CN109446041B - 一种服务器压力预警方法、系统及终端设备 - Google Patents

Abstract

本发明适用于计算机技术领域，提供了一种服务器压力预警方法、系统及终端设备，包括：基于服务器的历史数据建立服务器压力预测模型；获取第一时间段内服务器的性能指标数据和第二时间段后的外界因素指数，基于服务器压力预测模型，预测第二时间段后服务器的压力情况；根据服务器的压力情况调度硬件资源。通过建立服务器压力预测模型，基于该服务器压力预测模型预测服务器的压力情况，及时根据预测得到的服务器压力情况动态增减硬件资源，能够准确有效地提前进行压力预警，无需运维人员实时进行监测和判断，在提高资源使用率的同时减少人力成本，有效地解决了目前通过运维人员监测和判断服务器的压力情况存在的人力成本高且准确性低的问题。

Description

一种服务器压力预警方法、系统及终端设备

技术领域

本发明属于计算机技术领域，尤其涉及一种服务器压力预警方法、系统及终端设备。

背景技术

服务器是一种提供计算服务的设备。服务器需要响应客户端的服务请求，并根据该请求进行处理，因此一般来说服务器应具备承担服务并且保障服务的能力。服务器的构成主要包括处理器、硬盘、内存、系统总线等。服务器在为客户端提供服务时，每连接一个客户端都需要消耗服务器的资源，当大量客户端同时连接并发起服务请求，而服务器的资源(处理器、硬盘、内存、带宽等)无法满足需求时，就可能出现服务器不再响应客户端请求，甚至出现服务器崩溃的情况。为了避免出现这种情况，需要运维人员实时对服务器的处理器、内存、带宽等指标数据进行监测，并根据运维人员的经验判断是否存在服务器压力过载的情况，而通过运维人员监测和判断服务器的压力情况不仅需要耗费大量的人力资源，还存在准确性低的问题。

发明内容

有鉴于此，本发明实施例提供了一种服务器压力预警方法、系统及终端设备，以解决目前通过运维人员监测和判断服务器的压力情况存在的人力成本高且准确性低的问题。

本发明的第一方面提供了一种服务器压力预警方法，包括：

基于服务器的历史数据建立服务器压力预测模型，所述服务器的历史数据包括服务器的历史性能指标数据、历史外界因素指数以及历史服务器压力指数；

获取第一时间段内所述服务器的性能指标数据和第二时间段后的外界因素指数，基于所述服务器压力预测模型，预测第二时间段后所述服务器的压力情况；

根据所述服务器的压力情况调度硬件资源。

本发明的第二方面提供了一种服务器压力预警系统，包括：

模型建立模块，用于基于服务器的历史数据建立服务器压力预测模型，所述服务器的历史数据包括服务器的历史性能指标数据、历史外界因素指数以及历史服务器压力指数；

压力预测模块，用于获取第一时间段内所述服务器的性能指标数据和第二时间段后的外界因素指数，基于所述服务器压力预测模型，预测第二时间段后所述服务器的压力情况；

资源调度模块，用于根据所述服务器的压力情况调度硬件资源。

本发明的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

基于服务器的历史数据建立服务器压力预测模型，所述服务器的历史数据包括服务器的历史性能指标数据、历史外界因素指数以及历史服务器压力指数；

获取第一时间段内所述服务器的性能指标数据和第二时间段后的外界因素指数，基于所述服务器压力预测模型，预测第二时间段后所述服务器的压力情况；

根据所述服务器的压力情况调度硬件资源。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

基于服务器的历史数据建立服务器压力预测模型，所述服务器的历史数据包括服务器的历史性能指标数据、历史外界因素指数以及历史服务器压力指数；

获取第一时间段内所述服务器的性能指标数据和第二时间段后的外界因素指数，基于所述服务器压力预测模型，预测第二时间段后所述服务器的压力情况；

根据所述服务器的压力情况调度硬件资源。

本发明提供的一种服务器压力预警方法、系统及终端设备，通过建立服务器压力预测模型，基于该服务器压力预测模型预测一定时间段后的服务器的压力情况，及时根据预测得到的服务器压力情况动态增减硬件资源，能够准确有效地提前进行压力预警，无需运维人员实时进行监测和判断，在提高资源使用率的同时减少人力成本，有效地解决了目前通过运维人员监测和判断服务器的压力情况存在的人力成本高且准确性低的问题。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种服务器压力预警方法的实现流程示意图；

图2是本发明实施例二提供的对应实施例一步骤S101的实现流程示意图；

图3是本发明实施例三提供的对应实施例一步骤S102的实现流程示意图；

图4是本发明实施例四提供的对应实施例一步骤S103的实现流程示意图；

图5是本发明实施例五提供的一种服务器压力预警系统的结构示意图；

图6是本发明实施例六提供的对应实施例五中模型建立模块101的结构示意图；

图7是本发明实施例七提供的对应实施例五中压力预测模块102的结构示意图；

图8是本发明实施例八提供的对应实施例五中资源调度模块103的结构示意图；

图9是本发明实施例九提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、系统、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

本发明实施例为了解决目前通过运维人员监测和判断服务器的压力情况存在的人力成本高且准确性低的问题，提供了一种服务器压力预警方法、系统及终端设备，通过建立服务器压力预测模型，基于该服务器压力预测模型预测一定时间段后的服务器的压力情况，及时根据预测得到的服务器压力情况动态增减硬件资源，能够准确有效地提前进行压力预警，无需运维人员实时进行监测和判断，在提高资源使用率的同时减少人力成本，有效地解决了目前通过运维人员监测和判断服务器的压力情况存在的人力成本高且准确性低的问题。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一：

如图1所示，本实施例提供了一种服务器压力预警方法，其具体包括：

步骤S101：基于服务器的历史数据建立服务器压力预测模型。

在具体应用中，所述服务器的历史数据包括服务器的历史性能指标数据、历史外界因素指数以及历史服务器压力指数。

在具体应用中，从存储服务器历史数据的数据库中获取各个性能指标的历史数据和历史服务器压力指数。服务器压力指数用于衡量服务器承受的压力，需要服务器响应的请求越多，服务器承受的压力就越大，相应的，服务器压力指数也越高。需要说明的是，服务器承受的压力通过服务器资源(处理器、内存、带宽等资源)的使用情况来进行衡量，服务器资源使用得越多，则服务器能承受的压力越小。通过获取各个性能指标的历史数据(历史CPU使用率，历史内存使用率以及历史网络带宽)表征服务器资源的使用情况。

在具体应用中，历史外界因素指数根据历史外界因素条件进行设置。外界因素条件包括但不限于以下条件：当天是否为节假日、当天是否为活动日以及活动日的活动力度。若当天为节假日或活动日，则服务器需要响应的服务请求较多，需要承受的压力也较大。活动日的活动力度越大，则服务器需要响应的服务请求也越多，需要承受的压力也越大。需要说明的是，通过活动参与人数衡量活动力度，活动参与人数越多，则活动力度越大。示例性的，若当天不是节假日也不是活动日，则设置外界因素指数为0；若当天为节假日，则设置外界因素指数为0.5；若当天为活动日，则根据活动日的活动力度设置外界因素指数，活动力度越大则外界因素指数越高，如活动参与人数为100人，则设定外界因素指数为0.1，活动参与人数为800人，则设定外界因素为0.8。

在具体应用中，将服务器的历史数据保存在服务器数据库中，对应存储服务器的历史性能指标数据和历史服务器压力指数，并存储对应的历史外界因素指数。通过从服务器数据库中获取大量的历史数据来建立和训练服务器压力预测模型，进而生成能够预测服务器压力走向的服务器压力预测模型。

步骤S102：获取第一时间段内所述服务器的性能指标数据和第二时间段后的外界因素指数，基于所述服务器压力预测模型，预测第二时间段后所述服务器的压力情况。

在具体应用中，基于能够预测服务器压力走向的服务器压力预测模型，采集第一时间段内该服务器的各项性能指标数据并结合第二时间段后的外界因素指数，将服务器的各项性能指标数据和第二时间段后的外界因素指数作为输入参数输入到服务器压力预测模型中，输出第二时间段后该服务器的压力情况，能够有效预测第二时间段后该服务器的压力情况。

在具体应用中，上述预测第二时间段后该服务器的压力情况，可以是预测该服务器的压力超过压力阈值的概率，也可以是预测该服务器的各项性能指标数据的预测值，还可以是预测该服务器压力指数的预测值，在此不加以限制。

在具体应用中，通过服务器实时监测并输出各项性能指标数据，通过调用封装在服务器的接口采集第一时间段内的各项性能指标数据。第一时间段的时长可以根据需要进行设定。示例性的，设定第一时间段的时长为3个小时，因此，可以通过调用接口采集这3个小时内服务器的各项性能指标数据，第一时间段的起点为当前时间的3个小时前。如当前时间为11:00，则第一时间段的起点为08:00。

在具体应用中，上述第二时间段的时长需基于预测准确度和预测实用性进行考虑。若第二时间段的时长过长，则预测的准确度不高，若第二时间段的时长过短，则预测的实用性不高。因此，第二时间段的时长根据实际需求进行设定。示例性的，设定第二时间段的时长为3小时。需要说明的是，第二时间段开始计时的节点为第一时间段计时结束的节点。示例性的，第一时间段为08:00至11:00，通过采集08:00至11:00这一时间段内服务器的各项性能指标数据和第二时间段后的外界因素指数，基于服务器压力预测模型，能够预测14:00之后服务器的压力情况。

步骤S103：根据所述服务器的压力情况调度硬件资源。

在具体应用中，当服务器的压力存在过载的可能时，则通过与硬件资源调度平台进行通信，从硬件资源调度平台增加硬件资源，以使服务器能够平稳地渡过压力期。

在具体应用中，根据预测得到的服务器的压力情况分析该服务器在第二时间段后是否会出现压力过载的情况。若服务器存在压力过载的情况则相应地增加硬件资源，若服务器不存在压力过载的情况则无需增加硬件资源。

在具体应用中，当上述服务器存在压力过载的情况时，分析所述服务器的压力情况，获取导致服务器压力过载的性能指标，根据该性能指标的预测值超出该性能指标的安全阈值的值来确定增加硬件资源的数量，超出安全阈值越高，则相应增加的硬件资源越多。示例性的，当上述服务器压力预测模型输出的CPU使用率为85％，且上述CPU使用率的安全阈值为75％。则根据超出的10％来增加处理器。如当前处理器个数为4个，则相应增加1个处理器，以使CPU使用率降低为68％。

本实施例提供的服务器压力预警方法，通过建立服务器压力预测模型，基于该服务器压力预测模型预测一定时间段后的服务器的压力情况，及时根据预测得到的服务器压力情况动态增减硬件资源，能够准确有效地提前进行压力预警，无需运维人员实时进行监测和判断，在提高资源使用率的同时减少人力成本，有效地解决了目前通过运维人员监测和判断服务器的压力情况存在的人力成本高且准确性低的问题。

实施例二：

如图2所示，在本实施例中，实施例一中的步骤S101具体包括：

步骤S201：获取所述服务器的历史性能指标数据以及所述服务器的历史服务器压力指数。

在具体应用中，通过服务器对自身的各项性能指标进行监测并将监测到的各项性能指标数据存储在数据库中。通过调用数据库获取服务器的历史性能指标数据，上述服务器的历史性能指标数据包括历史CPU使用率，历史内存使用率以及历史网络带宽。

在具体应用中，各项性能指标数据根据时间序列进行存储，在调用数据库获取历史性能指标数据时也是基于时间序列进行提取。上述数据库存储方法和数据提取方法为现有技术，在此不加以赘述。

步骤S202：根据历史外界因素条件设置历史外界因素指数。

在具体应用中，数据库中还对应存储了历史外界因素条件，即对应存储了各项性能指标数据对应的日期是否为活动日，是否为节假日以及活动力度等。在获取各项性能指标数据的同时，对应获取历史外界因素条件。

在具体应用中，上述根据历史外界因素条件设置历史外界因素指数，可以通过建立外界因素指数输出模型，将历史因素条件参数输入该模型中，便能自动输出外界因素指数。上述历史因素条件参数为：是否为节假日，是否为活动日以及活动力度。

步骤S203：将所述服务器的历史性能指标数据和所述历史外界因素指数作为输入参数，将所述历史服务器压力指数作为输出参数，并基于Tensorflow学习系统进行机器学习，建立服务器压力预测模型。

