CN108268351A - 一种进程运行状态精确监控方法及系统 - Google Patents
一种进程运行状态精确监控方法及系统 Download PDFInfo
- Publication number
- CN108268351A CN108268351A CN201611260899.6A CN201611260899A CN108268351A CN 108268351 A CN108268351 A CN 108268351A CN 201611260899 A CN201611260899 A CN 201611260899A CN 108268351 A CN108268351 A CN 108268351A
- Authority
- CN
- China
- Prior art keywords
- subprocess
- layer
- analyzed
- similarity
- characteristic
- 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
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
- G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种进程运行状态精确监控方法及系统,其中所述方法根据子进程的不同类型采用不同的分段,即不同的操作层,过程特性不同,反应过程特性变化的过程变量变异方向或变异的幅值就会有所变化的原理。并通过多分层进程队列比对查找算法定时获取子进程的运行状态和在一段时间内的底层特征——系统调用种类、调用总次数、报错数量、用户态和系统态时间与正常标准比对后。对进程运行状态是否异常作出判断。本申请提案提出的技术方法可以深入进程内部,实现对其运行状态的直接判断。
Description
技术领域
本发明涉及电信行业业务管理技术领域,更具体地,涉及一种进 程运行状态精确监控方法及系统。
背景技术
目前,进程是计算机内应用程序的运行实例,是应用程序的一次 动态执行,用来执行特定的处理逻辑,完成数据处理任务。比如工单 调度进程,其正常的处理逻辑为:按照工单类型,把不同的工单派发 给不同的接口程序处理。受内外部因素的制约,进程并不总是处于最 好的工作状态,有时候会处于低效工作状态,甚至出现了所谓“挂死 “现象,即进程表面上仍然存在,但是内部陷入错误状态,偏离了正 常的处理逻辑,无法完成预期的数据处理任务。以上述工单调度进程 为例,挂死后从表面看工单调度进程没有退出,仍然存在,但是其不 再吞吐数据。
传统的方法只能通过监控进程入出口数据量的方法实现间接判 断,比如对工单调度进程,通常通过监控其数据源,待调度工单队列 的积压量,对进程是否挂死进行间接判断。
然而,现有判断进程是否异常,是否进入低效运行状态的方法, 为通过监测进程入出口数据量的方法间接判断。在业务闲时,数据量 很小的时候此方法失灵,因为需要进程处理的数据队列始终保持在一 个很低的水平。对某些入口数据无排队机制的业务进程,此方法失灵: 如响应web页面请求的httpd进程,没有一个待处理队列,难以判断其 当前吞吐量。
发明内容
本发明为克服上述问题或者至少部分地解决上述问题,提供一种 进程运行状态精确监控的方法及系统,本申请提案提出的技术方法可 以深入进程内部,实现对其运行状态的直接判断。
根据本发明的一个方面,提供一种进程运行状态精确监控方法, 包括:
步骤1,基于各子进程的不同类型,将各子进程分为不同操作层; 记录所述各操作层中子进程在各种运行状态下的各项标准特征数据;
步骤2,基于待分析子进程在一段时间内各时间片的特征数据, 利用进程相似度对比算法,将所述待分析子进程的时间片进行分层; 将得到的所述待分析子进程各分层内的特征数据与其相同运行状态下 的标准特征数据进行比对;通过比对所述特征数据是否一致,判断所 述待分析子进程运行状态是否正常。
根据本发明的另一个方面,提供一种进程运行状态精确监控系统, 其特征在于,包括:
分层模块,与所述对比模块相连接,用于基于各子进程的不同类 型,将各子进程分为不同操作层;记录所述各操作层中子进程在各种 运行状态下的各项标准特征数据;
对比模块,与所述分层模块相连接,用于基于待分析子进程在一 段时间内各时间片的特征数据,利用进程相似度对比算法,将所述待 分析子进程的时间片进行分层;将得到的所述待分析子进程各分层内 的特征数据与其相同运行状态下的标准特征数据进行比对;通过比对 所述特征数据是否一致,判断所述待分析子进程运行状态是否正常。
本申请提出一种进程运行状态精确监控方法及系统,根据子进程 的不同类型采用不同的分段,即不同的操作层,过程特性不同,反应 过程特性变化的过程变量变异方向或变异的幅值就会有所变化的原 理。并通过多分层进程队列比对查找算法定时获取子进程的运行状态 和在一段时间内的底层特征——系统调用种类、调用总次数、报错数 量、用户态和系统态时间与正常标准比对后。对进程运行状态是否异 常作出判断。本申请提案提出的技术方法可以深入进程内部,实现对其 运行状态的直接判断。
附图说明
图1为根据本发明实施例一种进程运行状态精确监控方法的整体 流程示意图;
图2为根据本发明实施例一种进程运行状态精确监控方法应用场 景进行服务器运行状态的实时监控的示意图;
图3为根据本发明实施例一种进程运行状态精确监控方法应用场 景进行服务器运行状态的实时监控的示意图;
图4为根据本发明实施例一种进程运行状态精确监控系统的整体 框架示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细 描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
进程工作时有两个状态,一个是用户态,一个是内核态。用户运行一 个程序,该程序所创建的进程开始是运行在用户态的,如果要执行文件 操作,网络数据发送等操作,必须通过write,send等系统调用,对于一个长 时间稳定运行的进程,在一个时间片段.其调用的系统调用类型、次数, 在用户态和内核态耗费的时间比等特征是相对稳定的。
针对计算资源代理对其子进程监控的方法单一,且不能准确获取 子进程运行状态的问题,本方案提出了一种通过多分层监控进程实现 运行状态精确监控的方法。该方法首先根据子进程的不同类型采用不 同的分段,即不同的操作层,过程特性不同,反应过程特性变化的过 程变量变异方向或变异的幅值就会有所变化的原理。并通过多分层进 程队列比对查找算法定时获取子进程的运行状态和在一段时间内的底 层特征——系统调用种类、调用总次数、报错数量、用户态和系统态 时间与正常标准比对后。对进程运行状态是否异常作出判断。
如图1,本发明一个具体实施例中,示出一种进程运行状态精确 监控方法总体流程示意图。整体上,包括以下步骤:
步骤1,基于各子进程的不同类型,将各子进程分为不同操作层; 记录所述各操作层中子进程在各种运行状态下的各项标准特征数据;
步骤2,基于待分析子进程在一段时间内各时间片的特征数据, 利用进程相似度对比算法,将所述待分析子进程的时间片进行分层; 将得到的所述待分析子进程各分层内的特征数据与其相同运行状态下 的标准特征数据进行比对;通过比对所述特征数据是否一致,判断所 述待分析子进程运行状态是否正常。
本发明另一个具体实施例中,一种进程运行状态精确监控方法, 所述步骤2中基于待分析子进程在一段时间内各时间片的特征数据, 利用进程相似度对比算法,将所述待分析子进程的时间片进行分层还 包括:
S21,确认待分析子进程初始两个时间片内特征数据的相似度小于 相似度阈值,则将所述待分析子进程的两个时间片归为层t1;
S22,计算所述层t1中包含各子进程的均值层,确认所述均值层 与所述待分析子进程下一时间片内特征数据的相似度小于相似度阈 值,将所述子进程时间片Xn归为层t1;
S23,循环执行步骤S22,直至所述均值层与所述待分析子进程下 一时间片内特征数据的相似度大于相似度阈值,则将所述子进程时间 片Xm归为层t2;
S24,循环执行步骤S22和S23,直至完成所述待分析子进程内所 有时间片的分层。
本发明另一个具体实施例中,一种进程运行状态精确监控方法, 所述步骤确认待分析子进程的两个不同时间片内特征数据的相似度小 于相似度阈值还包括:
其中,x表示所述待分析子进程的一个时间片内的负载矩阵,a、b、 c代表所述待分析子进程的两个时间片,ωc表示不同时间层重要性的权 重。
本发明另一个具体实施例中,一种进程运行状态精确监控方法, 所述所述ωc还包括:
其中,μ为加权系数,所述且1>c1>c2>…>cB>0。
本发明另一个具体实施例中,一种进程运行状态精确监控方法, 所述步骤S24后还包括:
S25,计算所述步骤S24中得到的分层tc中各层的均值层,其中 c=1,2,…,M;
S26,确认分层tc中初始两层的相似度小于相似度阈值,将所述分 层归为子层t11;
S27,计算所述子层t11中包含各分层的均值层,确认所述均值层 与所述分层tc中待比较相似度下一分层tm的相似度小于相似度阈值, 将所述分层tm归为层t11;
S28,循环执行步骤S26和S27,直至完成所述分层tc内所有分层 的子分层操作。
本发明另一个具体实施例中,一种进程运行状态精确监控方法, 所述步骤S25还包括:利用如下公式计算tc内各层的均值层:
其中f为各层所包含的时刻,c=1,2,…,M。
本发明另一个具体实施例中,一种进程运行状态精确监控方法, 所述步骤S26和S27中计算各层之间相似度还包括:
其中,T表示待计算相似度层的负载矩阵,a、b分别代表待计算 相似度的两个层,ωc表示不同层重要性的权重。
本发明另一个具体实施例中,一种进程运行状态精确监控方法, 所述ωc还包括:
其中,μ为加权系数,所述且1>c1>c2>…>cB>0,M为 时间片的特征矩阵的M个投影方向。
本发明另一个具体实施例中,一种进程运行状态精确监控方法, 所述特征数据包括:系统调用种类、调用总次数、报错数量、用户态 和/或系统态时间。
本发明又一个具体实施例中,一种进程运行状态精确监控方法, 所述方法具体包括以下步骤。
由于分为多层段的比对方法监测的进程在各个操作层级进行运行 时,运行状态和操作的目的会有不同,所以进程的特征信息会有不同, 表征进程的过程变量在不同的操作层会有不一样的过程特征和过程主 导变量。正是因为这个特征,对多层级间歇过程在进行建模和统计时, 在线监控过程除了要对整个运行情况进行判定,还要分析每个子层和各个子层之间的过渡。
要完成这一系列过程,第一步是层识别过程。不同子层间会存在 相同的进程特征数据,即相近的变量变异大小和变异方向,我们考虑 对该数据进行比对参考。第二步是利用查找算法对系统中各个数据进 行分析计算,其中首先假设调用总次数、调用种类、系统态时间、用 户态和系统报错数量对建模数据均为相似后的正常标准化数据。
首先,定义公式如下,该公式用来计算各个时间片进程间的相似 性。
式中X为一个进程,即一个时间片的负载矩阵,a/b/c用来表示矩 阵的两个维度,根据不同的时间片取值正整数的ωc是加权系数,表示 的是不同层次的重要性。ωc取值计算如下
μ为加权系数,从式(2)可以看出并且有1>c1>c2>…>cB>0,M 为时间片的特征矩阵的M个投影方向。
式(1)的第二部分表示两个时间矩阵xa和xb中M个方向的夹角余弦 值的加权和。由于两个相近层的夹角余弦值接近1,而ωc<1,所以 式(1)的xa和xb值两个值的比值越接近1,则两个时间层越相似。
其次,将待分析子进程划分为不同的时间片,获取各个时间片的 特征数据,利用式(1)和式(2)计算第1个时间片层负载矩阵 X1(B×B)=[x1,1,x1,2,…x1,B]和第2个时间层负载矩阵 X2(B×B)=[x2,1,x2,2,…x2,B]之间的相似度若满足(ψx为给 定的较小阀值),将时间片1,2归为层t1,,并计算层X1(B×B),X2(B×B) 的均值层
利用式(1)和式(2)计算层t1的均值层与第3个时间片层之间的相 似度若满足将时间3归为层t1,并重新计算层t1,的均值 层再顺次计算均值层和其它时间的相似度,直至第t1个时间 不满足重新计算层t1的均值层并将第个时 间片归为下一个的层t2。
从时间开始,依次重新计算层t2的均值层与后一个的层的相 似度,当阀值公式得不到满足时,进入新层t3,依次类推,直至将所有 的时间分层结束。
划分后的层记为层t1、层t2.....层tM层tc(c=1,2,…,M)所包含的时刻 为该层内的均值层表示为式(3)所示。
再次,将得到的分层tc(c=1,2,…,M)中的各层进行进一步的次级分 层。
定义如下公式4,来评价两个层之间的相似性。
式(4)中的ωc为式((2)所示的加权系数。可以看出式((4)的值 越小表示奇异值层Ta和Tb间的相似度越高。
在层Tb内,按式(2)式(4)计算第1个层T1=diag(μ1,1,μ1,2,…,μ1,B))与第2 个层T2=diag(μ2,1,μ2,2,…,μ2,B)之间的相似度若(ψx为给定的 较小阀值),则将时间片1和2归为子层t1,1,并计算层T1和T2的均值层
计算子层t1,1,的均值层与层t1,内其它时间片的相似度,直 至第个时间,不满足。重新计算层t1,1的均值层
从时间开始,依次重新计算子层t1,2的均值层与其它阵的相似 度,当阀值公式得不到满足时,进入新的子层t1,3,依次类推,直至将 层t1内的所有时间全部分段结束。
按照上述步骤的方法,对层t2按照层的相似度再进行层的细化分, 得到子层t2,1,t2,2…一以此类推,直至将所有层细划分结束。
将得到的所述待分析子进程各分层内的特征数据与其相同运行状 态下的标准特征数据进行比对;通过比对所述特征数据是否一致,判 断所述待分析子进程运行状态是否正常。
如图2、图3所示,本发明另一个具体实施例中,一种进程运行 状态精确监控方法。其中分为多层段的比对方法主要目的是进行服务 器运行状态的实时监控,使用的模块总的任务是使用Java来实现一个 图形监控平台,来监控测试宽带增值业务管理计费子系统的运行进程 的状态,并图形化进程的动态行为,将得到的信息用图形方式交给系 统管理员,以完成系统重要进程的监控和故障重启或恢复,让系统尽 快恢复正常工作。以此完成进程管理、监控运行状态、重启日志、配 置系统参数等功能。
分为多层段的比对方法模块根据系统功能需求分析和监控系统的 特点,经过模块化的分析,得出监控系统主要包括4个功能模块,
(1)子进程管理模块:该模块的功主要是进行子进程管理,包括重启 和终止,重启子进程的操作又可以分为自动和手工重启。
(2)运行状态信息管理模块:该模块的功主要是查看最新的运行状 态信息及浏览数据库中所有状态信息。
(3)重启日志信息管理模块:该模块的功主要是查阅当前的运行状 态信息、浏览系统数据库中的重启日志信息及查询重启日志信息。
(4)系统参数管理模块:该模块的功主要是修改系统参数,包括控制 系统行为和工作方式的参数。
分为多层段的比对方法中对多个进程的响应事件进行了计算,但 是需要考虑在进程过程中会有一定的休眠时间,所以建议允许用户在 运行方便的目的下按照实际需求随时进行休眠算法、每页显示的记录 条目等信息进行修改。此外该算法的数据库连接采用了 DBCPCDatabase Connection Pool,改数据库为Apache的开源项目,池 连接最初的数据库配置基础信息存储在服务器上,文件格式为XML, 采用SAX解析该文件,以此在数据库要进行系统配置是时只需要对 XML文件进行修改。
