CN111625435A - 一种服务器分析方法、装置、设备及计算机可读存储介质 - Google Patents
一种服务器分析方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111625435A CN111625435A CN202010437087.4A CN202010437087A CN111625435A CN 111625435 A CN111625435 A CN 111625435A CN 202010437087 A CN202010437087 A CN 202010437087A CN 111625435 A CN111625435 A CN 111625435A
- Authority
- CN
- China
- Prior art keywords
- server
- matrix
- generating
- module
- utilization rate
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 103
- 239000011159 matrix material Substances 0.000 claims abstract description 85
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 239000000203 mixture Substances 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种服务器分析方法，包括：获取每个服务器内各模块的利用率；计算各个服务器的同类型模块之间利用率的相似度；将各模块的利用率作为节点、将所述相似度作为节点间边的权值，生成无向图，并根据所述无向图生成对应的邻接矩阵；利用所述邻接矩阵生成拉普拉斯矩阵，并利用高斯混合聚类算法对所述拉普拉斯矩阵进行分析，生成服务器分析结果。可见，在本申请中，通过服务器各模块的利用率获取对应的拉普拉斯矩阵后，可利用高斯混合聚类算法对其进行分析，生成服务器的分析结果，实现高效准确的对服务器进行性能分析。本发明还公开了一种服务器分析装置、设备及计算机可读存储介质，同样能实现上述技术效果。
Description
技术领域
本发明涉及服务器性能分析技术领域，更具体地说，涉及一种服务器分析方法、装置、设备及计算机可读存储介质。
背景技术
在大数据云计算时代，服务器的使用数量呈指数级增长，伴随而来的是服务器巨大的运维成本，因此需要及时分析服务器的性能状态，以及时检测出服务存在的故障信息。因此，如何实现对服务器进行高效的故障分析，是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于提供一种服务器分析方法、装置、设备及计算机可读存储介质，以实现对服务器进行性能分析。
为实现上述目的，本发明提供一种服务器分析方法，包括：
获取每个服务器内各模块的利用率；
计算各个服务器的同类型模块之间利用率的相似度；
将各模块的利用率作为节点、将所述相似度作为节点间边的权值，生成无向图，并根据所述无向图生成对应的邻接矩阵；
利用所述邻接矩阵生成拉普拉斯矩阵，并利用高斯混合聚类算法对所述拉普拉斯矩阵进行分析，生成服务器分析结果。
其中，所述获取每个服务器内各模块的利用率，包括：
按照预定获取频率获取每个服务器内CPU、内存、硬盘、风扇的利用率。
其中，所述获取每个服务器内各模块的利用率，包括：
通过SNMP协议以及OID标识获取对应模块的利用率；其中，不同服务器之间的各模块的OID标识各不相同。
其中，所述利用所述邻接矩阵生成拉普拉斯矩阵，包括：
利用所述邻接矩阵生成度矩阵，并根据所述邻接矩阵和所述度矩阵生成对应的拉普拉斯矩阵。
其中，所述利用高斯混合聚类算法对所述拉普拉斯矩阵进行分析，生成服务器分析结果，包括：
利用高斯混合聚类算法对所述拉普拉斯矩阵进行分析，生成预定数量的特征值，以及与每个特征值对应的特征向量；
根据所述预定数量的特征值，以及与每个特征值对应的特征向量生成服务器分析结果。
其中，所述根据所述预定数量的特征值，以及与每个特征值对应的特征向量生成服务器分析结果之后，还包括：
将所述分析结果与自有知识库中存储的历史分析结果与进行对比；
若存在对比结果为相同、且故障类型为存在故障的历史分析结果，则生成故障预警信息。
为实现上述目的，本发明进一步提供一种服务器分析装置，包括：
利用率获取模块，用于获取每个服务器内各模块的利用率；
相似度计算模块，用于计算各个服务器的同类型模块之间利用率的相似度；
矩阵生成模块，用于将各模块的利用率作为节点、将所述相似度作为节点间边的权值，生成无向图，并根据所述无向图生成对应的邻接矩阵；
分析模块，用于利用所述邻接矩阵生成拉普拉斯矩阵，并利用高斯混合聚类算法对所述拉普拉斯矩阵进行分析，生成服务器分析结果。
其中，本装置还包括：
对比模块，用于将所述分析结果与自有知识库中存储的历史分析结果与进行对比；
信息生成模块，用于存在对比结果为相同、且故障类型为存在故障的历史分析结果时，生成故障预警信息。
为实现上述目的，本发明进一步提供一种服务器分析设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述的服务器分析方法的步骤。
为实现上述目的，本发明进一步提供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计算机程序，所述计算机程序被处理器执行时实现上述的服务器分析方法的步骤。
通过以上方案可知，本发明实施例提供的一种服务器分析方法，包括：获取每个服务器内各模块的利用率；计算各个服务器的同类型模块之间利用率的相似度；将各模块的利用率作为节点、将所述相似度作为节点间边的权值，生成无向图，并根据所述无向图生成对应的邻接矩阵；利用所述邻接矩阵生成拉普拉斯矩阵，并利用高斯混合聚类算法对所述拉普拉斯矩阵进行分析，生成服务器分析结果。可见，在本申请中，通过服务器各模块的利用率获取对应的拉普拉斯矩阵后，可利用高斯混合聚类算法对其进行分析，生成服务器的分析结果，实现高效准确的对服务器进行性能分析。本发明还公开了一种服务器分析装置、设备及计算机可读存储介质，同样能实现上述技术效果。
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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种服务器分析方法流程示意图；
图2为本发明实施例公开的一种服务器分析装置结构示意图；
图3为本发明实施例公开的一种服务器分析设备结构示意图。
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。
本发明实施例公开了一种服务器分析方法、装置、设备及计算机可读存储介质，以实现对服务器进行性能分析。
参见图1，本发明实施例提供的一种服务器分析方法，包括：
S101、获取每个服务器内各模块的利用率；
具体的，本申请服务器内的各模块包括CPU、内存、硬盘、风扇等模块，在本实施例中，仅以CPU、内存、硬盘、风扇为例进行说明。并且，本申请在获取服务器内各模块的利用率时，具体是按照预定获取频率获取每个服务器内CPU、内存、硬盘、风扇的利用率。该预定获取频率可以根据实际需求进行设定，在此并不具体限定。
需要说明的是，本申请在获取服务器内各模块的利用率时，具体是通过SNMP协议以及OID标识获取对应模块的利用率，且不同服务器之间的各模块的OID标识各不相同。其中，SNMP(Simple Network Management Protocol)协议为简单网络管理协议，是专门设计用于在IP(Internet Protocol，网际互连协议)网络管理网络节点的一种标准协议。OID(Object Identifier，对象标识符)标识用来表示不同的模块，需要说明的是，不同服务器内同一种模块的OID标识不同，同一种服务器内不同模块的OID标识也不同，且不同厂商的OID也不同，从而通过不同的OID标识获取对应模块的利用率，可实现对不同模块利用率的准确获取，因此本申请在对服务器进行分析时，首先便需要通过SNMP协议使用厂商的OID获取服务器CPU利用率，通过SNMP协议使用厂商的OID获取服务器内存利用率，通过SNMP协议使用厂商的OID获取服务器硬盘利用率，通过SNMP协议使用厂商的OID获取服务器风扇利用率，从而获取如表1所述的不同模块的利用率信息。
表1
| Server 1 | Server 2 | Server 3 | … | Server N | |
| CPU利用率 | 78％ | 67％ | 50％ | … | 22％ |
| 内存利用率 | 43％ | 30％ | 32％ | … | 22％ |
| 硬盘利用率 | 50％ | 23％ | 50％ | … | 50％ |
| 风扇利用率 | 1023 | 1088 | 997 | 987 |
S102、计算各个服务器的同类型模块之间利用率的相似度；
需要说明的是，本申请采集到各个模块的利用率后，需要计算出CPU利用率、内存利用率、硬盘利用率、风扇利用率之间的相似度，在计算相似时，具体是计算不同服务器之间同一种类型的模块之间的相似度，例如：计算服务器A的CPU利用率和服务器B的CPU利用率之间的相似度，计算服务器A的内存利用率和服务器B的内存利用率之间的相似度等等。在计算每两个模块利用率的相似度后，便可以得到一个只有服务器利用率的相似矩阵，通过该相似矩阵便可直接获得每两个模块利用率之间的相似度。
S103、将各模块的利用率作为节点、将所述相似度作为节点间边的权值，生成无向图，并根据所述无向图生成对应的邻接矩阵；
在本实施例中，通过相似矩阵得到任意两个同类型模块的利用率相似度之后，便可将服务器利用率转化为无向图Graph(G)中的节点Vertex(V)，将利用率之间的相似度看成无向图G中的边Edge(E)的权值，这样便得到本申请中的无向图。进一步，本申请还需要根据该无向图生成邻接矩阵E，该邻接矩阵中的每个元素表示两个节点的边的权值，并且，E为对称矩阵，对角线上元素为0，该邻接矩阵可以为：
S104、利用所述邻接矩阵生成拉普拉斯矩阵，并利用高斯混合聚类算法对所述拉普拉斯矩阵进行分析，生成服务器分析结果。
具体的，本申请利用所述邻接矩阵生成拉普拉斯矩阵时，具体包括：利用所述邻接矩阵生成度矩阵，并根据所述邻接矩阵和所述度矩阵生成对应的拉普拉斯矩阵。
需要说明的是，本申请生成邻接矩阵后，可以把邻接矩阵中每行元素或者每列元素的和加起来，放到对应的对角线上，其余元素为零，从而组成一个对角矩阵，该对角矩阵即为度矩阵D。然后根据公式L＝D-E计算拉普拉斯矩阵L，如：
进一步，本申请得到拉普拉斯矩阵后，需要利用高斯混合聚类算法对拉普拉斯矩阵进行分析，生成预定数量的特征值，以及与每个特征值对应的特征向量；然后根据所述预定数量的特征值，以及与每个特征值对应的特征向量生成服务器分析结果。在生成分析结果时，特征值代表利用率的总体现状，特征值越大，各模块的利用率越高、性能越高，特征值越小，则各模块的利用率越低、性能越低；特征向量越小，代表故障度越低，特征向量越大，则代表故障度越高；也即：性能值高，故障度低；性能值低，故障度高。
需要说明的是，目前传统的服务器故障及性能检测，大都依赖基础的实时获取，这种分析方式不能结合历史规律性依靠参考历史分析结果。因此在本申请中，每次获得分析结果后都存储至自有知识库，该自有知识库中存储了经过积蓄过的历史数据，并且，若在当前分析结果下，服务器出现了故障，则将该分析结果的故障类型设置为存在故障。因此，本申请在得到分析结果之后，还可以将分析结果与自有知识库中存储的历史分析结果与进行对比；若存在对比结果为相同、且故障类型为存在故障的历史分析结果，则生成故障预警信息。通过这种方式，可以针对性的预见故障，做到故障的提前处理；例如：若分析结果区间为0-100，当分析结果为55时，从自有知识库中查出了100条记录，这100条中假定有55条是内存故障、35条是CPU故障、10条是电源故障，则针对该分析结果就会报告出：55％是内存故障，35％是CPU故障，10％是电源故障的故障提醒信息。
综上可以看出，本申请根据高斯混合聚类算法进行性能故障数据的统计计算，并结合自有知识库对故障进行预测，将会让系统数据更加直观，分析服务器可能出现的故障更加可靠；并且，本申请还可以将每次获得的分析结果通过图表等形式进行更加直观的显示。
下面对本发明实施例提供的服务器分析装置进行介绍，下文描述的服务器分析装置与上文描述的服务器分析方法可以相互参照。
参见图2，本发明实施例提供的一种服务器分析装置，包括：
利用率获取模块100，用于获取每个服务器内各模块的利用率；
相似度计算模块200，用于计算各个服务器的同类型模块之间利用率的相似度；
矩阵生成模块300，用于将各模块的利用率作为节点、将所述相似度作为节点间边的权值，生成无向图，并根据所述无向图生成对应的邻接矩阵；
分析模块400，用于利用所述邻接矩阵生成拉普拉斯矩阵，并利用高斯混合聚类算法对所述拉普拉斯矩阵进行分析，生成服务器分析结果。
其中，所述利用率获取模块具体用于：按照预定获取频率获取每个服务器内CPU、内存、硬盘、风扇的利用率。
其中，所述利用率获取模块具体用于：通过SNMP协议以及OID标识获取对应模块的利用率；其中，不同服务器之间的各模块的OID标识各不相同。
其中，所述分析模块包括：
矩阵生成单元，用于利用所述邻接矩阵生成度矩阵，并根据所述邻接矩阵和所述度矩阵生成对应的拉普拉斯矩阵。
其中，所述分析模块包括：
分析单元，用于利用高斯混合聚类算法对所述拉普拉斯矩阵进行分析，生成预定数量的特征值，以及与每个特征值对应的特征向量；根据所述预定数量的特征值，以及与每个特征值对应的特征向量生成服务器分析结果。
其中，本装置还包括：
对比模块，用于将所述分析结果与自有知识库中存储的历史分析结果与进行对比；
信息生成模块，用于存在对比结果为相同、且故障类型为存在故障的历史分析结果时，生成故障预警信息。
参见图3，为本发明实施例提供的一种服务器分析设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述任意方法实施例所述的服务器分析方法的步骤。
在本实施例中，设备可以是PC(Personal Computer，个人电脑)，也可以是智能手机、平板电脑、掌上电脑、便携计算机等终端设备。
该设备可以包括存储器11、处理器12和总线13。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是设备的内部存储单元，例如该设备的硬盘。存储器11在另一些实施例中也可以是设备的外部存储设备，例如设备上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括设备的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于设备的应用软件及各类数据，例如执行分析方法的程序代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行分析方法的程序等。
该总线13可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
进一步地，设备还可以包括网络接口14，网络接口14可选的可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该设备与其他电子设备之间建立通信连接。
可选地，该设备还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有组件11-14的设备，本领域技术人员可以理解的是，图3示出的结构并不构成对设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
本发明实施例还公开了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计算机程序，所述计算机程序被处理器执行时实现上述任意方法实施例所述的服务器分析方法的步骤。
其中，该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。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发明的精神或范围的情况下，在其它实施例中实现。因此，本发明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)
1.一种服务器分析方法，其特征在于，包括：
获取每个服务器内各模块的利用率；
计算各个服务器的同类型模块之间利用率的相似度；
将各模块的利用率作为节点、将所述相似度作为节点间边的权值，生成无向图，并根据所述无向图生成对应的邻接矩阵；
利用所述邻接矩阵生成拉普拉斯矩阵，并利用高斯混合聚类算法对所述拉普拉斯矩阵进行分析，生成服务器分析结果。
2.根据权利要求1所述的服务器分析方法，其特征在于，所述获取每个服务器内各模块的利用率，包括：
按照预定获取频率获取每个服务器内CPU、内存、硬盘、风扇的利用率。
3.根据权利要求1所述的服务器分析方法，其特征在于，所述获取每个服务器内各模块的利用率，包括：
通过SNMP协议以及OID标识获取对应模块的利用率；其中，不同服务器之间的各模块的OID标识各不相同。
4.根据权利要求1所述的服务器分析方法，其特征在于，所述利用所述邻接矩阵生成拉普拉斯矩阵，包括：
利用所述邻接矩阵生成度矩阵，并根据所述邻接矩阵和所述度矩阵生成对应的拉普拉斯矩阵。
5.根据权利要求1至4中任意一项所述的服务器分析方法，其特征在于，所述利用高斯混合聚类算法对所述拉普拉斯矩阵进行分析，生成服务器分析结果，包括：
利用高斯混合聚类算法对所述拉普拉斯矩阵进行分析，生成预定数量的特征值，以及与每个特征值对应的特征向量；
根据所述预定数量的特征值，以及与每个特征值对应的特征向量生成服务器分析结果。
6.根据权利要求5所述的服务器分析方法，其特征在于，所述根据所述预定数量的特征值，以及与每个特征值对应的特征向量生成服务器分析结果之后，还包括：
将所述分析结果与自有知识库中存储的历史分析结果与进行对比；
若存在对比结果为相同、且故障类型为存在故障的历史分析结果，则生成故障预警信息。
7.一种服务器分析装置，其特征在于，包括：
利用率获取模块，用于获取每个服务器内各模块的利用率；
相似度计算模块，用于计算各个服务器的同类型模块之间利用率的相似度；
矩阵生成模块，用于将各模块的利用率作为节点、将所述相似度作为节点间边的权值，生成无向图，并根据所述无向图生成对应的邻接矩阵；
分析模块，用于利用所述邻接矩阵生成拉普拉斯矩阵，并利用高斯混合聚类算法对所述拉普拉斯矩阵进行分析，生成服务器分析结果。
8.根据权利要求7所述的服务器分析装置，其特征在于，还包括：
对比模块，用于将所述分析结果与自有知识库中存储的历史分析结果与进行对比；
信息生成模块，用于存在对比结果为相同、且故障类型为存在故障的历史分析结果时，生成故障预警信息。
9.一种服务器分析设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于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分析方法的步骤。
10.一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计算机程序，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分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010437087.4A CN111625435B (zh) | 2020-05-21 | 2020-05-21 | 一种服务器分析方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010437087.4A CN111625435B (zh) | 2020-05-21 | 2020-05-21 | 一种服务器分析方法、装置、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111625435A true CN111625435A (zh) | 2020-09-04 |
| CN111625435B CN111625435B (zh) | 2022-06-10 |
Family
ID=72272929
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010437087.4A Active CN111625435B (zh) | 2020-05-21 | 2020-05-21 | 一种服务器分析方法、装置、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111625435B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112035334A (zh) * | 2020-09-15 | 2020-12-04 | 深圳市欢太科技有限公司 | 异常设备检测方法、装置、存储介质与电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109508734A (zh) * | 2018-10-26 | 2019-03-22 | 北京交通大学 | 基于谱聚类的路网能力瓶颈识别方法 |
| CN109597856A (zh) * | 2018-12-05 | 2019-04-09 | 北京知道创宇信息技术有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
| CN110322117A (zh) * | 2019-06-05 | 2019-10-11 | 海信集团有限公司 | 一种交通控制子区划分方法、装置、电子设备及存储介质 |
-
2020
- 2020-05-21 CN CN202010437087.4A patent/CN111625435B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109508734A (zh) * | 2018-10-26 | 2019-03-22 | 北京交通大学 | 基于谱聚类的路网能力瓶颈识别方法 |
| CN109597856A (zh) * | 2018-12-05 | 2019-04-09 | 北京知道创宇信息技术有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
| CN110322117A (zh) * | 2019-06-05 | 2019-10-11 | 海信集团有限公司 | 一种交通控制子区划分方法、装置、电子设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112035334A (zh) * | 2020-09-15 | 2020-12-04 | 深圳市欢太科技有限公司 | 异常设备检测方法、装置、存储介质与电子设备 |
| CN112035334B (zh) * | 2020-09-15 | 2023-01-31 | 深圳市欢太科技有限公司 | 异常设备检测方法、装置、存储介质与电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111625435B (zh) | 2022-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107168854B (zh) | 互联网广告异常点击检测方法、装置、设备及可读存储介质 | |
| CN106027328B (zh) | 一种基于应用容器部署的集群监控的方法及系统 | |
| CN109522923B (zh) | 客户地址聚合方法、装置及计算机可读存储介质 | |
| CN107203462B (zh) | 一种数据生成方法及装置 | |
| CN109672888B (zh) | 图片压缩方法、设备及计算机可读存储介质 | |
| CN112733023A (zh) | 资讯推送方法、装置、电子设备及计算机可读存储介质 | |
| CN112311571A (zh) | 网络拓扑生成方法及装置、电子设备和非暂态存储介质 | |
| CN111625435B (zh) | 一种服务器分析方法、装置、设备及计算机可读存储介质 | |
| CN111259090B (zh) | 关系数据的图生成方法、装置、电子设备和存储介质 | |
| CN112434308A (zh) | 应用漏洞检测方法、装置、电子设备及计算机存储介质 | |
| CN110807050B (zh) | 性能分析方法、装置、计算机设备及存储介质 | |
| CN114387522A (zh) | 一种工作现场的智能预警方法、装置、设备及介质 | |
| CN114064925A (zh) | 知识图谱的构建方法、数据查询方法、装置、设备和介质 | |
| CN111784042B (zh) | 一种用电节点安全风险预测方法、装置及存储介质 | |
| US9172552B2 (en) | Managing an entity using a state machine abstract | |
| CN111914101B (zh) | 档案关联关系的异常识别方法、装置和计算机设备 | |
| CN111241066B (zh) | 平台数据库自动化运维方法、装置及计算机可读存储介质 | |
| CN110796500B (zh) | 一种信息监控方法、装置、电子设备及存储介质 | |
| CN111431733A (zh) | 服务告警覆盖信息的评估方法及装置 | |
| CN111414395A (zh) | 数据处理方法、系统和计算机设备 | |
| CN108197253B (zh) | 一种云监控平台的设备查询方法、装置和设备 | |
| CN106681894B (zh) | 智能设备的监控方法和监控装置 | |
| CN115643163A (zh) | 故障设备定位方法、装置、设备和存储介质 | |
| CN113051127B (zh) | 异常功耗检测方法、装置、电子设备及存储介质 | |
| CN111339063A (zh) | 假设数据智能管理方法、装置及计算机可读存储介 |
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 |