CN110825579A - 服务器性能监控方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明公开了一种服务器性能监控方法、装置、计算机设备及存储介质，所述方法包括：获取服务器目标性能数据集，并采用训练好的高斯混合隐马尔可夫模型，对目标性能数据集中的每个性能数据进行状态标注，得到目标标注序列，实现了对性能数据的状态标注，有利于后续根据状态标注进行性能评估与走势预测，同时，对目标标注序列进行数据切分，得到目标性能数据集对应的目标子序列，最后通过动态规划的方式，获取目标子序列对应的性能走势信息，作为性能预测信息，并将性能预测信息与预设阈值范围进行比较，根据比较结果确定是否预警，提高了服务器性能监控的效率，也有利于在性能走势出现异常时进行及时预警，提高预警的及时性。

Description

服务器性能监控方法、装置、计算机设备及存储介质

技术领域

本发明涉及智能监控领域，尤其涉及一种服务器性能监控方法、装置、计算机设备及存储介质。

背景技术

随着科技的进步和经济的社会发展，一些网络科技公司涉及的业务范围越来越广，也即意味着，服务器对接的业务种类和用户数量越来越多，这对服务器的性能要求更为苛刻。

不同的业务种类，对服务器的资源占用情况不同，而不同时间段，使用服务器的用户数量也在变化，为确保服务器性质能达到要求，我们需要对服务器的性能进行实时监控预测，在服务器性能达不到生产环境的要求之前，采取启用备用服务器或者其他服务器性能优化的措施，保证服务器的正常运转。

在现有的一些方法中，有一些通过统计学的方式，结合历史性能数据来对服务器性能变化趋势进行预测，也有通过隐马尔科夫模型来对服务器资源占用的趋势进行评估，这些预测的目的，都是为了提前对服务器性能可能出现的障碍进行预警，并采取相应措施确保服务器的正常运行，实现服务器性能的监管。但是，在当前网络信息的不对称(用户数量的不稳定性和非预期的流量冲击)的因素下，通过统计学的方式或者使用隐马尔科夫模型进行资源占用情况的趋势预测，预测准确率往往难以达到要求，往往在出现性能故障时才被发现，使得服务器性能监控效率较低，因而，寻找一种高效的服务器性能监控方法，以实现在服务器性能出现故障之前进行及时预警，成了一个亟待解决的难题。

发明内容

本发明实施例提供一种服务器性能监控方法、装置、计算机设备和存储介质，以提高当前服务器性能监控的效率。

一种服务器性能监控方法，包括：

获取服务器从当前时间点到预设时间间隔的性能数据，作为目标性能数据集；

将所述目标性能数据集输入到训练好的高斯混合隐马尔可夫模型中，其中，所述训练好的高斯混合隐马尔可夫模型包括基础标注序列和基础标注序列对应的基础时长序列，所述基础时长序列包括若干基础子序列，所述训练好的高斯混合隐马尔可夫模型为通过所述服务器的历史性能数据训练得到；

采用所述训练好的高斯混合隐马尔可夫模型，对所述目标性能数据集中的每个性能数据进行状态标注，得到目标标注序列；

根据预设的时长切分方式，对所述目标标注序列进行数据切分，得到所述目标性能数据集对应的目标时长序列，其中，所述目标时长序列包括至少两个目标子序列；

通过动态规划的方式，获取所述目标子序列对应的基础子序列，作为参考子序列，并获取所述参考子序列对应的性能走势信息，作为所述服务器在当前时间点的性能预测信息，其中，每一时间点对应的所述基础子序列的下一基础子序列对应的状态标注，为该时间点的基础子序列对应的性能走势信息；

将所述性能预测信息与预设阈值范围进行比较，若所述性能预测信息处于所述预设阈值范围之外，则执行预设应急措施。

一种服务器性能监控装置，包括：

第一采集模块，用于获取服务器从当前时间点到预设时间间隔的性能数据，作为目标性能数据集；

数据输入模块，用于将所述目标性能数据集输入到训练好的高斯混合隐马尔可夫模型中，其中，所述训练好的高斯混合隐马尔可夫模型包括基础标注序列和基础标注序列对应的基础时长序列，所述基础时长序列包括若干基础子序列，所述训练好的高斯混合隐马尔可夫模型为通过所述服务器的历史性能数据训练得到；

第一标注模块，用于采用所述训练好的高斯混合隐马尔可夫模型，对所述目标性能数据集中的每个性能数据进行状态标注，得到目标标注序列；

第一切分模块，用于根据预设的时长切分方式，对所述目标标注序列进行数据切分，得到所述目标性能数据集对应的目标时长序列，其中，所述目标时长序列包括至少两个目标子序列；

趋势预测模块，用于通过动态规划的方式，获取所述目标子序列对应的基础子序列，作为参考子序列，并获取所述参考子序列对应的性能走势信息，作为所述服务器在当前时间点的性能预测信息，其中，每一时间点对应的所述基础子序列的下一基础子序列对应的状态标注，为该时间点的基础子序列对应的性能走势信息；

预警模块，用于将所述性能预测信息与预设阈值范围进行比较，若所述性能预测信息处于所述预设阈值范围之外，则执行预设应急措施。

一种计算机设备，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上述服务器性能监控方法的步骤。

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上述服务器性能监控方法的步骤。

本发明实施例提供的服务器性能监控方法、装置、计算机设备及存储介质，获取服务器从当前时间点到预设时间间隔的性能数据，作为目标性能数据集，进而将目标性能数据集输入到训练好的高斯混合隐马尔可夫模型中，再采用训练好的高斯混合隐马尔可夫模型，对目标性能数据集中的每个性能数据进行状态标注，得到目标标注序列，实现了对性能数据的状态标注，有利于后续根据状态标注进行性能评估与走势预测，同时，根据预设的时长切分方式，对目标标注序列进行数据切分，得到目标性能数据集对应的目标时长序列，最后通过动态规划的方式，获取目标子序列对应的基础子序列，作为参考子序列，并获取参考子序列对应的性能走势信息，作为服务器在当前时间点的性能预测信息，进而将性能预测信息与预设阈值范围进行比较，若性能预测信息处于预设阈值范围之外，则执行预设应急措施，实现通过训练好的高斯混合隐马尔可夫模型，结合服务器在当前的时长序列内性能数据的变化情况，对服务器性能进行评估，提高了服务器性能预测的效率，也有利于在性能走势出现异常时进行及时预警，提高预警的及时性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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是本发明实施例提供的服务器性能监控方法的实现流程图；

