CN110032480B - 一种服务器异常检测方法、装置及设备 - Google Patents
一种服务器异常检测方法、装置及设备 Download PDFInfo
- Publication number
- CN110032480B CN110032480B CN201910043364.0A CN201910043364A CN110032480B CN 110032480 B CN110032480 B CN 110032480B CN 201910043364 A CN201910043364 A CN 201910043364A CN 110032480 B CN110032480 B CN 110032480B
- Authority
- CN
- China
- Prior art keywords
- server
- monitoring data
- capacity monitoring
- normal range
- determining
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 230000005856 abnormality Effects 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 193
- 230000002159 abnormal effect Effects 0.000 claims abstract description 80
- 238000001514 detection method Methods 0.000 claims description 36
- 238000010586 diagram Methods 0.000 claims description 30
- 238000009826 distribution Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 18
- 238000005315 distribution function Methods 0.000 claims description 15
- 238000002910 structure generation Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000003860 storage Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2273—Test methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本说明书实施例公开了一种服务器异常检测方法、装置及设备。方案包括：获取第一服务器集合中的各个服务器在预设时间段内的容量监控数据；针对所述第一服务器集合中的任意一个服务器，根据所述第一服务器集合中的其他服务器对应的容量监控数据，判断所述任意一个服务器对应的容量监控数据是否处于正常范围之内，得到第一判断结果；若所述第一判断结果表示所述任意一个服务器的容量监控数据处于所述正常范围之外时，确定所述任意一个服务器为异常服务器。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种服务器异常检测方法、装置、及设备。
背景技术
现有技术中，服务器在运行过程中可能会由于程序设计问题、异常流量、机器自身硬件问题等因素而产生故障，进而直接影响前端面向用户的服务，严重的可能会引发重大安全事故。一般来说，故障产生之前会存在一段时间可循的异常，因此，运维人员会通过对单个机器的容量指标进行实时的监控来发现异常机器。但是，面对数量庞大的服务器机群，人工监控难以及时、全面地捕捉到所有的潜在异常。
发明内容
有鉴于此，本申请实施例提供了一种服务器异常检测方法、装置及设备，用于提高异常服务器的检测精度和检测效率。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种服务器异常检测方法，包括：
获取第一服务器集合中的各个服务器在预设时间段内的容量监控数据；
针对所述第一服务器集合中的任意一个服务器，根据所述第一服务器集合中的其他服务器对应的容量监控数据，判断所述任意一个服务器对应的容量监控数据是否处于正常范围之内，得到第一判断结果；
若所述第一判断结果表示所述任意一个服务器的容量监控数据处于所述正常范围之外时，确定所述任意一个服务器为异常服务器。
本说明书实施例提供的一种服务器异常检测装置，包括：
容量监控数据获取模块，用于获取第一服务器集合中的各个服务器在预设时间段内的容量监控数据；
第一结果判断模块，用于针对所述第一服务器集合中的任意一个服务器，根据所述第一服务器集合中的其他服务器对应的容量监控数据，判断所述任意一个服务器对应的容量监控数据是否处于正常范围之内，得到第一判断结果；
异常服务器确定模块，用于若所述第一判断结果表示所述任意一个服务器的容量监控数据处于所述正常范围之外时，确定所述任意一个服务器为异常服务器。
本说明书实施例提供的一种服务器异常检测设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取第一服务器集合中的各个服务器在预设时间段内的容量监控数据；
针对所述第一服务器集合中的任意一个服务器，根据所述第一服务器集合中的其他服务器对应的容量监控数据，判断所述任意一个服务器对应的容量监控数据是否处于正常范围之内，得到第一判断结果；
