CN105183612A - 服务器可用内存异常增长及运行状况的评估方法 - Google Patents
服务器可用内存异常增长及运行状况的评估方法 Download PDFInfo
- Publication number
- CN105183612A CN105183612A CN201510622386.4A CN201510622386A CN105183612A CN 105183612 A CN105183612 A CN 105183612A CN 201510622386 A CN201510622386 A CN 201510622386A CN 105183612 A CN105183612 A CN 105183612A
- Authority
- CN
- China
- Prior art keywords
- server
- data
- free memory
- available memory
- algorithm
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种服务器可用内存异常增长及运行状况的评估方法。该评估方法包括以下步骤：以数据采集粒度提取当天所有服务器的可用内存数据；根据可用内存数据计算环比比值；使用均值回归模型刻画环比比值的变化趋势；基于各个服务器的均值回归模型，采用强影响点方法寻找数据的异常点；对寻找到的异常点对应的环比比值进行数据汇总；对统计的指标进行极差正规化变换，并基于变换后的数据进行指定初始中心的聚类分析。本发明的评估方法能够准确地寻找到可用内存的异常增长，并为服务器的可用内存运行状况进行较为客观的评估，评估过程无需人为设定权重值而且避免了人为主观指定对于最终评估结果的影响，并且计算时间短、普适性强。
Description
技术领域
本发明涉及一种服务器可用内存异常增长及运行状况的评估方法。
背景技术
现有技术中，对于服务器的可用内存的评估普遍存在识别能力不够强、评估结果可信度不够高、使用有较多限制的缺陷。
在很多现有评估方法中，需要服务器的数据分布较为特定且已知，评估结果才具有较高的可信度。而在一些采用累积变化量的评估方法中，则非常依赖于累积变化量权重的合理选取，权重选取的适当与否对于结果的准确性影响极大，此外还会受算法中的阈值选取的影响。
发明内容
本发明要解决的技术问题是为了克服现有技术中对于服务器可用内存的运行状况的评估识别能力不够强、评估结果可信度不够高、使用有较多限制，计算中的权重和阈值选取会对结果产生极大影响的缺陷，提供一种服务器可用内存异常增长及运行状况的评估方法。
本发明是通过下述技术方案来解决上述技术问题的：
一种服务器可用内存异常增长及运行状况的评估方法，其特征在于，包括以下步骤：
步骤一、根据所确定的数据采集粒度提取当天所有服务器的可用内存数据；
步骤二、根据可用内存计算环比比值，环比比值为当前采样时刻与前一采样时刻的可用内存数据的比值；
步骤三、使用均值回归模型刻画环比比值，以获得适用于各个服务器的均值回归模型；
步骤四、基于各个服务器的均值回归模型，采用强影响点方法寻找各个服务器的异常点；
步骤五、对寻找到的异常点对应的环比比值进行数据汇总，包括统计异常点的个数和异常点的环比比值的的平均值；
步骤六、基于步骤五统计的指标进行极差正规化变换，并基于变换后的数据进行指定初始中心的Kmeans聚类分析，以获得每台服务器对应的分类结果。
每个服务器的可用内存数据的分布通常不尽相同，这样依据传统的方法就需要对数据分布不尽相同的服务器运用多个分布，且难以判断每个服务器的可用内存数据服从何种分布。本发明将可用内存的异常增长的寻找转换为寻找环比比值的异常值，并且在将原始数据转换为环比比值后，除小部分数据外，绝大部分服务器的绝大多数的可用内存的环比比值基本上在一条水平线附近上下波动。如此，就使得不同服务器的数据得以较为统一地服从一个较平稳的分布，易于刻画且异常值易识别。基于此，本发明进一步采用了均值回归模型来进行刻画。在这之后，通过多种统计方法和统计量的检验，能够有较大的把握性找出异常点。
较佳地，步骤四中采用的强影响点的分析方法，包括以下方法总的一个或多个：
帽子矩阵算法，DFFITS算法，Cook统计量算法，COVRATIO算法、外学生化残差算法。
较佳地，数据采集粒度为分钟，可用内存数据包括每分钟的可用内存数据。
较佳地，步骤一还包括：判断各个服务器的可用内存数据的个数是否大于预设的阈值，将判断结果为是的服务器作为参与聚类分析运算的服务器。
在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。
本发明的积极进步效果在于：本发明的评估方法能够准确地寻找到可用内存的异常增长，并为服务器的可用内存运行状况进行较为客观的评估，评估过程无需人为设定权重值而避免了人为主观指定对于最终评估结果的影响，并且计算时间短、普适性强。
附图说明
图1为本发明一较佳实施例的服务器可用内存异常增长及运行状况的评估方法的流程图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
参考图1所示，本实施例的服务器可用内存异常增长及运行状况的评估方法，包括以下步骤：
步骤一、根据分钟粒度提取当天所有服务器可用内存数据；
步骤二、根据每分钟的可用内存计算环比比值，环比比值为当前采样时刻与前一采样时刻的可用内存数据的比值；
步骤三、使用均值回归模型刻画环比比值，以获得适用于各个服务器的均值回归模型；
步骤四、基于各个服务器的均值回归模型，采用强影响点方法寻找各个服务器各自的数据的异常点；
步骤五、对寻找到的异常点对应的环比比值进行数据汇总，包括统计异常点的个数和异常点的环比比值的的平均值；
步骤六、基于步骤五统计的指标进行极差正规化变换，并基于变换后的数据进行指定初始中心的Kmeans聚类分析，以获得每台服务器对应的分类结果。
本实施例中步骤四中采用的强影响点的分析方法，包括帽子矩阵算法，DFFITS算法，Cook统计量算法，COVRATIO算法、外学生化残差算法。
其中，步骤一还包括：判断各个服务器的可用内存的原始数据的个数是否大于预设的阈值，将判断结果为是的服务器作为参与聚类分析运算的服务器。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。
Claims (4)
1.一种服务器可用内存异常增长及运行状况的评估方法，其特征在于，包括以下步骤：
步骤一、根据所确定的数据采集粒度提取当天所有服务器的可用内存数据；
步骤二、基于各时刻的可用内存数据计算环比比值，环比比值为当前采样时刻与前一采样时刻的可用内存数据的比值；
步骤三、使用均值回归模型刻画环比比值的变化趋势，以获得适用于各个服务器的均值回归模型；
步骤四、基于各个服务器的均值回归模型，采用强影响点方法寻找各个服务器各自的数据的异常点；
步骤五、对寻找到的异常点对应的环比比值进行数据汇总，包括统计异常点的个数和异常点的环比比值的的平均值；
步骤六、基于步骤五统计的指标进行极差正规化变换，并基于变换后的数据进行指定初始中心的Kmeans聚类分析，以获得每台服务器对应的分类结果。
2.如权利要求1所述的评估方法，其特征在于，步骤四中采用的强影响点的分析方法，包括以下方法中的一个或多个：
帽子矩阵算法，DFFITS算法，Cook统计量算法，COVRATIO算法、外学生化残差算法。
3.如权利要求1所述的评估方法，其特征在于，数据采集粒度为分钟，可用内存数据包括每分钟的可用内存数据。
4.如权利要求1-3中任意一项所述的评估方法，其特征在于，步骤一还包括：判断各个服务器的可用内存数据的个数是否大于预设的阈值，将判断结果为是的服务器作为参与聚类分析运算的服务器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510622386.4A CN105183612B (zh) | 2015-09-25 | 2015-09-25 | 服务器可用内存异常增长及运行状况的评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510622386.4A CN105183612B (zh) | 2015-09-25 | 2015-09-25 | 服务器可用内存异常增长及运行状况的评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105183612A true CN105183612A (zh) | 2015-12-23 |
| CN105183612B CN105183612B (zh) | 2017-11-21 |
Family
ID=54905704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510622386.4A Active CN105183612B (zh) | 2015-09-25 | 2015-09-25 | 服务器可用内存异常增长及运行状况的评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105183612B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106484976A (zh) * | 2016-09-28 | 2017-03-08 | 西安交通大学 | 赤潮监测预警系统 |
| CN108564298A (zh) * | 2018-04-26 | 2018-09-21 | 三重能有限公司 | 数据处理方法、装置及电子设备 |
| CN112486535A (zh) * | 2020-11-27 | 2021-03-12 | 红石阳光（北京）科技股份有限公司 | 一种用于NB-IoT设备的远程升级方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103412805A (zh) * | 2013-07-31 | 2013-11-27 | 交通银行股份有限公司 | 一种it故障源诊断方法及系统 |
| CN104142986A (zh) * | 2014-07-24 | 2014-11-12 | 中国软件与技术服务股份有限公司 | 一种基于聚类的大数据态势分析预警方法及系统 |
| US20150120639A1 (en) * | 2013-10-30 | 2015-04-30 | Samsung Sds Co., Ltd. | Apparatus and method for classifying data and system for collecting data |
-
2015
- 2015-09-25 CN CN201510622386.4A patent/CN105183612B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103412805A (zh) * | 2013-07-31 | 2013-11-27 | 交通银行股份有限公司 | 一种it故障源诊断方法及系统 |
| US20150120639A1 (en) * | 2013-10-30 | 2015-04-30 | Samsung Sds Co., Ltd. | Apparatus and method for classifying data and system for collecting data |
| CN104142986A (zh) * | 2014-07-24 | 2014-11-12 | 中国软件与技术服务股份有限公司 | 一种基于聚类的大数据态势分析预警方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 王德文等: ""一种基于内存计算的电力用户聚类分析方法"", 《智能系统学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106484976A (zh) * | 2016-09-28 | 2017-03-08 | 西安交通大学 | 赤潮监测预警系统 |
| CN106484976B (zh) * | 2016-09-28 | 2019-05-07 | 西安交通大学 | 赤潮监测预警系统 |
| CN108564298A (zh) * | 2018-04-26 | 2018-09-21 | 三重能有限公司 | 数据处理方法、装置及电子设备 |
| CN108564298B (zh) * | 2018-04-26 | 2021-06-22 | 三一重能股份有限公司 | 数据处理方法、装置及电子设备 |
| CN112486535A (zh) * | 2020-11-27 | 2021-03-12 | 红石阳光（北京）科技股份有限公司 | 一种用于NB-IoT设备的远程升级方法及系统 |
| CN112486535B (zh) * | 2020-11-27 | 2021-09-14 | 红石阳光（北京）科技股份有限公司 | 一种用于NB-IoT设备的远程升级方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105183612B (zh) | 2017-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109146705B (zh) | 一种用电特征指标降维与极限学习机算法进行窃电检测的方法 | |
| CN110750524A (zh) | 一种有源配电网故障特征的确定方法及系统 | |
| CN108802535B (zh) | 筛选方法、主干扰源识别方法及装置、服务器及存储介质 | |
| CN102509243A (zh) | 卷烟制造过程质量评价方法及其系统 | |
| CN105955214B (zh) | 基于样本时序和近邻相似性信息的间歇过程故障检测方法 | |
| CN108460486A (zh) | 一种基于改进聚类算法和神经网络的电压偏差预测方法 | |
| CN116304766A (zh) | 基于多传感器的开关柜状态快速评估方法 | |
| CN108053095B (zh) | 一种电能质量扰动事件特征提取方法及系统 | |
| CN105183612A (zh) | 服务器可用内存异常增长及运行状况的评估方法 | |
| CN104155245B (zh) | 一种基于模式识别与谱图映射的油品多类性质的检测方法 | |
| CN110690701A (zh) | 一种异常线损影响因素的分析方法 | |
| CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
| CN112417763B (zh) | 输电线路的缺陷诊断方法、装置、设备及存储介质 | |
| CN113064796B (zh) | 一种无监督指标异常检测方法 | |
| CN106228190A (zh) | 针对居民异常用水的决策树判别方法 | |
| CN112598539B (zh) | 一种风力发电机组风功率曲线优化计算及异常值检测方法 | |
| CN103778567A (zh) | 一种用户异常用电甄别的方法及系统 | |
| CN107808209B (zh) | 基于加权kNN距离的风电场异常数据辨识方法 | |
| CN111027841A (zh) | 一种基于梯度提升决策树的低压台区线损计算方法 | |
| CN108537249B (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
| CN116992362A (zh) | 一种基于夏普利值的变压器故障表征特征量筛选方法和装置 | |
| CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
| CN113298148B (zh) | 一种面向生态环境评价的不平衡数据重采样方法 | |
| CN113656910B (zh) | 基于aff-aakr融合的滚动轴承健康指标曲线构建方法 | |
| CN115879799A (zh) | 一种变电站电能质量分析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |