述技术方案,本发明提供的一种基于PHM技术的***运维方法及装置,是基于PHM技术的运行框架而设置的适用于IT***的数据运维流程。本发明实施例通过采集指定的运维基础数据,将其按照预设类型进行分类处理,并将每一类运维基础数据输入到对应的预测模型中,以预测当前IT***中是否存在***故障的风险,将可能的***故障以报警信息的方式输出。利用该报警信息与目标***的知识图谱进行匹配,从而确定可以解决该潜在***故障的运维脚本,通过执行该运维脚本实现对IT***的优化,防止该潜在***故障的发生。实现对IT***故障的预报与处理,提提高复杂IT***的运维效率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提出的一种基于PHM技术的***运维方法的流程图;
图2示出了本发明实施例提出的另一种基于PHM技术的***运维方法的流程图;
图3示出了本发明实施例提出的一种基于PHM技术的***运维装置的结构示意图;
图4示出了本发明实施例提出的另一种基于PHM技术的***运维装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种基于PHM技术的***运维方法,是在PHM技术的框架下,将故障预测与健康管理应用于IT***,实现对复杂结构的IT***进行高效运维的目的,其具体执行步骤如图1所示,包括:
101、根据预设的运维参数采集目标***的运维基础数据。
本实施例中的运维参数是在运维***启动前预先定义好的,但是,该运维参数的具体内容与所运维的目标***相关联的,即,根据目标***的功能以及健康状态的改变,其所对应的运维参数也会有所变化。也就是说,该运维参数的初始值是预设的,但在对目标***的运维过程中,具有根据***运行状态的变化而改变的能力。
运维基础数据的采集主要是通过目标***中的采集代理设备实现的,由采集代理设备对目标***的运行状态进行实时采集,并上报所采集的运维基础数据。该运维基础数据包括但不限于基础设施层中各物理设备的资源使用信息(如CPU利用率、内存占用率、磁盘读写率、网络链接数据传率);操作***层中各主机(物理机/虚拟机)的资源使用信息(如虚拟机内存占用),尤其是共享敏感资源(如多级缓存);中间件层中各种逻辑资源信息(如线程、队列、数据库连接池);应用层中应用相关信息(如响应时间、吞吐量、用户访问模式、应用组件交互行为)等。
对于所采集的运维基础数据,还需要进行处理成后续组件可以处理的有效形式或格式,以便实现***状态的数据监测、故障预测、检测和诊断。对于数据的处理包括但不限于对数据进行清洗(填补遗漏和平滑噪声)、集成(多节点监测数据合并)和转换(规格化数据),以及对历史数据进行处理并存储,用以建立统计模型。
102、将符合预设类型的运维基础数据输入对应的预测模型,得到目标***的报警信息。
本步骤是将采集与处理后的运维基础数据按照不同的数据类型进行分类,将同一类型的运维基础数据输入对应的预测模型中,该预测模型是基于该类型的数据训练得到的,用于对目标***的健康状态与故障进行预测。
本实施例中通过预测模型得到的目标***的报警信息是指该目标***根据当前的运维基础数据在未来的运行过程中可能发生的故障报警信息,该报警信息可以根据故障发生的概率、故障的严重程度等不同的等级指标进行分级报警,以便运维***能够根据不同的等级优先处理严重的报警信息。
本步骤中的预测模型在输出报警信息的同时,还可以输出目标***的健康评估数据,运维人员可以通过查看该评估数据了解***实时的健康状态。
103、根据报警信息的内容匹配目标***的知识图谱,确定处理该报警信息的运维脚本。
本步骤中报警信息的内容主要包括目标***中导致引发该***故障的设备信息。目标***的知识图谱用于表示该目标***中各个设备之间的拓扑结构,知识图谱中的节点表示具体的***设备。通过将报警信息的内容与知识图谱进行匹配,可以快速定位故障设备在目标***中的位置,并且可以获取与该设备相关的关联信息。而通过对这些关联信息的分析,可以分析出导致该故障的原因,而根据该原因本发明实施例可以进一步的查找解决该故障的处理方式。
在本实施例中,处理***故障的方式是按照不同的***故障而预先编辑的运维脚本,这些运维脚本能够根据具体的***场景针对不同的***故障做出对应的响应操作,从而避免***故障的发生与恶化。而本步骤的目的是利用知识图谱为报警信息匹配到对应的运维脚本。
104、调用运维脚本处理报警信息对应的***故障,生成该***故障的运维处理信息。
需要说明的是,本实施例中的***故障可以是尚未发生的潜在故障,即是由预测模型根据当前的运维基础数据而预测出的潜在故障。因此,该运维脚本运行的目标并不只是为了解决具体的故障问题,其目标是优化目标***当前的运行环境,让运维基础数据发生改变后,预测模型不再输出对应的报警信息,通过运行运维脚本优化后,将生成针对该潜在***故障的运维处理日志信息。
而当目标***中已经发生了***故障,并且无法通过运行运维脚本处理时,就需要提示运维人员处理,此时所生成的运维处理信息将是针对运维人员可感受的报警信息,如可视化的界面提示信息、声音提示信息等。
