CN111400142B - 虚拟机的异常监控方法、装置及存储介质 - Google Patents

虚拟机的异常监控方法、装置及存储介质 Download PDF

Info

Publication number
CN111400142B
CN111400142B CN202010498825.6A CN202010498825A CN111400142B CN 111400142 B CN111400142 B CN 111400142B CN 202010498825 A CN202010498825 A CN 202010498825A CN 111400142 B CN111400142 B CN 111400142B
Authority
CN
China
Prior art keywords
virtual machine
load
load information
interval
abnormality
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
Application number
CN202010498825.6A
Other languages
English (en)
Other versions
CN111400142A (zh
Inventor
赵靖
李柯辛
陈依群
孙丽群
陶莎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peng Cheng Laboratory
Original Assignee
Peng Cheng Laboratory
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peng Cheng Laboratory filed Critical Peng Cheng Laboratory
Priority to CN202010498825.6A priority Critical patent/CN111400142B/zh
Publication of CN111400142A publication Critical patent/CN111400142A/zh
Application granted granted Critical
Publication of CN111400142B publication Critical patent/CN111400142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G06F11/3062—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations where the monitored property is the power consumption
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明公开了一种虚拟机的异常监控方法、装置及存储介质，包括：根据虚拟机的历史运行数据以及预设的预测模型预测虚拟机的负载区间，预测模型为神经网络模型；比对当前接收到的运行数据与负载区间；在运行数据中的负载信息超出负载区间时，执行异常报警操作，其中，预测模型为神经网络模型。本发明负载信息是与预测得到的负载区间比对以确定异常情况的，使得异常监控更加准确。

Description

虚拟机的异常监控方法、装置及存储介质
技术领域
本发明涉及通信领域，尤其涉及一种虚拟机的异常监控方法、装置及存储介质。
背景技术
云平台以廉价的费用为广大用户提供各式各样的服务，近些年来，随着云平台规模的增大，云平台上的故障频频出现，而云系统的组成往往非常复杂。一个云平台通常由数千台物理机，上万台虚拟机组成，而复杂的组成使得云平台容易出现故障和性能下降的情况。而云平台的故障一般都不是突然出现的，而是伴随着它上面的虚拟机某些性能指标的异常而逐渐导致的，比如内存泄漏可能会导致可用内存减小和CPU利用率上升，遭遇DoS攻击会影响机器传入传出网络包的数量，而往往虚拟机的异常监控都是确定负载与预设阈值之间的关系，但是点值预测受到负载动态性的影响，导致虚拟机的异常监控不够准确。
发明内容
本发明的主要目的在于提供一种虚拟机的异常监控方法、装置及存储介质，旨在提高虚拟机的异常监控的准确性。
为实现上述目的，本发明提供一种虚拟机的异常监控方法，其特征在于，所述虚拟机的异常监控方法包括：
