CN113138895A - 云桌面设备的监控方法及装置 - Google Patents
云桌面设备的监控方法及装置 Download PDFInfo
- Publication number
- CN113138895A CN113138895A CN202110416839.3A CN202110416839A CN113138895A CN 113138895 A CN113138895 A CN 113138895A CN 202110416839 A CN202110416839 A CN 202110416839A CN 113138895 A CN113138895 A CN 113138895A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- operation data
- data acquisition
- equipment
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012544 monitoring process Methods 0.000 title claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 92
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000013515 script Methods 0.000 claims abstract description 38
- 238000012423 maintenance Methods 0.000 claims abstract description 29
- 230000005856 abnormality Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012806 monitoring device Methods 0.000 claims abstract description 4
- 230000015654 memory Effects 0.000 claims description 36
- 238000013480 data collection Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 22
- 238000012545 processing Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 230000000007 visual effect Effects 0.000 description 6
- 239000000872 buffer Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F11/3003—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及云计算技术领域,本发明公开了一种云桌面设备的监控方法及装置,该方法包括:根据预设的各个设备的数据采集脚本,采集云桌面上各个设备的运行数据;将各个设备的运行数据输入异常数据检测模型,输出存在异常的运行数据,其中,异常数据检测模型根据各个设备的历史运行数据训练得到;将存在异常的运行数据发送至运维人员的客户端,与现有的基于人工监控的方式相比,本发明实现了云桌面上各个设备的运行数据的自动化采集和监控,提高了监控效率以及应急响应的实时性。
Description
技术领域
本发明涉及云计算技术领域,特别涉及一种云桌面设备的监控方法及装置。
背景技术
云桌面上包括多种类型的设备,为了保证系统稳定运行,运维人员需每日登陆各个设备,在各个设备的命令行工具中输入指令监控各个设备的运行状态,及时发现问题,提高系统服务质量。
随着用户数量激增,云桌面设备的数量也随之增大,运维人员需要花费大量的时间监控各个设备的运行状态,效率低。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种云桌面设备的监控方法,用于提高云桌面设备的监控效率,该方法包括:
根据预设的各个设备的数据采集脚本,采集云桌面上各个设备的运行数据;
将各个设备的运行数据输入异常数据检测模型,输出存在异常的运行数据,其中,异常数据检测模型根据各个设备的历史运行数据训练得到;
将存在异常的运行数据发送至运维人员的客户端。
进一步的,根据预设的各个设备的数据采集脚本,采集云桌面上各个设备的运行数据,包括:
基于Airflow平台,建立各个设备的数据采集任务,其中,数据采集任务包括:目标数据采集项和采集周期;
调度各个设备的数据采集任务,根据各个设备的数据采集脚本,采集云桌面上各个设备的运行数据。
进一步的,建立各个设备的数据采集任务之后,还包括:
基于Airflow平台的有向无环图,编排各个设备的数据采集任务的调度顺序和调度时刻;
调度各个设备的数据采集任务,包括:
根据各个设备的数据采集任务的调度顺序和调度时刻,依次调度各个设备的数据采集任务。
进一步的,数据采集脚本包括多个数据采集项,多个数据采集项至少包括:进程、CPU、内存、磁盘空间和网络。
进一步的,将各个设备的运行数据输入异常数据检测模型之前,还包括:
按照如下方式建立异常数据检测模型:
获得样本数据,其中,样本数据包括:各个设备的历史运行数据、以及历史运行数据对应的在线用户数和时刻信息;
根据样本数据,基于深度学习对one class SVM模型进行训练,得到训练好的oneclass SVM模型。
进一步的,将各个设备的运行数据输入异常数据检测模型,输出存在异常的运行数据,包括:
将各个设备的运行数据,以及运行数据对应的在线用户数和时刻信息,输入训练好的one class SVM模型,输出存在异常的运行数据。
进一步的,将存在异常的运行数据发送至运维人员的客户端,包括:
根据存在异常的运行数据,生成异常告警信息;
将异常告警信息发送至运维人员的客户端。
进一步的,云桌面上各个设备包括:硬件设备和软件设备,其中,硬件设备包括:SQL服务器、PVS服务器、CDC服务器、WI服务器、license服务器、DC服务器、DHCP服务器、存储和负载均衡的其中之一或任意组合;
软件设备包括:SQL应用程序、PVS应用程序、CDC应用程序、DC应用程序、VMware应用程序、NAS应用程序和SAN应用程序的其中之一或任意组合。
本发明实施例提供了一种云桌面设备的监控装置,用于提高云桌面设备的监控效率,该装置包括:
数据采集模块,用于根据预设的各个设备的数据采集脚本,采集云桌面上各个设备的运行数据;
异常数据检测模块,用于将各个设备的运行数据输入异常数据检测模型,输出存在异常的运行数据,其中,异常数据检测模型根据各个设备的历史运行数据训练得到;
告警模块,用于将存在异常的运行数据发送至运维人员的客户端。
进一步的,数据采集模块包括:
任务建立单元,用于基于Airflow平台,建立各个设备的数据采集任务,其中,数据采集任务包括:目标数据采集项和采集周期;
任务调度单元,用于调度各个设备的数据采集任务,根据各个设备的数据采集脚本,采集云桌面上各个设备的运行数据。
进一步的,数据采集模块还包括:
策略配置单元,用于在建立各个设备的数据采集任务之后,基于Airflow平台的有向无环图,编排各个设备的数据采集任务的调度顺序和调度时刻;
任务调度单元,具体用于:
根据各个设备的数据采集任务的调度顺序和调度时刻,依次调度各个设备的数据采集任务。
进一步的,数据采集脚本包括多个数据采集项,多个数据采集项至少包括:进程、CPU、内存、磁盘空间和网络。
进一步的,该装置还包括:异常数据检测模型建立模块,用于:
在将各个设备的运行数据输入异常数据检测模型之前,按照如下方式建立异常数据检测模型:
获得样本数据,其中,样本数据包括:各个设备的历史运行数据、以及历史运行数据对应的在线用户数和时刻信息;
根据样本数据,基于深度学习对one class SVM模型进行训练,得到训练好的oneclass SVM模型。
进一步的,异常数据检测模块具体用于:
将各个设备的运行数据,以及运行数据对应的在线用户数和时刻信息,输入训练好的one class SVM模型,输出存在异常的运行数据。
进一步的,告警模块具体用于:
根据存在异常的运行数据,生成异常告警信息;
将异常告警信息发送至运维人员的客户端。
进一步的,云桌面上各个设备包括:硬件设备和软件设备,其中,硬件设备包括:SQL服务器、PVS服务器、CDC服务器、WI服务器、license服务器、DC服务器、DHCP服务器、存储和负载均衡的其中之一或任意组合;
软件设备包括:SQL应用程序、PVS应用程序、CDC应用程序、DC应用程序、VMware应用程序、NAS应用程序和SAN应用程序的其中之一或任意组合。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述云桌面设备的监控方法。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有执行上述云桌面设备的监控方法的计算机程序。
本发明实施例通过:根据预设的各个设备的数据采集脚本,采集云桌面上各个设备的运行数据,实现了云桌面上各个设备的运行数据的自动采集;将各个设备的运行数据输入异常数据检测模型,输出存在异常的运行数据,其中,异常数据检测模型根据各个设备的历史运行数据训练得到,实现了云桌面上各个设备的运行数据的自动化监控;将存在异常的运行数据发送至运维人员的客户端,提高了监控效率以及应急响应的实时性。
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。在附图中:
图1为本发明实施例中云桌面设备的监控方法流程的示意图;
图2为图1中步骤101具体流程的示意图;
图3为图1中步骤101另一具体流程的示意图;
图4为本发明实施例中云桌面设备的监控装置结构的示意图;
图5为图4中数据采集模块具体结构的示意图;
图6为本发明实施例中云桌面设备的监控装置另一结构的示意图;
图7为本发明实施例中计算机设备系统构成的示意框图;
图8为本发明实施例中具体实施例整体框架的示意图。
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。
本领域技术人员知道,本发明的实施方式可以实现为一种系统、装置、方法或计算机程序产品。因此,本发明公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
为了解决现有技术需要运维人员花费大量的时间监控各个设备的运行状态,效率低的技术问题,本发明实施例提供了一种云桌面设备的监控方法,用于提高云桌面设备的监控效率,图1为本发明实施例中云桌面设备的监控方法流程的示意图,如图1所示,该方法包括:
步骤101:根据预设的各个设备的数据采集脚本,采集云桌面上各个设备的运行数据;
步骤102:将各个设备的运行数据输入异常数据检测模型,输出存在异常的运行数据,其中,异常数据检测模型根据各个设备的历史运行数据训练得到;
步骤103:将存在异常的运行数据发送至运维人员的客户端。
如图1所示,本发明实施例通过:根据预设的各个设备的数据采集脚本,采集云桌面上各个设备的运行数据,实现了云桌面上各个设备的运行数据的自动采集;将各个设备的运行数据输入异常数据检测模型,输出存在异常的运行数据,其中,异常数据检测模型根据各个设备的历史运行数据训练得到,实现了云桌面上各个设备的运行数据的自动化监控;将存在异常的运行数据发送至运维人员的客户端,提高了监控效率以及应急响应的实时性。
图2为图1中步骤101具体流程的示意图,如图2所示,在一个实施例中,步骤101中,根据预设的各个设备的数据采集脚本,采集云桌面上各个设备的运行数据,可以包括:
步骤201:基于Airflow平台,建立各个设备的数据采集任务,其中,数据采集任务包括:目标数据采集项和采集周期;
步骤202:调度各个设备的数据采集任务,根据各个设备的数据采集脚本,采集云桌面上各个设备的运行数据。
图3为图1中步骤101另一具体流程的示意图,如图3所示,在一个实施例中,步骤101中,根据预设的各个设备的数据采集脚本,采集云桌面上各个设备的运行数据,还可以包括:
步骤203:基于Airflow平台的有向无环图,编排各个设备的数据采集任务的调度顺序和调度时刻;
调度各个设备的数据采集任务,包括:
步骤204:根据各个设备的数据采集任务的调度顺序和调度时刻,依次调度各个设备的数据采集任务。
在一个实施例中,云桌面上各个设备包括:硬件设备和软件设备,其中,硬件设备包括:SQL服务器、PVS服务器、CDC服务器、WI服务器、license服务器、DC服务器、DHCP服务器、存储和负载均衡的其中之一或任意组合;
软件设备包括:SQL应用程序、PVS应用程序、CDC应用程序、DC应用程序、VMware应用程序、NAS应用程序和SAN应用程序的其中之一或任意组合。
在一个实施例中,数据采集脚本包括多个数据采集项,多个数据采集项至少包括:进程、CPU、内存、磁盘空间和网络。
具体实施时,云桌面上包括多种类型的设备,本发明实施例可以基于Airflow实现云桌面上各个设备的运行数据的自动化采集,Airflow是一个基于有向无环图(DAG)的可编程、调度和监控的工作流平台,包含Schedule调度器、Executor执行器、Workers任务执行进程以及WebServer可视化管理界面等组件。
步骤101中,可以预先编写各个设备的数据采集脚本,通过数据采集脚本可以实现各个设备的运行数据的自动化采集,而无需运维人员依次在各个设备的命令行工具中输入指令查询,其中,采集脚本包括设备的多个数据采集项,例如:进程、CPU、内存、磁盘空间和网络等运行数据;步骤201中,可以基于Airflow平台的WebServer可视化管理界面配置DAG,建立各个设备的数据采集任务,数据采集任务包括:目标数据采集项和采集周期,对于不同的设备,需要采集的数据项类型和采集周期不同,本发明通过建立各个设备的数据采集任务可以为不同的设备配置不同的采集策略,步骤203中,还可以预先编排各个设备的数据采集任务的调度顺序和调度时刻。
接着,步骤204中,可以根据各个设备的数据采集任务的调度顺序和调度时刻,依次调度各个设备的数据采集任务,具体的,Airflow平台的Scheduler调度器通过Executor执行器调用Workers任务执行进程来执行DAG中建立的各个设备的数据采集任务,步骤202中,可以根据各个设备的数据采集脚本,采集云桌面上各个设备的运行数据,具体的,Airflow内置了PythonOperator任务处理器,可以调用Python代码,结合Python代码的特性,可以通过Python代码调用预先编写好各个设备的数据采集脚本实现对各个设备的运行数据的采集。
在一个实施例中,在步骤102将各个设备的运行数据输入异常数据检测模型之前,还包括:
按照如下方式建立异常数据检测模型:
获得样本数据,其中,样本数据包括:各个设备的历史运行数据、以及历史运行数据对应的在线用户数和时刻信息;
根据样本数据,基于深度学习对one class SVM模型进行训练,得到训练好的oneclass SVM模型。
在一个实施例中,步骤102中,将各个设备的运行数据输入异常数据检测模型,输出存在异常的运行数据,包括:
将各个设备的运行数据,以及运行数据对应的在线用户数和时刻信息,输入训练好的one class SVM模型,输出存在异常的运行数据。
具体实施时,可以将各个设备的历史运行数据划分为正样本集和负样本集,其中,正样本集为历史正常的运行数据,负样本集为历史存在异常的运行数据,并且不同在线用户数和不同时刻对应的历史运行数据正负样本的划分阈值不同,这样得到的one classSVM模型才可以满足不同在线用户数和不同时刻下对运行数据的监控需求,将正样本集和负样本集输入one class SVM模型,基于深度学习对one class SVM模型进行训练,在一个超平面中形成正例的数据簇。步骤102中,可以将各个设备的运行数据,以及运行数据对应的在线用户数和时刻信息,输入训练好的one class SVM模型,输出存在异常的运行数据,具体的,one class SVM模型可以判断各个设备的运行数据是否落入超平面的正例数据簇形成的圈,若运行数据落入正例数据簇形成的圈,则为正常的运行数据,若运行数据在正例数据簇形成的圈外,则为存在异常的运行数据,并将各个设备的运行数据,以及存在异常的运行数据的存入MySQL数据库中,便于后续的可回溯,以及进一步的优化one class SVM模型。
在一个实施例中,步骤103中,将存在异常的运行数据发送至运维人员的客户端,包括:
根据存在异常的运行数据,生成异常告警信息;
将异常告警信息发送至运维人员的客户端。
具体实施时,当输出存在异常的运行数据后,还可以设置异常告警信息,并将异常告警信息通过集成在系统上的短信模块或邮件模块发送给运维人员对应的客户端,提醒运维人员及时处理异常,提高了应急响应的实时性。
具体实施时,还可以将one class SVM模型的输出结果通过vue-echarts进行展示,实现各个设备的运行数据的可视化监控,丰富了数据展示方式,如下表1所示:
表1云桌面设备的监控结果表
应当注意,尽管在附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
基于同一发明构思,本发明实施例中还提供了一种云桌面设备的监控装置,如下面的实施例。由于云桌面设备的监控装置解决问题的原理与云桌面设备的监控方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本发明实施例提供了一种云桌面设备的监控装置,用于提高云桌面设备的监控效率,图4为本发明实施例中云桌面设备的监控装置结构的示意图,如图4所示,该装置包括:
数据采集模块01,用于根据预设的各个设备的数据采集脚本,采集云桌面上各个设备的运行数据;
异常数据检测模块02,用于将各个设备的运行数据输入异常数据检测模型,输出存在异常的运行数据,其中,异常数据检测模型根据各个设备的历史运行数据训练得到;
告警模块03,用于将存在异常的运行数据发送至运维人员的客户端。
图5为图4中数据采集模块具体结构的示意图,如图5所示,在一个实施例中,数据采集模块01包括:
任务建立单元011,用于基于Airflow平台,建立各个设备的数据采集任务,其中,数据采集任务包括:目标数据采集项和采集周期;
任务调度单元012,用于执行各个设备的数据采集任务,调用各个设备的数据采集脚本,采集云桌面上各个设备的运行数据。
如图5所示,数据采集模块还包括:
策略配置单元013,用于在建立各个设备的数据采集任务之后,基于Airflow平台的有向无环图,编排各个设备的数据采集任务的调度顺序和调度时刻;
任务调度单元012,具体用于:
根据各个设备的数据采集任务的调度顺序和调度时刻,依次调度各个设备的数据采集任务。
在一个实施例中,数据采集脚本包括多个数据采集项,多个数据采集项至少包括:进程、CPU、内存、磁盘空间和网络。
图6为本发明实施例中云桌面设备的监控装置另一结构的示意图,如图6所示,在一个实施例中,该装置还包括:异常数据检测模型建立模块04,用于:
在将各个设备的运行数据输入异常数据检测模型之前,按照如下方式建立异常数据检测模型:
获得样本数据,其中,样本数据包括:各个设备的历史运行数据、以及历史运行数据对应的在线用户数和时刻信息;
根据样本数据,基于深度学习对one class SVM模型进行训练,得到训练好的oneclass SVM模型。
在一个实施例中,异常数据检测模块02具体用于:
将各个设备的运行数据,以及运行数据对应的在线用户数和时刻信息,输入训练好的one class SVM模型,输出存在异常的运行数据。
在一个实施例中,告警模块03具体用于:
根据存在异常的运行数据,生成异常告警信息;
将异常告警信息发送至运维人员的客户端。
在一个实施例中,云桌面上各个设备包括:硬件设备和软件设备,其中,硬件设备包括:SQL服务器、PVS服务器、CDC服务器、WI服务器、license服务器、DC服务器、DHCP服务器、存储和负载均衡的其中之一或任意组合;
软件设备包括:SQL应用程序、PVS应用程序、CDC应用程序、DC应用程序、VMware应用程序、NAS应用程序和SAN应用程序的其中之一或任意组合。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述云桌面设备的监控方法。
本申请提供一种用于实现上述云桌面设备的监控方法中的全部或部分内容的计算机设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,处理器、存储器、通信接口通过总线完成相互间的通信;通信接口用于实现相关设备之间的信息传输;该计算机设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该计算机设备可以参照实施例用于实现上述云桌面设备的监控方法的实施例及用于实现上述云桌面设备的监控装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
图7为本发明实施例中计算机设备7600的系统构成的示意框图。如图7所示,该计算机设备7600可以包括中央处理器7100和存储器7140;存储器7140耦合到中央处理器7100。值得注意的是,该图7是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
在一个实施例中,云桌面设备的监控功能可以被集成到中央处理器7100中。
如图7所示,该计算机设备7600还可以包括:通信模块7110、输入单元7120、音频处理器7130、显示器7160、电源7170。值得注意的是,计算机设备7600也并不是必须要包括图7中所示的所有部件;此外,计算机设备7600还可以包括图7中没有示出的部件,可以参考现有技术。
如图7所示,中央处理器7100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器7100接收输入并控制计算机设备7600的各个部件的操作。
其中,存储器7140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器7100可执行该存储器7140存储的该程序,以实现信息存储或处理等。
输入单元7120向中央处理器7100提供输入。该输入单元7120例如为按键或触摸输入装置。电源7170用于向计算机设备7600提供电力。显示器7160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器7140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器7140还可以是某种其它类型的装置。存储器7140包括缓冲存储器7141(有时被称为缓冲器)。存储器7140可以包括应用/功能存储部7142,该应用/功能存储部7142用于存储应用程序和功能程序或用于通过中央处理器7100执行计算机设备7600的操作的流程。
存储器7140还可以包括数据存储部7143,该数据存储部7143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由计算机设备使用的数据。存储器7140的驱动程序存储部7144可以包括计算机设备的用于通信功能和/或用于执行计算机设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块7110即为经由天线7111发送和接收信号的发送机/接收机7110。通信模块(发送机/接收机)7110耦合到中央处理器7100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一计算机设备中,可以设置有多个通信模块7110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)7110还经由音频处理器7130耦合到扬声器7131和麦克风7132,以经由扬声器7131提供音频输出,并接收来自麦克风7132的音频输入,从而实现通常的电信功能。音频处理器7130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器7130还耦合到中央处理器7100,从而使得可以通过麦克风7132能够在本机上录音,且使得可以通过扬声器7131来播放本机上存储的声音。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有执行上述云桌面设备的监控方法的计算机程序。
下面举一个具体的例子,以便于理解本发明如何实施,图8为本发明实施例中具体实施例整体框架的示意图,包括如下步骤:
第一步:预先编写各个设备的数据采集脚本,通过数据采集脚本可以实现各个设备的运行数据的自动化采集,采集脚本包括设备的多个数据采集项,例如:进程、CPU、内存、磁盘空间和网络等运行数据;
第二步:基于Airflow平台的WebServer可视化管理界面配置DAG,建立各个设备的数据采集任务,数据采集任务包括:目标数据采集项和采集周期;
第三步:编排各个设备的数据采集任务的调度顺序和调度时刻。
第四步:根据各个设备的数据采集任务的调度顺序和调度时刻,基于Airflow平台的Scheduler调度器通过Executor执行器调用Workers任务执行进程来调度DAG的各个设备的数据采集任务;
第五步:根据各个设备的数据采集脚本,通过Python代码调用预先编写好各个设备的数据采集脚本实现对各个设备的运行数据的采集;
第六步:将各个设备的历史运行数据划分为正样本集和负样本集,将正样本集和负样本集输入one class SVM模型,基于深度学习对one class SVM模型进行训练,在一个超平面中形成正例的数据簇;
第七步:将采集到的各个设备的运行数据,以及运行数据对应的在线用户数和时刻信息,输入训练好的one class SVM模型,输出存在异常的运行数据,判断各个设备的运行数据是否落入超平面的正例数据簇形成的圈,若运行数据落入正例数据簇形成的圈,则为正常的运行数据,若运行数据在正例数据簇形成的圈外,则为存在异常的运行数据;
第八步:将各个设备的运行数据,以及存在异常的运行数据的存入MySQL数据库;
第九步:当输出存在异常的运行数据后,设置异常告警信息,并将异常告警信息通过集成在系统上的短信模或邮件模块块发送给运维人员对应的客户端,提醒运维人员及时处理异常;
第十步:将one class SVM模型的输出结果通过vue-echarts进行展示,实现各个设备的运行数据的可视化监控。
综上所述,本发明实施例通过:根据预设的各个设备的数据采集脚本,采集云桌面上各个设备的运行数据,实现了云桌面上各个设备的运行数据的自动采集;将各个设备的运行数据输入异常数据检测模型,输出存在异常的运行数据,其中,异常数据检测模型根据各个设备的历史运行数据训练得到,实现了云桌面上各个设备的运行数据的自动化监控;将存在异常的运行数据发送至运维人员的客户端,提高了监控效率以及应急响应的实时性。
此外,本发明实施例通过预设各个设备的数据采集脚本,基于Airflow平台,建立各个设备的数据采集任务,调度各个设备的数据采集任务,根据各个设备的数据采集脚本,采集云桌面上各个设备的运行数据,实现了云桌面上各个设备的数据采集任务的自动化调度、各个设备的运行数据的自动化采集,而无需运维人员依次在各个设备的命令行工具中输入指令查询,提高了数据采集的效率。
此外,本发明实施例通过设置异常告警信息,并将异常告警信息通过集成在系统上的短信模块或邮件模块发送给运维人员对应的客户端,进一步提高了应急响应的实时性;将各个设备的运行数据,以及存在异常的运行数据的存入MySQL数据库,便于后续的可回溯,以及进一步的优化one class SVM模型;将one class SVM模型的输出结果通过vue-echarts进行展示,实现了各个设备的运行数据的可视化监控,丰富了数据展示方式。
虽然本发明提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本领域技术人员应明白,本说明书的实施例可提供为方法、装置(系统)或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。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。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面,也不局限于任何单一的实施例,也不局限于这些方面和/或实施例的任意组合和/或置换。而且,可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (18)
1.一种云桌面设备的监控方法,其特征在于,包括:
根据预设的各个设备的数据采集脚本,采集云桌面上各个设备的运行数据;
将所述各个设备的运行数据输入异常数据检测模型,输出存在异常的运行数据,其中,所述异常数据检测模型根据各个设备的历史运行数据训练得到;
将所述存在异常的运行数据发送至运维人员的客户端。
2.如权利要求1所述的方法,其特征在于,根据预设的各个设备的数据采集脚本,采集云桌面上各个设备的运行数据,包括:
基于Airflow平台,建立各个设备的数据采集任务,其中,数据采集任务包括:目标数据采集项和采集周期;
调度各个设备的数据采集任务,根据各个设备的数据采集脚本,采集云桌面上各个设备的运行数据。
3.如权利要求2所述的方法,其特征在于,建立各个设备的数据采集任务之后,还包括:
基于Airflow平台的有向无环图,编排各个设备的数据采集任务的调度顺序和调度时刻;
调度各个设备的数据采集任务,包括:
根据各个设备的数据采集任务的调度顺序和调度时刻,依次调度各个设备的数据采集任务。
4.如权利要求1所述的方法,其特征在于,所述数据采集脚本包括多个数据采集项,多个数据采集项至少包括:进程、CPU、内存、磁盘空间和网络。
5.如权利要求1所述的方法,其特征在于,将所述各个设备的运行数据输入异常数据检测模型之前,还包括:
按照如下方式建立异常数据检测模型:
获得样本数据,其中,样本数据包括:各个设备的历史运行数据、以及历史运行数据对应的在线用户数和时刻信息;
根据所述样本数据,基于深度学习对one class SVM模型进行训练,得到训练好的oneclass SVM模型。
6.如权利要求5所述的方法,其特征在于,将所述各个设备的运行数据输入异常数据检测模型,输出存在异常的运行数据,包括:
将各个设备的运行数据,以及运行数据对应的在线用户数和时刻信息,输入训练好的one class SVM模型,输出存在异常的运行数据。
7.如权利要求1所述的方法,其特征在于,将所述存在异常的运行数据发送至运维人员的客户端,包括:
根据所述存在异常的运行数据,生成异常告警信息;
将所述异常告警信息发送至运维人员的客户端。
8.如权利要求1所述的方法,其特征在于,云桌面上各个设备包括:硬件设备和软件设备,其中,硬件设备包括:SQL服务器、PVS服务器、CDC服务器、WI服务器、license服务器、DC服务器、DHCP服务器、存储和负载均衡的其中之一或任意组合;
软件设备包括:SQL应用程序、PVS应用程序、CDC应用程序、DC应用程序、VMware应用程序、NAS应用程序和SAN应用程序的其中之一或任意组合。
9.一种云桌面设备的监控装置,其特征在于,包括:
数据采集模块,用于根据预设的各个设备的数据采集脚本,采集云桌面上各个设备的运行数据;
异常数据检测模块,用于将所述各个设备的运行数据输入异常数据检测模型,输出存在异常的运行数据,其中,所述异常数据检测模型根据各个设备的历史运行数据训练得到;
告警模块,用于将所述存在异常的运行数据发送至运维人员的客户端。
10.如权利要求9所述的装置,其特征在于,数据采集模块包括:
任务建立单元,用于基于Airflow平台,建立各个设备的数据采集任务,其中,数据采集任务包括:目标数据采集项和采集周期;
任务调度单元,用于调度各个设备的数据采集任务,根据各个设备的数据采集脚本,采集云桌面上各个设备的运行数据。
11.如权利要求10所述的装置,其特征在于,数据采集模块还包括:
策略配置单元,用于在建立各个设备的数据采集任务之后,基于Airflow平台的有向无环图,编排各个设备的数据采集任务的调度顺序和调度时刻;
任务调度单元,具体用于:
根据各个设备的数据采集任务的调度顺序和调度时刻,依次调度各个设备的数据采集任务。
12.如权利要求9所述的装置,其特征在于,所述数据采集脚本包括多个数据采集项,多个数据采集项至少包括:进程、CPU、内存、磁盘空间和网络。
13.如权利要求9所述的装置,其特征在于,还包括:异常数据检测模型建立模块,用于:
在将所述各个设备的运行数据输入异常数据检测模型之前,按照如下方式建立异常数据检测模型:
获得样本数据,其中,样本数据包括:各个设备的历史运行数据、以及历史运行数据对应的在线用户数和时刻信息;
根据所述样本数据,基于深度学习对one class SVM模型进行训练,得到训练好的oneclass SVM模型。
14.如权利要求13所述的装置,其特征在于,异常数据检测模块具体用于:
将各个设备的运行数据,以及运行数据对应的在线用户数和时刻信息,输入训练好的one class SVM模型,输出存在异常的运行数据。
15.如权利要求9所述的装置,其特征在于,告警模块具体用于:
根据所述存在异常的运行数据,生成异常告警信息;
将所述异常告警信息发送至运维人员的客户端。
16.如权利要求9所述的装置,其特征在于,云桌面上各个设备包括:硬件设备和软件设备,其中,硬件设备包括:SQL服务器、PVS服务器、CDC服务器、WI服务器、license服务器、DC服务器、DHCP服务器、存储和负载均衡的其中之一或任意组合;
软件设备包括:SQL应用程序、PVS应用程序、CDC应用程序、DC应用程序、VMware应用程序、NAS应用程序和SAN应用程序的其中之一或任意组合。
17.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8任一所述方法。
18.一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存储有执行权利要求1至8任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110416839.3A CN113138895A (zh) | 2021-04-19 | 2021-04-19 | 云桌面设备的监控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110416839.3A CN113138895A (zh) | 2021-04-19 | 2021-04-19 | 云桌面设备的监控方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113138895A true CN113138895A (zh) | 2021-07-20 |
Family
ID=76813083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110416839.3A Pending CN113138895A (zh) | 2021-04-19 | 2021-04-19 | 云桌面设备的监控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113138895A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702121A (zh) * | 2023-08-01 | 2023-09-05 | 南京云玑信息科技有限公司 | 一种云桌面场景下增强访问控制安全性的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778513A (zh) * | 2014-02-11 | 2014-05-07 | 云南电力调度控制中心 | 一种基于二维码的it设备运维监控方法 |
CN108075906A (zh) * | 2016-11-08 | 2018-05-25 | 上海有云信息技术有限公司 | 一种用于云计算数据中心的管理方法及系统 |
CN109375609A (zh) * | 2018-10-18 | 2019-02-22 | 北京鼎力信安技术有限公司 | 异常攻击的检测方法及装置 |
CN109376015A (zh) * | 2018-10-23 | 2019-02-22 | 苏州思必驰信息科技有限公司 | 用于任务调度系统的日志阻塞解决方法及系统 |
CN110687851A (zh) * | 2019-10-31 | 2020-01-14 | 广东安可云科技有限公司 | 一种终端运行监控系统及方法 |
CN111190892A (zh) * | 2020-01-03 | 2020-05-22 | 苏州思必驰信息科技有限公司 | 一种数据回填中处理异常数据的方法和装置 |
-
2021
- 2021-04-19 CN CN202110416839.3A patent/CN113138895A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778513A (zh) * | 2014-02-11 | 2014-05-07 | 云南电力调度控制中心 | 一种基于二维码的it设备运维监控方法 |
CN108075906A (zh) * | 2016-11-08 | 2018-05-25 | 上海有云信息技术有限公司 | 一种用于云计算数据中心的管理方法及系统 |
CN109375609A (zh) * | 2018-10-18 | 2019-02-22 | 北京鼎力信安技术有限公司 | 异常攻击的检测方法及装置 |
CN109376015A (zh) * | 2018-10-23 | 2019-02-22 | 苏州思必驰信息科技有限公司 | 用于任务调度系统的日志阻塞解决方法及系统 |
CN110687851A (zh) * | 2019-10-31 | 2020-01-14 | 广东安可云科技有限公司 | 一种终端运行监控系统及方法 |
CN111190892A (zh) * | 2020-01-03 | 2020-05-22 | 苏州思必驰信息科技有限公司 | 一种数据回填中处理异常数据的方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702121A (zh) * | 2023-08-01 | 2023-09-05 | 南京云玑信息科技有限公司 | 一种云桌面场景下增强访问控制安全性的方法 |
CN116702121B (zh) * | 2023-08-01 | 2023-10-03 | 南京云玑信息科技有限公司 | 一种云桌面场景下增强访问控制安全性的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052111B (zh) | 服务器异常预警的处理方法、装置、设备及存储介质 | |
CN102611726A (zh) | 监控报警装置及监控报警方法 | |
CN106776226B (zh) | 自助终端的监控方法及装置 | |
CN107566172B (zh) | 一种基于存储系统的主动式管理方法及系统 | |
CN104410512A (zh) | 一种适用于云计算的资源监控告警框架及其方法 | |
CN106209412B (zh) | 资源监控系统与其方法 | |
CN111311892A (zh) | 基于物联网的银行网点告警处理方法和网点管理中心系统 | |
CN110321140A (zh) | 数据更新方法、装置及移动终端 | |
CN112025703B (zh) | 机器人自诊断的方法、装置及系统 | |
CN113138895A (zh) | 云桌面设备的监控方法及装置 | |
CN109409948B (zh) | 交易异常检测方法、装置、设备及计算机可读存储介质 | |
CN107908525B (zh) | 告警处理方法、设备及可读存储介质 | |
CN116166427A (zh) | 自动扩缩容方法、装置、设备及存储介质 | |
CN112181695A (zh) | 异常应用处理方法、装置、服务器及存储介质 | |
CN111124841B (zh) | 一种异常页面的报警方法、装置及计算机系统 | |
CN109344041A (zh) | 一种异常信息显示方法和基板管理控制器 | |
CN109920130B (zh) | 监控方法、装置,电子设备及计算机可读存储介质 | |
CN110347552B (zh) | 一种支持可配置的决策引擎实时监控的方法、装置和电子设备 | |
CN107562599A (zh) | 一种参数检测方法及装置 | |
CN109766238A (zh) | 基于session数的运维平台性能监控方法、装置及相关设备 | |
CN109271289B (zh) | 一种应用接口监控方法、装置、设备及计算机可读介质 | |
CN112000552A (zh) | 机床的监控方法、装置、系统、电子设备及存储介质 | |
CN112631843A (zh) | 设备测试方法及装置、电子设备、可读介质、产品 | |
CN112583912A (zh) | Vpn自动连接方法、装置、设备和存储介质 | |
CN112416744A (zh) | 一种测试控制系统、方法及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210720 |