在具体应用中，将通过数据库获取到的各项性能指标的历史性能指标数据和历史外界条件因素指数对应的输入到Tensorflow学习系统中，将对应的历史服务器压力指数作为Tensorflow学习系统的输出参数进行机器学习，通过大量的历史性能指标数据和历史外界条件因素指数(输入参数)与历史服务器压力指数(输出参数)建立服务器压力预测模型，生成能够预测服务器压力走向的服务器压力预测模型。

需要说明的是：Tensorflow学习系统作为现有技术，构建服务器压力预测模型的过程和学习方式在此不加以赘述。

实施例三：

如图3所示，在本实施例中，实施例一中的步骤S102具体包括：

步骤S301：采集所述服务器在第一时间段内的性能指标数据，包括所述CPU使用率、内存使用率以及网络带宽。

步骤S302：基于当前外界因素条件采用外界因素指数输出模型计算所述服务器在第二时间段后的外界因素指数。

在具体应用中，从存储服务器数据的数据库中采集服务器第一时间段内输出的各项性能指标数据和当前外界因素条件，并基于外界因素指数输出模型计算第二时间段后的当前外界因素指数。

在一个实施例中，上述外界因素指数输出模型具体为：

其中，所述P为外界因素指数，所述condition1为第一条件参数，所述par为活动参与人数，所述capacity为人数上限值，所述condition2为第二条件参数。

在具体应用中，上述第一条件参数condition1在满足第一外界因素条件时为1，不满足第一外界因素条件时为0，其中，第一外界因素条件为：是否为节假日。上述第二条件参数condition2在满足第二外界因素条件时为1，不满足第二外界因素条件时为0，其中，第二外界因素条件为：是否为活动日。所述人数上限值capacity可以根据服务器最大承压人数进行设置，活动参与人数par是指活动日的参与人数。

需要说明的是，上述当前外界因素条件是指第二时间端后的当前外界因素条件。示例性的，若第一时间段为19:00至22:00，则预测的是第二天的01:00时服务器的压力情况，因此是根据第二天的外界因素条件来设定外界因素指数。

步骤S303：将所述CPU使用率、内存使用率、网络带宽以及所述当前外界因素指数输入所述服务器压力预测模型，输出所述服务器在第二时间段后的压力情况，所述压力情况为所述服务器压力超出压力阈值的概率。

在具体应用中，通过能够预测服务器压力走向的服务器压力预测模型得到第二时间段后的服务器的压力情况，具体为，该服务器压力超出压力阈值的概率。若服务器压力超出压力阈值的概率较高，则需要增加硬件资源以使服务器平稳过渡。

在具体应用中，上述输出所述服务器在第二时间段后的压力情况还可以是输出该服务器在第二时间段后的服务器压力指数。分析所述服务器压力指数是否超过压力指数阈值，若预测得到的服务器压力指数超过压力指数阈值，则根据服务器压力指数超出压力指数阈值来相应增加硬件资源，通过获取当前服务器的硬件资源参数，如当前服务器的处理器个数、内存大小以及使用的网络带宽大小。计算需要增加的处理器个数、内存和网络带宽。

示例性的，若预测得到的服务器压力指数为1.2，而服务器的压力指数阈值为0.6，则第二时间段后，服务器的压力指数超出压力指数阈值0.6。若当前服务器的处理器个数为4个，内存为16g，网络带宽为3.2GB/s。则需要相应增加的硬件资源为处理器个数为4个，内存为16g，网络带宽为3.2GB/s。增加后的服务器的硬件资源包括8个处理器、32g内存以及6.4GB/s的网络带宽。

实施例四：

如图4所示，在本实施例中，实施例一中的步骤S103具体包括：

步骤S401：分析所述服务器的压力情况，判断所述服务器压力超出压力阈值的概率是否高于第一概率阈值。

在具体应用中，通过获取服务器压力超出压力阈值的概率，分析该概率是否高于第一概率阈值，来判断服务器的压力是否过载。

步骤S402：若所述服务器压力超出压力阈值的概率高于第一概率阈值，则通过硬件调度平台根据所述服务器的压力情况增加硬件资源，所述硬件资源包括：处理器、内存及网络带宽。

在具体应用中，若所述服务器压力超出压力阈值的概率高于第一概率阈值。则表明第二时间段后该服务器存在压力过载的情况，此时，则通过硬件调度平台根据该服务器的压力指数相应增加硬件资源。

在具体应用中，上述服务器的压力情况包括各个性能指标参数的预测值。根据各个性能指标参数的预测值，分析该服务器具体需要增加的硬件资源。示例性的，若各个性能指标参数的预测值分别为：CPU使用率：85％，内存使用率：50％，网络带宽使用率：50％。且各个性能指标参数的安全阈值为70％。，则此时CPU使用率超过安全阈值，因此需要增加的硬件资源为处理器，通过增加处理器使得CPU使用率低于安全阈值。需要说明的是，各个性能指标参数的安全阈值可以根据实际需求进行设定，在此不加以限制。

在一个实施例中，步骤S103还包括以下步骤：

步骤S403：若所述服务器压力超出压力阈值的概率等于或低于所述第一概率阈值，则判断所述服务器压力超出压力阈值的概率是否低于第二概率阈值。

步骤S404：若所述服务器压力超出压力阈值的概率低于第二概率阈值，则释放硬件资源，所述第二概率阈值小于所述第一概率阈值。

在具体应用中，通过获取服务器压力超出压力阈值的概率，分析该概率是否低于第二概率阈值，来判断服务器的资源是否过剩。若服务器的压力超出压力阈值的概率低于第二概率阈值，则表明该服务器存在资源过剩的情况，为了避免资源浪费，则释放过剩的硬件资源。

在具体应用中，通过获取各个性能指标参数的预测值。根据各个性能指标参数的预测值，分析该服务器具体需要存在硬件资源过剩的情况。示例性的，若各个性能指标参数的预测值分别为：CPU使用率：15％，内存使用率：50％，网络带宽使用率：50％。且各个性能指标参数的释放阈值为30％。，则此时CPU使用率低于释放阈值，因此需要释放的硬件资源为处理器，通过释放处理器使得CPU使用率高于释放阈值。需要说明的是，在释放硬件资源时还需要保证服务器不会出现压力过载的情况，因此需要控制各个性能指标参数在释放资源后不会高于安全阈值。还需要说明的是，各个性能指标参数的释放阈值可以根据实际需求进行设定，在此不加以限制。

实施例五：

如图5所示，本实施例提供一种服务器压力系统100，用于执行实施例一中的方法步骤，其包括模型建立模块101、压力预测模块102以及资源调度模块103。

模型建立模块101用于基于服务器的历史数据建立服务器压力预测模型，所述服务器的历史数据包括服务器的历史性能指标数据、历史外界因素指数以及历史服务器压力指数。

压力预测模块102用于获取第一时间段内所述服务器的性能指标数据和第二时间段后的外界因素指数，基于所述服务器压力预测模型，预测第二时间段后所述服务器的压力情况。

资源调度模块103用于根据所述服务器的压力情况调度硬件资源。

需要说明的是，本发明实施例提供的服务器压力预警系统，由于与本发明图1所示方法实施例基于同一构思，其带来的技术效果与本发明图1所示方法实施例相同，具体内容可参见本发明图1所示方法实施例中的叙述，此处不再赘述。

因此，本实施例提供的一种服务器压力预警系统，同样能够通过建立服务器压力预测模型，基于该服务器压力预测模型预测一定时间段后的服务器的压力情况，及时根据预测得到的服务器压力情况动态增减硬件资源，能够准确有效地提前进行压力预警，无需运维人员实时进行监测和判断，在提高资源使用率的同时减少人力成本，有效地解决了目前通过运维人员监测和判断服务器的压力情况存在的人力成本高且准确性低的问题。

实施例六：

如图6所示，在本实施例中，实施例五中的模型建立模块101包括用于执行图2所对应的实施例中的方法步骤的结构，其包括获取单元201、设置单元202以及学习单元203。

获取单元201用于获取所述服务器的历史性能指标数据以及所述服务器的历史服务器压力指数。

设置单元202用于根据历史外界因素条件设置历史外界因素指数。

学习单元203用于将所述服务器的历史性能指标数据和所述历史外界因素指数作为输入参数，将所述历史服务器压力指数作为输出参数，并基于Tensorflow学习系统进行机器学习，建立服务器压力预测模型。

实施例七：

如图7所示，在本实施例中，实施例五中的压力预测模块102包括用于执行图3所对应的实施例中的方法步骤的结构，其包括采集单元301、计算单元302以及预测单元303。

采集单元301用于采集所述服务器在第一时间段内的性能指标数据，包括所述CPU使用率、内存使用率以及网络带宽。

计算单元302用于基于当前外界因素条件采用外界因素指数输出模型计算所述服务器在第二时间段后的外界因素指数。

预测单元303用于将所述CPU使用率、内存使用率、网络带宽以及所述第二时间段后的外界因素指数输入所述服务器压力预测模型，输出所述服务器在第二时间段后的压力情况，所述压力情况为所述服务器压力超出压力阈值的概率。

实施例八：

如图8所示，在本实施例中，实施例五中的资源调度模块103包括用于执行图4所对应的实施例中的方法步骤的结构，其包括判断单元401和调度单元402。

判断单元401用于分析所述服务器的压力情况，判断所述服务器压力超出压力阈值的概率是否高于第一概率阈值。

调度单元402用于若所述服务器压力超出压力阈值的概率高于第一概率阈值，则通过硬件调度平台根据所述服务器的压力情况增加硬件资源，所述硬件资源包括：处理器、内存及带宽。

在一个实施例中，上述判断单元401还用于若所述服务器压力超出压力阈值的概率等于或低于所述第一概率阈值，则判断所述服务器压力超出压力阈值的概率是否低于第二概率阈值。

上述调度单元402还用于若所述服务器压力超出压力阈值的概率低于第二概率阈值，则释放硬件资源。需要说明的是，所述第二概率阈值小于所述第一概率阈值。

实施例九：

图9是本发明实施例九提供的终端设备的示意图。如图9所示，该实施例的终端设备9包括：处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92，例如程序。所述处理器90执行所述计算机程序92时实现上述各个服务器压力预警方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，所述处理器90执行所述计算机程序92时实现上述系统实施例中各模块/单元的功能，例如图5所示模块101至103的功能。

示例性的，所述计算机程序92可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器91中，并由所述处理器90执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序92在所述终端设备9中的执行过程。例如，所述计算机程序92可以被分割成模型建立模块、压力预测模块以及资源调度模块，各模块具体功能如下：

模型建立模块，用于基于服务器的历史数据建立服务器压力预测模型，所述服务器的历史数据包括服务器的历史性能指标数据、历史外界因素指数以及历史服务器压力指数；

压力预测模块，用于获取第一时间段内所述服务器的性能指标数据和第二时间段后的外界因素指数，基于所述服务器压力预测模型，预测第二时间段后所述服务器的压力情况；

资源调度模块，用于根据所述服务器的压力情况调度硬件资源。

所述终端设备9可以是桌上型计算机、笔记本、掌上电脑及云端管理服务器等计算设备。所述终端设备可包括，但不仅限于，处理器90、存储器91。本领域技术人员可以理解，图9仅仅是终端设备9的示例，并不构成对终端设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器90可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器91可以是所述终端设备9的内部存储单元，例如终端设备9的硬盘或内存。所述存储器91也可以是所述终端设备9的外部存储设备，例如所述终端设备9上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述无线终端中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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方法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。

在本发明所提供的实施例中，应该理解到，所揭露的系统/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的系统/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，系统或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述设置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，设置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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并设置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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述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精神和范围，均应包含在本发明的保护范围之内。

Claims (7)

1.一种服务器压力预警方法，其特征在于，包括：

基于服务器的历史数据建立服务器压力预测模型，所述服务器的历史数据包括服务器的历史性能指标数据、历史外界因素指数以及历史服务器压力指数；其中，所述历史外界因素指数根据历史外界因素条件进行设置，所述历史外界因素条件包括各项性能指标数据对应的日期是否为活动日，是否为节假日以及活动力度；

获取第一时间段内所述服务器的性能指标数据和第二时间段后的外界因素指数，基于所述服务器压力预测模型，预测第二时间段后所述服务器的压力情况；其中，所述第二时间段开始计时的节点为所述第一时间段计时结束的节点；

根据所述服务器的压力情况调度硬件资源；

所述获取第一时间段内所述服务器的性能指标数据和第二时间段后的外界因素指数，基于所述服务器压力预测模型，预测第二时间段后所述服务器的压力情况，包括：

采集所述服务器在第一时间段内的性能指标数据，包括CPU使用率、内存使用率以及网络带宽；

基于当前外界因素条件采用外界因素指数输出模型计算所述服务器在第二时间段后的外界因素指数；所述外界因素指数输出模型具体为：

其中，所述P为外界因素指数，所述condition1为第一条件参数，所述par为活动参与人数，所述capacity为人数上限值，所述condition2为第二条件参数；

将所述CPU使用率、内存使用率、网络带宽以及所述第二时间段后的外界因素指数输入所述服务器压力预测模型，输出所述服务器在第二时间段后的压力情况，所述压力情况为所述服务器压力超出压力阈值的概率。

2.根据权利要求1所述的方法，其特征在于，所述基于服务器的历史数据建立服务器压力预测模型，包括：

获取所述服务器的历史性能指标数据以及所述服务器的历史服务器压力指数；

根据历史外界因素条件设置历史外界因素指数；

将所述服务器的历史性能指标数据和所述历史外界因素指数作为输入参数，将所述历史服务器压力指数作为输出参数，并基于Tensorflow学习系统进行机器学习，建立服务器压力预测模型。

3.根据权利要求1所述的方法，其特征在于，所述根据所述服务器的压力情况调度硬件资源，包括：

分析所述服务器的压力情况，判断所述服务器压力超出压力阈值的概率是否高于第一概率阈值；

若所述服务器压力超出压力阈值的概率高于第一概率阈值，则通过硬件调度平台根据所述服务器的压力情况增加硬件资源，所述硬件资源包括：处理器、内存及网络带宽；

若所述服务器压力超出压力阈值的概率等于或低于所述第一概率阈值，则判断所述服务器压力超出压力阈值的概率是否低于第二概率阈值；

若所述服务器压力超出压力阈值的概率低于第二概率阈值，则释放硬件资源，所述第二概率阈值小于所述第一概率阈值。

4.一种服务器压力预警系统，其特征在于，包括：

模型建立模块，用于基于服务器的历史数据建立服务器压力预测模型，所述服务器的历史数据包括服务器的历史性能指标数据、历史外界因素指数以及历史服务器压力指数；其中，所述历史外界因素指数根据历史外界因素条件进行设置，所述历史外界因素条件包括各项性能指标数据对应的日期是否为活动日，是否为节假日以及活动力度；

压力预测模块，用于获取第一时间段内所述服务器的性能指标数据和第二时间段后的外界因素指数，基于所述服务器压力预测模型，预测第二时间段后所述服务器的压力情况；其中，所述第二时间段开始计时的节点为所述第一时间段计时结束的节点；

资源调度模块，用于根据所述服务器的压力情况调度硬件资源；

所述压力预测模块包括：

采集单元，用于采集所述服务器在第一时间段内的性能指标数据，包括- CPU使用率、内存使用率以及网络带宽；

计算单元，用于基于当前外界因素条件采用外界因素指数输出模型计算所述服务器在第二时间段后的外界因素指数；所述外界因素指数输出模型具体为：

其中，所述P为外界因素指数，所述condition1为第一条件参数，所述par为活动参与人数，所述capacity为人数上限值，所述condition2为第二条件参数

预测单元，用于将所述CPU使用率、内存使用率、网络带宽以及所述第二时间段后的外界因素指数输入所述服务器压力预测模型，输出所述服务器在第二时间段后的压力情况，所述压力情况为所述服务器压力超出压力阈值的概率。

5.根据权利要求4所述的服务器压力预警系统，其特征在于，所述模型建立模块包括：

获取单元，用于获取所述服务器的历史性能指标数据以及所述服务器的历史服务器压力指数；

设置单元，用于根据历史外界因素条件设置历史外界因素指数；

学习单元，用于将所述服务器的历史性能指标数据和所述历史外界因素指数作为输入参数，将所述历史服务器压力指数作为输出参数，并基于Tensorflow学习系统进行机器学习，建立服务器压力预测模型。

6.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述方法的步骤。

7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述方法的步骤。

Images