图2是本发明实施例提供的服务器性能监控方法中对高斯混合隐马尔可夫模型进行训练的实现流程图；

图3是本发明实施例提供的服务器性能监控方法中步骤S72的实现流程图；

图4是本发明实施例提供的服务器性能监控方法中步骤S721的实现流程图；

图5是本发明实施例提供的服务器性能监控方法中步骤S50的实现流程图；

图6是本发明实施例提供的服务器性能监控方法中步骤S51的实现流程图；

图7是本发明实施例提供的服务器性能监控装置的示意图；

图8是本发明实施例提供的计算机设备的示意图。

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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供的服务器性能监控方法应用在对集群服务器中每个节点服务器的性能进行监控场景中。该监控场景包括节点服务器和服务端，其中，节点服务器和服务端之间通过网络进行连接，服务端实时获取节点服务器的性能数据，并根据获取到的性能数据进行性能走势预测，在性能走势出现异常时，提前进行预警。服务端具体可以用独立的服务器或者多个服务器组成的服务器集群实现。

请参阅图1，图1示出本发明实施例提供的一种服务器性能监控方法，以该方法应用在服务端为例进行说明，详述如下：

S10：获取服务器从当前时间点到预设时间间隔的性能数据，作为目标性能数据集。

具体地，通过预设路径，获取服务器从当前时间点到预设时间间隔的性能数据，并对该性能性能数据进行数据预处理，得到格式和范围规范的目标性能数据集，以便后续使用目标性能数据集进行性能的性能预测。

其中，预设时间间隔可根据实际需求进行设定，此处不做限制。

其中，性能数据是指用于当前性能状况(资源占用情况)评估的数据，例如占用服务器资源的业务标识、每种业务占用服务器资源的数量、每种业务实时在线用户数量等。

其中，预设路径是指获取性能数据的路径，具体可以是网络路径，例如，云端存储的服务器运行记录文件，也可以是本地路径，例如，服务端自身存储的日志文件，可依据实际需求进行设定，此处不做限制。

需要说明的是，本实施例中对服务器性能的监控，其对象可以是对单个服务器，也可以是对集群服务器，服务端可根据需要，将性能数据存储到与服务端连接的数据库中，或者，通过服务器集群中的日志收集框架，将性能日志信息采集并存储到预设路径。

容易理解地，在预设路径为网络路径时，服务端通过网络传输协议，从预设的统一资源定位符，读取性能数据，在预设路径为本地路径时，服务端获取本地路径对应的物理地址，从该物理地址中获取性能数据。

其中，网络传输协议包括但不限于：互联网控制报文协议(Internet ControlMessage Protocol，ICMP)、地址解析协议(ARP Address Resolution Protocol， ARP)和文件传输协议(File Transfer Protocol，FTP)等。

进一步地，服务端按照预设数据预处理方式，对获取到的性能数据进行数据预处理，得到目标性能数据集。

其中，数据预处理是指对所收集数据进行分类或分组前所做的校验、筛选、排序等必要的处理，以使处理之后的数据符合使用要求，常见的数据预处理方式包括但不限于：数据清理，数据集成，数据变换，数据归约和数据归一化等。

优选地，本实施例中预设数据预处理方式选用数据变换处理和数据归一化处理，先通过平滑聚集，数据概化，规范化等方式将数据转换成适用于模型识别的数据形式，再通过归一化处理，将不同维度的性能数据归一到同一阈值范围内的标量，提高后续目标性能数据集的容错性。

S20：将目标性能数据集输入到训练好的高斯混合隐马尔可夫模型中，其中，训练好的高斯混合隐马尔可夫模型包括基础标注序列和基础标注序列对应的基础时长序列，基础时长序列包括若干基础子序列，训练好的高斯混合隐马尔可夫模型为通过服务器的历史性能数据训练得到。

具体地，将目标性能数据集输入到训练好的高斯混合隐马尔可夫模型中，以使后续通过该训练好的高斯混合隐马尔可夫模型，对当前的目标性能数据集进行分析评估，确定当前服务器的性能状态。

其中，训练好的高斯混合隐马尔可夫模型包括基础标注序列和基础标注序列对应的基础时长序列，基础时长序列包括若干基础子序列，训练好的高斯混合隐马尔可夫模型为通过服务器的历史性能数据训练得到。

其中，基础时长序列是指历史性能数据对应的时间点信息组成的序列。

其中，基础标注信息是指每个历史性能数据对应的状态标注信息。

其中，高斯混合隐马尔可夫(Gaussian of Mixture Hidden Markov Model， GM-HMM)模型是一种隐马尔可夫的聚类模型，用于基于聚类标注的状态序列,刻画出时间序列的非平稳运动变化,有效捕捉性能变动的规律和模式,提供介于定量化分析和定性分析之间的指标判据。一个非常明显的优势是，它提供了一种较为通用的时间序列相似度量标准，且计算简单，便于比较分析和查询，隐马尔可夫模型(Hidden Markov Model，HMM)是一种统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数，然后利用这些参数来作进一步的分析。

在本实施例中，服务器的性能数据收到众多因素影响，例如，当前访问流量的大小、服务端预留内存的大小、网络宽带的占用情况、服务器性能的折耗、异常网络流程的攻击等，采用通过历史性能数据进行训练的高斯混合隐马尔科夫模型，可以有效对当前性能进行分析评估，提升对当前性能未来走势评估的准确程度。

需要说明的是，服务器的性能随着时间变化，具有一定的突变性，也即，会发生一些非预期的变化，例如，在某个业务做一个用户关注点较高的活动策划时，该业务对应的用户数据剧增，使得相邻窗口内状态存在风格变化的可能，在相邻窗口内状态发生风格变化时，使用风格变化之前的状态进行加权，会导致状态滞后，导致预测不正确，在本实施例中，采用滚动式的训练方式，涵盖风格变化前后的每个时序，降低风格变化对预测准确率带来的影响，采用滚动式的方式进行训练的具体过程可参考步骤S71至步骤S76的描述，为避免重复，此处不再赘述。

S30：采用训练好的高斯混合隐马尔可夫模型，对目标性能数据集中的每个性能数据进行状态标注，得到目标标注序列。

具体地，采用训练好的高斯混合隐马尔可夫模型，对目标性能数据集中每个性能数据进行状态标注，得到目标标注序列。

其中，状态标注是指对该目标性能数据可能出现的状态(也即，高斯混合隐马尔可夫模型中的隐藏状态)进行标注，并计算出现该隐藏状态的概率，在本实施例中，状态标注具体可以是服务器性能相关的信息，例如正常、繁忙、空闲、假死、宕机等，具体可根据实际需要进行设定。

需要说明的是，本实施例中，隐藏状态的概率，会随性能数据的时序改变而发生变化。

S40：根据预设的时长切分方式，对目标标注序列进行数据切分，得到目标性能数据集对应的目标时长序列，其中，目标时长序列包括至少两个目标子序列。

具体地，为提高分能分析的准确程度，从当前时间点到预设时间间隔的时长一般设置较长，而在使用训练好的高斯混合隐马尔可夫模型，对该段时间对应的目标标注序列对应的性能走势进行分析预测时，过长的时长会导致只能对整体概括进行分析，而无法对短时间的突发状态进行监控，因而，先根据预设的时长切分方式，对目标标注序列进行数据切分，得到目标性能数据集对应的目标时长序列。

其中，预设的时长切分方式可根据服务端的实际性能需求进行设定，此处不做限制，优选地，本实施例采用的预设的时长切分方式为，以20分钟的定时时长，将目标标注序列切分为若干个目标时长序列。

S50：通过动态规划的方式，获取目标子序列对应的基础子序列，作为参考子序列，并获取参考子序列对应的性能走势信息，作为服务器在当前时间点的性能预测信息，其中，每一时间点对应的基础子序列的下一基础子序列对应的状态标注，为该时间点的基础子序列对应的性能走势信息。

具体地，通过动态规划的方式，获取每个目标子序列最相似的基础子序列，作为该目标子序列对应的基础子序列，并将这些基础子序列对应的性能走势信息，作为服务器在当前时间点的性能预测信息。

其中，动态规划(dynamic programming)是对解最优化问题的一种途径、一种方法，在本实施例中，采用的动态规划方式可以是最长公共子序列(Longest CommonSubsequence，LCS)的方式，通过求解最长公共子序列的方式，获取目标子序列对应的基础子序列。

其中，性能走势信息是指该基础子序列的下一基础子序列对应的状态标注，也即，该基础子序列的下一基础子序列的最大概率的状态标注。

S60：将性能预测信息与预设阈值范围进行比较，若性能预测信息处于预设阈值范围之外，则执行预设应急措施。

具体地，将性能预测信息与预设阈值范围进行比较，若性能预测信息处于预设阈值范围之外，则确定服务器性能可能会趋向不正常，此时执行预设应急措施。

其中，所述预设应急措施包括但不限于：启用应急服务器、限制最大资源占用比例、清理缓存、清理超过预设时长未响应的访问等。

在本实施例中，获取服务器从当前时间点到预设时间间隔的性能数据，作为目标性能数据集，进而将目标性能数据集输入到训练好的高斯混合隐马尔可夫模型中，再采用训练好的高斯混合隐马尔可夫模型，对目标性能数据集中的每个性能数据进行状态标注，得到目标标注序列，实现了对性能数据的状态标注，有利于后续根据状态标注进行性能评估与走势预测，同时，根据预设的时长切分方式，对目标标注序列进行数据切分，得到目标性能数据集对应的目标时长序列，最后通过动态规划的方式，获取目标子序列对应的基础子序列，作为参考子序列，并获取参考子序列对应的性能走势信息，作为服务器在当前时间点的性能预测信息，进而将性能预测信息与预设阈值范围进行比较，若性能预测信息处于预设阈值范围之外，则执行预设应急措施，实现通过训练好的高斯混合隐马尔可夫模型，结合服务器在当前的时长序列内性能数据的变化情况，对服务器性能进行评估，提高了服务器性能预测的准确率和效率，也有利于在性能走势出现异常时，进行及时预警，提高预警的及时性。

在一实施例中，步骤S20之前，该服务器性能监控方法还包括对高斯混合隐马尔可夫模型进行训练，得到训练好的高斯混合隐马尔可夫模型的过程。

请参阅图2，图2示出了本发明实施例提供的对高斯混合隐马尔可夫模型进行训练，得到训练好的高斯混合隐马尔可夫模型的具体实现流程，详述如下：

S71：获取服务器的历史性能数据集，历史性能数据集包含历史性能数据和历史性能数据对应的时间点信息。

具体地，获取服务器的历史性能数据集，历史性能数据集包含历史性能数据和历史性能数据对应的时间点信息。

S72：根据时间点信息和历史性能数据，对初始高斯混合隐马尔可夫模型进行滚动式训练，得到目标高斯混合隐马尔可夫模型。

具体地，根据时间点信息和历史性能数据，对初始高斯混合隐马尔可夫模型进行滚动式训练，得到目标高斯混合隐马尔可夫模型。

具体可参考步骤S721至步骤S724的描述，为避免重复，此处不再赘述。

S73：使用目标高斯混合隐马尔可夫模型，按照时间点信息中的时间顺序，对时间点信息对应的历史性能数据进行标注，得到基础标注序列。

具体地，使用目标高斯混合隐马尔可夫模型，按照时间点信息中的时间顺序，对时间点信息对应的历史性能数据进行标注，得到基础标注序列。

S74：根据预设的时长切分方式，对基础标注序列进行数据切分，得到历史性能数据集对应的基础时长序列，其中，基础时长序列包括若干基础子序列。

具体地，为确保对突发性的状况具有更好的预测能力，对基础标注序列按照预设的时长切分方式，进行数据切分，得到历史性能数据集对应的基础时长序列，其中，基础时长序列包括若干基础子序列，具体切分过程，可参考步骤S40的描述，为避免重复，此处不再赘述。

S75：获取每个基础子序列之后预设数量的基础子序列，作为走势参考序列，并获取走势参考序列对应的标注信息，作为基础子序列对应的性能走势信息。

具体地，获取每个基础子序列之后预设数量的基础子序列，作为走势参考序列，并获取走势参考序列对应的标注信息，作为基础子序列对应的性能走势信息。

S76：将基础标注序列、基础时长序列和性能走势信息存入到目标高斯混合隐马尔可夫模型，得到训练好的高斯混合隐马尔可夫模型。

具体地，将基础标注序列、基础时长序列和性能走势信息存入到目标高斯混合隐马尔可夫模型，得到训练好的高斯混合隐马尔可夫模型

在本实施例中，通过采用历史性能数据，对初始高斯混合隐马尔可夫模型进行滚动式训练，得到对连续时序变化具有较高状态标注能力的目标高斯混合隐马尔可夫模型，进而采用该目标高斯混合隐马尔可夫模型对历史性能数据进行状态标注，并按照预设的时长切分方式进行切分，得到基础子序列以及基础子序列的性能走势信息，并将基础子序列及性能走势信息存入到目标高斯混合隐马尔可夫模型，得到训练好的高斯混合隐马尔可夫模型，以使可续可直接通过该训练好的高斯混合隐马尔可夫模型对实时的服务器性能数据进行分析监控，提高服务器性能监控的效率。

在图2对应的实施例的基础之上，下面通过一个具体的实施例来对步骤 S72中所提及的根据时间点信息和历史性能数据，对初始高斯混合隐马尔可夫模型进行滚动式训练，得到目标高斯混合隐马尔可夫模型的具体实现方法进行详细说明。

请参阅图3，图3示出了本发明实施例提供的步骤S72的具体实现流程，详述如下：

S721：按照预设时间间隔，根据时间点信息，对历史性能数据集进行滚动式切分，得到若干个基础数据集，以及每个基础数据集对应的基础时序。

具体地，服务端预先设置有默认的时间间隔，按照该时间间隔，对每个历史性能数据集对应的时间点信息组合成的时序区间，进行滚动式切分，得到若干个基础数据集，以及，每个基础数据集对应的基础时序。

其中，滚动式切分是指在时序区间内，按照预设时间间隔，进行滚动切分，每次滑动的幅度为固定时长，具体可根据实际需求来设定，例如，设定固定时长为1个时长。

例如，在一具体实施方式中，时序区间为1-10的时长单位，预设时间间隔为6个时长单位，固定的滚动时长为1个时长单位，则第1次切分，得到 1-6的时序区间，进而向后滚动1个时长单位的固定时长，并进行第2次切分，得到2-7的时序区间，依次，在第3次切分得到3-8的时序区间，在第4次切分得到4-9的时序区间，在第5次切分得到5-10的时序区间。

S722：获取每个基础数据集的历史性能数据，作为基础数据集对应的基础观测数据。

具体地，获取每个基础数据集的历史性能数据，作为基础数据集对应的基础观测数据。

其中，基础观测数据在本实施例中，是指用于作为初始高斯混合隐马尔可夫模型的可见状态链，根据该可见状态链，用以推导隐含状态链，以及出现隐含状态链的概率。在本实施例中，隐含状态链用于表示各种服务器性能的标注状态，例如正常、繁忙、空闲、假死、宕机等。

S723：针对每个基础数据集，将该基础数据集对应的基础时序和基础观测数据，作为一组时序观测数据。

具体地，针对每个基础数据集，将该基础数据集对应的基础时序和基础观测数据，作为一组时序观测数据。

其中，时序观测数据是指带有时序的基础观测数据，也即，隐含状态链与时序相关，相同观测数据，时序不同，其对应的隐含状态链也可能不同。

S724：依次使用时序观测数据，对初始高斯混合隐马尔可夫模型进行训练更新，直到每组时序观测数据均参与训练，得到目标高斯混合隐马尔可夫模型。

具体地，按照时序的顺序，分别采用得到的时序观测数据，依次输入到初始高斯混合隐马尔可夫模型中进行训练，得到目标高斯混合隐马尔可夫模型。

在本实施例中，按照预设时间间隔，根据时间点信息，对历史性能数据集进行滚动式切分，得到若干个基础数据集，以及每个基础数据集对应的基础时序，进而获取每个基础数据集的历史性能数据，作为基础数据集对应的基础观测数据，再针对每个基础数据集，将该基础数据集对应的基础时序和基础观测数据，作为一组时序观测数据，并依次使用时序观测数据，对初始高斯混合隐马尔可夫模型进行训练更新，直到每组时序观测数据均参与训练，得到目标高斯混合隐马尔可夫模型，采用滚动式切分，得到具有连续变化时序的基础数据集和基础时序，使得训练得到的目标高斯混合隐马尔可夫模型对连续时序变化的性能数据的观测和预判能力，有利于提高目标高斯混合隐马尔可夫模型对于连续时序变化的性能数据的标注能力。