若所述第一判断结果表示所述任意一个服务器的容量监控数据处于所述正常范围之外时，确定所述任意一个服务器为异常服务器。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
本说明书实施例通过单台服务器的容量检测数据在服务器机群中的横向对比，自动地从数目庞大的服务器机群中高效检测出可能存在异常的服务器，相对于在单机维度通过自身数据的纵向相比来确定服务器是否异常的方法，提高异常服务器的检测精度和检测效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种服务器异常检测方法的流程示意图；
图2为采用孤立森立方法得到的二叉树结构示意图；
图3为本说明书实施例提供的另外一种服务器异常检测方法的流程示意图；
图4为本说明书实施例提供的对应于图1的一种服务器异常检测装置的结构示意图；
图5为本说明书实施例提供的对应于图1的一种服务器异常检测设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
现有技术中的一种服务器异常检测的方法，方法包括：获取预设时间段内访问服务器的各检测参数的访问时间和各所述检测参数的访问频率，所述检测参数为IP地址或域名；根据各访问时间和各访问频率获取卡方统计值，并根据所述卡方统计值和历史卡方值判断所述服务器是否出现异常。
上述方案在单机维度通过一些指标（检测参数）的纵向比较来判断一台服务器是否异常。但是，纵向比较容易产生判断上的偏差，这里通过以下几种场景来阐释：
1）当服务器机群共同承载较大流量时，机群中每台服务器的指标应普遍偏高，此时，若一台服务器的指标明显低于其他服务器，即使在与历史数据的纵向比较中是处于合理范围内的，也依然应当认为这台服务器有异常的可能。而采用单台服务器的纵向数据进行对比，如果一台服务器的指标处于合理范围内，则会判断为非异常服务器，显然这与实际并不相符。
2）若服务器机群在一段时间业务流量处于低于历史的低谷期，每台服务器的指标在纵向比较中都是偏低的，此时则不应当认为每台服务器都是异常的。而采用单台服务器的纵向数据进行对比，则会认为每台服务器都是异常的，显然，这也与实际不相符。
经过上述分析，显然，现有技术的服务器异常检测方法存在缺陷，本发明实施例提供了一种服务器异常检测方法、装置及设备，通过单台服务器的容量检测数据在服务器机群中的横向对比，自动地从数目庞大的服务器机群中高效检测出可能存在异常的服务器，提高异常服务器的检测精度和检测效率。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例提供的一种服务器异常检测方法的流程示意图。从程序角度而言，流程的执行主体可以为搭载于应用服务器的程序或应用客户端。
如图1所示，该流程可以包括以下步骤：
步骤S101：获取第一服务器集合中的各个服务器在预设时间段内的容量监控数据。
在本说明书实施例中，服务器集合中的各个服务器是指同一应用部署的服务器，在这个范围下，服务器的配置和功能都是类似的。因此，服务器机群也可以叫做应用机群或应用服务器机群。
在本说明书实施例中，针对多台服务器，获取每台服务器的容量监控数据。容量监控数据可以包括一个或者多个监控指标，上述监控指标是针对于某个预设时间段的，而这个时间段非常小，如1秒，因此预设时间段的容量监控数据也可以认为是某个时刻的容量监控数据。需要说明的是，多台服务器的监控指标必须是针对同一时刻的，只有这样才能进行多台服务器的纵向比较。
在本说明书实施例中，监控指标可以包括：CPU利用率、服务调用耗时、服务调用失败数和加载时间中的一种或者多种。这些监控指标的获得一般取决于具体的系统架构，可以经过（简单的）计算得到的，而对于一个完备的监控系统，这些数据也可以直接取到。
在本说明书实施例中，采用CPU利用率、服务调用耗时、服务调用失败数和加载时间这些容量的指标进行监控，对于服务器异常与否的判断具有很高的洞察力。
步骤S102：针对所述第一服务器集合中的任意一个服务器，根据所述第一服务器集合中的其他服务器对应的容量监控数据，判断所述任意一个服务器对应的容量监控数据是否处于正常范围之内，得到第一判断结果。
在本说明书实施例中，根据第一服务器集合中其他的服务器来判断任意一个服务器是否异常，这里考虑了处于同一服务器机群中的各台服务器在功能和配置上的类似，采用容量监测数据的横向对比策略，来识别异常服务器。这是因为，在同一个服务器机群中的服务器大部分是正常的，只有少数的服务器可能处于异常状态。可以将异常定义为“容易被孤立的离群点”——可以理解为分布稀疏且离密度高的群体较远的点，在本说明书实施例中，这个点就是这容量监控数据，通过上述方法就可以分离出容量监控数据处于异常点的服务器。
在本说明书实施例中，即可以只对容量监控数据中的一个监控指标单独进行异常检测，可以对多个监控指标综合进行异常检测。因为只要有一个监控指标处于异常状态，就说明服务器可能处于异常状态，如果，每个监控指标都不存在异常，还可以将多个监控指标综合进行异常检测。因为，针对同一台服务器来说，各个监控指标也是有一定的关联的，比如，在CPU利用率高时，服务调用耗时也会相应的正常，虽然CPU利用率和服务调用耗时可能没有确定的关联公式，但是确是相关的。因此，在这一基础上，如果每个服务器的CPU利用率处于正常范围的低值，而服务调用耗时处于正常范围的高值，则认为该服务器依然处于异常的状态。
