CN110851342A - 故障预测方法、装置、计算设备以及计算机可读存储介质 - Google Patents

Abstract

本公开提供了一种故障预测方法，包括：获取目标对象在第一预设时间段内的目标历史故障数据，其中，目标历史故障数据包括至少一个历史故障指标和历史故障概率，至少一个历史故障指标中的每个历史故障指标具有对应的历史指标值，基于目标历史故障数据，确定至少一个历史故障指标和历史故障概率之间的关系模型，获取目标对象的至少一个当前故障指标，利用关系模型，基于至少一个当前故障指标预测目标对象在第二预设时间段内的故障概率。本公开还提供了一种故障预测装置、计算设备以及计算机可读存储介质。

Description

故障预测方法、装置、计算设备以及计算机可读存储介质

技术领域

本公开涉及计算机技术领域，特别是涉及一种故障预测方法、一种故障预测装置、一种计算设备以及一种计算机可读介质。

背景技术

随着计算机技术的快速发展，各类硬件、系统或应用越来越多地应用于处理业务数据。由于硬件、系统或应用的健康状态会直接影响业务数据的处理效果，例如，如果各类硬件、系统或应用在使用过程中发生故障则将不可避免地对业务造成影响。因此，为了减小各类硬件、系统或应用发生故障后对业务数据处理造成的影响，需要提前预测各类硬件、系统或应用可能发生的故障，便于及时处理故障避免对业务数据的处理造成难以弥补的损失。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：相关技术中在预测各类硬件、系统或应用未来可能发生的故障时，通常通过业务人员的个人经验来对未来可能发生的故障进行定性预测，这种定性预测方法主观性较强，预测结果比较抽象，预测结果无法定量地指示未来的故障情况。

发明内容

本公开的一个方面提供了一种故障预测方法，包括：获取目标对象在第一预设时间段内的目标历史故障数据，其中，所述目标历史故障数据包括至少一个历史故障指标和历史故障概率，所述至少一个历史故障指标中的每个历史故障指标具有对应的历史指标值，基于所述目标历史故障数据，确定所述至少一个历史故障指标和所述历史故障概率之间的关系模型，获取所述目标对象的至少一个当前故障指标，利用所述关系模型，基于所述至少一个当前故障指标预测所述目标对象在第二预设时间段内的故障概率。

可选地，上述基于所述目标历史故障数据，确定所述至少一个历史故障指标和所述历史故障概率之间的关系模型，包括：将所述目标历史故障数据作为训练集，对预测模型进行训练，所述预测模型用于基于所述至少一个当前故障指标预测所述故障概率。

可选地，上述利用所述关系模型，基于所述至少一个当前故障指标预测所述目标对象在第二预设时间段内的故障概率，包括：将所述至少一个当前故障指标输入所述预测模型，利用预测模型处理所述至少一个当前故障指标，得到所述目标对象在所述第二预设时间段内的故障概率。

可选地，上述获取目标对象在第一预设时间段内的目标历史故障数据，包括：获取多个对象在所述第一预设时间段内的初始历史故障数据，确定所述目标对象的对象标识，基于所述对象标识，从所述初始历史故障数据中获取所述目标历史故障数据。

可选地，上述第一预设时间段包括多个第三预设时间段，所述多个第三预设时间段中的每个第三预设时间段的时间段长度与所述第二预设时间段的时间段长度一致。

可选地，上述历史故障概率包括以下至少一项：在所述第三预设时间段内发生故障的目标对象的数量与多个故障对象的数量之间的比值、所述目标对象在所述第三预设时间段内发生故障的次数与多个故障对象的发生故障次数之间的比值。

可选地，上述预测模型包括以下至少一项：神经网络模型、灰度预测模型。

本公开的另一个方面提供了一种故障预测装置，包括：第一获取模块、确定模块、第二获取模块以及预测模块。其中，第一获取模块，获取目标对象在第一预设时间段内的目标历史故障数据，其中，所述目标历史故障数据包括至少一个历史故障指标和历史故障概率，所述至少一个历史故障指标中的每个历史故障指标具有对应的历史指标值，确定模块，基于所述目标历史故障数据，确定所述至少一个历史故障指标和所述历史故障概率之间的关系模型，第二获取模块，获取所述目标对象的至少一个当前故障指标，预测模块，利用所述关系模型，基于所述至少一个当前故障指标预测所述目标对象在第二预设时间段内的故障概率。

可选地，上述基于所述目标历史故障数据，确定所述至少一个历史故障指标和所述历史故障概率之间的关系模型，包括：将所述目标历史故障数据作为训练集，对预测模型进行训练，所述预测模型用于基于所述至少一个当前故障指标预测所述故障概率。

可选地，上述预测模块包括：输入子模块以及处理子模块。其中，输入子模块将所述至少一个当前故障指标输入所述预测模型，处理子模块利用预测模型处理所述至少一个当前故障指标，得到所述目标对象在所述第二预设时间段内的故障概率。

可选地，上述第一获取模块包括：第一获取子模块、确定子模块以及第二获取子模块。其中，第一获取子模块获取多个对象在所述第一预设时间段内的初始历史故障数据，确定子模块确定所述目标对象的对象标识，第二获取子模块基于所述对象标识，从所述初始历史故障数据中获取所述目标历史故障数据。

可选地，上述第一预设时间段包括多个第三预设时间段，所述多个第三预设时间段中的每个第三预设时间段的时间段长度与所述第二预设时间段的时间段长度一致。

可选地，上述历史故障概率包括以下至少一项：在所述第三预设时间段内发生故障的目标对象的数量与多个故障对象的数量之间的比值、所述目标对象在所述第三预设时间段内发生故障的次数与多个故障对象的发生故障次数之间的比值。

可选地，上述预测模型包括以下至少一项：神经网络模型、灰度预测模型。

本公开的另一方面提供了一种计算设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的方法。

本公开的另一方面提供了一种非易失性可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

附图说明

为了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中：

图1示意性示出了根据本公开实施例的故障预测方法和故障预测装置的系统架构；

图2示意性示出了根据本公开实施例的故障预测方法的流程图；

图3示意性示出了根据本公开实施例的获取目标历史故障数据的流程图；

图4示意性示出了根据本公开实施例的预测故障概率的流程图；

图5示意性示出了根据本公开实施例故障预测装置的框图；

图6示意性示出了根据本公开实施例第一获取模块的框图；

图7示意性示出了根据本公开实施例预测模块的框图；以及

图8示意性示出了根据本公开实施例的用于实现故障预测的识别的计算机系统的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程控制装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。

因此，本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。在本公开的上下文中，计算机可读介质可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，计算机可读介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。计算机可读介质的具体示例包括：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；和/或有线/无线通信链路。

本公开的实施例提供了一种故障预测方法，包括：首先获取目标对象在第一预设时间段内的目标历史故障数据，其中，目标历史故障数据包括至少一个历史故障指标和历史故障概率，至少一个历史故障指标中的每个历史故障指标具有对应的历史指标值。其次，基于目标历史故障数据，确定至少一个历史故障指标和历史故障概率之间的关系模型。然后，获取目标对象的至少一个当前故障指标。最后，利用关系模型，基于至少一个当前故障指标预测目标对象在第二预设时间段内的故障概率。

图1示意性示出了根据本公开实施例的故障预测方法和故障预测装置的系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的故障预测方法一般可以由服务器105执行。相应地，本公开实施例所提供的故障预测装置一般可以设置于服务器105中。本公开实施例所提供的故障预测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的故障预测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

例如，本公开实施例的目标历史故障数据和当前故障指标可以存储在终端设备101、102、103中，通过终端设备101、102、103将目标历史故障数据和当前故障指标发送至服务器105中，服务器105可以基于目标历史故障数据，确定至少一个历史故障指标和历史故障概率之间的关系模型，并利用关系模型，基于至少一个当前故障指标预测目标对象在第二预设时间段内的故障概率。另外，目标历史故障数据和当前故障指标还可以由服务器105接收并直接存储在服务器105中，由服务器105直接基于目标历史故障数据，确定至少一个历史故障指标和历史故障概率之间的关系模型，并利用关系模型，基于至少一个当前故障指标预测目标对象在第二预设时间段内的故障概率。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面结合图1的系统架构，参考图2～图4来描述根据本公开示例性实施方式的故障预测方法。需要注意的是，上述系统架构仅是为了便于理解本公开的精神和原理而示出，本公开的实施方式在此方面不受任何限制。相反，本公开的实施方式可以应用于适用的任何场景。

图2示意性示出了根据本公开实施例的故障预测方法的流程图。

如图2所示，该方法可以包括操作S210～S240。

在操作S210，获取目标对象在第一预设时间段内的目标历史故障数据，其中，目标历史故障数据包括至少一个历史故障指标和历史故障概率，至少一个历史故障指标中的每个历史故障指标具有对应的历史指标值。

根据本公开实施例，目标对象例如可以是硬件、系统、应用中的至少一个。其中，硬件、系统或应用例如可以用于处理相关的业务数据。例如，当通过计算机、服务器或者服务器集群处理业务数据时，硬件、系统、应用例如可以是计算机、服务器或者服务器集群中的各类硬件、系统或应用。

在本公开实施例中，第一预设时间段例如可以是过去一段时间，例如可以是过去一年、两年、几个月等等。其中，各类硬件、系统或应用在过去一段时间内处理业务数据的过程中不可避免地发生过故障，因此，可以通过收集各类硬件、系统或应用在过去发生故障的目标历史故障数据，并可以基于所收集的目标历史故障数据进行故障分析，便于预测各类硬件、系统或应用在未来发生的故障。

根据本公开实施例，历史故障概率包括以下至少一项：在第三预设时间段内发生故障的目标对象的数量与多个故障对象的数量之间的比值、目标对象在第三预设时间段内发生故障的次数与多个故障对象的发生故障次数之间的比值。

例如，以硬件资产举例，关于硬件的目标历史故障数据中可以包括历史故障概率和多个历史故障指标。

关于历史故障概率，以第一预设时间段为过去一年为例，历史故障概率例如可以是该类硬件在过去一年内每个月发生故障的次数与故障硬件的故障总次数之间的比值，或者可以是该类硬件在过去一年内每个月发生故障的硬件数量与故障硬件总数量的比值。

关于多个历史故障指标，多个历史故障指标例如可以包括造成硬件发生故障的因素。例如，多个历史故障指标可以包括硬件的使用年限、硬件CPU个数、内存容量、硬盘个数等等。其中，每个历史故障指标具有相应的历史指标值，例如硬件的使用年限包括多个历史指标值，多个历史指标值例如包括在过去一年内每个月对应的使用年限：5年、5年又1个月、5年又2个月、……、5年又11个月。

在操作S220，基于目标历史故障数据，确定至少一个历史故障指标和历史故障概率之间的关系模型。

根据本公开实施例，例如可以通过数据建模或者大数据分析等方法根据目标历史故障数据预测各类硬件、系统或应用在未来可能发生的故障情况。例如，可以对目标历史故障数据进行分析得到历史故障指标和历史故障概率之间的关系模型，其中，该关系模型例如可以表征历史故障指标对应的历史指标值和历史故障概率之间的关系。

以每类硬件资产发生故障概率和使用年限之间的关系为例：

例如针对服务器设备，选取2018年1月到6月的数据作为研究区间，服务器设备在该段时间内每月发生故障的频率分别为1/4、2/3、1/2、1/5、2/5、1/10，每月服务器类的使用年限分别为6年、11年、10年、5年、8年和1年，通过建立统计或机器学习模型，可以得到服务器设备故障概率和使用年限之间的关系。

具体的，硬件资产分为服务器设备类、大型计算机类、网络通讯类以及存储设备类等。

每一类硬件资产在每个月发生故障的概率用其每月发生故障的频率来表示，例如2018年1月份硬件资产发生故障的数量共20台，其中服务器类的有5台，大型计算机类的有2台，网络通讯类的10台，存储设备类的有3台，由此得到各类硬件资产在该月份发生的故障频率分别为：1/4、1/10、1/2、3/20。

对于每一类硬件资产使用年限，由于每月各类硬件资产发生故障的数量不同，每一台硬件资产的使用年限也不同，因此每一类硬件资产每月的使用年限通过一定的统计方法(例算数平均法、加权平均法、调和平均法、加权几何平均法等，根据实际场景选择合适的方法)计算得到，例如2018年1月份发生故障的5台服务器类设备，使用年限分别为10年、3年、5年、7年、5年，通过算数平均法得到该月服务器设备的综合使用年限为6年。同理，可得到其他类别的硬件资产每月的使用年限。由此可得知设备的故障概率和设备的使用年限之间的关系模型。

根据本公开实施例，关系模型例如可以包括预测模型，该预测模型可以用于根据故障指标对应的指标值预测未来的故障概率。预测模型例如可以包括神经网络模型、灰度预测模型、马尔科夫预测模型、时间序列模型、线性回归模型等等，当然不仅限于所举例的模型。其中，预测模型的训练过程包括：可以将目标历史故障数据作为训练集，对预测模型进行训练，预测模型用于基于至少一个当前故障指标预测故障概率。

在操作S230，获取目标对象的至少一个当前故障指标。

例如，以目标对象为硬件资产举例，例如可以获取至少一个当前故障指标，该当前故障指标中例如包括对应的当前指标值。例如，以当前故障指标为硬件的当前使用年限举例，该当前使用年限对应的当前指标值例如为8年。

在操作S240，利用关系模型，基于至少一个当前故障指标预测目标对象在第二预设时间段内的故障概率。

其中，第二预设时间段例如可以是未来一个月内。例如，可以利用神经网络模型、灰度预测模型根据硬件的当前使用年限和其对应的当前指标值8年预测该硬件在未来一个月内的故障概率。其中，该操作S240的实现方式如下图4描述。

根据本公开实施例，第一预设时间段可以包括多个第三预设时间段，多个第三预设时间段中的每个第三预设时间段的时间段长度与第二预设时间段的时间段长度一致。例如，以第一预设时间段为过去一年举例，过去一年包括多个月份，每个月份例如为第三预设时间段，且未来的第二预设时间段例如也可以是与第三预设时间段一致的月份。换言之，由于目标历史故障数据是以月份为单位统计的数据，因此，未来的第二预设时间段的故障概率也可以是以月份为单位的故障概率。其中，故障概率例如包括是硬件、系统、应用在未来将会发生故障的次数与硬件、系统、应用的故障总次数之间的比值，或者可以是在未来将会发生故障的某类硬件、系统、应用的数量与硬件、系统、应用的总数量之间的比值等等。或者还可以是硬件、系统、应用在未来发生故障的次数为预定次数的概率(例如在未来一个月内发生故障10次的概率为A)，或者还可以是发生故障的硬件、系统、应用的数量为预设数量的概率(例如某硬件总数为100台，该100台在在未来一个月内50台发生故障的概率为B)。

根据本公开实施例，本方案基于历史故障数据，采用数据分析和大数据建模等方法，定量分析硬件、系统、应用的故障情况，并预测硬件、系统、应用在未来将发生的故障的概率，降低了相关技术中定性分析故障的主观性，使得预测结果得以量化，实现了故障预测过程更加直观、简洁、准确和客观，故障预测的应用效果更好。

图3示意性示出了根据本公开实施例的获取目标历史故障数据的流程图。

如图3所示，上述操作S210可以包括操作S211～S213。

在操作S211，获取多个对象在第一预设时间段内的初始历史故障数据。

根据本公开实施例，例如可以通过集中监控系统收集多个对象的初始历史数据，该多个对象中例如包括多种类型的对象。其中，集中监控系统例如可以是采用分布式、集中式等方式监控各类事件的系统。

其中，每个对象具有相应的对象标识，对象标识例如可以用于唯一表示该对象。另外，该对象标识还可以表征该对象的类型，例如，以对象为硬件(设备)举例，该对象标识例如可以是设备的IP地址。

在操作S212，确定目标对象的对象标识。

在操作S213，基于对象标识，从初始历史故障数据中获取目标历史故障数据。

根据本公开实施例，例如可以在配置管理系统中通过配置目标对象的设备IP，并基于设备IP从集中监控系统中的多个对象的初始历史故障数据中获取与目标对象相关的目标历史故障数据。其中，目标对象可以是每台硬件、系统或应用，或者目标对象也可以是每类硬件、系统或应用。其中，配置管理系统例如可以用于记录生产运维环境中动力、网络、设备、系统、应用等各类配置项的基础信息以及各类配置项的相互关系的信息。

具体地，例如集中监控系统是一个监控报警的系统，通过这个系统可以知道过去每个月硬件资产发生故障的数量或者次数，但是具体是哪一类硬件资产并不清楚。

其次，可以利用集中监控系统报故障的数据，每条故障数据有一个IP，相当于唯一标识，通过该IP去配置管理系统中查找报警的这台硬件资产的类别(类别例如包括计算机类、服务器类、网络通讯类、存储设备类、机房基础设施类、空调类等等)，进而可以得知过去某个月各类硬件资产发生故障的数量或次数，最后除以过去某个月总的硬件资产的发生故障的总数量或总次数，得到每一类硬件资产过去某个月发生故障的概率。

本方案基于集中监控系统所采集的历史故障数据，并结合配置管理系统得到每月不同类型的硬件、系统或应用发生的故障概率。进而根据每类硬件、系统或应用的使用年限或其它因素，通过大数据分析或统计建模，预测未来时间内各类硬件、系统或应用发生故障的概率，为提前预防各类硬件、系统或应用发生故障提供参考，进而及时采取相应的措施降低故障率，提高硬件、系统或应用的可用性。

换言之，本方案基于集中监控系统所采集的历史故障数据，结合配置系统数据，以时间为单位，查询统计出一定时间范围内发生故障的每一类硬件、系统或应用的数量，通过大数据建模和分析，得出一定时间范围各类硬件、系统或应用发生故障的概率与使用年限或其它影响因素之间的关系，进而预测出未来时间内各类硬件、系统或应用发生故障的概率。

一方面，本方案将集中监控系统和配置管理系统中的数据结合起来，细化到对每台硬件、系统或应用进行故障预测，提升了对硬件、系统或应用的预测精准性，为预防和降低不同类别的硬件、系统或应用的故障提供明确的预测结果作为参考。

另一方面，本方案基于历史故障数据，采用数据分析和大数据建模等方法，定量分析硬件、系统、应用的故障情况，并预测硬件、系统、应用在未来将发生的故障的概率，降低了相关技术中定性分析故障的主观性，使得预测结果得以量化，实现了故障预测过程更加直观、简洁、准确和客观，故障预测的应用效果更好。

图4示意性示出了根据本公开实施例的预测故障概率的流程图。

如图4所示，上述操作S240可以包括操作S241～S242。

在操作S241，将至少一个当前故障指标输入预测模型。

在操作S242，利用预测模型处理至少一个当前故障指标，得到目标对象在第二预设时间段内的故障概率。

根据本公开实施实施例，第二预设时间段例如可以是未来一个月内。其中，当前故障指标例如可以是硬件的使用年限，该硬件的使用年限例如具有其对应的当前指标值，例如当前指标值为8年。将当前使用年限和其对应的当前指标值8年输入至神经网络模型或者灰度预测模型中进行处理，得到模型的输出结果，输出结果例如可以包括未来一段时间内的每个月的故障概率。例如可以是未来第一个月的故障概率、未来第二个月的故障概率等等。

在本公开实施例中，首先，硬件、系统或应用作为整体运维应用系统的基础组成部分，对于保证生产安全运行具有重要的作用。通过对硬件、系统或应用故障概率的预测，可以准确评估其安全运行状态，对于减少硬件、系统或应用发生故障的次数，对提高应用可用性等方面具有重大意义。

其次，通过采用本公开实施例的技术方案，实现了对硬件、系统或应用的细分，例如划分出不同类型的硬件、系统或应用并对其进行故障概率的预测，对不同类型的硬件、系统或应用实施不同的预防维修策略，合理安排各类硬件、系统或应用的维修保养时间，可以优化和丰富现有的保养制度，减少硬件因不必要的维修带来的资源浪费和成本增加。

最后，随着大数据的发展，运维数据具有数据量大、指标众多和形式多样性等特点，有很多有价值的信息可以挖掘。因此，本公开实施例中关于硬件、系统或应用的故障预测方式同样适用于网络、主机、平台的故障预测。

图5示意性示出了根据本公开实施例故障预测装置的框图。

如图5所示，故障预测装置500可以包括第一获取模块510、确定模块520、第二获取模块530以及预测模块540。

第一获取模块510可以用于获取目标对象在第一预设时间段内的目标历史故障数据，其中，目标历史故障数据包括至少一个历史故障指标和历史故障概率，至少一个历史故障指标中的每个历史故障指标具有对应的历史指标值。根据本公开实施例，第一获取模块510例如可以执行上文参考图2描述的操作S210，在此不再赘述。

确定模块520可以用于基于目标历史故障数据，确定至少一个历史故障指标和历史故障概率之间的关系模型。根据本公开实施例，确定模块520例如可以执行上文参考图2描述的操作S220，在此不再赘述。

第二获取模块530可以用于获取目标对象的至少一个当前故障指标。根据本公开实施例，第二获取模块530例如可以执行上文参考图2描述的操作S230，在此不再赘述。

预测模块540可以用于利用关系模型，基于至少一个当前故障指标预测目标对象在第二预设时间段内的故障概率。根据本公开实施例，预测模块540例如可以执行上文参考图2描述的操作S240，在此不再赘述。

根据本公开实施例，基于目标历史故障数据，确定至少一个历史故障指标和历史故障概率之间的关系模型，包括：将目标历史故障数据作为训练集，对预测模型进行训练，预测模型用于基于至少一个当前故障指标预测故障概率。

根据本公开实施例，第一预设时间段包括多个第三预设时间段，多个第三预设时间段中的每个第三预设时间段的时间段长度与第二预设时间段的时间段长度一致。

根据本公开实施例，历史故障概率包括以下至少一项：在第三预设时间段内发生故障的目标对象的数量与多个故障对象的数量之间的比值、目标对象在第三预设时间段内发生故障的次数与多个故障对象的发生故障次数之间的比值。

图6示意性示出了根据本公开实施例第一获取模块的框图。

如图6所示，第一获取模块510可以包括第一获取子模块511、确定子模块512以及第二获取子模块513。

第一获取子模块511可以用于获取多个对象在第一预设时间段内的初始历史故障数据。根据本公开实施例，第一获取子模块511例如可以执行上文参考图3描述的操作S211，在此不再赘述。

确定子模块512可以用于确定目标对象的对象标识。根据本公开实施例，确定子模块512例如可以执行上文参考图3描述的操作S212，在此不再赘述。

第二获取子模块513可以用于基于对象标识，从初始历史故障数据中获取目标历史故障数据。根据本公开实施例，第二获取子模块513例如可以执行上文参考图3描述的操作S213，在此不再赘述。

图7示意性示出了根据本公开实施例预测模块的框图。

如图7所示，预测模块540可以包括输入子模块541以及处理子模块542。

输入子模块541可以用于将至少一个当前故障指标输入预测模型。根据本公开实施例，输入子模块541例如可以执行上文参考图4描述的操作S241，在此不再赘述。

处理子模块542可以用于利用预测模型处理至少一个当前故障指标，得到目标对象在第二预设时间段内的故障概率。根据本公开实施例，处理子模块542例如可以执行上文参考图4描述的操作S242，在此不再赘述。

根据本公开实施例，预测模型例如包括神经网络模型、灰度预测模型、马尔科夫预测模型、时间序列模型、线性回归模型等等。可以理解，本公开实施例的预测模型不仅限于所举例的模型。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，第一获取模块510、确定模块520、第二获取模块530、预测模块540、第一获取子模块511、确定子模块512、第二获取子模块513、输入子模块541以及处理子模块542中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一获取模块510、确定模块520、第二获取模块530、预测模块540、第一获取子模块511、确定子模块512、第二获取子模块513、输入子模块541以及处理子模块542中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块510、确定模块520、第二获取模块530、预测模块540、第一获取子模块511、确定子模块512、第二获取子模块513、输入子模块541以及处理子模块542中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图8示意性示出了根据本公开实施例的用于实现故障预测的识别的计算机系统的方框图。图8示出的计算机系统仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，计算机系统800包括处理器801、计算机可读存储介质802。该系统800可以执行根据本公开实施例的方法。

具体地，处理器801例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以是用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

计算机可读存储介质802，例如可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，可读存储介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。可读存储介质的具体示例包括：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；和/或有线/无线通信链路。

计算机可读存储介质802可以包括计算机程序803，该计算机程序803可以包括代码/计算机可执行指令，其在由处理器801执行时使得处理器801执行根据本公开实施例的方法或其任何变形。

计算机程序803可被配置为具有例如包括计算机程序模块的计算机程序代码。例如，在示例实施例中，计算机程序803中的代码可以包括一个或多个程序模块，例如包括803A、模块803B、……。应当注意，模块的划分方式和个数并不是固定的，本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合，当这些程序模块组合被处理器801执行时，使得处理器801可以执行根据本公开实施例的方法或其任何变形。

根据本公开的实施例，第一获取模块510、确定模块520、第二获取模块530、预测模块540、第一获取子模块511、确定子模块512、第二获取子模块513、输入子模块541以及处理子模块542中的至少一个可以实现为参考图8描述的计算机程序模块，其在被处理器801执行时，可以实现上面描述的相应操作。

本公开还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现上述方法。

根据本公开的实施例，计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线、光缆、射频信号等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

尽管已经参照本公开的特定示例性实施例示出并描述了本公开，但是本领域技术人员应该理解，在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下，可以对本公开进行形式和细节上的多种改变。因此，本公开的范围不应该限于上述实施例，而是应该不仅由所附权利要求来进行确定，还由所附权利要求的等同物来进行限定。

Claims (10)

1.一种故障预测方法，包括：

获取目标对象在第一预设时间段内的目标历史故障数据，其中，所述目标历史故障数据包括至少一个历史故障指标和历史故障概率，所述至少一个历史故障指标中的每个历史故障指标具有对应的历史指标值；

基于所述目标历史故障数据，确定所述至少一个历史故障指标和所述历史故障概率之间的关系模型；

获取所述目标对象的至少一个当前故障指标；以及

利用所述关系模型，基于所述至少一个当前故障指标预测所述目标对象在第二预设时间段内的故障概率。

2.根据权利要求1所述的方法，其中，所述基于所述目标历史故障数据，确定所述至少一个历史故障指标和所述历史故障概率之间的关系模型，包括：

将所述目标历史故障数据作为训练集，对预测模型进行训练，所述预测模型用于基于所述至少一个当前故障指标预测所述故障概率。

3.根据权利要求2所述的方法，其中，所述利用所述关系模型，基于所述至少一个当前故障指标预测所述目标对象在第二预设时间段内的故障概率，包括：

将所述至少一个当前故障指标输入所述预测模型；以及

利用所述预测模型处理所述至少一个当前故障指标，得到所述目标对象在所述第二预设时间段内的故障概率。

4.根据权利要求1所述的方法，其中，所述获取目标对象在第一预设时间段内的目标历史故障数据，包括：

获取多个对象在所述第一预设时间段内的初始历史故障数据；

确定所述目标对象的对象标识；以及

基于所述对象标识，从所述初始历史故障数据中获取所述目标历史故障数据。

5.根据权利要求1所述的方法，其中，所述第一预设时间段包括多个第三预设时间段，所述多个第三预设时间段中的每个第三预设时间段的时间段长度与所述第二预设时间段的时间段长度一致。

6.根据权利要求5所述的方法，其中，所述历史故障概率包括以下至少一项：在所述第三预设时间段内发生故障的目标对象的数量与多个故障对象的数量之间的比值、所述目标对象在所述第三预设时间段内发生故障的次数与多个故障对象的发生故障次数之间的比值。

7.根据权利要求2或3所述的方法，其中，所述预测模型包括以下至少一项：神经网络模型、灰度预测模型。

8.一种故障预测装置，包括：

第一获取模块，获取目标对象在第一预设时间段内的目标历史故障数据，其中，所述目标历史故障数据包括至少一个历史故障指标和历史故障概率，所述至少一个历史故障指标中的每个历史故障指标具有对应的历史指标值；

确定模块，基于所述目标历史故障数据，确定所述至少一个历史故障指标和所述历史故障概率之间的关系模型；

第二获取模块，获取所述目标对象的至少一个当前故障指标；以及

预测模块，利用所述关系模型，基于所述至少一个当前故障指标预测所述目标对象在第二预设时间段内的故障概率。

9.一种计算设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1至7中任一项所述的方法。

Images