根据虚拟机的历史运行数据以及预设的预测模型预测所述虚拟机的负载区间，所述预测模型为神经网络模型；
比对当前接收到的运行数据与所述负载区间；
在所述运行数据中的负载信息超出所述负载区间时，执行异常报警操作，其中，所述预测模型为神经网络模型。
可选地，所述根据虚拟机的历史运行数据以及预设的预测模型预测所述虚拟机的负载区间的步骤包括：
在所述历史运行数据的负载信息中获取预设数量的目标负载信息，所述目标负载信息的生成时间点晚于所述历史运行数据中除所述目标负载信息之外的其它负载信息；
根据所述目标负载信息以及所述预设的预测模型预测负载信息；
根据预测得到的负载信息以及所述目标负载信息得到所述负载区间。
可选地，所述根据预测得到的负载信息以及所述目标负载信息得到所述负载区间的步骤之后，还包括：
存储所述负载区间；
根据预测得到的负载信息更新所述历史运行数据；
返回执行所述在所述历史运行数据中获取预设数量的目标负载信息的步骤，直至存储的所述负载区间的数量达到预设数量，其中，在接收到运行数据后，执行所述比对当前接收到的运行数据与存储的所述负载区间的步骤。
可选地，所述比对当前接收到的运行数据与所述负载区间的步骤包括：
按照预设顺序在存储的所述负载区间中获取一个所述负载区间；
比对所述运行数据与获取的所述负载区间，其中，在比对完成之后，删除当前获取的所述负载区间。
可选地，所述在所述历史运行数据的负载信息中获取预设数量的目标负载信息的步骤之前，所述虚拟机的异常监控方法还包括：
在接收到所述运行数据后，根据所述运行数据更新所述历史运行数据。
可选地，所述在所述运行数据中的负载信息超出所述负载区间时，执行异常报警操作的步骤包括：
在所述运行数据中的负载信息超出所述负载区间时，获取当前时间点之前预设时间间隔内的运行数据；
根据获取到的运行数据进行异常报警。
可选地，所述根据获取到的运行数据进行异常报警的步骤包括：
获取预设时间间隔内的运行数据与所述负载区间的比对结果；
在比对结果均为所述运行数据的负载信息超出所述负载区间时，输出故障报警信息。
可选地，所述根据虚拟机的历史运行数据以及预设的预测模型预测所述虚拟机的负载区间的步骤包括：
对所述虚拟机的历史运行数据进行预处理以将所述历史运行数据转换为预设格式；
根据转换格式后的所述历史运行数据以及预设的预测模型预测所述虚拟机的负载区间。
此外，为实现上述目的，本发明还提出一种虚拟机的异常监控装置，其特征在于，所述虚拟机的异常监控装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的虚拟机的异常监控程序，所述虚拟机的异常监控程序被所述处理器执行如以上所述的虚拟机的异常监控方法。
此外，为实现上述目的，本发明还提出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虚拟机的异常监控程序，所述虚拟机的异常监控程序被处理器执行时实现如以上所述的虚拟机的异常监控方法的步骤。
本发明提出的虚拟机的异常监控方法、装置及存储介质，本方案直接根据历史运行数据以及预测模型预测得到负载区间，在获取到虚拟机的运行数据后，将运行数据中的负载信息与负载区间比对，以确定虚拟机是否异常，由于负载信息是与预测得到的负载区间比对以确定异常情况的，使得异常监控更加准确。
附图说明
图1为本发明虚拟机的异常监控方法涉及的终端的硬件架构示意图；
图2为本发明虚拟机的异常监控方法的示例性实施例一的流程示意图；
图3为本发明虚拟机的异常监控方法的示例性实施例四的流程示意图；
图4为本发明虚拟机的异常监控方法的示例性实施例五的流程示意图。
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明虚拟机的异常监控方法涉及的装置的硬件架构示意图。
本实施例所述的装置可为实体装置如服务器，也可为在服务器上通过镜像生成的虚拟机。
如图1所示，装置包括存储器110、处理器120以及通信模块130，本实施例中的存储器可存储预测模型以及虚拟机的异常监控程序，本实施例中的通信模块可为正常的网络通信模块，只要能够实现终端之间数据传输的通信方式，本实施例所述的网络通信模块均可实现。
存储器110中的虚拟机的异常监控程序被处理器120执行时实现以下步骤：
根据虚拟机的历史运行数据以及预设的预测模型预测所述虚拟机的负载区间，所述预测模型为神经网络模型；
比对当前接收到的运行数据与所述负载区间；
在所述运行数据中的负载信息超出所述负载区间时，执行异常报警操作，其中，所述负载区间根据预测模型预测得到，其中，所述预测模型为神经网络模型。
实施例一
参照图2，图2为本发明虚拟机的异常监控方法的示例性实施例一的流程示意图，在本实施例中，所述虚拟机的异常监控方法包括：
步骤S10，根据虚拟机的历史运行数据以及预设的预测模型预测所述虚拟机的负载区间，所述预测模型为神经网络模型；
本实施例中的历史运行数据中可包括虚拟机的负载信息以及虚拟机的属性信息，可以理解的是，运行数据中也可包含运行数据的生成时间戳，以标识运行数据的生成时间；负载信息可包括虚拟机的内存占用率、输入输出接口的占用率、磁盘占用率中的至少一个，属性信息可包括虚拟机名或者虚拟机标识。
预测模型为通过历史数据对预设的神经网络模型预测得到，可通过历史数据中的负载信息对神经网络模型进行训练预测模型。
在预测负载区间时，可先根据历史运行数据以及神经网络模型得到负载信息，根据负载信息以及历史运行数据的负载信息得到运行数据，即步骤S10包括：
在所述历史运行数据的负载信息中获取预设数量的目标负载信息，所述目标负载信息的生成时间点晚于所述历史运行数据中除所述目标负载信息之外的其它负载信息；
根据所述目标负载信息以及所述预设的预测模型预测负载信息；
根据预测得到的负载信息以及所述目标负载信息得到所述负载区间。
本实施例中的预设数据可根据精度的需要进行设置，在根据预测得到的信息得到的负载区间时，可获取历史负载信息中处于正常状态的负载信息，根据处于正常状态的负载信息中的最大值以及最小值得到负载区间，也可获取相邻负载信息对应的差值，去除差值大于预设阈值的负载信息，根据剩余的负载信息的最大值和最小值得到负载区间；也可通过正态分布得到正态分布的置信区间，根据该置信区间得到负载区间，上述三种方式仅为根据负载信息得到负载区间的举例说明，并不局限于上述三种方式，其它根据负载信息得到负载区间的方式也在本申请的保护范围内。
本实施例中，获取的历史运行数据可为同一类虚拟机的历史运行数据或者同一个虚拟机的历史运行数据，使得预测得到的负载区间更加准确。
步骤S20，比对当前接收到的运行数据与所述负载区间；
步骤S30，在所述运行数据中的负载信息超出所述负载区间时，执行异常报警操作，其中，所述预测模型为神经网络模型。
本实施例中的中的异常报警操作可为向报警终端发送报警信息，报警终端在接收到报警信息可显示该报警信息，报警信息的显示包括图形化显示和文字显示。
在本实施例中，负载信息可包括多种，每种负载信息可对应一个负载区间，在所有负载信息均超出对应的负载区间时，可执行异常报警操作，也可在所用负载信息均超出对应的负载区间时，执行异常报警操作。
本实施例提出的虚拟机的异常监控方法直接根据历史运行数据以及预测模型预测得到负载区间，在获取到虚拟机的运行数据后，将运行数据中的负载信息与负载区间比对，以确定虚拟机是否异常，由于负载信息是与预测得到的负载区间比对以确定异常情况的，使得异常监控更加准确。
进一步地，基于第一实施例提出本发明虚拟机的异常监控方法第二实施例，在本实施例中，步骤S10包括：
在所述历史运行数据的负载信息中获取预设数量的目标负载信息，所述目标负载信息的生成时间点晚于所述历史运行数据中除所述目标负载信息之外的其它负载信息；
根据所述目标负载信息以及所述预设的预测模型预测负载信息；
根据预测得到的负载信息以及所述目标负载信息得到所述负载区间；
存储所述负载区间；
根据预测得到的负载信息更新所述历史运行数据；
返回执行所述在所述历史运行数据中获取预设数量的目标负载信息的步骤，直至存储的所述负载区间的数量达到预设数量，其中，在接收到运行数据后，执行所述比对当前接收到的运行数据与存储的所述负载区间的步骤。
本实施例中公开的技术方案中，可不断预测负载信息，并将预测得到的负载信息更新历史运行数据并重新预测，本发明可在不需要进行数据处理的情况下执行，例如，在根据预测得到的负载信息更新所述历史运行数据后，可检测是否接收到虚拟机的运行数据，在未接收到运行数据时，执行步骤S11，在接收到运行数据后不再执行步骤S11；或者也可定时执行该步骤S11。
例如，在获取的目标负载信息包括S1、S2…S10时，可根据历史运行数据得到预测得到预测负载信息S11，然后采用S11更新历史运行数据后，再次获取的目标负载信息为S2、S3…S11,使得预测的负载信息根据时间不断更新，更加准确，更加符合虚拟机的运行状态。
在本实施例中，所述步骤S20包括：
按照预设顺序在存储的所述负载区间中获取一个所述负载区间；
比对所述运行数据与获取的所述负载区间，其中，在比对完成之后，删除当前获取的所述负载区间。
本实施例中由于存储有多个负载区间，则可根据负载区间的生成获取一个负载区间，获取的负载区间比剩余的负载区间的生成时间早，在比对运行数据与获取的所述负载区间完成后，可删除获取的负载区间，避免负载区间的多次比对，提高准确度。
本实施例中提出的技术方案，可一次性预测得到多个负载区间，避免每次得到运行数据之后再进行负载区间的预测，提高效率。
进一步地，基于第一实施例提出本发明虚拟机的异常监控方法第三实施例，在本实施例中，步骤S10之前，还包括：
在接收到所述运行数据后，根据所述运行数据更新所述历史运行数据。
在本实施例中步骤S10可包括：
在所述历史运行数据的负载信息中获取预设数量的目标负载信息，所述目标负载信息的生成时间点晚于所述历史运行数据中除所述目标负载信息之外的其它负载信息；
根据所述目标负载信息以及所述预设的预测模型预测负载信息；
根据预测得到的负载信息以及所述目标负载信息得到所述负载区间。
在本实施例中，在根据运行数据更新历史运行数据后，获取到的目标负载信息可包括当前接收到的运行数据的，使得预测得到的负载区间更加接近当前的运行数据，负载区间的预测更加准确，即虚拟机的异常监控更加准确。
进一步地，参照图3，基于第一至第三任一实施例提出本发明虚拟机的异常监控方法第四实施例，在本实施例中，所述步骤S30包括：
步骤S31，在所述运行数据中的负载信息超出所述负载区间时，获取当前时间点之前预设时间间隔内的运行数据；
步骤S32，根据获取到的运行数据进行异常报警。
本实施例中可通过预设时间间隔内的运行数据进行异常预测，以提高报警的准确度，如步骤S32包括：
获取预设时间间隔内的运行数据与所述负载区间的比对结果；
在比对结果均为所述运行数据的负载信息超出所述负载区间时，输出故障报警信息。
本实施例公开的技术方案中，在预设时间间隔内的数据均超出负载区间时，输入故障报警信息，可以理解的是，也可获取超出负载区间的负载信息的数量的占比，在数量的占比大于预设占比时，输出故障报警信息。
本实施例中的故障报警信息可包括虚拟机的属性信息以及负载信息，所述负载信息可包括负载值以及负载名称。
本实施例公开的技术方案中，可通过预设时间间隔内的运行数据确定是否进行报警，提高报警的准确度。
进一步地，参照图4，基于第一至第四任一实施例提出本发明虚拟机的异常监控方法第五实施例，在本实施例中，所述步骤S10包括：
步骤S11，对所述虚拟机的历史运行数据进行预处理以将所述历史运行数据转换为预设格式；
步骤S12，根据转换格式后的所述历史运行数据以及预设的预测模型预测所述虚拟机的负载区间。
本实施例中的预处理可包括离散化、归一化以及差分处理，也可包括其它自定义的处理方式在此不再赘述。
本实施例公开的技术方案中，对历史运行数据预处理后为预设格式后再进行预测，提高预测效率。
本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有虚拟机的异常监控程序，所述虚拟机的异常监控程序被处理器执行时实现如以上任一项所述的虚拟机的异常监控方法的步骤。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，被控终端，或者网络设备等)执行本发明每个实施例的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种虚拟机的异常监控方法，其特征在于，所述虚拟机的异常监控方法包括：
根据虚拟机的历史运行数据以及预设的预测模型预测所述虚拟机的负载区间，所述预测模型为神经网络模型；
比对当前接收到的运行数据与所述负载区间；
在所述运行数据中的负载信息超出所述负载区间时，执行异常报警操作，其中，所述预测模型为神经网络模型，预测模型为通过历史数据对预设的神经网络模型预测得到，所述负载信息可包括虚拟机的内存占用率、输入输出接口的占用率、磁盘占用率中的至少一个；
其中，所述根据虚拟机的历史运行数据以及预设的预测模型预测所述虚拟机的负载区间的步骤包括：
在所述历史运行数据的负载信息中获取预设数量的目标负载信息，所述目标负载信息的生成时间点晚于所述历史运行数据中除所述目标负载信息之外的其它负载信息；
根据所述目标负载信息以及所述预设的预测模型预测负载信息；
根据预测得到的负载信息以及所述目标负载信息得到所述负载区间。
2.如权利要求1所述的虚拟机的异常监控方法，其特征在于，所述根据预测得到的负载信息以及所述目标负载信息得到所述负载区间的步骤之后，还包括：
存储所述负载区间；
根据预测得到的负载信息更新所述历史运行数据；
返回执行所述在所述历史运行数据中获取预设数量的目标负载信息的步骤，直至存储的所述负载区间的数量达到预设数量，其中，在接收到运行数据后，执行所述比对当前接收到的运行数据与存储的所述负载区间的步骤。
3.如权利要求1所述的虚拟机的异常监控方法，其特征在于，所述比对当前接收到的运行数据与所述负载区间的步骤包括：
按照预设顺序在存储的所述负载区间中获取一个所述负载区间；
比对所述运行数据与获取的所述负载区间，其中，在比对完成之后，删除当前获取的所述负载区间。
4.如权利要求1所述的虚拟机的异常监控方法，其特征在于，所述在所述历史运行数据的负载信息中获取预设数量的目标负载信息的步骤之前，所述虚拟机的异常监控方法还包括：
在接收到所述运行数据后，根据所述运行数据更新所述历史运行数据。
5.如权利要求1所述的虚拟机的异常监控方法，其特征在于，所述在所述运行数据中的负载信息超出所述负载区间时，执行异常报警操作的步骤包括：
在所述运行数据中的负载信息超出所述负载区间时，获取当前时间点之前预设时间间隔内的运行数据；
根据获取到的运行数据进行异常报警。
6.如权利要求5所述的虚拟机的异常监控方法，其特征在于，所述根据获取到的运行数据进行异常报警的步骤包括：
获取预设时间间隔内的运行数据与所述负载区间的比对结果；
在比对结果均为所述运行数据的负载信息超出所述负载区间时，输出故障报警信息。
7.如权利要求1所述的虚拟机的异常监控方法，其特征在于，所述根据虚拟机的历史运行数据以及预设的预测模型预测所述虚拟机的负载区间的步骤包括：
对所述虚拟机的历史运行数据进行预处理以将所述历史运行数据转换为预设格式；
根据转换格式后的所述历史运行数据以及预设的预测模型预测所述虚拟机的负载区间。
8.一种虚拟机的异常监控装置，其特征在于，所述虚拟机的异常监控装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的虚拟机的异常监控程序，所述虚拟机的异常监控程序被所述处理器执行如权利要求1或7所述的虚拟机的异常监控方法。
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虚拟机的异常监控程序，所述虚拟机的异常监控程序被处理器执行时实现如权利要求1至7中任一项所述的虚拟机的异常监控方法的步骤。
CN202010498825.6A 2020-06-04 2020-06-04 虚拟机的异常监控方法、装置及存储介质 Active CN111400142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010498825.6A CN111400142B (zh) 2020-06-04 2020-06-04 虚拟机的异常监控方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010498825.6A CN111400142B (zh) 2020-06-04 2020-06-04 虚拟机的异常监控方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN111400142A CN111400142A (zh) 2020-07-10
CN111400142B true CN111400142B (zh) 2020-11-03

Family

ID=71431907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010498825.6A Active CN111400142B (zh) 2020-06-04 2020-06-04 虚拟机的异常监控方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111400142B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112100024B (zh) * 2020-08-14 2022-06-17 北京浪潮数据技术有限公司 一种资源负载异常检测方法、装置及设备
CN112416514B (zh) * 2020-11-19 2022-11-08 山东可信云信息技术研究院 一种虚拟机启动可信性度量方法、系统、存储介质及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111131304A (zh) * 2019-12-31 2020-05-08 嘉兴学院 面向云平台大规模虚拟机细粒度异常行为检测方法和系统
CN111143169A (zh) * 2019-12-30 2020-05-12 杭州迪普科技股份有限公司 异常参数检测方法及装置、电子设备、存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9703661B2 (en) * 2015-02-05 2017-07-11 International Business Machines Corporation Eliminate corrupted portions of cache during runtime
CN105162823B (zh) * 2015-06-30 2019-07-09 广东轩辕网络科技股份有限公司 一种虚拟机管理方法及装置
CN107247651B (zh) * 2017-05-09 2020-12-08 中国电子产品可靠性与环境试验研究所 云计算平台监测预警方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111143169A (zh) * 2019-12-30 2020-05-12 杭州迪普科技股份有限公司 异常参数检测方法及装置、电子设备、存储介质
CN111131304A (zh) * 2019-12-31 2020-05-08 嘉兴学院 面向云平台大规模虚拟机细粒度异常行为检测方法和系统

Also Published As

Publication number Publication date
CN111400142A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN112162878A (zh) 数据库故障发现方法、装置、电子设备及存储介质
CN111400142B (zh) 虚拟机的异常监控方法、装置及存储介质
CN109088775B (zh) 异常监控方法、装置以及服务器
EP2933726B1 (en) Apparatus, system and method for application log data processing
CN113590370A (zh) 一种故障处理方法、装置、设备及存储介质
CN112527484A (zh) 工作流断点续跑方法、装置、计算机设备及可读存储介质
CN111143829B (zh) 一种任务危险程度的确定方法、装置、电子设备及存储介质
CN113656252B (zh) 故障定位方法、装置、电子设备以及存储介质
US11886296B2 (en) Inhibiting recommendation of driver installations for drivers that are likely to cause a system failure
CN115037653B (zh) 业务流量监控方法、装置、电子设备和存储介质
CN110955587A (zh) 一种待更换设备确定方法及装置
CN109710285A (zh) 一种设备升级方法及系统
CN113901153A (zh) 数据处理方法及相关设备
CN115374088A (zh) 数据库健康度分析方法、装置、设备及可读存储介质
CN111106953B (zh) 一种异常根因分析的方法及装置
CN111694850B (zh) 物流电子面单的单号回收方法及系统、设备及存储介质
CN113157472A (zh) 一种服务信息处理方法、装置、设备及计算机存储介质
CN111382035A (zh) 一种运维系统的告警触发规则的全局匹配装置及方法
JP6572722B2 (ja) 事象発生通知プログラム、事象発生通知方法、及び、事象発生通知装置
CN113157048B (zh) 一种基于多终端时间轴的行为数据分析方法及相关组件
EP4333377A1 (en) Analysis device, analysis method, and analysis program
CN116089131A (zh) 解决监控系统告警恢复数据当前值不正确的方法及系统
CN114760109A (zh) 用于安全分析的数值行为安全基线生成方法及装置
CN112783726A (zh) 一种报警信息的生成方法、装置、设备及可读存储介质
CN112988507A (zh) 业务监控方法、装置、设备、存储介质和计算机程序产品

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
GR01 Patent grant
GR01 Patent grant