CN107391341A - 一种故障预警方法及装置 - Google Patents

Abstract

本发明公开了一种故障预警方法，该方法包括以下步骤：获取设定时间段内针对目标服务器的目标监控对象的性能值序列，性能值序列中的各性能值按照时间顺序排列；确定性能值序列的变化趋势；在预先建立的预测模型库中选取与变化趋势对应的目标预测模型；根据性能值序列和目标预测模型，确定目标监控对象的性能预测值；根据性能预测值，确定是否输出针对目标监控对象的故障预警信息。应用本发明实施例所提供的技术方案，可以及时进行故障预警，为故障预处理提供前提条件，保障服务器和数据中心的正常运行，有效降低服务器故障率，减少由于服务器故障而导致的重大损失。本发明还公开了一种故障预警装置，具有相应技术效果。

Description

一种故障预警方法及装置

技术领域

本发明涉及监控技术领域，特别是涉及一种故障预警方法及装置。

背景技术

随着科学技术的发展进步，各企事业单位建立的数据中心越来越多，用于构建数据中心的服务器的数量也越来越多。服务器作为高级计算机，它拥有高速度的运算能力和强大的外部数据吞吐能力。

在数据中心中，服务器的正常运行至关重要。因为一旦服务器发生故障，将会出现服务器保存的数据丢失和用户无法访问等问题。尤其是，当发生故障的服务器为银行、购物平台或大型社交平台的数据中心的服务器时，其所带来的社会影响和经济损失是极其重大的。

目前主要是在服务器发生故障后，再由管理人员对故障进行处理，使服务器能够恢复正常工作。但是，不管故障处理的速度有多快，以及故障处理效果有多好，只要服务器发生了故障，就会对数据中心的整体运行产生或多或少的影响。

综上所述，如何有效降低服务器故障率，是目前本领域技术人员亟需解决的技术问题。

发明内容

本发明的目的是提供一种故障预警方法及装置，以及时进行故障预警，为故障预处理提供前提条件，有效降低服务器的故障率。

为解决上述技术问题，本发明提供如下技术方案：

一种故障预警方法，包括：

获取设定时间段内针对目标服务器的目标监控对象的性能值序列，所述性能值序列中的各性能值按照时间顺序排列；

确定所述性能值序列的变化趋势；

在预先建立的预测模型库中选取与所述变化趋势对应的目标预测模型；

根据所述性能值序列和所述目标预测模型，确定所述目标监控对象的性能预测值；

根据所述性能预测值，确定是否输出针对所述目标监控对象的故障预警信息。

优选地，所述变化趋势为第一变化趋势，所述在预先建立的预测模型库中选取与所述变化趋势对应的目标预测模型，包括：

在预先建立的预测模型库中选取与所述第一变化趋势对应的目标预测模型为移动预测模型；

所述第一变化趋势为：所述性能值序列中的性能值随时间的增加依次增大，或者所述性能值序列中的性能值随时间的增加依次减小。

优选地，所述变化趋势为第二变化趋势，所述在预先建立的预测模型库中选取与所述变化趋势对应的目标预测模型，包括：

在预先建立的预测模型库中选取与第二变化趋势对应的目标预测模型为指数预测模型；

所述第二变化趋势为：所述性能值序列中的性能值随时间的增加有增有减，且最大值与最小值的差值小于预设差值阈值，或最大值与最小值的比值小于预设比值阈值。

优选地，所述根据所述性能预测值，确定是否输出针对所述目标监控对象的故障预警信息，包括：

如果所述性能预测值大于预设预警值，则确定输出针对所述目标监控对象的故障预警信息。

优选地，在所述确定输出针对所述目标监控对象的故障预警信息之后，还包括：

如果在预先建立的故障知识库中查询到所述故障预警信息对应的故障处理方式，则根据所述故障处理方式进行故障预处理。

一种故障预警装置，包括：

性能值序列获取模块，用于获取设定时间段内针对目标服务器的目标监控对象的性能值序列，所述性能值序列中的各性能值按照时间顺序排列；

变化趋势确定模块，用于确定所述性能值序列的变化趋势；

目标预测模型选取模块，用于在预先建立的预测模型库中选取与所述变化趋势对应的目标预测模型；

性能预测值确定模块，用于根据所述性能值序列和所述目标预测模型，确定所述目标监控对象的性能预测值；

故障预警模块，用于根据所述性能预测值，确定是否输出针对所述目标监控对象的故障预警信息。

优选地，所述变化趋势为第一变化趋势，所述目标预测模型选取模块，具体用于：

在预先建立的预测模型库中选取与所述第一变化趋势对应的目标预测模型为移动预测模型；

所述第一变化趋势为：所述性能值序列中的性能值随着时间的依次增大，或者所述性能值序列中的性能值随着时间的增加依次减小。

优选地，所述变化趋势为第二变化趋势，所述目标预测模型选取模块，具体用于：

在预先建立的预测模型库中选取与第二变化趋势对应的目标预测模型为指数预测模型；

所述第二变化趋势为：所述性能值序列中的性能值随着时间的增加有增有减，且最大值与最小值的差值小于预设差值阈值，或最大值与最小值的比值小于预设比值阈值。

优选地，所述故障预警模块，具体用于：

如果所述性能预测值大于预设预警值，则确定输出针对所述目标监控对象的故障预警信息。

优选地，还包括故障预处理模块，用于：

如果在预先建立的故障知识库中查询到所述故障预警信息对应的故障处理方式，则根据所述故障处理方式进行故障预处理。

应用本发明实施例所提供的技术方案，首先获取设定时间段内针对目标服务器的目标监控对象的性能值序列，确定性能值序列中性能值的变化趋势。然后在预先建立的预测模型库中选取与变化趋势对应的目标预测模型，根据性能值序列的变化趋势和目标预测模型，确定目标监控对象的性能预测值。根据性能预测值，确定是否输出针对目标监控对象的故障预警信息。可以及时进行故障预警，为故障预处理提供前提条件，保障服务器和数据中心的正常运行，有效降低服务器故障率，减少由于服务器故障而导致的重大损失。

附图说明

为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例中一种故障预警方法的实施流程图；

图2为本发明实施例中故障预警方法的一种时间轴示意图；

图3为本发明实施例中一种故障预警装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅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。

请参考图1，图1为本发明实施例所提供的一种故障预警方法的实施流程图，该方法包括以下步骤：

S101、获取设定时间段内针对目标服务器的目标监控对象的性能值序列。

其中，性能值序列中的各性能值按照时间顺序排列。

在本发明实施例中，目标服务器为数据中心中的任意一台待监控的服务器。可以预先设定目标服务器中的多种监控对象，如CPU使用率、CPU温度、内存使用率、硬盘使用率等。

通过监控插件利用SNMP(Simple Network Management Protocol，简单网络管理协议)、AGENT技术或IPMI(Intelligent Platform Management Interface，智能平台管理接口)等，可以对目标服务器的目标监控对象进行监控，获得目标监控对象的性能值。进而可以获取设定时间段内针对目标服务器的目标监控对象的性能值序列。性能值序列中的各性能值按照时间顺序排列。

目标监控对象为目标服务器中的多种监控对象中的一种。设定时间段为当前时刻之前的一个时间段，具体可以根据实际情况进行设定和调整，本发明实施例对此不做限制。

在实际应用中，考虑到访问量较高时，服务器更容易出现异常，可以在目标服务器的访问量达到设定的某一值时，获取该时刻之前设定时间段内针对目标监控对象的性能值序列。

S102、确定性能值序列的变化趋势。

在步骤S101获取到的设定时间段内目标监控对象的性能值序列包括多个性能值，各性能值按照时间顺序排列，根据各性能值的大小，可以确定性能值序列的变化趋势。如性能值序列中的各序列值随着时间的增加而增大，或者性能值序列中的各序列值随着时间的增加而减小，或者，性能值序列中的性能值随着时间的增加有增有减，且最大值与最小值的差值小于预设差值阈值，或者，性能值序列中的性能值随着时间的增加有增有减，且最大值与最小值的比值小于预设比值阈值。

S103、在预先建立的预测模型库中选取与变化趋势对应的目标预测模型。

在本发明实施例中，可以预先建立一个预测模型库。在预测模型库包含有移动预测模型和指数预测模型。其中移动预测模型又分为简单移动平均模型和加权移动平均模型。

在简单移动平均模型中，各个元素的权重都相等。简单移动平均模型的算法具体为：

F_t＝(A_t-1+A_t-2+A_t-3+…+A_t-n)/n；

其中，F_t为未来t时刻的预测值；

n为进行移动平均计算的元素个数；

A_t-1、A_t-2、A_t-3、……、A_t-n分别为前期t-1时刻、前期t-2时刻、前期t-3时刻、……、前期t-n时刻各元素的实际值。

在加权移动平均模型中，固定跨越期限内的每个元素具有不同的权重。其原理是各时期元素的数据信息对未来预测权重是不同的。例如，在预测第二天的气温大致为多少度时，可以参考最近一周或最近一个月的温度变化趋势，而不会去参考十年前或二十年前的温度变化趋势，因为环境是变化的所以每个时期的数据对未来预测的权重不同。一般来说，远离预测时间的数据对预测的作用越小，而越接近预测时间的数据对预测的作用越大。

加权移动平均模型的算法具体为：

F_t＝w₁*A_t-1+w₂*A_t-2+w₃*A_t-3+…+w_n*A_t-n；

其中，F_t为未来t时刻的预测值；

n为进行移动平均计算的元素个数；

A_t-1、A_t-2、A_t-3、……、A_t-n分别为前期t-1时刻、前期t-2时刻、前期t-3时刻、……、前期t-n时刻各元素的实际值。

w₁、w₂、w₃、……、w_n分别为前期t-1时刻、前期t-2时刻、前期t-3时刻、……、前期t-n时刻各元素的权重，且w₁+w₂+…+w_n＝1，即各个元素的权重大小值之和为1。具体权重可以根据实际情况进行设定和调整。

在指数预测模型中，各个元素的数值无明显的趋势变化。指数预测模型的算法具体为：

y_t+1'＝ay_t+(1-a)y_t'；

其中，y_t+1'为未来t+1时刻的预测值，即当前时刻t的平滑值S_t；

y_t为当前t时刻的实际值；

y_t'为当前t时刻的预测值，即上一时刻的平滑值S_t-1。

a为平滑常数，其取值范围为[0,1]区间内，具体数值可以根据实际情况进行设定和调整，本发明实施例对此不做限制。

在确定性能值序列的变化趋势后，可以在预测模型库中选取与该变化趋势对应的目标预测模型。

在本发明的一个实施例中，变化趋势为第一变化趋势，在预先建立的预测模型库中选取与第一变化趋势对应的目标预测模型为移动预测模型；第一变化趋势为：性能值序列中的性能值随时间的增加依次增大，或者性能值序列中的性能值随时间的增加依次减小。

当确定性能值序列的变化趋势为第一变化趋势，即性能值序列中的性能值随时间的增加依次增大，或者性能值序列中的性能值随时间的增加依次减小时，可以在预先建立的预测模型库中选取与第一变化趋势对应的目标预测模型为移动预测模型。具体的，可选用移动预测模型中的简单移动平均模型或加权移动平均模型。

在本发明的另一个实施例中，变化趋势为第二变化趋势，可以在预先建立的预测模型库中选取与第二变化趋势对应的目标预测模型为指数预测模型。第二变化趋势为：性能值序列中的性能值随时间的增加有增有减，且最大值与最小值的差值小于预设差值阈值，或最大值与最小值的比值小于预设比值阈值。

当确定性能值序列的变化趋势为第二变化趋势，即性能值序列中的性能值随时间的增加有增有减，且最大值与最小值的差值小于预设差值阈值，或最大值与最小值的比值小于预设比值阈值时，在预先建立的预测模型库中选取与第二变化趋势对应的目标预测模型为指数预测模型。

需要说明的是，差值阈值和比值阈值可以根据实际情况进行设定和调整。

在预测模型库中选取出目标预测模型后，可以继续执行步骤S104的操作。

S104、根据性能值序列和目标预测模型，确定目标监控对象的性能预测值。

在本发明实施例中，获取到性能值序列及选取出目标预测模型后，可以根据性能值序列和目标预测模型，确定目标监控对象的性能预测值，即利用目标预测模型对性能值序列进行分析计算，得到的未来某时刻目标监控对象的性能值。

比如，性能值序列的变化趋势为第一变化趋势，选取的目标预测模型为加权移动平均模型，将性能值序列中的各性能值代入到加权移动平均模型的算法公式中，即可得到性能预测值。

为便于理解，以图2所示时间轴为例对本发明实施例进行详细说明。所获取性能值序列为当前时刻t₀之前时刻t₁至时刻t₂时间段Δt内各时刻目标监控对象的性能值构成的序列。利用目标预测模型对该性能值序列进行分析计算，即可得到当前时刻t₀之后未来时刻t₃对应的目标监控对象的性能预测值。

S105、根据性能预测值，确定是否输出针对目标监控对象的故障预警信息。

在本实施例中，得到性能预测值后，可以根据性能预测值，确定是否输出针对目标监控对象的故障预警信息。因为性能预测值为预测未来时刻的性能值，所以可以进一步根据性能预测值，确定是否针对目标监控对象进行故障预警。

在本发明的一个实施例中，步骤S105可以包括以下步骤：

如果性能预测值大于预设预警值，则确定输出针对目标监控对象的故障预警信息。

在本实施例中，可以预设一个预警值，将性能预测值与预警值进行比较，如果性能预测值大于预警值，则确定输出针对目标监控对象的故障预警信息。进而可以输出相应的故障预警信息。具体的，可以将性能预测值输出给管理员，或者，可以通过声光报警等方式输出故障预警信息。

预警值可以根据实际情况进行设定和调整，不同监控对象的预警值可以不同。

在本发明的一个实施例中，在步骤S105之后还可以包括以下步骤：

如果在预先建立的故障知识库中查询到故障预警信息对应的故障处理方式，则根据故障处理方式进行故障预处理。

在本实施例中，可以预先建立故障知识库，以存储各种故障和对应的故障处理方式等信息。这些信息可以是在管理人员实际进行故障处理时获得的。

在确定输出针对目标监控对象的故障预警信息之后，可以在故障知识库中查询故障预警信息对应的故障处理方式。

如果查询到，则可以根据故障处理方式自动进行故障预处理。例如，在根据性能预测值确定可能发生的故障为服务器异常停止时，通过查询故障知识库，得到该故障对应的故障处理方式为重启操作，则可以根据该故障处理方式编写重启服务器的脚本，并利用该脚本重启服务器，直接避免服务器异常停止。

在故障知识库中存储有大量的故障和对应的故障处理方式的情况下，可实现对故障预警自动化处理。或者，在故障知识库中查询到故障预警信息对应的故障处理方式后，可以输出该故障处理方式，为管理员处理故障提供依据。

如果在故障知识库中没有查询到故障预警信息对应的故障处理方式，则可以先在故障知识库中保存故障预警信息对应的故障，进而在管理员基于该故障预警信息进行故障处理后，接收管理员的反馈信息，得到相应的故障处理方式，并根据该故障处理方式更新故障知识库。以便再次出现该故障预警信息时，能够依据相应的故障处理方式自动进行故障预处理。

应用本发明实施例所提供的方法，首先获取设定时间段内针对目标服务器的目标监控对象的性能值序列，确定性能值序列中性能值的变化趋势。然后在预先建立的预测模型库中选取与变化趋势对应的目标预测模型，根据性能值序列的变化趋势和目标预测模型，确定目标监控对象的性能预测值。根据性能预测值，确定是否输出针对目标监控对象的故障预警信息。可以及时进行故障预警，为故障预处理提供前提条件，保障服务器和数据中心的正常运行，有效降低服务器故障率，减少由于服务器故障而导致的重大损失。

相应于上面的方法实施例，本发明实施例还提供了一种故障预警装置，下文描述的一种故障预警装置与上文描述的一种故障预警方法可相互对应参照。

参见图3所示，该装置包括以下模块：

性能值序列获取模块201，用于获取设定时间段内针对目标服务器的目标监控对象的性能值序列，性能值序列中的各性能值按照时间顺序排列；

变化趋势确定模块202，用于确定性能值序列的变化趋势；

目标预测模型选取模块203，用于在预先建立的预测模型库中选取与变化趋势对应的目标预测模型；

性能预测值确定模块204，用于根据性能值序列和目标预测模型，确定目标监控对象的性能预测值；

故障预警模块205，用于根据性能预测值，确定是否输出针对目标监控对象的故障预警信息。

应用本发明实施例所提供的装置，首先获取设定时间段内针对目标服务器的目标监控对象的性能值序列，确定性能值序列中性能值的变化趋势。然后在预先建立的预测模型库中选取与变化趋势对应的目标预测模型，根据性能值序列的变化趋势和目标预测模型，确定目标监控对象的性能预测值。根据性能预测值，确定是否输出针对目标监控对象的故障预警信息。可以及时进行故障预警，为故障预处理提供前提条件，保障服务器和数据中心的正常运行，有效降低服务器故障率，减少由于服务器故障而导致的重大损失。

在本发明的一种具体实施方式中，变化趋势为第一变化趋势，目标预测模型选取模块203，具体用于：

在预先建立的预测模型库中选取与第一变化趋势对应的目标预测模型为移动预测模型；

第一变化趋势为：性能值序列中的性能值随着时间的依次增大，或者性能值序列中的性能值随着时间的增加依次减小。

在本发明的一种具体实施方式中，变化趋势为第二变化趋势，目标预测模型选取模块203，具体用于：

在预先建立的预测模型库中选取与第二变化趋势对应的目标预测模型为指数预测模式；

第二变化趋势为：性能值序列中的性能值随着时间的增加有增有减，且最大值与最小值的差值小于预设差值阈值，或最大值与最小值的比值小于预设比值阈值。

在本发明的一种具体实施方式中，故障预警模块205，具体用于：

如果性能预测值大于预设预警值，则确定输出针对目标监控对象的故障预警信息。

在本发明的一种具体实施方式中，还包括故障预处理模块，用于：

如果在预先建立的故障知识库中查询到故障预警信息对应的故障处理方式，则根据故障处理方式进行预处理。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的装置相对应，所以描述的比较简单，相关之处参见装置部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同装置来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的装置或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种故障预警方法，其特征在于，包括：

获取设定时间段内针对目标服务器的目标监控对象的性能值序列，所述性能值序列中的各性能值按照时间顺序排列；

确定所述性能值序列的变化趋势；

在预先建立的预测模型库中选取与所述变化趋势对应的目标预测模型；

根据所述性能值序列和所述目标预测模型，确定所述目标监控对象的性能预测值；

根据所述性能预测值，确定是否输出针对所述目标监控对象的故障预警信息。

2.根据权利要求1所述的故障预警方法，其特征在于，所述变化趋势为第一变化趋势，所述在预先建立的预测模型库中选取与所述变化趋势对应的目标预测模型，包括：

在预先建立的预测模型库中选取与所述第一变化趋势对应的目标预测模型为移动预测模型；

所述第一变化趋势为：所述性能值序列中的性能值随时间的增加依次增大，或者所述性能值序列中的性能值随时间的增加依次减小。

3.根据权利要求1所述的故障预警方法，其特征在于，所述变化趋势为第二变化趋势，所述在预先建立的预测模型库中选取与所述变化趋势对应的目标预测模型，包括：

在预先建立的预测模型库中选取与第二变化趋势对应的目标预测模型为指数预测模型；

所述第二变化趋势为：所述性能值序列中的性能值随时间的增加有增有减，且最大值与最小值的差值小于预设差值阈值，或最大值与最小值的比值小于预设比值阈值。

4.根据权利要求1-3之中任意一项所述的故障预警方法，其特征在于，所述根据所述性能预测值，确定是否输出针对所述目标监控对象的故障预警信息，包括：

如果所述性能预测值大于预设预警值，则确定输出针对所述目标监控对象的故障预警信息。

5.根据权利要求4所述的故障预警方法，其特征在于，在所述确定输出针对所述目标监控对象的故障预警信息之后，还包括：

如果在预先建立的故障知识库中查询到所述故障预警信息对应的故障处理方式，则根据所述故障处理方式进行故障预处理。

6.一种故障预警装置，其特征在于，包括：

性能值序列获取模块，用于获取设定时间段内针对目标服务器的目标监控对象的性能值序列，所述性能值序列中的各性能值按照时间顺序排列；

变化趋势确定模块，用于确定所述性能值序列的变化趋势；

目标预测模型选取模块，用于在预先建立的预测模型库中选取与所述变化趋势对应的目标预测模型；

性能预测值确定模块，用于根据所述性能值序列和所述目标预测模型，确定所述目标监控对象的性能预测值；

故障预警模块，用于根据所述性能预测值，确定是否输出针对所述目标监控对象的故障预警信息。

7.根据权利要求6所述的故障预警装置，其特征在于，所述变化趋势为第一变化趋势，所述目标预测模型选取模块，具体用于：

在预先建立的预测模型库中选取与所述第一变化趋势对应的目标预测模型为移动预测模型；

所述第一变化趋势为：所述性能值序列中的性能值随着时间的依次增大，或者所述性能值序列中的性能值随着时间的增加依次减小。

8.根据权利要求6所述的故障预警装置，其特征在于，所述变化趋势为第二变化趋势，所述目标预测模型选取模块，具体用于：

在预先建立的预测模型库中选取与第二变化趋势对应的目标预测模型为指数预测模型；

所述第二变化趋势为：所述性能值序列中的性能值随着时间的增加有增有减，且最大值与最小值的差值小于预设差值阈值，或最大值与最小值的比值小于预设比值阈值。

9.根据权利要求6-8之中任意一项所述的故障预警装置，其特征在于，所述故障预警模块，具体用于：

如果所述性能预测值大于预设预警值，则确定输出针对所述目标监控对象的故障预警信息。

10.根据权利要求9所述的故障预警装置，其特征在于，还包括故障预处理模块，用于：

如果在预先建立的故障知识库中查询到所述故障预警信息对应的故障处理方式，则根据所述故障处理方式进行故障预处理。