CN106951984B - 一种系统健康度动态分析预测方法及装置 - Google Patents

Abstract

本发明提供一种系统健康度动态分析预测方法及装置。所述系统健康度动态分析预测方法，包括：获取系统当前的数据；根据所述当前的数据确定所述系统当前的健康度；根据所述当前的数据和所述当前的健康度，优化根据所述系统历史的数据和历史的健康度训练而得的健康度预测模型；根据优化训练后的所述健康度预测模型分析预测所述系统未来的健康度。本发明通过对系统未来的健康度进行预测，可以提醒运维人员及时分析预测可能存在的问题，进而及时进行维护，可以避免系统在未来某一时刻出现系统崩溃、延迟等问题，可以提高用户体验；同时，通过根据所述当前的数据和所述当前的健康度对健康度预测模型不断地优化，可以提高预测的准确率。

Description

一种系统健康度动态分析预测方法及装置

技术领域

本发明涉及系统健康度预测技术领域，具体涉及一种系统健康度动态分析预测方法及装置。

背景技术

现在，拥有大量业务和客户的公司，同时会拥有多个系统，且不同系统上的用户量很大，在所述系统被集中大量应用时，会出现许多突发状况，例如，由于用户量巨大，导致系统打不开、进去后不能操作等突发状况，这样，就需要运维人员不断地对所述系统进行维护。

例如，全国性综合类证券公司，拥有大量的业务系统及客户。除了具有与核心交易相关的集中交易系统、融资融券系统、网上交易系统等若干系统，还有其它的外围系统(数据量在50左右)。这些系统又部署在不同的服务器上，导致人工维护变得困难。随着近期股市交易行情的不断火爆，股市的成交金额和成交笔数也是不断创立新高，经常会导致交易所系统爆表，使人工维护变得更加困难。

目前，没有一个智能的运维辅助系统，不能对系统进行实时的监控，不能预测系统在未来某一时刻的运行状态，运维人员不能及时地对系统进行维护，系统容易出现崩溃、延迟等问题，进而影响用户对系统的使用。

发明内容

针对现有技术中的上述缺陷，本发明提供了一种系统健康度动态分析预测方法及装置，可以提醒运维人员及时对系统进行维护，以提高用户体验。

第一方面，本发明提供的一种系统健康度动态分析预测方法，包括：

获取系统当前的数据；

根据所述当前的数据确定所述系统当前的健康度；

根据所述当前的数据和所述当前的健康度，优化根据所述系统历史的数据和历史的健康度训练而得的健康度预测模型；

根据优化训练后的所述健康度预测模型分析预测所述系统未来的健康度。

可选的，所述当前的数据，包括：基础监控数据、应用进程数据、日志记录的数据中的一种或多种。

可选的，所述系统，包括：核心系统和/或外围系统；

所述根据所述当前的数据确定所述系统当前的健康度，包括：

根据所述当前的数据确定所述系统中的核心系统和/或外围系统当前的健康度；

根据所述核心系统和/或外围系统当前的健康度，确定所述系统的硬件使用率和/或故障率；

根据所述硬件使用率和/或故障率，确定所述系统当前的健康度。

可选的，在所述根据所述当前的数据和所述当前的健康度，优化根据所述系统历史的数据和历史的健康度训练而得的健康度预测模型的步骤之前，还包括：

获取所述系统历史的数据和历史的健康度；

采用主成分分析、因子分析、聚类分析中的一种或多种组合的方式，分析所述历史的数据和历史的健康度，确定至少一个影响所述系统的健康度的关键因素；

根据所述关键因素、所述历史的数据和所述历史的健康度，采用多元回归模型和/或神经网络模型，建立健康度预测模型。

可选的，所述根据所述当前的数据和所述当前的健康度，优化根据所述系统历史的数据和历史的健康度训练而得的健康度预测模型，包括：

根据所述当前的数据和所述当前的健康度，采用多元回归模型和/或神经网络模型，优化根据所述系统历史的数据和历史的健康度训练而得的健康度预测模型。

可选的，在所述根据所述当前的数据和所述当前的健康度，优化根据所述系统历史的数据和历史的健康度训练而得的健康度预测模型的步骤之后，还包括：

采用取样方式对优化训练后的所述健康度预测模型进行检验。

第二方面，本发明提供的一种系统健康度动态分析预测装置，包括：

当前的数据获取模块，用于获取系统当前的数据；

当前的健康度确定模块，用于根据所述当前的数据确定所述系统当前的健康度；

优化模块，用于根据所述当前的数据和所述当前的健康度，优化根据所述系统历史的数据和历史的健康度训练而得的健康度预测模型；

分析预测模块，用于根据优化训练后的所述健康度预测模型分析预测所述系统未来的健康度。

可选的，所述当前的数据，包括：基础监控数据、应用进程数据、日志记录的数据中的一种或多种。

可选的，所述系统，包括：核心系统和/或外围系统；

所述当前的健康度确定模块，具体用于：

根据所述当前的数据确定所述系统中的核心系统和/或外围系统当前的健康度；

根据所述核心系统和/或外围系统当前的健康度，确定所述系统的硬件使用率和/或故障率；

根据所述硬件使用率和/或故障率，确定所述系统当前的健康度。

可选的，所述装置，还包括：模型建立模块；

所述模型建立模块，具体用于：

获取所述系统历史的数据和历史的健康度；

采用主成分分析、因子分析、聚类分析中的一种或多种组合的方式，分析所述历史的数据和历史的健康度，确定至少一个影响所述系统的健康度的关键因素；

根据所述关键因素、所述历史的数据和所述历史的健康度，采用多元回归模型和/或神经网络模型，建立健康度预测模型。

可选的，所述优化模块，具体用于：

根据所述当前的数据和所述当前的健康度，采用多元回归模型和/或神经网络模型，优化根据所述系统历史的数据和历史的健康度训练而得的健康度预测模型。

可选的，所述装置，还包括：

检验模块，用于采用取样方式对优化训练后的所述健康度预测模型进行检验。

由以上技术方案可知，本发明提供一种系统健康度动态分析预测方法，第一步，获取系统当前的数据；第二步，根据所述当前的数据确定所述系统当前的健康度；第三步，根据所述当前的数据和所述当前的健康度，优化根据所述系统历史的数据和历史的健康度训练而得的健康度预测模型；第四步，根据优化训练后的所述健康度预测模型分析预测所述系统未来的健康度。本发明通过对系统未来的健康度进行分析预测，可以提醒运维人员及时分析预测可能存在的问题，进而及时进行维护，可以避免系统在未来某一时刻出现系统崩溃、延迟等问题，可以提高用户体验；同时，通过根据所述当前的数据和所述当前的健康度对健康度预测模型不断地优化，可以使所述健康度预测模型动态地分析预测所述系统未来的健康度，进而提高预测的准确率。

本发明提供的一种系统健康度动态分析预测装置，与上述系统健康度动态分析预测方法出于相同的发明构思，具有相同的有益效果。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1示出了本发明第一实施例提供的一种系统健康度动态分析预测方法的流程图；

图2示出了本发明第二实施例提供的一种系统健康度动态分析预测装置的示意图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

本发明提供了一种系统健康度动态分析预测方法及装置。下面结合附图对本发明的实施例进行说明。

图1示出了本发明第一实施例所提供的一种系统健康度动态分析预测方法的流程图。如图1所示，本发明第一实施例提供的一种系统健康度动态分析预测方法包括以下步骤：

步骤S101：获取系统当前的数据。

在本步骤中，所述获取系统当前的数据是对系统在当前时刻与运行相关的日志、状态等信息进行集中收集、存储。所述系统可以是基于服务器实现的各个网络交易系统、业务系统等，也可以是一个企业基于服务器实现的整个系统。一个网络交易系统或整个系统可以包括有多个核心系统和/或多个外围系统。多个系统可以建立在多个服务器上，也可以建立在同一个服务器上。一个系统也可以应用多台服务器。所述当前的数据，可以包括：系统在当前时刻的基础监控数据、应用进程数据、日志记录的数据等中的一种或多种。所述基础监控数据可以包括：CPU使用率、内存使用率、网络流量、磁盘使用率等中的一种或多种；所述应用进程数据可以包括：端口应用数据、进程状态数据、应用内部指标数据等中的一种或多种；所述日志记录的数据，可以包括：系统业务日志记录的数据、应用日志记录的数据、操作系统日志记录的数据等中的一种或多种。

步骤S102：根据所述当前的数据确定所述系统当前的健康度。

其中，所述系统的健康度可以存在多种状态，最佳的健康度分类可以有三种：健康状态、隐患状态、不健康状态。这些状态可以根据运维人员的经验进行分数划段。例如，大于90的健康度为健康状态，不大于90且大于等于60的健康度为隐患状态，小于60的健康度为不健康状态。

在本步骤中，若所述系统，包括核心系统和/或外围系统。在确定所述系统当前的健康度时，首先，可以根据所述当前的数据确定所述系统中的核心系统和/或外围系统当前的健康度；然后，根据所述核心系统和/或外围系统当前的健康度，确定所述系统的硬件使用率和/或故障率；最后，根据所述硬件使用率和/或故障率，确定所述系统当前的健康度。所述当前指的是对系统进行检测时当前的这一时刻。不同时刻系统的健康度可以是不同的。若一个系统包含多个核心系统和/或外围系统，可以根据所述多个核心系统和/或外围系统的健康情况来确定系统的健康度，若一个系统只包含多个核心系统，则可以根据所述多个核心系统的健康情况来确定系统的健康度。其中，所述当前的数据是指业务日志记录的数据、应用日志记录的数据、操作系统记录的数据等中的一种或多种。

在本步骤中，可以根据系统的业务日志记录的数据、应用日志记录的数据、操作系统记录的数据等当前的数据，由运维人员根据经验确定所述系统中的核心系统和/或外围系统当前的健康度，由运维人员再根据所述健康度确定系统的硬件使用率和/或故障率，最后，由运维人员根据所述硬件使用率和/或故障率确定所述系统当前的健康度。

在本步骤中，可以根据系统的业务日志记录的数据、应用日志记录的数据、操作系统记录的数据等当前的数据，由运维人员根据经验确定所述系统中的核心系统和/或外围系统当前的健康度，然后，由运维人员权衡各个核心系统的重要性，根据经验确定所述系统当前的健康度。

在本步骤中，可以是运维人员直接根据直观的业务日志记录的数据、应用日志记录的数据、操作系统记录的数据等直接确定系统当前的健康度。

在本步骤中，还可以根据历史的数据和历史的健康度，采用机器学习的方法建立健康度检测模型，利用所述健康度检测模型，首先，可以根据系统的业务日志记录的数据、应用日志记录的数据、操作系统记录的数据等当前的数据确定所述系统中的核心系统和/或外围系统当前的健康度，然后，再根据所述核心系统和/或外围系统当前的健康度，确定所述系统的硬件使用率和/或故障率；最后，根据所述硬件使用率和/或故障率，确定所述系统当前的健康度。

在本步骤中，若所述当前的数据是指基础监控数据和/或应用进程数据，也可以根据这些数据来确定系统当前的健康度。可以根据运维人员的经验来确定，也可以建立健康度检测模型来确定。例如，对系统健康度的判断，可以是运维人员直接查看当前系统的硬件使用率和/或故障率，然后根据所述硬件使用率和/或故障率确定所述系统的健康度。这都在本发明的保护范围之内。

示例1，所述系统是指一个证劵公司的整个系统，所述系统包括：三个核心交易系统，不包括外围系统。所述核心交易系统包括：集中交易系统、融资融券交易系统、网上交易系统。在确定整个系统的健康度时，可以先确定三个核心交易系统的健康度。

首先，以其中集中交易系统的健康度为例：若所述集中交易系统当前的交易时间为11:00，委托笔数为每秒1500笔，查询股票操作为每秒10000笔，登陆操作为每秒100笔，则当前的所述集中交易系统的健康度为50％。若所述集中交易系统当前的交易时间为11:10:10，委托笔数为每秒1200笔，查询股票操作为每秒8000笔，登陆操作为每秒50笔，则当前的所述集中交易系统的健康度为70％。不同时间所述集中交易系统的健康度不同。

然后，在确定好三个核心交易系统在当前的健康度后，可以根据所述三个核心交易系统在当前的健康度确定当前的CPU使用率。若所述集中交易系统当前的健康度为50％，融资融券系统当前的健康度为60％，网上交易系统当前的健康度为70％，则当前的CPU使用率为51％。若所述集中交易系统当前的健康度为30％，融资融券系统的健康度为10％，网上交易系统当前的健康度为20％，则当前的内存使用率为20％。

最后，可以根据所述系统的硬件使用率来确定所述系统当前的健康度。若当前所述系统的CPU使用率为50％，内存使用率为60％，磁盘使用率为70％，网络流量为100M/s，则当前系统健康度为51％。所述系统为不健康状态。

步骤S103：根据所述当前的数据和所述当前的健康度，优化根据所述系统历史的数据和历史的健康度训练而得的健康度预测模型。

在本步骤之前，还可以包括：获取所述系统历史的数据和历史的健康度；采用主成分分析、因子分析、聚类分析中的一种或多种组合的方式，分析所述历史的数据和历史的健康度，确定至少一个影响所述系统的健康度的关键因素；根据所述关键因素、所述历史的数据和所述历史的健康度，采用多元回归模型和/或神经网络模型，建立健康度预测模型。

其中，所述历史的数据，可以包括：在当前时刻之前的所有数据或者在当前时刻之前一段时间内的数据。所述数据可以包括：基础监控数据、应用进程数据、日志记录的数据等中的一种或多种。所述基础监控数据可以包括：CPU使用率、内存使用率、网络流量、磁盘使用率等中的一种或多种；所述应用进程数据可以包括：端口应用数据、进程状态数据、应用内部指标数据等中的一种或多种；所述日志记录的数据，可以包括：系统业务日志记录的数据、应用日志记录的数据、操作系统日志记录的数据等中的一种或多种。

在获取所述系统历史的数据和历史的健康度时，第一步，需要确定数据的来源，需要确定所需要的数据库来源和/或日志来源，例如，基础监控数据、日志记录的数据等。第二步，从所述数据库和/或日志所覆盖的历史时段中选取合适的时间段的数据。第三步，对选取的数据进行质量检查，以确保数据质量的可靠性，进而可以提高所述健康度预测模型的可靠性。第四步，对所述数据的类型、格式等进行转换。例如，把字符型转换为数值型、时间格式的转换、百分比格式的转换等。对数据的转换还可以包括，通过一定的统计原理把数据单位或变量标准化。

在获取历史的数据和历史的健康度后，可以采用主成分分析、因子分析、聚类分析中的一种或多种组合的方式，分析所述历史的数据和历史的健康度之间的关系，分析不同指标的历史的数据之间的关系。一个系统的健康度可以存在多个变量，且多个变量之间可以有一定的相关性，多个变量包含的信息可以是高度重叠的，所以，可以采用主成分分析、因子分析、聚类分析中的一种或多种组合来分析多个变量之间关系，确定至少一个主要的变量，将所述主要变量作为影响所述系统的健康度的关键因素。选取的关键因素可以是与其它因素尽可能低度相关的。所述关键因素可以由统计程序根据一定的统计指标自动决定，也可以由业务分析人员根据实际需要主观地决定。这样，可以避免对所有因素一一分析所造成的资源浪费。

最后，根据所述关键因素、所述历史的数据和所述历史的健康度，采用多元回归模型和/或神经网络模型，建立健康度预测模型。这里，可以根据与所述关键因素相关的历史的数据和历史的健康度，采用多元回归模型和/或神经网络模型模拟所述关键因素的历史的数据和历史的健康度之间的回归曲线，建立所述关键因素的历史的数据和历史的健康度之间的算法，形成健康度预测模型。利用这种方法建立健康度预测模型，可以节省资源。

所述建立健康度预测模型，还可以直接根据所述系统历史的数据和历史的健康度，采用多元回归模型和/或神经网络模型，建立健康度预测模型。不需要分析影响所述系统的关键因素，直接利用所有的历史的数据和历史的健康度模拟历史的数据和历史的健康度之间的回归曲线，建立相应的算法，形成健康度预测模型，这都在本发明的保护范围之内。相较于上述利用关键因素训练健康度预测模型，这种建立健康度预测模型的方法精确度高，但是计算量大，对训练健康度预测模型的机器要求较高。

所述建立健康度预测模型的方法适用于整个系统，也适用于所述系统中包含的核心系统、外围系统等。都在本发明的保护范围之内。若整个系统包含有多个小的系统，则可以根据需要建立多个小的系统的健康度预测模型，这样可以方便预测所述多个小的系统在未来的健康状况。

在建立所述健康度预测模型时，还可以根据上述方法建立硬件使用率预测模型和/或故障率预测模型。所述硬件使用率计算模型可以用来预测所述系统的某个硬件在某一时刻或一个小的时间段内的使用率，所述故障率预测模型可以用来预测所述系统在某种情况下的故障率。

示例2，所述系统是指一个证劵公司的整个系统，所述系统包括：三个核心交易系统。所述核心交易系统包括：集中交易系统、融资融券交易系统、网上交易系统。在建立健康度预测模型时，可以采用多元回归模型和/或神经网络模型建立集中交易系统的健康度预测模型、融资融券交易系统的健康度预测模型、网上交易系统的健康度预测模型。其中，以集中交易系统的健康度预测模型为例，可以根据历史委托笔数、每秒查询股票操作笔数、每秒登陆操作笔数、当时的健康度，确定他们之间的回归关系，进而建立集中交易系统的健康度预测模型。

在建立健康度预测模型时，还可以根据所述三个核心系统的健康度，采用多元回归模型和/或神经网络模型确定三个核心系统健康度和硬件使用率之间的回归关系，建立硬件使用率预测模型。

在建立健康度预测模型时，可以采用多元回归模型和/或神经网络模型，确定所述整个系统的CPU使用率、内存使用率、磁盘使用率、网络流量等与整个系统健康度之间的回归关系，建立回归曲线，建立相应的算法，形成健康度预测模型。

在本步骤中，建立完健康度预测模型后，需要根据所述系统当前的数据和所述当前的健康度，优化所述健康度预测模型。可以将所述系统当前的数据和当前的健康度直接代入健康度预测模型中的相应的回归曲线中，对所述回归曲线进行校正；也可以将所述系统当前的数据、当前的健康度、历史的数据、历史的健康度重新收集到一起，重新寻找新的规律，模拟各个因素的数据与健康度之间的关系，建立新的回归曲线，建立新的算法，更新所述健康度预测模型。

所述健康度预测模型可以是一段时间内更新优化一次，也可以是实时进行更新优化，都在本发明的保护范围之内。

在本步骤之后，还可以包括：采用取样方式对优化训练后的所述健康度预测模型进行检验。

在优化训练完所述健康度预测模型后，可以从历史的数据和历史的健康度中选取一个时刻或者一个小的时间段内的数据，代入到所述健康度预测模型，检验所述健康度预测模型是否可靠。若所述健康度预测模型是在一段时间内进行优化，则也可以从紧邻的两次优化的时间段内获取数据，代入到所述健康度预测模型，检验所述健康度预测模型的预测结果是否可靠。

在本发明提供的一个具体实施例中，在建立和优化健康度预测模型时，可以采用结合机器学习的多元回归模型，即动态基线算法。可以利用机器学习确定所述各个因素的权重或参数，再利用多元回归分析法，分析所述各个因素与健康度之间的关系，建立回归曲线，建立算法，形成健康度预测模型。

所述动态基线算法，包括：单指标基线算法和多指标基线算法。

单指标基线算法：

基线建立：通过曲线拟合算法可以建立单指标基线，所谓拟合是指已知某函数的若干离散函数值{f1,f2,…,fn}，通过调整该函数中若干待定系数f(λ1,λ2,…,λn)，使得该函数与已知点集的差别(最小二乘意义)最小。如果待定函数是线性，就叫线性拟合，否则叫作非线性拟合。表达式也可以是分段函数，这种情况下叫作样条拟合。

基线分析：如果以天为观测范围，则是将一天分成多个时段，并计算每天相同时段的指标的均值，根据指标的历史记录形成一条基线记录。例如可以生成每天24小时CPU平均利用率基线图、也可以生成每天每分钟CPU平均利用率基线。根据历史基线的值，如果当前的观测值大于对应历史记录的值，则可以发送报警信息，也可以根据当前的指标值及历史基线值预测未来时间段的指标值。

基线报警：由于指标值存在波峰与波谷，且根据通用的告警分级制，每一个告警状态都是一个区域范围，只要在区域内，就适用相应的分级。因此，单纯用动态基线值来判断指标是否异常，会产生一定的误差，造成较多的异常信息的误报，所以，可以制定动态临界区域，进行指标分级告警，具体如下：

假设前t天与待检验相同时刻的历史指标值y1,y2,y3,……,yt为样本，b为基线值，则待检验指标与基线的偏离程度可表示为：

假设下一时刻实际指标值为y_t+1则有：

当|y_t+1-b|≤s_t时，指标值状况正常，下一时刻指标值相对动态基线的偏差在允许范围内。

当s_t≤|y_t+1-b|≤2s_t时，产生提示信息，下一时刻指标值相对动态基线有较小偏差。

当2s_t≤|y_t+1-b|时，产生告警，下一时刻指标值相对动态基线有较大偏差。

多指标基线算法：可以通过具体的函数分析，确定因变量指标与自变量指标之间的关系。例如内存利用率与成交笔数、系统部署数量之间的回归关系。通过计算的结果，确定多指标的基线。基线的建立、分析、报警与单指标基线算法类似。

步骤S104：根据优化训练后的所述健康度预测模型分析预测所述系统未来的健康度。

在本步骤中，可以根据所述健康度预测模型分析预测在未来某一时刻或者一小段时间内的健康度。

在预测系统健康度时，可以直接根据时间预测健康度，也可以先预测出某一时刻或者一小段时间内的至少一个因素的数据，然后根据所述数据分析预测相应时刻的健康度。

在本步骤中，若所述系统包括核心系统和/或外围系统，则可以直接根据整个系统的健康度预测模型分析预测出系统的健康度；也可以根据先建立的核心系统健康度预测模型和/或外围系统健康度预测模型分析预测所述核心系统和/或外围系统的健康度，然后，根据所述核心系统和/或外围系统的健康度分析预测整个系统的健康度。

示例3，所述系统是指一个证劵公司的整个系统，所述系统包括：三个核心交易系统。所述核心交易系统包括：集中交易系统、融资融券交易系统、网上交易系统。在预测健康度时，可以先利用集中交易系统的健康度预测模型、融资融券交易系统的健康度预测模型、网上交易系统的健康度预测模型预测相应系统的健康度。然后，根据三个核心系统的健康度预测所述系统的硬件使用率和/或故障率。最后，根据所述硬件使用率和/或故障率预测所述整个系统的健康度。

在本步骤中，可以包括：根据所述健康度预测模型预测出在未来某一时刻或一小段时间内的健康度后，可以根据所述健康度形成所述系统在未来一小段时间内的健康趋势，使运维人员可以直观地看到所述系统的健康度变化趋势。在预测健康度时，还可以根据所述健康度预测模型预测出影响所述系统健康度的关键因素，可以使运维人员快速分析出系统不健康的主要原因，进而提前做好相关方面的准备，更好地对系统进行维护。

在本步骤之后，还可以包括：获得预测结果，并将所述预测结果输出给用户。所述预测结果可以包括：健康度、健康度趋势、影响健康的关键因素等中的一种或多种。所述健康度可以用百分数表示，也可以用汉字表示。输出给用户的所述影响健康的关键因素，可以是根据重要性进行排序的一个结果。在输出的结果中，还可以包括：对运维人员的建议。例如，如果在预测健康度时，发现某一时刻或某一时间段，系统的内存使用率很高，则可以提醒运维人员着重维护所述内存。

在本步骤之后，还可以包括：若预测到未来某一时刻或一小段时间内，系统的处于不健康状态，则发送警报。这样可以避免运维人员频繁查看健康度预测结果，可以提高工作效率。

在上述的第一实施例中，提供了一种系统健康度动态分析预测方法，与之相对应的，本申请还提供一种系统健康度动态分析预测装置。请参考图2，其为本发明第二实施例提供的一种系统健康度动态分析预测装置的示意图。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。

本发明第二实施例提供的一种系统健康度动态分析预测装置，包括：

当前的数据获取模块101，用于获取系统当前的数据；

当前的健康度确定模块102，用于根据所述当前的数据确定所述系统当前的健康度；

优化模块103，用于根据所述当前的数据和所述当前的健康度，优化根据所述系统历史的数据和历史的健康度训练而得的健康度预测模型；

分析预测模块104，用于根据优化训练后的所述健康度预测模型分析预测所述系统未来的健康度。

在本发明提供的一个具体实施例中，所述当前的数据，包括：基础监控数据、应用进程数据、日志记录的数据中的一种或多种。

在本发明提供的一个具体实施例中，所述系统，包括：核心系统和/或外围系统；

所述当前的健康度确定模块102，具体用于：

根据所述当前的数据确定所述系统中的核心系统和/或外围系统当前的健康度；

根据所述核心系统和/或外围系统当前的健康度，确定所述系统的硬件使用率和/或故障率；

根据所述硬件使用率和/或故障率，确定所述系统当前的健康度。

在本发明提供的一个具体实施例中，所述装置，还包括：模型建立模块；

所述模型建立模块，具体用于：

获取所述系统历史的数据和历史的健康度；

采用主成分分析、因子分析、聚类分析中的一种或多种组合的方式，分析所述历史的数据和历史的健康度，确定至少一个影响所述系统的健康度的关键因素；

根据所述关键因素、所述历史的数据和所述历史的健康度，采用多元回归模型和/或神经网络模型，建立健康度预测模型。

在本发明提供的一个具体实施例中，所述优化模块103，具体用于：

根据所述当前的数据和所述当前的健康度，采用多元回归模型和/或神经网络模型，优化根据所述系统历史的数据和历史的健康度训练而得的健康度预测模型。

在本发明提供的一个具体实施例中，所述装置，还包括：

检验模块，用于采用取样方式对优化训练后的所述健康度预测模型进行检验。

以上，为本发明第二实施例提供的一种系统健康度动态分析预测装置的实施例说明。

本发明提供的一种系统健康度动态分析预测装置与上述系统健康度动态分析预测方法出于相同的发明构思，具有相同的有益效果，此处不再赘述。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。需要说明的是，本发明附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

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，上述描述的系统、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。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

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单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以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机器(可以是个人计算机，服务器，或者网络机器等)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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (7)

1.一种系统健康度动态分析预测方法，其特征在于，包括：

获取系统当前的数据；

根据所述当前的数据确定所述系统当前的健康度；

根据所述当前的数据和所述当前的健康度，优化根据所述系统历史的数据和历史的健康度训练而得的健康度预测模型；

根据优化训练后的所述健康度预测模型分析预测所述系统未来的健康度；

所述根据所述当前的数据确定所述系统当前的健康度，包括：

根据所述当前的数据确定所述系统中的核心系统和/或外围系统当前的健康度；

根据所述核心系统和/或外围系统当前的健康度，确定所述系统的硬件使用率和/或故障率；

根据所述硬件使用率和/或故障率，确定所述系统当前的健康度；

所述健康度预测模型一段时间内更新优化一次，或者实时进行更新优化；

在建立和优化健康度预测模型时，采用结合机器学习的多元回归模型，即动态基线算法；利用机器学习确定各个因素的权重或参数，再利用多元回归分析法，分析所述各个因素与健康度之间的关系，建立回归曲线，建立算法，形成健康度预测模型；

所述动态基线算法，包括：单指标基线算法和多指标基线算法；

单指标基线算法：

基线建立：通过曲线拟合算法建立单指标基线，所述拟合是指已知某函数的若干离散函数值{f1,f2,…,fn}，通过调整该函数中若干待定系数f(λ1,λ2,…,λn)，使得该函数与已知点集的差别最小；

基线分析：如果以天为观测范围，则是将一天分成多个时段，并计算每天相同时段的指标的均值，根据指标的历史记录形成一条基线记录；根据历史基线的值，如果当前的观测值大于对应历史记录的值，则发送报警信息，根据当前的指标值及历史基线值预测未来时间段的指标值；

基线报警：由于指标值存在波峰与波谷，且根据通用的告警分级制，每一个告警状态都是一个区域范围，只要在区域内，就适用相应的分级；单纯用动态基线值来判断指标是否异常，会产生一定的误差，造成较多的异常信息的误报，所以，制定动态临界区域，进行指标分级告警，具体如下：

假设前t天与待检验相同时刻的历史指标值y1,y2,y3,……,yt为样本，b为基线值，则待检验指标与基线的偏离程度可表示为：

假设下一时刻实际指标值为y_t+1则有：

当|y_t+1-b|≤s_t时，指标值状况正常，下一时刻指标值相对动态基线的偏差在允许范围内；

当s_t≤|y_t+1-b|≤2s_t时，产生提示信息，下一时刻指标值相对动态基线有较小偏差；

当2s_t≤|y_t+1-b|时，产生告警，下一时刻指标值相对动态基线有较大偏差；

多指标基线算法：通过具体的函数分析，确定因变量指标与自变量指标之间的关系；基线的建立、分析、报警与单指标基线算法类似；

在所述根据所述当前的数据和所述当前的健康度，优化根据所述系统历史的数据和历史的健康度训练而得的健康度预测模型的步骤之前，还包括：

获取所述系统历史的数据和历史的健康度；

采用主成分分析、因子分析、聚类分析中的一种或多种组合的方式，分析所述历史的数据和历史的健康度，确定至少一个影响所述系统的健康度的关键因素；

根据所述关键因素、所述历史的数据和所述历史的健康度，采用多元回归模型和/或神经网络模型，建立健康度预测模型；

所述根据所述当前的数据和所述当前的健康度，优化根据所述系统历史的数据和历史的健康度训练而得的健康度预测模型，包括：

根据所述当前的数据和所述当前的健康度，采用多元回归模型和/或神经网络模型，优化根据所述系统历史的数据和历史的健康度训练而得的健康度预测模型。

2.根据权利要求1所述的系统健康度动态分析预测方法，其特征在于，所述当前的数据，包括：基础监控数据、应用进程数据、日志记录的数据中的一种或多种。

3.根据权利要求1所述的系统健康度动态分析预测方法，其特征在于，所述系统，包括：核心系统和/或外围系统。

4.根据权利要求1所述的系统健康度动态分析预测方法，其特征在于，在所述根据所述当前的数据和所述当前的健康度，优化根据所述系统历史的数据和历史的健康度训练而得的健康度预测模型的步骤之后，还包括：

采用取样方式对优化训练后的所述健康度预测模型进行检验。

5.一种系统健康度动态分析预测装置，其特征在于，包括：

当前的数据获取模块，用于获取系统当前的数据；

当前的健康度确定模块，用于根据所述当前的数据确定所述系统当前的健康度；

优化模块，用于根据所述当前的数据和所述当前的健康度，优化根据所述系统历史的数据和历史的健康度训练而得的健康度预测模型；

分析预测模块，用于根据优化训练后的所述健康度预测模型分析预测所述系统未来的健康度；

所述当前的健康度确定模块，具体用于：

根据所述当前的数据确定所述系统中的核心系统和/或外围系统当前的健康度；

根据所述核心系统和/或外围系统当前的健康度，确定所述系统的硬件使用率和/或故障率；

根据所述硬件使用率和/或故障率，确定所述系统当前的健康度；

所述健康度预测模型一段时间内更新优化一次，或者实时进行更新优化；

在建立和优化健康度预测模型时，采用结合机器学习的多元回归模型，即动态基线算法；利用机器学习确定各个因素的权重或参数，再利用多元回归分析法，分析所述各个因素与健康度之间的关系，建立回归曲线，建立算法，形成健康度预测模型；

所述动态基线算法，包括：单指标基线算法和多指标基线算法；

单指标基线算法：

基线建立：通过曲线拟合算法建立单指标基线，所述拟合是指已知某函数的若干离散函数值{f1,f2,…,fn}，通过调整该函数中若干待定系数f(λ1,λ2,…,λn)，使得该函数与已知点集的差别最小；

基线分析：如果以天为观测范围，则是将一天分成多个时段，并计算每天相同时段的指标的均值，根据指标的历史记录形成一条基线记录；根据历史基线的值，如果当前的观测值大于对应历史记录的值，则发送报警信息，根据当前的指标值及历史基线值预测未来时间段的指标值；

基线报警：由于指标值存在波峰与波谷，且根据通用的告警分级制，每一个告警状态都是一个区域范围，只要在区域内，就适用相应的分级；单纯用动态基线值来判断指标是否异常，会产生一定的误差，造成较多的异常信息的误报，所以，制定动态临界区域，进行指标分级告警，具体如下：

假设前t天与待检验相同时刻的历史指标值y1,y2,y3,……,yt为样本，b为基线值，则待检验指标与基线的偏离程度可表示为：

假设下一时刻实际指标值为y_t+1则有：

当|y_t+1-b|≤s_t时，指标值状况正常，下一时刻指标值相对动态基线的偏差在允许范围内；

当s_t≤|y_t+1-b|≤2s_t时，产生提示信息，下一时刻指标值相对动态基线有较小偏差；

当2s_t≤|y_t+1-b|时，产生告警，下一时刻指标值相对动态基线有较大偏差；

多指标基线算法：通过具体的函数分析，确定因变量指标与自变量指标之间的关系；基线的建立、分析、报警与单指标基线算法类似；

所述装置，还包括：模型建立模块；

所述模型建立模块，具体用于：

获取所述系统历史的数据和历史的健康度；

采用主成分分析、因子分析、聚类分析中的一种或多种组合的方式，分析所述历史的数据和历史的健康度，确定至少一个影响所述系统的健康度的关键因素；

根据所述关键因素、所述历史的数据和所述历史的健康度，采用多元回归模型和/或神经网络模型，建立健康度预测模型。

6.根据权利要求5所述的系统健康度动态分析预测装置，其特征在于，所述系统，包括：核心系统和/或外围系统。

7.根据权利要求5所述的系统健康度动态分析预测装置，其特征在于，所述装置，还包括：

检验模块，用于采用取样方式对优化训练后的所述健康度预测模型进行检验。

Images