CN111858267A - 预警方法、装置、电子设备及存储介质 - Google Patents

预警方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111858267A
CN111858267A CN202010747392.3A CN202010747392A CN111858267A CN 111858267 A CN111858267 A CN 111858267A CN 202010747392 A CN202010747392 A CN 202010747392A CN 111858267 A CN111858267 A CN 111858267A
Authority
CN
China
Prior art keywords
resource consumption
server
target
resource
information
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
Application number
CN202010747392.3A
Other languages
English (en)
Other versions
CN111858267B (zh
Inventor
贝飞
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202010747392.3A priority Critical patent/CN111858267B/zh
Publication of CN111858267A publication Critical patent/CN111858267A/zh
Application granted granted Critical
Publication of CN111858267B publication Critical patent/CN111858267B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/30Monitoring
    • G06F11/32Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/324Display of status information
    • G06F11/327Alarm or error message display
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/30Monitoring
    • G06F11/34Recording 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
    • G06F11/3409Recording 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 for performance assessment
    • G06F11/3433Recording 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 for performance assessment for load management
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/30Monitoring
    • G06F11/34Recording 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
    • G06F11/3442Recording 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 for planning or managing the needed capacity
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/30Monitoring
    • G06F11/34Recording 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
    • G06F11/3452Performance evaluation by statistical analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本公开实施例提供了一种基于人工智能的预警方法、装置、电子设备及存储介质。该方法包括:获取目标服务器当前的资源消耗信息;根据目标服务器当前的资源消耗信息对目标服务器在未来预设时间段内的资源消耗信息进行预测,得到资源消耗预测信息;确定与目标服务器属于相同目标类别的其他服务器;根据与目标服务器对应的资源消耗阈值与资源消耗预测信息确定其他服务器的资源预警结果。

Description

预警方法、装置、电子设备及存储介质
技术领域
本公开实施例涉及计算机技术领域,更具体地,涉及一种预警方法、装置、电子设备及存储介质。
背景技术
随着银行业务的不断发展,对银行的系统建设需求量也不断扩充,相应的,对系统资源的依赖也愈发增长。为了保证系统资源物尽其用,需要对系统资源进行监控,即在资源消耗信息满足预设条件时生成资源预警结果,并根据资源预警结果调整系统资源分配,这里所述的系统表示的可以是服务器。
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:采用相关技术生成的针对服务器的资源预警结果不够准确。
发明内容
有鉴于此,本公开实施例提供了一种预警方法、装置、电子设备及存储介质。
本公开的一个方面提供了一种预警方法,该方法包括:获取目标服务器当前的资源消耗信息;根据上述目标服务器当前的资源消耗信息对上述目标服务器在未来预设时间段内的资源消耗信息进行预测,得到资源消耗预测信息;确定与上述目标服务器属于相同目标类别的其他服务器;以及,根据与上述目标服务器对应的资源消耗阈值和上述目标服务器的资源消耗预测信息确定上述其他服务器的资源预警结果。
根据本公开的实施例,还包括:获取其他服务器当前的资源消耗信息;根据上述其他服务器当前的资源消耗信息对上述其他服务器在未来预设时间段内的资源消耗信息进行预测,得到上述其他服务器的资源消耗预测信息;其中,根据与上述目标服务器对应的资源消耗阈值和上述目标服务器的资源消耗预测信息确定上述其他服务器的资源预警结果,包括:根据与上述目标服务器对应的资源消耗阈值、上述目标服务器的资源消耗预测信息、与上述其他服务器对应的资源消耗阈值和上述其他服务器的资源消耗预测信息,确定上述其他服务器的资源预警结果。
根据本公开的实施例,上述根据与上述目标服务器对应的资源消耗阈值、上述目标服务器的资源消耗预测信息、与上述其他服务器对应的资源消耗阈值和上述其他服务器的资源消耗预测信息,确定上述其他服务器的资源预警结果,包括:在上述其他服务器的资源消耗预测信息小于或等于与上述其他服务器器对应的资源消耗阈值的情况下,根据与上述目标类别对应的资源消耗阈值和上述目标服务器的资源消耗预测信息,确定上述其他服务器的资源预警结果。
根据本公开的实施例,上述目标服务器包括多个;上述根据与上述目标服务器对应的资源消耗阈值和上述资源消耗预测信息确定上述其他服务器的资源预警结果,包括:根据每个上述目标服务器的资源消耗预测信息和与上述目标服务器对应的资源消耗阈值确定需要进行资源预警的目标服务器数量;以及,在上述目标服务器数量大于或等于预设阈值的情况下,对上述其他服务器进行资源预警。
根据本公开的实施例,上述确定与上述目标服务器属于相同目标类别的其他服务器,包括:利用聚类模型处理上述目标服务器当前的资源消耗信息,得到与上述目标服务器属于相同目标类别的其他服务器,其中,上述聚类模型是基于样本服务器的历史资源消耗信息训练得到的。
根据本公开的实施例,上述聚类模型是基于样本服务器的历史资源消耗信息训练得到的,包括:获取每个样本服务器的历史资源消耗信息;确定每个目标类别的初始聚类中心;确定每个上述历史资源消耗信息与每个上述初始聚类中心之间的初始距离;根据上述初始距离确定每个上述历史资源消耗信息所属的目标类别;确定每个上述目标类别中的各个上述初始距离的距离均值,将上述距离均值作为上述目标类别的新的初始聚类中心;重复执行确定上述初始距离以及确定上述目标类别的新的初始聚类中心的操作,直至满足预设条件;将满足上述预设条件时得到的每个上述目标类别的新的初始聚类中心作为对应的目标类别的目标聚类中心;以及,根据各个上述目标聚类中心生成聚类模型。
根据本公开的实施例,上述根据上述目标服务器当前的资源消耗信息对上述目标服务器在未来预设时间段内的资源消耗信息进行预测,得到资源消耗预测信息,包括:利用资源预测模型对上述目标服务器当前的资源消耗信息进行预测,得到上述目标服务器在未来预设时间段内的资源消耗预测信息,其中,上述资源预测模型是基于上述样本服务器的历史资源消耗信息训练得到的。
根据本公开的实施例,上述资源预测模型是基于上述样本服务器的历史资源消耗信息训练得到的,包括:利用时间序列分析算法处理上述样本服务器的历史资源消耗信息,得到上述资源预测模型。
本公开实施例的另一方面提供了一种预警装置,该装置包括:第一获取模块,用于获取目标服务器当前的资源消耗信息;第一预测模块,用于根据上述目标服务器当前的资源消耗信息对上述目标服务器在未来预设时间段内的资源消耗信息进行预测,得到资源消耗预测信息;第一确定模块,用于确定与上述目标服务器属于相同目标类别的其他服务器;以及,第二确定模块,用于根据与上述目标类别对应的资源消耗阈值和上述资源消耗预测信息确定上述其他服务器的资源预警结果。
本公开实施例的另一方面提供了一种电子设备,该电子设备包括: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。
本公开实施例的另一方面提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现如上所述的方法。
本公开实施例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。
根据本公开的实施例,通过获取目标服务器当前的资源消耗信息,根据目标服务器当前的资源消耗信息对目标服务器在未来预设时间段内的资源消耗信息进行预测,得到资源消耗预测信息,确定与目标服务器属于相同目标类别的其他服务器,并根据与目标服务器对应的资源消耗阈值和资源消耗预测信息确定其他服务器的资源预警结果。由于是根据与目标服务器对应的资源消耗阈值和资源消耗预测信息确定其他服务器的资源预警结果,即结合了目标服务器的资源消耗预测信息来对与目标服务器属于相同目标类别的其他服务器的资源消耗情况进行资源预警,因此,实现了得到较为准确的资源预警结果,因而,至少部分地克服了相关技术中针对服务器的资源预警结果不够准确的技术问题。由于资源预警结果较为准确且资源预警结果可以预先得到,因此,有效降低了因资源消耗迅速增加等情况造成的系统故障风险。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的可以应用预警方法的示例性系统架构;
图2示意性示出了根据本公开实施例的一种预警方法的流程图;
图3示意性示出了根据本公开实施例的另一种预警方法的流程图;
图4示意性示出了根据本公开实施例的一种预警装置的框图;以及
图5示意性示出了根据本公开实施例的适于实现预警方法的电子设备的框图。
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)。
为了监测服务器资源消耗情况,在相关技术中通常采用如下两种方式:
方式一、基于系统上线前的性能测试。如果应用系统对功能进行增加或修改,则通常需要针对功能进行短时的性能压力测试,确定服务器当前的资源消耗信息,并根据服务器当前的资源消耗信息确定针对服务器的资源预警结果,即以服务器当前的资源消耗信息确定服务器长时间运行的稳定性。由于是根据当前的资源消耗信息生成的资源预警结果确定服务器长时间运行的稳定性,因此,较难对服务器长时间运行情况进行准确判断。
方式二、基于业务功能设置的事件监控。系统上线后,应用系统通常会根据业务功能的实际需要,对影响业务功能的事件进行监控,如服务器的资源消耗情况,以提升系统的运维能力。由于上述方式是在事件发生后才能生成资源预警结果,如服务器的资源消耗信息超过了资源消耗阈值后才生成资源预警结果,因此,较难对服务器的资源消耗进行预判,进而较难避免对业务功能产生的不利影响。
在实现本公开构思的过程中,发明人发现相关技术中缺乏针对服务器的资源消耗情况进行较为准确地资源预警的技术方案,也即采用相关技术生成的针对服务器的资源预警结果不够准确。并且,发明人还发现相关技术中是根据每个服务器各自的资源消耗情况进行资源预警的,而针对每个服务器,如果获取到的该服务器的资源消耗信息不够准确,则基于该资源消耗信息确定的资源预警结果也不够准确。
此外,发明人还发现如果根据该服务器的资源消耗信息确定当前无需对该服务器的进行资源预警,而实质上该服务器的资源消耗情况是已临近需要进行资源预警的状况,为了保证系统可以正常运行,则在该种状况下,也需要对该服务器进行资源预警,而相关技术中也缺乏针对该种状况的解决方案,相应的,导致采用相关技术生成的针对服务器的资源预警结果不够准确。
发明人发现为了解决上述问题,需要从如下两个方面进行设计,其一,需要依据何种资源消耗信息生成资源预警结果,以使得资源预警结果更加准确;其二,需要依据哪些服务器的资源消耗信息,以使得资源预警结果更加准确。
针对第一方面,发明人发现可以依据资源消耗预测信息。即可以获取目标服务器当前的资源消耗信息,根据目标服务器当前的资源消耗信息对目标服务器在未来预设时间段内的资源消耗信息进行预测,以得到目标服务器的资源消耗预测信息。
针对第二方面,发明人发现通常可以根据服务器实现的业务功能,对服务器进行划分。例如,业务功能可以包括网上支付跨行清算、大额实时支付、税基侵蚀与利润转移、人民币跨境支付和核心业务处理。相应的,处理上述业务功能的服务器可以包括网上支付跨行清算服务器、大额实时支付服务器、税基侵蚀与利润转移服务器、人民币跨境支付服务器和核心业务处理服务器。其中,网上支付跨行清算服务器为用于处理网上支付跨行清算的服务器,大额实时支付服务器为用于处理大额实时支付的服务器,税基侵蚀与利润转移服务器为处理税基侵蚀与利润转移的服务器,人民币跨行支付服务器为处理人民币跨行支付的服务器,核心业务处理服务器为处理核心业务的服务器。
发明人发现用于实现不同业务功能的服务器虽然在实现业务功能上不同,但是在资源消耗方面可能具有潜在的关联性,而这种关联性使得如果获取到目标服务器的资源消耗预测信息,则可以根据目标服务器的资源消耗预测信息和与目标服务器对应的资源消耗阈值,对在资源消耗方面与目标服务器具有关联性的其他服务器的资源消耗情况进行判断,以生成针对其他服务器的资源预警结果。
发明人发现除了可以从业务功能方面对服务器进行划分外,还可以从资源消耗方面对服务器进行划分,即可以将在资源消耗方面具有潜在的关联性的服务器确定为属于同一目标类别的服务器。后续可以根据目标服务器的资源消耗预测信息和与目标服务器对应的资源消耗阈值,对属于同一目标类别的其他服务器的资源消耗情况进行判断,以生成针对其他服务器的资源预警结果。下面将结合具体实施例进行说明。
本公开的实施例提供了一种基于人工智能的预警方法、装置以及能够应用该方法的电子设备。该方法包括获取目标服务器当前的资源消耗信息,根据目标服务器当前的资源消耗信息对目标服务器在未来预设时间段内的资源消耗信息进行预测,得到资源消耗预测信息,确定与目标服务器属于相同目标类别的其他服务器,并根据与目标服务器对应的资源消耗阈值与资源消耗预测信息确定其他服务器的资源预警结果。
图1示意性示出了根据本公开实施例的可以应用预警方法的示例性系统架构100。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,例如有线和/或无线通信链路等。
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,例如银行交易类应用、购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(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。
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预警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预警装置一般可以设置于服务器105中。本公开实施例所提供的预警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预警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。
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。
图2示意性示出了根据本公开实施例的一种预警方法的流程图。
如图2所示,该方法包括操作S210~S240。
在操作S210,获取目标服务器当前的资源消耗信息。
在本公开的实施例中,资源消耗信息可以用于表征服务器的资源消耗情况。资源消耗信息可以包括第一目标字段和第二目标字段,其中,第一目标字段可以包括属性标识字段、采集时间字段和当前资源消耗信息字段。第二目标字段可以包括时间区间字段、最大内存消耗量字段和磁盘空间使用增长率字段。当前资源消耗信息可以指磁盘消耗信息。目标服务器的个数可以为多个。
为了提高资源消耗预测信息的预测精度,可以对资源消耗信息进行预处理。其中,预处理可以包括包括数据清理、数据集成、数据规约和数据变换中的至少一种。
在操作S220,根据目标服务器当前的资源消耗信息对目标服务器在未来预设时间段内的资源消耗信息进行预测,得到资源消耗预测信息。
在本公开的实施例中,在获得目标服务器当前的资源消耗信息后,可以根据目标服务器当前的资源消耗信息对目标服务器在未来预设时间段内的资源消耗信息进行预测,以得到资源消耗预测信息。
在本公开的实施例中,可以采用资源预测模型对目标服务器当前的资源消耗信息进行预测,得到目标服务器在未来预设时间段内的资源消耗预测信息,其中,资源预测模型可以是基于样本服务器的历史资源消耗信息训练得到的。可以采用时间序列分析算法处理样本服务器的历史资源消耗信息,以得到资源预测模型。其中,时间序列分析算法可以包括简单序时平均数法、加权序时平均数法、移动平均法、加权移动平均法、趋势预测法、指数平滑法、季节性趋势预测法或市场寿命周期预测法。
在操作S230,确定与目标服务器属于相同目标类别的其他服务器。
在本公开的实施例中,可以将与目标服务器在资源消耗方面具有潜在的关联性的服务器称为其他服务器。如果目标服务器与其他服务器在资源消耗方面具有潜在关联性,则可以将目标服务器与其他服务器划分为同一目标类别。其中,在资源消耗方面具有潜在关联性可以体现在资源消耗信息中的第二目标字段,第二目标字段可以包括时间区间字段、最大内存消耗量字段和磁盘空间使用增长率字段。如果不同服务器在时间区间、最大内存消耗量字段和磁盘空间使用增长率字段具有关联性,则可以确定不同服务器在资源消耗方面具有关联性。
在本公开的实施例中,可以采用聚类模型处理目标服务器当前的资源消耗信息,以得到与目标服务器属于相同目标类别的其他服务器,其中,聚类模型可以是基于样本服务器的历史资源消耗信息训练得到的。
聚类模型可以是基于样本服务器的历史资源消耗信息训练得到的,可以包括:采用聚类算法处理样本服务器的历史资源消耗信息,得到聚类模块。聚类算法可以包括K均值聚类算法、K中心聚类算法、CLARA(ClusteringLARge Application)算法或模糊C均值算法。
需要说明的是,在实现业务功能方面,属于相同目标类别的服务器可能为实现相同业务功能的服务器,也可能为实现不同业务功能的服务器。
在操作S240,根据与目标服务器对应的资源消耗阈值和目标服务器的资源消耗预测信息确定其他服务器的资源预警结果。
在本公开的实施例中,与目标服务器对应的资源消耗阈值可以作为是否进行资源预警的依据。资源消耗阈值可以根据实际情况进行设定,在此不作具体限定。资源预警结果可以为对服务器的资源消耗情况进行资源预警或不对服务器的资源消耗情况进行资源预警。如果资源预警结果为对服务器的资源消耗情况进行资源预警,则资源预警结果可以包括服务器业务类型标识、服务器地址标识、预警信息、预警时间、当前资源消耗信息比值和用于表征风险等级的预警等级标识中的至少一种。
在获得目标服务器的资源消耗预测信息和与目标服务器对应的资源消耗阈值后,可以根据目标服务器的资源消耗预测信息和与目标服务器对应的资源消耗阈值,确定目标服务器的资源预警结果。根据目标服务器的资源预警结果,确定与目标服务器属于相同目标类别的其他服务器的资源预警结果。其中,如果目标服务器器的资源预警结果为对目标服务器进行资源预警,则确定与目标服务器属于相同目标类别的其他服务器的资源预警结果为对其他服务器进行资源预警。如果目标服务器的资源预警结果为不对目标服务器进行资源预警,则确定与目标服务器属于相同目标类别的其他服务器的资源预警结果为不对其他服务器进行资源预警。
在本公开的实施例中,根据目标服务器的资源消耗预测信息和与目标服务器对应的资源消耗阈值,确定目标服务器的预警结果,可以包括:在预测资源消耗信息比值大于或等于与目标服务器对应的资源消耗阈值的情况下,确定对目标服务器进行资源预警,其中,预测资源消耗信息比值为目标服务器的资源消耗预测信息与目标服务器的资源总容量信息的比值。需要说明的是,针对每个目标服务器,可以预先设定与预测资源消耗信息比值对应的预警等级。
示例性的,如存在目标服务器E,与目标服务器E属于相同目标类别的其他服务器为其他服务器F。目标服务器器E的资源总容量为400T,与目标服务器E对应的资源消耗阈值为0.9。
获取目标服务器E当前的资源消耗信息。根据目标服务器E当前的资源消耗信息对目标服务器E在未来预设时间段内的资源消耗信息进行预测,得到目标服务器E的资源消耗预测信息,其中,目标服务器E的资源消耗预测值为380T。确定与目标服务器E属于相同目标类别的其他服务器F。确定目标服务器E的资源消耗预测值与目标服务器E的资源总容量的预测资源消耗信息比值,预测资源消耗信息比值为0.95。确定比值大于与目标服务器E对应的资源消耗阈值。在比值大于与目标服务器E对应的资源消耗阈值的情况下,对属于相同目标类别的其他服务器进行资源预警。
根据本公开实施例的技术方案,通过获取目标服务器当前的资源消耗信息,根据目标服务器当前的资源消耗信息对目标服务器在未来预设时间段内的资源消耗信息进行预测,得到资源消耗预测信息,确定与目标服务器属于相同目标类别的其他服务器,并根据与目标服务器对应的资源消耗阈值和资源消耗预测信息确定其他服务器的资源预警结果。由于是根据与目标服务器对应的资源消耗阈值和资源消耗预测信息确定其他服务器的资源预警结果,即结合了目标服务器的资源消耗预测信息来对与目标服务器属于相同目标类别的其他服务器的资源消耗情况进行资源预警,因此,实现了得到较为准确的资源预警结果,因而,至少部分地克服了相关技术中针对服务器的资源预警结果不够准确的技术问题。由于资源预警结果较为准确且资源预警结果可以预先得到,因此,有效降低了因资源消耗迅速增加等情况造成的系统故障风险。
可选地,在上述技术方案的基础上,该方法还可以包括:获取其他服务器当前的资源消耗信息。根据其他服务器当前的资源消耗信息对其他服务器在未来预设时间段内的资源消耗信息进行预测,得到其他服务器的资源消耗预测信息。其中,根据与目标服务器对应的资源消耗阈值和目标服务器的资源消耗预测信息确定其他服务器的资源预警结果,可以包括:根据与目标服务器对应的资源消耗阈值、目标服务器的资源消耗预测信息、与其他服务器对应的资源消耗阈值和其他服务器的资源消耗预测信息,确定其他服务器的资源预警结果。
在本公开的实施例中,为了进一步提高资源预警结果的准确性,可以获取其他服务器当前的资源消耗预测值。
可以获取其他服务器当前的资源消耗信息,根据其他服务器当前的资源消耗信息对其他服务器在未来预设时间段内的资源消耗信息进行预测,得到其他服务器的资源消耗预测信息。其中,可以采用资源预测模型对目标服务器当前的资源消耗信息进行预测,得到目标服务器在未来预设时间段内的资源消耗预测信息,其中,资源预测模型可以是采用时间序列分析算法处理样本服务器的历史资源消耗信息得到的。时间序列分析算法可以包括简单序时平均数法、加权序时平均数法、移动平均法、加权移动平均法、趋势预测法、指数平滑法、季节性趋势预测法或市场寿命周期预测法。
在获得目标服务器的资源消耗预测值和其他服务器的资源消耗预测值后,可以确定其他服务器的资源消耗预测信息是否小于或等于与其他服务器对应的资源消耗阈值,如果确定其他服务器的资源消耗预测信息小于或等于与其他服务器对应的资源消耗阈值,则可以根据与目标服务器对应的资源消耗阈值和目标服务器的资源消耗预测信息,确定其他服务器的资源预警结果。
可选地,在上述技术方案的基础上,根据与目标服务器对应的资源消耗阈值、目标服务器的资源消耗预测信息、与其他服务器对应的资源消耗阈值和其他服务器的资源消耗预测信息,确定其他服务器的资源预警结果,可以包括:在其他服务器的资源消耗预测信息小于或等于与其他服务器器对应的资源消耗阈值的情况下,根据与目标类别对应的资源消耗阈值和目标服务器的资源消耗预测信息,确定其他服务器的资源预警结果。
在本公开的实施例中,为了进一步提高资源预警结果的准确性,可以采用在确定其他服务器的资源消耗预测信息小于或等于与其他服务器对应的资源消耗阈值的情况下,可以根据与目标类别对应的资源消耗阈值和目标服务器的资源消耗预测信息,确定其他服务器的资源预警结果的方式。
在本公开的实施例中,采用上述方式的原因在于:如果确定其他服务器的资源消耗预测信息小于或等于与其他服务器对应的资源消耗阈值,则可以说明无需对其他服务器进行资源预警,但其他服务器的资源消耗情况可能是已临近需要进行资源预警的状况。在此情况下,为了提高资源预警结果的准确性,可以结合与其他服务器属于相同目标类别的目标服务器的资源消耗情况,以确定其他服务的资源预警结果。
在其他服务器的资源消耗预测信息小于或等于与其他服务器器对应的资源消耗阈值的情况下,如果目标服务器的资源消耗预测信息大于或等于与目标类别对应的资源消耗阈值,则对其他服务器进行资源预警。如果目标服务器的资源消耗信息小于与目标类别对应的资源消耗阈值,则不对其他服务器进行资源预警。
可选地,在上述技术方案的基础上,目标服务器可以包括多个。根据与目标服务器对应的资源消耗阈值与资源消耗预测信息确定其他服务器的资源预警结果,可以包括:根据每个目标服务器的资源消耗预测信息和与目标服务器对应的资源消耗阈值确定需要进行资源预警的目标服务器数量。在目标服务器数量大于或等于预设阈值的情况下,对其他服务器进行资源预警。
在本公开的实施例中,针对属于相同目标类别的目标服务器和其他服务器,如果需要进行资源预警的目标服务器数量大于或等于预设阈值,则可以说明需要对属于相同目标类别的其他服务器进行资源预警。其中,预设阈值可以根据实际情况进行设定,在此不作具体限定。示例性的,如预设阈值为2个。
需要说明的是,在目标服务器数量大于或等于预设阈值的情况下,根据其他服务器的资源消耗预测信息和与其他服务器对应的资源消耗阈值,确定其他资源服务器的资源预测结果可能为对其他服务器进行资源预警,或者,不对其他服务器进行资源预警。但在上述情况下,均对其他资源服务器进行资源预警。
此外,如果根据其他服务器的资源消耗预测信息和与其他服务器对应的资源消耗阈值,确定不对其他服务器进行资源预警,但其他服务器的资源消耗情况是已临近需要进行资源预警的状况,为了保证系统可以正常运行,则在该种状况下,也需要对其他服务器进行资源预警。
示例性的,如预设阈值为2个。属于相同目标类别的服务器数量为4个。这4个服务器分别为服务器J、服务器K、服务器L和服务器M。其中,服务器J为目标服务器J,服务器K为目标服务器K。服务器L和服务器M为其他服务器。确定目标服务器J和目标服务器K均需要进行资源预警。
由于与其他服务器属于相同目标类别的需要进行资源预警的目标服务器数量为2,目标服务器数量等于阈值阈值,因此,确定对其他服务器进行资源预警,即确定对服务器L和服务器M进行资源预警。
可选地,在上述技术方案的基础上,确定与目标服务器属于相同目标类别的其他服务器,可以包括:利用聚类模型处理目标服务器当前的资源消耗信息,得到与目标服务器属于相同目标类别的其他服务器,其中,聚类模型是基于样本服务器的历史资源消耗信息训练得到的。
在本公开的实施例中,历史资源消耗信息可以用于表征样本服务器的资源消耗情况。历史资源消耗信息可以包括当天资源消耗信息和当天以前预设时间段内的资源消耗信息。历史资源消耗信息可以包括第一目标字段和第二目标字段,其中,第一目标字段可以包括属性标识字段、采集时间字段和当前资源消耗信息字段。第二目标字段可以包括时间区间字段、最大内存消耗量字段和磁盘空间使用增长率字段。当前资源消耗信息可以指磁盘消耗信息。历史服务器的个数可以为多个。
需要说明的是,为了聚类模型的精度,可以对历史资源消耗信息进行预处理。其中,预处理可以包括包括数据清理、数据集成、数据规约和数据变换中的至少一种。
聚类模型可以是利用聚类算法处理样本服务器的历史资源消耗信息得到的。聚类算法可以用于聚类分析。其中,聚类分析是无监督的机器学习算法,属于探索性的数据分析方法。聚类分析是根据对象之间的距离或者相似性,将相似对象划分为一个目标类别,形成多个目标类别。目标类别是指相似对象的集合。聚类结果要求同个目标类别的对象相似性较高,不同目标类别的对象相似性较低。聚类算法的聚类结果是确定出每个目标类别的目标聚类中心。这里所述的对象可以指历史资源消耗信息。其中,聚类算法可以包括K均值聚类算法、K中心聚类算法、CLARA算法或模糊C均值算法。
可选地,在上述技术方案的基础上,聚类模型是基于样本服务器的历史资源消耗信息训练得到的,可以包括:获取每个样本服务器的历史资源消耗信息。确定每个目标类别的初始聚类中心。确定每个历史资源消耗信息与每个初始聚类中心之间的初始距离。根据初始距离确定每个历史资源消耗信息所属的目标类别。确定每个目标类别中的各个初始距离的距离均值,将距离均值作为目标类别的新的初始聚类中心。重复执行确定初始距离以及确定目标类别的新的初始聚类中心的操作,直至满足预设条件。将满足预设条件时得到的每个目标类别的新的初始聚类中心作为对应的目标类别的目标聚类中心。根据各个目标聚类中心生成聚类模型。
在本公开的实施例中,为了获得聚类模型可以采用聚类算法。在数据空间T中,历史资源消耗信息集X可以包括M个历史资源消耗信息,其中,历史资源消耗信息集X=(x1,x2,...,xi,...,xM-1,xM)。历史资源消耗信息xi=(xi1,xi2,…,xij,…,xiN-1,xiN),其中,i=1,2,...,M-1,M,j=1,2,...,N-1,N,j表示历史资源消耗信息的维数。历史资源消耗信息X相当于一个M×N矩阵。
聚类算法的目的是将历史资源消耗信息X划分K个目标类别,为每个目标类别确定对应的目标聚类中心。划分的依据可以是历史资源消耗信息之间的相似度。其中,表征相似度的指标可以包括相似系数或距离指标,距离指标可以包括欧式距离、欧式距离的平方、曼哈顿距离、切比雪夫距离或卡方距离等。不同历史资源消耗信息之间的距离越小,则可以说明不同历史资源消耗信息之间的相似性越高。不同历史资源消耗信息之间的相关系数越大,则也可以不同历史资源消耗信息之间的相似性越高。这里所述的历史资源消耗信息可以指历史资源消耗信息中的第二目标字段的信息,即历史资源消耗信息可以指与时间区间字段、最大内存消耗量字段和磁盘空间使用增长率字段对应的信息。
下面说明采用K均值聚类算法处理历史资源消耗信息得到每个目标类别的目标聚类中心的过程。
预先设置K个目标类别。针对每个目标类别,从历史资源消耗信息中随机选取一个历史资源消耗信息作为该目标类别的初始聚类中心。基于此,可以得到K个初始聚类中心。需要说明的是,K的具体数值可以根据历史资源消耗信息可能对应的目标类别的数量确定。K的具体数值也可以调整方式确定。
在确定K个目标类别的初始聚类中心后,可以针对每个历史资源消耗信息,确定该历史资源消耗信息与每个初始聚类中心之间的初始距离,即可以得到K个初始距离。即每个历史资源消耗信息对应K个初始距离。基于历史资源消耗信息与初始聚类中心之间的距离最小的原则,为每个历史资源消耗信息确定所属的目标类别。
在获得每个历史资源消耗信息所属的目标类别后,可以针对每个目标类别,根据归属于该目标类别的各个历史资源消耗信息的初始距离,确定各个初始距离的距离均值,并将距离均值作为该目标类别的新的初始聚类中心。基于此,可以得到K个新的初始聚类中心。
重复执行确定每个历史资源消耗信息与每个初始聚类中心之间的初始距离,根据初始距离确定每个历史资源消耗信息所属的目标类别,确定每个目标类别中的各个初始距离的距离均值,将距离均值作为目标类别的新的初始聚类中心的操作,直至满足预设条件,重复执行操作结束。其中,预设条件可以为每个新的初始聚类中心在每次迭代前后变化在预设范围内,也可以为达到预设迭代次数。
在满足预设条件时,获取当前的K个新的初始聚类中心,并将当前的每个新的初始聚类中心作为对应的目标类别的目标聚类中心。根据各个目标聚类中心生成聚类模型。
可选地,在上述技术方案的基础上,根据目标服务器当前的资源消耗信息对目标服务器在未来预设时间段内的资源消耗信息进行预测,得到资源消耗预测信息,可以包括:利用资源预测模型对目标服务器当前的资源消耗信息进行预测,得到目标服务器在未来预设时间段内的资源消耗预测信息,其中,资源预测模型是基于样本服务器的历史资源消耗信息训练得到的。
在本公开的实施例中,历史资源消耗信息可以指与第一目标字段对应的信息,即这里所述的历史资源消耗信息可以包括与属性标识字段、采集时间字段和当前资源消耗信息字段对应的信息。
可选地,在上述技术方案的基础上,资源预测模型是基于样本服务器的历史资源消耗信息训练得到的,可以包括:利用时间序列分析算法处理样本服务器的历史资源消耗信息,得到资源预测模型。
在本公开的实施例中,为了获得资源预测模型,可以采用时间序列分析算法对样本服务器的历史资源消耗信息进行处理的方式。其中,历史资源消耗信息可以包括与属性标识字段、采集时间字段和当前资源消耗信息字段对应的信息,即历史资源消耗信息可以包括属性标识、采集时间和当前资源消耗信息。
可以对样本服务器的历史资源消耗信息进行预设检验,以保证历史资源消耗信息满足预设条件。其中,预设检验可以包括平稳性检验和白噪声检验。其中,平稳性检验可以用于确定历史资源消耗信息中无确定趋势或无随机趋势。白噪声检验可以用于确定历史资源消耗信息中无随机噪音。预设条件可以包括历史资源消耗信息中无确定趋势、无随机趋势和无随机噪音。
根据预设检验的结果,确定时间序列分析模型。如果根据平稳性检验的结果确定自相关是拖尾,偏相关是截尾,则可以采用自回归模型。如果根据平稳性检验的结果确定自相关是截尾巴,偏相关是拖尾,则可以采用自回归移动平均模型。
采用时间序列分析模型处理历史资源消耗信息得到历史资源消耗预测信息。可以根据历史资源消耗预测信息和当前资源消耗信息,确定时间序列分析模型的模型参数。其中,模型参数可以包括自回归阶数和/或移动平均阶数。
采用贝叶斯信息准则确定模型参数的阶数,得到资源预测模型。
在本公开的实施例中,由于资源消耗预测信息是基于资源预测模型得到,其中,资源预测模型是利用时间序列分析算法处理样本服务器的历史资源消耗信息得到的,而时间序列分析算法可以预测系统上线后长时间的资源消耗情况,因此,基于资源预测模型得到的资源消耗预测信息较为准确。由于资源消耗预测信息较为准确,因此,在资源分配上,可以更为合理地分配资源,进而提升资源的使用率。
图3示意性示出了根据本公开实施例的另一种预警方法的流程图。
如图3所示,该方法包括操作S310~S390。
在操作S310,获取目标服务器当前的资源消耗信息。
在操作S320,获取其他服务器当前的资源消耗信息。
在操作S330,利用资源预测模型对目标服务器当前的资源消耗信息进行预测,得到目标服务器在未来预设时间段内的资源消耗预测信息,其中,资源预测模型是利用时间序列分析算法处理样本服务器的历史资源消耗信息得到的。
在操作S340,利用资源预测模型对其他服务器当前的资源消耗信息进行预测,得到其他服务器在未来预设时间段内的资源消耗预测信息。
在操作S350,利用聚类模型处理目标服务器当前的资源消耗信息,得到与目标服务器属于相同目标类别的其他服务器,其中,聚类模型是基于样本服务器的历史资源消耗信息训练得到的。
在操作S360,根据每个目标服务器的资源消耗预测信息和与目标服务器对应的资源消耗阈值确定需要进行资源预警的目标服务器数量。
在操作S370,其他服务器的资源消耗预测信息是否小于或等于与其他服务器器对应的资源消耗阈值且目标服务器数量是否大于或等于预设阈值;若是,则执行操作S380;若否,则执行操作S390。
在操作S380,对其他服务器进行资源预警。
在操作S390,不对其他服务器进行资源预警。
在本公开的实施例中,下面结合具体示例进行说明。服务器群组可以包括服务器O、服务器P、服务器Q、服务器R、服务器S和服务器器T。其中,服务器O可以为用于实现网上支付跨行清算业务的服务器。服务器P可以为用于实现大额实时支付业务的服务器。服务器Q可以为用于实现税基侵蚀与利润转移业务的服务器。服务器R可以为实现人民币跨境支付业务的服务器。服务器S可以为实现核心业务处理业务的服务器。服务器T可以为实现人民币跨境支付业务的服务器。目标类别的数量为2个,预设阈值为2个。服务器P、服务器R和服务器S为属于相同目标类别的服务器。服务器O、服务器Q和服务器T为属于相同目标类别的服务器。
与每个服务器对应的预测资源消耗信息比值,以及,与预测资源消耗信息比值对应的预警等级如下表1所示。其中,预测资源消耗信息比值为服务器的资源消耗预测信息与对应的资源消耗阈值的比值。
表1
服务器业务类型标识 预测资源消耗信息比值 预警等级
O 0.75
P 0.8
Q 0.8
R 0.8
S 0.75
T 0.8
根据本公开实施例所提供的技术方案,可以得到服务器O、服务器Q和服务器T均确定无需进行资源预警。同属于相同目标类别的服务器P、服务器R和服务器S均需要进行资源预警,具体如下表2所示。
表2
Figure BDA0002607057440000211
根据本公开实施例的技术方案,由于资源消耗预测信息是基于资源预测模型得到,其中,资源预测模型是利用时间序列分析算法处理样本服务器的历史资源消耗信息得到的,而时间序列分析算法可以预测系统上线后长时间的资源消耗情况,因此,基于资源预测模型得到的资源消耗预测信息较为准确。由于资源消耗预测信息较为准确,因此,在资源分配上,可以更为合理地分配资源,进而提升资源的使用率。此外,由于是根据与目标服务器对应的资源消耗阈值、目标服务器的资源消耗预测信息、与其他服务器对应的资源消耗阈值、其他服务器的资源消耗预测信息和预设阈值,确定其他服务器的资源预警结果,即结合了目标服务器的资源消耗预测信息和预设阈值来对与目标服务器属于相同目标类别的其他服务器的资源消耗情况进行资源预警,因此,实现了得到较为准确的资源预警结果,因而,至少部分地克服了相关技术中针对服务器的资源预警结果不够准确的技术问题。同时,由于资源预警结果较为准确且资源预警结果可以预先得到,因此,有效降低了因资源消耗迅速增加等情况造成的系统故障风险。
图4示意性示出了根据本公开的实施例的一种预警装置的框图。
如图4所示,预警装置400可以包括第一获取模块410、第一预测模块420、第一确定模块430和第二确定模块440。
第一获取模块410、第一预测模块420、第一确定模块430和第二确定模块440通信连接。
第一获取模块410,用于获取目标服务器当前的资源消耗信息。
第一预测模块420,用于根据目标服务器当前的资源消耗信息对目标服务器在未来预设时间段内的资源消耗信息进行预测,得到资源消耗预测信息。
第一确定模块430,用于确定与目标服务器属于相同目标类别的其他服务器。
第二确定模块440,用于根据与目标服务器对应的资源消耗阈值和目标服务器的资源消耗预测信息确定其他服务器的资源预警结果。
根据本公开实施例的技术方案,通过获取目标服务器当前的资源消耗信息,根据目标服务器当前的资源消耗信息对目标服务器在未来预设时间段内的资源消耗信息进行预测,得到资源消耗预测信息,确定与目标服务器属于相同目标类别的其他服务器,并根据与目标服务器对应的资源消耗阈值和资源消耗预测信息确定其他服务器的资源预警结果。由于是根据与目标服务器对应的资源消耗阈值和资源消耗预测信息确定其他服务器的资源预警结果,即结合了目标服务器的资源消耗预测信息来对与目标服务器属于相同目标类别的其他服务器的资源消耗情况进行资源预警,因此,实现了得到较为准确的资源预警结果,因而,至少部分地克服了相关技术中针对服务器的资源预警结果不够准确的技术问题。由于资源预警结果较为准确且资源预警结果可以预先得到,因此,有效降低了因资源消耗迅速增加等情况造成的系统故障风险。
可选地,在上述技术方案的基础上,该预警装置400还可以包括第二获取模块和第二预测模块。
第二获取模块,用于获取其他服务器当前的资源消耗信息。
第二预测模块,用于根据其他服务器当前的资源消耗信息对其他服务器在未来预设时间段内的资源消耗信息进行预测,得到其他服务器的资源消耗预测信息。
其中,第二确定模块440可以包括第一确定子模块。
第一确定子模块,用于根据与目标服务器对应的资源消耗阈值、目标服务器的资源消耗预测信息、与其他服务器对应的资源消耗阈值和其他服务器的资源消耗预测信息,确定其他服务器的资源预警结果。
可选地,在上述技术方案的基础上,第一确定子模块可以包括确定单元。
确定单元,用于在其他服务器的资源消耗预测信息小于或等于与其他服务器器对应的资源消耗阈值的情况下,根据与目标类别对应的资源消耗阈值和目标服务器的资源消耗预测信息,确定其他服务器的资源预警结果。
可选地,在上述技术方案的基础上,目标服务器包括多个。
第二确定模块440可以包括第二确定子模块和预警子模块。
第二确定子模块,用于根据每个目标服务器的资源消耗预测信息和与目标服务器对应的资源消耗阈值确定需要进行资源预警的目标服务器数量。
预警子模块,用于在目标服务器数量大于或等于预设阈值的情况下,对其他服务器进行资源预警。
可选地,在上述技术方案的基础上,第一确定模块430可以包括处理子模块。
处理子模块,用于利用聚类模型处理目标服务器当前的资源消耗信息,得到与目标服务器属于相同目标类别的其他服务器,其中,聚类模型是基于样本服务器的历史资源消耗信息训练得到的。
可选地,在上述技术方案的基础上,聚类模型是基于样本服务器的历史资源消耗信息训练得到的,可以包括:获取每个样本服务器的历史资源消耗信息。确定每个目标类别的初始聚类中心。确定每个历史资源消耗信息与每个初始聚类中心之间的初始距离。根据初始距离确定每个历史资源消耗信息所属的目标类别。确定每个目标类别中的各个初始距离的距离均值,将距离均值作为目标类别的新的初始聚类中心。重复执行确定初始距离以及确定目标类别的新的初始聚类中心的操作,直至满足预设条件。将满足预设条件时得到的每个目标类别的新的初始聚类中心作为对应的目标类别的目标聚类中心。根据各个目标聚类中心生成聚类模型。
可选地,在上述技术方案的基础上,第一预测模块420可以包括预测子模块。
预测子模块,用于利用资源预测模型对目标服务器当前的资源消耗信息进行预测,得到目标服务器在未来预设时间段内的资源消耗预测信息,其中,资源预测模型是基于样本服务器的历史资源消耗信息训练得到的。
可选地,在上述技术方案的基础上,预测子模块可以包括预测单元。
预测单元,用于利用时间序列分析算法处理所述样本服务器的历史资源消耗信息,得到所述资源预测模型。
根据本公开的实施例的模块、子模块、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(Field ProgrammableGate Array,FPGA)、可编程逻辑阵列(Programmable Logic Arrays,PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(Application Specific Integrated Circuit,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410、第一预测模块420、第一确定模块430和第二确定模块440中的任意多个可以合并在一个模块/单元中实现,或者其中的任意一个模块/单元可以被拆分成多个模块/单元。或者,这些模块/单元中的一个或多个模块/单元的至少部分功能可以与其他模块/单元的至少部分功能相结合,并在一个模块/单元中实现。根据本公开的实施例,第一获取模块410、第一预测模块420、第一确定模块430和第二确定模块440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410、第一预测模块420、第一确定模块430和第二确定模块440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。
需要说明的是,本公开的实施例中预警装置部分与本公开的实施例中预警方法部分是相对应的,预警装置部分的描述具体参考预警方法部分,在此不再赘述。
图5示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。图5示出的电子设备仅仅是一个示例,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5所示,根据本公开实施例的电子设备500包括处理器501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。处理器501例如可以包括通用微处理器(例如CPU)、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501还可以包括用于缓存用途的板载存储器。处理器501可以包括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。
在RAM 503中,存储有电子设备500操作所需的各种程序和数据。处理器501、ROM502以及RAM 503通过总线504彼此相连。处理器501通过执行ROM 502和/或RAM 503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 502和RAM 503以外的一个或多个存储器中。处理器501也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,系统500还可以包括输入/输出(I/O)接口505,输入/输出(I/O)接口505也连接至总线504。系统500还可以包括连接至I/O接口505的以下部件中的一项或多项:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被处理器501执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储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。上述计算机可读存储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,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于: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)、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。
例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 502和/或RAM 503和/或ROM 502和RAM 503以外的一个或多个存储器。
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。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。

Claims (11)

1.一种预警方法,包括:
获取目标服务器当前的资源消耗信息;
根据所述目标服务器当前的资源消耗信息对所述目标服务器在未来预设时间段内的资源消耗信息进行预测,得到资源消耗预测信息;
确定与所述目标服务器属于相同目标类别的其他服务器;以及
根据与所述目标服务器对应的资源消耗阈值和所述目标服务器的资源消耗预测信息确定所述其他服务器的资源预警结果。
2.根据权利要求1所述的方法,还包括:
获取其他服务器当前的资源消耗信息;
根据所述其他服务器当前的资源消耗信息对所述其他服务器在未来预设时间段内的资源消耗信息进行预测,得到所述其他服务器的资源消耗预测信息;
其中,根据与所述目标服务器对应的资源消耗阈值和所述目标服务器的资源消耗预测信息确定所述其他服务器的资源预警结果,包括:
根据与所述目标服务器对应的资源消耗阈值、所述目标服务器的资源消耗预测信息、与所述其他服务器对应的资源消耗阈值和所述其他服务器的资源消耗预测信息,确定所述其他服务器的资源预警结果。
3.根据权利要求2所述的方法,其中,所述根据与所述目标服务器对应的资源消耗阈值、所述目标服务器的资源消耗预测信息、与所述其他服务器对应的资源消耗阈值和所述其他服务器的资源消耗预测信息,确定所述其他服务器的资源预警结果,包括:
在所述其他服务器的资源消耗预测信息小于或等于与所述其他服务器器对应的资源消耗阈值的情况下,根据与所述目标类别对应的资源消耗阈值和所述目标服务器的资源消耗预测信息,确定所述其他服务器的资源预警结果。
4.根据权利要求1所述的方法,其中,所述目标服务器包括多个;
所述根据与所述目标服务器对应的资源消耗阈值和所述资源消耗预测信息确定所述其他服务器的资源预警结果,包括:
根据每个所述目标服务器的资源消耗预测信息和与所述目标服务器对应的资源消耗阈值确定需要进行资源预警的目标服务器数量;以及
在所述目标服务器数量大于或等于预设阈值的情况下,对所述其他服务器进行资源预警。
5.根据权利要求1~4中任一项所述的方法,其中,所述确定与所述目标服务器属于相同目标类别的其他服务器,包括:
利用聚类模型处理所述目标服务器当前的资源消耗信息,得到与所述目标服务器属于相同目标类别的其他服务器,其中,所述聚类模型是基于样本服务器的历史资源消耗信息训练得到的。
6.根据权利要求5所述的方法,其中,所述聚类模型是基于样本服务器的历史资源消耗信息训练得到的,包括:
获取每个样本服务器的历史资源消耗信息;
确定每个目标类别的初始聚类中心;
确定每个所述历史资源消耗信息与每个所述初始聚类中心之间的初始距离;
根据所述初始距离确定每个所述历史资源消耗信息所属的目标类别;
确定每个所述目标类别中的各个所述初始距离的距离均值,将所述距离均值作为所述目标类别的新的初始聚类中心;
重复执行确定所述初始距离以及确定所述目标类别的新的初始聚类中心的操作,直至满足预设条件;
将满足所述预设条件时得到的每个所述目标类别的新的初始聚类中心作为对应的目标类别的目标聚类中心;以及
根据各个所述目标聚类中心生成聚类模型。
7.根据权利要求5所述的方法,其中,所述根据所述目标服务器当前的资源消耗信息对所述目标服务器在未来预设时间段内的资源消耗信息进行预测,得到资源消耗预测信息,包括:
利用资源预测模型对所述目标服务器当前的资源消耗信息进行预测,得到所述目标服务器在未来预设时间段内的资源消耗预测信息,其中,所述资源预测模型是基于所述样本服务器的历史资源消耗信息训练得到的。
8.根据权利要求7所述的方法,其中,所述资源预测模型是基于所述样本服务器的历史资源消耗信息训练得到的,包括:
利用时间序列分析算法处理所述样本服务器的历史资源消耗信息,得到所述资源预测模型。
9.一种预警装置,包括:
第一获取模块,用于获取目标服务器当前的资源消耗信息;
第一预测模块,用于根据所述目标服务器当前的资源消耗信息对所述目标服务器在未来预设时间段内的资源消耗信息进行预测,得到资源消耗预测信息;
第一确定模块,用于确定与所述目标服务器属于相同目标类别的其他服务器;以及
第二确定模块,用于根据与所述目标类别对应的资源消耗阈值和所述目标服务器的资源消耗预测信息确定所述其他服务器的资源预警结果。
10.一种电子设备,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1~8中任一项所述的方法。
11.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1~8中任一项所述的方法。
CN202010747392.3A 2020-07-29 2020-07-29 预警方法、装置、电子设备及存储介质 Active CN111858267B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010747392.3A CN111858267B (zh) 2020-07-29 2020-07-29 预警方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010747392.3A CN111858267B (zh) 2020-07-29 2020-07-29 预警方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111858267A true CN111858267A (zh) 2020-10-30
CN111858267B CN111858267B (zh) 2024-01-05

Family

ID=72945575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010747392.3A Active CN111858267B (zh) 2020-07-29 2020-07-29 预警方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111858267B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418509A (zh) * 2020-11-18 2021-02-26 青岛海尔科技有限公司 任务数据预测方法、装置、存储介质及电子装置
CN114201369A (zh) * 2022-02-17 2022-03-18 苏州浪潮智能科技有限公司 一种服务器集群管理方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103873498A (zh) * 2012-12-11 2014-06-18 中国电信股份有限公司 云平台资源自适应预警方法与系统
US20150007178A1 (en) * 2013-06-28 2015-01-01 Kabushiki Kaisha Toshiba Virtual machines management apparatus, virtual machines management method, and computer readable storage medium
US20160019094A1 (en) * 2014-07-18 2016-01-21 Thomson Reuters Global Resources (Trgr) System and method for electronic work prediction and dynamically adjusting server resources
CN109032914A (zh) * 2018-09-06 2018-12-18 掌阅科技股份有限公司 资源占用数据预测方法、电子设备、存储介质
CN110825579A (zh) * 2019-09-18 2020-02-21 平安科技(深圳)有限公司 服务器性能监控方法、装置、计算机设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103873498A (zh) * 2012-12-11 2014-06-18 中国电信股份有限公司 云平台资源自适应预警方法与系统
US20150007178A1 (en) * 2013-06-28 2015-01-01 Kabushiki Kaisha Toshiba Virtual machines management apparatus, virtual machines management method, and computer readable storage medium
US20160019094A1 (en) * 2014-07-18 2016-01-21 Thomson Reuters Global Resources (Trgr) System and method for electronic work prediction and dynamically adjusting server resources
CN109032914A (zh) * 2018-09-06 2018-12-18 掌阅科技股份有限公司 资源占用数据预测方法、电子设备、存储介质
CN110825579A (zh) * 2019-09-18 2020-02-21 平安科技(深圳)有限公司 服务器性能监控方法、装置、计算机设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418509A (zh) * 2020-11-18 2021-02-26 青岛海尔科技有限公司 任务数据预测方法、装置、存储介质及电子装置
CN114201369A (zh) * 2022-02-17 2022-03-18 苏州浪潮智能科技有限公司 一种服务器集群管理方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111858267B (zh) 2024-01-05

Similar Documents

Publication Publication Date Title
CN111814910B (zh) 异常检测方法、装置、电子设备及存储介质
CN111783039B (zh) 风险确定方法、装置、计算机系统和存储介质
US20220284067A1 (en) Method for pushing information, electronic device
CN111858267B (zh) 预警方法、装置、电子设备及存储介质
CN112598472A (zh) 产品推荐方法、装置、系统、介质和程序产品
CN115983900A (zh) 用户营销策略的构建方法、装置、设备、介质和程序产品
CN117593115A (zh) 信贷风险评估模型的特征值确定方法、装置、设备和介质
CN113742069A (zh) 基于人工智能的容量预测方法、装置及存储介质
CN116703109A (zh) 一种配电网项目选取方法、装置、设备及存储介质
CN116664306A (zh) 风控规则的智能推荐方法、装置、电子设备及介质
Singh et al. A feature extraction and time warping based neural expansion architecture for cloud resource usage forecasting
CN111930604B (zh) 联机交易性能分析方法及装置、电子设备和可读存储介质
CN116304910A (zh) 运维数据的异常检测方法、装置、设备及存储介质
CN113869904B (zh) 可疑数据识别方法、装置、电子设备、介质和计算机程序
CN116228284A (zh) 货品需求预测方法、训练方法、装置、计算机系统及介质
CN115168509A (zh) 风控数据的处理方法及装置、存储介质、计算机设备
CN117113613A (zh) 一种数据处理方法及装置
CN113296951A (zh) 一种资源配置方案确定方法及设备
CN113807391A (zh) 任务模型的训练方法、装置、电子设备及存储介质
CN114037058B (zh) 预训练模型的生成方法、装置、电子设备以及存储介质
CN114037057B (zh) 预训练模型的生成方法、装置、电子设备以及存储介质
TWI657393B (zh) 行銷客群預測系統及其方法
CN115455298A (zh) 目标物品确定方法、装置、电子设备及存储介质
CN114490817A (zh) 一种流量分类方法、装置、电子设备、介质及产品
CN117422545A (zh) 信用风险识别方法、装置、设备及存储介质

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