CN102148701A - 用于监控系统中监控指标的趋势分析方法及装置 - Google Patents

Abstract

本发明公开了一种用于监控系统中监控指标的趋势分析方法及装置，其方法是预先设定指标的预测分析参数，然后利用采集的指标值序列分别进行预测分析和周期性分析，在预测分析中综合采用线性回归算法和指数回归算法得到预测结果，然后根据预测结果和设定的阈值比对后的结果向外界输出控制信号；在周期性分析中根据采集到的指标值得到周期性回归函数，然后将周期性回归函数绘制成周期性曲线。其装置包括指标值采集模块、预测分析模块、预测报警模块、周期性回归分析模块、周期性曲线绘制模块。本发明综合线性回归算法和指数回归算法进行预测分析，准确性高，且增加了指标变化的周期性分析功能，能够得到指标变化周期性曲线。

Description

用于监控系统中监控指标的趋势分析方法及装置

技术领域

本发明涉及网络监控、网络管理、IT运维等监控技术领域，特别涉及用于监控系统中监控指标的趋势分析方法及装置。

背景技术

随着现代社会信息化水平的不断提高，企业信息技术基础设施建设规模不断扩大，网络监控、网络管理、IT运维系统得到广泛应用。此类系统针对网络设备、主机、操作系统、数据库系统以及各种应用系统进行监控，以监控指标为基础采集和监控单元，并根据事先设定的阈值产生报警信号。目前大多数的监控系统都是采用“事后报警”的方法，即将指标的当前值与事先设定的阈值进行对比，然后判断是否报警。这种方法不能在故障发生前进行预先报警，只能在问题出现时才进行处理，而此时这些问题产生的后果已经比较严重。另外目前网络监控产品主要采用的指标时间分析方式是将一段时间所采集的指标值序列绘制成曲线图，利用曲线图反应该指标这段时间的变化情况。这种方法是需要人工对指标值的高峰、低谷产生时间以及周期性参数进行判断，容易出错。

申请号为02806776.2的中国专利公开了一种基于网络获得数据的趋势分析管理承载网络的系统，该系统包括从被管的承载网络得到数据的数据获得模块、能够确定一组获得的数据的趋势的趋势计算模块和满足计算模块，满足计算模块能够确定满足与所述趋势关联的条件，确定开始不再满足某个条件的时刻以及在所述时刻超过给定阈值时触发告警。该系统中包括一个趋势定义库，包含获得的数据和所述趋势之间的关联的参数，以及一个条件定义库，定义条件和趋势之间的关联。但该系统存在以下的缺点：(1)采用的是一个趋势定义库，其中各个算法之间需要独立使用，不能将多个算法相互结合，弥补各自的不足，所以准确性不高；(2)没有进行周期性分析，不能得到指标变化周期性曲线。

因此，如何得到一种趋势分析准确性高、且能得到各指标周期性参数的方法及装置成为一个具有实际意义的课题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种用于监控系统中监控指标的趋势分析方法及装置，其具有趋势分析准确性高、且能得到各指标周期性参数的优点。

本发明提供一种用于监控系统中监控指标的趋势分析方法，首先预先设定指标的预测分析参数，再利用所采集的指标值序列分别进行预测分析和周期性分析，在预测分析中综合采用线性回归算法和指数回归算法得到预测结果，然后根据预测结果和设定的阈值比对后的结果向外界输出控制信号；在周期性分析中利用指标值序列计算周期性回归函数，再根据周期性回归函数绘制该段时间的周期性变化曲线，反映该指标在这段时间内的变化情况。

具体包括以下步骤：

(1)初始化：预先设定待监控指标的趋势分析参数，按照采集周期每隔一段时间采集指标值，记入该指标的指标值序列；

(2)预测分析：取出指标值序列中最后采集的指标值及其之前n-1个指标值进行预测分析，一方面根据采集到的指标序列值利用线性回归算法计算待监控指标未来多个周期的线性预测值，另一方面根据采集到的指标序列值利用指数回归算法计算待监控指标未来多个周期的指数预测值，然后将线性预测值和指数预测值与预先设定的阈值进行比对，决定是否向外界发出预警信号；

(3)周期性分析：取出指标值序列中最后采集的指标值及其之前m-1个指标值进行周期性分析，根据采集到的指标序列值计算这段时间内指标值变化的周期性参数，得到周期性回归分析函数，然后根据该函数绘制指标值变化的周期性曲线；

(4)每次分析完毕后，都继续采集下一个周期的指标值放到指标值序列末尾，同时将原指标值序列中最早采集的指标值删掉，保持指标值序列大小为m。

所述步骤(1)中，在对待监控指标进行趋势分析前需要预先设置以下参数：

采集周期p，即两次采集指标值的时间间隔，该参数根据指标的变化强度来设定；

预测分析计算所需的指标值序列的大小n，n至少大于5，用于线性回归分析；

预测分析可预测的采集周期数l，l在1-5之间，具体是指通过当前指标值序列能够准确预测的未来采集周期个数；

预先报警的阈值thr；

周期性分析计算所需的指标值序列的大小m，周期性分析所需的指标值数量要大于预测分析所需的指标值数量；

周期性分析计算的周期性回归函数的分波数k，k不小于2，k值高，则计算复杂度高，对系统资源的消耗也大。

所述步骤(2)中，所述线性回归算法具体如下：所采集的指标值序列为{y₁，y₂，...，y_n}，采集时间序列为{t₁，t₂，...，t_n}，采用的线性回归函数为：

y＝a+bt

其中a和b为线性回归函数的参数，然后利用最小二乘法计算参数a和b，具体如下：

$\left\{\begin{array}{c}b=\frac{{\mathrm{\Σ}}_{i=1}^n{t}_i{y}_i-n\stackrel{\‾}{t}\stackrel{\‾}{y}}{{\mathrm{\Σ}}_{i=1}^n{t}_i^2-n\stackrel{\‾}{t}}\\ a=\stackrel{\‾}{y}-b\stackrel{\‾}{t}\end{array}\right.$

其中n为指标值序列的大小，

根据上述参数计算结果计算未来l个周期的指标预测值，具体方法如下：

${\hat{y}}_{n+i}=a+{\mathrm{bt}}_{n+i},(i=\mathrm{1,2},...l)$

其中l为可预测的采集周期数。

所述步骤(2)中，所述指数回归算法具体如下：(说明书越详细越好)所采集的指标值序列为{y₁，y₂，...，y_n}，采集时间序列为{t₁，t₂，...，t_n}，采用的指数回归函数为：

y＝ce^dt

其中c和d为指数回归函数的参数，参数计算方法为：

$\left\{\begin{array}{c}d=\frac{{\mathrm{\Σ}}_{i=1}^n{t}_i{z}_i-n\stackrel{\‾}{t}\stackrel{\‾}{z}}{{\mathrm{\Σ}}_{i=1}^n{t}_i^2-n\stackrel{\‾}{t}}\\ \ln c=\stackrel{\‾}{z}-b\stackrel{\‾}{t}\\ z_i=\ln y_i\end{array}\right.$

其中 $\stackrel{\‾}{z}=\frac{1}{n}{\mathrm{\Σ}}_{i=1}^n{z}_i=\frac{1}{n}{\mathrm{\Σ}}_{i=1}^n\ln y_i.$

根据上述参数计算结果计算未来l个周期的指标预测值，具体方法如下：

${\hat{y}}_{n+i}^{\′}={\mathrm{ce}}^{{\mathrm{dt}}_{n+i}},(i=\mathrm{1,2},...l)$

所述步骤(2)中，利用线性回归算法和指数回归算法计算出的在时间t_n+i时的指标预测值和满足以下条件就向外界发出报警信号：

或者

所述步骤(3)中，所述周期性分析算法具体如下：所采集的指标值序列为{y₁，y₂，...，y_n}采集时间序列为{t₁，t₂，...，t_n}，所采用的周期性回归函数为：

$y=e_0+\underset{j=1}{\overset{k}{\mathrm{\Σ}}}(e_j\cos \frac{2\mathrm{\πj}}{m}t+f_j\sin \frac{2\mathrm{\πj}}{m}t)$

其中k为预先设定的分波数，用于控制周期性回归的精度，m为指标值序列的大小，e_j(j＝0，1...，k)和f_j(j＝1，2，...，k)为周期性回归函数的参数，其中参数计算方法如下：

$\left\{\begin{array}{c}{e}_0=\frac{1}{m}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i\\ e_j=\frac{2}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_i\cos \left[\frac{2\mathrm{\πj}}{m}(i-1)\right]\\ f_j=\frac{2}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_i\sin \left[\frac{2\mathrm{\πj}}{m}(i-1)\right]\end{array}\right.$

本发明还提供了一种实施上述方法的用于监控系统中监控指标的趋势分析装置，包括：

指标值采集模块，用于根据预先设定的采集周期采集所监控的指标值，并将采集的指标值放入指标值序列，用于后续的趋势分析；

预测分析模块包括线性回归分析模块和指数回归分析模块，用于根据指标值采集模块传送来的指标值序列对未来多个周期的指标值进行预测计算，其中线性回归分析模块用于利用线性回归函数计算未来多个周期的线性预测值；指数回归分析模块用于利用指数回归函数计算未来多个周期的指数预测值；

预测报警模块，用于将线性回归分析模块计算得到的线性预测值和指数回归分析模块计算得到的指数预测值与事先设定的报警阈值进行对比，决定是否产生报警信号；

周期性回归分析模块，用于根据指标值采集模块传送来的指标值序列计算这段时间内指标值变化的周期性参数，得到周期性回归函数；

周期性曲线绘制模块，用于根据周期性回归函数绘制指标值变化的周期性曲线。

现有技术相比，本发明具有以下有益效果：

1、现有技术对指标的趋势预测采用单一算法，当指标发生剧烈变化时就难以预测。本发明在预测分析时采用了线性回归算法和指数回归算法，其中线性回归算法代表了指标的平稳变化趋势，而指数回归算法代表了指标的剧烈变化趋势，通过综合两种算法的计算结果来决定是否对外发出预警信号，相较于其他单一算法，准确性更高。

2、现有技术没有考虑到对指标进行周期性分析，本发明增加了指标变化的周期性分析功能，能够得到指标变化周期性曲线，通过计算生成的周期型曲线要比简单的指标值绘制曲线更能反映指标值变化的周期性特点。

3、本发明根据当前采集的指标值来预测未来时间内系统的安全性，能够实现“事先报警”，相对于现有技术的“事后报警”更具有实用价值，能够在系统发生故障之前就根据监控指标的趋势变化进行报警，从而在问题未出现或刚刚出现时就提示操作者或系统进行处理，避免产生严重后果。

4、本发明应用范围广泛，可在网络监控、网络管理、IT运维技术领域使用，具体是指对网络、主机、数据库、应用系统进行监控，例如当网络中因病毒或者网络部件故障从而导致传输的数据流发生拥堵时，在问题刚刚出现时，根据当前采集的指标值序列，可运用本发明得到预测分析结果，并能从周期性曲线上反映出来，从而发出事先预警信号，避免整个系统受到危害。

附图说明

图1为本发明方法的算法流程图；

图2是本发明装置的结构示意图。

具体实施方式

下面结合实施例及附图，对本发明作进一步的详细说明，但本发明的实施方式不限于此。

实施例1

如图1所示，一种用于监控系统中监控指标的趋势分析方法，首先预先设定指标的预测分析参数，再利用所采集的指标值序列分别进行预测分析和周期性分析，在预测分析中综合采用线性回归算法和指数回归算法得到预测结果，然后根据预测结果和设定的阈值比对后的结果向外界输出控制信号；在周期性分析中利用指标值序列计算周期性回归函数，再根据周期性回归函数绘制该段时间的周期性变化曲线，反映该指标在这段时间内的变化情况。

结合图1，具体将步骤描述如下：

(1)初始化：预先设定待监控指标的趋势分析参数，按照采集周期每隔一段时间采集指标值，记入该指标的指标值序列；

(2)预测分析：取出指标值序列中最后采集的指标值及其之前n-1个指标值进行预测分析，一方面根据采集到的指标序列值利用线性回归算法计算待监控指标未来多个周期的线性预测值，另一方面根据采集到的指标序列值利用指数回归算法计算待监控指标未来多个周期的指数预测值，然后将线性预测值和指数预测值与预先设定的阈值进行比对，决定是否向外界发出预警信号；

(3)周期性分析：取出指标值序列中最后采集的指标值及其之前m-1个指标值进行周期性分析，根据采集到的指标序列值计算这段时间内指标值变化的周期性参数，得到周期性回归分析函数，然后根据该函数绘制指标值变化的周期性曲线；