在本说明书实施例中，对于容量监控数据的正常范围的确定均是根据所有服务器的容量监控数据来共同确定的，在不同的工况下，同一监控指标的正常范围是不同的，例如，在服务器机群共同承载较大流量时，正常范围的数值会比承载较小流量的数值要小。因此，容量监控数据的正常范围需要动态来确定，这与每个服务器的容量监控数据都有关系。
得到容量监控数据的正常范围以后，就需要将任意一个服务器的容量监控数据与这个正常范围相比较，根据比较结果，确定每一个服务器是否异常。
步骤S103：若所述第一判断结果表示所述任意一个服务器的容量监控数据处于所述正常范围之外时，确定所述任意一个服务器为异常服务器。
在本说明书实施例中，当确定某个服务器的容量监控数据处于正常范围之外时，就确定对应的服务器为异常服务器，若因为单指标过高，则将异常原因标记为对应的指标，若是在多指标检测的环节判断的异常，也作对应的标记，方便人工处理。
图1中的方法，着重从横向的角度来进行异常的判断，因为机群中所有服务器均出现异常的可能性是极低的，所以当某一小部分服务器在指标监控上明显偏离机群主体时，便应当作为潜在的异常对待。通过这种方式进行的异常检测，可以明确克服现有技术方案的缺点，更加准确快速地自动识别出机群中的异常服务器，进而及时报送至运维人员进行处理，实现对机群健康状况准确高效的监控。
基于图1的方法，本说明书实施例还提供了该方法的一些具体实施方式，下面进行说明。
可选的，所述判断所述任意一个服务器对应的容量监控数据是否处于正常范围之内，具体包括：
采用经验分布函数对各所述服务器的同一类型的容量监控数据进行处理，得到容量监控数据分布图；
采用调整箱线图方法确定所述容量监控数据分布图的两个异常临界点；
确定所述两个异常临界点之内的范围为所述容量监控数据的第一正常范围；
判断所述任意一个服务器的容量监控数据是否处于所述第一正常范围之内。
在本说明书实施例中，还提供了一种针对同一类型的指标数据，确定正常范围的方法。采用经验分布函数对对各所述服务器的同一类型的容量监控数据进行经验分布，然后采用调整箱线图方法确定所述容量监控数据分布图的两个异常临界点，两个异常临界点之间的范围即为正常范围。
统计学中，经验分布函数是与样本经验测度相关的分布函数。该分布函数是在n个数据点中的每一个上都跳跃1/n的阶梯函数。其在测量变量的任何指定值处的值是小于或等于指定值的测量变量的观测值的数。
经验分布函数是对样本中生成点的累积分布函数的估计。根据Glivenko -Cantelli定理，它以概率1收敛到该基础分布。同时也存在一些结果来量化经验分布函数与潜在的累积分布函数的收敛速度。
箱线图（Boxplot）也称箱须图（Box-whisker Plot），是利用数据中的五个统计量：最小值、第一四分位数、中位数、第三四分位数与最大值来描述数据的一种方法。它也可以粗略地看出数据是否具有有对称性，分布的离散程度等信息；特别适用于对几个样本的比较。
箱线图（Boxplot）的处理过程如下：
步骤1：计算上四分位数，中位数，下四分位数。
步骤2：计算上四分位数和下四分位数之间的差值，即四分位数差（IQR，interquartile range）。
步骤3：绘制箱线图的上下范围，上限为上四分位数，下限为下四分位数。在箱子内部中位数的位置绘制横线。
步骤4：大于上四分位数1.5倍四分位数差的值，或者小于下四分位数1.5倍四分位数差的值，划为异常值（outliers）。
步骤5：异常值之外，最靠近上边缘和下边缘的两个值处，画横线，作为箱线图的触须。
步骤6：极端异常值，即超出四分位数差3倍距离的异常值，用实心点表示；较为温和的异常值，即处于1.5倍-3倍四分位数差之间的异常值，用空心点表示。
步骤7：为箱线图添加名称，数轴等。
箱线图（Boxplot）面向的主要是对称分布的数据，调整箱线图（AdjustedBoxplot）可以额外处理非对称分布的数据，即在箱线图（Boxplot）的基础上，将偏度引入到方框图中。
以CPU利用率为例，如果采用调整箱线图（Adjusted Boxplot）方法识别出CPU利用率的正常值范围为[0.3,0.5]，那么在这一范围之外的（低于0.3或高于0.5）则认为异常。
可选的，所述判断所述任意一个服务器对应的容量监控数据是否处于正常范围之内，具体包括：
采用孤立森林方法对各所述服务器的容量监控数据进行划分，得到所述容量监控数据的二叉树结构，所述容量监控数据包括多种类型的指标数据；
根据所述二叉树结构确定各所述容量监控数据的特征参数；
判断所述任意一个服务器对应的容量监控数据的特征参数是否处于正常范围之内。
在本说明书实施例中，还提供了一种针对多种类型的指标数据，确定正常范围的方法。
孤立森林（IsolationForest，iForest）是一种快速异常检测方法，具有线性时间复杂度和高精准度，是符合大数据处理要求的最先进的算法。
iForest适用于连续数据的异常检测，将异常定义为“容易被孤立的离群点”，可以理解为分布稀疏且离密度高的群体较远的点。用统计学来解释，在数据空间里面，分布稀疏的区域表示数据发生在此区域的概率很低，因而可以认为落在这些区域里的数据是异常的。
iForest即不用定义数学模型也不需要有标记的训练。对于如何查找哪些点是否容易被孤立，iForest使用了一套非常高效的策略。
假设我们用一个随机超平面来切割数据空间，切一次可以生成两个子空间。之后我们再继续用一个随机超平面来切割每个子空间，循环下去，直到每子空间里面只有一个数据点为止。直观上来讲，我们可以发现那些密度很高的簇是可以被切很多次才会停止切割，但是那些密度很低的点很容易很早的就停到一个子空间了。由于切割是随机的，所以需要用ensemble的方法来得到一个收敛值（蒙特卡洛方法）。