基于上述图1的实现方式可以看出,本发明实施例所提出的基于PHM技术的***运维方法,是基于PHM技术的运行框架而设置的适用于IT***的数据运维流程。本发明实施例通过采集指定的运维基础数据,将其按照预设类型进行分类处理,并将每一类运维基础数据输入到对应的预测模型中,以预测当前IT***中是否存在***故障的风险,将可能的***故障以报警信息的方式输出。利用该报警信息与目标***的知识图谱进行匹配,从而确定可以解决该潜在***故障的运维脚本,通过执行该运维脚本实现对IT***的优化,防止该潜在***故障的发生。实现对IT***故障的预报与处理,提高复杂IT***的运维效率。
进一步的,本发明优选实施例是在上述图1的基础上,针对运维整体流程中运维基础数据的分类以及运维脚本的匹配过程的详细说明,其具体步骤如图2所示,包括:
201、根据预设的运维参数采集目标***的运维基础数据。
202、按预设类型对运维基础数据分类。
由于IT***所监测的运维基础数据多为时序数据,因此,本实施例中将时序数据的预设类型分为周期型数据、平稳型数据、无规律型数据。对于不同类型的数据,本步骤通过不同的算法获取,例如,利用支持向量机算法(SVM)获取周期型的运维基础数据;利用聚类算法(DBSCAN)获取平稳型的运维基础数据;利用卷积神经网络(CNN)获取无规律型的运维基础数据。
经过分类后的运维基础数据将被对应的预测模型处理,得到报警信息。同时,这些运维基础数据也可以按照具体的类型与历史数据进行整合存储,通过对这些数据的样本化处理后,还可以用于对同类型的预测模型进行训练,以提高该预测模型的预测准确率。
203、将符合预设类型的运维基础数据输入对应的预测模型,得到目标***的报警信息。
此步骤的具体内容与步骤102的内容相同,此处不再赘述。
204、提取报警信息中含有的目标***的设备信息,并获取目标***最新的知识图谱。
本步骤分为两部分,一个是从报警信息提取设备信息,即根据报警信息解析具有潜在故障风险的具体设备,该设备信息包括设备的标识,以及存在故障风险的具体部件的相关信息。另一个是获取目标***的知识图谱,由于目标***在运行过程中,其拓扑结构存在变化的可能,因此,目标***的知识图谱也是具有实时更新能力的。而本步骤在获取知识图谱时,需要对知识图谱的版本进行校验,以确保所获取的知识图谱为最新版本,从而确定当前目标***中准确的设备拓扑结构。
需要说明的是,在本实施例中的知识图谱中,还携带有预设运维脚本的标签,该标签根据运维脚本所能够处理的故障问题被标记在知识图谱的对应节点中。
205、根据预设规则在知识图谱中匹配设备信息,确定与报警信息相匹配的运维脚本标签。
本步骤中的预设规则用于确定匹配的范围,一般地,在匹配设备信息与知识图谱中的节点时,由于目标***中不同设备之间的相关性,一个报警信息的潜在故障在该报警信息中所显示的设备信息可能只有一个,但是实际导致该故障发生则有可能与该设备相关联的其他设备有关。也就是说,一个报警信息中的设备信息,在一些特征的场景下,不仅仅对应于知识图谱中的指定设备,可能会匹配出多个关联设备,而这就需要通过预设规则来定义具体的场景,在不同场景下匹配时所需要的拓展的范围。
此外,本实施例中的知识图谱所携带的运维脚本标签是标记在节点中的,但是,并不是每个节点中的都会标记有运维脚本标签,也不会每个节点中仅标记有一个运维脚本标签。因此,对于该步骤的匹配结果,就可能出现三种情况,一种是未匹配到运维脚本标签,一种是匹配到唯一的运维脚本标签,还有一种是匹配到多个运维脚本标签。
206、根据运维脚本标签确定处理报警信息的运维脚本。
根据上一步骤中匹配出的三种结果,本步骤所确定的运维脚本也为如下三种情况:
当匹配到唯一的运维脚本标签时,可以直接确定其对应的运维脚本为处理报警信息的运维脚本。
当未匹配到运维脚本标签时,则说明该报警信息中的潜在***故障不能通过已有的运维脚本处理,此时需要将问题反映给运维人员,由运维人员处理,为此,可以在***运维界面中以预设格式生成可视化的报警信息,该预设格式可以设置报警信息的输出形式以及具体的显示方式,比如在界面中显示时是否需要闪烁,是否配合发出提示声音等。
当匹配到多个运维脚本标签时,本步骤可以是将这些运维脚本逐一调用运行,也可以是在多个运维脚本中选择最优的一个脚本运行,对此,本实施例在编辑预设的运维脚本时,需要针对运维脚本设置优先级,根据该优先级确定一个或多个需要执行的运维脚本。
207、调用运维脚本处理报警信息对应的***故障,生成该***故障的运维处理信息。
本步骤中的***故障的运维处理信息是在运维脚本执行后,根据目标***的实时状态而生成的。因此,在调用执行运维脚本后,本步骤还需要监测***故障对应的运维基础数据,判断在运行所述运维脚本后***故障是否解除,若解除,则生成针对该***故障的运维处理日志;若未解除,则在***运维界面中以预设格式生成可视化的故障报警信息,以提示运维人员处理该报警信息。
208、根据***故障的运维处理信息更新目标***的运维参数。
本步骤是在完成对***故障的运维处理后,根据运维处理信息获取目标***的当前运维基础数据,以此判断目标***的健康状态,再根据该健康状态数据,进一步更新目标***的运维参数,以此更新所要采集的运维基础数据,优化对目标***数据采集的效率。
进一步的,作为对上述图1-2所示方法实施例的实现,本发明实施例提供了一种基于PHM技术的***运维装置,该装置用于借助PHM技术实现对IT***的运维管理,提高对复杂***的运维管理效率。该装置的实施例与前述方法实施例对应,为便于阅读,本实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。具体如图3所示,该装置包括:
采集单元31,用于根据预设的运维参数采集目标***的运维基础数据;
预测单元32,用于将符合预设类型的所述采集单元31得到的运维基础数据输入对应的预测模型,得到目标***的报警信息;
确定单元33,用于根据所述预测单元32得到的报警信息的内容匹配目标***的知识图谱,确定处理所述报警信息的运维脚本;
运维单元34,用于调用所述确定单元33确定的运维脚本处理所述报警信息对应的***故障,生成所述***故障的运维处理信息。
进一步的,如图4所示,所述确定单元33包括:
提取模块331,用于提取所述报警信息中含有的所述目标***的设备信息;
获取模块332,用于获取所述目标***最新的知识图谱,所述知识图谱的节点中携带有对应的运维脚本标签;
匹配模块333,用于根据预设规则在所述获取模块332得到的知识图谱中匹配所述提取模块331得到的设备信息,确定与所述报警信息相匹配的运维脚本标签;
确定模块334,用于根据所述匹配模块333确定的运维脚本标签确定处理所述报警信息的运维脚本。
进一步的,所述确定模块334具体用于:
在未匹配到运维脚本标签时,在***运维界面中以预设格式生成可视化的报警信息;
在匹配到多个运维脚本标签时,根据所述运维脚本标签对应的运维脚本的优先级确定处理所述报警信息的运维脚本。
进一步的,如图4所示,所述运维单元34包括:
判断模块341,用于监测所述***故障对应的运维基础数据,判断在运行所述运维脚本后***故障是否解除;
生成模块342,用于若判断模块341确定解除***故障,则生成所述***故障的运维处理日志;反之,则在***运维界面中以预设格式生成可视化的故障报警信息。
进一步的,如图4所示,所述运维基础数据的预设类型包括:周期型数据、平稳型数据、无规律型数据;所述装置还包括:分类单元35,用于对所述采集单元31采集的运维基础数据按预设类型分类,具体包括:利用支持向量机算法获取周期型的运维基础数据;利用聚类算法获取平稳型的运维基础数据;利用卷积神经网络获取无规律型的运维基础数据。
进一步的,如图4所示,所述装置还包括:
训练单元36,用于利用不同预设类型的运维基础数据训练所述预测模型,以使该预测模型能够对输入的运维基础数据进行***故障预测。
进一步的,如图4所示,所述装置还包括:更新单元37,用于根据所述运维单元34生成的***故障的运维处理信息更新所述目标***的健康状态数据;根据所述健康状态数据更新所述目标***的运维参数。
进一步的,本发明实施例还提供一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述图1-2中所述的基于PHM技术的***运维方法。
进一步的,本发明实施例还提供一种存储介质,所述存储介质用于存储计算机程序,其中,所述计算机程序运行时控制所述存储介质所在设备执行上述图1-2中所述的基于PHM技术的***运维方法。
进一步的,本发明实施例还提供一种设备,设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线;其中,处理器、存储器通过总线完成相互间的通信;处理器用于调用存储器中的程序指令,以执行上述图1-2中所述的基于PHM技术的***运维方法。本文中的设备可以是服务器、PC、PAD、手机等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
可以理解的是,上述方法及装置中的相关特征可以相互参考。另外,上述实施例中的“第一”、“第二”等是用于区分各实施例,而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外,存储器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),存储器包括至少一个存储芯片。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请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。
本申请是参照根据本申请实施例的方法、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数据处理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数据处理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数据处理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数据处理设备上,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。
存储器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)。存储器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。
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过程、方法、商品或者设备不仅包括那些要素,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过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请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。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于PHM技术的***运维方法,所述方法包括:
根据预设的运维参数采集目标***的运维基础数据;
将符合预设类型的所述运维基础数据输入对应的预测模型,得到目标***的报警信息;
根据所述报警信息的内容匹配目标***的知识图谱,确定处理所述报警信息的运维脚本;
调用所述运维脚本处理所述报警信息对应的***故障,生成所述***故障的运维处理信息。
2.根据权利要求1所述的方法,其特征在于,根据所述报警信息的内容匹配目标***的知识图谱,确定处理所述报警信息的运维脚本,包括:
提取所述报警信息中含有的所述目标***的设备信息;
获取所述目标***最新的知识图谱,所述知识图谱的节点中携带有对应的运维脚本标签;
根据预设规则在知识图谱中匹配所述设备信息,确定与所述报警信息相匹配的运维脚本标签;
根据所述运维脚本标签确定处理所述报警信息的运维脚本。
3.根据权利要求2所述的方法,其特征在于,根据所述运维脚本标签确定处理所述报警信息的运维脚本,包括:
在未匹配到运维脚本标签时,在***运维界面中以预设格式生成可视化的报警信息;
在匹配到多个运维脚本标签时,根据所述运维脚本标签对应的运维脚本的优先级确定处理所述报警信息的运维脚本。
4.根据权利要求1所述的方法,其特征在于,调用所述运维脚本处理所述报警信息对应的***故障,生成所述***故障的运维处理信息,包括:
监测所述***故障对应的运维基础数据,判断在运行所述运维脚本后***故障是否解除;
若解除,则生成所述***故障的运维处理日志;
若未解除,则在***运维界面中以预设格式生成可视化的故障报警信息。
5.根据权利要求1所述的方法,其特征在于,所述运维基础数据的预设类型包括:周期型数据、平稳型数据、无规律型数据;所述方法还包括:
利用支持向量机算法获取周期型的运维基础数据;
利用聚类算法获取平稳型的运维基础数据;
利用卷积神经网络获取无规律型的运维基础数据。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
利用不同预设类型的运维基础数据训练所述预测模型,以使该预测模型能够对输入的运维基础数据进行***故障预测。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述方法还包括:
根据所述***故障的运维处理信息更新所述目标***的健康状态数据;
根据所述健康状态数据更新所述目标***的运维参数。
8.一种基于PHM技术的***运维装置,所述装置包括:
采集单元,用于根据预设的运维参数采集目标***的运维基础数据;
预测单元,用于将符合预设类型的所述采集单元得到的运维基础数据输入对应的预测模型,得到目标***的报警信息;
确定单元,用于根据所述预测单元得到的报警信息的内容匹配目标***的知识图谱,确定处理所述报警信息的运维脚本;
运维单元,用于调用所述确定单元确定的运维脚本处理所述报警信息对应的***故障,生成所述***故障的运维处理信息。
9.一种设备,其特征在于,所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线;其中,所述处理器、存储器通过所述总线完成相互间的通信;所述处理器用于调用所述存储器中的程序指令,以执行如权利要求1-7任一项所述的基于PHM技术的***运维方法。
10.一种存储介质,其特征在于,所述存储介质用于存储计算机程序,其中,所述计算机程序运行时控制所述存储介质所在设备执行权利要求1-7中任意一项所述的基于PHM技术的***运维方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011550197.8A CN114676002A (zh) | 2020-12-24 | 2020-12-24 | 基于phm技术的***运维方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011550197.8A CN114676002A (zh) | 2020-12-24 | 2020-12-24 | 基于phm技术的***运维方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114676002A true CN114676002A (zh) | 2022-06-28 |
Family
ID=82069746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011550197.8A Pending CN114676002A (zh) | 2020-12-24 | 2020-12-24 | 基于phm技术的***运维方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114676002A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116774569A (zh) * | 2023-07-25 | 2023-09-19 | 博纯材料股份有限公司 | 基于人工智能的氧氩分离设备运行***更新方法及*** |
-
2020
- 2020-12-24 CN CN202011550197.8A patent/CN114676002A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116774569A (zh) * | 2023-07-25 | 2023-09-19 | 博纯材料股份有限公司 | 基于人工智能的氧氩分离设备运行***更新方法及*** |
CN116774569B (zh) * | 2023-07-25 | 2024-04-05 | 博纯材料股份有限公司 | 基于人工智能的氧氩分离设备运行***更新方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101984730B1 (ko) | 서버 장애 자동 예측 시스템 및 자동 예측 방법 | |
KR102522005B1 (ko) | 가상 네트워크 관리를 위한 머신 러닝 기반 vnf 이상 탐지 시스템 및 방법 | |
Soualhia et al. | Infrastructure fault detection and prediction in edge cloud environments | |
CN109791401B (zh) | 生成用于嵌入式分析和诊断/预测推理的故障模型 | |
Girish et al. | Anomaly detection in cloud environment using artificial intelligence techniques | |
US9208209B1 (en) | Techniques for monitoring transformation techniques using control charts | |
Huong et al. | Federated learning-based explainable anomaly detection for industrial control systems | |
US11307916B2 (en) | Method and device for determining an estimated time before a technical incident in a computing infrastructure from values of performance indicators | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
US11860721B2 (en) | Utilizing automatic labelling, prioritizing, and root cause analysis machine learning models and dependency graphs to determine recommendations for software products | |
JP2018045403A (ja) | 異常検知システム及び異常検知方法 | |
US20210081501A1 (en) | System and method for automated insight curation and alerting | |
JP2018180759A (ja) | システム分析装置、及びシステム分析方法 | |
CN111669281B (zh) | 告警分析方法、装置、设备及存储介质 | |
CN114580263A (zh) | 基于知识图谱的信息***故障预测方法及相关设备 | |
US11411835B2 (en) | Cognitive model determining alerts generated in a system | |
CN113297044B (zh) | 一种运维风险预警方法及装置 | |
CN113590451A (zh) | 一种根因定位方法、运维服务器及存储介质 | |
Gupta et al. | A supervised deep learning framework for proactive anomaly detection in cloud workloads | |
CN115981902A (zh) | 一种细粒度分布式微服务***异常根因定位方法及装置 | |
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*** | |
CN114676002A (zh) | 基于phm技术的***运维方法及装置 | |
CN117251114A (zh) | 模型训练方法、磁盘寿命预测方法、相关装置及设备 | |
JP7215574B2 (ja) | 監視システム、監視方法及びプログラム | |
Martínez et al. | A Data-Driven Approach for Components Useful Life Estimation in Wind Turbines |
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 |