CN107885637A - 一种服务器异常检测方法及装置 - Google Patents

一种服务器异常检测方法及装置 Download PDF

Info

Publication number
CN107885637A
CN107885637A CN201711096603.6A CN201711096603A CN107885637A CN 107885637 A CN107885637 A CN 107885637A CN 201711096603 A CN201711096603 A CN 201711096603A CN 107885637 A CN107885637 A CN 107885637A
Authority
CN
China
Prior art keywords
server
exception
video image
abnormal
bmc
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
Application number
CN201711096603.6A
Other languages
English (en)
Other versions
CN107885637B (zh
Inventor
莫洪强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
New H3C Information Technologies Co Ltd
Original Assignee
Unis Huashan Information Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Unis Huashan Information Technologies Co Ltd filed Critical Unis Huashan Information Technologies Co Ltd
Priority to CN201711096603.6A priority Critical patent/CN107885637B/zh
Publication of CN107885637A publication Critical patent/CN107885637A/zh
Application granted granted Critical
Publication of CN107885637B publication Critical patent/CN107885637B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/324—Display of status information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种服务器异常检测方法及装置，所述方法包括：获取用于表征服务器状态的视频图像；对所述视频图像进行图像识别；若识别出所述服务器异常，则处理所述异常。由于设备可根据获取到的视频图像进行图像识别，通过图像识别，自动识别出服务器异常与否以及服务器异常的类型，并且自动处理该异常，这种自动化智能化的技术大大提高了服务器异常检测效率，同时还大大提升了用户体验。

Description

一种服务器异常检测方法及装置
技术领域
本申请涉及计算机通信领域，尤其涉及一种服务器异常检测方法及装置。
背景技术
KVM(Keyboard Video Mouse，键盘、视频、鼠标)设备可以通过管理网络查看服务器的界面，并对其进行鼠标和键盘操作。
在由KVM设备、BMC(Baseboard Management Controller，基板管理控制器)以及服务器组成的系统中，通常服务器可将包含该服务器的界面的视频信号输出给BMC，由BMC对该视频信号进行编码。BMC可将编码后的视频信号发送给KVM设备，KVM设备可对该视频信号进行解码并播放给用户看，使得用户可以看到服务器的界面。
在检测服务器是否异常时，可以通过KVM设备上播放的视频来判断服务器是否异常。然而，在现有的异常判断中，通常需要人工通过观看KVM设备播放的视频来判断服务器出现了何种异常，同时，还需要人工操作KVM设备向BMC发送消息去处理服务器的异常，从而大大降低服务器异常检测效率。
发明内容
有鉴于此，本申请提供一种服务器异常检测的方法及装置，用以提高服务器异常检测的效率。
具体地，本申请是通过如下技术方案实现的：
根据本申请的第一方面，提供一种服务器异常检测方法，所述方法包括：
获取用于表征服务器状态的视频图像；
对所述视频图像进行图像识别；
若识别出所述服务器异常，则处理所述异常。
可选的，所述对所述视频图像进行图像识别，包括：
对所述视频图像的N个特征进行预先指定的处理得到N个处理结果；N为大于0的整数；
将所述N个处理结果输入预设分类模型进行图像识别；
所述识别出所述服务器异常，包括：
获取所述预设分类模型输出的针对所述N个处理结果的结果识别参数；
若所述结果识别参数包含于预设的表征服务器异常的参数集合中，则确定所述服务器异常。
可选的，所述方法应用于键盘、显示和鼠标KVM设备；
所述处理异常包括：
确定所述异常所属的异常类别；
将所述异常类别上报至所述KVM设备相连的基板管理控制器BMC，以使BMC根据所述异常类别对应的异常处理方式处理异常。
可选的，识别出所述服务器异常后，所述方法还包括：
储存所述服务器的异常信息；和/或，
向用户终端发出异常告警提示。
可选的，所述方法应用于BMC；
所述处理异常包括：
确定所述异常所属的异常类别；
确定所述异常类别对应的异常处理方式；
按照所述异常处理方式处理异常。
可选的，识别出所述服务器异常后，所述方法还包括：
储存所述服务器的异常信息；
向所述BMC相连的KVM设备发送异常通知，以使所述KVM设备向用户发出异常告警提示。
可选的，所述异常信息包括所述视频图像中的预设区域中的字符串、该视频图像的图像信息、以及已录制的包含该视频图像的视频。
根据本申请的第二方面，提供一种服务器异常检测装置，所述装置包括：
获取单元，用于获取用于表征服务器状态的视频图像；
识别单元，用于对所述视频图像进行图像识别；
处理单元，用于若识别出所述服务器异常，则处理所述异常。
可选的，具体用于对所述视频图像的N个特征进行预先指定的处理得到N个处理结果；N为大于0的整数；将所述N个处理结果输入预设分类模型进行图像识别；
所述处理单元，还用于获取所述预设分类模型输出的针对所述N个处理结果的结果识别参数；若所述结果识别参数包含于预设的表征服务器异常的参数集合中，则确定所述服务器异常。
可选的，所述装置应用于键盘、显示和鼠标KVM设备；
所述处理单元，具体用于确定所述异常所属的异常类别；将所述异常类别上报至所述KVM设备相连的基板管理控制器BMC，以使BMC根据所述异常类别对应的异常处理方式处理异常。
可选的，所述装置还包括：
存储单元，用于储存所述服务器的异常信息；
告警单元，用于向用户终端发出异常告警提示。
可选的，所述装置应用于BMC；
所述处理单元具体用于确定所述异常所属的异常类别；确定所述异常类别对应的异常处理方式；按照所述异常处理方式处理异常。
可选的，所述装置还包括：
储存单元，用于储存所述服务器的异常信息；
通知单元，用于向所述BMC相连的KVM设备发送异常通知，以使所述KVM设备向用户发出异常告警提示。
可选的，所述异常信息包括所述视频图像中的预设区域中的字符串、该视频图像的图像信息、以及已录制的包含该视频图像的视频。
本申请提出一种服务器异常检测方法，通过获取用于表征服务器状态的视频图像，并对该视频图像进行识别，若识别出服务器异常，则处理所处异常。
KVM设备或者BMC根据获取到的视频图像进行图像识别，通过图像识别，自动识别出服务器异常与否以及服务器异常的类型，并且自动处理该异常，这种自动化智能化的技术大大提高了服务器异常检测效率，同时还大大提升了用户体验。
附图说明
图1是本申请一示例性实施例示出的一种KVM系统的组网架构示意图；
图2是本申请一示例性实施例示出的一种服务器异常检测方法的流程图；
图3是本申请一示例性实施例示出的基于BP网络的分类模型；
图4是本申请一示例性实施例示出的另一种服务器异常检测方法的流程图；
图5是本申请一示例性实施例示出的一种服务器异常检测装置所在设备的硬件结构图；
图6是本申请一示例性实施例示出的一种服务器检测装置的框图；
图7是本申请一示例性实施例示出的另一种服务器检测装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
参见图1，图1是本申请一示例性实施例示出的一种KVM系统的组网架构示意图。该KVM系统包括KVM设备，BMC以及服务器。
其中，上述KVM设备，可以包括搭载了KVM客户端的设备。KVM客户端可以实时显示表征服务器界面的视频图像。用户可以通过KVM客户端查看远端服务器的界面，并可通过该KVM客户端进行鼠标、键盘操作。
上述BMC，是服务器的管理单元，可对服务器进行监控和管理。通常，该BMC一般安装在服务器内。
服务器的CPU(Central Processing Unit，中央处理器)可将视频信号输出给显卡，然后由显卡输出给BMC，BMC对视频信号编码后可通过网络发送到KVM设备。由KVM设备进行解码播放给用户看，这样用户就可以在KVM设备上看到服务器的界面的视频图像。此外，KVM设备会将用户对KVM设备的鼠标和键盘操作通过网络传送给BMC，BMC再通过USB(Universal Serial Bus，通用串行总线)协议传送给CPU。这样用户在KVM设备上不仅能看到服务器界面，而且能对服务器进行操作。
通常服务器界面可以表征出服务器的状态，比如服务器界面为黑屏、蓝屏或者花屏时，可以表示出服务器异常。因此可以通过KVM设备上显示的服务器界面的视频图像来判断服务器是否异常。
然而，在相关的机制中，通常需要人工查看KVM设备上显示的视频图像来判断服务器是否异常，同时，还需要人工操作KVM设备向BMC发送消息去处理服务器的异常，因此大大降低了服务器异常检测效率。
本申请旨在提出一种服务器异常检测方法，通过获取用于表征服务器状态的视频图像，并对该视频图像进行识别，若识别出服务器异常，则处理所处异常。
KVM设备或者BMC根据获取到的视频图像进行图像识别，通过图像识别，自动识别出服务器异常与否以及服务器异常的类型，并且自动处理该异常，这种自动化智能化的技术大大提高了服务器异常检测效率，同时还大大提升了用户体验。
参见图2，图2是本申请一示例性实施例示出的服务器异常检测方法的流程图；该方法可应用于KVM设备，该流程可包括步骤201至步骤203。
步骤201：KVM设备获取用于表征服务器状态的视频图像。
在本申请实施例中，服务器可将表征该服务器界面的视频流通过BMC发送至KVM设备。KVM设备在接收到该视频流后，可获取用于表征服务器界面的视频图像。该表征服务器界面的视频图像还可表征服务器状态。
在一种可选的方式中，KVM设备可获取该视频流中的每一帧图像，作为用于表征服务器状态的视频图像。
为了减少KVM设备的图像识别的图像数量，以及减少KVM设备的工作负荷，在另一种可选的实现方式中，KVM设备在接收到某一帧视频图像后，可判断该帧视频图像是否与上一帧视频图像相同，如果不同，则获取当前帧的视频图像作为用于表征服务器状态的视频图像。这里只是对获取用于表征服务器状态的视频图像进行示例性地说明，不对其进行具体地限定。
对于判断该帧视频图像是否与上一帧视频图像是否相同，可通过多种方式实现。例如，KVM设备可通过比较该帧视频图像与上一帧视频图像的特征是否相同来进行判断。当然KVM设备也可通过该帧视频图像与上一帧视频图像进行像素相减等本领域人员可知的方式来判断。这里只是对该判断方式进行示例性地说明，不对其进行具体地限定。
步骤202：KVM设备可对所述视频图像进行图像识别。
在本申请实施例中，在KVM设备获取到上述视频图像后，KVM设备可对该视频图像进行图像识别。
在一种可选的实现方式中，KVM设备上搭载有分类模型，KVM设备可基于该分类模型完成上述视频图像的图像识别。
该分类模型可以为基于深度学习算法搭建的分类模型，如基于BP(BackPropagation，反向传播)网络的分类模型、SVM(Support Vector Machine，支持向量机)等等。
当然该分类模型还可以是基于模板匹配的传统分类模型。这里只是对分类模型进行示例性地说明，不对其进行具体地限定。
下面以基于BP网络的分类模型(这里简称为BP模型)为例，对上述视频图像的图像识别进行具体地介绍。
参见图3，图3是本申请一示例性实施例示出的基于BP网络的分类模型。
该BP模型可以为采用N*(2N+1)*M的3层BP网络作为BP模型。其中，N表示输入的特征数量，M表示输出的神经元个数。
例如，假设针对每一帧视频图像的提取4个特征，分别为均值、方差、能量和熵。
假设服务器可出现4种代表服务器状态的视频图像。如表征服务器异常的蓝屏图像、花屏图像、黑屏图像，以及表征服务器正常的正常图像。
假设以BP模型输出结果识别参数，该结果识别参数由两位二进制组成，分别表上上述四种类型。如结果识别参数00表示蓝屏，01表示黑屏，10表示花屏以及11表示正常。
由此可知，输入该BP模型的特征数量为4个，输出分类结果有4种，需要用2位2进制来表示这四种结果，则可确定N＝4，M＝2。则将这三个参数代入N*(2N+1)*M，可得到BP模型的网络结构为4*9*2结构，即输入层有4个神经元、中间层有9个神经元、输出层有2个神经元。
BP模型可采用有监督的方法来进行训练，通过将标定了结果识别参数的图像特征样本对该BP模型进行训练，具体的训练方式可参见本领域技术人员熟知的训练方式。该结果识别参数可以由数字组成，当然也可由字符串等组成，这里不对其进行具体地限定。该结果识别参数可指示服务器是否异常，以及该服务器的异常类型。
在介绍完上述分类模型后，下面对如何使用上述分类模型来进行服务器异常的识别进行详细地介绍。
当KVM设备获取到表征服务器状态的视频图像后，为了减少KVM设备进行服务器异常检测的计算量，KVM设备可对获取的视频图像进行预处理。例如，该预处理可包括灰度化处理，当然还可包括其他的预处理方式，这里只是对预处理进行示例性说明，不对其进行具体地限定。
然后，KVM设备可在预处理后的视频图像上提取N个特征。当然，KVM设备还可在未进行预处理的视频图像上提取N个特征。N为大于0的整数
例如，KVM设备可提取该灰度化处理后的视频图像的均值、方差、能量和熵这4个特征。
如，图像灰度的一阶概率分布如下：
其中，b表示视频图像的像素的灰度值，可为0到255的整数值，n可为图像中的总像素，n(b)可为该窗口内灰度值为b的像素数，则该视频图像的提取的特征如下所示：
均值：
方差：
能量：
熵：
其中，L表示灰度级，通常为28，这里不对该数值做具体地限定。
当然，均值、方差、能量和熵只是对提取的特征进行示例性地说明，当然提取的特征还可以是其他特征，比如纹理特征、形状特征等。这里不对提取的特征进行特别地限定。
在提取到上述N个特征后，KVM设备可对提取到的N个特征进行预先指定的处理，得到N个处理结果。该预先指定的处理的方法有很多种，这里不对预先指定的处理的方式进行具体地限定。
例如，KVM设备可通过如下所示的线性变换函数，将上述特征的特征值进行归一化处理，使得变换后的特征的特征值位于[-1,1]的区间内。
y＝(x-Min)/(Max-Min)；
其中，x为线性变换前的特征值，y为线性变换后的特征值，max为作为训练BP模型的样本特征的特征值的最大值，min为作为训练BP模型的样本特征的特征值的最小值。
例如，KVM设备可采用上述公式，对上述均值、方差、能量和熵这4个特征的特征值进行归一化处理，将这4个特征的特征值变换在[-1,1]的区间内，得到4个归一化处理的处理结果。
KVM设备可将经过预先指定的处理的特征的N个处理结果输入上述已建立的分类模型(如BP模型)进行图像识别，然后该分类模型可输出结果识别参数。
其中，该结果识别参数可指示视频图像是否为表示服务器异常的视频图像，以及表示服务器异常的视频图像的类型。
例如，假设KVM设备将从蓝屏的视频图像上提取的特征输入该分类模型，则该分类模型可输出00，将从黑屏的视频图像上提取的特征输入该分类模型，则该分类模型可输出01，将从花屏的视频图像上提取的特征输入该分类模型，则该分类模型可输出10，将从正常的视频图像上提取的特征输入该分类模型，则该分类模型可输出11。
在得到该分类模型输出的结果识别参数后，KVM设备可基于该结果识别参数判断服务器是否异常。
在实现时，通常KVM设备里预先储存有表示服务器异常的参数集合。KVM可该分类模型输出的结果识别参数是否包含于该表示服务器异常的参数集合，如果是，KVM设备可确定该服务器异常。如果否，KVM设备可确定服务器正常。
例如，KVM设备里预先储存的表示服务器异常的参数集合可为{00,01,10}。
如果上述分类模型输出的结果识别参数是01时，由于01包含于上述参数集合，所以KVM设备可判断服务器异常。如果上述分类模型输出的结果识别参数是11时，由于11未包含于上述参数集合，所以KVM设备可判断服务器正常。
步骤203：KVM设备若识别出所述服务器异常，则处理所述异常。
在本申请实施例中，当KVM设备判定服务器异常后，KVM设备还可进一步确定该异常所属的异常类型。
在实现时，KVM设备可基于上述分类模型输出的结果识别参数，确定该异常的异常类型。
具体地，KVM设备维护了结果识别参数、异常类型的对应关系。KVM设备可以以上述分类模型输出的结果识别参数为关键字，在该结果识别参数和异常类型的对应关系中，查找与该关键字对应的异常类型。
例如，KVM设备维护的结果识别参数、异常类型的对应关系，如表1所示：
结果识别参数 00 01 10
异常类型 蓝屏 黑屏 花屏
表1
当分类模型输出的结果识别参数为00时，KVM设备可在表1中查找与00对应的异常类型，在本例中，KVM设备可确定该服务器异常的异常类型为蓝屏。
在确定该异常所属的异常类别后，KVM设备可将上述异常类别上报至于该KVM设备相连的BMC，由BMC根据该异常类别对应的异常处理方式对服务器进行异常处理。
具体地，BMC上预先维护有服务器的异常类型、异常处理方式的对应关系。在接收到KVM设备上报的服务器的异常类型后，BMC可在该异常类型、异常处理方式的对应关系中，查找与KVM设备上报的异常类型对应的异常处理方式，然后依据该异常处理方式对该服务器进行异常处理。
例如，当BMC接收到KVM设备发送的针对服务器1的异常类型为黑屏的消息时，BMC可在上述异常类型、异常处理方式的对应关系中，查找与黑屏这种异常类型对应的异常处理方式。假设查找到的异常处理方式是对服务器进行重启。BMC可依据该异常处理方式向服务器1发送重启指令，以使服务器1进行重启操作。
在本申请实施例中，为了方便用户后续基于服务器的异常信息分析服务器的健康状况，并对服务器进行优化。KVM设备在确定服务器异常后，还可收集服务器的异常信息。
该异常信息可通过如下方式中的一种或者几种的组合进行收集。
例如，KVM设备可识别该表示服务器异常的视频图像中的预设区域中的字符串，比如，该视频图像的弹框中的字符串，如弹框中所显示的错误代码等。KVM设备还可收集与该视频图像相关的图像信息，该图像信息可包括该视频图像、上述分类模型针对该视频图像输出的结果识别参数以及该视频图像所指示的服务器的异常类别，该视频图像所属的服务器的IP地址等。KVM设备可将该识别出的字符串以及与该图像信息进行保存。
KVM设备还可录制包含该表示服务器异常的视频图像的视频。
例如，KVM设备在接收到服务器发送的第一帧视频图像时起，开始录制视频。当上述KVM设备接收到某一帧视频图像，并通过对该帧视频图像进行识别，检测出服务器异常后，KVM设备可保存识别出服务器异常时之前的预设时长的已录制的视频，并将该已录制的视频作为异常信息进行保存。
在收集该服务器的异常信息后，KVM设备可将该异常信息保存在本地，或者保存在与相连的BMC上，或者保存在与本地相连的服务器上，或者保存在远端的存储服务器上，这里不对异常信息储存的位置进行特别地限定。
此外，为了方便用户可以实时获取服务器的异常情况。KVM设备在识别出该服务器异常后，可以短信的方式、邮件的方式或者二维码的方式，将告警信息发送至用户终端设备。该告警信息可包括上述异常信息或者该异常信息的链接等。
参见图4，图4是本申请一示例性实施例示出的服务器异常检测方法的流程图；该方法可应用于BMC，该流程可包括步骤401至步骤403。
步骤401：BMC获取用于表征服务器状态的视频图像。
在本申请实施例中，服务器可将表征该服务器界面的视频流发送给BMCBMC在接收到该视频流后，可获取用于表征服务器界面的视频图像。该表征服务器界面的视频图像还可表征服务器状态。
在一种可选的方式中，BMC可获取该视频流中的每一帧图像，作为用于表征服务器状态的视频图像。
为了减少BMC的图像识别的图像数量，以及减少BMC的工作负荷，在另一种可选的实现方式中，BMC在接收到某一帧视频图像后，可判断该帧视频图像是否与上一帧视频图像相同，如果不同，则获取当前帧的视频图像作为用于表征服务器状态的视频图像。这里只是对获取用于表征服务器状态的视频图像进行示例性地说明，不对其进行具体地限定。
对于判断该帧视频图像是否与上一帧视频图像是否相同，可通过多种方式实现。例如，BMC可通过比较该帧视频图像与上一帧视频图像的特征是否相同来进行判断。当然BMC也可通过该帧视频图像与上一帧视频图像进行像素相减等本领域人员可知的方式来判断。这里只是对该判断方式进行示例性地说明，不对其进行具体地限定。
步骤402：BMC可对所述视频图像进行图像识别。
在本申请实施例中，在BMC获取到上述视频图像后，BMC可对该视频图像进行图像识别。
在一种可选的实现方式中，BMC上搭载有分类模型，BMC可基于该分类模型完成上述视频图像的图像识别。
该分类模型可以为基于深度学习算法搭建的分类模型，如基于BP(BackPropagation，反向传播)网络的分类模型、SVM(Support Vector Machine，支持向量机)等等。
当然该分类模型还可以是基于模板匹配的传统分类模型。这里只是对分类模型进行示例性地说明，不对其进行具体地限定。如上述分类模型可以为步骤202中详细介绍的BP模型，这里不再赘述。
当BMC获取到表征服务器状态的视频图像后，为了减少BMC进行服务器异常检测的计算量，BMC可对获取的视频图像进行预处理。例如，该预处理可包括灰度化处理，当然还可包括其他的预处理方式，这里只是对预处理进行示例性说明，不对其进行具体地限定。
然后，BMC可在预处理后的视频图像上提取N个特征。当然，BMC还可在未进行预处理的视频图像上提取N个特征。N为大于0的整数。
例如，BMC可提取该灰度化处理后的视频图像的均值、方差、能量和熵这4个特征。
如，图像灰度的一阶概率分布如下：
其中，b表示视频图像的像素的灰度值，可为0到255的整数值，n可为图像中的总像素，n(b)可为该窗口内灰度值为b的像素数，则该视频图像的提取的特征的特征值为：
均值：
方差：
能量：
熵：
其中，L表示灰度级，通常为28，这里不对该数值做具体地限定。
当然，均值、方差、能量和熵只是对提取的特征进行示例性地说明，当然提取的特征还可以是其他特征，比如纹理特征、形状特征等。这里不对提取的特征进行特别地限定。
在提取到上述特征后，BMC可对提取到的N个特征进行预先指定的处理，得到N个处理结果。该预先指定的处理的方法有很多种，这里不对预处理的方式进行具体地限定。
例如，BMC可通过如下所示的线性变换函数，将上述特征的特征值进行归一化处理，使得变换后的特征的特征值位于[-1,1]的区间内。
y＝(x-Min)/(Max-Min)；
其中，x为线性变换前的特征值，y为线性变换后的特征值，max为作为训练BP模型的样本特征的特征值的最大值，min为作为训练BP模型的样本特征的特征值的最小值。
例如，BMC可采用上述公式，对上述均值、方差、能量和熵这4个特征的特征值进行归一化处理，将这4个特征的特征值变换在[-1,1]的区间内，得到4个归一化处理的处理结果。
BMC可将经过预先指定的处理的特征的N个处理结果输入上述已建立的分类模型(如BP模型)进行图像识别，然后该分类模型可输出结果识别参数。
其中，该结果识别参数可指示视频图像是否为表示服务器异常的视频图像，以及表示服务器异常的视频图像的类型。
例如，假设BMC将从蓝屏的视频图像上提取的特征输入该分类模型，则该分类模型可输出00，将从黑屏的视频图像上提取的特征输入该分类模型，则该分类模型可输出01，将从花屏的视频图像上提取的特征输入该分类模型，则该分类模型可输出10，将从正常的视频图像上提取的特征输入该分类模型，则该分类模型可输出11。
在得到该分类模型输出的结果识别参数后，BMC可基于该结果识别参数判断服务器是否异常。
在实现时，通常BMC里预先储存有表示服务器异常的参数集合。BMC可判断该分类模型输出的结果识别参数是否包含于该表示服务器异常的参数集合，如果是，BMC可确定该服务器异常。如果否，BMC可确定服务器正常。
例如，BMC里预先储存的表示服务器异常的参数集合可为{000110}。
如果上述分类模型输出的结果识别参数是01时，由于01包含于上述参数集合，所以BMC可判断服务器异常。如果上述分类模型输出的结果识别参数是11时，由于11未包含于上述参数集合，所以BMC可判断服务器正常。
步骤403：BMC若识别出所述服务器异常，则处理所述异常。
在本申请实施例中，当BMC判定服务器异常后，BMC还可进一步确定该异常所属的异常类型。
在实现时，BMC可基于上述分类模型输出的结果识别参数，确定该异常的异常类型。
具体地，BMC维护了结果识别参数、异常类型的对应关系。BMC可以以上述分类模型输出的结果识别参数为关键字，在该结果识别参数和异常类型的对应关系中，查找与该关键字对应的异常类型。
例如，KVM设备维护的结果识别参数、异常类型的对应关系，如表1所示。
当分类模型输出的结果识别参数为00时，BMC可在表1中查找与00对应的异常类型，在本例中，BMC可确定该服务器异常的异常类型为蓝屏。
在确定该异常所属的异常类别后，BMC可根据该异常类别对应的异常处理方式对服务器进行异常处理。
具体地，BMC上预先维护有服务器的异常类型、异常处理方式的对应关系。在确定出服务器的异常类型后，BMC可在该异常类型、异常处理方式的对应关系中，查找与确定出的异常类型对应的异常处理方式，然后依据查找出的异常处理方式对该服务器进行异常处理。
例如，当BMC确定服务器1的异常类型为黑屏时，BMC可在上述异常类型、异常处理方式的对应关系中，查找与黑屏这种异常类型对应的异常处理方式。假设查找到的异常处理方式是对服务器进行重启。BMC可依据该异常处理方式向服务器1发送重启指令，以使服务器1进行重启操作。
在本申请实施例中，为了方便用户后续基于服务器的异常信息分析服务器的健康状况，并对服务器进行优化。BMC在确定服务器异常后，还可收集服务器的异常信息。
该异常信息可通过如下方式中的一种或者几种的组合进行收集。
例如，BMC可识别该表示服务器异常的视频图像中的预设区域中的字符串，比如，该视频图像的弹框中的字符串，如弹框中所显示的错误代码等。BMC还可收集与该视频图像相关的图像信息，该图像信息可包括该视频图像、上述分类模型针对该视频图像输出的结果识别参数以及该视频图像所指示的服务器的异常类别，该视频图像所属的服务器的IP地址等。BMC可将该识别出的字符串以及与该图像信息进行保存。
BMC还可录制包含该表示服务器异常的视频图像的视频。
例如，BMC在接收到服务器发送的第一帧视频图像时起，开始录制视频。当上述BMC接收到某一帧视频图像，并通过对该帧视频图像进行识别，检测出服务器异常后，BMC可保存识别出服务器异常时之前的预设时长的已录制的视频，并将该已录制的视频作为异常信息进行保存。
在收集该服务器的异常信息后，BMC可将该异常信息保存在本地，或者保存在与相连的KVM设备上，或者保存在与本地相连的服务器上，或者保存在远端的存储服务器上，这里不对异常信息储存的位置进行特别地限定。
此外，为了方便用户可以实时获取服务器的异常情况。BMC在识别出该服务器异常后，还可将上述收集到的异常信息发送至KVM设备。KVM设备可以短信的方式、邮件的方式或者二维码的方式，将告警信息发送至用户终端设备。该告警信息可包括上述异常信息或者该异常信息的链接等。
本申请提出了一种服务器异常检测方法，通过获取用于表征服务器状态的视频图像，并对该视频图像进行识别，若识别出服务器异常，则处理所处异常。
KVM设备或者BMC根据获取到的视频图像进行图像识别，通过图像识别，自动识别出服务器异常与否以及服务器异常的类型，并且自动处理该异常，这种自动化智能化的技术大大提高了服务器异常检测效率，同时还大大提升了用户体验。
参见图5，本申请还提供一种服务器异常检测装置所在设备，如KVM设备以及BMC的硬件架构图，该设备包括：通信接口501、处理器502、存储器503和总线504；其中，通信接口501、处理器502和存储器503通过总线504完成相互间的通信。
其中，通信接口501，用于与服务器通信。处理器502可以是一个CPU，存储器503可以是非易失性存储器(non-volatile memory)，并且存储器503中存储有服务器异常检测的逻辑指令，处理器502可以执行存储器503中存储的服务器异常检测的逻辑指令，以实现上述图2或者图3所示流程中的服务器异常检测的功能。
至此，完成图5所示的硬件结构描述。
请参考图6，图6是本申请一示例性实施例示出的一种服务器检测装置的框图。该装置可应用在KVM设备上，可包括如下所示单元。
获取单元601，用于获取用于表征服务器状态的视频图像；
识别单元602，用于对所述视频图像进行图像识别；
处理单元603，用于若识别出所述服务器异常，则处理所述异常。
可选的，所述识别单元602，具体用于对所述视频图像的N个特征进行预先指定的处理得到N个处理结果；N为大于0的整数；将所述N个处理结果输入预设分类模型进行图像识别；
所述处理单元603，还用于获取所述预设分类模型输出的针对所述N个处理结果的结果识别参数；若所述结果识别参数包含于预设的表征服务器异常的参数集合中，则确定所述服务器异常。
可选的，所述处理单元603，具体用于确定所述异常所属的异常类别；将所述异常类别上报至所述KVM设备相连的基板管理控制器BMC，以使BMC根据所述异常类别对应的异常处理方式处理异常。
可选的，所述装置还包括：
存储单元604，用于储存所述服务器的异常信息；
告警单元605，用于向用户终端发出异常告警提示。
可选的，所述异常信息包括所述视频图像中的预设区域中的字符串、该视频图像的图像信息、以及已录制的包含该视频图像的视频。
请参考图7，图7是本申请一示例性实施例示出的另一种服务器检测装置的框图。该装置可应用在BMC上，可包括如下所示单元。
获取单元701，用于获取用于表征服务器状态的视频图像；
识别单元702，用于对所述视频图像进行图像识别；
处理单元703，用于若识别出所述服务器异常，则处理所述异常。
可选的，所述识别单元702，具体用于对所述视频图像的N个特征进行预先指定的处理得到N个处理结果；N为大于0的整数；将所述N个处理结果输入预设分类模型进行图像识别；
所述处理单元703，还用于获取所述预设分类模型输出的针对所述N个处理结果的结果识别参数；若所述结果识别参数包含于预设的表征服务器异常的参数集合中，则确定所述服务器异常。
可选的，所述处理单元703，具体用于确定所述异常所属的异常类别；确定所述异常类别对应的异常处理方式；按照所述异常处理方式处理异常。
可选的，所述装置还包括：
储存单元704，用于储存所述服务器的异常信息；
通知单元705，用于向所述BMC相连的KVM设备发送异常通知，以使所述KVM设备向用户发出异常告警提示。
可选的，所述异常信息包括所述视频图像中的预设区域中的字符串、该视频图像的图像信息、以及已录制的包含该视频图像的视频。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。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申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (14)

1.一种服务器异常检测方法，其特征在于，所述方法包括：
获取用于表征服务器状态的视频图像；
对所述视频图像进行图像识别；
若识别出所述服务器异常，则处理所述异常。
2.根据权利要求1所述的方法，其特征在于，所述对所述视频图像进行图像识别，包括：
对所述视频图像的N个特征进行预先指定的处理得到N个处理结果；N为大于0的整数；
将所述N个处理结果输入预设分类模型进行图像识别；
所述识别出所述服务器异常，包括：
获取所述预设分类模型输出的针对所述N个处理结果的结果识别参数；
若所述结果识别参数包含于预设的表征服务器异常的参数集合中，则确定所述服务器异常。
3.根据权利要求1所述的方法，其特征在于，所述方法应用于键盘、显示和鼠标KVM设备；
所述处理异常包括：
确定所述异常所属的异常类别；
将所述异常类别上报至所述KVM设备相连的基板管理控制器BMC，以使BMC根据所述异常类别对应的异常处理方式处理异常。
4.根据权利要求3所述的方法，其特征在于，识别出所述服务器异常后，所述方法还包括：
储存所述服务器的异常信息；和/或，
向用户终端发出异常告警提示。
5.根据权利要求1所述的方法，其特征在于，所述方法应用于BMC；
所述处理异常包括：
确定所述异常所属的异常类别；
确定所述异常类别对应的异常处理方式；
按照所述异常处理方式处理异常。
6.根据权利要求5所述的方法，其特征在于，识别出所述服务器异常后，所述方法还包括：
储存所述服务器的异常信息；
向所述BMC相连的KVM设备发送异常通知，以使所述KVM设备向用户发出异常告警提示。
7.根据权利要求4或6所述的方法，其特征在于，所述异常信息包括所述视频图像中的预设区域中的字符串、该视频图像的图像信息、以及已录制的包含该视频图像的视频。
8.一种服务器异常检测装置，其特征在于，所述装置包括：
获取单元，用于获取用于表征服务器状态的视频图像；
识别单元，用于对所述视频图像进行图像识别；
处理单元，用于若识别出所述服务器异常，则处理所述异常。
9.根据权利要求8所述的装置，其特征在于，所述识别单元，具体用于对所述视频图像的N个特征进行预先指定的处理得到N个处理结果；N为大于0的整数；将所述N个处理结果输入预设分类模型进行图像识别；
所述处理单元，还用于获取所述预设分类模型输出的针对所述N个处理结果的结果识别参数；若所述结果识别参数包含于预设的表征服务器异常的参数集合中，则确定所述服务器异常。
10.根据权利要求8所述的装置，其特征在于，所述装置应用于键盘、显示和鼠标KVM设备；
所述处理单元，具体用于确定所述异常所属的异常类别；将所述异常类别上报至所述KVM设备相连的基板管理控制器BMC，以使BMC根据所述异常类别对应的异常处理方式处理异常。
11.根据权利要求10所述的装置，其特征在于，所述装置还包括：
存储单元，用于储存所述服务器的异常信息；
告警单元，用于向用户终端发出异常告警提示。
12.根据权利要求8所述的装置，其特征在于，所述装置应用于BMC；
所述处理单元具体用于确定所述异常所属的异常类别；确定所述异常类别对应的异常处理方式；按照所述异常处理方式处理异常。
13.根据权利要求12所述的装置，其特征在于，所述装置还包括：
储存单元，用于储存所述服务器的异常信息；
通知单元，用于向所述BMC相连的KVM设备发送异常通知，以使所述KVM设备向用户发出异常告警提示。
14.根据权利要求11或13所述的装置，所述异常信息包括所述视频图像中的预设区域中的字符串、该视频图像的图像信息、以及已录制的包含该视频图像的视频。
CN201711096603.6A 2017-11-09 2017-11-09 一种服务器异常检测方法及装置 Active CN107885637B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711096603.6A CN107885637B (zh) 2017-11-09 2017-11-09 一种服务器异常检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711096603.6A CN107885637B (zh) 2017-11-09 2017-11-09 一种服务器异常检测方法及装置

Publications (2)

Publication Number Publication Date
CN107885637A true CN107885637A (zh) 2018-04-06
CN107885637B CN107885637B (zh) 2019-11-08

Family

ID=61779599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711096603.6A Active CN107885637B (zh) 2017-11-09 2017-11-09 一种服务器异常检测方法及装置

Country Status (1)

Country Link
CN (1) CN107885637B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109274963A (zh) * 2018-11-08 2019-01-25 中影环球（北京）科技有限公司 一种影院放映服务器的故障预测方法
CN109688025A (zh) * 2018-12-18 2019-04-26 郑州云海信息技术有限公司 一种基于数字kvm的测试监控方法、装置、终端及存储介质
CN116170600A (zh) * 2023-03-30 2023-05-26 苏州浪潮智能科技有限公司 一种数据处理方法、装置、电子设备及存储介质
CN116843866A (zh) * 2023-04-28 2023-10-03 厦门农芯数字科技有限公司 基于ar设备养殖场智能巡检方法、系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101756696A (zh) * 2009-12-31 2010-06-30 中国人民解放军空军总医院 多光子皮肤镜图像自动分析系统及其应用于恶性黑素瘤的诊断方法
CN102131101A (zh) * 2011-04-21 2011-07-20 江苏东怡软件技术有限公司 智能视频图像质量自动分析系统及其分析方法
CN106295555A (zh) * 2016-08-08 2017-01-04 深圳芯启航科技有限公司 一种活体指纹图像的检测方法
CN106557392A (zh) * 2015-09-29 2017-04-05 鸿富锦精密工业（深圳）有限公司 服务器故障检测装置及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101756696A (zh) * 2009-12-31 2010-06-30 中国人民解放军空军总医院 多光子皮肤镜图像自动分析系统及其应用于恶性黑素瘤的诊断方法
CN102131101A (zh) * 2011-04-21 2011-07-20 江苏东怡软件技术有限公司 智能视频图像质量自动分析系统及其分析方法
CN106557392A (zh) * 2015-09-29 2017-04-05 鸿富锦精密工业（深圳）有限公司 服务器故障检测装置及方法
CN106295555A (zh) * 2016-08-08 2017-01-04 深圳芯启航科技有限公司 一种活体指纹图像的检测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109274963A (zh) * 2018-11-08 2019-01-25 中影环球（北京）科技有限公司 一种影院放映服务器的故障预测方法
CN109274963B (zh) * 2018-11-08 2020-04-21 中影环球（北京）科技有限公司 一种影院放映服务器的故障预测方法
CN109688025A (zh) * 2018-12-18 2019-04-26 郑州云海信息技术有限公司 一种基于数字kvm的测试监控方法、装置、终端及存储介质
CN116170600A (zh) * 2023-03-30 2023-05-26 苏州浪潮智能科技有限公司 一种数据处理方法、装置、电子设备及存储介质
CN116170600B (zh) * 2023-03-30 2024-01-12 苏州浪潮智能科技有限公司 一种数据处理方法、装置、电子设备及存储介质
CN116843866A (zh) * 2023-04-28 2023-10-03 厦门农芯数字科技有限公司 基于ar设备养殖场智能巡检方法、系统

Also Published As

Publication number Publication date
CN107885637B (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN107885637A (zh) 一种服务器异常检测方法及装置
CN109413023B (zh) 机器识别模型的训练及机器识别方法、装置、电子设备
CN108833186A (zh) 一种网络攻击预测方法及装置
CN111090807B (zh) 一种基于知识图谱的用户识别方法及装置
CN110598019B (zh) 重复图像识别方法及装置
CN109600336A (zh) 存储设备、验证码应用方法和装置
CN110798709B (zh) 视频处理方法和装置、存储介质及电子装置
CN114419363A (zh) 基于无标注样本数据的目标分类模型训练方法及装置
CN110046297A (zh) 运维违规操作的识别方法、装置和存储介质
WO2024060684A1 (zh) 模型训练方法、图像处理方法、设备及存储介质
CN112115957A (zh) 数据流识别方法及装置、计算机存储介质
CN112001373A (zh) 一种物品识别方法、装置及存储介质
CN113378899A (zh) 非正常账号识别方法、装置、设备和存储介质
CN111431884B (zh) 一种基于dns分析的主机失陷检测方法及装置
CN105788056B (zh) 事件处理方法和装置
CN108763373A (zh) 人脸图像检索方法及装置
CN110555007A (zh) 盗号行为判别方法、装置、计算设备及存储介质
CN111354013A (zh) 目标检测方法及装置、设备和存储介质
CN108334602B (zh) 数据标注方法和装置、电子设备、计算机存储介质
CN109992960A (zh) 一种伪造参数检测方法、装置、电子设备及存储介质
CN110162957A (zh) 智能设备的鉴权方法和装置、存储介质、电子装置
CN112905874B (zh) 房源检索方法、装置、存储介质及设备
CN112884165A (zh) 面向联邦机器学习的全流程服务迁移方法与系统
CN112712002A (zh) 基于cgan的环境监控方法、装置、系统及存储介质
CN113129054B (zh) 用户识别方法和装置

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
CB02 Change of applicant information

Address after: 310052 11th Floor, 466 Changhe Road, Binjiang District, Hangzhou City, Zhejiang Province

Applicant after: Xinhua Sanxin Information Technology Co., Ltd.

Address before: 310052 11th Floor, 466 Changhe Road, Binjiang District, Hangzhou City, Zhejiang Province

Applicant before: Huashan Information Technology Co., Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant