CN111090571A - 信息系统的维护方法、装置和计算机存储介质 - Google Patents

Abstract

本申请提供一种信息系统的维护方法、装置和计算机存储介质，获取特征向量序列，特征向量序列包括按时间先后顺序依次获取的待预测日期之前N个日期的特征向量，每个日期的特征向量，均包括当天的时间特征和当天的业务特征，然后将特征向量序列输入预先训练的深度学习预测模型，得到待预测日期对应的系统性能指标预测值；其中，深度学习预测模型利用历史数据作为训练集训练得到，训练集包含过去M个日期的特征向量及这M个日期对应的系统性能指标，系统性能指标预测值作为维护信息系统的依据。本方案利用过去若干天的特征向量预测将来的系统性能指标，从而及时地发现将来可能出现的系统异常，起到发现系统隐患并提前预警或扩容的效果。

Description

信息系统的维护方法、装置和计算机存储介质

技术领域

本发明涉及计算机技术领域，特别涉及一种信息系统的维护方法、装置和计算机存储介质。

背景技术

信息系统指代由若干台计算机设备组成的，用于运行特定程序以处理特定领域业务的计算机系统。例如，银行的信息系统就用于运行银行的后台程序，以处理包括转账，支付和理财在内的多种银行业务。

在信息系统运行过程中的持续的维护是必不可少的。目前对于信息系统的维护，主要依赖于对信息系统性能指标的实时检测，若检测到当前的性能指标异常，则输出告警信息，进而触发后续的维护措施。

然而发现性能指标异常时信息系统可能已经发生故障，同时维护措施被执行并生效需要一定的时间。也就是说现有的维护方法只有在故障出现并引起损失后才能发现并解决故障，而无法发现潜在的系统隐患。

发明内容

为了解决上述现有技术问题，本发明提供一种信息系统的维护方法、装置和计算机存储介质，以提供一种能够提前发现信息系统潜在问题的维护方案。

本发明第一方面提供一种信息系统的维护方法，包括：

获取特征向量序列；其中，所述特征向量序列包括按时间先后顺序依次获取的待预测日期之前N个日期的特征向量，每个日期的特征向量，均包括当天的时间特征和当天的业务特征；所述N是预设的正整数；

利用预先训练的深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的系统性能指标预测值；其中，所述深度学习预测模型利用待预测日期之前M个日期的特征向量以及待预测日期之前M个日期的系统性能指标训练得到，所述M是预设的正整数，所述系统性能指标预测值作为维护所述信息系统的依据。

可选的，所述深度学习预测模型包括输入层，隐藏层和输出层；

其中，所述利用预先训练的深度学习预测模型计算所述待预测日期之前N天的特征向量，得到所述待预测日期对应的系统性能指标预测值，包括：

针对所述特征向量序列中的每一个特征向量，利用所述隐藏层计算所述特征向量对应的第一特征和所述特征向量的前一个特征向量的第二特征，得到所述特征向量的第二特征；其中，所述特征向量的第一特征由所述输入层根据所述特征向量计算得到，所述特征向量序列的第一个特征向量的第二特征，由所述隐藏层根据所述特征向量的第一特征和预设的初始特征计算得到；

利用所述输出层计算所述特征向量序列的最后一个特征向量的第二特征，得到所述待预测日期的系统性能指标预测值。

可选的，系统性能指标包括CPU平均使用率和CPU最大响应时间；

深度学习预测模型包括平均使用率深度学习预测模型和响应时间深度学习预测模型；

其中，所述利用预先训练的深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的系统性能指标预测值，包括：

利用预先训练的平均使用率深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的CPU平均使用率预测值；

利用预先训练的响应时间深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的CPU最大响应时间预测值。

可选的，所述利用预先训练的深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的系统性能指标预测值之后，还包括：

判断所述待预测日期对应的系统性能指标预测值是否大于预设的指标阈值；

若所述待预测日期对应的系统性能指标预测值大于所述指标阈值，输出告警信息。

可选的，所述利用预先训练的深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的系统性能指标预测值之后，还包括：

通过显示设备输出所述待预测日期对应的系统性能指标预测值。

本发明第二方面提供一种信息系统的维护装置，包括：

获取单元，用于获取特征向量序列；其中，所述特征向量序列包括按时间先后顺序依次获取的待预测日期之前N个日期的特征向量，每个日期的特征向量，均包括当天的时间特征和当天的业务特征；所述N是预设的正整数；

训练单元，用于利用待预测日期之前M个日期的特征向量以及待预测日期之前M个日期的系统性能指标训练得到深度学习预测模型；其中，所述M是预设的正整数；

预测单元，用于利用预先训练的深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的系统性能指标预测值；其中，所述系统性能指标预测值作为维护所述信息系统的依据。

可选的，所述深度学习预测模型包括输入层，隐藏层和输出层；

所述预测单元利用预先训练的深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的系统性能指标预测值时，具体用于：

针对所述特征向量序列中的每一个特征向量，利用所述隐藏层计算所述特征向量对应的第一特征和所述特征向量的前一个特征向量的第二特征，得到所述特征向量的第二特征；其中，所述特征向量的第一特征由所述输入层根据所述特征向量计算得到，所述特征向量序列的第一个特征向量的第二特征，由所述隐藏层根据所述特征向量的第一特征和预设的初始特征计算得到；

利用所述输出层计算所述特征向量序列的最后一个特征向量的第二特征，得到所述待预测日期的系统性能指标预测值。

可选的，系统性能指标包括CPU平均使用率和CPU最大响应时间；

深度学习预测模型包括平均使用率深度学习预测模型和响应时间深度学习预测模型；

所述预测单元利用预先训练的深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的系统性能指标预测值时，具体用于：

利用预先训练的平均使用率深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的CPU平均使用率预测值；

利用预先训练的响应时间深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的CPU最大响应时间预测值。

可选的，还包括：

告警单元，用于判断所述待预测日期对应的系统性能指标预测值是否大于预设的指标阈值；

若所述待预测日期对应的系统性能指标预测值大于所述指标阈值，所述告警单元用于输出告警信息。

本发明第三方面提供一种计算机存储介质，用于存储程序，所述程序被执行时，用于实现如本发明第一方面任意一项提供的信息系统的维护方法。

本申请提供一种信息系统的维护方法、装置和计算机存储介质，获取特征向量序列，特征向量序列包括按时间先后顺序依次获取的待预测日期之前N个日期的特征向量，每个日期的特征向量，均包括当天的时间特征和当天的业务量，然后利用预先训练的深度学习预测模型计算特征向量序列，得到待预测日期对应的系统性能指标预测值；其中，深度学习预测模型利用待预测日期之前M个日期的特征向量以及待预测日期之前M个日期的系统性能指标训练得到，系统性能指标预测值作为维护信息系统的依据。本方案利用过去若干天的特征向量预测将来的系统性能指标，从而及时的发现将来可能出现的系统异常，起到发现系统隐患并提前预警的效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种信息系统的维护方法的流程图；

图2为本申请实施例提供的一种利用深度学习预测模型计算待预测日期的系统性能指标的方法的流程图；

图3为本申请实施例提供的一种信息系统的维护装置的结构示意图。

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，所描述的实施例仅仅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，都属于本发明保护的范围。

本申请实施例提供一种信息系统的维护方法，请参考图1，该方法包括以下步骤：

S101、获取特征向量序列。

步骤S101所述的特征向量序列，包括按时间顺序依次选取得到的，待预测日期之间N个日期的特征向量，其中每一个日期的特征向量，均包括当天的时间特征和当天的业务特征。N是预设的正整数，一般的，可以将N设置为30。

换言之，步骤S101所述的特征向量序列就是待预测日期之前的30天的特征向量。

待预测日期，指代需要预测系统性能指标的日期。

在一个具体的例子中，不妨假设当前是11月30日，现在需要预测后一天，也就是12月1日的系统性能指标，那么12月1日就是待预测日期，对应的，用于预测12月1日的系统性能指标的特征向量序列，就包括12月1日前的30天，也就是11月1日至11月30日之中，每一天的特征向量。

一天的业务特征和时间特征可以用多种数据形式表示，本申请实施例使用的一种表示形式如下述表1所示：

表1

上述表1中，“最大交易量”指代当天单位时间(例如，10分钟)内发生的交易量的最大值，“业务成功率”表示为0至100的整数，表示当天的业务成功率是百分之几，并发用户数可以理解为同时在线用户数量，“当天最大并发用户数”指代当天同时在线用户数量的最大值，“当天所属季度”分别用1至4表示第一季度至第四季度，“当天所属月份”用1至12表示对应月份，“周几”则用1至7表示周一至周五，“是否月末”、“是否月初”和“是否业务高峰时段”三个特征则分别用1表示是，用0表示否。

具体的，对于任意一天，若当天是所属月份的前五天，则属于月初，反之则不属于月初，若当天是所属月份的最后五天，则属于月末，反之则不属于月末。

具体的，结合前述例子，11月1日的特征向量可以是：

(1000，90，20，900,10，4,11,5，0,1,1)

上述特征向量表示，11月1日这天的业务特征是：

总共发生了1000次交易活动，业务成功率是90％，单位时间内发生的最大交易量为20，累计在线用户总数为900，同时在线的用户数量的最大值为10。

当天的时间特征是：11月1日属于第四季度，一年的第11个月份，当天为周五，显然，11月1日属于月初而不属于月末，并且当天属于业务高峰时段。

需要说明的是，上述特征向量的定义仅仅是本申请一个实施例所使用的一种可选的定义方式，在本申请其他实施例中，也可以用其他的数据作为一天的特征向量，只要能够反映出当天的时间特征和业务特征即可。

每一天的业务特征向量以及系统性能指标，可以通过实时采集(例如，每隔一分钟采集一次)当前CPU使用率和当前交易量等参数，然后利用一天内采集到的参数计算得到。

在采集过程，若由于特殊原因某几次采集时未采集到相关数据，可以根据数据类型选择是直接删除缺失值，还是用默认值填充。具体的，CPU使用率和交易量等数据可以直接删除缺失值，其他数据则采用默认值填充。

可选的，在实时采集数据时，可以利用邻近值来平滑数据中的噪声。

S102、利用预先训练的深度学习预测模型计算特征向量序列，得到待预测日期对应的系统性能指标预测值。

其中，深度学习预测模型利用待预测日期之前M个日期的特征向量以及待预测日期之前M个日期的系统性能指标训练得到，M是大于N的正整数，可选的，可以将M设置为365，换言之，可以利用过去一年内每一天的特征向量和系统性能指标训练得到上述深度学习预测模型。

可以理解的，预测得到的待预测日期的系统性能指标预测值可以作为维护信息系统的依据。

需要说明的是，对于一个信息系统，有多种系统性能指标可以反映一天内信息系统的性能，包括但不限于CPU平均使用率，CPU最大使用率，CPU最小使用率，系统最大响应时间，系统成功率等，根据所需要预测的系统性能指标的不同，步骤S102所述的深度学习预测模型也有所不同，具体的，根据需要预测的系统性能指标的不同，上述深度学习预测模型可以是，平均使用率深度学习预测模型，最大使用率深度学习预测模型，最小使用率深度学习预测模型，响应时间深度学习预测模型，成功率深度学习预测模型等。

常见的信息系统一般采用分布式设计，系统中包括多个被激活并用于处理信息的CPU，以及多个未激活的备用CPU，对于任意一天，当天的CPU平均使用率，指代当天所有被激活的CPU的使用率的平均值；最大CPU使用率，指代，当天使用率最高的那个CPU的使用率；最小CPU使用率，则指代当天使用率最低的那个CPU的使用率。

可选的，步骤S102中可以预测上述多种系统性能指标中的任意一种或者组合，对应的，所使用的深度学习预测模型也可以包括上述多种深度学习预测模型中的任意一种或者组合。

例如，若需要预测的待预测日期的CPU使用率和CPU最大响应时间，那么步骤S102执行时，具体包括以下两个方面：

利用平均使用率深度学习预测模型计算特征向量序列，得到待预测日期对应的CPU平均使用率预测值；

利用预先训练的响应时间深度学习预测模型计算特征向量序列，得到待预测日期对应的CPU最大响应时间预测值。

对应的，根据深度学习预测模型的不同，训练使用的数据也不同。例如，训练平均使用率深度学习预测模型需要用过去一年中每一天的特征向量，以及每一天的CPU平均使用率，训练响应时间深度学习预测模型，则需要过去一年中每一天的特征向量，以及每一天的系统最大响应时间。

本实施例所使用的任意一种系统性能指标的深度学习预测模型，均可以是一个利用过去一年的特征向量和对应的系统性能指标训练得到的长短期记忆网络(LSTM，LongShort-Term Memory)模型。

可选的，本实施例计算得到系统性能指标的预测值之后，还可以包括下述输出步骤：

S103、通过显示设备输出待预测日期对应的系统性能指标预测值。

通过输出待预测日期的系统性能指标预测值，运维人员可以根据系统性能指标预测值预测待预测日期的系统情况，进而预先制定并实施对应的维护策略。

结合前述例子，假设计算出待预测日期(即12月1号)的CPU平均使用率预测值是70％，而一般为了延长CPU使用寿命，希望CPU的平均使用率尽量维持在60％，那么输出上述预测值之后，运维人员就会在12月1号之前提前激活信息系统中的部分备份CPU，使更多的CPU用于处理12月1号的业务，达到控制12月1号的CPU平均使用率接近60％的效果。

可选的，系统也可以自动的判断计算得到的系统性能指标预测值是否大于预设的指标阈值，若判断出待预测日期的系统性能指标预测值大于对应的指标阈值，则输出告警信息。

进一步的，系统还可以根据计算得到的系统性能指标预测值进行自动扩容。例如，可以设置一天的CPU平均使用率阈值为60％，当计算得到的待预测日期的CPU平均使用率预测值大于60％时，系统可以根据计算得到的CPU平均使用率预测值，以及上述CPU平均使用率阈值确定需要激活的备用CPU的数量，然后激活CPU启动脚本，从而启动对应数量的备用CPU。

例如，假设CPU的平均使用率最大不允许超过80％，而步骤S102计算出12月1号的CPU平均使用率为90％，也就是说12月1号的CPU平均使用率预测值大于平均使用率阈值，因此系统输出告警信息，提示运维人员及时处理。

请参考图2，对于前述实施例中的任意一种系统性能指标，利用对应的深度学习预测模型计算待预测日期的系统性能指标预测值的方法，包括如下步骤：

S201、将特征向量序列的第一个特征向量确定为当前特征向量。

如前文所述，特征向量序列包括待预测日期之前若干天的特征向量，其中，每天的特征向量按照距离待预测日期的时间的长短排序，距离待预测日期最远的那一天的特征向量是其中的第一个特征向量。

具体的，结合上述例子，若待预测日期是12月1号，并且特征向量序列中特征向量的数量N等于30，那么第一个特征向量就是11月1号的特征向量，紧接着是11月2号的特征向量，然后是11月3号的特征向量，以此类推，最后一个则是11月30号的特征向量。

S202、利用深度学习预测模型的输入层计算当前特征向量，得到当前数据的第一特征。

针对上述例子中包含11个特征值的特征向量，输入层可以设计为一个包含11个输入权重的输入向量，每一个输入权重对应当前特征向量中的一个特征值，利用输入层计算当前特征向量时，只需要用每一个输入权重乘以当前特征向量中对应的特征值，得到的11个乘积构成的向量就是当前特征向量的第一特征。

S203、利用深度学习预测模型的隐藏层计算参考特征向量的第二特征和当前特征向量的第一特征，得到当前特征向量的第二特征。

参考特征向量，指代特征向量序列中，当前特征向量的前一个特征向量。仍然结合前述例子，预测12月1号的系统性能指标的过程中，假设当前特征向量是11月12号的特征向量，那么参考特征向量就是11月11号的特征向量。参考特征向量的第二特征，由隐藏层根据参考特征向量的第一特征，以及参考特征向量的前一个特征向量的第二特征计算得到。

特别的，若当前特征向量是特征向量序列中的第一个特征向量，那么上述参考特征向量的第二特征，就是一个预先设定的初始特征。

与前述当前特征向量的第一特征类似，任意一个特征向量的第二特征，均可以理解为一个包含若干个数值的P维向量，其中，P的具体取值由隐藏层的具体结构决定，LSTM模型有多种可选的隐藏层结构，这些结构均适用于本实施例所提供的预测系统的性能指标的方法，此处不做限定。

一般的，隐藏层可以理解为包含若干个神经元以及神经元之间的连接关系的结构，其中每一个神经元均设置有一个神经元系数，每两个相互连接的神经元之间均设置有一个连接权重，各个连接权重和各个神经元系数之间均相互独立。参考特征向量的第二特征和当前特征向量的第一特征输入隐藏层之后，就可以利用隐藏层中的神经元系数和连接权重对上述输入进行计算，最后得到隐藏层的输出，也就是当前特征向量的第二特征。

S204、判断当前特征向量是否为特征向量序列的最后一个特征向量。

若当前特征向量是特征向量序列的最后一个特征向量，执行步骤S205。

若当前特征向量不是特征向量序列的最后一个特征向量，执行步骤S206。

特征向量序列的最后一个特征向量，就是距离待预测日期最近的日期的特征向量，例如，待预测日期是12月1号，则特征向量序列的最后一个特征向量就是11月30号的特征向量。

S205、利用深度学习预测模型的输出层计算当前特征向量的第二特征，得到待预测日期的系统性能指标。

深度学习预测模型的输出层包括一个神经元，配置有对应的神经元系数，用于处理隐藏层输出的，距离待预测日期最近的日期的特征向量对应的第二特征，然后输出待预测日期的系统性能指标预测值。

S206、将特征向量序列中的下一个特征向量确定为当前特征向量。

步骤S206执行完后，返回执行步骤S202。

用于预测任意一种系统性能指标的深度学习预测模型，均基于本实施例所提供的计算过程计算特征向量序列，得到待预测日期的系统性能指标预测值。

下面结合一个具体的例子说明上述计算过程：

假设待预测日期为12月1号，特征向量序列包括11月1号至11月30号的特征向量，需要预测的系统性能指标是CPU平均使用率。

首先按照前述实施例的步骤S202和步骤S203，用平均使用率模型计算得到11月1号的特征向量的第二特征，计算过程中，隐藏层的输入是11月1号的特征向量的第一特征，和预设的初始特征(用于作为参考数据的第二特征)。

显然，11月1号的特征向量不是特征向量序列的最后一个特征向量，因此，再次执行步骤S202和步骤S203，结合11月1号的特征向量的第二特征，以及11月2号的特征向量，计算得到11月2号的特征向量的第二特征。

之后，以此类推，依次计算后续的特征向量，直至利用11月29号的特征向量的第二特征，和11月30号的特征向量，计算得到11月30号的第二特征为止。11月30号的特征向量是特征向量序列的最后一个特征向量，所以，计算得到11月30号的特征向量的第二特征之后，利用平均使用率深度学习预测模型的输出层，计算11月30号的特征向量的第二特征，得到的输出就是12月1号的CPU平均使用率预测值。

如图1对应的实施例所述，构建一个深度学习预测模型时，需要利用过去若干天(例如，过去一年)的特征向量和系统性能指标来训练一个初始模型，最终才能得到可以用于预测将来的系统性能指标的深度学习预测模型。

训练模型的步骤包括：

获取一个现有的初始模型，其中预先设置有如图2对应的实施例中所述的输入层，隐藏层和输出层的神经元系数的初始值以及连接权重(下文将各层的神经元系数和连接权重统称为模型参数)的初始值。

然后，从过去一年的特征向量中选取(可选的，这里也可以是从过去半年的特征向量中选取)连续30天的特征向量构成一个特征向量序列，用初始模型计算得到第31天的系统性能指标预测值，最后计算第31天的系统性能指标预测值和实际采集的第31天的系统性能指标的误差，根据误差计算得到一个损失函数值，本申请中，可以采用平均绝对误差(MeanAbsolute Error，MAE)函数作为损失函数，利用预设的优化算法可以对损失函数值进行计算，得到本次的模型参数更新值。

用模型参数更新值更新初始模型中的模型参数后，就得到一个更新后的模型，此时，可以判断本次训练过程计算得到的损失函数值是否满足收敛条件，若满足收敛条件，则认为训练结束，将更新后的模型确定为可以使用的深度学习预测模型，若不满足收敛条件，则返回前面的选取步骤，选取新的一个特征向量序列，在用更新后的模型计算这个新的特征向量序列，得到新的参数更新值并再次更新模型参数，以此类推，直至某一次训练后损失函数值满足收敛条件为止，就可以得到深度学习预测模型。

结合前述实施例的预测系统性能指标的方法，本申请实施例还提供一种信息系统的维护装置，请参考图3，该装置包括：

获取单元301，用于获取特征向量序列。

其中，特征向量序列包括按时间先后顺序依次获取的待预测日期之前N个日期的特征向量，每个日期的特征向量，均包括当天的时间特征和当天的业务特征；N是预设的正整数。

训练单元302，用于利用待预测日期之前M个日期的特征向量以及待预测日期之前M个日期的系统性能指标训练得到深度学习预测模型。

其中，M是预设的正整数。

预测单元303，用于利用预先训练的深度学习预测模型计算特征向量序列，得到待预测日期对应的系统性能指标预测值。

其中，系统性能指标预测值作为维护信息系统的依据。

具体的，深度学习预测模型包括输入层，隐藏层和输出层。

预测单元303利用预先训练的深度学习预测模型计算特征向量序列，得到待预测日期对应的系统性能指标预测值时，具体用于：

针对特征向量序列中的每一个特征向量，利用隐藏层计算特征向量对应的第一特征和特征向量的前一个特征向量的第二特征，得到特征向量的第二特征；其中，特征向量的第一特征由输入层根据特征向量计算得到，特征向量序列的第一个特征向量的第二特征，由隐藏层根据特征向量的第一特征和预设的初始特征计算得到；

利用输出层计算特征向量序列的最后一个特征向量的第二特征，得到待预测日期的系统性能指标预测值。

可选的，系统性能指标包括CPU平均使用率和CPU最大响应时间。

深度学习预测模型包括平均使用率深度学习预测模型和响应时间深度学习预测模型。

预测单元303利用预先训练的深度学习预测模型计算特征向量序列，得到待预测日期对应的系统性能指标预测值时，具体用于：

利用预先训练的平均使用率深度学习预测模型计算特征向量序列，得到待预测日期对应的CPU平均使用率预测值；

利用预先训练的响应时间深度学习预测模型计算特征向量序列，得到待预测日期对应的CPU最大响应时间预测值。

可选的，信息系统维护装置还包括：

告警单元304，用于判断待预测日期对应的系统性能指标预测值是否大于预设的指标阈值；

若待预测日期对应的系统性能指标预测值大于指标阈值，告警单元用于输出告警信息。

本申请提供一种信息系统的维护装置，获取单元301获取特征向量序列，特征向量序列包括按时间先后顺序依次获取的待预测日期之前N个日期的特征向量，每个日期的特征向量，均包括当天的时间特征和当天的业务特征，然后预测单元303利用预先训练的深度学习预测模型计算特征向量序列，得到待预测日期对应的系统性能指标预测值；其中，深度学习预测模型利用待预测日期之前M个日期的特征向量以及待预测日期之前M个日期的系统性能指标训练得到，系统性能指标预测值作为维护信息系统的依据。本方案利用过去若干天的特征向量预测将来的系统性能指标，从而及时的发现将来可能出现的系统异常，起到发现系统隐患并提前预警的效果。

本申请实施例还提供一种计算机存储介质，用于存储程序，该程序被执行时，用于实现本申请任一实施例所提供的信息系统的维护方法。

上述计算机存储介质还用于存储训练好的深度学习预测模型，以及待预测日期之前若干天的特征向量。

进一步的，上述程序被执行时，还可以定期利用最近若干天的特征向量对现有的深度学习预测模型进行迭代训练，从而优化深度学习预测模型。

最后，还需要说明的是，在本文中，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。

需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种信息系统的维护方法，其特征在于，包括：

获取特征向量序列；其中，所述特征向量序列包括按时间先后顺序依次获取的待预测日期之前N个日期的特征向量，每个日期的特征向量，均包括当天的时间特征和当天的业务特征；所述N是预设的正整数；

利用预先训练的深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的系统性能指标预测值；其中，所述深度学习预测模型利用待预测日期之前M个日期的特征向量以及待预测日期之前M个日期的系统性能指标训练得到，所述M是预设的正整数，所述系统性能指标预测值作为维护所述信息系统的依据。

2.根据权利要求1所述的维护方法，其特征在于，所述深度学习预测模型包括输入层，隐藏层和输出层；

其中，所述利用预先训练的深度学习预测模型计算所述待预测日期之前N天的特征向量，得到所述待预测日期对应的系统性能指标预测值，包括：

针对所述特征向量序列中的每一个特征向量，利用所述隐藏层计算所述特征向量对应的第一特征和所述特征向量的前一个特征向量的第二特征，得到所述特征向量的第二特征；其中，所述特征向量的第一特征由所述输入层根据所述特征向量计算得到，所述特征向量序列的第一个特征向量的第二特征，由所述隐藏层根据所述特征向量的第一特征和预设的初始特征计算得到；

利用所述输出层计算所述特征向量序列的最后一个特征向量的第二特征，得到所述待预测日期的系统性能指标预测值。

3.根据权利要求1所述的维护方法，其特征在于，系统性能指标包括CPU平均使用率和CPU最大响应时间；

深度学习预测模型包括平均使用率深度学习预测模型和响应时间深度学习预测模型；

其中，所述利用预先训练的深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的系统性能指标预测值，包括：

利用预先训练的平均使用率深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的CPU平均使用率预测值；

利用预先训练的响应时间深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的CPU最大响应时间预测值。

4.根据权利要求1所述的维护方法，其特征在于，所述利用预先训练的深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的系统性能指标预测值之后，还包括：

判断所述待预测日期对应的系统性能指标预测值是否大于预设的指标阈值；

若所述待预测日期对应的系统性能指标预测值大于所述指标阈值，输出告警信息。

5.根据权利要求1至4任意一项所述的维护方法，其特征在于，所述利用预先训练的深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的系统性能指标预测值之后，还包括：

通过显示设备输出所述待预测日期对应的系统性能指标预测值。

6.一种信息系统的维护装置，其特征在于，包括：

获取单元，用于获取特征向量序列；其中，所述特征向量序列包括按时间先后顺序依次获取的待预测日期之前N个日期的特征向量，每个日期的特征向量，均包括当天的时间特征和当天的业务特征；所述N是预设的正整数；

训练单元，用于利用待预测日期之前M个日期的特征向量以及待预测日期之前M个日期的系统性能指标训练得到深度学习预测模型；其中，所述M是预设的正整数；

预测单元，用于利用预先训练的深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的系统性能指标预测值；其中，所述系统性能指标预测值作为维护所述信息系统的依据。

7.根据权利要求6所述的维护装置，其特征在于，所述深度学习预测模型包括输入层，隐藏层和输出层；

所述预测单元利用预先训练的深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的系统性能指标预测值时，具体用于：

针对所述特征向量序列中的每一个特征向量，利用所述隐藏层计算所述特征向量对应的第一特征和所述特征向量的前一个特征向量的第二特征，得到所述特征向量的第二特征；其中，所述特征向量的第一特征由所述输入层根据所述特征向量计算得到，所述特征向量序列的第一个特征向量的第二特征，由所述隐藏层根据所述特征向量的第一特征和预设的初始特征计算得到；

利用所述输出层计算所述特征向量序列的最后一个特征向量的第二特征，得到所述待预测日期的系统性能指标预测值。

8.根据权利要求6所述的维护装置，其特征在于，系统性能指标包括CPU平均使用率和CPU最大响应时间；

深度学习预测模型包括平均使用率深度学习预测模型和响应时间深度学习预测模型；

所述预测单元利用预先训练的深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的系统性能指标预测值时，具体用于：

利用预先训练的平均使用率深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的CPU平均使用率预测值；

利用预先训练的响应时间深度学习预测模型计算所述特征向量序列，得到所述待预测日期对应的CPU最大响应时间预测值。

9.根据权利要求6所述的维护装置，其特征在于，还包括：

告警单元，用于判断所述待预测日期对应的系统性能指标预测值是否大于预设的指标阈值；

若所述待预测日期对应的系统性能指标预测值大于所述指标阈值，所述告警单元用于输出告警信息。

10.一种计算机存储介质，用于存储程序，所述程序被执行时，用于实现如权利要求1至5任意一项所述的信息系统的维护方法。

Images