CN113411233A - 中央处理器cpu利用率的监测方法及装置 - Google Patents
中央处理器cpu利用率的监测方法及装置 Download PDFInfo
- Publication number
- CN113411233A CN113411233A CN202110670803.8A CN202110670803A CN113411233A CN 113411233 A CN113411233 A CN 113411233A CN 202110670803 A CN202110670803 A CN 202110670803A CN 113411233 A CN113411233 A CN 113411233A
- Authority
- CN
- China
- Prior art keywords
- service
- dimensional curve
- time
- real
- network 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
- H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning
-
- 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
- G06F11/3024—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a central processing unit [CPU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
- H04L43/045—Processing captured monitoring data, e.g. for logfile generation for graphical visualisation of monitoring data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种中央处理器CPU利用率的监测方法及装置,其中该方法包括:根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务的业务流量,生成实时三维曲线模型;其中实时三维曲线模型包括CPU利用率、业务标识、以及业务流量之间的实时相对关系;将实时三维曲线模型与预先训练的标准三维曲线模型进行比对,在实时三维曲线模型与标准三维曲线模型的比对结果不一致时,发出告警;其中标准三维曲线模型为根据网络设备正常运行时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的。本发明涉及人工智能技术领域,在网络设备异常初期就能告警,提高对网络设备异常监测的灵活性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及CPU利用率的监测方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
在大型分布式系统服务的开发、测试过程中,网络设备的稳定运行是一切测试活动的基础,网络设备能否正常运行将直接影响该网络设备所承载的业务以及整个网络系统的运行情况。传统的网络设备运维方案是对网络设备的硬件性能进行监测,例如监测中央处理器(Central Processing Unit,CPU)的利用率,当网络设备负载过重时,网络设备的CPU利用率会升高,当CPU利用率超过较高的预设阈值时,进行告警。CPU利用率超过较高预设阈值告警导致当网络设备的异常达到一定程度才能进行告警,无法及时发现网络设备的异常,对网络设备的异常情况监测不够灵活。
发明内容
本发明实施例提供一种CPU利用率的监测方法,用以解决现有技术中需要在CPU利用率超过预设阈值才能告警,也即网络设备的异常积累到一定程度才能进行告警,无法及时发现网络设备的异常,对网络设备的异常情况监测不够灵活的问题,该方法包括:
根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务的业务流量,生成实时三维曲线模型;其中,实时三维曲线模型包括CPU利用率、业务标识、以及业务流量之间的实时相对关系;
将实时三维曲线模型与预先训练的标准三维曲线模型进行比对,在实时三维曲线模型与标准三维曲线模型的比对结果不一致时,发出告警;其中,标准三维曲线模型为根据网络设备正常运行时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的。
在一种可能的实施方式中,根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务标识对应的业务流量,生成实时三维曲线模型,包括:
执行周期任务,在每一周期执行下述任务:获取网络设备当前的CPU利用率、网络设备当前处理业务的业务标识、以及各业务的业务流量;
根据当前的CPU利用率、当前处理业务的业务标识、以及各业务的业务流量生成实时三维曲线模型,用当前周期生成的实时三维曲线模型替换上一周期生成的实时三维曲线模型。
在一种可能的实施方式中,还包括:
获取网络设备正常运行时处理业务的业务标识、各业务的业务流量、以及网络设备正常运行时的CPU利用率;
根据正常运行时处理业务的业务标识、各业务的业务流量、以及网络设备正常运行时的CPU利用率,进行机器学习,得到网络设备正常运行时的标准三维曲线模型。
在一种可能的实施方式中,还包括:
获取探针系统周期性采集的网络设备处理业务的业务标识、以及各业务的业务流量,并生成采集时刻与业务标识、以及各业务的业务流量之间的关联关系;
获取网管系统周期性采集的网络设备的CPU利用率,并生成采集时刻与CPU利用率之间的关联关系。
在一种可能的实施方式中,获取网络设备正常运行时处理业务的业务标识、各业务的业务流量、以及网络设备正常运行时的CPU利用率,包括:
根据标记的网络设备运行正常时的采集时刻、采集时刻与业务标识、以及各业务的业务流量之间的关联关系,获取网络设备正常运行时处理业务的业务标识、以及各业务的业务流量;
根据标记的网络设备运行正常时的采集时刻、采集时刻与CPU利用率之间的关联关系,获取网络设备正常运行时的CPU利用率。
在一种可能的实施方式中,标准三维曲线模型包括:网络设备正常运行时的每一CPU利用率对应的至少一条三维曲线。
在一种可能的实施方式中,将实时三维曲线模型与预先训练的标准三维曲线模型进行比对,在实时三维曲线模型与标准三维曲线模型的比对结果不一致时,发出告警,包括:
根据实时CPU利用率,从标准三维曲线模型中确定出与实时CPU利用率对应的至少一条三维曲线;
在至少一条三维曲线中没有一条与实时三维曲线模型重合的三维曲线时,发出告警。
在一种可能的实施方式中,发出告警包括:
根据实时三维曲线模型与标准三维模型中实时CPU利用率对应的至少一条曲线不重合的部分,生成告警提示、以及异常分析信息;
其中,异常分析信息包括造成异常的业务标识、以及对应的业务流量。
在一种可能的实施方式中,还包括:
实时三维曲线模型中包含标准三维曲线模型中没有的业务标识时,标记该业务标识;
根据被标记的业务标识,获取网络设备正常运行时处理业务的业务标识、各业务的业务流量、以及网络设备正常运行时的CPU利用率;
根据网络设备正常运行时处理业务的业务标识、各业务的业务流量、以及网络设备正常运行时的CPU利用率重新训练标准三维曲线模型。
本发明实施例还提供一种CPU利用率的监测方法,用以解决现有技术中需要在CPU利用率超过预设阈值才能告警,也即网络设备的异常积累到一定程度才能进行告警,无法及时发现网络设备的异常,对网络设备的异常情况监测不够灵活的问题,该方法包括:
根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务的业务流量,生成实时三维曲线模型;其中,实时三维曲线模型包括CPU利用率、业务标识、以及业务流量之间的实时相对关系;
将实时三维曲线模型与预先训练的异常三维曲线模型进行比对,在实时三维曲线模型与异常三维曲线模型的比对结果一致时,发出告警;其中,异常三维曲线模型为根据网络设备异常时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的。
本发明实施例还提供一种CPU利用率的监测装置,用以解决现有技术中需要在CPU利用率超过预设阈值才能告警,也即网络设备的异常积累到一定程度才能进行告警,无法及时发现网络设备的异常,对网络设备的异常情况监测不够灵活的问题,该装置包括:
第一生成模块,用于根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务的业务流量,生成实时三维曲线模型;其中,实时三维曲线模型包括CPU利用率、业务标识、以及业务流量之间的实时相对关系;
第一处理模块,用于将实时三维曲线模型与预先训练的标准三维曲线模型进行比对,在实时三维曲线模型与标准三维曲线模型的比对结果不一致时,发出告警;其中,标准三维曲线模型为根据网络设备正常运行时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的。
本发明实施例还提供一种CPU利用率的监测装置,用以解决现有技术中需要在CPU利用率超过预设阈值才能告警,也即网络设备的异常积累到一定程度才能进行告警,无法及时发现网络设备的异常,对网络设备的异常情况监测不够灵活的问题,该装置包括:
第二生成模块,用于根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务标识对应的业务流量,生成实时三维曲线模型;其中,实时三维曲线模型包括CPU利用率、业务标识、以及各业务标识对应的业务流量之间的实时相对关系;
第二处理模块,用于将实时三维曲线模型与预先训练的异常三维曲线模型进行比对,在实时三维曲线模型与异常三维曲线模型的比对结果一致时,发出告警;其中,异常三维曲线模型为根据网络设备异常时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的。
本发明实施例还提供一种计算机设备,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,所述处理器执行所述计算机程序时实现上述CPU利用率的监测方法。
本发明实施例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存储有执行上述CPU利用率的监测方法的计算机程序。
本发明实施例中,根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务标识对应的业务流量,生成实时三维曲线模型;将实时三维曲线模型与预先训练的标准三维曲线模型进行比对,在实时三维曲线模型与标准三维曲线模型的比对结果不一致时,发出告警。标准三维曲线模型为根据网络设备正常运行时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的,代表网络设备正常运行时,网络设备的CPU利用率与网络设备处理业务的业务标识、以及各业务的业务流量之间的相对关系,这样只要实时三维曲线模型与标准三维曲线模型不一致时就进行告警,与现有技术中网络设备的异常达到一定程度才能告警相比,本发明实施例在网络设备异常初期就能及时进行告警,提高了对网络设备异常情况监测的灵活性。
本发明另一实施例中,根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务标识对应的业务流量,生成实时三维曲线模型;将实时三维曲线模型与预先训练的异常三维曲线模型进行比对,在实时三维曲线模型与异常三维曲线模型的比对结果一致时,发出告警;其中,异常三维曲线模型为根据网络设备异常时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的,代表网络设备异常时,网络设备的CPU利用率与网络设备处理业务的业务标识、以及各业务的业务流量之间的相对关系,这样只要实时三维曲线模型与标准三维曲线模型一致时就进行告警,与现有技术中网络设备的异常达到一定程度才能告警相比,本发明实施例在网络设备异常初期就能及时进行告警,提高了对网络设备异常情况监测的灵活性。
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为本发明实施例中提供的一种CPU利用率的监测方法的流程图;
图2为本发明实施例中提供的另一种CPU利用率的监测方法的流程图;
图3为本发明实施例中提供的一种CPU利用率的监测装置的示意图;
图4为本发明实施例中提供的另一种CPU利用率的监测装置的示意图;
图5为本发明实施例中提供的一种计算机设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
在本说明书的描述中,所使用的“包含”、“包括”、“具有”、“含有”等,均为开放性的用语,即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施,其中的步骤顺序不作限定,可根据需要作适当调整。
本文中术语“和/或”,仅仅是描述一种关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
经研究发现,通过监测网络设备的CPU利用率监测网络设备是否存在异常时,需要在CPU利用率超过较高的预设阈值的情况下,才会进行告警。这样的监测方法实际上是当网络设备的异常积累到一定程度后才会进行告警,无法在异常初期就及时预警,对网络设备异常情况的监测不够灵活。
针对上述研究,本发明实施例提供了一种CPU利用率的监测方法,如图1所示,包括:
S101:根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务的业务流量,生成实时三维曲线模型;其中,实时三维曲线模型包括CPU利用率、业务标识、以及业务流量之间的实时相对关系;
S102:将实时三维曲线模型与预先训练的标准三维曲线模型进行比对,在实时三维曲线模型与标准三维曲线模型的比对结果不一致时,发出告警;其中,标准三维曲线模型为根据网络设备正常运行时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的。
本发明实施例根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务标识对应的业务流量,生成实时三维曲线模型;将实时三维曲线模型与预先训练的标准三维曲线模型进行比对,在实时三维曲线模型与标准三维曲线模型的比对结果不一致时,发出告警。标准三维曲线模型为根据网络设备正常运行时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的,代表网络设备正常运行时,网络设备的CPU利用率与网络设备处理业务的业务标识、以及各业务的业务流量之间的相对关系,这样只要实时三维曲线模型与标准三维曲线模型不一致时就进行告警,与现有技术中网络设备的异常达到一定程度才能告警相比,本发明实施例在网络设备异常初期就能及时进行告警,提高了对网络设备异常情况监测的灵活性。
下面对上述S101~S102加以详细说明。
针对上述S101,网络设备如包括下述至少一种:计算机(例如个人电脑或服务器)、集线器、交换机、网桥、路由器、网关、网络接口卡(NIC)、无线接入点(WAP)、打印机和调制解调器、光纤收发器、光缆等;网络设备处理业务例如包括下述至少一种:办公业务、生产业务、语音业务等。
根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务的业务流量,生成实时三维曲线模型时,例如根据执行周期任务生成实时三维曲线模型。
示例性的,执行周期任务,在每一周期执行下述任务:
获取网络设备当前的CPU利用率、网络设备当前处理业务的业务标识、以及各业务的业务流量;根据当前的CPU利用率、当前处理业务的业务标识、以及各业务的业务流量生成实时三维曲线模型,用当前周期生成的实时三维曲线模型替换上一周期生成的实时三维曲线模型。
此处,获取网络设备当前的CPU利用率、网络设备当前处理业务的业务标识、以及各业务的业务流量例如获取探针系统周期性采集网络设备处理业务的业务标识、以及各业务的业务流量,并生成采集时刻与业务标识、以及各业务的业务流量之间的关联关系;获取网管系统周期性采集的网络设备的CPU利用率,并生成采集时刻与CPU利用率之间的关联关系。
需要说明的是,探针系统采集网络设备处理业务的业务标识、以及各业务的业务流量,网管系统采集网络设备的CPU利用率的周期与上述周期任务的周期可以相同也可以不同;在执行周期任务时,在每一周期,根据该周期获取网络设备当前的CPU利用率、网络设备当前处理业务的业务标识、以及各业务的业务流量的第一时刻、采集时刻与业务标识以及各业务的业务流量之间的关联关系、采集时刻与CPU利用率之间的关联关系,确定与第一时刻间隔最近的采集时刻对应的业务标识、各业务的业务流量、以及CPU利用率。
这样,根据周期性任务,可以生成代表CPU利用率、业务标识、以及业务流量之间的实时相对关系的实时三维曲线模型,实时三维曲线模型的三个坐标轴例如分别代表业务标识、业务流量、CPU利用率,针对每一周期的三维曲线模型中,CPU利用率是唯一的,也即每一周期是网络设备的一个CPU利用率与业务标识和业务流量之间的相对关系。
示例性的,当前周期网络设备的CPU利用率是20%,网络设备处理业务的业务标识为:业务A、业务B、业务C,业务A的业务流量为1000字节,业务B的流量为500字节、业务C的流量为700字节,则当前周期的实时三维曲线模型中,CPU利用率为20%,且CPU利用率为20%时,对应的业务A的业务流量为1000字节,业务B的流量为500字节、业务C的流量为700字节;在下一个周期,网络设备的CPU利用率可能还是20%,但是各业务对应的业务流量可能会发生变化,例如业务A的业务流量为800字节,业务B的流量为600字节、业务C的流量为700字节,则该周期的实时三维曲线模型中,CPU利用率为20%,且CPU利用率为20%时,对应的业务A的业务流量为800字节,业务B的流量为600字节、业务C的流量为700字节;或者下一个周期,网络设备的CPU利用发生了变化,为30%,业务A的业务流量为1000字节,业务B的流量为1000字节、业务C的流量为800字节,则该周期的实时三维曲线模型中,CPU利用率为30%,对应的业务A的业务流量为1000字节,业务B的流量为1000字节、业务C的流量为800字节。
在周期任务的每一周期生成实时三维曲线模型之后,还需要将实时三维曲线模型与代表网络设备正常运行的标准三维曲线模型进行比对,从而确定当前的网络设备的CPU利用率是否存在异常,因此执行上述S102。
针对上述S102,标准三维曲线模型为根据网络设备正常运行时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的,代表网络设备正常运行时,CPU利用率、业务标识、以及业务流量之间的相对关系。
其中,网络设备正常运行时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量为在生成实时三维模型之前历史时刻网络设备正常运行时的CPU利用率、业务标识、以及业务流量。
因此,在生成实时三维曲线模型之前还包括:获取网络设备正常运行时处理业务的业务标识、各业务的业务流量、以及网络设备正常运行时的CPU利用率;根据正常运行时处理业务的业务标识、各业务的业务流量、以及网络设备正常运行时的CPU利用率,进行机器学习,得到网络设备正常运行时的标准三维曲线模型。
此处,获取网络设备正常运行时处理业务的业务标识、各业务的业务流量、以及网络设备正常运行时的CPU利用率例如:根据标记的网络设备运行正常时的采集时刻、采集时刻与业务标识、以及各业务的业务流量之间的关联关系,获取网络设备正常运行时处理业务的业务标识、以及各业务的业务流量;根据标记的网络设备运行正常时的采集时刻、采集时刻与CPU利用率之间的关联关系,获取网络设备正常运行时的CPU利用率。
其中,标记的网络设备运行正常时的采集时刻例如为根据现有技术确定出哪些采集时刻对应的网络设备CPU利用率是正常的,标记这些采集时刻。
另外,标准三维曲线模型可以进行不断的更新训练,实现不断的优化,例如实时三维曲线模型中包含标准三维曲线模型中没有的业务标识时,标记该业务标识;根据被标记的业务标识,重新获取网络设备正常运行时处理业务的业务标识、各业务的业务流量、以及网络设备正常运行时的CPU利用率;根据重新获取的网络设备正常运行时处理业务的业务标识、各业务的业务流量、以及网络设备正常运行时的CPU利用率,重新训练标准三维曲线模型,得到包含新的业务标识的标准三维曲线模型。
每一采集时刻对应一个CPU利用率,不同采集时刻对应的CPU利用率可能相同也可能不同,针对每一CPU利用率,会对应于至少一种业务流量情况,因此生成的标准三维曲线模型中包含网络设备正常运行时每一CPU利用率对应的至少一条三维曲线。
例如,网络设备处理业务的业务标识包括:业务A、业务B、业务C;网络设备正常运行时的某一CPU利用率为40%,当CPU利用率为40%时,对应于两种情况,即情况1:业务A的业务流量为1000字节、业务B的业务流量为200字节、业务C的业务流量为300字节;情况2:业务A的业务流量为150字节、业务B的业务流量为500字节、业务C的业务流量为1000字节;因此生成的标准三维模型曲线中包含CPU利用率40%对应的两条三维曲线。
这样,标准三维曲线模型中包含网络设备正常运行时每一CPU利用率对应的各种业务流量情况。
因此,将实时三维曲线模型与预先训练的标准三维曲线模型进行比对,在实时三维曲线模型与标准三维曲线模型的比对结果不一致时,发出告警例如包括:根据实时CPU利用率,从标准三维曲线模型中确定出与实时CPU利用率对应的至少一条三维曲线;在至少一条三维曲线中没有一条与实时三维曲线模型重合的三维曲线时,发出告警;如果至少一条三维曲线中存在任一条曲线与实时三维曲线模型重合,说明网络设备当前的CPU利用率、与业务标识、业务流量之间的相对关系是正常的,也即当前的网络设备是正常运行的。
示例性的,实时三维曲线模型的CPU利用率为20%,标准三维曲线模型中CPU利用率为20%的曲线有A、B、C三条,将实时三维曲线模型与A、B、C三条曲线进行逐一比对,如果实时三维曲线模型与A、B、C三条曲线都不重合时,则发出告警。
此处,发出告警例如:根据实时三维曲线模型与标准三维模型中实时CPU利用率对应的至少一条曲线不重合的部分,生成告警提示、以及异常分析信息。
其中,异常分析信息包括造成异常的业务标识、以及对应的业务流量;告警提示包括下述至少一种:信息告警、声音告警、光告警;信息告警例如包括:短信、各种通信软件的消息告警;声音告警例如包括:语音告警、铃声告警等至少一种,光告警例如包括:呼吸灯闪烁、预设颜色灯光亮起等。
示例性的,从至少一条曲线中确定出与实时三维曲线模型重合程度最高的曲线,确定该条曲线与实时三维曲线模型不重合部分对应的业务标识、以及业务流量,根据确定出的业务标识、业务流量生成异常分析信息,并进行告警。
这样,不仅在网络设备发生异常的初期就能及时告警,还能进一步展示造成网络设备异常的原因,提升对网络设备的异常监测的效率。
针对上述研究,本发明另一实施例还提供一种CPU利用率的监测方法,如图2所示,包括:
S201:根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务的业务流量,生成实时三维曲线模型;其中,实时三维曲线模型包括CPU利用率、业务标识、以及业务流量之间的实时相对关系;
S202:将实时三维曲线模型与预先训练的异常三维曲线模型进行比对,在实时三维曲线模型与异常三维曲线模型的比对结果一致时,发出告警;其中,异常三维曲线模型为根据网络设备异常时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的。
本发明实施例根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务标识对应的业务流量,生成实时三维曲线模型;将实时三维曲线模型与预先训练的异常三维曲线模型进行比对,在实时三维曲线模型与异常三维曲线模型的比对结果一致时,发出告警;其中,异常三维曲线模型为根据网络设备异常时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的,代表网络设备异常时,网络设备的CPU利用率与网络设备处理业务的业务标识、以及各业务的业务流量之间的相对关系,这样只要实时三维曲线模型与标准三维曲线模型一致时就进行告警,与现有技术中网络设备的异常达到一定程度才能告警相比,本发明实施例在网络设备异常初期就能及时进行告警,提高了对网络设备异常情况监测的灵活性。
下面对上述S201~S202加以详细说明。
针对上述S201,生成实时三维曲线模型的方法与上述S101中生成实时三维曲线模型的方法类似,此处不再赘述。
在周期任务的每一周期生成实时三维曲线模型之后,还需要将实时三维曲线模型与代表网络设备异常的异常三维曲线模型进行比对,从而确定当前的网络设备的CPU利用率是否存在异常,因此执行上述S202。
针对上述S202,异常三维曲线模型为根据网络设备异常时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的,代表网络设备异常时,CPU利用率、业务标识、以及业务流量之间的相对关系。
其中,网络设备异常时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量为在生成实时三维模型之前历史时刻网络设备异常时的CPU利用率、业务标识、以及业务流量。
因此,在生成实时三维曲线模型之前还包括:获取网络设备异常时,网络设备的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量;根据网络设备异常时,网络设备处理业务的业务标识、各业务的业务流量、以及网络设备的CPU利用率,进行机器学习,得到网络设备异常时的异常三维曲线模型。
此处,获取网络设备异常时,网络设备的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量例如:获取探针系统周期性采集的网络设备处理业务的业务标识、以及各业务的业务流量,并生成采集时刻与业务标识、以及各业务的业务流量之间的关联关系;获取网管系统周期性采集的网络设备的CPU利用率,并生成采集时刻与CPU利用率之间的关联关系;根据标记的网络设备异常的采集时刻、采集时刻与业务标识、以及各业务的业务流量之间的关联关系,获取网络设备异常时处理业务的业务标识、以及各业务的业务流量;根据标记的网络设备异常的采集时刻、采集时刻与CPU利用率之间的关联关系,获取网络设备异常时的CPU利用率。
其中,标记的网络设备异常的采集时刻例如为根据现有技术确定出哪些采集时刻对应的网络设备的CPU利用率是异常的,标记这些采集时刻。
因为每一采集时刻对应一个CPU利用率,不同采集时刻对应的CPU利用率可能相同也可能不同,针对每一CPU利用率,会对应于至少一种业务流量情况,所以生成的异常三维曲线模型中包含网络设备异常时的每一CPU利用率对应的至少一条三维曲线。
例如,网络设备处理业务的业务标识包括:业务A、业务B、业务C;网络设备异常时的某一CPU利用率为60%,当CPU利用率为60%时,对应于三种情况,即情况1:业务A的业务流量为650字节、业务B的业务流量为1000字节、业务C的业务流量为1000字节;情况2:业务A的业务流量为1000字节、业务B的业务流量为800字节、业务C的业务流量为1000字节;情况3:业务A的业务流量为900字节、业务B的业务流量为900字节、业务C的业务流量为1000字节;因此生成的异常三维模型曲线中包含CPU利用率60%对应的三条三维曲线。
因此,将实时三维曲线模型与预先训练的异常三维曲线模型进行比对,在实时三维曲线模型与异常三维曲线模型的比对结果一致时,发出告警例如包括:根据实时CPU利用率,从异常三维曲线模型中确定出与实时CPU利用率对应的至少一条三维曲线;在至少一条三维曲线中存在任一条与实时三维曲线模型重合的三维曲线时,发出告警。至少一条三维曲线中任一条曲线与实时三维曲线模型重合,代表当前网络设备的CPU利用率与业务标识、业务流量之间的相对关系存在异常,也即当前网络设备存在异常。
示例性的,实时三维曲线模型的CPU利用率为30%,异常三维曲线模型中CPU利用率为30%的曲线有A、B、C、D四条,将实时三维曲线模型与A、B、C、D四条曲线进行逐一比对,如果实时三维曲线模型与A、B、C、D四条曲线中的任一条曲线重合,则发出告警。
此处,发出告警例如:根据异常三维曲线模型中与实时三维曲线模型重合的曲线,生成告警提示、以及异常分析信息。
其中,异常分析信息包括造成异常的业务标识、以及对应的业务流量。告警提示包括下述至少一种:信息告警、声音告警、光告警;信息告警例如包括:短信、各种通信软件的消息告警;声音告警例如包括:语音告警、铃声告警等至少一种,光告警例如包括:呼吸灯闪烁、预设颜色灯光亮起等。
示例性的,根据异常三维曲线模型中与实时模型重合的曲线,确定针对该曲线预先标记的异常业务标识、以及业务流量,根据异常业务标识、以及业务流量生成异常分析信息,并进行告警。
这样,不仅在网络设备发生异常的初期就能及时告警,还能进一步展示造成网络设备异常的原因,提升对网络设备的异常监测的效率。
本发明实施例中还提供了一种CPU利用率的监测装置,如下面的实施例所述。由于该装置解决问题的原理与CPU利用率的监测方法相似,因此该装置的实施可以参见CPU利用率的监测方法的实施,重复之处不再赘述。
如图3所示,为本发明实施例提供的一种CPU利用率的监测装置的示意图,包括:第一生成模块301、第一处理模块302;其中,
第一生成模块301,用于根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务的业务流量,生成实时三维曲线模型;其中,实时三维曲线模型包括CPU利用率、业务标识、以及业务流量之间的实时相对关系;
第一处理模块302,用于将实时三维曲线模型与预先训练的标准三维曲线模型进行比对,在实时三维曲线模型与标准三维曲线模型的比对结果不一致时,发出告警;其中,标准三维曲线模型为根据网络设备正常运行时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的。
在一种可能的实施方式中,第一生成模块,具体用于执行周期任务,在每一周期执行下述任务:获取网络设备当前的CPU利用率、网络设备当前处理业务的业务标识、以及各业务的业务流量;根据当前的CPU利用率、当前处理业务的业务标识、以及各业务的业务流量生成实时三维曲线模型,用当前周期生成的实时三维曲线模型替换上一周期生成的实时三维曲线模型。
在一种可能的实施方式中,还包括:第三处理模块,用于获取网络设备正常运行时处理业务的业务标识、各业务的业务流量、以及网络设备正常运行时的CPU利用率;根据正常运行时处理业务的业务标识、各业务的业务流量、以及网络设备正常运行时的CPU利用率,进行机器学习,得到网络设备正常运行时的标准三维曲线模型。
在一种可能的实施方式中,第三处理模块,还用于获取探针系统周期性采集的网络设备处理业务的业务标识、以及各业务的业务流量,并生成采集时刻与业务标识、以及各业务的业务流量之间的关联关系;获取网管系统周期性采集的网络设备的CPU利用率,并生成采集时刻与CPU利用率之间的关联关系。
在一种可能的实施方式中,第三处理模块,具体用于根据标记的网络设备运行正常时的采集时刻、采集时刻与业务标识、以及各业务的业务流量之间的关联关系,获取网络设备正常运行时处理业务的业务标识、以及各业务的业务流量;根据标记的网络设备运行正常时的采集时刻、采集时刻与CPU利用率之间的关联关系,获取网络设备正常运行时的CPU利用率。
在一种可能的实施方式中,标准三维曲线模型包括:网络设备正常运行时的每一CPU利用率对应的至少一条三维曲线。
在一种可能的实施方式中,第一处理模块,具体用于根据实时CPU利用率,从标准三维曲线模型中确定出与实时CPU利用率对应的至少一条三维曲线;
在至少一条三维曲线中没有一条与实时三维曲线模型重合的三维曲线时,发出告警。
在一种可能的实施方式中,第一处理模块,具体用于根据实时三维曲线模型与标准三维模型中实时CPU利用率对应的至少一条曲线不重合的部分,生成告警提示、以及异常分析信息;其中,异常分析信息包括造成异常的业务标识、以及对应的业务流量。
在一种可能的实施方式中,第三处理模块,还用于实时三维曲线模型中包含标准三维曲线模型中没有的业务标识时,标记该业务标识;根据被标记的业务标识,重新获取网络设备正常运行时处理业务的业务标识、各业务的业务流量、以及网络设备正常运行时的CPU利用率;根据重新获取的网络设备正常运行时处理业务的业务标识、各业务的业务流量、以及网络设备正常运行时的CPU利用率重新训练标准三维曲线模型。
如图4所示,为本发明实施例提供的另一种CPU利用率的监测装置的示意图,包括:第二生成模块401、第二处理模块402;其中,
第二生成模块401,用于根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务标识对应的业务流量,生成实时三维曲线模型;其中,实时三维曲线模型包括CPU利用率、业务标识、以及各业务标识对应的业务流量之间的实时相对关系;
第二处理模块402,用于将实时三维曲线模型与预先训练的异常三维曲线模型进行比对,在实时三维曲线模型与异常三维曲线模型的比对结果一致时,发出告警;其中,异常三维曲线模型为根据网络设备异常时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的。
在一种可能的实施方式中,还包括:第四处理模块,用于获取网络设备异常时,网络设备的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量;根据网络设备异常时,网络设备处理业务的业务标识、各业务的业务流量、以及网络设备的CPU利用率,进行机器学习,得到网络设备异常时的异常三维曲线模型。
在一种可能的实施方式中,第四处理模块,还用于获取探针系统周期性采集的网络设备处理业务的业务标识、以及各业务的业务流量,并生成采集时刻与业务标识、以及各业务的业务流量之间的关联关系;获取网管系统周期性采集的网络设备的CPU利用率,并生成采集时刻与CPU利用率之间的关联关系;根据标记的网络设备异常的采集时刻、采集时刻与业务标识、以及各业务的业务流量之间的关联关系,获取网络设备异常时处理业务的业务标识、以及各业务的业务流量;根据标记的网络设备异常的采集时刻、采集时刻与CPU利用率之间的关联关系,获取网络设备异常时的CPU利用率。
在一种可能的实施方式中,异常三维曲线模型包括:网络设备异常时每一CPU利用率对应的至少一条三维曲线。
在一种可能的实施方式中,第二处理模块,具体用于根据实时CPU利用率,从异常三维曲线模型中确定出与实时CPU利用率对应的至少一条三维曲线;在至少一条三维曲线中存在任一条与实时三维曲线模型重合的三维曲线时,发出告警。
在一种可能的实施方式中,第二处理模块,具体用于根据异常三维曲线模型中与实时三维曲线模型重合的曲线,生成告警提示、以及异常分析信息;其中,异常分析信息包括造成异常的业务标识、以及对应的业务流量。
基于前述发明构思,如图5所示,本发明还提出了一种计算机设备500,包括存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序530,所述处理器520执行所述计算机程序530时实现前述CPU利用率的监测方法。
本发明实施例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存储有执行上述CPU利用率的监测方法的计算机程序。
本发明实施例中,根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务标识对应的业务流量,生成实时三维曲线模型;将实时三维曲线模型与预先训练的标准三维曲线模型进行比对,在实时三维曲线模型与标准三维曲线模型的比对结果不一致时,发出告警。标准三维曲线模型为根据网络设备正常运行时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的,代表网络设备正常运行时,网络设备的CPU利用率与网络设备处理业务的业务标识、以及各业务的业务流量之间的相对关系,这样只要实时三维曲线模型与标准三维曲线模型不一致时就进行告警,与现有技术中在CPU利用率超过较高预设阈值时才进行告警,也即网络设备的异常达到一定程度才能告警的技术方案相比,本发明实施例在网络设备异常初期就能及时进行告警,提高了对网络设备异常情况监测的灵活性。
另外,本发明另一实施例中,根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务标识对应的业务流量,生成实时三维曲线模型;将实时三维曲线模型与预先训练的异常三维曲线模型进行比对,在实时三维曲线模型与异常三维曲线模型的比对结果一致时,发出告警;其中,异常三维曲线模型为根据网络设备异常时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的,代表网络设备异常时,网络设备的CPU利用率与网络设备处理业务的业务标识、以及各业务的业务流量之间的相对关系,这样只要实时三维曲线模型与标准三维曲线模型一致时就进行告警,与现有技术中在CPU利用率超过较高预设阈值时才进行告警,也即网络设备的异常达到一定程度才能告警的技术方案相比,本发明实施例在网络设备异常初期就能及时进行告警,提高了对网络设备异常情况监测的灵活性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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、设备(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。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (25)
1.一种中央处理器CPU利用率的监测方法,其特征在于,包括:
根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务的业务流量,生成实时三维曲线模型;其中,实时三维曲线模型包括CPU利用率、业务标识、以及业务流量之间的实时相对关系;
将实时三维曲线模型与预先训练的标准三维曲线模型进行比对,在实时三维曲线模型与标准三维曲线模型的比对结果不一致时,发出告警;其中,标准三维曲线模型为根据网络设备正常运行时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的。
2.根据权利要求1所述的监测方法,其特征在于,根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务标识对应的业务流量,生成实时三维曲线模型,包括:
执行周期任务,在每一周期执行下述任务:
获取网络设备当前的CPU利用率、网络设备当前处理业务的业务标识、以及各业务的业务流量;
根据当前的CPU利用率、当前处理业务的业务标识、以及各业务的业务流量生成实时三维曲线模型,用当前周期生成的实时三维曲线模型替换上一周期生成的实时三维曲线模型。
3.根据权利要求2所述的监测方法,其特征在于,还包括:
获取网络设备正常运行时处理业务的业务标识、各业务的业务流量、以及网络设备正常运行时的CPU利用率;
根据正常运行时处理业务的业务标识、各业务的业务流量、以及网络设备正常运行时的CPU利用率,进行机器学习,得到网络设备正常运行时的标准三维曲线模型。
4.根据权利要求3所述的监测方法,其特征在于,还包括:
获取探针系统周期性采集的网络设备处理业务的业务标识、以及各业务的业务流量,并生成采集时刻与业务标识、以及各业务的业务流量之间的关联关系;
获取网管系统周期性采集的网络设备的CPU利用率,并生成采集时刻与CPU利用率之间的关联关系。
5.根据权利要求4所述的监测方法,其特征在于,获取网络设备正常运行时处理业务的业务标识、各业务的业务流量、以及网络设备正常运行时的CPU利用率,包括:
根据标记的网络设备运行正常时的采集时刻、采集时刻与业务标识、以及各业务的业务流量之间的关联关系,获取网络设备正常运行时处理业务的业务标识、以及各业务的业务流量;
根据标记的网络设备运行正常时的采集时刻、采集时刻与CPU利用率之间的关联关系,获取网络设备正常运行时的CPU利用率。
6.根据权利要求3所述的监测方法,其特征在于,标准三维曲线模型包括:网络设备正常运行时的每一CPU利用率对应的至少一条三维曲线。
7.根据权利要求6所述的监测方法,其特征在于,将实时三维曲线模型与预先训练的标准三维曲线模型进行比对,在实时三维曲线模型与标准三维曲线模型的比对结果不一致时,发出告警,包括:
根据实时CPU利用率,从标准三维曲线模型中确定出与实时CPU利用率对应的至少一条三维曲线;
在至少一条三维曲线中没有一条与实时三维曲线模型重合的三维曲线时,发出告警。
8.根据权利要求7所述的监测方法,其特征在于,发出告警包括:
根据实时三维曲线模型与标准三维模型中实时CPU利用率对应的至少一条曲线不重合的部分,生成告警提示、以及异常分析信息;其中,异常分析信息包括造成异常的业务标识、以及对应的业务流量。
9.根据权利要求1-7任一项所述的监测方法,其特征在于,还包括:
实时三维曲线模型中包含标准三维曲线模型中没有的业务标识时,标记该业务标识;
根据被标记的业务标识,重新获取网络设备正常运行时处理业务的业务标识、各业务的业务流量、以及网络设备正常运行时的CPU利用率;
根据重新获取的网络设备正常运行时处理业务的业务标识、各业务的业务流量、以及网络设备正常运行时的CPU利用率重新训练标准三维曲线模型。
10.一种CPU利用率的监测方法,其特征在于,包括:
根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务的业务流量,生成实时三维曲线模型;其中,实时三维曲线模型包括CPU利用率、业务标识、以及业务流量之间的实时相对关系;
将实时三维曲线模型与预先训练的异常三维曲线模型进行比对,在实时三维曲线模型与异常三维曲线模型的比对结果一致时,发出告警;其中,异常三维曲线模型为根据网络设备异常时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的。
11.根据权利要求10所述的监测方法,其特征在于,还包括:
获取网络设备异常时,网络设备的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量;
根据网络设备异常时,网络设备处理业务的业务标识、各业务的业务流量、以及网络设备的CPU利用率,进行机器学习,得到网络设备异常时的异常三维曲线模型。
12.根据权利要求11所述的监测方法,其特征在于,还包括:
获取探针系统周期性采集的网络设备处理业务的业务标识、以及各业务的业务流量,并生成采集时刻与业务标识、以及各业务的业务流量之间的关联关系;
获取网管系统周期性采集的网络设备的CPU利用率,并生成采集时刻与CPU利用率之间的关联关系;
根据标记的网络设备异常的采集时刻、采集时刻与业务标识、以及各业务的业务流量之间的关联关系,获取网络设备异常时处理业务的业务标识、以及各业务的业务流量;
根据标记的网络设备异常的采集时刻、采集时刻与CPU利用率之间的关联关系,获取网络设备异常时的CPU利用率。
13.根据权利要求11所述的监测方法,其特征在于,异常三维曲线模型包括:网络设备异常时每一CPU利用率对应的至少一条三维曲线。
14.根据权利要求13所述的监测方法,其特征在于,将实时三维曲线模型与预先训练的异常三维曲线模型进行比对,在实时三维曲线模型与异常三维曲线模型的比对结果一致时,发出告警,包括:
根据实时CPU利用率,从异常三维曲线模型中确定出与实时CPU利用率对应的至少一条三维曲线;
在至少一条三维曲线中存在任一条与实时三维曲线模型重合的三维曲线时,发出告警。
15.根据权利要求14所述的监测方法,其特征在于,发出告警包括:
根据异常三维曲线模型中与实时三维曲线模型重合的曲线,生成告警提示、以及异常分析信息;其中,异常分析信息包括造成异常的业务标识、以及对应的业务流量。
16.一种CPU利用率的监测装置,其特征在于,包括:
第一生成模块,用于根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务的业务流量,生成实时三维曲线模型;其中,实时三维曲线模型包括CPU利用率、业务标识、以及业务流量之间的实时相对关系;
第一处理模块,用于将实时三维曲线模型与预先训练的标准三维曲线模型进行比对,在实时三维曲线模型与标准三维曲线模型的比对结果不一致时,发出告警;其中,标准三维曲线模型为根据网络设备正常运行时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的。
17.根据权利要求16所述的监测装置,其特征在于,标准三维曲线模型包括:网络设备正常运行时的每一CPU利用率对应的至少一条三维曲线。
18.根据权利要求17所述的监测装置,其特征在于,第一处理模块,具体用于根据实时CPU利用率,从标准三维曲线模型中确定出与实时CPU利用率对应的至少一条三维曲线;
在至少一条三维曲线中没有一条与实时三维曲线模型重合的三维曲线时,发出告警。
19.根据权利要求17所述的监测装置,其特征在于,第一处理模块,具体用于根据实时三维曲线模型与标准三维模型中实时CPU利用率对应的至少一条曲线不重合的部分,生成告警提示、以及异常分析信息;其中,异常分析信息包括造成异常的业务标识、以及对应的业务流量。
20.一种CPU利用率的监测装置,其特征在于,包括:
第二生成模块,用于根据网络设备的实时CPU利用率、网络设备实时处理业务的业务标识、以及各业务标识对应的业务流量,生成实时三维曲线模型;其中,实时三维曲线模型包括CPU利用率、业务标识、以及各业务标识对应的业务流量之间的实时相对关系;
第二处理模块,用于将实时三维曲线模型与预先训练的异常三维曲线模型进行比对,在实时三维曲线模型与异常三维曲线模型的比对结果一致时,发出告警;其中,异常三维曲线模型为根据网络设备异常时的CPU利用率、网络设备处理业务的业务标识、以及各业务的业务流量进行机器学习得到的。
21.根据权利要求20所述的监测装置,其特征在于,异常三维曲线模型包括:网络设备异常时每一CPU利用率对应的至少一条三维曲线。
22.根据权利要求21所述的监测装置,其特征在于,第二处理模块,具体用于根据实时CPU利用率,从异常三维曲线模型中确定出与实时CPU利用率对应的至少一条三维曲线;
在至少一条三维曲线中存在任一条与实时三维曲线模型重合的三维曲线时,发出告警。
23.根据权利要求22所述的监测装置,其特征在于,第二处理模块,具体用于根据异常三维曲线模型中与实时三维曲线模型重合的曲线,生成告警提示、以及异常分析信息;其中,异常分析信息包括造成异常的业务标识、以及对应的业务流量。
24.一种计算机设备,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15任一所述CPU利用率的监测方法。
25.一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15任一所述CPU利用率的监测方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110670803.8A CN113411233B (zh) | 2021-06-17 | 2021-06-17 | 中央处理器cpu利用率的监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110670803.8A CN113411233B (zh) | 2021-06-17 | 2021-06-17 | 中央处理器cpu利用率的监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113411233A true CN113411233A (zh) | 2021-09-17 |
CN113411233B CN113411233B (zh) | 2022-12-23 |
Family
ID=77684732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110670803.8A Active CN113411233B (zh) | 2021-06-17 | 2021-06-17 | 中央处理器cpu利用率的监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113411233B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105610983A (zh) * | 2016-03-07 | 2016-05-25 | 北京荣之联科技股份有限公司 | 一种分布式的网络监控方法及系统 |
US20170364733A1 (en) * | 2015-08-26 | 2017-12-21 | Digitalglobe, Inc. | System for simplified generation of systems for broad area geospatial object detection |
CN107528726A (zh) * | 2017-08-21 | 2017-12-29 | 国家电网公司 | 一种电力通信网络设备告警方法和装置 |
CN110275814A (zh) * | 2019-06-28 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 一种业务系统的监控方法及装置 |
CN110472856A (zh) * | 2019-08-09 | 2019-11-19 | 北京直真科技股份有限公司 | 基于自助式场景化流程编排的自动化网络割接管理方法 |
CN110830384A (zh) * | 2019-09-30 | 2020-02-21 | 浙江口碑网络技术有限公司 | 业务流量的限流方法、装置及系统 |
US20200082296A1 (en) * | 2018-09-06 | 2020-03-12 | Quickpath Analytics, Inc. | Real-time drift detection in machine learning systems and applications |
CN110971444A (zh) * | 2019-10-09 | 2020-04-07 | 中移(杭州)信息技术有限公司 | 告警管理方法、装置、服务器及存储介质 |
CN111930603A (zh) * | 2020-08-14 | 2020-11-13 | 工银科技有限公司 | 服务器性能检测方法、装置、系统及介质 |
-
2021
- 2021-06-17 CN CN202110670803.8A patent/CN113411233B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170364733A1 (en) * | 2015-08-26 | 2017-12-21 | Digitalglobe, Inc. | System for simplified generation of systems for broad area geospatial object detection |
CN105610983A (zh) * | 2016-03-07 | 2016-05-25 | 北京荣之联科技股份有限公司 | 一种分布式的网络监控方法及系统 |
CN107528726A (zh) * | 2017-08-21 | 2017-12-29 | 国家电网公司 | 一种电力通信网络设备告警方法和装置 |
US20200082296A1 (en) * | 2018-09-06 | 2020-03-12 | Quickpath Analytics, Inc. | Real-time drift detection in machine learning systems and applications |
CN110275814A (zh) * | 2019-06-28 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 一种业务系统的监控方法及装置 |
CN110472856A (zh) * | 2019-08-09 | 2019-11-19 | 北京直真科技股份有限公司 | 基于自助式场景化流程编排的自动化网络割接管理方法 |
CN110830384A (zh) * | 2019-09-30 | 2020-02-21 | 浙江口碑网络技术有限公司 | 业务流量的限流方法、装置及系统 |
CN110971444A (zh) * | 2019-10-09 | 2020-04-07 | 中移(杭州)信息技术有限公司 | 告警管理方法、装置、服务器及存储介质 |
CN111930603A (zh) * | 2020-08-14 | 2020-11-13 | 工银科技有限公司 | 服务器性能检测方法、装置、系统及介质 |
Non-Patent Citations (1)
Title |
---|
李春等: "网络流量实时监控及安全分析系统的开发应用", 《电子技术与软件工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113411233B (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220006825A1 (en) | Cognitive neuro-linguistic behavior recognition system for multi-sensor data fusion | |
CN110601898B (zh) | 异常预警方法、装置、服务器及存储介质 | |
CN110794800B (zh) | 一种智慧工厂信息管理的监控系统 | |
US20200167679A1 (en) | Mapper component for a neuro-linguistic behavior recognition system | |
CN109558301A (zh) | 一种分布式系统数据监测方法、装置及相关设备 | |
CN108737182A (zh) | 系统异常的处理方法及系统 | |
CN110493025A (zh) | 一种基于多层有向图的故障根因诊断的方法及装置 | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
JP2017538229A (ja) | 神経言語挙動認識システム用の知覚関連メモリ | |
CN112769605B (zh) | 一种异构多云的运维管理方法及混合云平台 | |
JP2018503183A (ja) | 神経言語挙動認識システム用の語彙解析器 | |
CN114363212B (zh) | 一种设备检测方法、装置、设备和存储介质 | |
CN113411233B (zh) | 中央处理器cpu利用率的监测方法及装置 | |
CN109818808A (zh) | 故障诊断方法、装置和电子设备 | |
CN202218244U (zh) | 用于业务系统监控的it运维系统 | |
CN108509314A (zh) | 一种主机运行指标监控告警方法及系统装置 | |
CN112907911A (zh) | 一种基于设备工艺数据的智能异常识别与报警算法 | |
US20170293608A1 (en) | Unusual score generators for a neuro-linguistic behavioral recognition system | |
CN110415136B (zh) | 一种电力调度自动化系统服务能力评估系统与方法 | |
CN115222181B (zh) | 机器人运营状态监控系统及方法 | |
CN112685261B (zh) | 一种基于观察者模式的微服务运行状态监控方法 | |
CN115543582A (zh) | 超算算力网络统一调度方法、系统及设备 | |
CN112769620B (zh) | 一种网络部署方法、设备和计算机可读存储介质 | |
CN113691392A (zh) | 一种基于业务规则的物联网报警系统 | |
CN113300914A (zh) | 网络质量监测方法、装置、系统、电子设备和存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221110 Address after: 25 Financial Street, Xicheng District, Beijing 100033 Applicant after: CHINA CONSTRUCTION BANK Corp. Address before: 12 / F, 15 / F, No. 99, Yincheng Road, Shanghai pilot Free Trade Zone, 200120 Applicant before: Jianxin Financial Science and Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |