CN114116390A - 一种故障预测方法、装置、设备及可读存储介质 - Google Patents
一种故障预测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN114116390A CN114116390A CN202111407745.6A CN202111407745A CN114116390A CN 114116390 A CN114116390 A CN 114116390A CN 202111407745 A CN202111407745 A CN 202111407745A CN 114116390 A CN114116390 A CN 114116390A
- Authority
- CN
- China
- Prior art keywords
- time node
- predicted
- server
- period
- parameter data
- 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 44
- 238000012545 processing Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
- G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请公开了提供的一种故障预测方法、装置、设备及可读存储介质，通过获取服务器在待预测时间节点之前的第一周期的历史参数数据和第二周期的历史参数数据，其中第一周期的时长大于第二周期的时长，基于第一周期的历史参数数据，预测得到服务器在待预测时间节点的参考参数取值范围，并基于第二周期的历史参数数据，预测得到服务器在待预测时间节点的预测参数数据，判断预测参数数据是否处于参考参数取值范围之内，若否，则确定服务器在待预测时间节点存在故障隐患。在本申请中通过判断预测参数数据是否处于参考参数取值范围之内，即可确定服务器在待预测时间节点是否存在故障隐患，从而实现对故障隐患的预测。
Description
技术领域
本申请涉及运维技术领域，尤其涉及一种故障预测方法、装置、设备及可读存储介质。
背景技术
随着互联网技术的快速发展，互联网用户数量与日俱增，业务场景向多样化发展，适配于各个业务场景的服务器数量也随之增加。针对各个业务场景，为了避免服务器出现故障，会设定相应的阈值对服务器的数据传输量进行监控。但是，通过设定阈值的故障监控方式，只有在达到预设阈值后才会显示故障并进行告警，此时由于故障已经发生，而且故障的处理时间难以把控，会严重影响人们对相关服务功能的使用，因此，如何对故障进行预测是人们一直关注的问题。
发明内容
有鉴于此，本申请提供了一种故障预测方法、装置、设备及可读存储介质，以便于对故障进行预测。
为了实现上述目的，现提出的方案如下：
一种故障预测方法，包括：
获取服务器在待预测时间节点之前的第一周期的历史参数数据和第二周期的历史参数数据，其中，所述第一周期的时长大于所述第二周期的时长；
基于所述第一周期的历史参数数据，预测得到所述服务器在所述待预测时间节点的参考参数取值范围；
基于所述第二周期的历史参数数据，预测得到所述服务器在所述待预测时间节点的预测参数数据；
判断所述预测参数数据是否处于所述参考参数取值范围之内；
若否，则确定所述服务器在所述待预测时间节点存在故障隐患。
可选的，还包括：
将所述预测参数数据及待预测时间节点输入故障预测模型，确定所述服务器在所述待预测时间节点是否存在故障隐患，所述故障预测模型以所述服务器在历史时间节点的参数数据为训练样本，以所述服务器在所述历史时间节点是否发生故障作为样本标签训练得到。
可选的，基于所述第一周期的历史参数数据，预测得到所述服务器在所述待预测时间节点的参考参数取值范围，包括：
选取第一周期内与待预测时间节点相同时刻的第一目标时间节点；
利用所述第一目标时间节点及其前后预设时间范围内的数据，预测得到所述服务器在所述预测时间节点的参考参数取值范围。
可选的，基于所述第二周期的历史参数数据，预测得到所述服务器在所述待预测时间节点的预测参数数据，包括：
选取第二周期内与待预测时间节点相同时刻的第二目标时间节点；
利用所述第二目标时间节点及其前后预设时间范围内的数据，预测得到所述服务器在所述预测时间节点的预测参数数据。
可选的，还包括：
判断所述故障隐患是否存在对应的处理方式；
若是，则按照所述处理方式对所述故障隐患进行处理；
若否，则发出告警信息。
可选的，在按照所述处理方式对所述故障隐患进行处理之后，还包括：
判断所述故障隐患是否消除；
若是，则记录处理数据；
若否，则发出告警信息。
一种故障预测装置，包括：
历史数据获取单元，用于获取服务器在待预测时间节点之前的第一周期的历史参数数据和第二周期的历史参数数据，其中，所述第一周期的时长大于所述第二周期的时长；
参考范围获取单元，用于基于所述第一周期的历史参数数据，预测得到所述服务器在所述待预测时间节点的参考参数取值范围；
预测数据获取单元，用于基于所述第二周期的历史参数数据，预测得到所述服务器在所述待预测时间节点的预测参数数据；
故障隐患判断单元，用于判断所述预测参数数据是否处于所述参考参数取值范围之内，若否，则确定所述服务器在所述待预测时间节点存在故障隐患。
可选的，还包括：
故障预测单元，用于将所述预测参数数据及待预测时间节点输入故障预测模型，确定所述服务器在所述待预测时间节点是否存在故障隐患，所述故障预测模型以所述服务器在历史时间节点的参数数据为训练样本，以所述服务器在所述历史时间节点是否发生故障作为样本标签训练得到。
一种故障预测设备，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如前述的故障预测方法的各个步骤。
一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如前述的故障预测方法的各个步骤。
从上述的技术方案可以看出，本申请实施例提供的一种故障预测方法、装置、设备及可读存储介质，通过获取服务器在待预测时间节点之前的第一周期的历史参数数据和第二周期的历史参数数据，其中，第一周期的时长大于第二周期的时长，基于第一周期的历史参数数据，预测得到服务器在待预测时间节点的参考参数取值范围，并基于第二周期的历史参数数据，预测得到服务器在待预测时间节点的预测参数数据，判断预测参数数据是否处于参考参数取值范围之内，若否，则确定服务器在待预测时间节点存在故障隐患。在本申请中，通过利用第一周期的历史参数数据，预测得到待预测时间节点的参考参数取值范围，再利用第二周期的历史参数数据，预测得到待预测时间节点的预测参数数据，由于第一周期大于第二周期，所以得到的参考参数取值范围会更具备普适性，而得到的预测参数数据会更接近待预测时间节点的真实数据，通过判断预测参数数据是否处于参考参数取值范围之内，即可确定服务器在待预测时间节点是否存在故障隐患，从而实现对故障的预测。
附图说明
为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种故障预测方法流程图；
图2为本申请实施例提供的一种故障预测装置结构示意图；
图3为本申请实施例公开的一种故障预测设备的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图1为本申请实施例提供的一种故障预测方法流程图，参考图1所示，该方法可以包括：
步骤S100、获取服务器在待预测时间节点之前的第一周期的历史参数数据和第二周期的历史参数数据。
其中，第一周期的时长大于第二周期的时长。
具体的，在确定待预测时间节点之后，可以获取服务器在待预测时间节点之前的第一周期的历史参数数据和第二周期的历史参数数据，第一周期和第二周期可以与待预测时间节点相邻，也可以与待预测时间节点相距预设时间段。
步骤S101、基于第一周期的历史参数数据，预测得到服务器在待预测时间节点的参考参数取值范围。
具体的，在上述步骤中可以得到服务器在待预测时间节点之前的第一周期的历史参数数据，利用第一周期的历史参数数据，可以预测得到待预测时间节点的参考参数取值范围。其中参考参数取值范围可以包括参考参数取值范围的上限和参考参数取值范围的下限。
步骤S102、基于第二周期的历史参数数据，预测得到服务器在待预测时间节点的预测参数数据。
具体的，通过上述步骤获取服务器在待预测时间节点之前的第二周期的历史参数数据之后，可以预测得到待预测时间节点的预测参数数据。利用第二周期的历史参数数据，预测得到待预测时间节点的预测参数数据的方式，可以采用建立时间序列模型的方式来实现预测。
其中，步骤S101和步骤S102的执行顺序，可以同时执行，也可以按照任意顺序先后执行，以何种执行顺序执行均不影响本申请的实施。
步骤S103、判断预测参数数据是否处于参考参数取值范围之内。
具体的，在上述步骤预测得到预测参数数据和参考参数取值范围之后，参考参数取值范围可以作为待预测时间节点的参数数据标准，判断预测参数数据是否处于参考参数取值范围之内，若否，则执行步骤S104。
步骤S104、确定服务器在待预测时间节点存在故障隐患。
具体的，由于待预测时间节点的预测参数数据不处于参考参数取值范围之内，所以可以确定服务器在待预测时间节点存在故障隐患。其中，当预测参数数据高于参考参数取值范围的上限时，将会出现的故障可能是预测参数数据将会超出服务器的承载能力，当预测参数数据第一参考参数取值范围的下限是，将会出现的故障可能是某个服务器对接接口可能出现故障，导致服务器无法提供服务。
上述实施例中，提供了一种故障预测方法，通过获取服务器在待预测时间节点之前的第一周期的历史参数数据和第二周期的历史参数数据，其中，第一周期的时长大于第二周期的时长，基于第一周期的历史参数数据，预测得到待预测时间节点的参考参数取值范围，并基于第二周期的历史参数数据，预测得到待预测时间节点的预测参数数据，判断预测参数数据是否处于参考参数取值范围之内，若否，则确定服务器在待预测时间节点存在故障隐患。在本申请中，通过利用第一周期的历史参数数据，预测得到待预测时间节点的参考参数取值范围，再利用第二周期的历史参数数据，预测得到待预测时间节点的预测参数数据，由于第一周期大于第二周期，所以得到的参考参数取值范围会更具备普适性，而得到的预测参数数据会更接近待预测时间节点的真实数据，通过判断预测参数数据是否处于参考参数取值范围之内，即可确定服务器在待预测时间节点是否存在故障隐患，从而实现对故障的预测。
在本申请的一些实施例中，对步骤S101、基于所述第一周期的历史数据，预测得到所述待预测时间节点的参考参数取值范围的过程进行介绍，该过程可以包括：
S11、选取第一周期内与待预测时间节点相同时刻的第一目标时间节点。
具体的，在确定待预测时间节点之后，可以从第一周期中选取与待预测时间节点处于相同时刻的时间节点，作为第一目标时间节点。比如，当前待预测时间节点为“4月15日，周三”，此时第一周期为1月14日至4月14日，则在第一周期中与待预测时间节点4月15日处于相同时间位置的时间节点可以是1月15日、2月15日、3月15日和第一周期中的每个周三对应的时间节点，将这些节点作为第一目标时间节点。
S12、利用第一目标时间节点及其前后预设时间范围内的数据，预测得到预测时间节点的参考参数取值范围。
具体的，在上述步骤中确定第一目标时间节点之后，可以选取第二目标时间节点及其前后预设时间范围内的数据，预测待预测时间节点的参考参数取值范围。比如，当前待预测时间节点为“4月15日，周三”，此时第一周期为1月14日至4月14日，则1月15日、2月15日、3月15日和第一周期中周三对应的时间节点作为第一目标时间节点，设定前后预设时间范围为1天，则得到的数据为1月14日至1月16日、2月14日至2月16日、3月14日至3月16日和第一周期中周二到周四的历史参数数据。在得到历史参数数据之后，可以从中选取最大值和最小值作为参考参数范围，也可以。
在本申请的一些实施例中，对步骤S102、基于所述第二周期的历史数据，预测得到所述待预测时间节点的预测参数数据的过程进行介绍，该过程可以包括：
S21、选取第二周期内与待预测时间节点相同时刻的第二目标时间节点。
具体的，在确定待预测时间节点之后，可以从第二周期中选取与待预测时间节点处于相同时刻的时间节点，作为第二目标时间节点。比如，当前待预测时间节点为“4月15日，周三”，此时第一周期为4月1日至4月14日，则在第一周期中与待预测时间节点4月15日处于相同时间位置的时间节点可以是4月1日至4月14日中的周三，将这些节点作为第二目标时间节点。
S22、利用第二目标时间节点及其前后预设时间范围内的数据，预测得到预测时间节点的预测参数数据。
具体的，在上述步骤中确定第二目标时间节点之后，可以选取第二目标时间节点及其前后预设时间范围内的数据，预测待预测时间节点的预测参数数据。比如，当前待预测时间节点为“4月15日，周三”，此时第一周期为4月1日至4月14日，则4月1日至4月14日中的周三对应的时间节点作为第二目标时间节点，设定前后预设时间范围为1天，则得到的数据为4月1日至4月14日中的周二至周四的历史参数数据。在得到历史参数数据之后，可以采用取平均的方式，将所有的数据相加最终计算得到一个平均数据，作为预测参数数据。
在当前的数据分析领域，在获取数据之后，还可以利用神经网络模型对数据进行分析，从而得到相应的预测结果。基于此，本申请的一些实施例中，可以利用神经网络模型预测服务器在待预测时间节点是否存在故障隐患，通过机器学习可以从历史数据中得到故障数据的相关特征，从而在将待预测时间节点及数据输入神经网络模型时，可以预测服务器是否存在故障隐患。
具体的，可以以服务器在历史时间节点的参数数据作为训练样本，以服务器在历史时间节点是否发生故障作为样本标签训练得到故障预测模型。利用训练得到的故障预测模型，可以将预测参数数据及待预测时间节点输入故障预测模型，确定服务器在待预测时间节点是否存在故障隐患。
在上述实施例中，可以以服务器在历史时间节点的参数数据作为训练样本，以服务器在历史时间节点是否发生故障作为样本标签训练得到故障预测模型，并利用训练后的故障预测模型，可以实现服务器在待预测时间节点的故障预测。
进一步的，上述实施例中，可以利用判断预测参数数据是否处于参考参数取值范围之内，来判断服务器在待预测时间节点是否存在故障隐患；还可以利用神经网络模型来判断服务器在待预测时间节点是否存在故障隐患。当上述两种方式均判断服务器在待预测时间节点存在故障隐患或其中一种方式判断服务器在待预测时间节点存在故障隐患时，即可以确定服务器在待预测时间节点存在故障隐患；当上述两种方式均判断服务器在待预测时间节点不存在故障隐患时，则可以确定服务器在待预测时间节点不存在故障隐患。
通常情况下，针对服务器出现的故障隐患，需要运维人员通过一些脚本程序进行处理，或者手动切换服务器，但是，人工进行处理还需要增加人为的响应时间，可能会导致故障无法及时得到处理。基于此，在本申请的一些实施例中，可以针对简单的故障隐患，设定相应的处理方式。
具体的，可以预先设置故障隐患对应的处理方式，在判断待预测时间节点存在故障隐患之后，可以判断故障隐患是否存在对应的处理方式，若是，则按照处理方式对故障隐患进行处理，若否，则发出告警信息。
其中，当故障隐患为超过服务器的承载能力时，处理方式可以将服务器所要处理的数据进行分流，使得服务器所要处理的数据减少；当故障隐患为服务器可能出现故障时，处理方式可以将该服务器所要处理的数据更换为其他服务器进行处理。
上述实施例中，针对一些可以通过机器自动化处理的故障隐患，预先设置相关的处理方式，在预测服务器在待预测时间节点存在故障隐患，且对应有相应的处理方式时，可以按照处理方式对故障隐患进行处理，使得故障隐患得到及时的处理。
进一步的，在上述实施例中，在按照处理方式对故障隐患进行处理之后，还可以判断故障隐患是否消除，若是，则记录处理数据，若否，则发出告警信息。
下面对本申请实施例提供的一种故障预测装置进行描述，下文描述的一种故障预测装置与上文描述的一种故障预测方法可相互对应参照。
图2为本申请实施例提供的一种故障预测装置结构示意图，参考图2所示，故障预测装置可以包括：
历史数据获取单元10，用于获取服务器在待预测时间节点之前的第一周期的历史参数数据和第二周期的历史参数数据，其中，所述第一周期的时长大于所述第二周期的时长；
参考范围获取单元20，用于基于所述第一周期的历史参数数据，预测得到所述服务器在所述待预测时间节点的参考参数取值范围；
预测数据获取单元30，用于基于所述第二周期的历史参数数据，预测得到所述服务器在所述待预测时间节点的预测参数数据；
故障隐患判断单元40，用于判断所述预测参数数据是否处于所述参考参数取值范围之内，若否，则确定所述服务器在所述待预测时间节点存在故障隐患。
上述实施例中，提供了一种故障预测方法，通过历史数据获取单元10获取服务器在待预测时间节点之前的第一周期的历史参数数据和第二周期的历史参数数据，其中，第一周期的时长大于第二周期的时长，参考范围获取单元20基于第一周期的历史参数数据，预测得到待预测时间节点的参考参数取值范围，并由预测数据获取单元30基于第二周期的历史参数数据，预测得到待预测时间节点的预测参数数据，故障隐患判断单元40判断预测参数数据是否处于参考参数取值范围之内，若否，则确定服务器在待预测时间节点存在故障隐患。在本申请中，通过利用第一周期的历史参数数据，预测得到待预测时间节点的参考参数取值范围，再利用第二周期的历史参数数据，预测得到待预测时间节点的预测参数数据，由于第一周期大于第二周期，所以得到的参考参数取值范围会更具备普适性，而得到的预测参数数据会更接近待预测时间节点的真实数据，通过判断预测参数数据是否处于参考参数取值范围之内，即可确定服务器在待预测时间节点是否存在故障隐患，从而实现对故障的预测。
可选的，故障预测装置，还可以包括：
故障隐患预测单元，用于将所述预测参数数据及待预测时间节点输入故障预测模型，确定所述服务器在所述待预测时间节点是否存在故障隐患，所述故障预测模型以所述服务器在历史时间节点的参数数据为训练样本，以所述服务器在所述历史时间节点是否发生故障作为样本标签训练得到。
可选的，参考范围获取单元20执行基于所述第一周期的历史参数数据，预测得到所述服务器在所述待预测时间节点的参考参数取值范围的步骤，可以包括：
选取第一周期内与待预测时间节点处于相同时间位置的时间节点，作为第一目标时间节点；
利用第一目标时间节点及其前后预设时间范围内的数据，预测得到所述服务器在所述预测时间节点的参考参数取值范围。
可选的，预测数据获取单元30执行基于所述第二周期的历史参数数据，预测得到所述服务器在所述待预测时间节点的预测参数数据的步骤，可以包括：
选取第二周期内与待预测时间节点处于相同时间位置的时间节点，作为第二目标时间节点；
利用第二目标时间节点及其前后预设时间范围内的数据，预测得到所述服务器在所述预测时间节点的预测参数数据。
可选的，故障预测装置，还可以包括：
处理方式判断单元，用于判断所述故障隐患是否存在对应的处理方式；若是，则按照所述处理方式对所述故障隐患进行处理；若否，则发出告警信息。
可选的，故障预测装置，还可以包括：
处理结果判断单元，用于判断所述故障隐患是否消除；若是，则记录处理数据；若否，则发出告警信息。
本申请实施例还提供一种故障预测设备，图3示出了故障预测设备的硬件结构框图，参照图3，故障预测设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
在本申请实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)等，例如至少一个磁盘存储器；
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：实现前述故障预测方法中的各个处理流程。
本申请实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：实现前述故障预测方法中的各个处理流程。
最后，还需要说明的是，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。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以相互组合，且相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种故障预测方法，其特征在于，包括：
获取服务器在待预测时间节点之前的第一周期的历史参数数据和第二周期的历史参数数据，其中，所述第一周期的时长大于所述第二周期的时长；
基于所述第一周期的历史参数数据，预测得到所述服务器在所述待预测时间节点的参考参数取值范围；
基于所述第二周期的历史参数数据，预测得到所述服务器在所述待预测时间节点的预测参数数据；
判断所述预测参数数据是否处于所述参考参数取值范围之内；
若否，则确定所述服务器在所述待预测时间节点存在故障隐患。
2.根据权利要求1所述的方法，其特征在于，还包括：
将所述预测参数数据及待预测时间节点输入故障预测模型，确定所述服务器在所述待预测时间节点是否存在故障隐患，所述故障预测模型以所述服务器在历史时间节点的参数数据为训练样本，以所述服务器在所述历史时间节点是否发生故障作为样本标签训练得到。
3.根据权利要求1所述的方法，其特征在于，基于所述第一周期的历史参数数据，预测得到所述服务器在所述待预测时间节点的参考参数取值范围，包括：
选取第一周期内与待预测时间节点相同时刻的第一目标时间节点；
利用所述第一目标时间节点及其前后预设时间范围内的数据，预测得到所述服务器在所述预测时间节点的参考参数取值范围。
4.根据权利要求1所述的方法，其特征在于，基于所述第二周期的历史参数数据，预测得到所述服务器在所述待预测时间节点的预测参数数据，包括：
选取第二周期内与待预测时间节点相同时刻的第二目标时间节点；
利用所述第二目标时间节点及其前后预设时间范围内的数据，预测得到所述服务器在所述预测时间节点的预测参数数据。
5.根据权利要求1-4任意一项所述的方法，其特征在于，还包括：
判断所述故障隐患是否存在对应的处理方式；
若是，则按照所述处理方式对所述故障隐患进行处理；
若否，则发出告警信息。
6.根据权利要求5所述的方法，其特征在于，在按照所述处理方式对所述故障隐患进行处理之后，还包括：
判断所述故障隐患是否消除；
若是，则记录处理数据；
若否，则发出告警信息。
7.一种故障预测装置，其特征在于，包括：
历史数据获取单元，用于获取服务器在待预测时间节点之前的第一周期的历史参数数据和第二周期的历史参数数据，其中，所述第一周期的时长大于所述第二周期的时长；
参考范围获取单元，用于基于所述第一周期的历史参数数据，预测得到所述服务器在所述待预测时间节点的参考参数取值范围；
预测数据获取单元，用于基于所述第二周期的历史参数数据，预测得到所述服务器在所述待预测时间节点的预测参数数据；
故障隐患判断单元，用于判断所述预测参数数据是否处于所述参考参数取值范围之内，若否，则确定所述服务器在所述待预测时间节点存在故障隐患。
8.根据权利要求7所述的装置，其特征在于，还包括：
故障预测单元，用于将所述预测参数数据及待预测时间节点输入故障预测模型，确定所述服务器在所述待预测时间节点是否存在故障隐患，所述故障预测模型以所述服务器在历史时间节点的参数数据为训练样本，以所述服务器在所述历史时间节点是否发生故障作为样本标签训练得到。
9.一种故障预测设备，其特征在于，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1-6任一项的故障预测方法的各个步骤。
10.一种可读存储介质，其上存储有计算机程序，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1-6任一项的故障预测方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111407745.6A CN114116390A (zh) | 2021-11-24 | 2021-11-24 | 一种故障预测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111407745.6A CN114116390A (zh) | 2021-11-24 | 2021-11-24 | 一种故障预测方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114116390A true CN114116390A (zh) | 2022-03-01 |
Family
ID=80372363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111407745.6A Pending CN114116390A (zh) | 2021-11-24 | 2021-11-24 | 一种故障预测方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114116390A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115442247A (zh) * | 2022-11-03 | 2022-12-06 | 湖南警云智慧信息科技有限公司 | 一种采用人工智能数据处理运维箱 |
| CN116400209A (zh) * | 2023-03-10 | 2023-07-07 | 广东电网有限责任公司佛山供电局 | 一种配电变压器的调压开关故诊断方法及装置 |
| CN117041072A (zh) * | 2023-06-25 | 2023-11-10 | 兴容(上海)信息技术股份有限公司 | 一种基于人工智能的多模态数据管理系统及方法 |
-
2021
- 2021-11-24 CN CN202111407745.6A patent/CN114116390A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115442247A (zh) * | 2022-11-03 | 2022-12-06 | 湖南警云智慧信息科技有限公司 | 一种采用人工智能数据处理运维箱 |
| CN116400209A (zh) * | 2023-03-10 | 2023-07-07 | 广东电网有限责任公司佛山供电局 | 一种配电变压器的调压开关故诊断方法及装置 |
| CN117041072A (zh) * | 2023-06-25 | 2023-11-10 | 兴容(上海)信息技术股份有限公司 | 一种基于人工智能的多模态数据管理系统及方法 |
| CN117041072B (zh) * | 2023-06-25 | 2024-02-13 | 兴容(上海)信息技术股份有限公司 | 一种基于人工智能的多模态数据管理系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114116390A (zh) | 一种故障预测方法、装置、设备及可读存储介质 | |
| CN110880984B (zh) | 基于模型的流量异常监测方法、装置、设备及存储介质 | |
| EP2490126B1 (en) | System operation management device, system operation management method, and program storage medium | |
| US6973415B1 (en) | System and method for monitoring and modeling system performance | |
| US8352867B2 (en) | Predictive monitoring dashboard | |
| Hellerstein et al. | A statistical approach to predictive detection | |
| US7082381B1 (en) | Method for performance monitoring and modeling | |
| CN107481090A (zh) | 一种用户异常行为检测方法、装置和系统 | |
| CN110428018A (zh) | 一种全链路监控系统中的异常预测方法及装置 | |
| CN111262750B (zh) | 一种用于评估基线模型的方法及系统 | |
| JPH07183948A (ja) | 通信システムで生じる事象を予測する規則を生成するデータの処理方法 | |
| CN113037562A (zh) | 一种网关故障评估方法、装置及服务器 | |
| CN113204692A (zh) | 数据处理任务执行进度的监测方法及装置 | |
| CN114285844A (zh) | 服务器接口智能熔断的方法、装置、电子设备及存储介质 | |
| CN108521435B (zh) | 一种用户网络行为画像的方法及系统 | |
| CN116781939A (zh) | 故障检测方法、服务器、直播系统、存储介质和电子设备 | |
| CN108122036B (zh) | 一种变电站带电运检辅助分析方法 | |
| CN113835961B (zh) | 告警信息监控方法、装置、服务器及存储介质 | |
| CN112787883B (zh) | 一种设备nat故障检测方法、装置及设备 | |
| CN111552566B (zh) | 一种数据处理系统、方法、电子设备及存储介质 | |
| CN105790968A (zh) | 一种评估监测互联网业务异常变化情况的方法及装置 | |
| CN112291421B (zh) | 基于语音通信的单通检测方法、装置及存储介质、电子设备 | |
| CN112799957A (zh) | 基于用户行为的故障处理方法、系统、设备和介质 | |
| CN113971240A (zh) | 物联网故障的预警方法、装置及可读存储介质 | |
| CN112835780A (zh) | 一种业务检测方法及装置 |
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: 20240320 Address after: Unit 1, Building 1, China Telecom Zhejiang Innovation Park, No. 8 Xiqin Street, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province, 311100 Applicant after: Tianyi Shilian Technology Co.,Ltd. Country or region after: Zhong Guo Address before: Room 1423, No. 1256 and 1258, Wanrong Road, Jing'an District, Shanghai 200040 Applicant before: Tianyi Digital Life Technology Co.,Ltd. Country or region before: Zhong Guo |
|
| TA01 | Transfer of patent application right |