CN113590429A - 一种服务器故障诊断方法、装置及电子设备 - Google Patents

一种服务器故障诊断方法、装置及电子设备 Download PDF

Info

Publication number
CN113590429A
CN113590429A CN202110947284.5A CN202110947284A CN113590429A CN 113590429 A CN113590429 A CN 113590429A CN 202110947284 A CN202110947284 A CN 202110947284A CN 113590429 A CN113590429 A CN 113590429A
Authority
CN
China
Prior art keywords
target
server
index
abnormal point
abnormal
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
Application number
CN202110947284.5A
Other languages
English (en)
Inventor
孙吴昊
郭广路
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.)
Beijing IQIYI Science and Technology Co Ltd
Original Assignee
Beijing IQIYI Science and Technology Co Ltd
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 Beijing IQIYI Science and Technology Co Ltd filed Critical Beijing IQIYI Science and Technology Co Ltd
Priority to CN202110947284.5A priority Critical patent/CN113590429A/zh
Publication of CN113590429A publication Critical patent/CN113590429A/zh
Pending legal-status Critical Current

Links

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
    • G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
    • 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
    • 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
    • G06F11/3466—Performance evaluation by tracing or monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明实施例提供了一种服务器故障诊断方法、装置及电子设备，所述方法包括：采集目标服务器运行参数的服务器时序数据，以及运行在目标服务器上服务的运行参数的服务时序数据；从服务器时序数据和服务时序数据中，确定预先指定的各监控指标对应的异常点和异常点对应的时间戳；基于各监控指标对应的异常点和异常点对应的时间戳，确定历史时间段内与目标服务器的目标硬件发生故障相关联的目标指标；计算目标指标为异常点的概率，并基于目标指标为异常点的概率与第一预设阈值之间的关系，确定目标硬件是否将会发生故障。本发明实施例，能够减少服务器故障所引起的运行在服务器上应用程序的故障。

Description

一种服务器故障诊断方法、装置及电子设备
技术领域
本发明涉及故障诊断技术领域，特别是涉及一种服务器故障诊断方法、装置及电子设备。
背景技术
随着企业等数据中心服务器节点数的增加，服务器节点的硬件故障时有发生，服务器硬件故障的情况会影响服务器中正在运行的应用程序。服务器硬件故障，例如，磁盘只读、内存故障等等。
相关技术中，针对服务器硬件故障的情况，设置相应的监控系统，该监控系统采集各服务器的硬件参数以及运行在各服务器上应用程序的参数，进而基于预先设定的参数阈值，以及所采集的硬件参数和应用程序的参数，判断对应的服务器硬件是否故障，并在判断出服务器硬件故障的情况下，输出告警信息，以使得维修人员对服务器硬件故障对应的服务器进行修复和相关应用程序的下线处理。
相关技术中，在监控系统判断出服务器硬件故障时，才对服务器硬件故障对应的服务器进行修复和相关应用程序的下线处理，然而此时对应的服务器已经发生故障，对在服务器上运行的应用程序已经产生了影响，使得在服务器上运行的应用程序发生故障，且该影响可能会为服务器带来更为严重的故障。
发明内容
本发明实施例的目的在于提供一种服务器故障诊断方法、装置及电子设备，以减少服务器故障所引起的运行在服务器上应用程序的故障。具体技术方案如下：
在本发明实施的第一方面，首先提供了一种服务器故障诊断方法，其特征在于，所述方法包括：
采集目标服务器运行参数的服务器时序数据，以及运行在所述目标服务器上服务的运行参数的服务时序数据；
从所述服务器时序数据和所述服务时序数据中，确定预先指定的各监控指标对应的异常点和所述异常点对应的时间戳；
基于所述各监控指标对应的异常点和所述异常点对应的时间戳，确定历史时间段内与所述目标服务器的目标硬件发生故障相关联的目标指标；
计算所述目标指标为异常点的概率，并基于所述目标指标为异常点的概率与第一预设阈值之间的关系，确定所述目标硬件是否将会发生故障。
可选地，所述基于所述各监控指标对应的异常点和所述异常点对应的时间戳，确定历史时间段内与所述目标服务器的目标硬件发生故障相关联的目标指标，包括：
基于所述各监控指标对应的异常点和所述异常点对应的时间戳，计算历史时间段内目标硬件发生故障对应的故障时间内，各监控指标或各组合监控指标为异常点的概率；所述组合监控指标为至少包含两个监控指标的指标组合；
判断所述概率是否大于第二预设阈值；
如果大于，则将所述概率大于所述第二预设阈值对应的监控指标或组合监控指标确定为目标指标。
可选地，所述从所述服务器时序数据和所述服务时序数据中，确定预先指定的各监控指标对应的异常点和所述异常点对应的时间戳，包括：
针对所述服务器时序数据和所述服务时序数据中每一预先指定的监控指标，计算该监控指标对应的权重系数；
基于所述权重系数，计算该监控指标对应的修正权重系数；
判断所述修正权重系数是否大于第三预设阈值；
如果大于，则该监控指标为异常点，并确定该异常点对应的时间戳。
可选地，所述计算所述目标指标为异常点的概率，包括：
计算所述目标指标对应的修正权重系数，将所述修正权重系数确定为所述目标指标为异常点的概率；
在所述目标指标为组合指标的情况下，所述基于所述目标指标为异常点的概率与第一预设阈值之间的关系，确定所述目标硬件是否将会发生故障，包括：
判断所述组合指标中每一子目标指标为异常点的概率是否均不小于所述第一预设阈值；
如果是，则确定所述目标硬件将会发生故障。
可选地，所述方法还包括：
将各所述监控指标对应的异常点和所述异常点对应的时间戳存储至数据库中；
所述基于所述各监控指标对应的异常点和所述异常点对应的时间戳，确定历史时间段内与所述目标服务器的目标硬件发生故障相关联的目标指标，包括：
基于所述数据库中各监控指标对应的异常点和所述异常点对应的时间戳，确定历史时间段内与所述目标服务器的目标硬件发生故障相关联的目标指标。
可选地，所述方法还包括：
在确定所述目标硬件将会发生故障的情况下，输出告警信息。
可选地，所述方法还包括：
在确定所述目标硬件将会发生故障的情况下，将运行在所述目标服务器上的服务迁移至其他正常服务器。
在本发明实施的第二方面，还提供了一种服务器故障诊断装置，其特征在于，所述装置包括：
数据采集模块，用于采集目标服务器运行参数的服务器时序数据，以及运行在所述目标服务器上服务的运行参数的服务时序数据；
第一确定模块，用于从所述服务器时序数据和所述服务时序数据中，确定预先指定的各监控指标对应的异常点和所述异常点对应的时间戳；
第二确定模块，用于基于所述各监控指标对应的异常点和所述异常点对应的时间戳，确定历史时间段内与所述目标服务器的目标硬件发生故障相关联的目标指标；
故障诊断模块，用于计算所述目标指标为异常点的概率，并基于所述目标指标为异常点的概率与第一预设阈值之间的关系，确定所述目标硬件是否将会发生故障。
在本发明实施的又一方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一所述的一种服务器故障诊断方法的步骤。
在本发明实施的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的一种服务器故障诊断方法的步骤。
在本发明实施的又一方面，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的一种服务器故障诊断方法的步骤。
本发明实施例提供的一种服务器故障诊断方法、装置及电子设备，通过采集目标服务器运行参数的服务器时序数据，以及运行在目标服务器上服务的运行参数的服务时序数据；从服务器时序数据和服务时序数据中，确定预先指定的各监控指标对应的异常点和异常点对应的时间戳；基于各监控指标对应的异常点和异常点对应的时间戳，确定历史时间段内与目标服务器的目标硬件发生故障相关联的目标指标；计算目标指标为异常点的概率，并基于目标指标为异常点的概率与第一预设阈值之间的关系，确定目标硬件是否将会发生故障。相较于现有技术中诊断出服务器硬件故障之后才预警处理，本发明实施例能够提前预判和诊断目标服务器的硬件是否将会发生故障，进而提前预警，转变了服务器硬件故障的告警方式和故障后的处理方式，减少了服务器故障所引起的运行在服务器上服务(或应用程序)的故障，能够提升服务的质量。
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。
图1为本发明实施例中一种服务器故障诊断方法的流程示意图；
图2为本发明实施例中一种确定关联指标的实施方式流程示意图；
图3为本发明实施例中一种确定监控指标异常点的实施方式流程示意图；
图4为本发明实施例中一种服务器故障诊断装置的结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。
为了解决相关技术中，在监控系统判断出服务器硬件故障时，才对服务器硬件故障对应的服务器进行修复和相关应用程序的下线处理，然而此时对应的服务器已经发生故障，对在服务器上运行的应用程序已经产生了影响，使得在服务器上运行的应用程序发生故障的问题，本发明实施例提供了一种服务器故障诊断方法、装置及电子设备。本发明实施例提供的一种服务器故障诊断方法，包括：
采集目标服务器运行参数的服务器时序数据，以及运行在所述目标服务器上服务的运行参数的服务时序数据；
从所述服务器时序数据和所述服务时序数据中，确定预先指定的各监控指标对应的异常点和所述异常点对应的时间戳；
基于所述各监控指标对应的异常点和所述异常点对应的时间戳，确定历史时间段内与所述目标服务器的目标硬件发生故障相关联的目标指标；
计算所述目标指标为异常点的概率，并基于所述目标指标为异常点的概率与第一预设阈值之间的关系，确定所述目标硬件是否将会发生故障。
本发明实施例提供的一种服务器故障诊断方法，相较于现有技术中诊断出服务器硬件故障之后才预警处理，本发明实施例能够提前预判和诊断目标服务器的硬件是否将会发生故障，进而提前预警，转变了服务器硬件故障的告警方式和故障后的处理方式，减少了服务器故障所引起的运行在服务器上服务(或应用程序)的故障，能够提升服务的质量。
下面对本发明实施例提供的一种服务器故障诊断方法进行详细介绍：
本发明实施例所提供的一种服务器故障诊断方法的执行主体可以为，能够对数据进行监控并处理的电子设备或监控系统等设备。在具体应用中，电子设备可以为终端或服务器等，当然并不局限于此。
如图1所示，本发明实施例所提供的一种服务器故障诊断方法，可以通过如下步骤实现：
S101，采集目标服务器运行参数的服务器时序数据，以及运行在目标服务器上服务的运行参数的服务时序数据。
在对目标服务器进行故障诊断与预判的过程中，可以采集所需监控的目标服务器的运行参数对应的服务器时序数据，以及运行在目标服务器上服务(或应用程序)的运行参数的服务时序数据。该目标服务器的运行参数可以为服务器层面的运行参数，例如，可以是目标服务器的磁盘利用率、CPU负载、CPU和内存利用率等与目标服务器硬件相关联的运行参数，所采集的目标服务器的运行参数对应的时序数据称为服务器时序数据。运行在目标服务器上服务的运行参数可以为服务或应用层面的运行参数，例如，可以是服务运行的状态码、响应时间等与服务或应用程序相关联的运行参数，所采集的运行在目标服务器上服务的运行参数对应的时序数据称为服务时序数据。
实际应用中，可以利用能够实现数据采集功能的任一数据采集工具，对目标服务器运行参数以及运行在目标服务器上服务的运行参数，进行实时数据采集，也可以进行周期性的数据采集，例如，按照一定的时间间隔进行数据采集，该一定的时间间隔可以是1分钟、10分钟或1小时等。
S102，从服务器时序数据和服务时序数据中，确定预先指定的各监控指标对应的异常点和异常点对应的时间戳。
一种实施方式中，可以预先确定需要重点监控的目标服务器的硬件和服务，进而确定与重点监控的目标服务器的硬件和服务相关联的监控指标，进一步，将所确定的监控指标作为预先指定的监控指标。
示例性的，与目标服务器的硬件相关联的监控指标可以包括：CPU负载、CPU和内存利用率、CPU和内存分配率、网卡流量、磁盘利用率、数据丢包个数以及磁盘读写速度等。与服务相关联的监控指标可以包括：服务运行的状态码、服务所占用CPU和内存的利用率、服务所占用CPU和内存的分配率、内存不足(Out Of Memory，简称OOM)事件、网卡流量、磁盘的输入输出以及响应时间等。
实际应用中，目标服务器的硬件在将要损坏之前，以及服务在将要异常之前，会有一系列的连锁反应，这些反应具体可以体现在目标服务器的性能、以及服务的性能和状态上。比如，网络卡顿或网线故障，网络延迟变高，数据丢包率增加，服务请求超时，磁盘读写速度慢以及磁盘利用率维持高位等情况的发生，表明目标服务器的硬件或服务将要异常。
而目标服务器的性能、以及服务的性能和状态，可以从目标服务器的运行参数以及服务的运行参数上体现出来。目标服务器的硬件在将要损坏之前，以及服务在将要异常之前，与硬件和服务相关的监控指标将会产生相对较大的波动凸起，进而，可以在采集到目标服务器运行参数的服务器时序数据，以及运行在目标服务器上服务的运行参数的服务时序数据后，从服务器时序数据和服务时序数据中，确定预先指定的各监控指标对应的异常点和异常点对应的时间戳，以进一步实现对目标服务器硬件故障的诊断和预判。
具体的，可以使用能够过滤极值点的相关算法，实现从服务器时序数据和服务时序数据中，确定预先指定的各监控指标对应的异常点和异常点对应的时间戳。该算法例如可以是Sigmoid算法等。
S103，基于各监控指标对应的异常点和异常点对应的时间戳，确定历史时间段内与目标服务器的目标硬件发生故障相关联的目标指标。
目标服务器的硬件故障必然关联影响该硬件的相关指标，故而，可以基于各监控指标的历史数据，具体的，可以基于所确定的各监控指标对应的异常点和异常点对应的时间戳，确定历史时间段内与目标服务器的目标硬件发生故障相关联的目标指标，即历史时间段内目标硬件发生故障时出现异常点的指标或指标组合。该历史时间段可以是根据实际需求设定的，比如，可以是当前时间之前的一周、一个月、或一年等。
具体的，可以使用贝叶斯算法，通过计算历史时间段内目标硬件发生故障的情况下出现异常点指标的概率，以确定历史时间段内与目标服务器的目标硬件发生故障相关联的目标指标。或是通过其他检验的方法，确定历史时间段内与目标服务器的目标硬件发生故障相关联的目标指标，例如最大似然法等。
S104，计算目标指标为异常点的概率，并基于目标指标为异常点的概率与第一预设阈值之间的关系，确定目标硬件是否将会发生故障。
在确定历史时间段内与目标硬件发生故障相关联的目标指标之后，可以进一步计算目标指标为异常点的概率，然后，将目标指标为异常点的概率，与第一预设阈值进行比较，在目标指标为异常点的概率大于第一预设阈值时，确定目标硬件将会发生故障，否则，确定目标硬件不会发生故障。
其中，可以使用与上述确定预先指定的各监控指标对应的异常点相同的算法，计算目标指标为异常点的概率，也可以使用任一能够过滤极值点的算法，计算目标指标为异常点的概率。本领域技术人员可以根据实际需求对第一预设阈值进行设置，例如，第一预设阈值可以是0.95、0.86或0.98等等。
本发明实施例提供的一种服务器故障诊断方法，相较于现有技术中诊断出服务器硬件故障之后才预警处理，本发明实施例能够提前预判和诊断目标服务器的硬件是否将会发生故障，进而提前预警，转变了服务器硬件故障的告警方式和故障后的处理方式，减少了服务器故障所引起的运行在服务器上服务(或应用程序)的故障，能够提升服务的质量。
作为本发明实施例一种可选的实施方式，如图2所示，上述步骤S103中，基于各监控指标对应的异常点和异常点对应的时间戳，确定历史时间段内与目标服务器的目标硬件发生故障相关联的目标指标的实施方式，可以包括：
S201，基于各监控指标对应的异常点和异常点对应的时间戳，计算历史时间段内目标硬件发生故障对应的故障时间内，各监控指标或各组合监控指标为异常点的概率。
可以理解的，目标硬件发生故障可以是根据各监控指标对应的异常点确定的，目标硬件发生故障对应的故障时间是根据各监控指标异常点对应的时间戳确定的。其中，组合监控指标为至少包含两个监控指标的指标组合。例如，监控指标CPU负载发生异常点，表示硬件CPU故障，异常点对应的时间戳即为硬件发生故障对应的故障时间等等。
一种实施方式中，可以使用贝叶斯条件概率算法，利用如下表达式，计算历史时间段内目标硬件发生故障对应的故障时间内，各监控指标为异常点的概率：
Figure BDA0003217169470000091
其中，
Figure BDA0003217169470000092
表示第i个监控指标对应的修正权重系数，
Figure BDA0003217169470000093
为异常点则对应的第i个监控指标为异常点，
Figure BDA0003217169470000094
表示第j个目标硬件BMj的故障时间，
Figure BDA0003217169470000095
表示历史时间段内第j个目标硬件BMj对应的故障时间内，
Figure BDA0003217169470000096
为异常点的概率，
Figure BDA0003217169470000097
表示历史时间段内
Figure BDA0003217169470000098
为异常点的条件下，第j个目标硬件BMj对应的时间为故障时间的概率，
Figure BDA0003217169470000099
表示历史时间段内
Figure BDA00032171694700000910
为异常点的概率，
Figure BDA00032171694700000911
表示历史时间段内第j个目标硬件BMj对应的时间为故障时间的概率。
可以利用如下表达式，计算历史时间段内目标硬件发生故障对应的故障时间内，各组合监控指标为异常点的概率：
Figure BDA00032171694700000912
其中，
Figure BDA00032171694700000913
表示历史时间段内第j个目标硬件BMj对应的故障时间内，组合监控指标对应的组合修正权重系数
Figure BDA00032171694700000914
为异常点的概率，
Figure BDA00032171694700000915
表示历史时间段内组合
Figure BDA00032171694700000916
为异常点的条件下，第j个目标硬件BMj对应的时间为故障时间的概率，
Figure BDA0003217169470000101
表示历史时间段内组合
Figure BDA0003217169470000102
为异常点的概率，
Figure BDA0003217169470000103
表示历史时间段内
Figure BDA0003217169470000104
为异常点的条件下，第j个目标硬件BMj对应的时间为故障时间的概率，N表示组合监控指标的个数，
Figure BDA0003217169470000105
表示第n个监控指标对应的修正权重系数，
Figure BDA0003217169470000106
表示历史时间段内
Figure BDA0003217169470000107
为异常点的概率。其中，组合
Figure BDA0003217169470000108
为异常点，对应的第1，......，i个组合监控指标为异常点。
上述历史时间段可以是根据实际需求设定的，比如，可以是当前时间之前的一周、一个月、或一年等。
S202，判断概率是否大于第二预设阈值。
在计算得到历史时间段内目标硬件发生故障对应的故障时间内，各监控指标或各组合监控指标为异常点的概率之后，判断该概率是否大于第二预设阈值，并在大于的情况下，执行步骤S203的操作，在不大于的情况下，表明历史时间段内目标硬件发生故障无关联监控指标。第二预设阈值可以根据实际需求进行设置，具体可以与上述第一预设阈值相同或不同，例如，第二预设阈值可以是0.95、0.86或0.98等等。
S203，如果大于，则将概率大于第二预设阈值对应的监控指标或组合监控指标确定为目标指标。
如果计算得到的历史时间段内目标硬件发生故障对应的故障时间内，有监控指标为异常点的概率大于第二预设阈值，则将对应的监控指标确定为目标指标。如果计算得到的历史时间段内目标硬件发生故障对应的故障时间内，有组合监控指标为异常点的概率大于第二预设阈值，则将对应的组合监控指标确定为目标指标。
本发明实施例中，利用贝叶斯条件概率算法，计算历史时间段内与目标服务器的目标硬件发生故障相关联的目标指标，以便于能够更准确的确定与目标硬件发生故障相关联的监控指标，进而能够更准确的的预判和诊断目标硬件是否将要故障，减少服务器故障所引起的运行在服务器上应用程序的故障。
作为本发明实施例一种可选的实施方式，如图3所示，上述步骤S102中，从服务器时序数据和服务时序数据中，确定预先指定的各监控指标对应的异常点和异常点对应的时间戳的实施方式，可以包括：
S301，针对服务器时序数据和服务时序数据中每一预先指定的监控指标，计算该监控指标对应的权重系数。
因目标服务器的硬件在将要损坏之前，以及服务在将要异常之前，与硬件和服务相关的监控指标将会产生相对较大的波动凸起，而Sigmoid算法S型饱和函数的特性，能够过滤出所有指标中的异常凸起点。本发明实施例中，可以利用Sigmoid算法，针对所采集的服务器时序数据和服务时序数据中每一预先指定的监控指标，使用如下预设表达式，计算服务器时序数据和服务时序数据中各监控指标对应的权重系数：
Figure BDA0003217169470000111
其中，Vi表示第i个监控指标对应的权重系数，Qi表示第i个监控指标的修正系数，Si表示第i个监控指标对应的时序数据，highest(Si，M)表示第i个监控指标在时序数据Si的M个数据中的最大值。示例性的，M的取值可以为1000、10000、50000等，Qi的取值可以为0.85-0.9之间的数值。
S302，基于权重系数，计算该监控指标对应的修正权重系数。
在计算得到各监控指标对应的权重系数之后，可以使用如下预设表达式，计算各监控指标对应的修正权重系数：
Figure BDA0003217169470000112
其中，
Figure BDA0003217169470000113
表示第i个监控指标对应的修正权重系数，ε表示调整参数。示例性的，ε的取值可以是0.5。
示例性的，各监控指标的时序数据可以对应平面坐标系中的曲线，横轴可以表示时间点，纵轴表示指标值，利用Sigmoid算法，可以找到曲线中的异常凸起点，该异常凸起点即为该监控指标对应的异常点。
S303，判断修正权重系数是否大于第三预设阈值。
在计算得到各监控指标对应的修正权重系数之后，可以针对每一监控指标，判断该监控指标对应的修正权重系数是否大于第三预设阈值，如果大于，表示该监控指标对应的修正权重系数为异常点，执行步骤S304的操作，如果不大于，表示该监控指标对应的修正权重系数不是异常点。第三预设阈值可以根据实际需求进行设置，具体可以与上述第二预设阈值相同或不同。
S304，如果大于，则该监控指标为异常点，并确定该异常点对应的时间戳。
监控指标对应的修正权重系数反映了监控指标的数值变化情况，该监控指标对应的修正权重系数大于第三预设阈值，表示该监控指标对应的修正权重系数为异常点，相应的，该监控指标即为异常点，因采集的是监控指标的时序数据，进而在确定监控指标异常点的情况下，能够确定该异常点对应的时间戳。
本发明实施例中，利用Sigmoid算法S型饱和函数的特性，从服务器时序数据和服务时序数据中，确定预先指定的各监控指标对应的异常点，以便于能够更准确的的预判和诊断目标硬件是否将要故障，减少服务器故障所引起的运行在服务器上应用程序的故障。
作为本发明实施例一种可选的实施方式，上述步骤S104中，计算目标指标为异常点的概率的实施方式，可以包括：
计算目标指标对应的修正权重系数，将修正权重系数确定为目标指标为异常点的概率。
针对所确定的历史时间段内与目标硬件发生故障相关联的每一目标指标，计算该目标指标对应的权重系数，进一步计算该目标指标对应的修正权重系数，进而将计算得到的修正权重系数确定为该目标指标为异常点的概率。在目标指标为单个指标时，直接计算该指标对应的修正权重系数，在目标指标为组合指标时，分别计算该组合指标中每一指标对应的修正权重系数。具体的，计算每一目标指标对应的权重系数，以及计算每一目标指标对应的修正权重系数的实施方式，可参照上文计算监控指标对应的修正权重系数的实施方式，本发明实施例在此不再赘述。
在所确定的历史时间段内与目标硬件发生故障相关联的目标指标为组合监控指标时，也就是所确定的目标指标为组合指标的情况下，上述步骤S104中，基于目标指标为异常点的概率与第一预设阈值之间的关系，确定目标硬件是否将会发生故障的实施方式，包括：
判断组合指标中每一子目标指标为异常点的概率是否均不小于第一预设阈值；
如果是，则确定目标硬件将会发生故障。
在所确定的目标指标为组合指标的情况下，判断组合指标中每一子目标指标为异常点的概率是否均不小于第一预设阈值，在均不小于时，确定目标硬件将会发生故障。
本发明实施例中，在目标指标为组合指标的情况下，判断组合指标中每一子目标指标为异常点的概率是否均不小于第一预设阈值，并在均不小于的情况下，才确定目标硬件将会发生故障，避免了在与目标硬件发生故障相关联的目标指标为组合监控指标时，依据单个指标是否为异常点确定目标硬件是否将会发生故障导致的不准确预判。
作为本发明实施例一种可选的实施方式，在上述图1所示实施例的基础上，S102从服务器时序数据和服务时序数据中，确定预先指定的各监控指标对应的异常点和异常点对应的时间戳之后，还可以执行以下操作：
将各监控指标对应的异常点和异常点对应的时间戳存储至数据库中。
在采集目标服务器运行参数的服务器时序数据，以及运行在目标服务器上服务的运行参数的服务时序数据后，可以将所采集的服务器时序数据以及服务时序数据存储至数据库中，以及在确定各监控指标对应的异常点和异常点对应的时间戳之后，将各监控指标对应的异常点和异常点对应的时间戳存储至数据库中，以便于后续能够基于各监控指标对应的异常点和异常点对应的时间戳，确定历史时间段内与目标服务器的目标硬件发生故障相关联的目标指标，实现对目标硬件的预判和诊断。
相应的，上述步骤S103基于各监控指标对应的异常点和异常点对应的时间戳，确定历史时间段内与目标服务器的目标硬件发生故障相关联的目标指标的实施方式，可以包括：
基于数据库中各监控指标对应的异常点和异常点对应的时间戳，确定历史时间段内与目标服务器的目标硬件发生故障相关联的目标指标。
作为本发明实施例一种可选的实施方式，在上述图1所示实施例的基础上，还可以执行以下操作：
在确定目标硬件将会发生故障的情况下，输出告警信息。
在确定目标硬件将会发生故障的情况下，输出告警信息，以便于管理人员能够及时对将要发生故障的目标服务器以及运行在该目标服务器上的服务进行相应的处理，以减少硬件发生故障对目标服务器上运行的服务的影响。
作为本发明实施例一种可选的实施方式，在上述图1所示实施例的基础上，还可以执行以下操作：
在确定目标硬件将会发生故障的情况下，将运行在目标服务器上的服务迁移至其他正常服务器。
在确定目标硬件将会发生故障的情况下，即在故障发生之前，将运行在目标服务器上的服务迁移至其他正常服务器，以不影响目标服务器上正在运行的服务，提升服务的质量，同时减少了服务器故障所引起的运行在服务器上服务的故障。
相应于上述方法实施例，本发明实施例提供了一种服务器故障诊断装置，如图4所示，所述装置可以包括：
数据采集模块401，用于采集目标服务器运行参数的服务器时序数据，以及运行在目标服务器上服务的运行参数的服务时序数据；
第一确定模块402，用于从服务器时序数据和服务时序数据中，确定预先指定的各监控指标对应的异常点和异常点对应的时间戳；
第二确定模块403，用于基于各监控指标对应的异常点和异常点对应的时间戳，确定历史时间段内与目标服务器的目标硬件发生故障相关联的目标指标；
故障诊断模块404，用于计算目标指标为异常点的概率，并基于目标指标为异常点的概率与第一预设阈值之间的关系，确定目标硬件是否将会发生故障。
本发明实施例提供的一种服务器故障诊断装置，通过采集目标服务器运行参数的服务器时序数据，以及运行在目标服务器上服务的运行参数的服务时序数据；从服务器时序数据和服务时序数据中，确定预先指定的各监控指标对应的异常点和异常点对应的时间戳；基于各监控指标对应的异常点和异常点对应的时间戳，确定历史时间段内与目标服务器的目标硬件发生故障相关联的目标指标；计算目标指标为异常点的概率，并基于目标指标为异常点的概率与第一预设阈值之间的关系，确定目标硬件是否将会发生故障。相较于现有技术中诊断出服务器硬件故障之后才预警处理，本发明实施例能够提前预判和诊断目标服务器的硬件是否将会发生故障，进而提前预警，转变了服务器硬件故障的告警方式和故障后的处理方式，减少了服务器故障所引起的运行在服务器上服务(或应用程序)的故障，能够提升服务的质量。
可选地，上述第二确定模块403，包括：
第一计算子模块，用于基于各监控指标对应的异常点和异常点对应的时间戳，计算历史时间段内目标硬件发生故障对应的故障时间内，各监控指标或各组合监控指标为异常点的概率；组合监控指标为至少包含两个监控指标的指标组合；
第一判断子模块，用于判断概率是否大于第二预设阈值；
第一确定子模块，用于在第一判断子模块判断出概率大于第二预设阈值时，将概率大于第二预设阈值对应的监控指标或组合监控指标确定为目标指标。
可选地，上述第一确定模块402，包括：
第二计算子模块，用于针对服务器时序数据和服务时序数据中每一预先指定的监控指标，计算该监控指标对应的权重系数；
第三计算子模块，用于基于权重系数，计算该监控指标对应的修正权重系数；
第二判断子模块，用于判断修正权重系数是否大于第三预设阈值；
第二确定子模块，用于在第二判断子模块判断出修正权重系数大于第三预设阈值时，确定该监控指标为异常点，并确定该异常点对应的时间戳。
可选地，上述故障诊断模块404，具体用于：
计算目标指标对应的修正权重系数，将修正权重系数确定为目标指标为异常点的概率；
在目标指标为组合指标的情况下，上述故障诊断模块404，具体用于：
判断组合指标中每一子目标指标为异常点的概率是否均不小于第一预设阈值；
如果是，则确定目标硬件将会发生故障。
可选地，上述装置还包括：
存储模块，用于将各监控指标对应的异常点和异常点对应的时间戳存储至数据库中；
上述第二确定模块403，具体用于：
基于数据库中各监控指标对应的异常点和异常点对应的时间戳，确定历史时间段内与目标服务器的目标硬件发生故障相关联的目标指标。
可选地，上述装置还包括：
告警模块，用于在确定目标硬件将会发生故障的情况下，输出告警信息。
可选地，上述装置还包括：
服务迁移模块，用于在确定目标硬件将会发生故障的情况下，将运行在目标服务器上的服务迁移至其他正常服务器。
本发明实施例还提供了一种电子设备，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，
存储器503，用于存放计算机程序；
处理器501，用于执行存储器503上所存放的程序时，实现如下步骤：
采集目标服务器运行参数的服务器时序数据，以及运行在目标服务器上服务的运行参数的服务时序数据；
从服务器时序数据和服务时序数据中，确定预先指定的各监控指标对应的异常点和异常点对应的时间戳；
基于各监控指标对应的异常点和异常点对应的时间戳，确定历史时间段内与目标服务器的目标硬件发生故障相关联的目标指标；
计算目标指标为异常点的概率，并基于目标指标为异常点的概率与第一预设阈值之间的关系，确定目标硬件是否将会发生故障。
本发明实施例提供的一种电子设备，通过采集目标服务器运行参数的服务器时序数据，以及运行在目标服务器上服务的运行参数的服务时序数据；从服务器时序数据和服务时序数据中，确定预先指定的各监控指标对应的异常点和异常点对应的时间戳；基于各监控指标对应的异常点和异常点对应的时间戳，确定历史时间段内与目标服务器的目标硬件发生故障相关联的目标指标；计算目标指标为异常点的概率，并基于目标指标为异常点的概率与第一预设阈值之间的关系，确定目标硬件是否将会发生故障。相较于现有技术中诊断出服务器硬件故障之后才预警处理，本发明实施例能够提前预判和诊断目标服务器的硬件是否将会发生故障，进而提前预警，转变了服务器硬件故障的告警方式和故障后的处理方式，减少了服务器故障所引起的运行在服务器上服务(或应用程序)的故障，能够提升服务的质量。
上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例中任一所述的一种服务器故障诊断方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的一种服务器故障诊断方法的步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，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。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，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，对于装置/电子设备实施例而言，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。
以上所述仅为本发明的较佳实施例而已，并非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作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种服务器故障诊断方法，其特征在于，所述方法包括：
采集目标服务器运行参数的服务器时序数据，以及运行在所述目标服务器上服务的运行参数的服务时序数据；
从所述服务器时序数据和所述服务时序数据中，确定预先指定的各监控指标对应的异常点和所述异常点对应的时间戳；
基于所述各监控指标对应的异常点和所述异常点对应的时间戳，确定历史时间段内与所述目标服务器的目标硬件发生故障相关联的目标指标；
计算所述目标指标为异常点的概率，并基于所述目标指标为异常点的概率与第一预设阈值之间的关系，确定所述目标硬件是否将会发生故障。
2.根据权利要求1所述的方法，其特征在于，所述基于所述各监控指标对应的异常点和所述异常点对应的时间戳，确定历史时间段内与所述目标服务器的目标硬件发生故障相关联的目标指标，包括：
基于所述各监控指标对应的异常点和所述异常点对应的时间戳，计算历史时间段内目标硬件发生故障对应的故障时间内，各监控指标或各组合监控指标为异常点的概率；所述组合监控指标为至少包含两个监控指标的指标组合；
判断所述概率是否大于第二预设阈值；
如果大于，则将所述概率大于所述第二预设阈值对应的监控指标或组合监控指标确定为目标指标。
3.根据权利要求1所述的方法，其特征在于，所述从所述服务器时序数据和所述服务时序数据中，确定预先指定的各监控指标对应的异常点和所述异常点对应的时间戳，包括：
针对所述服务器时序数据和所述服务时序数据中每一预先指定的监控指标，计算该监控指标对应的权重系数；
基于所述权重系数，计算该监控指标对应的修正权重系数；
判断所述修正权重系数是否大于第三预设阈值；
如果大于，则该监控指标为异常点，并确定该异常点对应的时间戳。
4.根据权利要求3所述的方法，其特征在于，所述计算所述目标指标为异常点的概率，包括：
计算所述目标指标对应的修正权重系数，将所述修正权重系数确定为所述目标指标为异常点的概率；
在所述目标指标为组合指标的情况下，所述基于所述目标指标为异常点的概率与第一预设阈值之间的关系，确定所述目标硬件是否将会发生故障，包括：
判断所述组合指标中每一子目标指标为异常点的概率是否均不小于所述第一预设阈值；
如果是，则确定所述目标硬件将会发生故障。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将各所述监控指标对应的异常点和所述异常点对应的时间戳存储至数据库中；
所述基于所述各监控指标对应的异常点和所述异常点对应的时间戳，确定历史时间段内与所述目标服务器的目标硬件发生故障相关联的目标指标，包括：
基于所述数据库中各监控指标对应的异常点和所述异常点对应的时间戳，确定历史时间段内与所述目标服务器的目标硬件发生故障相关联的目标指标。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在确定所述目标硬件将会发生故障的情况下，输出告警信息。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在确定所述目标硬件将会发生故障的情况下，将运行在所述目标服务器上的服务迁移至其他正常服务器。
8.一种服务器故障诊断装置，其特征在于，所述装置包括：
数据采集模块，用于采集目标服务器运行参数的服务器时序数据，以及运行在所述目标服务器上服务的运行参数的服务时序数据；
第一确定模块，用于从所述服务器时序数据和所述服务时序数据中，确定预先指定的各监控指标对应的异常点和所述异常点对应的时间戳；
第二确定模块，用于基于所述各监控指标对应的异常点和所述异常点对应的时间戳，确定历史时间段内与所述目标服务器的目标硬件发生故障相关联的目标指标；
故障诊断模块，用于计算所述目标指标为异常点的概率，并基于所述目标指标为异常点的概率与第一预设阈值之间的关系，确定所述目标硬件是否将会发生故障。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
CN202110947284.5A 2021-08-18 2021-08-18 一种服务器故障诊断方法、装置及电子设备 Pending CN113590429A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110947284.5A CN113590429A (zh) 2021-08-18 2021-08-18 一种服务器故障诊断方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110947284.5A CN113590429A (zh) 2021-08-18 2021-08-18 一种服务器故障诊断方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN113590429A true CN113590429A (zh) 2021-11-02

Family

ID=78238407

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110947284.5A Pending CN113590429A (zh) 2021-08-18 2021-08-18 一种服务器故障诊断方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113590429A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114301817A (zh) * 2021-12-17 2022-04-08 中电信数智科技有限公司 基于Netconf协议的设备监测阈值设置方法和系统
CN114706733A (zh) * 2022-05-30 2022-07-05 支付宝(杭州)信息技术有限公司 切面程序异常的监控方法和装置
CN114966304A (zh) * 2022-04-13 2022-08-30 中移互联网有限公司 故障定位方法、装置及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103970635A (zh) * 2014-04-28 2014-08-06 浪潮电子信息产业股份有限公司 一种服务器硬件故障的自诊断方法
US20150234698A1 (en) * 2014-02-18 2015-08-20 Netapp, Inc. Methods for diagnosing hardware component failure and devices thereof
US20170147425A1 (en) * 2015-11-25 2017-05-25 Salesforce.Com, Inc. System and method for monitoring and detecting faulty storage devices
CN108446198A (zh) * 2018-04-24 2018-08-24 深圳市国鑫恒宇科技有限公司 硬件故障诊断电路、方法及主板

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150234698A1 (en) * 2014-02-18 2015-08-20 Netapp, Inc. Methods for diagnosing hardware component failure and devices thereof
CN103970635A (zh) * 2014-04-28 2014-08-06 浪潮电子信息产业股份有限公司 一种服务器硬件故障的自诊断方法
US20170147425A1 (en) * 2015-11-25 2017-05-25 Salesforce.Com, Inc. System and method for monitoring and detecting faulty storage devices
CN108446198A (zh) * 2018-04-24 2018-08-24 深圳市国鑫恒宇科技有限公司 硬件故障诊断电路、方法及主板

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114301817A (zh) * 2021-12-17 2022-04-08 中电信数智科技有限公司 基于Netconf协议的设备监测阈值设置方法和系统
CN114966304A (zh) * 2022-04-13 2022-08-30 中移互联网有限公司 故障定位方法、装置及电子设备
CN114706733A (zh) * 2022-05-30 2022-07-05 支付宝(杭州)信息技术有限公司 切面程序异常的监控方法和装置
CN114706733B (zh) * 2022-05-30 2022-09-20 支付宝(杭州)信息技术有限公司 切面程序异常的监控方法和装置

Similar Documents

Publication Publication Date Title
CN113590429A (zh) 一种服务器故障诊断方法、装置及电子设备
CN112162878B (zh) 数据库故障发现方法、装置、电子设备及存储介质
US11269718B1 (en) Root cause detection and corrective action diagnosis system
KR101021411B1 (ko) 처리 과정 모니터링 방법, 비정상성 탐지 방법, 컴퓨터 판독 기록 매체, 시그너쳐 생성 방법, 비정상 활동 탐지 시스템, 처리 과정 모니터링 시스템, 및 비정상 활동의 구별 방법
US7936260B2 (en) Identifying redundant alarms by determining coefficients of correlation between alarm categories
US9239988B2 (en) Network event management
CN108664603B (zh) 一种修复时序数据的异常聚合值的方法及装置
CN111104238B (zh) 一种基于ce的内存诊断的方法、设备及介质
JP5007247B2 (ja) ジョブ処理システムおよびジョブ管理方法
CN114338372A (zh) 网络信息安全监控方法及系统
CN113992602B (zh) 一种电缆监测数据上传方法、装置、设备以及存储介质
CN111626498A (zh) 设备运行状态预测方法、装置、设备及存储介质
CN110955587A (zh) 一种待更换设备确定方法及装置
CN115543665A (zh) 一种内存可靠性评估方法、装置及存储介质
CN117009115A (zh) 故障定位方法、装置、电子设备及计算机存储介质
CN112671590A (zh) 数据传输方法、装置、电子设备及计算机存储介质
CN116992245B (zh) 一种分布式时序数据分析处理方法
CN115269245B (zh) 一种内存故障处理方法及计算设备
CN114513441B (zh) 基于区块链的系统维护方法、装置、设备及存储介质
JP5068351B2 (ja) ネットワーク評価システム、ネットワーク評価方法、及びプログラム
CN114036026A (zh) Greenplum数据库健康状态监控方法及相关装置
CN116541728A (zh) 一种基于密度聚类的故障诊断方法及装置
CN113282463A (zh) 一种矿工节点确定方法及装置
CN115686890A (zh) 一种处理器故障提前预警方法、系统、电子设备及介质
CN116992245A (zh) 一种分布式时序数据分析处理方法

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