CN115564069A - 服务器维保策略的确定方法、模型的生成方法及其装置 - Google Patents

服务器维保策略的确定方法、模型的生成方法及其装置 Download PDF

Info

Publication number
CN115564069A
CN115564069A CN202211204756.9A CN202211204756A CN115564069A CN 115564069 A CN115564069 A CN 115564069A CN 202211204756 A CN202211204756 A CN 202211204756A CN 115564069 A CN115564069 A CN 115564069A
Authority
CN
China
Prior art keywords
training
feature
server
characteristic
determining
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
Application number
CN202211204756.9A
Other languages
English (en)
Inventor
李晓晨
曾亮
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202211204756.9A priority Critical patent/CN115564069A/zh
Publication of CN115564069A publication Critical patent/CN115564069A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种服务器维保策略的确定方法、模型的生成方法及其装置，涉及人工智能技术领域，进一步涉及机器学习技术领域。具体实现方案为：获取待处理服务器的特征信息；该特征信息包括属性特征、物理环境特征、运行特征和故障特征中的至少一种；将待处理服务器的特征信息输入至预先建立的服务器风险评分模型，获得特征信息之中每个特征对应的分值，该服务器风险评分模型已经学习得到服务器的各个特征与分值之间的映射关系；根据特征信息之中每个特征对应的分值，获得待处理服务器的风险评分值；根据风险评分值，确定待处理服务器的维保策略。本公开可实现待处理服务器的按需维保，减少服务器故障率。

Description

服务器维保策略的确定方法、模型的生成方法及其装置
技术领域
本公开涉及人工智能技术领域，进一步涉及机器学习技术领域，尤其涉及一种服务器维保策略的确定方法、模型的生成方法及其装置。
背景技术
随着互联网技术的飞速发展，网络中的服务器数量不断增加，服务器的性能和故障率直接影响到服务质量。为了保证服务器的稳定，通常情况下会进行定期维保，尽可能提前发现问题，减少线上事故率。
发明内容
本公开提供了一种服务器维保策略的确定方法、模型的生成方法及其装置。
根据本公开的一方面，提供了一种服务器维保策略的确定方法，包括：
获取待处理服务器的特征信息；所述特征信息包括属性特征、物理环境特征、运行特征和故障特征中的至少一种；
将所述待处理服务器的特征信息输入至预先建立的服务器风险评分模型，获得所述特征信息之中每个特征对应的分值；所述服务器风险评分模型已经学习得到服务器的各个特征与分值之间的映射关系；
根据所述特征信息之中每个特征对应的分值，获得所述待处理服务器的风险评分值；
根据所述风险评分值，确定所述待处理服务器的维保策略。
根据本公开的第二方面，提供了一种模型的生成方法，包括：
采集用于生成所述服务器风险评分模型所需的相关数据；所述相关数据包括样本服务器的属性数据、物理环境数据、运行数据、故障数据中的至少一种；
从所述相关数据之中选取特征和训练目标，并根据所述选取的特征和训练目标生成训练数据集；所述选取的特征包括属性特征、物理环境特征、运行特征和故障特征中的至少一种；
根据所述训练数据集训练逻辑回归模型；
根据训练后得到的逻辑回归模型的模型参数，生成所述服务器风险评分模型。
根据本公开的第三方面，提供了一种服务器维保策略的确定装置，包括：
第一获取模块，用于获取待处理服务器的特征信息；所述特征信息包括属性特征、物理环境特征、运行特征和故障特征中的至少一种；
第二获取模块，用于将所述待处理服务器的特征信息输入至预先建立的服务器风险评分模型，获得所述特征信息之中每个特征对应的分值；所述服务器风险评分模型已经学习得到服务器的各个特征与分值之间的映射关系；
第三获取模块，用于根据所述特征信息之中每个特征对应的分值，获得所述待处理服务器的风险评分值；
确定模块，用于根据所述风险评分值，确定所述待处理服务器的维保策略。
根据本公开的第四方面，提供了一种模型的生成装置，包括：
采集模块，用于采集用以生成所述服务器风险评分模型所需的相关数据；所述相关数据包括样本服务器的属性数据、物理环境数据、运行数据、故障数据中的至少一种；
第一生成模块，用于从所述相关数据之中选取特征和训练目标，并根据所述选取的特征和训练目标生成训练数据集；所述选取的特征包括属性特征、物理环境特征、运行特征和故障特征中的至少一种；
训练模块，用于根据所述训练数据集训练逻辑回归模型；
第二生成模块，用于根据训练后得到的逻辑回归模型的模型参数，生成所述服务器风险评分模型。
根据本公开的第五方面，提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前述第一方面的服务器维保策略的确定方法，或者执行前述第二方面的模型的生成方法。
根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行前述第一方面的服务器维保策略的确定方法，或者执行前述第二方面的模型的生成方法。
根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现根据前述第一方面的服务器维保策略的确定方法，或者执行前述第二方面的模型的生成方法。
根据本公开的服务器维保策略的确定方法，基于待处理服务器的特征信息以及预先建立的服务器风险评分模型，获得待处理服务器的风险评分值，从而准确评估待处理服务器的风险程度。进而根据风险评分值，确定待处理服务器的维保策略，实现按需维保，降低发生资源错配情况的可能。本公开可减少服务器故障率，提高服务器的维保效率，并有效减少维保资源浪费。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例提供的一种服务器维保策略的确定方法的流程示意图；
图2是根据本公开实施例提供的另一种服务器维保策略的确定方法的流程示意图；
图3是根据本公开实施例提供的一种模型的生成方法的流程示意图；
图4是根据选取的特征和训练目标生成训练数据集的实现过程流程图；
图5是本公开实施例提供的确定基准时点的示意图；
图6是根据本公开实施例提供的另一种模型的生成方法的流程示意图；
图7是本公开实施例提供的某特征的所有分箱的证据权重WOE值的示意图；
图8是根据本公开实施例提供的一种服务器维保策略的确定装置的结构框图；
图9是根据本公开实施例提供的另一种服务器维保策略的确定装置的结构框图；
图10是根据本公开实施例提供的一种模型的生成装置的结构框图；
图11是用以实现本公开实施例的服务器维保策略的确定方法或者模型的生成方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
由于日常定期维保模式的维保周期和维保程度大多依赖于专家经验，不能相对全面地考虑不同服务器的运行负荷、物理运行环境、运行情况等因素按需维保，从而导致资源错配的情况：本来无需维保的服务器占用了维保资源，而需要提前维保的服务器没有及时维保，造成线上严重事故。
为此，本公开提供了一种服务器维保策略的确定方法、模型的生成方法及其装置。具体地，下面参考附图描述本公开实施例的服务器维保策略的确定方法、模型的生成方法及其装置。
图1是根据本公开实施例提供的一种服务器维保策略的确定方法的流程示意图。需要说明的是，本公开实施例的服务器维保策略的确定方法可应用于申请实施例的服务器维保策略的确定装置，该服务器维保策略的确定装置可被配置于电子设备上。如图1所示，该服务器维保策略的确定方法包括如下步骤：
步骤101，获取待处理服务器的特征信息。该特征信息包括属性特征、物理环境特征、运行特征和故障特征中的至少一种。
可选地，在本公开一些实施例中，属性特征可以是服务器的使用年限、上次检修至今的时间、品牌等特征；物理环境特征可以是服务器所在机房的温度、湿度、噪声、照度等特征；运行特征可以是服务器的磁盘占用率、内存占用率、CPU占用率、网络吞吐量、电源功率等特征；故障特征可以是服务器故障的发生时间、故障的严重程度等特征。
步骤102，将待处理服务器的特征信息输入至预先建立的服务器风险评分模型，获得特征信息之中每个特征对应的分值。该服务器风险评分模型已经学习得到服务器的各个特征与分值之间的映射关系。
需要说明的是，有关本实施例中模型的生成方法可参考本公开后续实施例中的描述，在此不再赘述。
步骤103，根据特征信息之中每个特征对应的分值，获得待处理服务器的风险评分值。
可选地，可对特征信息之中每个特征对应的分值进行一定运算处理，例如求和运算，从而获得待处理服务器的风险评分值。又或者，还可设置一基准分值，对该基准分值与特征信息之中每个特征对应的分值进行一定运算处理，如求和计算、求差计算等，获得待处理服务器的风险评分值。作为一种示例，可将基准分值与特征信息之中每个特征对应的分值进行相加，将获得的和值作为待处理服务器的风险评分值。作为又一种示例，还可在基准分值的基础上，减去特征信息之中每个特征对应的分值，将获得的差值作为待处理服务器的风险评分值。其中，该基准分值可理解为不考虑待处理服务器的特征的情况下，对该待处理服务器的风险评分基准分，由于特征对应的分值可能是正数，也有可能是负数，为了避免得到的待处理服务器的风险评分值为负数，可以设置一个基准分值，该基准分值可以与服务器风险评分模型对应，在该基准分值的基础上，再对特征信息之中每个特征对应的分值进行一定运算处理。
步骤104，根据风险评分值，确定待处理服务器的维保策略。
可选地，风险评分值和维保策略可以建立映射关系。比如，在一种实现方式中，风险评分值越高，代表待处理服务器的风险越低，不需要过高的维保频率；风险评分值越低，代表待处理服务器的风险越高，需要适当提高维保频率。在另一种实现方式中，风险评分值越低，代表待处理服务器的风险越低，不需要过高的维保频率；风险评分值越高，代表待处理服务器的风险越高，需要适当提高维保频率。
根据本公开实施例的服务器维保策略的确定方法，基于待处理服务器的特征信息以及预先建立的服务器风险评分模型，获得待处理服务器的风险评分值，从而准确评估待处理服务器的风险程度。进而根据风险评分值，确定待处理服务器的维保策略，实现按需维保，降低发生资源错配情况的可能。本公开可减少服务器故障率，提高服务器的维保效率，并有效减少维保资源浪费。
图2是根据本公开实施例提供的另一种服务器维保策略的确定方法的流程示意图。如图2所示，该服务器维保策略的确定方法包括如下步骤：
步骤201，获取待处理服务器的特征信息。该特征信息包括属性特征、物理环境特征、运行特征和故障特征中的至少一种。
步骤202，将待处理服务器的特征信息输入至预先建立的服务器风险评分模型，获得基准分值和特征信息之中每个特征对应的分值。该服务器风险评分模型已经学习得到服务器的各个特征与分值之间的映射关系。
步骤203，根据特征信息之中每个特征对应的分值，获得待处理服务器的风险评分值。
作为一种可能的实现方式，可将特征信息之中每个特征对应的分值进行求和操作，将得到的和值确定为待处理服务器的风险评分值。
例如，假设待处理服务器的特征信息包括品牌特征，温度特征和内存占用率特征。其中，品牌特征对应的分值为5，温度特征对应的分值为2，内存占用率特征对应的分值为7，对品牌特征，温度特征和内存占用率特征对应的分值进行求和操作，将得到的和值14确定为待处理服务器的风险评分值。
作为另一种可能的实现方式，，可以获取服务器风险评分模型对应的基准分值，根据该基准分值与特征信息之中每个特征对应的分值，获得待处理服务器的风险评分值。其中，可对该基准分值与特征信息之中每个特征对应的分值进行一定运算处理，如求和操作、求差操作等，从而获得待处理服务器的风险评分值。
作为一种示例，可将基准分值与特征信息之中每个特征对应的分值进行求和操作，将得到的和值确定为待处理服务器的风险评分值。
需要说明的是，由于特征对应的分值可能是正数，也有可能是负数，为了避免得到的待处理服务器的风险评分值为负数，可以设置一个基准分值，该基准分值可以与服务器风险评分模型对应，在该基准分值的基础上，再对特征信息之中每个特征对应的分值进行一定运算处理。
例如，假设待处理服务器的特征信息包括品牌特征，温度特征和内存占用率特征。其中，服务器风险评分模型对应的基准分值为100，品牌特征对应的分值为5，温度特征对应的分值为2，内存占用率特征对应的分值为7，对基准分值，品牌特征，温度特征和内存占用率特征对应的分值进行求和操作，将得到的和值114确定为待处理服务器的风险评分值。
作为又一种示例，可将基准分值与特征信息之中每个特征对应的分值进行求差操作，将得到的差值确定为待处理服务器的风险评分值。例如，假设待处理服务器的特征信息包括品牌特征，温度特征和内存占用率特征。其中，服务器风险评分模型对应的基准分值为100，品牌特征对应的分值为5，温度特征对应的分值为2，内存占用率特征对应的分值为7，将基准分值减去品牌特征，温度特征和内存占用率特征对应的分值，将得到的差值86确定为待处理服务器的风险评分值。
可选地，在一种实现方式中，一个基准分值可以对应一个服务器风险评分模型，即每个不同的服务器风险评分模型对应不同的基准分值，例如服务器风险评分模型A对应基准分值a，服务器风险评分模型B对应基准分值b，服务器风险评分模型A与服务器风险评分模型B为不同的模型，基准分值a与基准分值b为不同分值。在另一种实现方式中，一个基准分值可以对应多个不同的服务器风险评分模型，例如，服务器风险评分模型A对应基准分值a，服务器风险评分模型C对应基准分值a，服务器风险评分模型A与服务器风险评分模型C为不同的模型。
步骤204，获取维保频率和风险评分值之间的对应关系。
作为一种示例，可预先划分多个维保区间，其中每个维保区间包括维保频率和风险评分值之间的对应关系。例如，划分四个维保区间：重点维保区间、高频维保区间、中频维保区间和低频维保区间，且假设基准分值为600。当风险评分值为第一阈值(例如，300)以下时，对应重点维保区间，待处理服务器需要尽快进行维保；当风险评分值为第一阈值(例如，300)以上，第二阈值(例如，450)以下时，对应高频维保区间，待处理服务器需要提高维保频率；当风险评分值为第二阈值(例如，450)以上，第三阈值(例如，550)以下时，对应中频维保区间，待处理服务器使用正常维保频率即可；当风险评分值为第三阈值(例如，550)以上，第四阈值(例如，600)以下时，对应低频维保区间，待处理服务器使用较低的维保频率。需要说明的是，上述有关多个维保区间的分值划分范围仅为示例性的，并不能构成对本公开的限定。
步骤205，根据待处理服务器的风险评分值和对应关系，确定出待处理服务器的维保策略。
在本公开实施例中，步骤201-步骤202可以分别采用本公开的各实施例中的任一种方式实现，对此本公开不作具体限定，也不再赘述。
根据本公开实施例的服务器维保策略的确定方法，基于待处理服务器的特征信息以及预先建立的服务器风险评分模型，获得待处理服务器的风险评分值，从而准确评估待处理服务器的风险程度。进而根据风险评分值与维保频率和风险评分值之间的对应关系，确定待处理服务器的维保策略，获取的待处理服务器的维保策略更加准确，实现按需维保，进一步降低发生资源错配情况的可能，本公开可减少服务器故障率，提高服务器的维保效率，并有效减少维保资源浪费。
本公开还提出一种模型的生成方法，图3是根据本公开实施例提供的一种模型的生成方法的流程示意图。需要说明的是，本公开实施例的模型的生成方法可应用于申请实施例的模型的生成装置，该模型的生成装置可被配置于电子设备上。如图3所示，该模型的生成方法包括以下步骤：
步骤301，采集用于生成服务器风险评分模型所需的相关数据。该相关数据包括样本服务器的属性数据、物理环境数据、运行数据、故障数据中的至少一种。
步骤302，从相关数据之中选取特征和训练目标，并根据选取的特征和训练目标生成训练数据集。该选取的特征包括属性特征、物理环境特征、运行特征和故障特征中的至少一种。
可选地，在本公开一些实施例中，属性特征可以是服务器的使用年限、上次检修至今的时间、品牌等特征；物理环境特征可以是服务器所在机房的温度、湿度、噪声、照度等特征；运行特征可以是服务器的磁盘占用率、内存占用率、CPU占用率、网络吞吐量、电源功率等特征；故障特征可以是服务器故障的发生时间、故障的严重程度等特征。
需要说明的是，对于属性特征，可直接选取服务器的使用年限、上次检修至今的时间、品牌等特征，作为生成训练数据集所需的特征。而对于物理环境特征、运行特征和故障特征，则需要针对特征的特性做一定时间窗口内的聚合计算，将经过聚合的特征作为生成训练数据集所需的特征。比如取一定时间窗口内特征值的平均值、峰值、差值、计数等，其时间窗口的步长则可选择一周、一个月、三个月、一年等。
例如，对于物理环境特征中的温度特征，可以选取近一月的平均值、近一月的峰值、近一月的最大温差；对于运行特征中的磁盘占用率特征，可以选取近一月的平均值、近一周的峰值；对于故障特征，可以选取近一年发生严重故障的次数，近一年轻微故障的次数等。
此外，可获取在上述选取特征时使用的时间窗口之后一段时间内的故障情况，将该故障情况作为生成训练数据集所需的训练目标。需要说明的是，故障情况可以指该段时间内是否发生故障、是否发生严重故障等情况。作为一种示例，假设在相关数据之中选取特征时的时间窗口的步长为6个月，选取了某一年之中一月至六月的特征，则可将六月之后一段时间内的故障情况作为训练目标，例如七月的故障情况。
步骤303，根据训练数据集训练逻辑回归模型。
在本公开一些实施例中，使用逻辑回归对训练数据进行拟合，从而训练逻辑回归模型，获得模型中的模型参数。
步骤304，根据训练后得到的逻辑回归模型的模型参数，生成服务器风险评分模型。
根据本公开实施例的模型的生成方法，在样本服务器的历史相关数据中选取特征和训练目标，生成训练数据集并训练逻辑回归模型，进而生成服务器风险评分模型。本公开的服务器风险评分模型可对服务器的风险程度进行准确打分。进一步地，随着历史数据的积累，不断有新的数据增加到训练数据当中，服务器风险评分模型的准确度也将随之提高。
需要说明的是，为了准确选取特征和训练目标，在本公开一些实施例中，步骤302所述从相关数据之中选取特征和训练目标，并根据选取的特征和训练目标生成训练数据集的实现过程可以如图4所示，包括如下步骤：
步骤401，确定预设的训练目标聚合窗口和特征聚合窗口，并根据训练目标聚合窗口和特征聚合窗口，确定基准时点。
需要说明的是，在选取特征和训练目标时，需要选取基准时点之后一段时间的相关数据作为训练目标，以及基准时点之前一段时间的相关数据作为所选取的特征。为了更好地理解本步骤，下面将结合图5进行说明。如图5所示，假设步骤301中采集某一年全年的用于建立服务器风险评分模型所需的相关数据，并将特征聚合窗口的步长设置为6个月，将训练目标聚合窗口的步长设置为1个月，那么在选取特征和训练目标构建训练数据集时，基准时点只能选择7月和11月之间的时间点。
步骤402，基于基准时点确定聚合特征采集时间区间和目标采集时间区间。
可选的，将基准时点之前的第一时间段作为聚合特征采集时间区间，将基准时点之后的第二时间段作为目标采集时间区间。其中，第一时间段的时长与特征聚合窗口的步长相同，第二时间段的时长与训练目标聚合窗口的步长相同。
例如，特征聚合窗口的步长为6个月，训练目标聚合窗口的步长为1个月，则第一时间段为6个月，第二时间段为1个月。故将基准时点之前的6个月作为聚合特征采集时间区间，将基准时点之后的1个月作为目标采集时间区间。如图5所示，如果将基准时点确定为6月，则聚合特征采集时间区间为1月至6月，目标采集时间区间为7月。如果将基准时点确定为10月，则聚合特征采集时间区间为5月至10月，目标采集时间区间为11月。需要说明的是，可在采集的相关数据之中，选择多个基准时点，确定多组聚合特征采集时间区间和目标采集时间区间。
步骤403，根据聚合特征采集时间区间从相关数据之中选取特征。该选取的特征包括待聚合特征和属性特征。
需要说明的是，待聚合特征包括物理环境特征、运行特征和故障特征中的至少一种。
步骤404，基于特征聚合窗口和预设的聚合方式将待聚合特征进行聚合以得到聚合特征。
可选地，对于不同的待聚合特征，选择对应的聚合方式进行聚合。比如，聚合方式可以为选取特征聚合窗口内特征值的平均值、峰值、差值、计数等。作为一种示例，可以根据待聚合特征的特性，决定采用对应的聚合方式(例如，对于数值类特征(如温度、湿度、噪声、照度、服务器的磁盘占用率、内存占用率、CPU占用率、网络吞吐量、电源功率等特征)，可以采用平均值、峰值、差值中的至少一种聚合方式进行聚合；对于故障特征，可选择计数的聚合方式进行聚合。或者，还可以根据实际应用情况决定采用对应的聚合方式，比如，对于不同的待聚合特征，可以通过用户按照需求自行选择对应的聚合方式进行聚合，或者，还可以是控制器按照待聚合特征的特点自行选择对应的聚合方式进行聚合。
例如，对于物理环境特征中的温度特征，当特征聚合窗口的步长为一个月时，其聚合特征可以为温度特征近一月的平均值、近一月的峰值、近一月的最大温差；对于运行特征中的磁盘占用率特征，当特征聚合窗口的步长为一周时，其聚合特征可以为磁盘占用率特征近一周的平均值、近一周的峰值；对于故障特征，可选择计数的聚合方式进行聚合，当特征聚合窗口的步长为一年时，其聚合特征可以为近一年发生严重故障的次数，近一年轻微故障的次数等。
步骤405，根据目标采集时间区间从相关数据之中选取训练目标。
作为一种示例，可获取目标采集时间区间内的故障情况，将该故障情况作为生成训练数据集所需的训练目标。需要说明的是，故障情况可以指在目标采集时间区间内是否发生故障、是否发生严重故障等情况。例如，假设目标采集时间区间为七月，则可将七月的故障情况作为训练目标。
步骤406，根据聚合特征、属性特征和选取的训练目标生成训练数据集。
由此，通过步骤401–步骤406根据训练目标聚合窗口、特征聚合窗口和基准时点，可准确选取特征和训练目标以生成建立服务器风险评分模型所需的训练数据集。
图6是根据本公开实施例提供的另一种模型的生成方法的流程示意图。如图6所示，该模型的生成方法包括以下步骤：
步骤601，采集用于建立服务器风险评分模型所需的相关数据。该相关数据包括样本服务器的属性数据、物理环境数据、运行数据、故障数据中的至少一种。
步骤602，从相关数据之中选取特征和训练目标，并根据选取的特征和训练目标生成训练数据集。该选取的特征包括属性特征、物理环境特征、运行特征和故障特征中的至少一种。
步骤603，对训练数据集中的特征信息进行分箱处理，以得到每个特征的分箱结果。
可选地，在本公开一些实施例中，可对特征信息之中的数值类特征进行离散化处理，例如温度特征等。作为一种可能的实现方式，可使用等宽分箱、等频分箱、最优分箱等分箱方式，对训练数据之中特征信息进行离散化处理。
作为一种示例，可基于CART算法进行最优分箱，每次分箱时将当前分箱内的样本数一分为二，依次计算每一种分割可能性使基尼值下降的程度，选择基尼值较分割前下降程度最大的点为最优分割点。进而递归地分割分箱得到的两个样本子集，直至满足终止条件。终止条件可以选择叶子节点的样本数必须大于总样本的3％。
步骤604，基于每个特征的分箱结果，将分箱后的特征映射成数值，得到每个特征的所有分箱的证据权重WOE值。
其中，每个特征的所有分箱的证据权重WOE值的计算公式可如公式(1)表示：
Figure BDA0003870355530000111
其中，WOEi为第i个分箱的证据权重WOE值，Badi为第i个分箱的坏样本数量，BadT为坏样本总数量，Goodi为第i个分箱的好样本数量，GoodT为好样本总数量。
需要解释的是，好样本指没有出现过事故的样本，坏样本指出现了事故的样本。作为一种示例，某特征的所有分箱的证据权重WOE值可以如图7所示。
步骤605，根据每个特征及其所有分箱的WOE值、以及训练目标训练逻辑回归模型。
在本公开一些实施例中，使用逻辑回归对训练数据进行拟合。其中，逻辑回归公式如公式(2)表示：
Figure BDA0003870355530000112
其中，p为坏样本概率，θT为逻辑回归训练得到的参数，x为经过WOE转换后的训练数据。
进一步地，为了保证训练数据之中特征信息的有效性，在本公开一些实施例中，可基于每个特征的所有分箱的WOE值计算对应特征的信息值IV值。根据每个特征的IV值对训练数据集中的特征信息进行筛选处理，以获得IV值满足预设阈值的第一特征。进而根据第一特征及其所有分箱的WOE值、以及训练目标训练逻辑回归模型。
作为一种示例，IV值的计算公式如公式(3)表示：
Figure BDA0003870355530000113
需要说明的是，IV值越大说明该特征越有效。例如，在本公开一些实施例中，可将预设阈值设置为0.02，将IV值大于0.02的特征作为第一特征，进而根据第一特征及其所有分箱的WOE值、以及训练目标训练逻辑回归模型。
步骤606，根据训练后得到的逻辑回归模型的模型参数，生成服务器风险评分模型。
由逻辑回归的定义可得：
Figure BDA0003870355530000121
公式(4)可转化为：
log(odds)＝θTx (5)
其中，
Figure BDA0003870355530000122
p为坏样本概率，1-为好样本概率。
服务器风险评分模型的分值可定义为比率对数的线性表达：
Score＝A-B*log(odds) (6)
其中，A与B为常数。B前面的符号可以使得违约概率越低，得分越高。通常情况下，高分值代表低风险，低分值代表高风险。
由公式(6)展开可得：
Score＝A-B{β0+β1x1+…+βpxp} (7)
其中，β0…βp为逻辑回归模型的模型参数矩阵θ中的多个元素。由于x为经过WOE转换后的训练数据，故公式(7)可展开如下
Figure BDA0003870355530000123
其中，wij为第j行第i个变量的WOE值，δij在变量i取第j个分箱值时为1，否则为0。公式(8)可以进一步改写成：
Score＝(A-Bβ0)-(Bβ1w11)δ11-(Bβ1w12)δ12-…-Bβpwp1)δp1-Bβpwp2)δp2-…
(9)
得到服务器风险评分模型的标准表达如表1所示：
表1
Figure BDA0003870355530000124
Figure BDA0003870355530000131
其中，A与B的值可通过两个已知或假设的分值代入计算得到。例如：
假设1：某个特定的违约概率下的预期评分，即比率odds为θ0时的分值为P0。
假设2：该违约概率翻倍的评分(PDO)
根据上述假设可得方程组：
P0＝A-B×log(θ0) (10)
P0-PDO＝A-B×log(2θ0) (11)
求解可得
Figure BDA0003870355530000132
A＝P0+B×log(θ0) (13)
作为一种示例，基准分值P0可为600分，PDO为50，odds为1:10。
根据本公开实施例的模型的生成方法，在样本服务器的历史相关数据中选取特征和训练目标，并对训练数据集中的特征信息进行分箱处理，将分箱后的特征映射成数值，得到每个特征的所有分箱的证据权重WOE值。根据每个特征及其所有分箱的WOE值、以及训练目标训练逻辑回归模型，并进一步生成服务器风险评分模型。本公开的服务器风险评分模型可对服务器的风险程度进行更加准确地打分。进一步地，随着历史数据的积累，不断有新的数据增加到训练数据当中，服务器风险评分模型的准确度也将随之提高。
图8是根据本公开实施例提供的一种服务器维保策略的确定装置的结构框图。如图8所示，该服务器维保策略的确定装置包括第一获取模块801、第二获取模块802、第三获取模块803和确定模块804。
其中，第一获取模块801，用于获取待处理服务器的特征信息；特征信息包括属性特征、物理环境特征、运行特征和故障特征中的至少一种。
第二获取模块802，用于将待处理服务器的特征信息输入至预先建立的服务器风险评分模型，获得特征信息之中每个特征对应的分值；服务器风险评分模型已经学习得到服务器的各个特征与分值之间的映射关系。
第三获取模块803，用于根据特征信息之中每个特征对应的分值，获得待处理服务器的风险评分值。
在本公开一些实施例中，第三获取模块803具体用于：获取服务器风险评分模型对应的基准分值；根据基准分值和特征信息之中每个特征对应的分值，获得待处理服务器的风险评分值。
在本公开一些实施例中，第三获取模块803具体用于：将基准分值与特征信息之中每个特征对应的分值进行求和操作，将得到的和值确定为待处理服务器的风险评分值。
确定模块804，用于根据风险评分值，确定待处理服务器的维保策略。
在本公开一些实施例中，确定模块804具体用于：获取维保频率与风险评分值之间的对应关系；根据待处理服务器的风险评分值和对应关系，确定出待处理服务器的维保频率。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
根据本公开实施例的服务器维保策略的确定装置，基于待处理服务器的特征信息以及预先建立的服务器风险评分模型，获得待处理服务器的风险评分值，从而准确评估待处理服务器的风险程度。进而根据风险评分值，准确确定待处理服务器的维保策略，实现按需维保，降低发生资源错配情况的可能。本公开可减少服务器故障率，提高服务器的维保效率，并有效减少维保资源浪费。
图9是根据本公开实施例提供的另一种服务器维保策略的确定装置的结构框图。在本公开的一些实施例中，在如图8实施例的基础上，如图9所示，该服务器维保策略的确定装置还包括模型建立模块905，用于预先建立服务器风险评分模型。
其中，模型建立模块905具体用于：
采集用于建立服务器风险评分模型所需的相关数据；相关数据包括样本服务器的属性数据、物理环境数据、运行数据、故障数据中的至少一种；
从相关数据之中选取特征和训练目标，并根据选取的特征和训练目标生成训练数据集；选取的特征包括属性特征、物理环境特征、运行特征和故障特征中的至少一种；
根据训练数据集训练逻辑回归模型；
根据训练后得到的逻辑回归模型的模型参数，生成服务器风险评分模型。
在本公开一些实施例中，模型建立模块905具体用于：
确定预设的训练目标聚合窗口和特征聚合窗口，并根据训练目标聚合窗口和特征聚合窗口，确定基准时点；
基于基准时点确定聚合特征采集时间区间和目标采集时间区间；
根据聚合特征采集时间区间从相关数据之中选取特征；选取的特征包括待聚合特征和属性特征；
基于特征聚合窗口和预设的聚合方式将待聚合特征进行聚合以得到聚合特征；
根据目标采集时间区间从相关数据之中选取训练目标；
根据聚合特征、属性特征和选取的训练目标生成训练数据集。
在本公开一些实施例中，模型建立模块905具体用于：对训练数据集中的特征信息进行分箱处理，以得到每个特征的分箱结果；基于每个特征的分箱结果，将分箱后的特征映射成数值，得到每个特征的所有分箱的证据权重WOE值；根据述每个特征及其所有分箱的WOE值、以及训练目标训练逻辑回归模型。
在本公开一些实施例中，模型建立模块905具体用于：基于每个特征的所有分箱的WOE值计算对应特征的信息值IV值，并根据每个特征的IV值对训练数据集中的特征信息进行筛选处理，以获得IV值满足预设阈值的第一特征，根据第一特征及其所有分箱的WOE值、以及训练目标训练逻辑回归模型。
其中，图9中901-904和图8中801-804具有相同功能和结构。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
根据本公开实施例的服务器维保策略的确定装置，预先建立的服务器风险评分模型，基于待处理服务器的特征信息以及预先建立的服务器风险评分模型，获得待处理服务器的风险评分值，从而准确评估待处理服务器的风险程度。进而根据风险评分值，准确确定待处理服务器的维保策略，实现按需维保，降低发生资源错配情况的可能。本公开可减少服务器故障率，提高服务器的维保效率，并有效减少维保资源浪费。
图10是根据本公开实施例提供的一种模型的生成装置的结构框图。如图10所示，该模型的生成装置包括采集模块1001、第一生成模块1002、训练模块1003和第二生成模块1004。
其中，采集模块1001，用于采集用以生成服务器风险评分模型所需的相关数据；相关数据包括样本服务器的属性数据、物理环境数据、运行数据、故障数据中的至少一种；
第一生成模块1002，用于从相关数据之中选取特征和训练目标，并根据选取的特征和训练目标生成训练数据集；选取的特征包括属性特征、物理环境特征、运行特征和故障特征中的至少一种。
在本公开一些实施例中，第一生成模块1002具体用于：确定预设的训练目标聚合窗口和特征聚合窗口，并根据训练目标聚合窗口和特征聚合窗口，确定基准时点；
基于基准时点确定聚合特征采集时间区间和目标采集时间区间；
根据聚合特征采集时间区间从相关数据之中选取特征；选取的特征包括待聚合特征和属性特征；
基于特征聚合窗口和预设的聚合方式将待聚合特征进行聚合以得到聚合特征；
根据目标采集时间区间从相关数据之中选取训练目标；
根据聚合特征、属性特征和选取的训练目标生成训练数据集。
训练模块1003，用于根据训练数据集训练逻辑回归模型；
在本公开一些实施例中，训练模块1003具体用于：对训练数据集中的特征信息进行分箱处理，以得到每个特征的分箱结果；
基于每个特征的分箱结果，将分箱后的特征映射成数值，得到每个特征的所有分箱的证据权重WOE值；
根据每个特征及其所有分箱的WOE值、以及训练目标训练逻辑回归模型。
在本公开一些实施例中，训练模块1003具体用于：基于每个特征的所有分箱的WOE值计算对应特征的信息值IV值，并根据每个特征的IV值对训练数据集中的特征信息进行筛选处理，以获取IV值满足预设阈值的第一特征。根据第一特征及其所有分箱的WOE值、以及训练目标训练逻辑回归模型。
第二生成模块1004，用于根据训练后得到的逻辑回归模型的模型参数，生成服务器风险评分模型。
根据本公开实施例的模型的生成装置，在样本服务器的历史相关数据中选取特征和训练目标，生成训练数据集并训练逻辑回归模型，进而生成服务器风险评分模型。本公开的服务器风险评分模型可对服务器的风险程度进行准确打分。进一步地，随着历史数据的积累，不断有新的数据增加到训练数据当中，服务器风险评分模型的准确度也将随之提高。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图11所示，图11是用以实现本公开实施例的服务器维保策略的确定方法或者模型的生成方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图11所示，该电子设备包括：一个或多个处理器1101、存储器1102，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器***)。图11中以一个处理器1101为例。
存储器1102即为本公开所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本公开所提供的服务器维保策略的确定方法或者模型的生成方法。本公开的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本公开所提供的服务器维保策略的确定方法或者模型的生成方法。
存储器1102作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本公开实施例中的服务器维保策略的确定方法或者模型的生成方法对应的程序指令/模块(例如，附图9所示的第一获取模块901、第二获取模块902、第三获取模块903、确定模块904和模型建立模块905，以及附图10所示的采集模块1001、第一生成模块1002、训练模块1003和第二生成模块1004)。处理器1101通过运行存储在存储器1102中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的服务器维保策略的确定方法或者模型的生成方法。
存储器1102可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储服务器维保策略的确定方法或者模型的生成方法的电子设备的使用所创建的数据等。此外，存储器1102可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1102可选包括相对于处理器1101远程设置的存储器，这些远程存储器可以通过网络连接至用以实现服务器维保策略的确定方法或者模型的生成方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
服务器维保策略的确定方法或者模型的生成方法的电子设备还可以包括：输入装置1103和输出装置1104。处理器1101、存储器1102、输入装置1103和输出装置1104可以通过总线或者其他方式连接，图11中以通过总线连接为例。
输入装置1103可接收输入的数字或字符信息，以及产生与服务器维保策略的确定方法或者模型的生成方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1104可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，即本公开还提出了一种计算机程序，该计算机程序在被处理器执行时，实现上述实施例所描述的服务器维保策略的确定方法或者模型的生成方法，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式***的服务器，或者是结合了区块链的服务器。应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (27)

1.一种服务器维保策略的确定方法，包括：
获取待处理服务器的特征信息；所述特征信息包括属性特征、物理环境特征、运行特征和故障特征中的至少一种；
将所述待处理服务器的特征信息输入至预先建立的服务器风险评分模型，获得所述特征信息之中每个特征对应的分值；所述服务器风险评分模型已经学习得到服务器的各个特征与分值之间的映射关系；
根据所述特征信息之中每个特征对应的分值，获得所述待处理服务器的风险评分值；
根据所述风险评分值，确定所述待处理服务器的维保策略。
2.如权利要求1所述的方法，其中，所述根据所述风险评分值，确定所述待处理服务器的维保策略，包括：
获取维保频率和风险评分值之间的对应关系；
根据所述待处理服务器的风险评分值和所述对应关系，确定出所述待处理服务器的维保频率。
3.如权利要求1所述的方法，其中，所述服务器风险评分模型通过以下方式预先建立：
采集用于建立所述服务器风险评分模型所需的相关数据；所述相关数据包括样本服务器的属性数据、物理环境数据、运行数据、故障数据中的至少一种；
从所述相关数据之中选取特征和训练目标，并根据所述选取的特征和训练目标生成训练数据集；所述选取的特征包括属性特征、物理环境特征、运行特征和故障特征中的至少一种；
根据所述训练数据集训练逻辑回归模型；
根据训练后得到的逻辑回归模型的模型参数，生成所述服务器风险评分模型。
4.如权利要求3所述的方法，其中，所述从所述相关数据之中选取特征和训练目标，并根据所述选取的特征和训练目标生成训练数据集，包括：
确定预设的训练目标聚合窗口和特征聚合窗口，并根据所述训练目标聚合窗口和所述特征聚合窗口，确定基准时点；
基于所述基准时点确定聚合特征采集时间区间和目标采集时间区间；
根据所述聚合特征采集时间区间从所述相关数据之中选取特征；所述选取的特征包括待聚合特征和属性特征；
基于所述特征聚合窗口和预设的聚合方式将所述待聚合特征进行聚合以得到聚合特征；
根据所述目标采集时间区间从所述相关数据之中选取训练目标；
根据所述聚合特征、所述属性特征和所述选取的训练目标生成训练数据集。
5.如权利要求3所述的方法，其中，所述根据所述训练数据集训练逻辑回归模型，包括：
对所述训练数据集中的特征信息进行分箱处理，以得到每个特征的分箱结果；
基于所述每个特征的分箱结果，将分箱后的特征映射成数值，得到所述每个特征的所有分箱的证据权重WOE值；
根据所述每个特征及其所有分箱的WOE值、以及所述训练目标训练逻辑回归模型。
6.如权利要求5所述的方法，其中，所述根据所述每个特征及其所有分箱的WOE值、以及所述训练目标训练逻辑回归模型，包括：
基于所述每个特征的所有分箱的WOE值计算对应特征的信息值IV值；
根据所述每个特征的IV值对所述训练数据集中的特征信息进行筛选处理，以获取IV值满足预设阈值的第一特征；
根据所述第一特征及其所有分箱的WOE值、以及所述训练目标训练逻辑回归模型。
7.如权利要求1所述的方法，其中，所述根据所述特征信息之中每个特征对应的分值，获得所述待处理服务器的风险评分值，包括：
获取所述服务器风险评分模型对应的基准分值；
根据所述基准分值和所述特征信息之中每个特征对应的分值，获得所述待处理服务器的风险评分值。
8.如权利要求7所述的方法，其中，所述根据所述基准分值和所述特征信息之中每个特征对应的分值，获得所述待处理服务器的风险评分值包括：
将所述基准分值与所述特征信息之中每个特征对应的分值进行求和操作，将得到的和值确定为所述待处理服务器的风险评分值。
9.一种模型的生成方法，包括：
采集用于生成服务器风险评分模型所需的相关数据；所述相关数据包括样本服务器的属性数据、物理环境数据、运行数据、故障数据中的至少一种；
从所述相关数据之中选取特征和训练目标，并根据所述选取的特征和训练目标生成训练数据集；所述选取的特征包括属性特征、物理环境特征、运行特征和故障特征中的至少一种；
根据所述训练数据集训练逻辑回归模型；
根据训练后得到的逻辑回归模型的模型参数，生成所述服务器风险评分模型。
10.如权利要求9所述的方法，其中，所述从所述相关数据之中选取特征和训练目标，并根据所述选取的特征和训练目标生成训练数据集，包括：
确定预设的训练目标聚合窗口和特征聚合窗口，并根据所述训练目标聚合窗口和所述特征聚合窗口，确定基准时点；
基于所述基准时点确定聚合特征采集时间区间和目标采集时间区间；
根据所述聚合特征采集时间区间从所述相关数据之中选取特征；所述选取的特征包括待聚合特征和属性特征；
基于所述特征聚合窗口和预设的聚合方式将所述待聚合特征进行聚合以得到聚合特征；
根据所述目标采集时间区间从所述相关数据之中选取训练目标；
根据所述聚合特征、所述属性特征和所述选取的训练目标生成训练数据集。
11.如权利要求9所述的方法，其中，所述根据所述训练数据集训练逻辑回归模型，包括：
对所述训练数据集中的特征信息进行分箱处理，以得到每个特征的分箱结果；
基于所述每个特征的分箱结果，将分箱后的特征映射成数值，得到所述每个特征的所有分箱的证据权重WOE值；
根据所述每个特征及其所有分箱的WOE值、以及所述训练目标训练逻辑回归模型。
12.如权利要求11所述的方法，其中，所述根据所述每个特征及其所有分箱的WOE值、以及所述训练目标训练逻辑回归模型，包括：
基于所述每个特征的所有分箱的WOE值计算对应特征的信息值IV值；
根据所述每个特征的IV值对所述训练数据集中的特征信息进行筛选处理，以获取IV值满足预设阈值的第一特征；
根据所述第一特征及其所有分箱的WOE值、以及所述训练目标训练逻辑回归模型。
13.一种服务器维保策略的确定装置，包括：
第一获取模块，用于获取待处理服务器的特征信息；所述特征信息包括属性特征、物理环境特征、运行特征和故障特征中的至少一种；
第二获取模块，用于将所述待处理服务器的特征信息输入至预先建立的服务器风险评分模型，获得所述特征信息之中每个特征对应的分值；所述服务器风险评分模型已经学习得到服务器的各个特征与分值之间的映射关系；
第三获取模块，用于根据所述特征信息之中每个特征对应的分值，获得所述待处理服务器的风险评分值；
确定模块，用于根据所述风险评分值，确定所述待处理服务器的维保策略。
14.如权利要求13所述的装置，其中，所述确定模块具体用于：
获取维保频率与风险评分值之间的对应关系；
根据所述待处理服务器的风险评分值和所述对应关系，确定出所述待处理服务器的维保频率。
15.如权利要求13所述的装置，其中，还包括：
模型建立模块，用于预先建立所述服务器风险评分模型；其中，所述模型建立模块具体用于：
采集用于建立所述服务器风险评分模型所需的相关数据；所述相关数据包括样本服务器的属性数据、物理环境数据、运行数据、故障数据中的至少一种；
从所述相关数据之中选取特征和训练目标，并根据所述选取的特征和训练目标生成训练数据集；所述选取的特征包括属性特征、物理环境特征、运行特征和故障特征中的至少一种；
根据所述训练数据集训练逻辑回归模型；
根据训练后得到的逻辑回归模型的模型参数，生成所述服务器风险评分模型。
16.如权利要求15所述的装置，其中，所述模型建立模块具体用于：
确定预设的训练目标聚合窗口和特征聚合窗口，并根据所述训练目标聚合窗口和所述特征聚合窗口，确定基准时点；
基于所述基准时点确定聚合特征采集时间区间和目标采集时间区间；
根据所述聚合特征采集时间区间从所述相关数据之中选取特征；所述选取的特征包括待聚合特征和属性特征；
基于所述特征聚合窗口和预设的聚合方式将所述待聚合特征进行聚合以得到聚合特征；
根据所述目标采集时间区间从所述相关数据之中选取训练目标；
根据所述聚合特征、所述属性特征和所述选取的训练目标生成训练数据集。
17.如权利要求15所述的装置，其中，所述模型建立模块具体用于：
对所述训练数据集中的特征信息进行分箱处理，以得到每个特征的分箱结果；
基于所述每个特征的分箱结果，将分箱后的特征映射成数值，得到所述每个特征的所有分箱的证据权重WOE值；
根据所述每个特征及其所有分箱的WOE值、以及所述训练目标训练逻辑回归模型。
18.如权利要求17所述的装置，所述模型建立模块具体用于：
基于所述每个特征的所有分箱的WOE值计算对应特征的信息值IV值；
根据所述每个特征的IV值对所述训练数据集中的特征信息进行筛选处理，以获取IV值满足预设阈值的第一特征；
根据所述第一特征及其所有分箱的WOE值、以及所述训练目标训练逻辑回归模型。
19.如权利要求13所述的装置，其中，所述第三获取模块具体用于：
获取所述服务器风险评分模型对应的基准分值；
根据所述基准分值和所述特征信息之中每个特征对应的分值，获得所述待处理服务器的风险评分值。
20.如权利要求19所述的装置，其中，所述第三获取模块具体用于：
将所述基准分值与所述特征信息之中每个特征对应的分值进行求和操作，将得到的和值确定为所述待处理服务器的风险评分值。
21.一种模型的生成装置，包括：
采集模块，用于采集用以生成服务器风险评分模型所需的相关数据；所述相关数据包括样本服务器的属性数据、物理环境数据、运行数据、故障数据中的至少一种；
第一生成模块，用于从所述相关数据之中选取特征和训练目标，并根据所述选取的特征和训练目标生成训练数据集；所述选取的特征包括属性特征、物理环境特征、运行特征和故障特征中的至少一种；
训练模块，用于根据所述训练数据集训练逻辑回归模型；
第二生成模块，用于根据训练后得到的逻辑回归模型的模型参数，生成所述服务器风险评分模型。
22.如权利要求21所述的装置，其中，所述第一生成模块具体用于：
确定预设的训练目标聚合窗口和特征聚合窗口，并根据所述训练目标聚合窗口和所述特征聚合窗口，确定基准时点；
基于所述基准时点确定聚合特征采集时间区间和目标采集时间区间；
根据所述聚合特征采集时间区间从所述相关数据之中选取特征；所述选取的特征包括待聚合特征和属性特征；
基于所述特征聚合窗口和预设的聚合方式将所述待聚合特征进行聚合以得到聚合特征；
根据所述目标采集时间区间从所述相关数据之中选取训练目标；
根据所述聚合特征、所述属性特征和所述选取的训练目标生成训练数据集。
23.如权利要求21所述的装置，其中，所述训练模块具体用于：
对所述训练数据集中的特征信息进行分箱处理，以得到每个特征的分箱结果；
基于所述每个特征的分箱结果，将分箱后的特征映射成数值，得到所述每个特征的所有分箱的证据权重WOE值；
根据所述每个特征及其所有分箱的WOE值、以及所述训练目标训练逻辑回归模型。
24.如权利要求23所述的装置，所述训练模块具体用于：
基于所述每个特征的所有分箱的WOE值计算对应特征的信息值IV值；
根据所述每个特征的IV值对所述训练数据集中的特征信息进行筛选处理，以获取IV值满足预设阈值的第一特征；
根据所述第一特征及其所有分箱的WOE值、以及所述训练目标训练逻辑回归模型。
25.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至8中任一项所述的方法，或者能够执行如权利要求9至12中任一项所述的方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行如权利要求1至8中任一项所述的方法，或者使所述计算机执行如权利要求9至12中任一项所述的方法。
27.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现权利要求1至8中任一项所述方法的步骤，或者实现权利要求9至12中任一项所述方法的步骤。
CN202211204756.9A 2022-09-28 2022-09-28 服务器维保策略的确定方法、模型的生成方法及其装置 Pending CN115564069A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211204756.9A CN115564069A (zh) 2022-09-28 2022-09-28 服务器维保策略的确定方法、模型的生成方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211204756.9A CN115564069A (zh) 2022-09-28 2022-09-28 服务器维保策略的确定方法、模型的生成方法及其装置

Publications (1)

Publication Number Publication Date
CN115564069A true CN115564069A (zh) 2023-01-03

Family

ID=84743843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211204756.9A Pending CN115564069A (zh) 2022-09-28 2022-09-28 服务器维保策略的确定方法、模型的生成方法及其装置

Country Status (1)

Country Link
CN (1) CN115564069A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016796A (zh) * 2020-07-15 2020-12-01 北京淇瑀信息科技有限公司 综合风险评分请求处理方法、装置及电子设备
CN112633708A (zh) * 2020-12-25 2021-04-09 同方威视科技江苏有限公司 机械设备故障检测方法、装置、介质及电子设备
CN112766649A (zh) * 2020-12-31 2021-05-07 平安科技（深圳）有限公司 基于多评分卡融合的目标对象评价方法及其相关设备
CN113158947A (zh) * 2021-04-29 2021-07-23 重庆长安新能源汽车科技有限公司 一种动力电池健康评分方法、***及存储介质
CN113238908A (zh) * 2021-06-18 2021-08-10 浪潮商用机器有限公司 一种服务器性能测试数据分析方法及相关装置
CN113988331A (zh) * 2021-10-29 2022-01-28 浙江新再灵科技股份有限公司 一种基于评分卡模型的电梯维保周期确定方法
CN114691403A (zh) * 2022-03-18 2022-07-01 阿里巴巴（中国）有限公司 一种服务器故障诊断方法、装置、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016796A (zh) * 2020-07-15 2020-12-01 北京淇瑀信息科技有限公司 综合风险评分请求处理方法、装置及电子设备
CN112633708A (zh) * 2020-12-25 2021-04-09 同方威视科技江苏有限公司 机械设备故障检测方法、装置、介质及电子设备
CN112766649A (zh) * 2020-12-31 2021-05-07 平安科技（深圳）有限公司 基于多评分卡融合的目标对象评价方法及其相关设备
CN113158947A (zh) * 2021-04-29 2021-07-23 重庆长安新能源汽车科技有限公司 一种动力电池健康评分方法、***及存储介质
CN113238908A (zh) * 2021-06-18 2021-08-10 浪潮商用机器有限公司 一种服务器性能测试数据分析方法及相关装置
CN113988331A (zh) * 2021-10-29 2022-01-28 浙江新再灵科技股份有限公司 一种基于评分卡模型的电梯维保周期确定方法
CN114691403A (zh) * 2022-03-18 2022-07-01 阿里巴巴（中国）有限公司 一种服务器故障诊断方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
芦铭: "基于风险分析的医疗设备检查评分***" *

Similar Documents

Publication Publication Date Title
US11954522B2 (en) Method for processing tasks in parallel, device and storage medium
US20230222362A1 (en) Data real-time monitoring method and apparatus based on machine learning
CN110574338B (zh) 根本原因发现方法及***
US10248561B2 (en) Stateless detection of out-of-memory events in virtual machines
US11012289B2 (en) Reinforced machine learning tool for anomaly detection
Bogojeska et al. Classifying server behavior and predicting impact of modernization actions
CN111639753B (zh) 用于训练图像处理超网络的方法、装置、设备以及存储介质
CN111460384B (zh) 策略的评估方法、装置和设备
CN112561332B (zh) 模型管理方法、装置、电子设备、存储介质和程序产品
CN111929591A (zh) 故障电池检测方法、装置、设备及计算机存储介质
CN112118314A (zh) 负载均衡方法和装置
TW202001611A (zh) 多元流動網路之可靠度計算方法及其系統
CN110958137B (zh) 流量管理方法、装置及电子设备
CN112015995A (zh) 数据分析的方法、装置、设备以及存储介质
CN115564069A (zh) 服务器维保策略的确定方法、模型的生成方法及其装置
CN112583737B (zh) 流量调整方法和装置
CN112734454B (zh) 一种用户信息确定方法、装置、电子设备和存储介质
Lv et al. Analyzing the service availability of mobile cloud computing systems by fluid-flow approximation
CN112101447B (zh) 数据集的质量评估方法、装置、设备以及存储介质
CN114296872A (zh) 用于容器集群管理***的调度方法及装置
CN111628901B (zh) 一种指标异常检测方法以及相关装置
CN113778973A (zh) 数据存储方法和装置
CN112070132A (zh) 样本数据构建方法、装置、设备和介质
Montes et al. Grid global behavior prediction
Chen et al. En-beats: A novel ensemble learning-based method for multiple resource predictions in cloud

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230103