在图3对应的实施例的基础之上，下面通过一个具体的实施例来对步骤 S721中所提及的按照预设时间间隔，根据时间点信息，对历史性能数据集进行滚动式切分，得到若干个基础数据集，以及每个基础数据集对应的基础时序的具体实现方法进行详细说明。

请参阅图4，图4示出了本发明实施例提供的步骤S721的具体实现流程，详述如下：

S7211：获取预设时间间隔的时长T1。

具体地，服务端预设设置有预设时间间隔，获取该预设时间间隔的时长 T1，在后续可通过该时长T1对历史性能数据集进行切分。

S7212：根据所有时间点信息，确定历史性能数据集对应的时序区间，并计算时序区间的时长T2，其中，T2>T1。

具体地，从所有时间点信息中，获取最大时间点和最小时间点，进而根据最大时间点和最小时间点，确定历史性能数据集对应的时序区间，并计算时序区间的时长T2，其中，T2>T1。

S7213：从时序区间中，依次获取T2-T1+1个时长为T1的基础时序，并获取每个基础时序的历史性能数据，作为基础时序对应的基础数据集，其中，第i个基础时序为从第i个时间单位到第T1+i-1个时间单位的时序，i为正整数，且i≤T2-T1+1。

具体地，通过预设时间间隔的时长T1，对时序区间进行切分，得到一个基础时序，并每次向前移动一个单位时长，继续进行切分，得到另外一个基础时序，一共得到T2-T1+1个时长序列，并获取每个基础序列对应的历史性能数据，作为该基础时序对应的基础数据集。

在本实施例中，通过获取历史数据集对应的时序区间和预设时间间隔，并按照预设时间间隔为长度，每隔一个单位时序，进行一个基础时序的获取，使得得到的基础时序具有连续性变化的特性，在后续使用该基础时序进行训练时，有利于提高目标高斯混合隐马尔可夫模型对连续时序变化的性能数据的观测和预判能力。

在图1对应的实施例的基础之上，下面通过一个具体的实施例来对步骤 S50中所提及的通过动态规划的方式，获取目标子序列对应的基础子序列，作为参考子序列的具体实现方法进行详细说明。

请参阅图5，图5示出了本发明实施例提供的步骤S50的具体实现流程，详述如下：

S51：针对任一目标子序列，计算该目标子序列与每个基础子序列的相似度，并将相似度值最大的基础子序列作为目标子序列对应的基础子序列。

具体地，对于每个目标子序列，分别计算该目标子序列与每个基础子序列的相似度，并获取得到的最大相似值对应的基础子序列，作为该目标子序列对应的基础子序列。

S52：对所有目标子序列对应的基础子序列进行汇总处理，得到参考子序列。

具体地，每个基础子序列对应有走势参考序列，获取每个目标子序列对应的基础子序列，并将这些基础子序列对应的走势参考序列进行汇总，作为参考子序列。

在本实施例中，针对任一目标子序列，计算该目标子序列与每个基础子序列的相似度，并将相似度值最大的基础子序列作为目标子序列对应的基础子序列，进而对所有目标子序列对应的基础子序列进行汇总处理，得到参考子序列，以使后续可以根据参考子序列确定性能走势信息。

在图5对应的实施例的基础之上，下面通过一个具体的实施例来对步骤 S51中所提及的针对任一目标子序列，计算该目标子序列与每个基础子序列的相似度的具体实现方法进行详细说明。

请参阅图6，图6示出了本发明实施例提供的步骤S51的具体实现流程，详述如下：

S511：将目标子序列存入一维数组X_a中，将基础子序列存入一维数组Y_b中，其中，a为目标子序列的时间点信息的数量，b为基础子序列的时间点信息的数量。

具体地，获取目标子序列的时间点信息的数量a和基础子序列的时间点信息的b，并将目标子序列的时间点信息对应的性能数据的状态标注，按照从前往后的顺序依次存入一维数组X_a中，将基础子序列的时间点信息对应的性能数据的状态标注，按照从前往后的顺序依次存入一维数组Y_b中。

S512：使用如下公式计算X_a的第i位与Y_b的第j位之前的公共子序列长度 L(i,j)：

其中，若same(X_i,Y_j)在X_i与Y_j相同时，取值为1，否则，same(X_i,Y_j)在X_i与Y_j不相同时，取值为0，max{L(i-1,j-1)+same(X_i,Y_j),L(i-1,j),L(i,j-1)}为取L(i-1,j-1)+same(X_i,Y_j)、L(i-1,j)和L(i,j-1)三个表达式中的最大值，i和j均为正整数，且i≤a，j≤b。

具体地，通过上述公式来计算X_a的第i位与Y_b第j位之前中公共子序列的长度。

其中，公共子序列是指X_a和Y_b都包含的公共状态标注。

其中，“max{}”表示去大括号中的最大值作为表达式的值。

值得说明的是，公共子序列长度的初始值均为0。

S513：对公共子序列长度进行递归回溯，得到公共子序列长度的集合，并从集合中获取值最大的公共子序列长度l，作为目标长度，其中，l为小于等于b的正整数。

具体地，将步骤S512中得到的所有公共子序列长度存入到a行b列的矩阵中，采用预设的方式，对这个矩阵进行递归回溯，并按照上述公式对每一个长度进行计算更新，得出所有公共子序列长度，并选取值最大的公共子序列长度，作为目标长度。