(4)每次分析完毕后，都继续采集下一个周期的指标值放到指标值序列末尾，同时将原指标值序列中最早采集的指标值删掉，保持指标值序列大小为m。

所述步骤(1)中，在对待监控指标进行趋势分析前需要预先设置以下参数：

采集周期p，即两次采集指标值的时间间隔，该参数根据指标的变化强度来设定；

预测分析计算所需的指标值序列的大小n，n至少大于5，用于线性回归分析；

预测分析可预测的采集周期数l，l在1-5之间，具体是指通过当前指标值序列能够准确预测的未来采集周期个数；

预先报警的阈值thr；

周期性分析计算所需的指标值序列的大小m，周期性分析所需的指标值数量要大于预测分析所需的指标值数量；

周期性分析计算的周期性回归函数的分波数k，k不小于2，k值高，则计算复杂度高，对系统资源的消耗也大。

所述步骤(2)中，所述线性回归算法具体如下：所采集的指标值序列为{y₁，y₂，...，y_n}，采集时间序列为{t₁，t₂，...，y_n}，采用的线性回归函数为：

y＝a+bt

其中a和b为线性回归函数的参数，然后利用最小二乘法计算参数a和b，具体如下：

$\left\{\begin{array}{c}b=\frac{{\mathrm{\Σ}}_{i=1}^n{t}_i{y}_i-n\stackrel{\‾}{t}\stackrel{\‾}{y}}{{\mathrm{\Σ}}_{i=1}^n{t}_i^2-n\stackrel{\‾}{t}}\\ a=\stackrel{\‾}{y}-b\stackrel{\‾}{t}\end{array}\right.$

其中n为指标值序列的大小，

根据上述参数计算结果计算未来l个周期的指标预测值，具体方法如下：

${\hat{y}}_{n+i}=a+{\mathrm{bt}}_{n+i},(i=\mathrm{1,2},...l)$

其中l为可预测的采集周期数。

所述步骤(2)中，所述指数回归算法具体如下：(说明书越详细越好)所采集的指标值序列为{y₁，y₂，...，y_n}，采集时间序列为{t₁， t₂，...，t_n}，采用的指数回归函数为：

y＝ce^dt

其中c和d为指数回归函数的参数，参数计算方法为：

$\left\{\begin{array}{c}d=\frac{{\mathrm{\Σ}}_{i=1}^n{t}_i{z}_i-n\stackrel{\‾}{t}\stackrel{\‾}{z}}{{\mathrm{\Σ}}_{i=1}^n{t}_i^2-n\stackrel{\‾}{t}}\\ \ln c=\stackrel{\‾}{z}-b\stackrel{\‾}{t}\\ z_i=\ln y_i\end{array}\right.$

其中 $\stackrel{\‾}{z}=\frac{1}{n}{\mathrm{\Σ}}_{i=1}^n{z}_i=\frac{1}{n}{\mathrm{\Σ}}_{i=1}^n\ln y_i.$

根据上述参数计算结果计算未来l个周期的指标预测值，具体方法如下：

${\hat{y}}_{n+i}^{\′}={\mathrm{ce}}^{{\mathrm{dt}}_{n+i}},(i=\mathrm{1,2},...l)$

所述步骤(2)中，利用线性回归算法和指数回归算法计算出的在时间t_n+i时的指标预测值和满足以下条件就向外界发出报警信号：

或者

所述步骤(3)中，所述周期性分析算法具体如下：所采集的指标值序列为{y₁，y₂，...，y_n}，采集时间序列为{t₁，t₂，...，t_n}，所采用的周期性回归函数为：

$y=e_0+\underset{j=1}{\overset{k}{\mathrm{\Σ}}}(e_j\cos \frac{2\mathrm{\πj}}{m}t+f_j\sin \frac{2\mathrm{\πj}}{m}t)$

其中k为预先设定的分波数，用于控制周期性回归的精度，m为指标值序列的大小，e_j(j＝0，1，...，k)和f_j(j＝1，2，...，k)为周期性回归函数的参数，其中参数计算方法如下：

$\left\{\begin{array}{c}{e}_0=\frac{1}{m}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i\\ e_j=\frac{2}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_i\cos \left[\frac{2\mathrm{\πj}}{m}(i-1)\right]\\ f_j=\frac{2}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_i\sin \left[\frac{2\mathrm{\πj}}{m}(i-1)\right]\end{array}\right.$

如图2所示，一种实施上述方法的用于监控系统中监控指标的趋势分析装置，包括：

指标值采集模块，用于根据预先设定的采集周期采集所监控的指标值，并将采集的指标值放入指标值序列，用于后续的趋势分析；

预测分析模块包括线性回归分析模块和指数回归分析模块，用于根据指标值采集模块传送来的指标值序列对未来多个周期的指标值进行预测计算，其中线性回归分析模块用于利用线性回归函数计算未来多个周期的线性预测值；指数回归分析模块用于利用指数回归函数计算未来多个周期的指数预测值；

预测报警模块，用于将线性回归分析模块计算得到的线性预测值和指数回归分析模块计算得到的指数预测值与事先设定的报警阈值进行对比，决定是否产生报警信号；

周期性回归分析模块，用于根据指标值采集模块传送来的指标值序列计算这段时间内指标值变化的周期性参数，得到周期性回归函数；

周期性曲线绘制模块，用于根据周期性回归函数绘制指标值变化的周期性曲线。

如上所述，便可较好地实现本发明，上述实施例仅为本发明的较佳实施例，并非用来限定本发明的实施范围；即凡依本发明内容所作的均等变化与修饰，都为本发明权利要求所要求保护的范围所涵盖。

Claims (8)

1.用于监控系统中监控指标的趋势分析方法，其特征在于预先设定指标的预测分析参数，再利用所采集的指标值序列分别进行预测分析和周期性分析，在预测分析中综合采用线性回归算法和指数回归算法得到预测结果，然后根据预测结果和设定的阈值比对后的结果向外界输出控制信号；在周期性分析中利用指标值序列计算周期性回归函数，再根据周期性回归函数绘制该段时间的周期性变化曲线，反映该指标在这段时间内的变化情况。

2.根据权利要求1所述的用于监控系统中监控指标的趋势分析方法，其特征在于步骤具体如下：

(1)初始化：预先设定待监控指标的趋势分析参数，按照采集周期每隔一段时间采集指标值，记入该指标的指标值序列；

(2)预测分析：取出指标值序列中最后采集的指标值及其之前n-1个指标值进行预测分析，一方面根据采集到的指标序列值利用线性回归算法计算待监控指标未来多个周期的线性预测值，另一方面根据采集到的指标序列值利用指数回归算法计算待监控指标未来多个周期的指数预测值，然后将线性预测值和指数预测值与预先设定的阈值进行比对，决定是否向外界发出预警信号；

(3)周期性分析：取出指标值序列中最后采集的指标值及其之前m-1个指标值进行周期性分析，根据采集到的指标序列值计算这段时间内指标值变化的周期性参数，得到周期性回归分析函数，然后根据该函数绘制指标值变化的周期性曲线；

(4)每次分析完毕后，都继续采集下一个周期的指标值放到指标值序列末尾，同时将原指标值序列中最早采集的指标值删掉，保持指标值序列大小为m。

3.根据权利要求2所述的用于监控系统中监控指标的趋势分析方法，其特征在于，所述步骤(1)中，在对待监控指标进行趋势分析前需要预先设置以下参数：

采集周期p，即两次采集指标值的时间间隔，该参数根据指标的变化强度来设定；

预测分析计算所需的指标值序列的大小n，n至少大于5，用于线性回归分析；

预测分析可预测的采集周期数l，l在1-5之间，具体是指通过当前指标值序列能够准确预测的未来采集周期个数；

预先报警的阈值thr；

周期性分析计算所需的指标值序列的大小m，周期性分析所需的指标值数量要大于预测分析所需的指标值数量；

周期性分析计算的周期性回归函数的分波数k，k不小于2。

4.根据权利要求2所述的用于监控系统中监控指标的趋势分析方法，其特征在于，所述步骤(2)中，所述线性回归算法具体如下：所采集的指标值序列为{y₁，y₂，...，y_n}，采集时间序列为{t₁，t₂，...，t_n}，采用的线性回归函数为：

y＝a+bt

其中a和b为线性回归函数的参数，然后利用最小二乘法计算参数a和b，具体如下：

$\left\{\begin{array}{c}b=\frac{{\mathrm{\Σ}}_{i=1}^n{t}_i{y}_i-n\stackrel{\‾}{t}\stackrel{\‾}{y}}{{\mathrm{\Σ}}_{i=1}^n{t}_i^2-n\stackrel{\‾}{t}}\\ a=\stackrel{\‾}{y}-b\stackrel{\‾}{t}\end{array}\right.$

其中n为指标值序列的大小，

根据上述参数计算结果计算未来l个周期的指标预测值，具体方法如下：

${\hat{y}}_{n+i}=a+{\mathrm{bt}}_{n+i},(i=\mathrm{1,2},...l)$

其中l为可预测的采集周期数。

5.根据权利要求2所述的用于监控系统中监控指标的趋势分析方法，其特征在于，所述步骤(2)中，所述指数回归算法具体如下：所采集的指标值序列为{y₁，y₂，...，y_n}，采集时间序列为{t₁，t₂，...，t_n}，采用的指数回归函数为：

y＝ce^dt

其中c和d为指数回归函数的参数，参数计算方法为：

$\left\{\begin{array}{c}d=\frac{{\mathrm{\Σ}}_{i=1}^n{t}_i{z}_i-n\stackrel{\‾}{t}\stackrel{\‾}{z}}{{\mathrm{\Σ}}_{i=1}^n{t}_i^2-n\stackrel{\‾}{t}}\\ \ln c=\stackrel{\‾}{z}-b\stackrel{\‾}{t}\\ z_i=\ln y_i\end{array}\right.$

其中 $\stackrel{\‾}{z}=\frac{1}{n}{\mathrm{\Σ}}_{i=1}^n{z}_i=\frac{1}{n}{\mathrm{\Σ}}_{i=1}^n\ln y_i.$

根据上述参数计算结果计算未来l个周期的指标预测值，具体方法如下：

${\hat{y}}_{n+i}^{\′}={\mathrm{ce}}^{{\mathrm{dt}}_{n+i}},(i=\mathrm{1,2},...l)$

6.根据权利要求2所述的用于监控系统中监控指标的趋势分析方法，其特征在于，所述步骤(2)中，利用线性回归算法和指数回归算法计算出的在时间t_n+i时的指标预测值和满足以下条件就向外界发出报警信号：

或者

7.根据权利要求2所述的用于监控系统中监控指标的趋势分析方法，其特征在于，所述步骤(3)中，所述周期性分析算法具体如下：所采集的指标值序列为{y₁，y₂，...，y_n}，采集时间序列为{t₁，t₂，...，t_n}，所采用的周期性回归函数为：

$y=e_0+\underset{j=1}{\overset{k}{\mathrm{\Σ}}}(e_j\cos \frac{2\mathrm{\πj}}{m}t+f_j\sin \frac{2\mathrm{\πj}}{m}t)$

其中k为预先设定的分波数，用于控制周期性回归的精度，m为指标值序列的大小，e_j(j＝0，1，...，k)和f_j(j＝1，2，...，k)为周期性回归函数的参数，其中参数计算方法如下：

$\left\{\begin{array}{c}{e}_0=\frac{1}{m}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i\\ e_j=\frac{2}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_i\cos \left[\frac{2\mathrm{\πj}}{m}(i-1)\right]\\ f_j=\frac{2}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_i\sin \left[\frac{2\mathrm{\πj}}{m}(i-1)\right]\end{array}\right.$

8.一种实施上述方法的用于监控系统中监控指标的趋势分析装置，其特征在于，包括：

指标值采集模块，用于根据预先设定的采集时间采集所监控的指标值，并将采集的指标值放入指标值序列，用于后续的趋势分析；

预测分析模块包括线性回归分析模块和指数回归分析模块，用于根据指标值采集模块传送来的指标值序列对未来多个周期的指标值进行预测计算，其中线性回归分析模块用于利用线性回归函数计算未来多个周期的线性预测值；指数回归分析模块用于利用指数回归函数计算未来多个周期的指数预测值；

预测报警模块，用于将线性回归分析模块计算得到的线性预测值和指数回归分析模块计算得到的指数预测值与事先设定的报警阈值进行对比，决定是否产生报警信号；

周期性回归分析模块，用于根据指标值采集模块传送来的指标值序列计算这段时间内指标值变化的周期性参数，得到周期性回归函数；

周期性曲线绘制模块，用于根据周期性回归函数绘制指标值变化的周期性曲线。

Images