CN113220551A - 指标趋势预测及预警方法、装置、电子设备及存储介质 - Google Patents
指标趋势预测及预警方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113220551A CN113220551A CN202110514923.9A CN202110514923A CN113220551A CN 113220551 A CN113220551 A CN 113220551A CN 202110514923 A CN202110514923 A CN 202110514923A CN 113220551 A CN113220551 A CN 113220551A
- Authority
- CN
- China
- Prior art keywords
- trend
- index information
- prediction
- message queue
- index
- 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 47
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 65
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 26
- 239000000523 sample Substances 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 20
- 238000005311 autocorrelation function Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development 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
- 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
- G06F11/34—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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
- G06F11/327—Alarm or error message display
-
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/546—Message passing systems or structures, e.g. queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/54—Indexing scheme relating to G06F9/54
- G06F2209/548—Queue
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及安全监控技术,揭露了一种指标趋势预测及预警方法,包括:获取数据库的原始指标信息并过滤,得到标准指标信息,对所述标准指标信息进行分类排列,得到消息队列,计算所述标准指标信息的趋势水位线,并将所述消息队列及所述趋势水位线存储至预构建的数据搜索系统,通过所述数据搜索系统读取所述消息队列,根据预设的趋势预测算法计算所述标准指标信息的预测趋势,基于所述预测趋势及所述趋势水位线对所述原始指标信息进行趋势预警。此外,本发明还涉及区块链技术,所述趋势水位线可存储在区块链的节点中。本发明还提出一种指标趋势预测及预警装置、电子设备以及计算机可读存储介质。本发明可以解决指标趋势无法实时预测的问题。
Description
技术领域
本发明涉及安全监控技术领域,尤其涉及一种指标趋势预测及预警方法、装置、电子设备及计算机可读存储介质。
背景技术
随着业务的不断发展,不同系统的业务规模、访问量、数据量都有爆发式的增长,这对后端数据库的影响是非常大的,传统数据库监控工具只能监控数据库当前和历史的运行情况,无法使用已有数据对未来趋势进行有效预测,例如数据库的表空间信息以及sql执行情况等指标都需要一种趋势预测,防止未来故障的发生。并且由于数据库变化频繁、数据量过大,当一些数据库指标趋势异常(趋势暴增,趋势猛跌)的情况时,传统监控是无法实时检测出来的。
发明内容
本发明提供一种指标趋势预测及预警方法、装置及计算机可读存储介质,其主要目的在于解决指标趋势无法实时预测的问题。
为实现上述目的,本发明提供的一种指标趋势预测及预警方法,包括:
获取数据库的原始指标信息,并对所述原始指标信息进行过滤,得到标准指标信息;
利用预设的分布存储系统对所述标准指标信息进行归档,并对归档后的标准指标信息进行分类排列,得到消息队列;
基于所述消息队列,计算所述标准指标信息的趋势水位线,并将所述消息队列及所述趋势水位线存储至预构建的数据搜索系统;
通过所述数据搜索系统读取所述消息队列,基于读取到的消息队列,根据预设的趋势预测算法计算所述标准指标信息的预测趋势;
基于所述预测趋势及所述趋势水位线对所述原始指标信息进行趋势预警。
可选地,所述获取数据库的原始指标信息,包括:
基于字节码增强技术生成采集探针,并利用所述采集探针对与所述数据库关联的各服务器进行埋点;
利用所述采集探针收集各服务器信息及所述服务器关联数据库的指标信息,汇总所述服务器信息及所述指标信息,得到所述原始指标信息。
可选地,所述对所述原始指标信息进行过滤,得到标准指标信息,包括:
利用预设的代理机制对所述原始指标信息进行数据代理,并基于所述数据代理将所述原始指标信息进行数据绑定;
基于所述数据绑定,利用预设的拦截函数过滤出所述原始指标信息中的指标信息,汇总所述指标信息得到所述标准指标信息。
可选地,所述对归档后的标准指标信息进行分类排列,得到消息队列,包括:
利用预设的分发系统将所述标准指标信息分发至不同的集群,并在所述集群中将所述标准指标信息推送至不同的分类节点,得到分类指标信息;
将各服务器节点的所述分类指标信息按照先后顺序进行排列,得到所述消息队列。
可选地,所述基于所述消息队列,计算所述标准指标信息的趋势水位线,包括:
利用预设的时间窗口截取所述消息队列,得到窗口消息队列;
利用预设的水位线计算函数计算所述窗口消息队列中的指标信息,得到所述趋势水位线。
可选地,所述基于读取到的消息队列,根据预设的趋势预测算法计算所述标准指标信息的预测趋势,包括:
对所述读取到的消息队列中的指标信息进行平稳性检测及差分处理,得到平稳时间序列;
利用所述平稳时间序列遍历预设的趋势预测函数,生成若干个模型参数;
基于所述若干个模型参数生成多个预测模型,并从所述预测模型中选取符合预设统计要求的模型作为所述趋势预测模型,利用所述趋势预测模型得到所述指标信息的预测趋势。
可选地,所述基于所述预测趋势及所述趋势水位线对所述原始指标信息进行趋势预警,包括:
计算所述预测趋势及所述趋势水位线的差值,将所述差值和预设的报警阈值进行比较;
若所述预测趋势及所述趋势水位线的差值小于所述预设的报警阈值,则不进行报警;
若所述预测趋势及所述趋势水位线的差值大于等于所述预设的报警阈值,则进行报警。
为了解决上述问题,本发明还提供一种指标趋势预测及预警装置,所述装置包括:
指标过滤模块,用于获取数据库的原始指标信息,并对所述原始指标信息进行过滤,得到标准指标信息;
指标排列模块,用于利用预设的分布存储系统对所述标准指标信息进行归档,并对归档后的标准指标信息进行分类排列,得到消息队列;
指标趋势计算模块,用于基于所述消息队列,计算所述标准指标信息的趋势水位线,并将所述消息队列及所述趋势水位线存储至预构建的数据搜索系统;
指标趋势预测模块,用于通过所述数据搜索系统读取所述消息队列,基于读取到的消息队列,根据预设的趋势预测算法计算所述标准指标信息的预测趋势;
指标趋势预警模块,用于基于所述预测趋势及所述趋势水位线对所述原始指标信息进行趋势预警。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的指标趋势预测及预警方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的指标趋势预测及预警方法。
本发明利用对所述原始指标信息进行过滤,得到标准指标信息,通过过滤处理,针对不同的服务器可以聚焦不同的指标信息,提高了指标趋势预测的准确率。并且,根据所述标准指标信息进行分类排列,得到消息队列,通过所述消息队列作为缓冲,提高了高峰期指标预测实时处理能力。同时基于所述消息队列,计算所述标准指标信息的趋势水位线,利用预设的趋势预测算法计算所述标准指标信息的预测趋势,根据所述趋势水位线及所述预测趋势对指标信息进行预警,可以实时进行指标趋势预测。因此本发明提出的指标趋势预测及预警方法、装置、电子设备及计算机可读存储介质,可以解决指标趋势无法实时预测的问题。
附图说明
图1为本发明一实施例提供的指标趋势预测及预警方法的流程示意图;
图2为图1中其中一个步骤的详细实施流程示意图;
图3为图1中另一个步骤的详细实施流程示意图;
图4为图1中另一个步骤的详细实施流程示意图;
图5为图1中另一个步骤的详细实施流程示意图;
图6为本发明一实施例提供的指标趋势预测及预警装置的功能模块图;
图7为本发明一实施例提供的实现所述指标趋势预测及预警方法的电子设备的结构示意图。
本发明目的的实现、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。
本申请实施例提供一种指标趋势预测及预警方法。所述指标趋势预测及预警方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述指标趋势预测及预警方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的指标趋势预测及预警方法的流程示意图。在本实施例中,所述指标趋势预测及预警方法包括:
S1、获取数据库的原始指标信息,并对所述原始指标信息进行过滤,得到标准指标信息。
本发明实施例中,可以通过预设的采集系统获取所述原始指标信息,所述预设的采集系统可以为APM(Application Performance Monitor,应用性能管理)系统,所述APM系统通过采集探针采集各服务器的原始指标信息。所述采集探针是通过字节码增强技术对各服务器进行埋点,并收集各服务器的指标信息。利用字节码增强技术进行埋点的方式无需修改代码,不同的编程语言通过不同的技术直接在语言运行环境或基础库上植入即可,无需日志等辅助手段即可快速完成数据收集。
具体地,参照图2所示,所述获取数据库的原始指标信息,包括:
S10、基于字节码增强技术生成采集探针,并利用所述采集探针对与所述数据库关联的各服务器进行埋点;
S11、利用所述采集探针收集各服务器信息及所述服务器关联数据库的指标信息,汇总所述服务器信息及所述指标信息,得到所述原始指标信息。
其中,所述服务器信息包括服务器内存信息、服务器负载信息、磁盘储量信息及日志信息等,所述指标信息是指各个服务器对应的数据库的指标信息,包括:用户访问量、数据量、业务规模等信息。
详细地,所述对所述原始指标信息进行过滤,得到标准指标信息,包括:
利用预设的代理机制对所述原始指标信息进行数据代理,并基于所述数据代理将所述原始指标信息进行数据绑定;
基于所述数据绑定,利用预设的拦截函数过滤出所述原始指标信息中的指标信息,汇总所述指标信息得到所述标准指标信息。
其中,所述预设的代理机制可以为Proxy机制,所述Proxy机制通过对所述原始指标信息进行数据代理,将所述原始指标信息进行数据绑定,可以直接通过所述Proxy机制对所述原始指标信息进行改写,并且利用所述Proxy机制中的拦截函数可以在所述原始指标信息通过前架设一层“拦截”,对所述原始指标信息进行过滤。本发明实施例中,由于所述各个服务器应关注的指标信息不同以及部分服务器信息对于指标预测并无帮助,通过过滤处理可以更加关注各个服务器应聚焦的指标信息。比如,所述原始指标信息中包含各个服务器的日志信息,所述日志信息会占用大量的存储空间,并且对于各个服务器的指标信息的预测并无帮助,通过所述Proxy机制进行过滤处理可以减少数据处理量,进一步提高数据处理的速度。
本发明实施例中,通过过滤处理,针对不同的服务器可以聚焦不同的指标信息,提高了指标预测的准确率。
S2、利用预设的分布存储系统对所述标准指标信息进行归档,并对归档后的标准指标信息进行分类排列,得到消息队列。
本发明实施例中,所述预设的分布存储系统可以为Tidb数据库,所述Tidb数据库是一种开源分布式关系型数据库,同时支持在线事务处理与在线分析处理。由于Oracle、MySQL等数据库并不是面向分布式环境而设计,因此即使勉强通过分库、分表或中间件的方式,在数据库层面做了分片,从本质上看也只是复制了相同的堆栈,无法满足分布式数据分发的要求。通过所述Tidb数据库对所述标准指标信息进行归档存储,可以同时对不同的所述标准指标信息进行分发,提高了数据分发的速度。
具体地,参照图3所示,所述对归档后的标准指标信息进行分类排列,得到消息队列,包括:
S20、利用预设的分发系统将所述标准指标信息分发至不同的集群,并在所述集群中将所述标准指标信息推送至不同的分类节点,得到分类指标信息;
S21、将各服务器节点的所述分类指标信息按照先后顺序进行排列,得到所述消息队列。
其中,本发明实施例中,所述预设的分发系统可以为Kafka处理平台,所述Kafka处理平台是一种高吞吐量的分布式发布订阅消息系统,包括类别(Topic)、分类节点(broker)、集群(kafka cluster)等结构。所述标准指标信息在Kafka处理平台被分发至不同的集群(kafka cluster),并在所述集群(kafka cluster)中的分类节点处(broker)进行分类,得到所述分类指标信息,所述分类指标信息以类别(Topic)的形式进行存储,并按照先后顺序进行排列,得到所述消息队列。当所述标准指标信息来自于多个服务器时,利用所述Kafka处理平台可以降低各个服务器间的耦合性。同时,所述Kafka处理平台使用消息队列作为缓冲,将所述标准指标信息排列成消息队列,在一段时间内进行处理,提供高峰期业务处理能力。
本发明实施例中,比如,将来自服务器1的指标信息:数据吞吐量、用户访问量等,分发至服务器1的集群,并在分类节点处(broker)按照类别(Topic):数据吞吐量、用户访问量等进行分类,最后将各类别(Topic)下的指标信息按照时间先后顺序进行排列,得到所述消息队列。
S3、基于所述消息队列,计算所述标准指标信息的趋势水位线,并将所述消息队列及所述趋势水位线存储至预构建的数据搜索系统。
具体地,参照图4所示,所述基于所述消息队列,计算所述标准指标信息的趋势水位线,包括:
S30、利用预设的时间窗口截取所述消息队列,得到窗口消息队列;
S31、利用预设的水位线计算函数计算所述窗口消息队列中的指标信息,得到所述趋势水位线。
其中,所述时间窗口可以将所述消息队列依据固定的窗口长度(即固定时间)来切分。所述趋势水位线可以为TP50、TP90等,比如,以数据量吞吐量这一指标信息为例,时间窗口为5分钟,TP50表示完成50%数据吞吐量所用的时间,TP90表示完成90%数据吞吐量所用的时间,其中,TP90的水位线计算函数可以为sum*90%=waterline90,sum表示5分钟内所述数据吞吐量的总数。所述预构建的数据搜索系统可以为ClickHouse数据库,所述ClickHouse是一个数据库开源的列式存储数据库管理系统,多用于联机分析(OLAP)场景,可提供海量数据的存储和分析,同时利用其数据压缩和向量化引擎的特性,能提供快速的数据搜索。利用所述ClickHouse数据库存储所述消息队列提高了指标信息预测的速度。
本发明实施通过计算所述标准指标信息的趋势水位线,可以对各个性能指标进行有效预测,提高了指标信息预测的准确率。
S4、通过所述数据搜索系统读取所述消息队列,基于读取到的消息队列,根据预设的趋势预测算法计算所述标准指标信息的预测趋势。
详细地,参照图5所示,所述基于读取到的消息队列,根据预设的趋势预测算法计算所述标准指标信息的预测趋势,包括:
S40、对所述读取到的消息队列中的指标信息进行平稳性检测及差分处理,得到平稳时间序列;
S41、利用所述平稳时间序列遍历预设的趋势预测函数,生成若干个模型参数;
S42、基于所述若干个模型参数生成多个预测模型,并从所述预测模型中选取符合预设统计要求的模型作为所述趋势预测模型,利用所述趋势预测模型得到所述指标信息的预测趋势。
本发明实施例中,所述指标信息为时间序列数据,即在一段时间上形成的指标序列。所述时间序列数据包括平稳时间序列和不平稳时间序列,所述平稳时间序列是指序列的均值、方差和协方差在一段时间内不发生明显变化,比如序列形状类似余弦函数的时间序列,所述不平稳时间序列是指序列的均值、方差和协方差在一段时间内发生明显变化。
本发明实施例中,由于所述指标信息可能为平稳时间序列或不平稳时间序列,所述预设的趋势预测算法可以为ARIMA(Autoregressive Integrated Moving Averagemodel,差分整合移动平均自回归模型)模型,所述ARIMA模型是一种可以对时间序列数据进行比较完善和精确分析、预测的算法。所述ARIMA模型包含3个部分,即自回归模型(AR)、差分法(I)和移动平均模型(MA)。比如,所述指标信息以数据吞吐量{rt}为例,所述ARIMA模型中通过ADF(Augmented Dickey-Fuller test,扩展迪基-福勒检验)法对所述数据吞吐量进行平稳性判断,若为平稳时间序列,则不做处理,若为不平稳时间序列,则利用差分法(I)转化为平稳时间序列,具体为:求{rt}在t时刻和t-1时刻的差值,把rt与t-1时刻的差值记做dt,得到了一个新序列{dt},则为一阶差分。
所述预设的趋势预测函数可以为ARIMA模型中的自相关函数(ACF)、偏自相关函数(PACF),所述ARIMA函数中包括p、d、q三个参数,表示为ARIMA(p、d、q),其中,p为自回归项数,由自回归模型(AR)确定,q为滑动平均项数,由移动平均模型(MA)确定,d为所做的差分次数(阶数)。通过所述自相关函数(ACF)、偏自相关函数(PACF)分别确定不同的p、q的取值,根据得到的p、d、q得到多个不同的ARIMA模型。
本发明实施例中,所述预设统计要求可以为满足AIC或BIC统计量,通过分别求所述多个不同的ARIMA模型的AIC或BIC统计量确定最优的模型参数。所述AIC或BIC统计量是对模型的拟合效果进行评价的指标,一般而言,AIC统计量选取的模型较大,即模型参数较大;BIC统计量选取的模型较小,即模型参数较小。比如,由数据吞吐量确定的趋势预测模型为ARIMA(1,1,0),则公式为:其中,表示预测的数据吞吐量,μ为固定参数,为自回归模型(AR)的系数,yt-1为上一时刻的数据吞吐量。
本发明实施例通过所述预设的趋势预测算法可以准确的计算所述标准指标信息的预测趋势,提高了数据预测的准确率。
S5、基于所述预测趋势及所述趋势水位线对所述原始指标信息进行趋势预警。
具体地,所述基于所述预测趋势及所述趋势水位线对所述原始指标信息进行趋势预警,包括:
计算所述预测趋势及所述趋势水位线的差值,将所述差值和预设的报警阈值进行比较;
若所述预测趋势及所述趋势水位线的差值小于所述预设的报警阈值,则不进行报警;
若所述预测趋势及所述趋势水位线的差值大于等于所述预设的报警阈值,则进行报警。
进一步地,本发明实施例中,基于设计的算法对采集探针上采样的数据进行分析预测,可以自动生成指标预测趋势图,并且根据预测趋势和趋势水位线进行报警提示(包括短信,邮件等形式),比如,报警提示可以为某个服务器的空间30天后到达80%。
本发明利用对所述原始指标信息进行过滤,得到标准指标信息,通过过滤处理,针对不同的服务器可以聚焦不同的指标信息,提高了指标趋势预测的准确率。并且,根据所述标准指标信息进行分类排列,得到消息队列,通过所述消息队列作为缓冲,提高了高峰期指标预测实时处理能力。同时基于所述消息队列,计算所述标准指标信息的趋势水位线,利用预设的趋势预测算法计算所述标准指标信息的预测趋势,根据所述趋势水位线及所述预测趋势对指标信息进行预警,可以实时进行指标趋势预测。因此本发明实施例可以解决指标趋势无法实时预测的问题。
如图6所示,是本发明一实施例提供的指标趋势预测及预警装置的功能模块图。
本发明所述指标趋势预测及预警装置100可以安装于电子设备中。根据实现的功能,所述指标趋势预测及预警装置100可以包括指标过滤模块101、指标排列模块102、指标趋势计算模块103、指标趋势预测模块104及指标趋势预警模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述指标过滤模块101,用于获取数据库的原始指标信息,并对所述原始指标信息进行过滤,得到标准指标信息。
本发明实施例中,可以通过预设的采集系统获取所述原始指标信息,所述预设的采集系统可以为APM(Application Performance Monitor,应用性能管理)系统,所述APM系统通过采集探针采集各服务器的原始指标信息。所述采集探针是通过字节码增强技术对各服务器进行埋点,并收集各服务器的指标信息。利用字节码增强技术进行埋点的方式无需修改代码,不同的编程语言通过不同的技术直接在语言运行环境或基础库上植入即可,无需日志等辅助手段即可快速完成数据收集。
具体地,所述指标过滤模块101通过下述操作获取数据库的原始指标信息:
基于字节码增强技术生成采集探针,并利用所述采集探针对各服务器进行埋点;
利用所述采集探针收集各服务器信息及所述服务器关联数据库的指标信息,汇总所述服务器信息及所述指标信息,得到所述原始指标信息。
其中,所述服务器信息包括服务器内存信息、服务器负载信息、磁盘储量信息及日志信息等,所述指标信息是指各个服务器对应的数据库的指标信息,包括:用户访问量、数据量、业务规模等信息。
详细地,所述指标过滤模块101通过下述操作得到标准指标信息:
利用预设的代理机制对所述原始指标信息进行数据代理,并基于所述数据代理将所述原始指标信息进行数据绑定;
基于所述数据绑定,利用预设的拦截函数过滤出所述原始指标信息中的指标信息,汇总所述指标信息得到所述标准指标信息。
其中,所述预设的代理机制可以为Proxy机制,所述Proxy机制通过对所述原始指标信息进行数据代理,将所述原始指标信息进行数据绑定,可以直接通过所述Proxy机制对所述原始指标信息进行改写,并且利用所述Proxy机制中的拦截函数可以在所述原始指标信息通过前架设一层“拦截”,对所述原始指标信息进行过滤。本发明实施例中,由于所述各个服务器应关注的指标信息不同以及部分服务器信息对于指标预测并无帮助,通过过滤处理可以更加关注各个服务器应聚焦的指标信息。比如,所述原始指标信息中包含各个服务器的日志信息,所述日志信息会占用大量的存储空间,并且对于各个服务器的指标信息的预测并无帮助,通过所述Proxy机制进行过滤处理可以减少数据处理量,进一步提高数据处理的速度。
本发明实施例中,通过过滤处理,针对不同的服务器可以聚焦不同的指标信息,提高了指标预测的准确率。
所述指标排列模块102,用于利用预设的分布存储系统对所述标准指标信息进行归档,并对归档后的标准指标信息进行分类排列,得到消息队列。
本发明实施例中,所述预设的分布存储系统可以为Tidb数据库,所述Tidb数据库是一种开源分布式关系型数据库,同时支持在线事务处理与在线分析处理。由于Oracle、MySQL等数据库并不是面向分布式环境而设计,因此即使勉强通过分库、分表或中间件的方式,在数据库层面做了分片,从本质上看也只是复制了相同的堆栈,无法满足分布式数据分发的要求。通过所述Tidb数据库对所述标准指标信息进行归档存储,可以同时对不同的所述标准指标信息进行分发,提高了数据分发的速度。
详细地,所述指标排列模块102通过下述操作得到消息队列:
利用预设的分发系统将所述标准指标信息分发至不同的集群,并在所述集群中将所述标准指标信息推送至不同的分类节点,得到分类指标信息;
将各服务器节点的所述分类指标信息按照先后顺序进行排列,得到所述消息队列。
其中,本发明实施例中,所述预设的分发系统可以为Kafka处理平台,所述Kafka处理平台是一种高吞吐量的分布式发布订阅消息系统,包括类别(Topic)、分类节点(broker)、集群(kafka cluster)等结构。所述标准指标信息在Kafka处理平台被分发至不同的集群(kafka cluster),并在所述集群(kafka cluster)中的分类节点处(broker)进行分类,得到所述分类指标信息,所述分类指标信息以类别(Topic)的形式进行存储,并按照先后顺序进行排列,得到所述消息队列。当所述标准指标信息来自于多个服务器时,利用所述Kafka处理平台可以降低各个服务器间的耦合性。同时,所述Kafka处理平台使用消息队列作为缓冲,将所述标准指标信息排列成消息队列,在一段时间内进行处理,提供高峰期业务处理能力。
本发明实施例中,比如,将来自服务器1的指标信息:数据吞吐量、用户访问量等,分发至服务器1的集群,并在分类节点处(broker)按照类别(Topic):数据吞吐量、用户访问量等进行分类,最后将各类别(Topic)下的指标信息按照时间先后顺序进行排列,得到所述消息队列。
所述指标趋势计算模块103,用于基于所述消息队列,计算所述标准指标信息的趋势水位线,并将所述消息队列及所述趋势水位线存储至预构建的数据搜索系统。
具体地,所述指标趋势计算模块103通过下述操作计算所述标准指标信息的趋势水位线:
利用预设的时间窗口截取所述消息队列,得到窗口消息队列;
利用预设的水位线计算函数计算所述窗口消息队列中的指标信息,得到所述趋势水位线。
其中,所述时间窗口可以将所述消息队列依据固定的窗口长度(即固定时间)来切分。所述趋势水位线可以为TP50、TP90等,比如,以数据量吞吐量这一指标信息为例,时间窗口为5分钟,TP50表示完成50%数据吞吐量所用的时间,TP90表示完成90%数据吞吐量所用的时间,其中,TP90的水位线计算函数可以为sum*90%=waterline90,sum表示5分钟内所述数据吞吐量的总数。所述预构建的数据搜索系统可以为ClickHouse数据库,所述ClickHouse是一个数据库开源的列式存储数据库管理系统,多用于联机分析(OLAP)场景,可提供海量数据的存储和分析,同时利用其数据压缩和向量化引擎的特性,能提供快速的数据搜索。利用所述ClickHouse数据库存储所述消息队列提高了指标信息预测的速度。
本发明实施通过计算所述标准指标信息的趋势水位线,可以对各个性能指标进行有效预测,提高了指标信息预测的准确率。
所述指标趋势预测模块104,用于通过所述数据搜索系统读取所述消息队列,基于读取到的消息队列,根据预设的趋势预测算法计算所述标准指标信息的预测趋势。
详细地,所述指标趋势预测模块104通过下述操作计算所述标准指标信息的预测趋势:
对所述读取到的消息队列中的指标信息进行平稳性检测及差分处理,得到平稳时间序列;
利用所述平稳时间序列遍历预设的趋势预测函数,生成若干个模型参数;
基于所述若干个模型参数生成多个预测模型,并从所述预测模型中选取符合预设统计要求的模型作为所述趋势预测模型,利用所述趋势预测模型得到所述指标信息的预测趋势。
本发明实施例中,所述指标信息为时间序列数据,即在一段时间上形成的指标序列。所述时间序列数据包括平稳时间序列和不平稳时间序列,所述平稳时间序列是指序列的均值、方差和协方差在一段时间内不发生明显变化,比如序列形状类似余弦函数的时间序列,所述不平稳时间序列是指序列的均值、方差和协方差在一段时间内发生明显变化。
本发明实施例中,由于所述指标信息可能为平稳时间序列或不平稳时间序列,所述预设的趋势预测算法可以为ARIMA(Autoregressive Integrated Moving Averagemodel,差分整合移动平均自回归模型)模型,所述ARIMA模型是一种可以对时间序列数据进行比较完善和精确分析、预测的算法。所述ARIMA模型包含3个部分,即自回归模型(AR)、差分法(I)和移动平均模型(MA)。比如,所述指标信息以数据吞吐量{rt}为例,所述ARIMA模型中通过ADF(Augmented Dickey-Fuller test,扩展迪基-福勒检验)法对所述数据吞吐量进行平稳性判断,若为平稳时间序列,则不做处理,若为不平稳时间序列,则利用差分法(I)转化为平稳时间序列,具体为:求{rt}在t时刻和t-1时刻的差值,把rt与t-1时刻的差值记做dt,得到了一个新序列{dt},则为一阶差分。
所述预设的趋势预测函数可以为ARIMA模型中的自相关函数(ACF)、偏自相关函数(PACF),所述ARIMA函数中包括p、d、q三个参数,表示为ARIMA(p、d、q),其中,p为自回归项数,由自回归模型(AR)确定,q为滑动平均项数,由移动平均模型(MA)确定,d为所做的差分次数(阶数)。通过所述自相关函数(ACF)、偏自相关函数(PACF)分别确定不同的p、q的取值,根据得到的p、d、q得到多个不同的ARIMA模型。
本发明实施例中,所述预设统计要求可以为满足AIC或BIC统计量,通过分别求所述多个不同的ARIMA模型的AIC或BIC统计量确定最优的模型参数。所述AIC或BIC统计量是对模型的拟合效果进行评价的指标,一般而言,AIC统计量选取的模型较大,即模型参数较大;BIC统计量选取的模型较小,即模型参数较小。比如,由数据吞吐量确定的趋势预测模型为ARIMA(1,1,0),则公式为:其中,表示预测的数据吞吐量,μ为固定参数,为自回归模型(AR)的系数,yt-1为上一时刻的数据吞吐量。
本发明实施例通过所述预设的趋势预测算法可以准确的计算所述标准指标信息的预测趋势,提高了数据预测的准确率。
所述指标趋势预警模块105,用于基于所述预测趋势及所述趋势水位线对所述原始指标信息进行趋势预警。
具体地,所述指标趋势预警模块105通过下述操作对所述原始指标信息进行趋势预警:
计算所述预测趋势及所述趋势水位线的差值,将所述差值和预设的报警阈值进行比较;
若所述预测趋势及所述趋势水位线的差值小于所述预设的报警阈值,则不进行报警;
若所述预测趋势及所述趋势水位线的差值大于等于所述预设的报警阈值,则进行报警。
进一步地,本发明实施例中,基于设计的算法对采集探针上采样的数据进行分析预测,可以自动生成指标预测趋势图,并且根据预测趋势和趋势水位线进行报警提示(包括短信,邮件等形式),比如,报警提示可以为某个服务器的空间30天后到达80%。
如图7所示,是本发明一实施例提供的实现指标趋势预测及预警方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如指标趋势预测及预警程序12。
其中,所述存储器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、移动硬盘、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。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如指标趋势预测及预警程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如指标趋势预测及预警程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线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。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图7仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图7示出的结构并不构成对所述电子设备1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。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、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,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的指标趋势预测及预警程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取数据库的原始指标信息,并对所述原始指标信息进行过滤,得到标准指标信息;
利用预设的分布存储系统对所述标准指标信息进行归档,并对归档后的标准指标信息进行分类排列,得到消息队列;
基于所述消息队列,计算所述标准指标信息的趋势水位线,并将所述消息队列及所述趋势水位线存储至预构建的数据搜索系统;
通过所述数据搜索系统读取所述消息队列,基于读取到的消息队列,根据预设的趋势预测算法计算所述标准指标信息的预测趋势;
基于所述预测趋势及所述趋势水位线对所述原始指标信息进行趋势预警。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取数据库的原始指标信息,并对所述原始指标信息进行过滤,得到标准指标信息;
利用预设的分布存储系统对所述标准指标信息进行归档,并对归档后的标准指标信息进行分类排列,得到消息队列;
基于所述消息队列,计算所述标准指标信息的趋势水位线,并将所述消息队列及所述趋势水位线存储至预构建的数据搜索系统;
通过所述数据搜索系统读取所述消息队列,基于读取到的消息队列,根据预设的趋势预测算法计算所述标准指标信息的预测趋势;
基于所述预测趋势及所述趋势水位线对所述原始指标信息进行趋势预警。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种指标趋势预测及预警方法,其特征在于,所述方法包括:
获取数据库的原始指标信息,并对所述原始指标信息进行过滤,得到标准指标信息;
利用预设的分布存储系统对所述标准指标信息进行归档,并对归档后的标准指标信息进行分类排列,得到消息队列;
基于所述消息队列,计算所述标准指标信息的趋势水位线,并将所述消息队列及所述趋势水位线存储至预构建的数据搜索系统;
通过所述数据搜索系统读取所述消息队列,基于读取到的消息队列,根据预设的趋势预测算法计算所述标准指标信息的预测趋势;
基于所述预测趋势及所述趋势水位线对所述原始指标信息进行趋势预警。
2.如权利要求1所述的指标趋势预测及预警方法,其特征在于,所述获取数据库的原始指标信息,包括:
基于字节码增强技术生成采集探针,并利用所述采集探针对与所述数据库关联的各服务器进行埋点;
利用所述采集探针收集各服务器信息及所述服务器关联数据库的指标信息,汇总所述服务器信息及所述指标信息,得到所述原始指标信息。
3.如权利要求1所述的指标趋势预测及预警方法,其特征在于,所述对所述原始指标信息进行过滤,得到标准指标信息,包括:
利用预设的代理机制对所述原始指标信息进行数据代理,并基于所述数据代理将所述原始指标信息进行数据绑定;
基于所述数据绑定,利用预设的拦截函数过滤出所述原始指标信息中的指标信息,汇总所述指标信息得到所述标准指标信息。
4.如权利要求1所述的指标趋势预测及预警方法,其特征在于,所述对归档后的标准指标信息进行分类排列,得到消息队列,包括:
利用预设的分发系统将所述标准指标信息分发至不同的集群,并在所述集群中将所述标准指标信息推送至不同的分类节点,得到分类指标信息;
将各服务器节点的所述分类指标信息按照先后顺序进行排列,得到所述消息队列。
5.如权利要求4中所述的指标趋势预测及预警方法,其特征在于,所述基于所述消息队列,计算所述标准指标信息的趋势水位线,包括:
利用预设的时间窗口截取所述消息队列,得到窗口消息队列;
利用预设的水位线计算函数计算所述窗口消息队列中的指标信息,得到所述趋势水位线。
6.如权利要求1所述的指标趋势预测及预警方法,其特征在于,所述基于读取到的消息队列,根据预设的趋势预测算法计算所述标准指标信息的预测趋势,包括:
对所述读取到的消息队列中的指标信息进行平稳性检测及差分处理,得到平稳时间序列;
利用所述平稳时间序列遍历预设的趋势预测函数,生成若干个模型参数;
基于所述若干个模型参数生成多个预测模型,并从所述预测模型中选取符合预设统计要求的模型作为所述趋势预测模型,利用所述趋势预测模型得到所述指标信息的预测趋势。
7.如权利要求1至6中任意一项所述的指标趋势预测及预警方法,其特征在于,所述基于所述预测趋势及所述趋势水位线对所述原始指标信息进行趋势预警,包括:
计算所述预测趋势及所述趋势水位线的差值,将所述差值和预设的报警阈值进行比较;
若所述预测趋势及所述趋势水位线的差值小于所述预设的报警阈值,则不进行报警;
若所述预测趋势及所述趋势水位线的差值大于等于所述预设的报警阈值,则进行报警。
8.一种指标趋势预测及预警装置,其特征在于,所述装置包括:
指标过滤模块,用于获取数据库的原始指标信息,并对所述原始指标信息进行过滤,得到标准指标信息;
指标排列模块,用于利用预设的分布存储系统对所述标准指标信息进行归档,并对归档后的标准指标信息进行分类排列,得到消息队列;
指标趋势计算模块,用于基于所述消息队列,计算所述标准指标信息的趋势水位线,并将所述消息队列及所述趋势水位线存储至预构建的数据搜索系统;
指标趋势预测模块,用于通过所述数据搜索系统读取所述消息队列,基于读取到的消息队列,根据预设的趋势预测算法计算所述标准指标信息的预测趋势;
指标趋势预警模块,用于基于所述预测趋势及所述趋势水位线对所述原始指标信息进行趋势预警。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的指标趋势预测及预警方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的指标趋势预测及预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110514923.9A CN113220551A (zh) | 2021-05-12 | 2021-05-12 | 指标趋势预测及预警方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110514923.9A CN113220551A (zh) | 2021-05-12 | 2021-05-12 | 指标趋势预测及预警方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113220551A true CN113220551A (zh) | 2021-08-06 |
Family
ID=77094853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110514923.9A Pending CN113220551A (zh) | 2021-05-12 | 2021-05-12 | 指标趋势预测及预警方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113220551A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687966A (zh) * | 2021-10-26 | 2021-11-23 | 印象(山东)大数据有限公司 | 基于电子设备的监测方法、装置及电子设备 |
CN114035982A (zh) * | 2021-11-08 | 2022-02-11 | 中电福富信息科技有限公司 | 一种基于事件驱动的apm指标切片计算方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109634801A (zh) * | 2018-10-31 | 2019-04-16 | 深圳壹账通智能科技有限公司 | 数据趋势分析方法、系统、计算机装置及可读存储介质 |
CN112100575A (zh) * | 2020-09-11 | 2020-12-18 | 石化盈科信息技术有限责任公司 | 设备状态趋势预测方法、装置、计算机设备和存储介质 |
CN112540905A (zh) * | 2020-12-18 | 2021-03-23 | 青岛特来电新能源科技有限公司 | 一种微服务架构下系统风险评估方法、装置、设备及介质 |
WO2021051945A1 (zh) * | 2019-09-18 | 2021-03-25 | 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 |
CN112668772A (zh) * | 2020-12-24 | 2021-04-16 | 润电能源科学技术有限公司 | 一种状态发展趋势预测方法、装置、设备及存储介质 |
-
2021
- 2021-05-12 CN CN202110514923.9A patent/CN113220551A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109634801A (zh) * | 2018-10-31 | 2019-04-16 | 深圳壹账通智能科技有限公司 | 数据趋势分析方法、系统、计算机装置及可读存储介质 |
WO2021051945A1 (zh) * | 2019-09-18 | 2021-03-25 | 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 |
CN112100575A (zh) * | 2020-09-11 | 2020-12-18 | 石化盈科信息技术有限责任公司 | 设备状态趋势预测方法、装置、计算机设备和存储介质 |
CN112540905A (zh) * | 2020-12-18 | 2021-03-23 | 青岛特来电新能源科技有限公司 | 一种微服务架构下系统风险评估方法、装置、设备及介质 |
CN112668772A (zh) * | 2020-12-24 | 2021-04-16 | 润电能源科学技术有限公司 | 一种状态发展趋势预测方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687966A (zh) * | 2021-10-26 | 2021-11-23 | 印象(山东)大数据有限公司 | 基于电子设备的监测方法、装置及电子设备 |
CN114035982A (zh) * | 2021-11-08 | 2022-02-11 | 中电福富信息科技有限公司 | 一种基于事件驱动的apm指标切片计算方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109634801B (zh) | 数据趋势分析方法、系统、计算机装置及可读存储介质 | |
WO2021184727A1 (zh) | 数据异常检测方法、装置、电子设备及存储介质 | |
CN109684162B (zh) | 设备状态预测方法、系统、终端及计算机可读存储介质 | |
CN103513983B (zh) | 用于预测性警报阈值确定工具的方法和系统 | |
CN112445875B (zh) | 数据关联及检验方法、装置、电子设备及存储介质 | |
CN110399268B (zh) | 一种异常数据检测的方法、装置及设备 | |
CN112365070B (zh) | 一种电力负荷预测方法、装置、设备及可读存储介质 | |
CN111445597B (zh) | 用于机器学习的数据拼接和整合 | |
CN117971606B (zh) | 基于ElasticSearch的日志管理系统及方法 | |
CN115146865A (zh) | 基于人工智能的任务优化方法及相关设备 | |
CN113220551A (zh) | 指标趋势预测及预警方法、装置、电子设备及存储介质 | |
CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
CN111062642A (zh) | 对象的行业风险程度识别方法、装置以及电子设备 | |
CN112699142A (zh) | 冷热数据处理方法、装置、电子设备及存储介质 | |
CN114327964A (zh) | 业务系统的故障原因处理方法、装置、设备及存储介质 | |
CN113327136A (zh) | 归因分析方法、装置、电子设备及存储介质 | |
CN106951360B (zh) | 数据统计完整度计算方法和系统 | |
CN113032403A (zh) | 数据洞察方法、装置、电子设备及存储介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN113268403A (zh) | 时间序列的分析预测方法、装置、设备及存储介质 | |
US11227288B1 (en) | Systems and methods for integration of disparate data feeds for unified data monitoring | |
CN110941536B (zh) | 监控方法及系统、第一服务器集群 | |
CN116012019B (zh) | 一种基于大数据分析的金融风控管理系统 | |
CN108429632B (zh) | 一种业务监控方法和装置 | |
CN116069618A (zh) | 一种面向应用场景的国产化系统评估方法 |
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 |
Application publication date: 20210806 |
|
RJ01 | Rejection of invention patent application after publication |