在本说明书实施例中，采用特征参数代表每个容量监测数据进行衡量，然后判断每个容量监测数据的特征参数是否处于正常范围之内。特征参数，可以是根据二叉树结构得到的容量监控数据的异常分数，也可以是根据二叉树结构的其他参数，其均由二叉树结构得到。
在本说明书实施例中，正常范围对应该是特征参数的正常范围，即首先需要根据各特征参数得到特征参数的正常范围，再判断每个特征参数是否处于该正常范围之内。
可选的，所述根据所述二叉树结构确定各所述容量监控数据的特征参数，具体包括：
根据所述二叉树结构确定各所述容量监控数据的异常分数；
所述判断所述任意一个服务器对应的容量监控数据的特征参数是否处于正常范围之内，具体包括：
采用经验分布函数对各所述异常分数进行处理，得到异常分数分布图；
采用调整箱线图方法确定所述异常分数分布图的异常临界点；
判断所述任意一个服务器对应的容量监控数据的异常分数是否低于所述异常临界点。
在本说明书实施例中，容量监控数据的特征参数即为容量监控数据的异常分数。
不同于决策树，iTree在算法里面已经限制了树的高度。当然不限制也可以，只是算法为了效率考虑，只需要达到log2(ψ)深度即可，ψ为数据个数。
把所有的iTree树构建好了，就可以对测数据进行预测了。预测的过程就是把测试数据在iTree树上沿对应的条件分支往下走，直到达到叶子节点，并记录这过程中经过的路径长度h(x)，即从根节点，穿过中间的节点，最后到达叶子节点，所走过的边的数量(pathlength)。
最后，将h(x)带入，计算每条待测数据的异常分数(Anomaly Score)，其计算公式为：
s(x,n)=2^{(-frac{E({h(x)})}{c(n)})}
其中，c(n) = 2H(n-1)-(2(n-1)/n)是二叉搜索树的平均路径长度，用来对结果进行归一化处理，其中的H(k)可以通过公式H(k) = ln(k) +xi来估计，xi是欧拉常数，其值为0.5772156649。h(x)为路径长度，E({h(x)})为森林中所有iTree树的平均路径长度。
得到每个容量监控数据的异常分数后，利用 Adjusted Box Plot 等方法来判断哪些服务器的异常程度得分是明显过高的，以此来输出真正属于异常的服务器。
可选的，所述根据所述二叉树结构确定各所述容量监控数据的特征参数，具体包括：
确定各所述容量监控数据在所述二叉树结构中的高度；
所述判断所述任意一个服务器对应的容量监控数据的特征参数是否处于正常范围之内，具体包括：
确定所述二叉树结构的平均高度；
判断所述任意一个服务器对应的容量监控数据的高度是否小于所述平均高度。
在本说明书实施例中，容量监控数据的特征参数即为容量监控数据在所述二叉树结构中的高度。如图2所示，b和c的高度为3，a的高度是2，d的高度是1。d最有可能是异常，因为其最早就被孤立（isolated）了。
可选的，判断所述任意一个服务器的容量监控数据是否处于所述第一正常范围之内之后，所述方法还包括：
若所述第一判断结果表示所述任意一个服务器的容量监控数据处于正常范围之内，将所述任意一个服务器添加至第二服务器集合；
采用孤立森林方法对所述第二服务器集合中各所述服务器的容量监控数据进行划分，得到所述容量监控数据的二叉树结构，所述容量监控数据包括多种类型的指标数据；
根据所述二叉树结构确定各所述容量监控数据的特征参数；
判断所述任意一个服务器对应的容量监控数据的特征参数是否处于第二正常范围之内，得到第二判断结果；
若所述第二判断结果表示所述任意一个服务器的容量监控数据的特征参数处于所述第二正常范围之外，确定所述任意一个服务器为异常服务器。
在本说明书实施例中，如果服务器针对任意单一指标均不存在异常时，还需要对将多个指标进行融合进行异常检测。多指标异常检测采用孤立森林方法，基于通过树状结构对数据进行细分的难度，来衡量一个服务器的异常程度，最终会得到每个服务器的异常程度得分，设置上使得得分越高越认为可能存在异常；得到一组得分后，利用 AdjustedBox Plot 等方法来判断哪些服务器的异常程度得分是明显过高的，以此来输出真正认为属于异常的服务器。
图3为本说明书实施例提供的另外一种服务器异常检测方法的流程示意图；如图3所示，所述方法可以包括：
步骤S301：获取各个服务器在预设时间段内的容量监控数据，所述容量监控数据包括CPU利用率、服务调用耗时、服务调用失败数和加载时间中的至少一种。
步骤S302：检测哪些服务器在单一指标上已经明显偏离机群主体，若服务器在某个单一指标上已出现明显异常，则执行步骤S306；如果否，执行步骤S303。
步骤S303：对于单一指标均无异常的服务器，采用孤立森林方法计算异常得分，基于通过树状结构对数据进行细分的难度，来衡量一个服务器的异常程度，最终会得到每个服务器的异常得分。
步骤S304：得到一组得分后，采用单变量离群点异常检测方法，例如利用Adjusted Box Plot 等方法得到异常得分的正常范围。判断每个服务器的异常得到是否低于正常范围。如果否，则执行步骤S305。
步骤S305：确定该服务器为多指标异常服务器。将上述两个阶段得到的结果汇总在一起，即为检测出的异常服务器。若因为单指标过高，则将异常原因标记为对应的指标，若是在多指标检测的环节判断的异常，也作对应的标记，方便人工处理。
S306：确定该服务器为单指标异常服务器。
本发明书实施例提供的服务器异常检测方法，着重从横向的角度来进行异常的判断，因为机群中所有服务器均出现异常的可能性是极低的，所以当某一小部分服务器在指标监控上明显偏离机群主体时，便应当作为潜在的异常对待。此外，每台服务器的CPU利用率、服务调用耗时、服务调用失败数、加载时间等容量监控指标对于异常与否的判断具有很高的洞察力。通过这种方式进行的异常检测，可以明确克服现有技术方案的缺点，更加准确快速地自动识别出机群中的异常服务器。进而及时报送至运维人员进行处理，实现对机群健康状况准确高效的监控。