其中，预设的方式可以是从右到左，再从下到上，也可以是从下到上，再从右到左，可以根据实际情形选取，此处不作具体限制。

其中，递归是指在一个过程或函数在其定义或说明中有直接或间接调用自身的一种方法，它通常把一个大型复杂的问题层层转化为一个与原问题相似的规模较小的问题来求解，递归策略只需少量的程序就可描述出解题过程所需要的多次重复计算，大大地减少了程序的代码量。例如，在本实施例中，在对L(i,j)进行计算时，每次只需根据L(i-1,j)、L(i,j-1)、L(i-1,j-1)和same(X_i,Y_j)的值来计算即可，然后可将得到的L(i,j)来作为L(i+1,j)、L(i,j+1)或L(i+1,j+1)的计算因子来进行后续计算。

其中，回溯是也叫试探法，它是一个类似枚举的搜索尝试过程，主要是在搜索尝试过程中寻找问题的解，当发现已不满足求解条件时，就“回溯”返回，尝试别的路径。同时，回溯法也是一种选优搜索法，按选优条件向前搜索，以达到目标。但当探索到某一步时，发现原先选择并不优或达不到目标，就退回一步重新选择，这种走不通就退回再走的技术为回溯法，而满足回溯条件的某个状态的点称为“回溯点”，在本实施例中，以针对由长度构成的26x29的矩阵为例，可以先从第一行左边即L(1，1)向第一行的右边即L (1，29)进行递归计算，并对第一行的29个长度进行更新，在更新完矩阵第一行的长度后，再第二行左边向右边进行递归计算，按照此方法继续更新，直到更新完整个矩阵为止，在更新后的矩阵中，选取值最大的长度作为目标长度。

S514：使用如下公式计算目标子序列与基础子序列的相似度值：

其中，θ为目标子序列与基础子序列的相似度值，θ∈[0，1]。

在本实施例中，通过将目标子序列中的状态标注存入到一个数组，将基础子序列中的状态标注存入到另一个数组，进而对这两个数组进行遍历计算公共子序列长度，并获取值最大的公共子序列长度，作为目标长度，进而将目标长度与基础子序列中时间点信息数量的比值作为相似度值，通过该方法可以快速准确得到目标子序列与基础子序列的相似度，提升了计算相似度值的效率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

图7示出与上述实施例服务器性能监控方法一一对应的服务器性能监控装置的原理框图。如图7所示，该服务器性能监控装置包括第一采集模块10、数据输入模块20、第一标注模块30、第一切分模块40、趋势预测模块50和预警单元60。各功能模块详细说明如下：

第一采集模块10，用于获取服务器从当前时间点到预设时间间隔的性能数据，作为目标性能数据集；

数据输入模块20，用于将目标性能数据集输入到训练好的高斯混合隐马尔可夫模型中，其中，训练好的高斯混合隐马尔可夫模型包括基础标注序列和基础标注序列对应的基础时长序列，基础时长序列包括若干基础子序列，训练好的高斯混合隐马尔可夫模型为通过服务器的历史性能数据训练得到；

第一标注模块30，用于采用训练好的高斯混合隐马尔可夫模型，对目标性能数据集中的每个性能数据进行状态标注，得到目标标注序列；

第一切分模块40，用于根据预设的时长切分方式，对目标标注序列进行数据切分，得到目标性能数据集对应的目标时长序列，其中，目标时长序列包括至少两个目标子序列；

趋势预测模块50，用于通过动态规划的方式，获取目标子序列对应的基础子序列，作为参考子序列，并获取参考子序列对应的性能走势信息，作为服务器在当前时间点的性能预测信息，其中，每一时间点对应的基础子序列的下一基础子序列对应的状态标注，为该时间点的基础子序列对应的性能走势信息；

预警模块60，用于将性能预测信息与预设阈值范围进行比较，若性能预测信息处于预设阈值范围之外，则执行预设应急措施。

该服务器性能监控装置还包括：

第二采集模块，用于获取服务器的历史性能数据集，历史性能数据集包含历史性能数据和历史性能数据对应的时间点信息；

滚动训练模块，用于根据时间点信息和历史性能数据，对初始高斯混合隐马尔可夫模型进行滚动式训练，得到目标高斯混合隐马尔可夫模型；

第二标注模块，用于使用目标高斯混合隐马尔可夫模型，按照时间点信息中的时间顺序，对时间点信息对应的历史性能数据进行标注，得到基础标注序列；

第二切分模块，用于根据预设的时长切分方式，对基础标注序列进行数据切分，得到历史性能数据集对应的基础时长序列，其中，基础时长序列包括若干基础子序列；

走势信息确定模块，用于获取每个基础子序列之后预设数量的基础子序列，作为走势参考序列，并获取走势参考序列对应的标注信息，作为基础子序列对应的性能走势信息；

模型确定模块，用于将基础标注序列、基础时长序列和性能走势信息存入到目标高斯混合隐马尔可夫模型，得到训练好的高斯混合隐马尔可夫模型。

进一步地，滚动训练模块包括：

滚动切分单元，用于按照预设时间间隔，根据时间点信息，对历史性能数据集进行滚动式切分，得到若干个基础数据集，以及每个基础数据集对应的基础时序；

基础观测数据获取单元，用于获取每个基础数据集的历史性能数据，作为基础数据集对应的基础观测数据；

时序观测数据确定单元，用于针对每个基础数据集，将该基础数据集对应的基础时序和基础观测数据，作为一组时序观测数据；

目标模型生成单元，用于依次使用时序观测数据，对初始高斯混合隐马尔可夫模型进行训练更新，直到每组时序观测数据均参与训练，得到目标高斯混合隐马尔可夫模型。

进一步地，滚动切分单元包括：

第一时长确定子单元，用于获取预设时间间隔的时长T1；

第二时长确定子单元，用于根据所有时间点信息，确定历史性能数据集对应的时序区间，并计算时序区间的时长T2，其中，T2>T1；

滚动分割子单元，用于从时序区间中，依次获取T2-T1+1个时长为T1的基础时序，并获取每个基础时序的历史性能数据，作为基础时序对应的基础数据集，其中，第i个基础时序为从第i个时间单位到第T1+i-1个时间单位的时序，i为正整数，且i≤T2-T1+1。

进一步地，趋势预测模块50包括：

相似度确定单元，用于针对任一目标子序列，计算该目标子序列与每个基础子序列的相似度，并将相似度值最大的基础子序列作为目标子序列对应的基础子序列；

参考子序列获取单元，用于对所有目标子序列对应的基础子序列进行汇总处理，得到参考子序列。

进一步地，相似度确定单元包括：

数组构建子单元，用于将目标子序列存入一维数组X_a中，将基础子序列存入一维数组Y_b中，其中，a为目标子序列的时间点信息的数量，b为基础子序列的时间点信息的数量；

公共序列长度计算子单元，用于使用如下公式计算X_a的第i位与Y_b的第j 位之前的公共子序列长度L(i,j)：

其中，若same(X_i,Y_j)在X_i与Y_j相同时，取值为1，否则，same(X_i,Y_j)在X_i与Y_j不相同时，取值为0，max{L(i-1,j-1)+same(X_i,Y_j),L(i-1,j),L(i,j-1)}为取L(i-1,j-1)+same(X_i,Y_j)、L(i-1,j)和L(i,j-1)三个表达式中的最大值，i和j均为正整数，且i≤a，j≤b；

递归回溯子单元，用于对公共子序列长度进行递归回溯，得到公共子序列长度的集合，并从集合中获取值最大的公共子序列长度l，作为目标长度，其中，l为小于等于b的正整数；

相似度计算子单元，用于使用如下公式计算目标子序列与基础子序列的相似度值：

其中，θ为目标子序列与基础子序列的相似度值，θ∈[0，1]。

关于服务器性能监控装置的具体限定可以参见上文中对于服务器性能监控方法的限定，在此不再赘述。上述服务器性能监控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

图8是本发明一实施例提供的计算机设备的示意图。该计算机设备可以是服务端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史性能数据集和高斯混合隐马尔可夫模型。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种服务器性能监控方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例服务器性能监控方法的步骤，例如图2所示的步骤S10至步骤 S60。或者，处理器执行计算机程序时实现上述实施例服务器性能监控装置的各模块/单元的功能，例如图7所示的模块10至模块60的功能。为避免重复，这里不再赘述。

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，即将所述装置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。

在一实施例中，提供一计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例服务器性能监控方法的步骤，或者，该计算机程序被处理器执行时实现上述实施例服务器性能监控装置中各模块/单元的功能。为避免重复，这里不再赘述。

可以理解地，所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、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(Read-Only Memory，ROM)、随机存取存储器 (Random Access Memory，RAM)、电载波信号和电信信号等。

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 (10)

1.一种服务器性能监控方法，其特征在于，所述服务器性能监控方法包括：

获取服务器从当前时间点到预设时间间隔的性能数据，作为目标性能数据集；

将所述目标性能数据集输入到训练好的高斯混合隐马尔可夫模型中，其中，所述训练好的高斯混合隐马尔可夫模型包括基础标注序列和基础标注序列对应的基础时长序列，所述基础时长序列包括若干基础子序列，所述训练好的高斯混合隐马尔可夫模型为通过所述服务器的历史性能数据训练得到；

采用所述训练好的高斯混合隐马尔可夫模型，对所述目标性能数据集中的每个性能数据进行状态标注，得到目标标注序列；

根据预设的时长切分方式，对所述目标标注序列进行数据切分，得到所述目标性能数据集对应的目标时长序列，其中，所述目标时长序列包括至少两个目标子序列；

通过动态规划的方式，获取所述目标子序列对应的基础子序列，作为参考子序列，并获取所述参考子序列对应的性能走势信息，作为所述服务器在当前时间点的性能预测信息，其中，每一时间点对应的所述基础子序列的下一基础子序列对应的状态标注，为该时间点的基础子序列对应的性能走势信息；

将所述性能预测信息与预设阈值范围进行比较，若所述性能预测信息处于所述预设阈值范围之外，则执行预设应急措施。

2.如权利要求1所述的服务器性能监控方法，其特征在于，在所述将所述目标性能数据集输入到训练好的高斯混合隐马尔可夫模型中之前，所述服务器性能监控方法还包括：

获取所述服务器的历史性能数据集，所述历史性能数据集包含历史性能数据和所述历史性能数据对应的时间点信息；

根据所述时间点信息和所述历史性能数据，对初始高斯混合隐马尔可夫模型进行滚动式训练，得到所述目标高斯混合隐马尔可夫模型；

使用所述目标高斯混合隐马尔可夫模型，按照所述时间点信息中的时间顺序，对所述时间点信息对应的历史性能数据进行标注，得到基础标注序列；

根据所述预设的时长切分方式，对所述基础标注序列进行数据切分，得到所述历史性能数据集对应的基础时长序列，其中，所述基础时长序列包括若干基础子序列；

获取每个所述基础子序列之后预设数量的基础子序列，作为走势参考序列，并获取所述走势参考序列对应的标注信息，作为所述基础子序列对应的性能走势信息；

将所述基础标注序列、所述基础时长序列和所述性能走势信息存入到所述目标高斯混合隐马尔可夫模型，得到所述训练好的高斯混合隐马尔可夫模型。

3.如权利要求2所述的服务器性能监控方法，其特征在于，所述根据所述时间点信息和所述历史性能数据，对初始高斯混合隐马尔可夫模型进行滚动式训练，得到所述目标高斯混合隐马尔可夫模型包括：

