CN116107859A - 容器故障预测方法、装置、电子设备及存储介质 - Google Patents
容器故障预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116107859A CN116107859A CN202310378235.3A CN202310378235A CN116107859A CN 116107859 A CN116107859 A CN 116107859A CN 202310378235 A CN202310378235 A CN 202310378235A CN 116107859 A CN116107859 A CN 116107859A
- Authority
- CN
- China
- Prior art keywords
- container
- operation index
- fault
- containers
- 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.)
- Granted
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
- G06F11/3452—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种容器故障预测方法、装置、电子设备及存储介质,应用于智能运维技术领域,该方法包括:获取多个容器在多个相同时刻下对应的第一运行指标分数;在根据多个容器中各容器在不同时刻下对应的第一运行指标分数,确定容器为可疑故障容器的情况下,获取不同时刻中最晚时刻下多个容器对应的第二运行指标分数;在根据多个第二运行指标分数,确定可疑故障容器为故障容器的情况下,确定故障容器对应的故障预测信息,故障预测信息包括故障发生概率和/或故障发生时间。该方法能够准确确定多个容器中的故障容器及该故障容器对应的故障预测信息,进而提高故障预测效率。
Description
技术领域
本发明涉及智能运维技术领域,尤其涉及一种容器故障预测方法、装置、电子设备及存储介质。
背景技术
随着科技的飞速发展,业务***中计算机软件在分布式、云环境下的部署愈加庞大,各个组件之间的依赖错综复杂。用户在部署一个业务***时会使用到大量的容器,这些容器在长时间运行后会由于各种各样的原因而出现故障,此外,发生故障的容器会对整个业务***造成非常大的影响,进而对企业造成相应损失。
综上,对于业务***中的多个容器进行故障预测是非常有必要的。通常情况下,在容器环境和容器集群环境中,电子设备以容器为基本单位进行建模和检测,但由于各个容器之间关系复杂,服务之间可能存在相互调用,因此,现有的容器故障预测方法,基于建立好的故障预测模型无法准确预测到各个容器对应的故障情况,导致故障预测效率较低。
发明内容
本发明提供一种容器故障预测方法、装置、电子设备及存储介质,实现在能够准确确定多个容器中的故障容器的同时,还能够准确确定该故障容器对应的故障预测信息,进而提高故障预测效率。
本发明提供一种容器故障预测方法,包括:
获取多个容器在多个相同时刻下对应的第一运行指标分数;
在根据该多个容器中各容器在不同时刻下对应的第一运行指标分数,确定该容器为可疑故障容器的情况下,获取该不同时刻中最晚时刻下该多个容器对应的第二运行指标分数;
在根据多个该第二运行指标分数,确定该可疑故障容器为故障容器的情况下,确定该故障容器对应的故障预测信息,该故障预测信息包括故障发生概率和/或故障发生时间。
根据本发明提供的一种容器故障预测方法,该获取多个容器在多个相同时刻下对应的第一运行指标分数,包括:获取该多个容器在该多个相同时刻下对应的运行指标数据;根据该运行指标数据,确定该多个容器在该多个相同时刻下对应的第一运行指标分数。
根据本发明提供的一种容器故障预测方法,该根据该运行指标数据,确定该多个容器在该多个相同时刻下对应的第一运行指标分数,包括:获取目标容器在目标相同时刻下对应的目标运行指标数据,该目标容器为该多个容器中的任一容器,该目标相同时刻为该多个相同时刻中的任一相同时刻;确定该目标运行指标数据对应的运行指标异常程度;根据该运行指标异常程度,确定该目标容器在该目标相同时刻下对应的第一运行指标分数。
根据本发明提供的一种容器故障预测方法,该根据该运行指标异常程度,确定该目标容器在该目标相同时刻下对应的第一运行指标分数,包括:在该目标运行指标数据的数量为一个的情况下,将该运行指标异常程度确定为该目标容器在该目标相同时刻下对应的第一运行指标分数;在该目标运行指标数据的数量为多个的情况下,将多个该运行指标异常程度中的任一运行指标异常程度确定为该第一运行指标分数;或,将多个该运行指标异常程度中随机的第一预设数量个运行指标异常程度对应的第一均值确定为该第一运行指标分数;或,将多个该运行指标异常程度中随机的第二预设数量个运行指标异常程度对应的第一加权求和值确定为该第一运行指标分数;或,将多个该运行指标异常程度对应的第二均值确定为该第一运行指标分数;或,将多个该运行指标异常程度对应的第二加权求和值确定为该第一运行指标分数;或,将多个该运行指标异常程度中最大的第三预设数量个运行指标异常程度对应的第三均值确定为该第一运行指标分数;或,将多个该运行指标异常程度中最大的第四预设数量个运行指标异常程度对应的第三加权求和值确定为该第一运行指标分数。
根据本发明提供的一种容器故障预测方法,该根据该多个容器中各容器在不同时刻下对应的第一运行指标分数,确定该容器为可疑故障容器,包括:在该多个容器中各容器在不同时刻下对应的第一运行指标分数均大于第一预设指标阈值的情况下,确定该容器为该可疑故障容器。
根据本发明提供的一种容器故障预测方法,该根据多个该第二运行指标分数,确定该可疑故障容器为故障容器,包括:在多个该第二运行指标分数均大于第二预设指标阈值的情况下,确定该可疑故障容器为该故障容器。
根据本发明提供的一种容器故障预测方法,该确定该故障容器对应的故障预测信息,包括:获取该故障容器在该不同时刻下对应的第三运行指标分数;将该第三运行指标分数对应的均值确定为该故障容器对应的故障发生概率;获取该故障容器的首次历史异常时刻及故障周期;根据该首次历史异常时刻、该故障周期及该不同时刻中的最早时刻,确定该故障容器对应的故障发生时间。
本发明还提供一种容器故障预测装置,包括:
获取模块,用于获取多个容器在多个相同时刻下对应的第一运行指标分数;在处理模块根据该多个容器中各容器在不同时刻下对应的第一运行指标分数,确定该容器为可疑故障容器的情况下,获取该不同时刻中最晚时刻下该多个容器对应的第二运行指标分数;
该处理模块,还用于在根据多个该第二运行指标分数,确定该可疑故障容器为故障容器的情况下,确定该故障容器对应的故障预测信息,该故障预测信息包括故障发生概率和/或故障发生时间。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述容器故障预测方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述容器故障预测方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述容器故障预测方法。
本发明提供的容器故障预测方法、装置、电子设备及存储介质,通过获取多个容器在多个相同时刻下对应的第一运行指标分数;在根据所述多个容器中各容器在不同时刻下对应的第一运行指标分数,确定所述容器为可疑故障容器的情况下,获取所述不同时刻中最晚时刻下所述多个容器对应的第二运行指标分数;在根据多个所述第二运行指标分数,确定所述可疑故障容器为故障容器的情况下,确定所述故障容器对应的故障预测信息,所述故障预测信息包括故障发生概率和/或故障发生时间。该方法实现在能够准确确定多个容器中的故障容器的同时,还能够准确确定该故障容器对应的故障预测信息,进而提高故障预测效率。
附图说明
为了更清楚地说明本发明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是本发明提供的容器故障预测方法的流程示意图;
图2是本发明提供的运行指标数据的存储过程示意图;
图3是本发明提供的容器故障预测装置的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。
需要说明的是,本发明实施例涉及的执行主体可以是容器故障预测装置,也可以是电子设备,可选的,该电子设备可以包括:计算机、移动终端及可穿戴设备等。
下面以电子设备为例对本发明实施例进行进一步地说明。
如图1所示,是本发明提供的容器故障预测方法的流程示意图,可以包括:
101、获取多个容器在多个相同时刻下对应的第一运行指标分数。
其中,容器(Container)指的是一种运行在宿主机(Host)(简称:主机)上的特殊进程,该特殊进程不依赖于操作***。
运行指标分数指的是一种可用于判断容器是否发生异常的参数,该运行指标分数可以是宿主机上的常规数据采集容器进行采集的,该常规数据采集容器不涉及服务业务,只用于采集数据。
可选的,多个相同时刻可以为连续时刻,即各个相邻相同时刻之间的时间差值是相同的;该多个相同时刻也可以不为连续时刻,此处不作具体限定。
例如:三个相同时刻,分别为第一时刻2022/08/12(12:00:00)、第二时刻2022/08/12(12:01:00)及第三时刻2022/08/12(12:02:00)。其中,该第一时刻与该第二时刻之间的时间差值为1分钟,该第二时刻与该第三时刻之间的时间差值为1分钟,这两个时间差值相同,此时,可确定这三个时刻为连续时刻。
电子设备在获取多个容器在多个相同时刻下对应的第一运行指标分数的过程中,可采用下述两种方法中的任一方法:
法一:电子设备获取多个容器中各容器在第一时刻下的第一运行指标分数;然后,该电子设备再获取该各容器在第二时刻下的第一运行指标分数,该第二时刻与该第一时刻相邻。以此类推,该电子设备就可以获取多个容器在多个相同时刻下对应的第一运行指标分数,其中,多个容器中的各个容器可直接或间接关联。
法二:电子设备获取多个容器中第一容器在不同时刻下的第一运行指标分数;然后,该电子设备再获取该多个容器中第二容器在该不同时刻下的第一运行指标分数,该第二容器与该第一容器不同,该第一容器与该第二容器可直接或间接关联;以此类推,该电子设备就可以获取多个容器在多个相同时刻下对应的第一运行指标分数。
综上,示例性的,如表1所示,是本发明提供的多个容器在多个相同时刻下对应的第一运行指标分数的表格。该表1可称为异常识别矩阵,即电子设备基于多个容器在多个相同时刻下对应的第一运行指标分数,可确定这多个容器对应的异常识别矩阵。
在表1中,容器的数量为N个,分别为容器1、容器2、容器3,…,容器N,N≥2;相同时刻的数量五个,分别为,2022/08/12(12:00:00)、2022/08/12(12:01:00)、2022/08/12(12:02:00)、2022/08/12(12:03:00)及2022/08/12(12:04:00)。这N个容器在这五个相同时刻下的每个数值都为第一运行指标分数。
表1:
从表1中,可以看出,不同容器在同一时刻下对应的第一运行指标分数可以是相同的,也可以是不同的,相同容器在不同时刻下对应的第一运行指标分数可以是相同的,也可以是不同的,此处不作具体限定。
需要说明的是,电子设备基于上述异常识别矩阵,可在多个容器中准确确定出可疑故障容器及故障容器。
在一些实施例中,电子设备获取多个容器在多个相同时刻下对应的第一运行指标分数,可以包括:电子设备获取多个容器在多个相同时刻下对应的运行指标数据;该电子设备根据运行指标数据,确定多个容器在多个相同时刻下对应的第一运行指标分数。
其中,运行指标数据可描述容器在工作时的运行状态。
可选的,运行指标数据可以包括但不限于:中央处理器(Central ProcessingUnit,CPU)使用率、内存使用率、磁盘使用率、网络速率及容器对应服务的相关性能指标等。
可选的,相关性能指标可以包括但不限于:数据库的最大连接数、该数据库的临时表空间及该数据库的总表空间等。
电子设备可以先获取多个容器在多个相同时刻下对应的运行指标数据;然后,该电子设备对该多个容器中的任一容器在一个时刻下的运行指标数据进行处理,得到该容器在该时刻下对应的第一运行指标分数,基于此,该电子设备就可以获取这多个容器在多个相同时刻下对应的第一运行指标分数。
示例性的,如表2所示,是本发明提供的运行指标数据的表格。
表2:
在表2中,可以看出,本发明实施例涉及的运行指标数据指的是数据类型为Float的数据。
可选的,电子设备在获取多个容器在多个相同时刻下对应的运行指标数据之后,该方法还可以包括:电子设备采用预设存储形式,将运行指标数据进行存储。
其中,预设存储形式可以包括但不限于:外部挂载卷形式(Volume)、数据库形式(Database)及文件***形式(File-system)等中的其中一种。
电子设备将运行指标数据进行存储之后,便于该电子设备后续为各容器的故障预测提供了较为准确的数据支撑。
示例性的,如图2所示,是本发明提供的运行指标数据的存储过程示意图。在图2中,对于一个宿主机而言,该宿主机中的常规数据采集容器可采集多个容器对应的运行指标数据;然后,该常规数据采集容器再将运行指标数据采用上述任一预设存储形式进行存储。
其中,宿主机的数量为至少一个。
在一些实施例中,电子设备根据运行指标数据,确定多个容器在多个相同时刻下对应的第一运行指标分数,可以包括:电子设备获取目标容器在目标相同时刻下对应的目标运行指标数据,目标容器为多个容器中的任一容器,目标相同时刻为多个相同时刻中的任一相同时刻;该电子设备确定目标运行指标数据对应的运行指标异常程度;该电子设备根据运行指标异常程度,确定目标容器在目标相同时刻下对应的第一运行指标分数。
其中,运行指标异常程度可描述各容器在工作时运行状态的异常程度。
电子设备在获取多个容器在多个相同时刻下对应的运行指标数据之后,可以先对该多个容器中的任一容器在一个时刻下的运行指标数据进行处理,得到该容器对应的运行指标异常程度;然后,该电子设备再对该运行指标异常程度进行处理,得到该容器在该时刻下对应的第一运行指标分数,也就是说,该电子设备可以获取目标容器在目标相同时刻下对应的第一运行指标分数。以此类推,该电子设备就可以获取这多个容器在多个相同时刻下对应的第一运行指标分数。
可选的,电子设备获取目标容器在目标相同时刻下对应的目标运行指标数据,可以包括:电子设备获取目标容器在目标相同时刻下对应的当前运行指标数据;该电子设备对该当前运行指标数据进行预处理,得到目标运行指标数据。
其中,预处理可以包括:缺失值处理和/或非正常数据类型值处理。
电子设备在获取目标容器在目标相同时刻下对应的当前运行指标数据之后,可以对该当前运行指标数据进行识别,得到的识别结果可以包括:情况1:该当前运行指标数据中存在缺失值;和/或,情况2:该当前运行指标数据中存在非正常数据类型值,该非正常数据类型值指的是明显超出常规业务的数据(例如:CPU使用率为-1)。
针对情况1:电子设备可对该缺失值通过插补的形式进行填充,得到完整的当前运行指标数据,即目标运行指标数据,其中,该电子设备主要基于与该目标相同时刻连续的X个时间的数据平均值对该缺失值进行插补,X≥1(例如:X取5)。
针对情况2:电子设备可将该非正常数据类型值置空,并通过插补的形式进行填充,得到目标运行指标数据,其中,该电子设备主要基于与该目标相同时刻连续的Y个时间的数据最大值进行插补,Y≥1(例如:Y取5)。
可选的,在当前运行指标数据包括当前相关性能指标的情况下,电子设备对当前运行指标数据进行预处理,得到目标运行指标数据,可以包括:电子设备对当前相关性能指标按照分钟级进行平滑处理,得到目标相关性能指标。
其中,平滑处理也可称为模糊处理,用于减少数据的噪声或失真。
这样一来,电子设备可消除不同采集时刻所带来的当前相关性能指标之间的差异,提高各当前相关性能指标的准确性。
可选的,电子设备确定目标运行指标数据对应的运行指标异常程度,可以包括:电子设备利用零-均值数据(z-score)标准化方法,对目标运行指标数据进行标准化处理,得到标准化后的运行指标数据;该电子设备利用N-sigma算法,确定该标准化后的运行指标数据对应的运行指标异常程度。
其中,N-sigma算法具有原理简单、计算速度快及部署方便等优点,该N-sigma算法中的N表示阈值的偏离倍数(例如:N=4)。
电子设备在获取目标运行指标数据之后,可利用z-score标准化方法,对目标运行指标数据进行标准化处理,得到标准化后的运行指标数据,该标准化后的运行指标数据满足正态分布;然后,该电子设备利用N-sigma算法,即该电子设备直接在数据库中编写sql代码对该标准化后的运行指标数据进行计算,得到该标准化后的运行指标数据对应的运行指标异常程度,其中,该运行指标异常程度的均值为0,标准差为1。
需要说明的是,一种运行指标数据对应一个运行指标异常程度。
例如:运行指标数据包括CPU使用率、内存使用率及磁盘使用率。那么,电子设备可获取该CPU使用率对应的一个运行指标异常程度,该内存使用率对应的一个运行指标异常程度及该磁盘使用率对应的一个运行指标异常程度,即该电子设备可获取三个运行指标异常程度。
可选的,电子设备利用零-均值数据标准化方法,对目标运行指标数据进行标准化处理,得到标准化后的运行指标数据,可以包括:电子设备利用z-score标准化方法中的标准化公式,得到标准化后的运行指标数据。
其中,标准化公式为;
x*表示标准化后的运行指标数据;x表示目标运行指标数据;表示目标运行指标数据x的均值;σ表示目标运行指标数据x的标准差;S表示预设系数,用于对均值进行缩放,以调整目标运行指标数据x的偏度。
示例性的,S=1.5,此时,标准化公式为。
在一些实施例中,电子设备根据运行指标异常程度,确定目标容器在目标相同时刻下对应的第一运行指标分数,可以包括:电子设备在目标运行指标数据的数量为一个的情况下,将运行指标异常程度确定为目标容器在目标相同时刻下对应的第一运行指标分数;
电子设备在获取目标运行指标数据之后,在确定该目标运行指标数据的数量为一个的情况下,说明运行指标异常程度的数量也为一个,此时,该电子设备可直接将该运行指标异常程度确定为目标容器在目标相同时刻下对应的第一运行指标分数。
在一些实施例中,在目标运行指标数据的数量为多个的情况下,说明运行指标异常程度的数量也为多个,电子设备根据运行指标异常程度,确定目标容器在目标相同时刻下对应的第一运行指标分数,可以包括但不限于以下其中一种实现方式:
实现方式1:电子设备将多个运行指标异常程度中的任一运行指标异常程度确定为第一运行指标分数。
电子设备在获取多个运行指标异常程度之后,可从这多个运行指标议程度中随机抽取一个运行指标异常程度,并将随机抽取的该运行指标异常程度确定为第一运行指标分数。
实现方式2:电子设备将多个运行指标异常程度中随机的第一预设数量个运行指标异常程度对应的第一均值确定为第一运行指标分数。
可选的,第一预设数量可以是电子设备出厂前设置的,也可以是用户自定义的,此处不作具体限定。
电子设备在获取多个运行指标异常程度之后,可从这多个运行指标议程度中随机抽取第一预设数量个运行指标异常程度;然后,该电子设备计算得到该第一预设数量个运行指标异常程度对应的第一均值,并将该第一均值确定为第一运行指标分数。
实现方式3:电子设备将多个运行指标异常程度中随机的第二预设数量个运行指标异常程度对应的第一加权求和值确定为第一运行指标分数。
可选的,第二预设数量可以是电子设备出厂前设置的,也可以是用户自定义的,该第二预设数量与上述第一预设数量可以是相同的,也可以是不同的,此处不作具体限定。
电子设备在获取多个运行指标异常程度之后,可从这多个运行指标议程度中随机抽取第二预设数量个运行指标异常程度;然后,该电子设备计算得到该第二预设数量个运行指标异常程度对应的第一加权求和值,并将该第一加权求和值确定为第一运行指标分数。
其中,第二预设数量个运行指标异常程度各自对应的权重是不同的。
实现方式4:电子设备将多个运行指标异常程度对应的第二均值确定为第一运行指标分数。
电子设备计算得到所有运行指标异常程度对应的第二均值,并将该第二均值确定为第一运行指标分数。
实现方式5:电子设备将多个运行指标异常程度对应的第二加权求和值确定为第一运行指标分数。
电子设备计算得到所有运行指标异常程度对应的第二加权求和值,并将该第二加权求和值确定为第一运行指标分数。
其中,所有运行指标异常程度各自对应的权重是不同的。
实现方式6:电子设备将多个运行指标异常程度中最大的第三预设数量个运行指标异常程度对应的第三均值确定为第一运行指标分数。
可选的,第三预设数量可以是电子设备出厂前设置的,也可以是用户自定义的,该第三预设数量与上述第二预设数量可以是相同的,也可以是不同的,此处不作具体限定。
电子设备在获取多个运行指标异常程度之后,可对这多个运行指标异常程度进行从小到达排序,得到第一序列,并获取该第一序列中倒数第三预设数量个运行指标异常程度;或,该电子设备对这多个运行指标异常数据程度进行从大到小排序,得到第二序列,并获取该第二序列中正数第三预设数量个运行指标异常程度;然后,该电子设备计算得到该第三预设数量个运行指标异常程度对应的第三均值,并将该第三均值确定为第一运行指标分数。
示例性的,第三预设数量的取值为10。
实现方式7:电子设备将多个运行指标异常程度中最大的第四预设数量个运行指标异常程度对应的第三加权求和值确定为第一运行指标分数。
可选的,第四预设数量可以是电子设备出厂前设置的,也可以是用户自定义的,该第四预设数量与上述第三预设数量可以是相同的,也可以是不同的,此处不作具体限定。
电子设备可以基于上述第一序列,获取倒数第四预设数量个运行指标异常程度;或,基于上述第二序列,获取正数第四预设数量个运行指标异常程度;然后,该电子设备计算得到该第四预设数量个运行指标异常程度对应的第三加权求和值,并将该第三加权求和值确定为第一运行指标分数。
其中,第四预设数量个运行指标异常程度各自对应的权重是不同的。
也就是说,在目标运行指标数据的数量为多个的情况下,电子设备可基于上述实现方式1-7中的任一实现方式,得到目标容器在目标相同时刻下对应的第一运行指标分数。
102、在根据多个容器中各容器在不同时刻下对应的第一运行指标分数,确定容器为可疑故障容器的情况下,获取不同时刻中最晚时刻下多个容器对应的第二运行指标分数。
电子设备在获取多个容器在多个相同时刻下对应的第一运行指标分数之后,可以遍历每个容器在不同时刻下对应的第一运行指标分数;然后,该电子设备基于目标容器在不同时刻下对应的第一运行指标分数,确定该目标容器是否为可疑故障容器;若为,则直接获取不同时刻中最晚时刻下该目标容器对应的第二运行指标分数。以此类推,该电子设备可获取不同时刻中最晚时刻下这多个容器中多个容器对应的第二运行指标分数。
示例性的,基于上述表1,以容器2为例。电子设备如果根据该容器2在五个不同时刻下对应的第一运行指标分数,确定该容器2为可疑故障容器,那么,该电子设备可获取这不同时刻中最晚时刻(2022/08/12 12:04:00)下多个容器对应的第二运行指标分数,即获取容器1对应第二运行指标分数为65.9、容器2对应的第二运行指标分数为83.3、容器3对应的第二运行指标分数为72.4,…,容器N对应的第二运行指标分数为72.4。
在一些实施例中,电子设备根据多个容器中各容器在不同时刻下对应的第一运行指标分数,确定容器为可疑故障容器,可以包括:电子设备在多个容器中各容器在不同时刻下对应的第一运行指标分数均大于第一预设指标阈值的情况下,确定容器为可疑故障容器。
可选的,第一预设指标阈值可以是电子设备出厂前设置的,也可以是用户自定义的,此处不作具体限定。
电子设备遍历每个容器在不同时刻下对应的第一运行指标分数,然后,针对一个容器而言,如果该容器不同时刻下对应的第一运行指标均大于第一预设指标阈值,那么,可将该容器确定为可疑故障容器;如果该容器不同时刻下对应的第一运行指标均中存在小于等于该第一预设指标阈值的第一运行指标分数,那么,可将该容器确定为正常容器。
示例性的,基于上述表1,以容器1和容器2为例,假设第一预设指标阈值的取值为60。
电子设备获取容器1在五个不同时刻下对应的第一运行指标分数(该第一运行指标分数包括:32.1、63.7、15.2、72.8及65.9),然后,该电子设备将这5个第一运行指标分数与该第一预设指标阈值进行比较;接着,该电子设备确定这5个第一运行指标分数中存在小于该第一预设指标阈值的第一运行指标分数(可以包括:32.1及15.2),此时,该电子设备确定该容器1为正常容器。
电子设备获取容器2在五个不同时刻下对应的第一运行指标分数(该第一运行指标分数包括:65.1、78.2、85.3、90.8及83.8),然后,该电子设备将这5个第一运行指标分数与该第一预设指标阈值进行比较;接着,该电子设备确定这5个第一运行指标分数均大于该第一预设指标阈值,此时,该电子设备确定该容器2为可疑故障容器。
可选的,电子设备获取不同时刻中最晚时刻下多个容器对应的第二运行指标分数,可以包括:电子设备获取不同时刻中最晚时刻下第五数量个容器对应的第二运行指标分数。
可选的,第五预设数量可以是电子设备出厂前设置的,也可以是用户自定义的,此处不作具体限定。
电子设备无须获取不同时刻中最晚时刻下所有容器对应的第二运行指标分数,只需要获取不同时刻中最晚时刻下第五数量个容器对应的第二运行指标分数,节省了计算资源,也可有效实现对各容器的故障预测。
103、在根据多个第二运行指标分数,确定可疑故障容器为故障容器的情况下,确定故障容器对应的故障预测信息。
其中,故障预测信息包括故障发生概率和/或故障发生时间。
需要说明的是,故障发生概率并非为0至1中的数值,通常用来衡量故常容器的异常程度。
电子设备在获取不同时刻中最晚时刻下多个容器对应的第二运行指标分数之后,可以根据这多个第二运行指标分数,判断可疑故障容器是否为故障容器;若为,则直接确定该故障容器对应的故障预测信息。
在一些实施例中,电子设备根据多个第二运行指标分数,确定可疑故障容器为故障容器,可以包括:电子设备在多个第二运行指标分数均大于第二预设指标阈值的情况下,确定可疑故障容器为故障容器。
可选的,第二预设指标阈值可以是电子设备出厂前设置的,也可以是用户自定义的,该第二预设指标阈值与上述第一预设指标阈值可以是相同的,也可以是不同的,此处不作具体限定。
电子设备将多个第二运行指标分数与第二预设指标阈值进行比较:如果该多个第二运行指标分数均大于该第二预设指标阈值,那么,将可疑故障容器确定为故障容器;如果该多个第二运行指标分数中存在小于等于该第二预设指标阈值的第二运行指标分数,那么,将该可疑故障容器确定为正常容器。
示例性的,基于上述表1,以容器2为例,假设第二预设指标阈值的取值为60。
电子设备在确定容器2为可疑故障容器之后,可获取不同时刻中最晚时刻(2022/08/12 12:04:00)下多个容器对应的第二运行指标分数,即获取容器1对应第二运行指标分数为65.9、容器2对应的第二运行指标分数为83.3、容器3对应的第二运行指标分数为72.4,…,容器N对应的第二运行指标分数为72.4,也就是说,该电子设备可获取N个第二运行指标分数。接着,该电子设备将这N个第二运行指标分数与第二预设指标阈值进行比较,在确定这N个第二运行指标分数均大于该第二预设指标阈值的情况下,直接确定该容器2为故障容器。
在一些实施例中,电子设备确定故障容器对应的故障预测信息,可以包括:电子设备获取故障容器在不同时刻下对应的第三运行指标分数;该电子设备将第三运行指标分数对应的均值确定为故障容器对应的故障发生概率;该电子设备获取故障容器的首次历史异常时刻及故障周期;该电子设备根据首次历史异常时刻、故障周期及不同时刻中的最早时刻,确定故障容器对应的故障发生时间。
电子设备在确定故障容器之后,可以获取该故障容器在不同时刻下对应的第三运行指标分数;然后,该电子设备利用概率公式,确定该第三运行指标分数对应的均值,并将该均值确定为故障容器对应的故障发生概率;接着,该电子设备获取该故障容器的首次历史异常时刻及不同时刻中的最早时刻,并获取该故障容器对应的故障周期;然后,该电子设备基于该故障周期、该首次历史异常时刻及该最早时刻,推算得到该故障容器对应的故障发生时间。
其中,首次历史异常时刻指的是容器故障第一次发生故障时对应的发生时刻。
上述概率公式为;
P表示故障发生概率,q表示相同时刻的数量,i表示q个相同时刻中的第i个相同时刻;Hi表示第i个相同时刻下故障容器对应的第三运行指标分数。
需要说明的是,电子设备确定故障发生概率与确定故障发生时间的时序不限;该电子设备获取首次历史异常时刻、最早时刻及故障周期的时序不限。
综上,电子设备基于获取的多个容器在多个相同时刻下对应的第一运行指标分数,可以构建一个异常识别矩阵(表1);然后,该电子设备基于该异常识别矩阵,构建了一种倒“T”型的判断准则,通过选取某个容器连续出现异常的a(a≥2)个相同时刻,如出现次数大于a,同时在故障连续出现a个相同时刻中最新时刻的b(b≥2)个容器同时出现异常,则判断此容器为故障容器,同时,可清晰地明确出该故障容器出现异常的起始时间和结束时间。也就是说,容器在连续5分钟容器异常程度较高(大于给定的第一预设指标阈值60),且连续异常5分钟之后,同时有3个容器出现了异常,则表明容器当前会出现故障,且故障出现在2022/08/12(12:04:00)。
其中,a一般取5,b一般取3。
示例性的,基于上述表1,以容器2为例,该容器2在2022/08/12(12:00:00)-2022/08/12(12:04:00)之间的所有第一运行指标分数均大于第一预设指标阈值60,此时,说明该容器2的异常程度较高(即该容器2为可疑故障容器),且持续经过5分钟后的12:00:00-12:04:00时刻,容器1、容器2及容器3均出现了异常,则表明容器2出现了故障(即该容器2为故障容器),且故障将在12:00:00-12:04:00发生,该容器2对应的故障发生概率为P =(65.1 +78.2 + 85.2 + 90.8 + 83.8)/ 5 = 80.62。
在本发明实施例中,获取多个容器在多个相同时刻下对应的第一运行指标分数;在根据多个容器中各容器在不同时刻下对应的第一运行指标分数,确定容器为可疑故障容器的情况下,获取不同时刻中最晚时刻下多个容器对应的第二运行指标分数;在根据多个第二运行指标分数,确定可疑故障容器为故障容器的情况下,确定故障容器对应的故障预测信息。该方法实现在能够准确确定多个容器中的故障容器的同时,还能够准确确定该故障容器对应的故障预测信息,进而提高故障预测效率。
此外,本发明提供的容器故障预测方法还具有以下优点:
优点1:检测指标范围小,节省电子设备的计算资源。该电子设备不需要对各容器所有的数据进行处理,只需要获取运行指标数据,即可对各容器进行故障预测。
优点2:及时对各容器进行故障预测,而不是在故障发生后才确定故障容器。
优点3:整个故障预测过程都是电子设备自动完成的,不依赖人工处理,提高故障预测过程的智能性。
下面对本发明提供的容器故障预测装置进行描述,下文描述的容器故障预测装置与上文描述的容器故障预测方法可相互对应参照。
如图3所示,是本发明提供的容器故障预测装置的结构示意图,可以包括:
获取模块301,用于获取多个容器在多个相同时刻下对应的第一运行指标分数;在处理模块302根据该多个容器中各容器在不同时刻下对应的第一运行指标分数,确定该容器为可疑故障容器的情况下,获取该不同时刻中最晚时刻下该多个容器对应的第二运行指标分数;
处理模块302,还用于在根据多个该第二运行指标分数,确定该可疑故障容器为故障容器的情况下,确定该故障容器对应的故障预测信息,该故障预测信息包括故障发生概率和/或故障发生时间。
需要说明的是,获取模块301对应的实体装置可以是常规数据采集容器;处理模块302对应的实体装置可以是故障预测中心,此处不作具体限定。
可选的,获取模块301,具体用于获取该多个容器在该多个相同时刻下对应的运行指标数据;
处理模块302,具体用于根据该运行指标数据,确定该多个容器在该多个相同时刻下对应的第一运行指标分数。
可选的,获取模块301,具体用于获取目标容器在目标相同时刻下对应的目标运行指标数据,该目标容器为该多个容器中的任一容器,该目标相同时刻为该多个相同时刻中的任一相同时刻;
处理模块302,具体用于确定该目标运行指标数据对应的运行指标异常程度;根据该运行指标异常程度,确定该目标容器在该目标相同时刻下对应的第一运行指标分数。
可选的,处理模块302,具体用于在该目标运行指标数据的数量为一个的情况下,将该运行指标异常程度确定为该目标容器在该目标相同时刻下对应的第一运行指标分数;在该目标运行指标数据的数量为多个的情况下,将多个该运行指标异常程度中的任一运行指标异常程度确定为该第一运行指标分数;或,将多个该运行指标异常程度中随机的第一预设数量个运行指标异常程度对应的第一均值确定为该第一运行指标分数;或,将多个该运行指标异常程度中随机的第二预设数量个运行指标异常程度对应的第一加权求和值确定为该第一运行指标分数;或,将多个该运行指标异常程度对应的第二均值确定为该第一运行指标分数;或,将多个该运行指标异常程度对应的第二加权求和值确定为该第一运行指标分数;或,将多个该运行指标异常程度中最大的第三预设数量个运行指标异常程度对应的第三均值确定为该第一运行指标分数;或,将多个该运行指标异常程度中最大的第四预设数量个运行指标异常程度对应的第三加权求和值确定为该第一运行指标分数。
可选的,处理模块302,具体用于在该多个容器中各容器在不同时刻下对应的第一运行指标分数均大于第一预设指标阈值的情况下,确定该容器为该可疑故障容器。
可选的,处理模块302,具体用于在多个该第二运行指标分数均大于第二预设指标阈值的情况下,确定该可疑故障容器为该故障容器。
可选的,处理模块302,具体用于获取该故障容器在该不同时刻下对应的第三运行指标分数;
处理模块302,具体用于将该第三运行指标分数对应的均值确定为该故障容器对应的故障发生概率;获取该故障容器的首次历史异常时刻及故障周期;根据该首次历史异常时刻、该故障周期及该不同时刻中的最早时刻,确定该故障容器对应的故障发生时间。
如图4所示,是本发明提供的电子设备的结构示意图,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行容器故障预测方法,该方法包括:获取多个容器在多个相同时刻下对应的第一运行指标分数;在根据该多个容器中各容器在不同时刻下对应的第一运行指标分数,确定该容器为可疑故障容器的情况下,获取该不同时刻中最晚时刻下该多个容器对应的第二运行指标分数;在根据多个该第二运行指标分数,确定该可疑故障容器为故障容器的情况下,确定该故障容器对应的故障预测信息,该故障预测信息包括故障发生概率和/或故障发生时间。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的容器故障预测方法,该方法包括:获取多个容器在多个相同时刻下对应的第一运行指标分数;在根据该多个容器中各容器在不同时刻下对应的第一运行指标分数,确定该容器为可疑故障容器的情况下,获取该不同时刻中最晚时刻下该多个容器对应的第二运行指标分数;在根据多个该第二运行指标分数,确定该可疑故障容器为故障容器的情况下,确定该故障容器对应的故障预测信息,该故障预测信息包括故障发生概率和/或故障发生时间。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的容器故障预测方法,该方法包括:获取多个容器在多个相同时刻下对应的第一运行指标分数;在根据该多个容器中各容器在不同时刻下对应的第一运行指标分数,确定该容器为可疑故障容器的情况下,获取该不同时刻中最晚时刻下该多个容器对应的第二运行指标分数;在根据多个该第二运行指标分数,确定该可疑故障容器为故障容器的情况下,确定该故障容器对应的故障预测信息,该故障预测信息包括故障发生概率和/或故障发生时间。
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软件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。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软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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)
1.一种容器故障预测方法,其特征在于,包括:
获取多个容器在多个相同时刻下对应的第一运行指标分数;
在根据所述多个容器中各容器在不同时刻下对应的第一运行指标分数,确定所述容器为可疑故障容器的情况下,获取所述不同时刻中最晚时刻下所述多个容器对应的第二运行指标分数;
在根据多个所述第二运行指标分数,确定所述可疑故障容器为故障容器的情况下,确定所述故障容器对应的故障预测信息,所述故障预测信息包括故障发生概率和/或故障发生时间。
2.根据权利要求1所述的方法,其特征在于,所述获取多个容器在多个相同时刻下对应的第一运行指标分数,包括:
获取所述多个容器在所述多个相同时刻下对应的运行指标数据;
根据所述运行指标数据,确定所述多个容器在所述多个相同时刻下对应的第一运行指标分数。
3.根据权利要求2所述的方法,其特征在于,所述根据所述运行指标数据,确定所述多个容器在所述多个相同时刻下对应的第一运行指标分数,包括:
获取目标容器在目标相同时刻下对应的目标运行指标数据,所述目标容器为所述多个容器中的任一容器,所述目标相同时刻为所述多个相同时刻中的任一相同时刻;
确定所述目标运行指标数据对应的运行指标异常程度;
根据所述运行指标异常程度,确定所述目标容器在所述目标相同时刻下对应的第一运行指标分数。
4.根据权利要求3所述的方法,其特征在于,所述根据所述运行指标异常程度,确定所述目标容器在所述目标相同时刻下对应的第一运行指标分数,包括:
在所述目标运行指标数据的数量为一个的情况下,将所述运行指标异常程度确定为所述目标容器在所述目标相同时刻下对应的第一运行指标分数;
在所述目标运行指标数据的数量为多个的情况下,将多个所述运行指标异常程度中的任一运行指标异常程度确定为所述第一运行指标分数;或,将多个所述运行指标异常程度中随机的第一预设数量个运行指标异常程度对应的第一均值确定为所述第一运行指标分数;或,将多个所述运行指标异常程度中随机的第二预设数量个运行指标异常程度对应的第一加权求和值确定为所述第一运行指标分数;或,将多个所述运行指标异常程度对应的第二均值确定为所述第一运行指标分数;或,将多个所述运行指标异常程度对应的第二加权求和值确定为所述第一运行指标分数;或,将多个所述运行指标异常程度中最大的第三预设数量个运行指标异常程度对应的第三均值确定为所述第一运行指标分数;或,将多个所述运行指标异常程度中最大的第四预设数量个运行指标异常程度对应的第三加权求和值确定为所述第一运行指标分数。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述根据所述多个容器中各容器在不同时刻下对应的第一运行指标分数,确定所述容器为可疑故障容器,包括:
在所述多个容器中各容器在不同时刻下对应的第一运行指标分数均大于第一预设指标阈值的情况下,确定所述容器为所述可疑故障容器。
6.根据权利要求1-4中任一项所述的方法,其特征在于,所述根据多个所述第二运行指标分数,确定所述可疑故障容器为故障容器,包括:
在多个所述第二运行指标分数均大于第二预设指标阈值的情况下,确定所述可疑故障容器为所述故障容器。
7.根据权利要求6所述的方法,其特征在于,所述确定所述故障容器对应的故障预测信息,包括:
获取所述故障容器在所述不同时刻下对应的第三运行指标分数;
将所述第三运行指标分数对应的均值确定为所述故障容器对应的故障发生概率;
获取所述故障容器的首次历史异常时刻及故障周期;
根据所述首次历史异常时刻、所述故障周期及所述不同时刻中的最早时刻,确定所述故障容器对应的故障发生时间。
8.一种容器故障预测装置,其特征在于,包括:
获取模块,用于获取多个容器在多个相同时刻下对应的第一运行指标分数;在处理模块根据所述多个容器中各容器在不同时刻下对应的第一运行指标分数,确定所述容器为可疑故障容器的情况下,获取所述不同时刻中最晚时刻下所述多个容器对应的第二运行指标分数;
所述处理模块,还用于在根据多个所述第二运行指标分数,确定所述可疑故障容器为故障容器的情况下,确定所述故障容器对应的故障预测信息,所述故障预测信息包括故障发生概率和/或故障发生时间。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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程序时实现如权利要求1至7任一项所述容器故障预测方法。
10.一种非暂态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如权利要求1至7任一项所述容器故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310378235.3A CN116107859B (zh) | 2023-04-11 | 2023-04-11 | 容器故障预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310378235.3A CN116107859B (zh) | 2023-04-11 | 2023-04-11 | 容器故障预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116107859A true CN116107859A (zh) | 2023-05-12 |
CN116107859B CN116107859B (zh) | 2023-07-04 |
Family
ID=86261949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310378235.3A Active CN116107859B (zh) | 2023-04-11 | 2023-04-11 | 容器故障预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116107859B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160266957A1 (en) * | 2013-07-24 | 2016-09-15 | Netapp Inc. | Storage failure processing in a shared storage architecture |
CN110134611A (zh) * | 2019-05-20 | 2019-08-16 | 腾讯科技(深圳)有限公司 | 内存泄漏分析方法、装置、终端和存储介质 |
CN114327963A (zh) * | 2020-09-30 | 2022-04-12 | 华为云计算技术有限公司 | 一种异常检测方法及装置 |
CN114911677A (zh) * | 2022-05-16 | 2022-08-16 | 中国电信股份有限公司 | 集群中容器的监控方法、装置和计算机可读存储介质 |
CN115525392A (zh) * | 2022-09-23 | 2022-12-27 | 北京自如信息科技有限公司 | 容器监控方法、装置、电子设备及存储介质 |
-
2023
- 2023-04-11 CN CN202310378235.3A patent/CN116107859B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160266957A1 (en) * | 2013-07-24 | 2016-09-15 | Netapp Inc. | Storage failure processing in a shared storage architecture |
CN110134611A (zh) * | 2019-05-20 | 2019-08-16 | 腾讯科技(深圳)有限公司 | 内存泄漏分析方法、装置、终端和存储介质 |
CN114327963A (zh) * | 2020-09-30 | 2022-04-12 | 华为云计算技术有限公司 | 一种异常检测方法及装置 |
CN114911677A (zh) * | 2022-05-16 | 2022-08-16 | 中国电信股份有限公司 | 集群中容器的监控方法、装置和计算机可读存储介质 |
CN115525392A (zh) * | 2022-09-23 | 2022-12-27 | 北京自如信息科技有限公司 | 容器监控方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116107859B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108809734B (zh) | 网络告警根源分析方法、***、存储介质及计算机设备 | |
CN111241694B (zh) | 一种基于大数据处理的飞机机群健康评估方法,设备及可读存储介质 | |
CN116049146B (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
CN111738348B (zh) | 一种电力数据异常检测方法和装置 | |
CN112415331B (zh) | 基于多源故障信息的电网二次***故障诊断方法 | |
CN112953738B (zh) | 根因告警的定位***、方法、装置、计算机设备 | |
CN115800272B (zh) | 基于拓扑识别的电网故障分析方法、***、终端及介质 | |
CN112087334A (zh) | 告警根因分析方法、电子设备和存储介质 | |
CN116107859B (zh) | 容器故障预测方法、装置、电子设备及存储介质 | |
CN116668264A (zh) | 一种告警聚类的根因分析方法、装置、设备及存储介质 | |
CN114116853B (zh) | 基于时序关联分析的数据安全分析方法及装置 | |
CN111258788B (zh) | 磁盘故障预测方法、装置及计算机可读存储介质 | |
CN110826904B (zh) | 风机的数据处理方法、装置、处理设备及可读存储介质 | |
CN114760190A (zh) | 一种面向服务的融合网络性能异常检测方法 | |
CN114205214A (zh) | 一种电力通信网络故障识别方法、装置、设备及存储介质 | |
CN114003466A (zh) | 一种用于微服务应用程序的故障根因定位方法 | |
CN115408182A (zh) | 业务***故障定位方法及装置 | |
CN112799911A (zh) | 一种节点健康状态检测方法、装置、设备及存储介质 | |
CN116304763B (zh) | 一种电力数据预分析方法、***、设备及介质 | |
CN115001997B (zh) | 基于极值理论的智慧城市网络设备性能异常阈值评估方法 | |
CN114422324B (zh) | 一种告警信息的处理方法、装置、电子设备及存储介质 | |
CN114726593B (zh) | 数据分析、异常信息识别方法、设备及存储介质 | |
CN117896015B (zh) | 一种软件无线电通信设备检测方法及装置 | |
WO2024027127A1 (zh) | 故障检测方法、装置、电子设备及可读存储介质 | |
CN112732487B (zh) | 一种数据恢复方法及装置 |
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 |