基于同样的思路，本说明书实施例还提供了上述方法对应的装置。图4为本说明书实施例提供的对应于图1的一种服务器异常检测装置的结构示意图。如图4所示，该装置可以包括：
容量监控数据获取模块401，用于获取第一服务器集合中的各个服务器在预设时间段内的容量监控数据；
第一结果判断模块402，用于针对所述第一服务器集合中的任意一个服务器，根据所述第一服务器集合中的其他服务器对应的容量监控数据，判断所述任意一个服务器对应的容量监控数据是否处于正常范围之内，得到第一判断结果；
异常服务器确定模块403，用于若所述第一判断结果表示所述任意一个服务器的容量监控数据处于所述正常范围之外时，确定所述任意一个服务器为异常服务器。
可选的，所述第一结果判断模块402，具体可以包括：
容量监控数据分布图生成单元，用于采用经验分布函数对各所述服务器的同一类型的容量监控数据进行处理，生成容量监控数据分布图；
两个异常临界点确定单元，用于采用调整箱线图方法确定所述容量监控数据分布图的两个异常临界点；
第一正常范围确定单元，用于确定所述两个异常临界点之内的范围为所述容量监控数据的第一正常范围；
第一结果判断单元，用于判断所述任意一个服务器的容量监控数据是否处于所述第一正常范围之内。
可选的，所述装置还可以包括：
添加单元，用于若所述第一判断结果表示所述任意一个服务器的容量监控数据处于正常范围之内，将所述任意一个服务器添加至第二服务器集合；
二叉树结构生成单元，用于采用孤立森林方法对所述第二服务器集合中各所述服务器的容量监控数据进行划分，生成所述容量监控数据的二叉树结构，所述容量监控数据包括多种类型的指标数据；
特征参数确定单元，用于根据所述二叉树结构确定各所述容量监控数据的特征参数；
第二结果判断单元，用于判断所述任意一个服务器对应的容量监控数据的特征参数是否处于第二正常范围之内，得到第二判断结果；
异常服务器确定单元，用于若所述第二判断结果表示所述任意一个服务器的容量监控数据的特征参数处于所述第二正常范围之外，确定所述任意一个服务器为异常服务器。
可选的，所述第一结果判断模块402，具体可以包括：
二叉树结构生成单元，用于采用孤立森林方法对各所述服务器的容量监控数据进行划分，生成所述容量监控数据的二叉树结构，所述容量监控数据包括多种类型的指标数据；
特征参数确定单元，用于根据所述二叉树结构确定各所述容量监控数据的特征参数；
判断单元，用于判断所述任意一个服务器对应的容量监控数据的特征参数是否处于正常范围之内。
可选的，所述特征参数确定单元，具体可以包括：
异常分数确定子单元，用于根据所述二叉树结构确定各所述容量监控数据的异常分数；
所述判断单元，具体包括；
异常分数分布图得到子单元，用于采用经验分布函数对各所述异常分数进行处理，得到异常分数分布图；
两个异常临界点确定子单元，用于采用调整箱线图方法确定所述异常分数分布图的异常临界点；
判断子单元，用于判断所述任意一个服务器对应的容量监控数据的异常分数是否低于所述异常临界点。
可选的，所述特征参数确定单元，具体可以包括：
高度确定子单元，用于确定各所述容量监控数据在所述二叉树结构中的高度；
所述判断单元，具体可以包括：
平均高度确定子单元，用于确定所述二叉树结构的平均高度；
判断子单元，用于判断所述任意一个服务器对应的容量监控数据的高度是否小于所述平均高度。
可选的，所述容量监控数据获取模块401，具体可以用于获取第一服务器集合中的各个服务器在预设时间段内的CPU利用率、服务调用耗时、服务调用失败数和加载时间中的至少一种。
基于同样的思路，本说明书实施例还提供了上述方法对应的设备。
图5为本说明书实施例提供的对应于图1的一种服务器异常检测设备的结构示意图。如图5所示，设备500可以包括：
至少一个处理器510；以及，
与所述至少一个处理器通信连接的存储器530；其中，
所述存储器530存储有可被所述至少一个处理器510执行的指令520，所述指令被所述至少一个处理器510执行，以使所述至少一个处理器510能够：
获取第一服务器集合中的各个服务器在预设时间段内的容量监控数据；
针对所述第一服务器集合中的任意一个服务器，根据所述第一服务器集合中的其他服务器对应的容量监控数据，判断所述任意一个服务器对应的容量监控数据是否处于正常范围之内，得到第一判断结果；
若所述第一判断结果表示所述任意一个服务器的容量监控数据处于所述正常范围之外时，确定所述任意一个服务器为异常服务器。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（FieldProgrammable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（HardwareDescription Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（CornellUniversity Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、MicrochipPIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种服务器异常检测方法，包括：
获取第一服务器集合中的各个服务器在预设时间段内的容量监控数据；所述容量监控数据包括CPU利用率、服务调用耗时、服务调用失败数和加载时间中的至少一种；
针对所述第一服务器集合中的任意一个服务器，根据所述第一服务器集合中的其他服务器对应的容量监控数据，判断所述任意一个服务器对应的容量监控数据是否处于正常范围之内，得到第一判断结果；所述正常范围表示两个异常临界点之间的范围；所述两个异常临界点是采用调整箱线图方法从所述容量监控数据的分布图中得到的；
若所述第一判断结果表示所述任意一个服务器的容量监控数据处于所述正常范围之外时，确定所述任意一个服务器为异常服务器。
2.如权利要求1所述的方法，所述判断所述任意一个服务器对应的容量监控数据是否处于正常范围之内，具体包括：
采用经验分布函数对所述第一服务器集合中的各个所述服务器的同一类型的容量监控数据进行处理，得到容量监控数据分布图；
采用调整箱线图方法确定所述容量监控数据分布图的两个异常临界点；
确定所述两个异常临界点之内的范围为所述容量监控数据的第一正常范围；
判断所述任意一个服务器的容量监控数据是否处于所述第一正常范围之内。
3.如权利要求2所述的方法，判断所述任意一个服务器的容量监控数据是否处于所述第一正常范围之内之后，所述方法还包括：
若所述第一判断结果表示所述任意一个服务器的容量监控数据处于正常范围之内，将所述任意一个服务器添加至第二服务器集合；
采用孤立森林方法对所述第二服务器集合中各所述服务器的容量监控数据进行划分，得到所述容量监控数据的二叉树结构，所述容量监控数据包括多种类型的指标数据；
根据所述二叉树结构确定各所述容量监控数据的特征参数；
判断所述任意一个服务器对应的容量监控数据的特征参数是否处于第二正常范围之内，得到第二判断结果；
若所述第二判断结果表示所述任意一个服务器的容量监控数据的特征参数处于所述第二正常范围之外，确定所述任意一个服务器为异常服务器。
4.如权利要求1所述的方法，所述判断所述任意一个服务器对应的容量监控数据是否处于正常范围之内，具体包括：
采用孤立森林方法对所述第一服务器集合中的各个所述服务器的容量监控数据进行划分，得到所述容量监控数据的二叉树结构，所述容量监控数据包括多种类型的指标数据；
根据所述二叉树结构确定各所述容量监控数据的特征参数；
判断所述任意一个服务器对应的容量监控数据的特征参数是否处于正常范围之内。
5.如权利要求4所述的方法，所述根据所述二叉树结构确定各所述容量监控数据的特征参数，具体包括：
根据所述二叉树结构确定各所述容量监控数据的异常分数；
所述判断所述任意一个服务器对应的容量监控数据的特征参数是否处于正常范围之内，具体包括；
采用经验分布函数对各所述异常分数进行处理，得到异常分数分布图；
采用调整箱线图方法确定所述异常分数分布图的异常临界点；
判断所述任意一个服务器对应的容量监控数据的异常分数是否低于所述异常临界点。
6.如权利要求4所述的方法，所述根据所述二叉树结构确定各所述容量监控数据的特征参数，具体包括：
确定各所述容量监控数据在所述二叉树结构中的高度；
所述判断所述任意一个服务器对应的容量监控数据的特征参数是否处于正常范围之内，具体包括：
确定所述二叉树结构的平均高度；
判断所述任意一个服务器对应的容量监控数据的高度是否小于所述平均高度。
7.一种服务器异常检测装置，包括：
容量监控数据获取模块，用于获取第一服务器集合中的各个服务器在预设时间段内的容量监控数据；所述容量监控数据包括CPU利用率、服务调用耗时、服务调用失败数和加载时间中的至少一种；
第一结果判断模块，用于针对所述第一服务器集合中的任意一个服务器，根据所述第一服务器集合中的其他服务器对应的容量监控数据，判断所述任意一个服务器对应的容量监控数据是否处于正常范围之内，得到第一判断结果；所述正常范围表示两个异常临界点之间的范围；所述两个异常临界点是采用调整箱线图方法从所述容量监控数据的分布图中得到的；
异常服务器确定模块，用于若所述第一判断结果表示所述任意一个服务器的容量监控数据处于所述正常范围之外时，确定所述任意一个服务器为异常服务器。
8.如权利要求7所述的装置，所述第一结果判断模块，具体包括：
容量监控数据分布图生成单元，用于采用经验分布函数对所述第一服务器集合中的各个所述服务器的同一类型的容量监控数据进行处理，生成容量监控数据分布图；
异常临界点确定单元，用于采用调整箱线图方法确定所述容量监控数据分布图的两个异常临界点；
第一正常范围确定单元，用于确定所述两个异常临界点之内的范围为所述容量监控数据的第一正常范围；
第一结果判断单元，用于判断所述任意一个服务器的容量监控数据是否处于所述第一正常范围之内。
9.如权利要求8所述的装置，所述第一结果判断模块还包括：
添加单元，用于若所述第一判断结果表示所述任意一个服务器的容量监控数据处于正常范围之内，将所述任意一个服务器添加至第二服务器集合；
二叉树结构生成单元，用于采用孤立森林方法对所述第二服务器集合中各所述服务器的容量监控数据进行划分，生成所述容量监控数据的二叉树结构，所述容量监控数据包括多种类型的指标数据；
特征参数确定单元，用于根据所述二叉树结构确定各所述容量监控数据的特征参数；
第二结果判断单元，用于判断所述任意一个服务器对应的容量监控数据的特征参数是否处于第二正常范围之内，得到第二判断结果；
异常服务器确定单元，用于若所述第二判断结果表示所述任意一个服务器的容量监控数据的特征参数处于所述第二正常范围之外，确定所述任意一个服务器为异常服务器。
10.如权利要求7所述的装置，所述第一结果判断模块，具体包括：
二叉树结构生成单元，用于采用孤立森林方法对所述第一服务器集合中的各个所述服务器的容量监控数据进行划分，生成所述容量监控数据的二叉树结构，所述容量监控数据包括多种类型的指标数据；
特征参数确定单元，用于根据所述二叉树结构确定各所述容量监控数据的特征参数；
判断单元，用于判断所述任意一个服务器对应的容量监控数据的特征参数是否处于正常范围之内。
11.一种服务器异常检测设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取第一服务器集合中的各个服务器在预设时间段内的容量监控数据；所述容量监控数据包括CPU利用率、服务调用耗时、服务调用失败数和加载时间中的至少一种；
针对所述第一服务器集合中的任意一个服务器，根据所述第一服务器集合中的其他服务器对应的容量监控数据，判断所述任意一个服务器对应的容量监控数据是否处于正常范围之内，得到第一判断结果；所述正常范围表示两个异常临界点之间的范围；所述两个异常临界点是采用调整箱线图方法从所述容量监控数据的分布图中得到的；
若所述第一判断结果表示所述任意一个服务器的容量监控数据处于所述正常范围之外时，确定所述任意一个服务器为异常服务器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910043364.0A CN110032480B (zh) | 2019-01-17 | 2019-01-17 | 一种服务器异常检测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910043364.0A CN110032480B (zh) | 2019-01-17 | 2019-01-17 | 一种服务器异常检测方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110032480A CN110032480A (zh) | 2019-07-19 |
| CN110032480B true CN110032480B (zh) | 2024-02-06 |
Family
ID=67235571
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910043364.0A Active CN110032480B (zh) | 2019-01-17 | 2019-01-17 | 一种服务器异常检测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110032480B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108923952B (zh) * | 2018-05-31 | 2021-11-30 | 北京百度网讯科技有限公司 | 基于服务监控指标的故障诊断方法、设备及存储介质 |
| CN110908824A (zh) * | 2019-12-04 | 2020-03-24 | 支付宝(杭州)信息技术有限公司 | 一种故障识别方法、装置及设备 |
| CN111082985A (zh) * | 2019-12-16 | 2020-04-28 | 厦门大学附属第一医院 | 基于开放平台的api接口监测方法 |
| CN112000529A (zh) * | 2020-07-27 | 2020-11-27 | 北京华三通信技术有限公司 | 一种异常检测方法及装置 |
| CN114095337A (zh) * | 2020-08-10 | 2022-02-25 | 中国移动通信集团浙江有限公司 | Kpi异常检测方法、装置、计算设备及计算机存储介质 |
| CN112383554B (zh) * | 2020-11-16 | 2023-04-18 | 平安科技（深圳）有限公司 | 接口流量异常检测方法、装置、终端设备及存储介质 |
| CN115460296B (zh) * | 2022-09-13 | 2023-03-31 | 中航信移动科技有限公司 | 一种基于rpc的离群摘除方法、存储介质及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103401698A (zh) * | 2013-07-02 | 2013-11-20 | 北京奇虎科技有限公司 | 用于服务器集群运算中对服务器状况报警的监控系统 |
| CN103581322A (zh) * | 2013-11-08 | 2014-02-12 | 大唐移动通信设备有限公司 | 一种监控服务器的方法、系统及一种服务器设备 |
| CN106600447A (zh) * | 2015-10-14 | 2017-04-26 | 山东鲁能智能技术有限公司 | 一种变电站巡检机器人集中监控系统大数据云分析方法 |
| CN108446349A (zh) * | 2018-03-08 | 2018-08-24 | 国网四川省电力公司电力科学研究院 | 一种gis异常数据的检测方法 |
| CN108491305A (zh) * | 2018-03-09 | 2018-09-04 | 网宿科技股份有限公司 | 一种服务器故障的检测方法及系统 |
-
2019
- 2019-01-17 CN CN201910043364.0A patent/CN110032480B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103401698A (zh) * | 2013-07-02 | 2013-11-20 | 北京奇虎科技有限公司 | 用于服务器集群运算中对服务器状况报警的监控系统 |
| CN103581322A (zh) * | 2013-11-08 | 2014-02-12 | 大唐移动通信设备有限公司 | 一种监控服务器的方法、系统及一种服务器设备 |
| CN106600447A (zh) * | 2015-10-14 | 2017-04-26 | 山东鲁能智能技术有限公司 | 一种变电站巡检机器人集中监控系统大数据云分析方法 |
| CN108446349A (zh) * | 2018-03-08 | 2018-08-24 | 国网四川省电力公司电力科学研究院 | 一种gis异常数据的检测方法 |
| CN108491305A (zh) * | 2018-03-09 | 2018-09-04 | 网宿科技股份有限公司 | 一种服务器故障的检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110032480A (zh) | 2019-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110032480B (zh) | 一种服务器异常检测方法、装置及设备 | |
| US11403164B2 (en) | Method and device for determining a performance indicator value for predicting anomalies in a computing infrastructure from values of performance indicators | |
| US10585774B2 (en) | Detection of misbehaving components for large scale distributed systems | |
| TWI709931B (zh) | 一種指標異常檢測方法、裝置以及電子設備 | |
| US11573879B2 (en) | Active asset monitoring | |
| CN110245047B (zh) | 时间序列异常检测方法、装置及设备 | |
| AU2019395267A1 (en) | Explainability-based adjustment of machine learning models | |
| CN110601900B (zh) | 一种网络故障预警方法及装置 | |
| CN108573355B (zh) | 模型更新后替换运行的方法、装置、及业务服务器 | |
| JP2017228086A (ja) | 機械学習管理プログラム、機械学習管理方法、および機械学習管理装置 | |
| CN108984376B (zh) | 一种系统异常检测方法、装置及设备 | |
| US9230370B2 (en) | Method and system for determining a status of at least one machine and computer readable storage medium storing the method | |
| US11620539B2 (en) | Method and device for monitoring a process of generating metric data for predicting anomalies | |
| CN113708987B (zh) | 网络异常检测方法及装置 | |
| CN112926636A (zh) | 牵引变流器柜体温度异常检测方法和装置 | |
| US20140324409A1 (en) | Stochastic based determination | |
| CN109976986B (zh) | 异常设备的检测方法及装置 | |
| CN116594446B (zh) | 一种大数据中心温控方法及系统 | |
| US10348604B2 (en) | Monitoring a resource consumption of an application | |
| Jiang et al. | Cost‐efficiency disk failure prediction via threshold‐moving | |
| Moyne et al. | Big data emergence in semiconductor manufacturing advanced process control | |
| CN115495274B (zh) | 基于时序数据的异常处理方法、网络设备和可读存储介质 | |
| CN110874652B (zh) | 一种设备状态评价方法、装置、设备及系统 | |
| CN114722972A (zh) | 一种异常检测的方法及装置 | |
| Ding et al. | A data analytic engine towards self-management of cyber-physical systems |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201014 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20201014 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |