CN109800130A - 一种设备监控方法、装置、设备及介质 - Google Patents
一种设备监控方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN109800130A CN109800130A CN201910098869.7A CN201910098869A CN109800130A CN 109800130 A CN109800130 A CN 109800130A CN 201910098869 A CN201910098869 A CN 201910098869A CN 109800130 A CN109800130 A CN 109800130A
- Authority
- CN
- China
- Prior art keywords
- target device
- cluster
- normal condition
- state data
- target
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 230000005856 abnormality Effects 0.000 claims abstract description 68
- 230000002159 abnormal effect Effects 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 24
- 208000002693 Multiple Abnormalities Diseases 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000000151 deposition Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000003064 k means clustering Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 240000005373 Panax quinquefolius Species 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种设备监控方法、装置、设备及介质。该方法的步骤包括:获取目标设备产生的多个正常状态数据样本,并获取目标设备产生的多个异常状态数据样本;通过聚类算法共同对各正常状态数据样本及各异常状态数据样本进行聚类处理,生成正常状态簇以及异常状态簇;获取目标设备在工作过程中产生的目标状态数据,计算正常状态簇的质心与目标状态数据之间的第一空间距离以及异常状态簇的质心与目标状态数据之间的第二空间距离;当第一空间距离大于第二空间距离时,将监控结果设置为目标设备存在异常。本方法实现了对计算设备工作异常的预测。此外,本发明还提供一种设备监控装置、设备及介质,有益效果同上所述。
Description
技术领域
本发明涉及设备运维领域,特别是涉及一种设备监控方法、装置、设备及介质。
背景技术
随着计算机时代的发展,以大数据、AI以及IOT最为代表的,当前对计算能力的旺盛需求促使计算架构不断被优化。目前典型的计算架构可以分为单机、集群以及分布式三类,它们均属于根据业务搭建的拓扑结构,是计算设备的抽象组织形态。对于一个由计算设备构建的组织,工程师在设计时都需要实现其自治属性,其中,一个基本的自治属性就是计算设备的物理工作状态,包括设备电压、电流、温度、湿度等。对于计算设备而言,其物理工作状态信息通过板卡中的BMC(基板管理控制器Baseboard Management Controller)实现数据监控并向运维设备提供管理接口,同理,对于一个集群或分布式系统而言,其所包含的成千上万的单机设备均需要通过自身板卡中的BMC进行数据抽取,并将运维设备提供管理接口,以此实现集群设备的高效监控与管理。
目前,本领域对于计算设备的BMC状态管理,仍局限于对计算设备进行实时的状态监控,并在状态数据的值超过设定监控阈值时进行报警,显然当前无法提前预测计算设备存在工作异常,无法预先避免因计算设备异常而导致计算设备的计算效率降低的问题。
由此可见,提供一种设备监控方法,以实现对计算设备工作异常的预测,进而能够通过预先对异常的处理而避免因计算设备异常导致的计算设备计算效率降低,是本领域技术人员亟待解决的问题。
发明内容
本发明的目的是提供一种设备监控方法、装置、设备及介质,以实现对计算设备工作异常的预测,进而能够通过预先对异常的处理而避免因计算设备异常导致的计算设备计算效率降低。
为解决上述技术问题,本发明提供一种设备监控方法,包括:
获取目标设备产生的多个正常状态数据样本,并获取目标设备产生的多个异常状态数据样本;
通过聚类算法共同对各正常状态数据样本及各异常状态数据样本进行聚类处理,生成正常状态簇以及异常状态簇;
获取目标设备在工作过程中产生的目标状态数据,计算正常状态簇的质心与目标状态数据之间的第一空间距离以及异常状态簇的质心与目标状态数据之间的第二空间距离;
当第一空间距离大于第二空间距离时,将监控结果设置为目标设备存在异常。
优选的,获取目标设备在工作过程中产生的目标状态数据,计算正常状态簇的质心与目标状态数据之间的第一空间距离以及异常状态簇的质心与目标状态数据之间的第二空间距离包括:
获取目标设备在工作过程中连续产生的目标状态数据,计算正常状态簇的质心与各目标状态数据之间相应的第一空间距离以及计算异常状态簇的质心与各目标状态数据之间相应的第二空间距离;
相应的,当第一空间距离大于第二空间距离时,将监控结果设置为目标设备存在异常包括:
当各第一空间距离连续大于相应的第二空间距离时,将监控结果设置为目标设备存在异常。
优选的,该方法进一步包括:
当各第一空间距离间歇性大于相应的第二空间距离时,将监控结果设置为目标设备存在导致异常发生的隐患。
优选的,在计算正常状态簇的质心与目标状态数据之间的第一空间距离以及异常状态簇的质心与目标状态数据之间的第二空间距离后,该方法进一步包括:
当第一空间距离小于第二空间距离时,将监控结果设置为目标设备处于正常状态。
优选的,在将监控结果设置为目标设备存在异常后,该方法进一步包括:
通过显示界面向用户进行异常预警。
优选的,聚类算法包括K-means聚类算法。
此外,本发明还提供一种设备监控装置,包括:
样本获取模块,用于获取目标设备产生的多个正常状态数据样本,并获取目标设备产生的多个异常状态数据样本;
样本聚类模块,用于通过聚类算法共同对各正常状态数据样本及各异常状态数据样本进行聚类处理,生成正常状态簇以及异常状态簇;
状态解析模块,用于获取目标设备在工作过程中产生的目标状态数据,计算正常状态簇的质心与目标状态数据之间的第一空间距离以及异常状态簇的质心与目标状态数据之间的第二空间距离;
结果生成模块,用于当第一空间距离大于第二空间距离时,将监控结果设置为目标设备存在异常。
此外,本发明还提供一种设备监控设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上述的设备监控方法的步骤。
此外,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述的设备监控方法的步骤。
本发明所提供的设备监控方法,首先获取多个目标设备正常工作时的正常状态数据样本,并获取多个目标设备处于异常状态时的异常状态数据样本,进而通过聚类算法对所有正常状态数据样本以及所有异常状态数据样本进行聚类处理,生成相应的正常状态簇以及异常状态簇,在此之后获取目标设备在真实工作场景下产生的目标状态数据,并计算正常状态簇的质心与目标状态数据之间的第一空间距离以及异常状态簇的质心与目标状态数据之间的第二空间距离,最终比较第一空间距离与第二空间距离之间的大小关系,当第一空间距离大于第二空间距离时,即目标状态数据趋近于异常状态簇时,将监控结果设置为目标设备存在异常。本方法通过预先对于目标设备正常及异常时状态数据进行聚类生成相应的状态簇,进而当目标设备在真实场景下生成的目标状态数据所趋近的状态簇,判定目标设备工作状态。本方法实现了对计算设备工作异常的预测,进而能够通过预先对异常的处理而避免因计算设备异常而导致的计算效率降低的情况发生。此外,本发明还提供一种设备监控装置、设备及介质,有益效果同上所述。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,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为本发明实施例提供的一种设备监控方法的流程图;
图2为本发明实施例提供的一种设备监控装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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,都属于本发明保护范围。
本发明的核心是提供一种设备监控方法,以实现对计算设备工作异常的预测,进而能够通过预先对异常的处理而避免因计算设备异常导致的计算设备计算效率降低。本发明的另一核心是提供一种设备监控装置、设备及介质。
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。
实施例一
图1为本发明实施例提供的一种设备监控方法的流程图。请参考图1,设备监控方法的具体步骤包括:
步骤S10:获取目标设备产生的多个正常状态数据样本,并获取目标设备产生的多个异常状态数据样本。
需要说明的是,本步骤是在进行设备监控前首先获取待监控的目标设备产生的多个正常状态数据样本,并获取目标设备产生的多个异常状态数据样本,以此进行后续的聚类处理。本步骤中的正常状态数据样本是目标设备在正常工作状态下产生的状态数据,异常状态数据样本是目标设备在异常状态下产生的状态数据,此处的状态数据是指设备的芯片电压、电源电流强度、电源电压以及芯片温度等状态参数。本步骤中的目标设备可以是服务器,进而在服务器中获取的正常状态数据样本及异常状态数据样本均可以是由服务器中的BMC(基板管理控制器,Baseboard Management Controller)收集并提供。
步骤S11:通过聚类算法共同对各正常状态数据样本及各异常状态数据样本进行聚类处理,生成正常状态簇以及异常状态簇。
需要说明的是,本步骤是通过聚类算法对全部的正常状态数据样本以及全部的异常状态数据样本进行聚类处理,聚类处理的本质就是将正常状态数据样本以及异常状态数据样本归纳至与其所属类相应的簇(cluster)。在实际场景中,异常状态数据样本所表征的异常状态往往不同,例如芯片电压过低、芯片电压过高或电源电压过高时,目标设备的数据样本都会存在异常,但是由于异常的类型不同,因此在进行聚类时,能够将不同异常状态数据样本划分至相应的簇中,本步骤中所指的异常状态簇泛指各种异常状态对应的簇。此外,由于利用聚类算法对样本数据进行聚类处理的操作是本领域技术人员所知的技术内容,因此在此不做过多赘述。
步骤S12:获取目标设备在工作过程中产生的目标状态数据,计算正常状态簇的质心与目标状态数据之间的第一空间距离以及异常状态簇的质心与目标状态数据之间的第二空间距离。
本步骤是在真实场景下对目标设备进行的监控,首先获取目标设备在工作过程中产生的目标状态数据,计算正常状态簇的质心与目标状态数据之间的第一空间距离以及异常状态簇的执行与目标状态数据之间的第二空间距离。需要说明的是,簇中的质心是簇中的中心点,表示的是簇在空间中的位置,此处所指的空间是为了表示状态数据样本的各个参数而构成的相应数量维度空间。本步骤中的第一空间距离能够表征的是目标状态数据与正常状态簇的趋近程度,第二空间距离能够表征的是目标状态数据与异常状态簇的趋近程度。
步骤S13:当第一空间距离大于第二空间距离时,将监控结果设置为目标设备存在异常。
可以理解的是,当第一空间距离大于第二空间距离时,则说明目标状态数据在空间上距离正常状态簇的距离较远,目标状态数据在空间上距离异常状态簇的距离较近,因此目标状态数据趋近于目标设备在异常状态时产生的数据,因此本步骤当第一空间距离大于第二空间距离时,将监控结果设置为目标设备存在异常,本步骤中所指的目标设备存在异常本质上是指目标设备存在发生异常的趋势,由于异常状态簇是由异常状态数据样本聚类生成的,因此当目标设备在真实工作场景下产生的目标状态数据与异常状态簇的质心之间的第二空间距离的值越小时,目标设备越容易因异常而宕机,在实际情况下可能存在目标设备因异常宕机时,第二空间的距离为0的情况。
本发明所提供的设备监控方法,首先获取多个目标设备正常工作时的正常状态数据样本,并获取多个目标设备处于异常状态时的异常状态数据样本,进而通过聚类算法对所有正常状态数据样本以及所有异常状态数据样本进行聚类处理,生成相应的正常状态簇以及异常状态簇,在此之后获取目标设备在真实工作场景下产生的目标状态数据,并计算正常状态簇的质心与目标状态数据之间的第一空间距离以及异常状态簇的质心与目标状态数据之间的第二空间距离,最终比较第一空间距离与第二空间距离之间的大小关系,当第一空间距离大于第二空间距离时,即目标状态数据趋近于异常状态簇时,将监控结果设置为目标设备存在异常。本方法通过预先对于目标设备正常及异常时状态数据进行聚类生成相应的状态簇,进而当目标设备在真实场景下生成的目标状态数据所趋近的状态簇,判定目标设备工作状态。本方法实现了对计算设备工作异常的预测,进而能够通过预先对异常的处理而避免因计算设备异常而导致的计算效率降低的情况发生。
实施例二
在上述实施例的基础上,本发明还提供以下一系列优选的实施方式。
作为一种优选的实施方式,获取目标设备在工作过程中产生的目标状态数据,计算正常状态簇的质心与目标状态数据之间的第一空间距离以及异常状态簇的质心与目标状态数据之间的第二空间距离包括:
获取目标设备在工作过程中连续产生的目标状态数据,计算正常状态簇的质心与各目标状态数据之间相应的第一空间距离以及计算异常状态簇的质心与各目标状态数据之间相应的第二空间距离;
相应的,当第一空间距离大于第二空间距离时,将监控结果设置为目标设备存在异常包括:
当各第一空间距离连续大于相应的第二空间距离时,将监控结果设置为目标设备存在异常。
需要说明的是,由于考虑到目标设备在真实场景下工作时可能会因客观因素而出现偶然的工作状态波动,进程导致所产生的目标状态数据趋近于异常状态簇,因此仅通过目标设备工作过程中单一的目标状态数据预判目标设备是否具有发生异常的趋势,准确性相对较低。而本实施方式为了相对提高对于目标设备进行监控的准确性,获取目标设备在工作过程中连续产生的目标状态数据,进而计算正常状态簇的质心与各目标状态数据之间相应的第一空间距离以及计算异常状态簇的质心与各目标状态数据之间相应的第二空间距离,进而通过判断连续生产的第一空间距离与相应的第二空间距离之间的大小关系确定目标设备是否存在异常,即当各第一空间距离连续大于相应的第二空间距离时,将监控结果设置为目标设备存在异常。本实施方式通过目标设备一段时间连续产生的目标状态数据对目标设备的工作状态进行分析,相对提高了对于目标设备监控的准确性。
在上述实施方式的基础上,作为一种优选的实施方式,该方法进一步包括:
当各第一空间距离间歇性大于相应的第二空间距离时,将监控结果设置为目标设备存在导致异常发生的隐患。
需要说明的是,在连续获取目标设备在真实场景下的目标状态数据,并计算得到相对应的多对第一空间距离及第二空间距离的基础上,当各第一空间距离间歇性大于相应的第二空间距离时,则说明目标设备的工作状态在正常状态与异常状态之间摆动,在此情况下目标设备处于稳定性较低的状态,因此将监控结果设置为目标设备存在导致异常发生的隐患。本实施方式能够判定目标设备是否存在导致异常发生的隐患,当目标设备稳定性较低时,用户能够及时获悉并避免因目标设备较低的稳定性而导致异常的发生,相对保证了目标设备的正常工作。
此外,作为一种优选的实施方式,在计算正常状态簇的质心与目标状态数据之间的第一空间距离以及异常状态簇的质心与目标状态数据之间的第二空间距离后,该方法进一步包括:
当第一空间距离小于第二空间距离时,将监控结果设置为目标设备处于正常状态。
需要说明的是,当第一空间距离小于第二空间距离时,则说明目标状态数据趋近于正常状态簇,因此本实施方式在当第一空间距离小于第二空间距离时,将监控结果设置为目标设备处于正常状态。本实施方式进一步增加了对于目标设备正常工作的状态判定,当目标设备正常工作时用户能够获悉到目标设备处于正常工作状态,进一步确保了设备监控逻辑的完整性。
此外,作为一种优选的实施方式,在将监控结果设置为目标设备存在异常后,该方法进一步包括:
通过显示界面向用户进行异常预警。
由于考虑到在将监控结果设置为目标设备存在异常时,用户往往难以在第一时间获悉到目标设备存在异常并对目标设备进行及时的维护,进而极易导致目标设备的异常状态加剧,引发目标设备宕机等严重后果,因此本实施方式在将监控结果设置为目标设备存在异常后,通过显示界面向用户进行异常预警,以此实现在第一时间通过显示界面告知用户目标用户设备存在异常,相对避免了因用户对异常发现不及时而导致的异常状态加剧的情况发生,确保了目标设备的整体稳定性以及可靠性。
在上述一系列实施方式的基础上,作为一种优选的实施方式,聚类算法包括K-means聚类算法。
需要说明的是,K-means聚类算法是解决聚类问题的一种经典算法,其具有简单且高效的优点,对处理大数据集而言该算法保持可伸缩性和高效性,因此本实施方式通过K-means聚类算法,能够相对提高对各正常状态数据样本及各异常状态数据样本进行聚类处理时的整体效率,进而提高设备监控时的整体效率。
实施例三
在上文中对于设备监控方法的实施例进行了详细的描述,本发明还提供一种与该方法对应的设备监控装置,由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
图2为本发明实施例提供的一种设备监控装置的结构图。本发明实施例提供的设备监控装置,包括:
样本获取模块10,用于获取目标设备产生的多个正常状态数据样本,并获取目标设备产生的多个异常状态数据样本。
样本聚类模块11,用于通过聚类算法共同对各正常状态数据样本及各异常状态数据样本进行聚类处理,生成正常状态簇以及异常状态簇。
状态解析模块12,用于获取目标设备在工作过程中产生的目标状态数据,计算正常状态簇的质心与目标状态数据之间的第一空间距离以及异常状态簇的质心与目标状态数据之间的第二空间距离。
结果生成模块13,用于当第一空间距离大于第二空间距离时,将监控结果设置为目标设备存在异常。
本发明所提供的设备监控装置,首先获取多个目标设备正常工作时的正常状态数据样本,并获取多个目标设备处于异常状态时的异常状态数据样本,进而通过聚类算法对所有正常状态数据样本以及所有异常状态数据样本进行聚类处理,生成相应的正常状态簇以及异常状态簇,在此之后获取目标设备在真实工作场景下产生的目标状态数据,并计算正常状态簇的质心与目标状态数据之间的第一空间距离以及异常状态簇的质心与目标状态数据之间的第二空间距离,最终比较第一空间距离与第二空间距离之间的大小关系,当第一空间距离大于第二空间距离时,即目标状态数据趋近于异常状态簇时,将监控结果设置为目标设备存在异常。本装置通过预先对于目标设备正常及异常时状态数据进行聚类生成相应的状态簇,进而当目标设备在真实场景下生成的目标状态数据所趋近的状态簇,判定目标设备工作状态。本装置实现了对计算设备工作异常的预测,进而能够通过预先对异常的处理而避免因计算设备异常而导致的计算效率降低的情况发生。
实施例四
本发明还提供一种设备监控设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上述的设备监控方法的步骤。
本发明所提供的设备监控设备,首先获取多个目标设备正常工作时的正常状态数据样本,并获取多个目标设备处于异常状态时的异常状态数据样本,进而通过聚类算法对所有正常状态数据样本以及所有异常状态数据样本进行聚类处理,生成相应的正常状态簇以及异常状态簇,在此之后获取目标设备在真实工作场景下产生的目标状态数据,并计算正常状态簇的质心与目标状态数据之间的第一空间距离以及异常状态簇的质心与目标状态数据之间的第二空间距离,最终比较第一空间距离与第二空间距离之间的大小关系,当第一空间距离大于第二空间距离时,即目标状态数据趋近于异常状态簇时,将监控结果设置为目标设备存在异常。本设备通过预先对于目标设备正常及异常时状态数据进行聚类生成相应的状态簇,进而当目标设备在真实场景下生成的目标状态数据所趋近的状态簇,判定目标设备工作状态。本设备实现了对计算设备工作异常的预测,进而能够通过预先对异常的处理而避免因计算设备异常而导致的计算效率降低的情况发生。
此外,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述的设备监控方法的步骤。
本发明所提供的计算机可读存储介质,执行时首先获取多个目标设备正常工作时的正常状态数据样本,并获取多个目标设备处于异常状态时的异常状态数据样本,进而通过聚类算法对所有正常状态数据样本以及所有异常状态数据样本进行聚类处理,生成相应的正常状态簇以及异常状态簇,在此之后获取目标设备在真实工作场景下产生的目标状态数据,并计算正常状态簇的质心与目标状态数据之间的第一空间距离以及异常状态簇的质心与目标状态数据之间的第二空间距离,最终比较第一空间距离与第二空间距离之间的大小关系,当第一空间距离大于第二空间距离时,即目标状态数据趋近于异常状态簇时,将监控结果设置为目标设备存在异常。本计算机可读存储介质通过预先对于目标设备正常及异常时状态数据进行聚类生成相应的状态簇,进而当目标设备在真实场景下生成的目标状态数据所趋近的状态簇,判定目标设备工作状态。本计算机可读存储介质实现了对计算设备工作异常的预测,进而能够通过预先对异常的处理而避免因计算设备异常而导致的计算效率降低的情况发生。
以上对本发明所提供的一种设备监控方法、装置、设备及介质进行了详细介绍。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他实施例的不同之处,各个实施例之间相同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方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。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。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (9)
1.一种设备监控方法,其特征在于,包括:
获取目标设备产生的多个正常状态数据样本,并获取目标设备产生的多个异常状态数据样本;
通过聚类算法共同对各所述正常状态数据样本及各所述异常状态数据样本进行聚类处理,生成正常状态簇以及异常状态簇;
获取所述目标设备在工作过程中产生的目标状态数据,计算所述正常状态簇的质心与所述目标状态数据之间的第一空间距离以及所述异常状态簇的质心与所述目标状态数据之间的第二空间距离;
当所述第一空间距离大于所述第二空间距离时,将监控结果设置为所述目标设备存在异常。
2.根据权利要求1所述的方法,其特征在于,所述获取所述目标设备在工作过程中产生的目标状态数据,计算所述正常状态簇的质心与所述目标状态数据之间的第一空间距离以及所述异常状态簇的质心与所述目标状态数据之间的第二空间距离包括:
获取所述目标设备在工作过程中连续产生的目标状态数据,计算所述正常状态簇的质心与各所述目标状态数据之间相应的所述第一空间距离以及计算所述异常状态簇的质心与各所述目标状态数据之间相应的所述第二空间距离;
相应的,所述当所述第一空间距离大于所述第二空间距离时,将监控结果设置为所述目标设备存在异常包括:
当各所述第一空间距离连续大于相应的所述第二空间距离时,将所述监控结果设置为所述目标设备存在异常。
3.根据权利要求2所述的方法,其特征在于,该方法进一步包括:
当各所述第一空间距离间歇性大于相应的所述第二空间距离时,将所述监控结果设置为所述目标设备存在导致异常发生的隐患。
4.根据权利要求1所述的方法,其特征在于,在所述计算所述正常状态簇的质心与所述目标状态数据之间的第一空间距离以及所述异常状态簇的质心与所述目标状态数据之间的第二空间距离后,该方法进一步包括:
当所述第一空间距离小于所述第二空间距离时,将监控结果设置为所述目标设备处于正常状态。
5.根据权利要求1所述的方法,其特征在于,在所述将监控结果设置为所述目标设备存在异常后,该方法进一步包括:
通过显示界面向用户进行异常预警。
6.根据权利要求1至5任意一项所述的方法,其特征在于,所述聚类算法包括K-means聚类算法。
7.一种设备监控装置,其特征在于,包括:
样本获取模块,用于获取目标设备产生的多个正常状态数据样本,并获取目标设备产生的多个异常状态数据样本;
样本聚类模块,用于通过聚类算法共同对各所述正常状态数据样本及各所述异常状态数据样本进行聚类处理,生成正常状态簇以及异常状态簇;
状态解析模块,用于获取所述目标设备在工作过程中产生的目标状态数据,计算所述正常状态簇的质心与所述目标状态数据之间的第一空间距离以及所述异常状态簇的质心与所述目标状态数据之间的第二空间距离;
结果生成模块,用于当所述第一空间距离大于所述第二空间距离时,将监控结果设置为所述目标设备存在异常。
8.一种设备监控设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述的设备监控方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的设备监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910098869.7A CN109800130A (zh) | 2019-01-31 | 2019-01-31 | 一种设备监控方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910098869.7A CN109800130A (zh) | 2019-01-31 | 2019-01-31 | 一种设备监控方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109800130A true CN109800130A (zh) | 2019-05-24 |
Family
ID=66560846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910098869.7A Withdrawn CN109800130A (zh) | 2019-01-31 | 2019-01-31 | 一种设备监控方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800130A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110445753A (zh) * | 2019-06-28 | 2019-11-12 | 平安科技(深圳)有限公司 | 终端设备异常访问的隔离方法和装置 |
CN111639006A (zh) * | 2020-05-29 | 2020-09-08 | 深圳前海微众银行股份有限公司 | 一种集群的进程管理方法及装置 |
CN113780354A (zh) * | 2021-08-11 | 2021-12-10 | 国网上海市电力公司 | 调度自动化主站系统遥测数据异常识别方法和装置 |
CN117454299A (zh) * | 2023-12-21 | 2024-01-26 | 深圳市研盛芯控电子技术有限公司 | 异常节点的监测方法及系统 |
-
2019
- 2019-01-31 CN CN201910098869.7A patent/CN109800130A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110445753A (zh) * | 2019-06-28 | 2019-11-12 | 平安科技(深圳)有限公司 | 终端设备异常访问的隔离方法和装置 |
CN111639006A (zh) * | 2020-05-29 | 2020-09-08 | 深圳前海微众银行股份有限公司 | 一种集群的进程管理方法及装置 |
CN113780354A (zh) * | 2021-08-11 | 2021-12-10 | 国网上海市电力公司 | 调度自动化主站系统遥测数据异常识别方法和装置 |
CN113780354B (zh) * | 2021-08-11 | 2024-01-23 | 国网上海市电力公司 | 调度自动化主站系统遥测数据异常识别方法和装置 |
CN117454299A (zh) * | 2023-12-21 | 2024-01-26 | 深圳市研盛芯控电子技术有限公司 | 异常节点的监测方法及系统 |
CN117454299B (zh) * | 2023-12-21 | 2024-03-26 | 深圳市研盛芯控电子技术有限公司 | 异常节点的监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800130A (zh) | 一种设备监控方法、装置、设备及介质 | |
CN103354924B (zh) | 用于监视性能指标的方法和系统 | |
CN112204631A (zh) | 管理智能警报的系统和方法 | |
US10248561B2 (en) | Stateless detection of out-of-memory events in virtual machines | |
CN105588995B (zh) | 一种电力计量自动化系统线损异常检测方法 | |
CN107070692A (zh) | 一种基于大数据分析的云平台监控服务系统及方法 | |
CN109491850A (zh) | 一种磁盘故障预测方法及装置 | |
US10481195B2 (en) | Distributed IoT based sensor analytics for power line diagnosis | |
EP2981902B1 (en) | Automatic configuration of alarm aggregations | |
CN106844161A (zh) | 一种带状态流计算系统中的异常监控及预测方法和系统 | |
CN109977535A (zh) | 一种线损异常诊断方法、装置、设备及可读存储介质 | |
CN109446017A (zh) | 一种告警算法生成方法、监控系统及终端设备 | |
CN102223264B (zh) | 一种用于监控系统的告警处理方法及系统 | |
CN111353911A (zh) | 电力设备运维方法、系统、设备和存储介质 | |
US20160364467A1 (en) | Event notification system with cluster classification | |
CN115033463B (zh) | 一种系统异常类型确定方法、装置、设备和存储介质 | |
CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
KR20230038281A (ko) | 풍력 터빈 발전기 시스템의 모니터링 방법, 시스템 및 컴퓨터 판독 가능 저장매체 | |
CN114090646A (zh) | 异常用电辨识方法及系统 | |
CN115017214B (zh) | 水电站辅助设备运行状态分析预警方法、装置及存储介质 | |
CN115865649A (zh) | 一种智能运维管理控制方法、系统和存储介质 | |
CN109559054A (zh) | 一种电力工程施工信息处理系统 | |
CN109308589A (zh) | 电网自动化数据质量监测方法、存储介质、终端设备和系统 | |
CN113487086B (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
CN108287774A (zh) | 一种服务器的故障诊断方法、装置、设备及存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190524 |
|
WW01 | Invention patent application withdrawn after publication |