按照预设时间间隔，根据所述时间点信息，对所述历史性能数据集进行滚动式切分，得到若干个基础数据集，以及每个所述基础数据集对应的基础时序；

获取每个所述基础数据集的历史性能数据，作为所述基础数据集对应的基础观测数据；

针对每个所述基础数据集，将该基础数据集对应的基础时序和所述基础观测数据，作为一组时序观测数据；

依次使用所述时序观测数据，对所述初始高斯混合隐马尔可夫模型进行训练更新，直到每组所述时序观测数据均参与训练，得到所述目标高斯混合隐马尔可夫模型。

4.如权利要求3所述的服务器性能监控方法，其特征在于，所述按照预设时间间隔，根据所述时间点信息，对所述历史性能数据集进行滚动式切分，得到若干个基础数据集，以及每个所述基础数据集对应的基础时序包括：

获取所述预设时间间隔的时长T1；

根据所有所述时间点信息，确定所述历史性能数据集对应的时序区间，并计算所述时序区间的时长T2，其中，T2>T1；

从所述时序区间中，依次获取T2-T1+1个时长为T1的所述基础时序，并获取每个所述基础时序的历史性能数据，作为所述基础时序对应的基础数据集，其中，第i个所述基础时序为从第i个时间单位到第T1+i-1个时间单位的时序，i为正整数，且i≤T2-T1+1。

5.如权利要求1所述的服务器性能监控方法，其特征在于，所述通过动态规划的方式，获取所述目标子序列对应的基础子序列，作为参考子序列包括：

针对任一所述目标子序列，计算该目标子序列与每个所述基础子序列的相似度，并将相似度值最大的基础子序列作为目标子序列对应的基础子序列；

对所有所述目标子序列对应的基础子序列进行汇总处理，得到所述参考子序列。

6.如权利要求5所述的服务器性能监控方法，其特征在于，所述针对任一所述目标子序列，计算该目标子序列与每个所述基础子序列的相似度包括：

将所述目标子序列存入一维数组X_a中，将所述基础子序列存入一维数组Y_b中，其中，a为所述目标子序列的时间点信息的数量，b为所述基础子序列的时间点信息的数量；

使用如下公式计算X_a的第i位与Y_b的第j位之前的公共子序列长度L(i,j)：

其中，same(X_i,Y_j)在X_i与Y_j相同时，取值为1，same(X_i,Y_j)在X_i与Y_j不相同时，取值为0，max{L(i-1,j-1)+same(X_i,Y_j),L(i-1,j),L(i,j-1)}表示取L(i-1,j-1)+same(X_i,Y_j)、L(i-1,j)和L(i,j-1)三个表达式中的最大值，i和j均为正整数，且i≤a，j≤b；

对所述公共子序列长度进行递归回溯，得到所述公共子序列长度的集合，并从所述集合中获取值最大的公共子序列长度l，作为目标长度，其中，l为小于等于b的正整数；

使用如下公式计算所述目标子序列与所述基础子序列的相似度值：

其中，θ为所述目标子序列与所述基础子序列的相似度值，θ∈[0，1]。

7.一种服务器性能监控装置，其特征在于，所述服务器性能监控装置包括：

第一采集模块，用于获取服务器从当前时间点到预设时间间隔的性能数据，作为目标性能数据集；

数据输入模块，用于将所述目标性能数据集输入到训练好的高斯混合隐马尔可夫模型中，其中，所述训练好的高斯混合隐马尔可夫模型包括基础标注序列和基础标注序列对应的基础时长序列，所述基础时长序列包括若干基础子序列，所述训练好的高斯混合隐马尔可夫模型为通过所述服务器的历史性能数据训练得到；

第一标注模块，用于采用所述训练好的高斯混合隐马尔可夫模型，对所述目标性能数据集中的每个性能数据进行状态标注，得到目标标注序列；

第一切分模块，用于根据预设的时长切分方式，对所述目标标注序列进行数据切分，得到所述目标性能数据集对应的目标时长序列，其中，所述目标时长序列包括至少两个目标子序列；

趋势预测模块，用于通过动态规划的方式，获取所述目标子序列对应的基础子序列，作为参考子序列，并获取所述参考子序列对应的性能走势信息，作为所述服务器在当前时间点的性能预测信息，其中，每一时间点对应的所述基础子序列的下一基础子序列对应的状态标注，为该时间点的基础子序列对应的性能走势信息；

预警模块，用于将所述性能预测信息与预设阈值范围进行比较，若所述性能预测信息处于所述预设阈值范围之外，则执行预设应急措施。

8.如权利要求7所述的服务器性能监控装置，其特征在于，所述服务器性能监控装置还包括：

第二采集模块，用于获取所述服务器的历史性能数据集，所述历史性能数据集包含历史性能数据和所述历史性能数据对应的时间点信息；

滚动训练模块，用于根据所述时间点信息和所述历史性能数据，对初始高斯混合隐马尔可夫模型进行滚动式训练，得到所述目标高斯混合隐马尔可夫模型；

第二标注模块，用于使用所述目标高斯混合隐马尔可夫模型，按照所述时间点信息中的时间顺序，对所述时间点信息对应的历史性能数据进行标注，得到基础标注序列；

第二切分模块，用于根据所述预设的时长切分方式，对所述基础标注序列进行数据切分，得到所述历史性能数据集对应的基础时长序列，其中，所述基础时长序列包括若干基础子序列；

走势信息确定模块，用于获取每个所述基础子序列之后预设数量的基础子序列，作为走势参考序列，并获取所述走势参考序列对应的标注信息，作为所述基础子序列对应的性能走势信息；

模型确定模块，用于将所述基础标注序列、所述基础时长序列和所述性能走势信息存入到所述目标高斯混合隐马尔可夫模型，得到所述训练好的高斯混合隐马尔可夫模型。

9.一种计算机设备，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6任一项所述的服务器性能监控方法。

10.一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6任一项所述的服务器性能监控方法。

Images