CN116302888A - 系统健康度检测方法、装置、计算机设备及其存储介质 - Google Patents
系统健康度检测方法、装置、计算机设备及其存储介质 Download PDFInfo
- Publication number
- CN116302888A CN116302888A CN202310267639.5A CN202310267639A CN116302888A CN 116302888 A CN116302888 A CN 116302888A CN 202310267639 A CN202310267639 A CN 202310267639A CN 116302888 A CN116302888 A CN 116302888A
- Authority
- CN
- China
- Prior art keywords
- current
- log information
- sample
- current log
- vector
- 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
- 230000036541 health Effects 0.000 title claims abstract description 164
- 238000001514 detection method Methods 0.000 title claims abstract description 143
- 239000013598 vector Substances 0.000 claims abstract description 283
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims description 111
- 238000004590 computer program Methods 0.000 claims description 46
- 230000004927 fusion Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 20
- 238000002372 labelling Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 17
- 238000012163 sequencing technique Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012546 transfer 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
- G06F11/3447—Performance evaluation by modeling
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及一种系统健康度检测方法、装置、计算机设备及其存储介质,涉及人工智能技术领域。方法包括:获取待检测系统的当前系统日志;其中,当前系统日志中包括至少两个当前日志信息;根据各当前日志信息的时间戳和当前日志信息数量,确定当前目标总向量;将当前目标总向量输入至目标检测模型,得到目标检测模型输出待检测系统的当前系统健康度。本申请降低了确定待检测系统的系统健康度的操作繁琐程度,保证了在无需获取待检测系统关键性能指标的前提下,准确确定待检测系统的系统健康度。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种系统健康度检测方法、装置、计算机设备及其存储介质。
背景技术
随着计算机水平的不断提升,各类计算机完成生产并投入使用,为保证各类计算机的正常运行,需要系统运维人员针对计算机的系统健康程度进行评估,以保证计算机不会发生故障。
现有技术中,当需要对计算机的系统健康程度进行评估时,需要系统运维人员充分获取计算机的关键性能指标,关键性能指标包括:运算速度和主频等;根据预先设定的评估标准对计算机的关键性能指标进行评估,得到计算机的系统健康评估结果。
但是,现有技术中对计算机的系统健康程度进行评估的方法需要获取大量的关键性能指标,然而,获取关键性能指标的操作较为繁琐,并且,当获取关键性能指标的数量较少时,会导致计算机的系统健康评估结果的准确性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确获取系统健康评估结果的系统健康度检测方法、装置、计算机设备及其存储介质。
第一方面,本申请提供了一种系统健康度检测方法。该方法包括:
获取待检测系统的当前系统日志;其中,当前系统日志中包括至少两个当前日志信息;
根据各当前日志信息的时间戳和当前日志信息数量,确定当前目标总向量;
将当前目标总向量输入至目标检测模型,得到目标检测模型输出待检测系统的当前系统健康度。
在其中一个实施例中,根据各当前日志信息的时间戳和当前日志信息数量,确定当前目标总向量,包括:
根据各当前日志信息的时间戳和当前日志信息数量,确定各当前日志信息对应的信息向量;
对各当前日志信息对应的信息向量进行特征融合,得到融合后的当前目标总向量。
在其中一个实施例中,根据各当前日志信息的时间戳和当前日志信息数量,确定各当前日志信息对应的信息向量,包括:
根据各当前日志信息的时间戳和当前日志信息数量,对当前日志信息进行向量转换,得到各当前日志信息对应的当前候选向量;
基于各当前日志信息在当前系统日志内出现的频率,对当前候选向量进行筛选处理,得到各当前日志信息对应的信息向量。
在其中一个实施例中,根据各当前日志信息的时间戳和当前日志信息数量,对当前日志信息进行向量转换,得到各当前日志信息对应的当前候选向量,包括:
根据各当前日志信息的时间戳,对当前日志信息进行排序处理,得到排序结果;
根据排序结果和当前日志信息数量,确定各当前日志信息对应的当前候选向量。
在其中一个实施例中,对各当前日志信息对应的信息向量进行特征融合,得到融合后的当前目标总向量,包括:
对各当前日志信息对应的信息向量进行归一化处理,得到各当前日志信息的归一化向量;
对各当前日志信息的归一化向量进行特征融合,得到融合后的当前目标总向量。
在其中一个实施例中,包括:
根据至少两组样本系统日志中各样本日志信息的时间戳和样本信息数量,确定各组样本系统日志的样本目标总向量;
对不同样本系统日志的样本目标总向量进行两两组合,得到至少一组训练样本对;
基于各样本系统日志对应的系统健康度,对各训练样本对进行特征标注,得到标注后的训练样本对;
基于标注后的训练样本对对待训练检测模型进行训练,得到目标检测模型。
在其中一个实施例中,基于各样本系统日志对应的系统健康度,对各训练样本对进行特征标注,得到标注后的训练样本对,包括:
基于各样本系统日志对应的系统健康度,对各训练样本对中的两样本目标总向量进行系统健康度比较;
基于比较结果,对各训练样本对进行特征标注,得到标注后的训练样本对。
在其中一个实施例中,基于标注后的训练样本对对待训练检测模型进行训练,得到目标检测模型,包括:
将标注后的训练样本对中的两样本目标总向量输入到待训练检测模型中,得到两样本目标总向量对应的候选健康度;
根据两样本目标总向量对应的候选健康度以及标注后的训练样本对的特征标注结果,确定代价函数值;
若代价函数值满足预设条件,则将待训练检测模型作为目标检测模型。
第二方面,本申请还提供了一种系统健康度检测装置。该装置包括:
获取模块,用于获取待检测系统的当前系统日志;其中,当前系统日志中包括至少两个当前日志信息;
第一确定模块,用于根据各当前日志信息的时间戳和当前日志信息数量,确定当前目标总向量;
输入模块,用于将当前目标总向量输入至目标检测模型,得到目标检测模型输出待检测系统的当前系统健康度。
第三方面,本申请还提供了一种计算机设备。计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现如上述第一方面任一实施例的系统健康度检测方法。
第四方面,本申请还提供了一种计算机可读存储介质。计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述第一方面任一实施例的系统健康度检测方法。
第五方面,本申请还提供了一种计算机程序产品。计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上述第一方面任一实施例的系统健康度检测方法。
根据本申请的技术方案,根据待检测系统的当前系统日志中各当前日志信息的时间戳和当前日志信息数量,确定当前目标总向量;通过将当前目标总向量输入至目标检测模型,实现了用当前系统日志确定的当前目标总向量来体现待检测系统的系统健康度,无需通过复杂的操作获取关键性能指标,只需要获取当前系统日志即可,极大的降低了确定待检测系统的系统健康度的操作繁琐程度,另外,引入目标检测模型,基于当前系统日志中的日志信息转换的目标总向量来预测待检测系统的系统健康度,保证了在无需获取待检测系统关键性能指标的前提下,也能准确确定待检测系统的系统健康度。
附图说明
图1为本申请实施例提供的一种系统健康度检测方法的应用环境图;
图2为本申请实施例提供的一种系统健康度检测方法的流程图;
图3为本申请实施例提供的一种确定当前目标总向量的步骤流程图;
图4为本申请实施例提供的一种确定目标检测模型的步骤流程图;
图5为本申请实施例提供的另一种系统健康度检测方法的步骤流程图;
图6为本申请实施例提供的一种目标检测模型训练方法的步骤流程图;
图7为本申请实施例提供的第一种系统健康度检测装置的结构框图;
图8为本申请实施例提供的第二种系统健康度检测装置的结构框图;
图9为本申请实施例提供的第三种系统健康度检测装置的结构框图;
图10为本申请实施例提供的第四种系统健康度检测装置的结构框图;
图11为本申请实施例提供的第五种系统健康度检测装置的结构框图;
图12为本申请实施例提供的第六种系统健康度检测装置的结构框图;
图13为本申请实施例提供的第七种系统健康度检测装置的结构框图;
图14为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。在本申请的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料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必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
随着计算机水平的不断提升,各类计算机完成生产并投入使用,为保证各类计算机的正常运行,需要系统运维人员针对计算机的系统健康程度进行评估,以保证计算机不会发生故障。
大型主机状态监控是系统运维人员的重要工作,如何快速准确地评估出系统的健康状态,对于主机系统风险控制具有重要意义。传统评估方案是选取部分主机关键性能指标作为衡量因素,实时采集并监控此类指标,采取固定阈值作为健康与否的评价标准,一定程度上可以评价系统健康度。
但是,现有技术中对计算机的系统健康程度进行评估的方法需要获取大量的关键性能指标,然而,获取关键性能指标的操作较为繁琐,并且,当获取关键性能指标的数量较少时,会导致计算机的系统健康评估结果的准确性较低。
基于上述情况,本申请实施例提供的系统健康度检测方法,可以应用于如图1所示的应用环境中。在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储系统健康度检测方法的获取数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种系统健康度检测方法。
本申请公开了一种系统健康度检测方法、装置、计算机设备及其存储介质,计算机设备根据待检测系统的当前系统日志,确定当前目标总向量;并将当前目标总向量输入至目标检测模型,得到目标检测模型输出待检测系统的当前系统健康度。
在一个实施例中,如图2所示,图2为本申请实施例提供的一种系统健康度检测方法的流程图,提供了一种系统健康度检测方法,图1中的计算机设备执行的系统健康度检测方法可以包括以下步骤:
步骤201,获取待检测系统的当前系统日志;其中,当前系统日志中包括至少两个当前日志信息。
需要说明的是,当前系统日志中可记录有待检测系统中硬件、软件和系统问题的信息,同时还记录有待检测系统中不同时刻发生的事件;因此,当前日志信息可以为待检测系统中硬件、软件和系统的问题信息,以及待检测系统发生的事件信息。
在本申请的一种实施例中,获取待检测系统的当前系统日志方法有很多,例如,可通过WebAPI(应用程序编程接口)方式获取待检测系统的当前系统日志,或者,可通过Service Proxy(服务代理接口)方式获取待检测系统的当前系统日志,又或者,可通过LCClient(LC客户端)方式获取待检测系统的当前系统日志;可理解为,获取待检测系统的当前系统日志的方法有很多,在此不再赘述,下面将针对上述三种获取待检测系统的当前系统日志的方法进行详细说明。
作为一种实现方式,当通过WebAPI方式获取待检测系统的当前系统日志时,可基于http(Hyper Text Transfer Protocol,超文本传输协议)协议restful(一种网络应用程序的设计风格和开发方式)方式采集日志数据,并发送至信息队列,实现获取待检测系统的当前系统日志。
作为另一种实现方式,当通过Service Proxy方式获取待检测系统的当前系统日志时,可基于log4.net(一个开源的日志记录组件)的日志组件和消息队列客户端驱动封装为日志记录服务代理,实现提供访问接口,从而根据访问接口获取待检测系统的当前系统日志。
作为又一种实现方式,当可通过LCClient方式获取待检测系统的当前系统日志时,可基于LC客户端实现批量获取当前系统日志的数据,并将获取的数据发送至LC客户端,进而根据LC客户端,获取待检测系统的当前系统日志。
步骤202,根据各当前日志信息的时间戳和当前日志信息数量,确定当前目标总向量。
其中,当前日志信息的时间戳用于表示待检测系统产生该当前日志信息所对应的时间,并且,当前目标总向量中包含各当前日志信息分别对应的信息向量。
需要说明的是,当需要确定当前目标总向量时,可根据各当前日志信息的时间戳和当前日志信息数量,确定各当前日志信息分别对应的信息向量,进而根据各当前日志信息分别对应的信息向量,确定当前目标总向量。
其中,各当前日志信息分别对应的信息向量可由两种元素组成,第一种元素用于表示当前日志信息数量,第二种元素用于表示该当前日志信息位于全部当前日志信息中的位置。
在本申请的一种实施例中,当需要确定各当前日志信息分别对应的信息向量时,可根据各当前日志信息的时间戳,对全部当前日志消息进行排序,得到排序结果,各当前日志信息在排序结果中对应的位置即为信息向量中的第一种元素;将全部当前日志消息的数量,即当前日志信息数量作为各当前日志信息的第二种元素,根据各当前日志信息分别对应第一种元素和第二种元素,确定各当前日志信息分别对应的信息向量。
进一步说明,当根据各当前日志信息分别对应的信息向量,确定当前目标总向量时,可对各当前日志信息分别对应的信息向量进行融合运算,得到包含各当前日志信息分别对应的信息向量的当前目标总向量。
步骤203,将当前目标总向量输入至目标检测模型,得到目标检测模型输出待检测系统的当前系统健康度。
其中,目标检测模型是基于标注后的训练样本对,对待训练检测模型进行训练得到,并且,目标检测模型可实现基于输入的当前目标总向量,输出该当前目标总向量对应待检测系统的当前系统健康度。
需要说明的是,训练样本对中包含两个不同样本系统日志的样本目标总向量,并且,根据两个不同样本系统日志对应的系统健康度,对该训练样本对特征标注,用于体现两个不同样本系统日志的样本目标总向量的系统健康度高低情况,从而得到标注后的训练样本对。
根据本申请的系统健康度检测方法,根据待检测系统的当前系统日志中各当前日志信息的时间戳和当前日志信息数量,确定当前目标总向量;通过将当前目标总向量输入至目标检测模型,实现了用当前系统日志确定的当前目标总向量来体现待检测系统的系统健康度,无需通过复杂的操作获取关键性能指标,只需要获取当前系统日志即可,极大的降低了确定待检测系统的系统健康度的操作繁琐程度,另外,引入目标检测模型,基于当前系统日志中的日志信息转换的目标总向量来预测待检测系统的系统健康度,保证了在无需获取待检测系统关键性能指标的前提下,也能准确确定待检测系统的系统健康度。
需要说明的是,可通过各当前日志信息对应的信息向量,确定当前目标总向量;可选地,如图3所示,图3为本申请实施例提供的一种确定当前目标总向量的步骤流程图,具体的,确定当前目标总向量可以包括以下步骤:
步骤301,根据各当前日志信息的时间戳和当前日志信息数量,确定各当前日志信息对应的信息向量。
需要说明的是,当需要确定各当前日志信息对应的信息向量时,具体可包括以下步骤:根据各当前日志信息的时间戳和当前日志信息数量,对当前日志信息进行向量转换,得到各当前日志信息对应的当前候选向量;基于各当前日志信息在当前系统日志内出现的频率,对当前候选向量进行筛选处理,得到各当前日志信息对应的信息向量。
在本申请的一种实施例中,由于当前日志信息对应的信息向量是当前候选向量经过筛选处理后得到的,不会对当前候选向量内的元素数量造成影响,因此,信息向量与当前候选向量包含的元素数量相同;若各当前日志信息分别对应的信息向量可由两种元素组成,则各当前日志信息对应的当前候选向量同样由两种元素组成,其中,第一种元素用于表示当前日志信息数量,第二种元素用于表示该当前日志信息位于全部当前日志信息中的位置。
综上,当需要确定各当前日志信息对应的当前候选向量时,可根据各当前日志信息的时间戳,对当前日志信息进行排序处理,得到排序结果;根据排序结果和当前日志信息数量,确定各当前日志信息对应的当前候选向量。
其中,根据各当前日志信息的时间戳,对当前日志信息进行排序处理时,可根据各当前日志信息的时间戳,判断当前日志信息产生的先后顺序;根据当前日志信息产生的先后顺序对当前日志信息进行排序处理,得到排序结果。
举例说明,预先设定当前日志信息数量为3,三个当前日志信息分别为A、B和C,按照三个当前日志信息的时间戳,对三个当前日志信息进行排序处理后,得到的结果为:A,B,C。可理解为,当前日志信息A位于全部当前日志信息中的位置为第1位;当前日志信息B位于全部当前日志信息中的位置为第2位;当前日志信息C位于全部当前日志信息中的位置为第3位。由于当前候选向量的第一种元素用于表示当前日志信息数量,第二种元素用于表示该当前日志信息位于全部当前日志信息中的位置;因此,当前日志信息A对应的当前候选向量为(3,1),当前日志信息B对应的当前候选向量为(3,2),当前日志信息C对应的当前候选向量为(3,3)。
在本申请的一种实施例中,由于当前系统日志内存在的当前日志信息数量较多,为保证后续根据当前目标总向量,得到待检测系统的当前系统健康度的效率,并且,防止当前系统日志内出现频率较少的当前日志信息对后续得到待检测系统的当前系统健康度造成干扰,因此,需要将当前系统日志内出现频率较少的当前日志信息对应的当前候选向量进行筛选剔除,得到各当前日志信息对应的信息向量。
步骤302,对各当前日志信息对应的信息向量进行特征融合,得到融合后的当前目标总向量。
需要说明的是,当需要确定当前目标总向量时,具体可包括以下步骤:对各当前日志信息对应的信息向量进行归一化处理,得到各当前日志信息的归一化向量;对各当前日志信息的归一化向量进行特征融合,得到融合后的当前目标总向量。
在本申请的一种实施例中,为保证在对各当前日志信息对应的信息向量进行特征融合时,不受到信息向量数量级差异的干扰,需要对各当前日志信息对应的信息向量进行归一化处理,实现将各当前日志信息对应的信息向量映射到(0,1)区间内,得到各当前日志信息的归一化向量。
作为一种实现方式,可根据计算公式(1)对各当前日志信息对应的信息向量进行归一化处理,得到各当前日志信息的归一化向量;其中,计算公式(1)如下式所示:
其中,Z′为当前日志信息的归一化向量,Z为当前日志信息对应的信息向量。
进一步说明,为保证当前目标总向量中包含各当前日志信息分别对应的信息向量,需保证当前目标总向量中包含各当前日志信息分别对应的信息向量的元素,因此,在对各当前日志信息的归一化向量进行特征融合时,需要保证各当前日志信息的归一化向量中的每一元素均能在融合后的当前目标总向量中体现。
举例说明,若共包含三个当前日志信息的归一化向量,三个当前日志信息的归一化向量分别为归一化向量a,归一化向量b和归一化向量c;三个归一化向量分别为:(A,B),(C,D)和(E,F);对三个归一化向量进行特征融合,得到融合后的当前目标总向量为:(A,B,C,D,E,F)。
根据本申请的系统健康度检测方法,通过确定各当前日志信息对应的信息向量,实现用特征向量的形式表示各当前日志信息,为后续得到当前目标总向量提供了数据基础;通过对各当前日志信息对应的信息向量进行特征融合,保证了当前目标总向量包含各当前日志信息对应的信息向量。并且,通过对当前候选向量进行筛选处理,避免了低频信息对目标检测模型输出待检测系统的当前系统健康度造成影响;通过对各当前日志信息对应的信息向量进行归一化处理,保证各当前日志信息对应的信息向量存在数量级差异,从而影响当前系统健康的确定。
需要说明的是,可通过标注后的训练样本对,对待训练检测模型进行训练,得到目标检测模型;可选地,如图4所示,图4为本申请实施例提供的一种确定目标检测模型的步骤流程图,具体的,确定目标检测模型可以包括以下步骤:
步骤401,根据至少两组样本系统日志中各样本日志信息的时间戳和样本信息数量,确定各组样本系统日志的样本目标总向量。
在本申请的一种实施例中,当需要确定各组样本系统日志的样本目标总向量时,可根据至少两组样本系统日志中各样本日志信息的时间戳,对各样本日志信息进行排序处理,得到排序结果,并且确定各样本日志信息在排序结果中的位置,将各样本日志信息在排序结果中的位置和样本信息数量,作为样本日志信息对应的当前候选向量的两个元素,进而确定各样本日志信息对应的当前候选向量;根据各组样本系统日志中各样本日志信息的出现频率,对各样本日志信息对应的当前候选向量进行筛选,去除出现频率低的样本日志信息对应的当前候选向量,得到各样本日志信息对应的信息向量。对各样本日志信息对应的信息向量进行特征融合,得到各组样本系统日志的样本目标总向量。
步骤402,对不同样本系统日志的样本目标总向量进行两两组合,得到至少一组训练样本对。
其中,训练样本对中包含两个不同样本系统日志的样本目标总向量。
进一步说明,若不同样本系统日志的样本目标总向量的数量大于两个,则对不同样本系统日志的样本目标总向量随机进行两两组合,得到至少两组训练样本对。
步骤403,基于各样本系统日志对应的系统健康度,对各训练样本对进行特征标注,得到标注后的训练样本对。
需要说明的是,当需要对各训练样本对进行特征标注时,可以包括以下内容:基于各样本系统日志对应的系统健康度,对各训练样本对中的两样本目标总向量进行系统健康度比较;基于比较结果,对各训练样本对进行特征标注,得到标注后的训练样本对。
在本申请的一种实施例中,通过对各训练样本对中的两样本目标总向量进行系统健康度比较,得到比较结果,根据比较结果的不同对训练样本对标1或者-1。
举例说明,若训练样本对为(i,j),其中,i和j均表示某一样本系统日志的样本目标总向量,并且,i和j不是同一样本系统日志的样本目标总向量。判断i对应的样本系统日志的系统健康度与j对应的样本系统日志的系统健康度的关系,若i对应的样本系统日志的系统健康度大于j对应的样本系统日志的系统健康度,则表示i对应的样本系统比j对应的样本系统健康,则将训练样本对(i,j)标注为1;若i对应的样本系统日志的系统健康度小于j对应的样本系统日志的系统健康度,则表示j对应的样本系统比i对应的样本系统健康,则将训练样本对(i,j)标注为-1。
步骤404,基于标注后的训练样本对对待训练检测模型进行训练,得到目标检测模型。
需要说明的是,在对待训练检测模型进行训练时具体可包括以下内容:将标注后的训练样本对中的两样本目标总向量输入到待训练检测模型中,得到两样本目标总向量对应的候选健康度;根据两样本目标总向量对应的候选健康度以及标注后的训练样本对的特征标注结果,确定代价函数值;若代价函数值满足预设条件,则将待训练检测模型作为目标检测模型;若代价函数值不满足预设条件,则返回执行将标注后的训练样本对中的两样本目标总向量输入到待训练检测模型的操作。
进一步说明,预设条件可以是当代价函数值最大时,将待训练检测模型作为目标检测模型。
在本申请的一种实施例中,当预设条件为当代价函数值最大时,上述代价函数值可根据计算公式(2)进行确定,其中,计算公式(2)如下式所示:
根据本申请的系统健康度检测方法,通过各样本系统日志对应的系统健康度,对训练样本对进行特征标注,保证后续根据标注后的训练样本对对待训练检测模型进行训练时,能够提高目标检测模型确定当前系统健康度的准确性。
在本申请的一种实施例中,如图5所示,图5为本申请实施例提供的另一种系统健康度检测方法的步骤流程图,当需要确定待检测系统的当前系统健康度时,具体可包括以下步骤:
步骤501,获取待检测系统的当前系统日志;其中,当前系统日志中包括至少两个当前日志信息。
步骤502,根据各当前日志信息的时间戳,对当前日志信息进行排序处理,得到排序结果。
步骤503,根据排序结果和当前日志信息数量,确定各当前日志信息对应的当前候选向量。
步骤504,基于各当前日志信息在当前系统日志内出现的频率,对当前候选向量进行筛选处理,得到各当前日志信息对应的信息向量。
步骤505,对各当前日志信息对应的信息向量进行归一化处理,得到各当前日志信息的归一化向量。
步骤506,对各当前日志信息的归一化向量进行特征融合,得到融合后的当前目标总向量。
步骤507,将当前目标总向量输入至目标检测模型,得到目标检测模型输出待检测系统的当前系统健康度。
根据本申请的系统健康度检测方法,根据待检测系统的当前系统日志中各当前日志信息的时间戳和当前日志信息数量,确定当前目标总向量;通过将当前目标总向量输入至目标检测模型,实现了用当前系统日志确定的当前目标总向量来体现待检测系统的系统健康度,无需通过复杂的操作获取关键性能指标,只需要获取当前系统日志即可,极大的降低了确定待检测系统的系统健康度的操作繁琐程度,另外,引入目标检测模型,基于当前系统日志中的日志信息转换的目标总向量来预测待检测系统的系统健康度,保证了在无需获取待检测系统关键性能指标的前提下,也能准确确定待检测系统的系统健康度。
在本申请的一种实施例中,如图6所示,图6为本申请实施例提供的一种目标检测模型训练方法的步骤流程图,目标检测模型的训练过程可包括以下步骤:
步骤601,根据至少两组样本系统日志中各样本日志信息的时间戳和样本信息数量,确定各组样本系统日志的样本目标总向量。
步骤602,对不同样本系统日志的样本目标总向量进行两两组合,得到至少一组训练样本对。
步骤603,基于各样本系统日志对应的系统健康度,对各训练样本对中的两样本目标总向量进行系统健康度比较。
步骤604,基于比较结果,对各训练样本对进行特征标注,得到标注后的训练样本对。
步骤605,将标注后的训练样本对中的两样本目标总向量输入到待训练检测模型中,得到两样本目标总向量对应的候选健康度。
步骤606,根据两样本目标总向量对应的候选健康度以及标注后的训练样本对的特征标注结果,确定代价函数值。
步骤607,若代价函数值满足预设条件,则将待训练检测模型作为目标检测模型。
根据本申请的系统健康度检测方法,通过各样本系统日志对应的系统健康度,对训练样本对进行特征标注,保证后续根据标注后的训练样本对对待训练检测模型进行训练时,能够提高目标检测模型确定当前系统健康度的准确性。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的系统健康度检测方法的系统健康度检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个系统健康度检测装置实施例中的具体限定可以参见上文中对于系统健康度检测方法的限定,在此不再赘述。
在一个实施例中,如图7所示,图7为本申请实施例提供的第一种系统健康度检测装置的结构框图,提供了一种系统健康度检测装置,包括:获取模块10、第一确定模块20和输入模块30,其中:
获取模块10,用于获取待检测系统的当前系统日志;其中,当前系统日志中包括至少两个当前日志信息;
第一确定模块20,用于根据各当前日志信息的时间戳和当前日志信息数量,确定当前目标总向量;
输入模块30,用于将当前目标总向量输入至目标检测模型,得到目标检测模型输出待检测系统的当前系统健康度。
根据本申请的系统健康度检测装置,根据待检测系统的当前系统日志中各当前日志信息的时间戳和当前日志信息数量,确定当前目标总向量;通过将当前目标总向量输入至目标检测模型,实现了用当前系统日志确定的当前目标总向量来体现待检测系统的系统健康度,无需通过复杂的操作获取关键性能指标,只需要获取当前系统日志即可,极大的降低了确定待检测系统的系统健康度的操作繁琐程度,另外,引入目标检测模型,基于当前系统日志中的日志信息转换的目标总向量来预测待检测系统的系统健康度,保证了在无需获取待检测系统关键性能指标的前提下,也能准确确定待检测系统的系统健康度。
在一个实施例中,如图8所示,图8为本申请实施例提供的第二种系统健康度检测装置的结构框图,提供了一种系统健康度检测装置,该系统健康度检测装置中第一确定模块20包括:第一确定单元21和融合单元22,其中:
第一确定单元21,用于根据各当前日志信息的时间戳和当前日志信息数量,确定各当前日志信息对应的信息向量。
融合单元22,用于对各当前日志信息对应的信息向量进行特征融合,得到融合后的当前目标总向量。
在一个实施例中,如图9所示,图9为本申请实施例提供的第三种系统健康度检测装置的结构框图,提供了一种系统健康度检测装置,该系统健康度检测装置中第一确定单元21包括:转换子单元211和筛选子单元212,其中:
转换子单元211,用于根据各当前日志信息的时间戳和当前日志信息数量,对当前日志信息进行向量转换,得到各当前日志信息对应的当前候选向量。
筛选子单元212,用于基于各当前日志信息在当前系统日志内出现的频率,对当前候选向量进行筛选处理,得到各当前日志信息对应的信息向量。
在一个实施例中,转换子单元211可具体用于根据各当前日志信息的时间戳,对当前日志信息进行排序处理,得到排序结果;根据排序结果和当前日志信息数量,确定各当前日志信息对应的当前候选向量。
在一个实施例中,如图10所示,图10为本申请实施例提供的第四种系统健康度检测装置的结构框图,提供了一种系统健康度检测装置,该系统健康度检测装置中融合单元22包括:归一化子单元221和融合子单元222,其中:
归一化子单元221,用于对各当前日志信息对应的信息向量进行归一化处理,得到各当前日志信息的归一化向量。
融合子单元222,用于对各当前日志信息的归一化向量进行特征融合,得到融合后的当前目标总向量。
在一个实施例中,如图11所示,图11为本申请实施例提供的第五种系统健康度检测装置的结构框图,提供了一种系统健康度检测装置,该系统健康度检测装置还包括:第二确定模块40、组合模块50、标注模块60和训练模块70,其中:
第二确定模块40,用于根据至少两组样本系统日志中各样本日志信息的时间戳和样本信息数量,确定各组样本系统日志的样本目标总向量。
组合模块50,用于对不同样本系统日志的样本目标总向量进行两两组合,得到至少一组训练样本对。
标注模块60,用于基于各样本系统日志对应的系统健康度,对各训练样本对进行特征标注,得到标注后的训练样本对。
训练模块70,用于基于标注后的训练样本对对待训练检测模型进行训练,得到目标检测模型。
在一个实施例中,如图12所示,图12为本申请实施例提供的第六种系统健康度检测装置的结构框图,提供了一种系统健康度检测装置,该系统健康度检测装置中标注模块60,包括:比较单元61和标注单元62,其中:
比较单元61,用于基于各样本系统日志对应的系统健康度,对各训练样本对中的两样本目标总向量进行系统健康度比较。
标注单元62,用于基于比较结果,对各训练样本对进行特征标注,得到标注后的训练样本对。
在一个实施例中,如图13所示,图13为本申请实施例提供的第七种系统健康度检测装置的结构框图,提供了一种系统健康度检测装置,该系统健康度检测装置中训练模块70,包括:输入单元71、第二确定单元72和第三确定单元73,其中:
输入单元71,用于将标注后的训练样本对中的两样本目标总向量输入到待训练检测模型中,得到两样本目标总向量对应的候选健康度。
第二确定单元72,用于根据两样本目标总向量对应的候选健康度以及标注后的训练样本对的特征标注结果,确定代价函数值。
第三确定单元73,用于若代价函数值满足预设条件,则将待训练检测模型作为目标检测模型。
上述系统健康度检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种系统健康度检测方法。
本领域技术人员可以理解,图14中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待检测系统的当前系统日志;其中,当前系统日志中包括至少两个当前日志信息;
根据各当前日志信息的时间戳和当前日志信息数量,确定当前目标总向量;
将当前目标总向量输入至目标检测模型,得到目标检测模型输出待检测系统的当前系统健康度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据各当前日志信息的时间戳和当前日志信息数量,确定各当前日志信息对应的信息向量;
对各当前日志信息对应的信息向量进行特征融合,得到融合后的当前目标总向量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据各当前日志信息的时间戳和当前日志信息数量,对当前日志信息进行向量转换,得到各当前日志信息对应的当前候选向量;
基于各当前日志信息在当前系统日志内出现的频率,对当前候选向量进行筛选处理,得到各当前日志信息对应的信息向量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据各当前日志信息的时间戳,对当前日志信息进行排序处理,得到排序结果;
根据排序结果和当前日志信息数量,确定各当前日志信息对应的当前候选向量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对各当前日志信息对应的信息向量进行归一化处理,得到各当前日志信息的归一化向量;
对各当前日志信息的归一化向量进行特征融合,得到融合后的当前目标总向量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据至少两组样本系统日志中各样本日志信息的时间戳和样本信息数量,确定各组样本系统日志的样本目标总向量;
对不同样本系统日志的样本目标总向量进行两两组合,得到至少一组训练样本对;
基于各样本系统日志对应的系统健康度,对各训练样本对进行特征标注,得到标注后的训练样本对;
基于标注后的训练样本对对待训练检测模型进行训练,得到目标检测模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于各样本系统日志对应的系统健康度,对各训练样本对中的两样本目标总向量进行系统健康度比较;
基于比较结果,对各训练样本对进行特征标注,得到标注后的训练样本对。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将标注后的训练样本对中的两样本目标总向量输入到待训练检测模型中,得到两样本目标总向量对应的候选健康度;
根据两样本目标总向量对应的候选健康度以及标注后的训练样本对的特征标注结果,确定代价函数值;
若代价函数值满足预设条件,则将待训练检测模型作为目标检测模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待检测系统的当前系统日志;其中,当前系统日志中包括至少两个当前日志信息;
根据各当前日志信息的时间戳和当前日志信息数量,确定当前目标总向量;
将当前目标总向量输入至目标检测模型,得到目标检测模型输出待检测系统的当前系统健康度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据各当前日志信息的时间戳和当前日志信息数量,确定各当前日志信息对应的信息向量;
对各当前日志信息对应的信息向量进行特征融合,得到融合后的当前目标总向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据各当前日志信息的时间戳和当前日志信息数量,对当前日志信息进行向量转换,得到各当前日志信息对应的当前候选向量;
基于各当前日志信息在当前系统日志内出现的频率,对当前候选向量进行筛选处理,得到各当前日志信息对应的信息向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据各当前日志信息的时间戳,对当前日志信息进行排序处理,得到排序结果;
根据排序结果和当前日志信息数量,确定各当前日志信息对应的当前候选向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对各当前日志信息对应的信息向量进行归一化处理,得到各当前日志信息的归一化向量;
对各当前日志信息的归一化向量进行特征融合,得到融合后的当前目标总向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据至少两组样本系统日志中各样本日志信息的时间戳和样本信息数量,确定各组样本系统日志的样本目标总向量;
对不同样本系统日志的样本目标总向量进行两两组合,得到至少一组训练样本对;
基于各样本系统日志对应的系统健康度,对各训练样本对进行特征标注,得到标注后的训练样本对;
基于标注后的训练样本对对待训练检测模型进行训练,得到目标检测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于各样本系统日志对应的系统健康度,对各训练样本对中的两样本目标总向量进行系统健康度比较;
基于比较结果,对各训练样本对进行特征标注,得到标注后的训练样本对。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将标注后的训练样本对中的两样本目标总向量输入到待训练检测模型中,得到两样本目标总向量对应的候选健康度;
根据两样本目标总向量对应的候选健康度以及标注后的训练样本对的特征标注结果,确定代价函数值;
若代价函数值满足预设条件,则将待训练检测模型作为目标检测模型。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取待检测系统的当前系统日志;其中,当前系统日志中包括至少两个当前日志信息;
根据各当前日志信息的时间戳和当前日志信息数量,确定当前目标总向量;
将当前目标总向量输入至目标检测模型,得到目标检测模型输出待检测系统的当前系统健康度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据各当前日志信息的时间戳和当前日志信息数量,确定各当前日志信息对应的信息向量;
对各当前日志信息对应的信息向量进行特征融合,得到融合后的当前目标总向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据各当前日志信息的时间戳和当前日志信息数量,对当前日志信息进行向量转换,得到各当前日志信息对应的当前候选向量;
基于各当前日志信息在当前系统日志内出现的频率,对当前候选向量进行筛选处理,得到各当前日志信息对应的信息向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据各当前日志信息的时间戳,对当前日志信息进行排序处理,得到排序结果;
根据排序结果和当前日志信息数量,确定各当前日志信息对应的当前候选向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对各当前日志信息对应的信息向量进行归一化处理,得到各当前日志信息的归一化向量;
对各当前日志信息的归一化向量进行特征融合,得到融合后的当前目标总向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据至少两组样本系统日志中各样本日志信息的时间戳和样本信息数量,确定各组样本系统日志的样本目标总向量;
对不同样本系统日志的样本目标总向量进行两两组合,得到至少一组训练样本对;
基于各样本系统日志对应的系统健康度,对各训练样本对进行特征标注,得到标注后的训练样本对;
基于标注后的训练样本对对待训练检测模型进行训练,得到目标检测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于各样本系统日志对应的系统健康度,对各训练样本对中的两样本目标总向量进行系统健康度比较;
基于比较结果,对各训练样本对进行特征标注,得到标注后的训练样本对。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将标注后的训练样本对中的两样本目标总向量输入到待训练检测模型中,得到两样本目标总向量对应的候选健康度;
根据两样本目标总向量对应的候选健康度以及标注后的训练样本对的特征标注结果,确定代价函数值;
若代价函数值满足预设条件,则将待训练检测模型作为目标检测模型。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种系统健康度检测方法,其特征在于,所述方法包括:
获取待检测系统的当前系统日志;其中,所述当前系统日志中包括至少两个当前日志信息;
根据各当前日志信息的时间戳和当前日志信息数量,确定当前目标总向量;
将所述当前目标总向量输入至目标检测模型,得到所述目标检测模型输出所述待检测系统的当前系统健康度。
2.根据权利要求1所述的方法,其特征在于,所述根据各当前日志信息的时间戳和当前日志信息数量,确定当前目标总向量,包括:
根据各当前日志信息的时间戳和当前日志信息数量,确定各当前日志信息对应的信息向量;
对所述各当前日志信息对应的信息向量进行特征融合,得到融合后的当前目标总向量。
3.根据权利要求2所述的方法,其特征在于,所述根据各当前日志信息的时间戳和当前日志信息数量,确定各当前日志信息对应的信息向量,包括:
根据各当前日志信息的时间戳和当前日志信息数量,对所述当前日志信息进行向量转换,得到各所述当前日志信息对应的当前候选向量;
基于各所述当前日志信息在所述当前系统日志内出现的频率,对所述当前候选向量进行筛选处理,得到各当前日志信息对应的信息向量。
4.根据权利要求3所述的方法,其特征在于,所述根据各当前日志信息的时间戳和当前日志信息数量,对所述当前日志信息进行向量转换,得到各所述当前日志信息对应的当前候选向量,包括:
根据各当前日志信息的时间戳,对所述当前日志信息进行排序处理,得到排序结果;
根据所述排序结果和所述当前日志信息数量,确定各所述当前日志信息对应的当前候选向量。
5.根据权利要求2所述的方法,其特征在于,所述对所述各当前日志信息对应的信息向量进行特征融合,得到融合后的当前目标总向量,包括:
对所述各当前日志信息对应的信息向量进行归一化处理,得到各当前日志信息的归一化向量;
对所述各当前日志信息的归一化向量进行特征融合,得到融合后的当前目标总向量。
6.根据权利要求1-5中任意一项权利要求所述的方法,其特征在于,还包括:
根据至少两组样本系统日志中各样本日志信息的时间戳和样本信息数量,确定各组样本系统日志的样本目标总向量;
对不同样本系统日志的样本目标总向量进行两两组合,得到至少一组训练样本对;
基于各样本系统日志对应的系统健康度,对所述各训练样本对进行特征标注,得到标注后的训练样本对;
基于所述标注后的训练样本对对待训练检测模型进行训练,得到所述目标检测模型。
7.根据权利要求6所述的方法,其特征在于,所述基于各样本系统日志对应的系统健康度,对所述各训练样本对进行特征标注,得到标注后的训练样本对,包括:
基于各样本系统日志对应的系统健康度,对各所述训练样本对中的两样本目标总向量进行系统健康度比较;
基于比较结果,对所述各训练样本对进行特征标注,得到标注后的所述训练样本对。
8.根据权利要求7所述的方法,其特征在于,所述基于所述标注后的训练样本对对待训练检测模型进行训练,得到所述目标检测模型,包括:
将标注后的训练样本对中的两样本目标总向量输入到待训练检测模型中,得到两样本目标总向量对应的候选健康度;
根据所述两样本目标总向量对应的候选健康度以及所述标注后的训练样本对的特征标注结果,确定代价函数值;
若所述代价函数值满足预设条件,则将所述待训练检测模型作为所述目标检测模型。
9.一种系统健康度检测装置,其特征在于,所述装置包括:
获取模块,用于获取待检测系统的当前系统日志;其中,所述当前系统日志中包括至少两个当前日志信息;
第一确定模块,用于根据各当前日志信息的时间戳和当前日志信息数量,确定当前目标总向量;
输入模块,用于将所述当前目标总向量输入至目标检测模型,得到所述目标检测模型输出所述待检测系统的当前系统健康度。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质,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权利要求1至8中任一项所述的方法的步骤。
12.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310267639.5A CN116302888A (zh) | 2023-03-16 | 2023-03-16 | 系统健康度检测方法、装置、计算机设备及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310267639.5A CN116302888A (zh) | 2023-03-16 | 2023-03-16 | 系统健康度检测方法、装置、计算机设备及其存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116302888A true CN116302888A (zh) | 2023-06-23 |
Family
ID=86786651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310267639.5A Pending CN116302888A (zh) | 2023-03-16 | 2023-03-16 | 系统健康度检测方法、装置、计算机设备及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116302888A (zh) |
-
2023
- 2023-03-16 CN CN202310267639.5A patent/CN116302888A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650433B (zh) | 一种异常行为检测方法及系统 | |
US10089109B2 (en) | System and method for evaluating human resources in a software development environment | |
CN111177714A (zh) | 异常行为检测方法、装置、计算机设备和存储介质 | |
CN111090807A (zh) | 一种基于知识图谱的用户识别方法及装置 | |
CN115841046B (zh) | 基于维纳过程的加速退化试验数据处理方法和装置 | |
CN107392018A (zh) | 应用程序脱壳方法及装置 | |
CN113271322A (zh) | 异常流量的检测方法和装置、电子设备和存储介质 | |
CN115033876A (zh) | 日志处理方法、日志处理装置、计算机设备及存储介质 | |
JP7304223B2 (ja) | ハイブリッド学習技法を生成するための方法およびシステム | |
CN115545103A (zh) | 异常数据识别、标签识别方法和异常数据识别装置 | |
CN106201857A (zh) | 测试用例的选取方法及装置 | |
CN116414815A (zh) | 数据质量检测方法、装置、计算机设备和存储介质 | |
CN113946983A (zh) | 产品可靠性薄弱环节评估方法、装置和计算机设备 | |
CN112416896A (zh) | 数据异常的报警方法和装置、存储介质、电子装置 | |
CN116561607A (zh) | 资源交互数据异常检测方法、装置和计算机设备 | |
CN116737495A (zh) | 运行状态确定方法、装置、计算机设备和存储介质 | |
CN116302888A (zh) | 系统健康度检测方法、装置、计算机设备及其存储介质 | |
EP4060435A1 (en) | Method and system for infrastructure monitoring | |
CN105978749A (zh) | 一种局域网内计算机硬件信息的监测方法及系统 | |
CN115619261A (zh) | 一种作业标签画像数据处理方法、装置、计算机设备 | |
CN113569879B (zh) | 异常识别模型的训练方法、异常账号识别方法及相关装置 | |
CN107665258A (zh) | 文件系统可用性确定方法及装置 | |
JP6547341B2 (ja) | 情報処理装置、方法及びプログラム | |
US20230133110A1 (en) | Systems and methods for detection of cryptocurrency mining using processor metadata | |
US20210019446A1 (en) | Device and method for analyzing performances of a web application |
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 |