图4中,本发明又一个具体实施例中,示出一种进程运行状态精 确监控系统整体框架示意图。总体上,包括:分层模块A1,与所述对 比模块A2相连接,用于基于各子进程的不同类型,将各子进程分为不 同操作层;记录所述各操作层中子进程在各种运行状态下的各项标准 特征数据;
对比模块A2,与所述分层模块A1相连接,用于基于待分析子进 程在一段时间内各时间片的特征数据,利用进程相似度对比算法,将 所述待分析子进程的时间片进行分层;将得到的所述待分析子进程各 分层内的特征数据与其相同运行状态下的标准特征数据进行比对;通 过比对所述特征数据是否一致,判断所述待分析子进程运行状态是否 正常。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明 的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同 替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种进程运行状态精确监控方法,其特征在于,包括:
步骤1,基于各子进程的不同类型,将各子进程分为不同操作层;记录所述各操作层中子进程在各种运行状态下的各项标准特征数据;
步骤2,基于待分析子进程在一段时间内各时间片的特征数据,利用进程相似度对比算法,将所述待分析子进程的时间片进行分层;将得到的所述待分析子进程各分层内的特征数据与其相同运行状态下的标准特征数据进行比对;通过比对所述特征数据是否一致,判断所述待分析子进程运行状态是否正常。
2.如权利要求1所述的方法,其特征在于,所述步骤2中基于待分析子进程在一段时间内各时间片的特征数据,利用进程相似度对比算法,将所述待分析子进程的时间片进行分层还包括:
S21,确认待分析子进程初始两个时间片内特征数据的相似度小于相似度阈值,则将所述待分析子进程的两个时间片归为层t1;
S22,计算所述层t1中包含各子进程的均值层,确认所述均值层与所述待分析子进程下一时间片内特征数据的相似度小于相似度阈值,将所述子进程时间片Xn归为层t1;
S23,循环执行步骤S22,直至所述均值层与所述待分析子进程下一时间片内特征数据的相似度大于相似度阈值,则将所述子进程时间片Xm归为层t2;
S24,循环执行步骤S22和S23,直至完成所述待分析子进程内所有时间片的分层。
3.如权利要求2所述的方法,其特征在于,所述步骤确认待分析子进程的两个不同时间片内特征数据的相似度小于相似度阈值还包括:
其中,x表示所述待分析子进程的一个时间片内的负载矩阵,a、b、c代表所述待分析子进程的两个时间片,ωc表示不同时间层重要性的权重。
4.如权利要求3所述的方法,其特征在于,所述ωc还包括:
其中,μ为加权系数,所述且1>c1>c2>…>cB>0,M为时间片的特征矩阵的M个投影方向。
5.如权利要求24所述的方法,其特征在于,所述步骤S24后还包括:
S25,计算所述步骤S24中得到的分层tc中各层的均值层,其中c=1,2,…,M;
S26,确认分层tc中初始两层的相似度小于相似度阈值,将所述分层归为子层t11;
S27,计算所述子层t11中包含各分层的均值层,确认所述均值层与所述分层tc中待比较相似度下一分层tm的相似度小于相似度阈值,将所述分层tm归为层t11;
S28,循环执行步骤S26和S27,直至完成所述分层tc内所有分层的子分层操作。
6.如权利要求5所述的方法,其特征在于,所述步骤S25还包括:利用如下公式计算tc内各层的均值层:
其中f为各层所包含的时刻,c=1,2,…,M。
7.如权利要求5所述的方法,其特征在于,所述步骤S26和S27中计算各层之间相似度还包括:
其中,T表示待计算相似度层的负载矩阵,a、b分别代表待计算相似度的两个层,ωc表示不同层重要性的权重。
8.如权利要求7所述的方法,其特征在于,所述ωc还包括:
其中,所述且1>c1>c2>…>cB>0,M为时间片的特征矩阵的M个投影方向。
9.如权利要求1所述的方法,其特征在于,所述特征数据包括:系统调用种类、调用总次数、报错数量、用户态和/或系统态时间。
10.一种进程运行状态精确监控系统,其特征在于,包括:
分层模块,与所述对比模块相连接,用于基于各子进程的不同类型,将各子进程分为不同操作层;记录所述各操作层中子进程在各种运行状态下的各项标准特征数据;
对比模块,与所述分层模块相连接,用于基于待分析子进程在一段时间内各时间片的特征数据,利用进程相似度对比算法,将所述待分析子进程的时间片进行分层;将得到的所述待分析子进程各分层内的特征数据与其相同运行状态下的标准特征数据进行比对;通过比对所述特征数据是否一致,判断所述待分析子进程运行状态是否正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611260899.6A CN108268351B (zh) | 2016-12-30 | 2016-12-30 | 一种进程运行状态精确监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611260899.6A CN108268351B (zh) | 2016-12-30 | 2016-12-30 | 一种进程运行状态精确监控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108268351A true CN108268351A (zh) | 2018-07-10 |
CN108268351B CN108268351B (zh) | 2021-06-04 |
Family
ID=62755102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611260899.6A Active CN108268351B (zh) | 2016-12-30 | 2016-12-30 | 一种进程运行状态精确监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108268351B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109634802A (zh) * | 2018-11-12 | 2019-04-16 | 平安科技(深圳)有限公司 | 进程监控方法及终端设备 |
CN110836786A (zh) * | 2019-11-19 | 2020-02-25 | 北京瑞莱智慧科技有限公司 | 机械故障监测方法、装置、系统、介质和计算设备 |
CN112543111A (zh) * | 2019-09-23 | 2021-03-23 | 北京轻享科技有限公司 | 一种业务监测的方法、监测中心及业务监测系统 |
CN113778828A (zh) * | 2021-09-17 | 2021-12-10 | 山东亿云信息技术有限公司 | 一种多信息系统运行状态批量监控方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2494778A (en) * | 2011-09-19 | 2013-03-20 | Fisher Rosemount Systems Inc | Inferential Process Modelling, Quality Prediction And Fault Detection Using Multi-Stage Data Segregation |
CN103544091A (zh) * | 2013-10-31 | 2014-01-29 | 北京国双科技有限公司 | Windows进程的监控方法及装置 |
CN104598820A (zh) * | 2015-01-14 | 2015-05-06 | 国家电网公司 | 一种基于特征行为分析的木马病检测方法 |
CN105629958A (zh) * | 2016-02-06 | 2016-06-01 | 北京工业大学 | 一种基于子时段mpca-svm的间歇过程故障诊断方法 |
-
2016
- 2016-12-30 CN CN201611260899.6A patent/CN108268351B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2494778A (en) * | 2011-09-19 | 2013-03-20 | Fisher Rosemount Systems Inc | Inferential Process Modelling, Quality Prediction And Fault Detection Using Multi-Stage Data Segregation |
CN103544091A (zh) * | 2013-10-31 | 2014-01-29 | 北京国双科技有限公司 | Windows进程的监控方法及装置 |
CN104598820A (zh) * | 2015-01-14 | 2015-05-06 | 国家电网公司 | 一种基于特征行为分析的木马病检测方法 |
CN105629958A (zh) * | 2016-02-06 | 2016-06-01 | 北京工业大学 | 一种基于子时段mpca-svm的间歇过程故障诊断方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109634802A (zh) * | 2018-11-12 | 2019-04-16 | 平安科技(深圳)有限公司 | 进程监控方法及终端设备 |
CN109634802B (zh) * | 2018-11-12 | 2023-04-14 | 平安科技(深圳)有限公司 | 进程监控方法及终端设备 |
CN112543111A (zh) * | 2019-09-23 | 2021-03-23 | 北京轻享科技有限公司 | 一种业务监测的方法、监测中心及业务监测系统 |
CN110836786A (zh) * | 2019-11-19 | 2020-02-25 | 北京瑞莱智慧科技有限公司 | 机械故障监测方法、装置、系统、介质和计算设备 |
CN110836786B (zh) * | 2019-11-19 | 2020-10-23 | 北京瑞莱智慧科技有限公司 | 机械故障监测方法、装置、系统、介质和计算设备 |
CN113778828A (zh) * | 2021-09-17 | 2021-12-10 | 山东亿云信息技术有限公司 | 一种多信息系统运行状态批量监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108268351B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210160307A1 (en) | Probability-distribution-based log-file analysis | |
Islam et al. | Predicting application failure in cloud: A machine learning approach | |
JP6457489B2 (ja) | Javaヒープ使用量の季節的傾向把握、予想、異常検出、エンドポイント予測 | |
US20180203720A1 (en) | Techniques to manage virtual classes for statistical tests | |
Rosa et al. | Predicting and mitigating jobs failures in big data clusters | |
US20190155712A1 (en) | System to manage economics and operational dynamics of it systems and infrastructure in a multi-vendor service environment | |
CN108268351A (zh) | 一种进程运行状态精确监控方法及系统 | |
Minet et al. | Analyzing traces from a google data center | |
US20210255899A1 (en) | Method for Establishing System Resource Prediction and Resource Management Model Through Multi-layer Correlations | |
US20210097431A1 (en) | Debugging and profiling of machine learning model training | |
Tao et al. | A multi-strategy collaborative prediction model for the runtime of online tasks in computing cluster/grid | |
Tian et al. | Cloud reliability and efficiency improvement via failure risk based proactive actions | |
WO2022001125A1 (zh) | 一种存储系统的存储故障预测方法、系统及装置 | |
Sîrbu et al. | Towards data-driven autonomics in data centers | |
Sîrbu et al. | Towards operator-less data centers through data-driven, predictive, proactive autonomics | |
CN108268546A (zh) | 一种优化数据库的方法及装置 | |
Da Costa et al. | Modeling and generating large-scale Google-like workload | |
CN116664019B (zh) | 智慧燃气数据时效性管理方法、物联网系统、装置及介质 | |
WO2022251004A1 (en) | Hierarchical neural network-based root cause analysis for distributed computing systems | |
US20210097432A1 (en) | Gpu code injection to summarize machine learning training data | |
WO2020220437A1 (zh) | 一种基于AdaBoost-Elman的虚拟机软件老化预测方法 | |
CN113158435A (zh) | 基于集成学习的复杂系统仿真运行时间预测方法与设备 | |
CN114503132A (zh) | 机器学习模型训练的调试和剖析 | |
CN115860709A (zh) | 一种软件服务保障系统及方法 | |
CN116069618A (zh) | 一种面向应用场景的国产化系统评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |