CN117234844A - 云服务器异常管理方法、装置、计算机设备及存储介质 - Google Patents
云服务器异常管理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117234844A CN117234844A CN202311164407.3A CN202311164407A CN117234844A CN 117234844 A CN117234844 A CN 117234844A CN 202311164407 A CN202311164407 A CN 202311164407A CN 117234844 A CN117234844 A CN 117234844A
- Authority
- CN
- China
- Prior art keywords
- server
- abnormal
- prediction model
- anomaly
- early warning
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 230000005856 abnormality Effects 0.000 title claims description 61
- 230000002159 abnormal effect Effects 0.000 claims abstract description 186
- 238000000034 method Methods 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000012706 support-vector machine Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 79
- 230000008569 process Effects 0.000 claims description 50
- 238000012423 maintenance Methods 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 26
- 238000001514 detection method Methods 0.000 abstract description 24
- 230000006872 improvement Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
Abstract
本申请公开了一种云服务器异常管理方法、装置、计算机设备及存储介质,属于云技术领域和金融科技领域。本申请通过基于支持向量机构建初始预测模型,并将预设的高斯核函数嵌入初始预测模型,基于训练数据集训练服务器异常预测模型,并基于贝叶斯算法对目标预测模型的参数进行调优,将待检测服务器数据输入到服务器异常预测模型,得到服务器异常预测结果,根据服务器异常预测结果生成异常预警信息,获取用户反馈信息,并根据反馈信息和异常预警信息对异常服务器的运行进行调整。本申请还涉及区块链技术领域,服务器数据可以存储在区块链节点上。本申请可以实现了对云服务器的异常检测和管理,提高云服务器的稳定性和性能。
Description
技术领域
本申请属于云技术领域和金融科技领域,具体涉及一种云服务器异常管理方法、装置、计算机设备及存储介质。
背景技术
随着云计算、5G、区块链等高新技术的发展,服务器承担着越来越重要的作用,且服务器之间的关联程度也越来越紧密。以保险企业的业务系统为例,不管是承载企业经营的业务系统,还是存储海量保险数据的数据中心,都需要大量的服务器支撑,故服务器故障和异常事件对会对业务的连续性等造成严重后果,因此对服务器的可靠性、可用性提出了更高的要求,需要有高效率的故障诊断、故障监测、故障处理方法来支撑。
目前,国内外已经存在不少可用于服务器异常处理的技术手段,例如,最常用的是使用统计学的方法来进行异常检测,其主要是通过分析服务器运行过程中的统计参数特征来进行异常检测,再通过技术人员来对检测到的服务器异常进行处理,这类方法可以满足小批量服务器异常检测的需要,但对于大集群的云服务器来说,需要投入大量的人力、物力去完成服务器异常监控和维护,而且通常是在异常发生后才能介入处理,并不能完全消除异常带来的影响,实时性较差。
发明内容
本申请实施例的目的在于提出一种云服务器异常管理方法、装置、计算机设备及存储介质,以解决现有服务器异常处理技术手段存在的需要投入大量的人力、物力去完成服务器异常监控和维护,且实时性较差的技术问题。
为了解决上述技术问题,本申请实施例提供一种云服务器异常管理方法,采用了如下所述的技术方案:
一种云服务器异常管理方法,包括:
获取云服务器的历史运行数据,对所述历史运行数据进行标注;
基于标注后的所述历史运行数据构建训练数据集;
基于支持向量机构建初始预测模型,并将预设的高斯核函数嵌入所述初始预测模型,得到目标预测模型;
基于所述训练数据集训练所述目标预测模型,并基于预设的贝叶斯算法对所述目标预测模型的参数进行调优,得到服务器异常预测模型;
接收异常预测指令,获取待检测服务器数据,将所述待检测服务器数据输入到所述服务器异常预测模型,得到服务器异常预测结果;
根据所述服务器异常预测结果生成异常预警信息,输出所述异常预警信息;
接收用户针对所述异常预警信息的反馈信息,并根据所述反馈信息和所述异常预警信息确定异常服务器,并对所述异常服务器的运行进行调整;
更新所述异常服务器的运行状态,并输出所述异常服务器的运行状态。
进一步地,预设的高斯核函数如下:
K(x,x')=exp(-γ||x-x'||^2+b)
式中,K(x,x')为高斯核函数的值,x和x'为输入样本,||x-x'||表示输入样本x和输入样本x'之间的欧氏距离或范数,γ为高斯核函数的带宽参数,b为高斯核函数的偏移量。
进一步地,所述基于所述训练数据集训练所述目标预测模型,并基于预设的贝叶斯算法对所述目标预测模型的参数进行调优,得到服务器异常预测模型,具体包括:
对所述目标预测模型的参数进行初始化,其中,所述目标预测模型的参数包括所述高斯核函数的带宽参数和所述高斯核函数的偏移量;
对所述训练数据集中的样本数据进行特征向量转换,得到样本特征向量;
将所述样本特征向量映射到到高维空间,并利用所述贝叶斯算法在所述高维空间中搜索所述目标预测模型的最优参数组合,得到所述服务器异常预测模。
进一步地,所述将所述样本特征向量映射到到高维空间,并利用所述贝叶斯算法在所述高维空间中搜索所述目标预测模型的最优参数组合,得到所述服务器异常预测模型,具体包括:
定义所述目标预测模型的目标函数,其中,所述目标函数基于所述高斯核函数的带宽参数和所述高斯核函数的偏移量进行定义;
利用所述贝叶斯算法在所述高维空间中搜索参数组合,并搜索到的参数组合和所述目标函数构建高斯过程模型;
基于所述高斯过程模型获取所述目标预测模型的最优参数组合;
基于所述最优参数组合构建所述服务器异常预测模型。
进一步地,所述基于所述高斯过程模型获取所述目标预测模型的最优参数组合,具体包括:
对搜索到的参数组合进行分组,得到第一参数组合和第二参数组合;
基于所述第一参数组合和所述目标函数构建高斯过程模型,并获取所述高斯过程模型输出的初始观察结果;
根据所述初始观察结果计算所述高斯过程模型的先验概率分布;
基于所述第二参数组合对所述高斯过程模型进行迭代更新,并通过所述初始观察结果和所述先验概率分布评估所述第二参数组合的性能;
根据参数组合的性能评估结果确定所述述目标预测模型的最优参数组合。
进一步地,所述反馈信息包括任务调度指令和服务器维护指令,所述接收用户针对所述异常预警信息的反馈信息,并根据所述反馈信息和所述异常预警信息确定异常服务器,并对所述异常服务器的运行进行调整,具体包括:
接收用户针对所述异常预警信息的反馈信息,并根据所述反馈信息和所述异常预警信息确定异常服务器;
响应所述任务调度指令,确定空闲服务器,并将所述异常服务器上运行的处理任务发送至所述空闲服务器;
响应所述服务器维护指令,对所述异常服务器进行异常维护。
进一步地,所述更新所述异常服务器的运行状态,并输出所述异常服务器的运行状态,具体包括:
更新所述异常服务器的运行状态为维护状态,并输出所述异常服务器的运行状态;
在所述更新所述异常服务器的运行状态,并输出所述异常服务器的运行状态之后,还包括:
监控所述异常服务器的维护进度;
当所述异常服务器维护完成时,更新所述异常服务器的运行状态为正常运行状态,并输出所述异常服务器的运行状态。
为了解决上述技术问题,本申请实施例还提供一种云服务器异常管理装置,采用了如下所述的技术方案:
一种云服务器异常管理装置,包括:
数据标注模块,用于获取云服务器的历史运行数据,对所述历史运行数据进行标注;
数据集构建模块,用于基于标注后的所述历史运行数据构建训练数据集;
核函数嵌入模块,用于基于支持向量机构建初始预测模型,并将预设的高斯核函数嵌入所述初始预测模型,得到目标预测模型;
参数调优模块,用于基于所述训练数据集训练所述目标预测模型,并基于预设的贝叶斯算法对所述目标预测模型的参数进行调优,得到服务器异常预测模型;
异常预测模块,用于接收异常预测指令,获取待检测服务器数据,将所述待检测服务器数据输入到所述服务器异常预测模型,得到服务器异常预测结果;
异常预警模块,用于根据所述服务器异常预测结果生成异常预警信息,输出所述异常预警信息;
异常处理模块,用于接收用户针对所述异常预警信息的反馈信息,并根据所述反馈信息和所述异常预警信息确定异常服务器,并对所述异常服务器的运行进行调整;
状态更新模块,用于更新所述异常服务器的运行状态,并输出所述异常服务器的运行状态。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上述任一项所述的云服务器异常管理方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上述中任一项所述的云服务器异常管理方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请公开了一种云服务器异常管理方法、装置、计算机设备及存储介质,属于云技术领域和金融科技领域。本申请通过基于历史运行数据构建训练数据集,基于支持向量机构建初始预测模型,并将预设的高斯核函数嵌入初始预测模型,得到目标预测模型,基于训练数据集训练目标预测模型,并基于预设的贝叶斯算法对目标预测模型的参数进行调优,得到服务器异常预测模型,将待检测服务器数据输入到服务器异常预测模型,得到服务器异常预测结果,根据服务器异常预测结果生成异常预警信息,输出异常预警信息,接收用户针对异常预警信息的反馈信息,并根据反馈信息和异常预警信息确定异常服务器,并对异常服务器的运行进行调整。本申请通过结合支持向量机、贝叶斯算法和高斯核函数实现了对云服务器的异常检测和管理,通过构建异常预测模型和异常预警系统,可以提前发现异常服务器,并进行相应的调整和运行状态更新,避免服务器异常带来的影响,提高云服务器的稳定性和性能。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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。
图1示出了本申请可以应用于其中的示例性系统架构图;
图2示出了本申请的基于SVM的服务器异常检测方法的一个实施例实现流程图
图3示出了本申请的服务器数据采集层的示例性系统架构图;
图4示出了本申请的基于SVM的服务器异常检测方法的另一个实施例实现流程图;
图5示出了根据本申请的云服务器异常管理方法的一个实施例的流程图;
图6示出了根据本申请的云服务器异常管理装置的一个实施例的结构示意图;
图7示出了根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器,服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
需要说明的是,本申请实施例所提供的云服务器异常管理方法一般由服务器执行,相应地,云服务器异常管理装置一般设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
目前,国内外已经存在不少可用于服务器异常处理的技术手段,例如,最常用的是使用统计学的方法来进行异常检测,其主要是通过分析服务器运行过程中的统计参数特征来进行异常检测,再通过技术人员来对检测到的服务器异常进行处理,这类方法可以满足小批量服务器异常检测的需要,但对于大集群的云服务器来说,需要投入大量的人力、物力去完成服务器异常监控和维护,而且通常是在异常发生后才能介入处理,并不能完全消除异常带来的影响,实时性较差。
为了解决上述技术问题,本申请公开了一种云服务器异常管理方法、装置、计算机设备及存储介质,属于云技术领域和金融科技领域,本申请通过结合支持向量机、贝叶斯算法和高斯核函数实现了对云服务器的异常检测和管理,通过构建异常预测模型和保险企业的业务异常预警系统,可以提前发现异常服务器,并进行相应的调整和运行状态更新,避免服务器异常带来的影响,提高云服务器的稳定性和性能。
在本申请具体的实施例中,请参考图2至3,本申请还公开一种基于SVM的云服务器异常管理系统及云服务器异常管理方法,基于SVM的云服务器异常管理系统包括服务器数据采集层、分析处理层和终端管理层,为了更好的对云服务器状态进行监测,在数据分析层引入SVM模型进行预测模型训练,可对云服务器运行状态进行预测。
在服务器数据采集层,为了解决服务器分布式结构及不同位置机房带来的复杂情况,在数据采集层采用Client-Server架构,通过各机房节点客户端采集服务器运行信息发送到Server节点,再统一提供给分析处理层进行处理。
在分析处理层,对采集到的服务器数据进行处理,包括数据清洗、格式化等预处理工作,以及关键特征数据提取和构建基于SVM的服务器异常预测模型,并进行周期性的服务器故障在线预测。
终端管理层采用MVC架构,数据处理分析层得到预测结果和正常存储的数据都可以在终端管理层进行展示、查询。一般地,生产运维人员通过身份认证登录到管理系统后,可查看各服务器的运行状态,同时根据SVM模型预测得到的故障信息进行预警,提醒运维人员确认服务器健康状况,及时处理异常,避免造成影响。
终端管理层具体包含如下功能:
(1)服务器状态总览:界面动态显示服务器健康状态,可以配置同时显示多个机房、服务器信息,支持轮换显示各个机房、服务器信息。
(2)故障总览:实现了数据采集与计算的结果页面,该页面根据实时采集的
数据,实时更新图表内容,动态更新实时数据状态。运维人员看到的为实时更新
滚动的界面。
(3)故障发生列表:查看当前故障及预测故障的列表,并显示页面,配置邮件、电话通知。运维人员可查看实时故障信息,确认系统状态,对异常服务器进行维护,对误报的进行状态矫正。
基于上述云服务器异常管理系统,本申请公开一种基于SVM的服务器异常检测方法,基于SVM的服务器异常检测方法的实现流程图如图4所示。
继续参考图5,示出了根据本申请的云服务器异常管理方法的一个实施例的流程图。本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述的云服务器异常管理方法,包括以下步骤:
S201,获取云服务器的历史运行数据,对历史运行数据进行标注。
在本实施例中,收集云服务器的历史运行数据,例如CPU使用率、内存占用等指标,然后通过人工或自动化的方式对这些历史运行数据进行标注,获取历史运行数据对应的标注标签,将正常和异常的状态进行分类标记,这些标注标签将用于服务器异常预测模型的训练。
在本申请一种具体的实施例中,服务器异常预测模型应用于保险业务异常预警系统,可以选择与异常事件相关的保险业务数据,异常事件相关的保险业务数据如保单申请数量、理赔请求数量、客户登录次数等等,获取这些数据产生时的服务器运行数据作为训练数据集的特征,用于训练保险业务异常预警系统的异常预测模型。
需要说明的是,为了得到可靠的服务器异常预测模型,从采集的历史运行数据中提取关键的参数信息,提取的参数指标包含CPU使用率、内存占用、磁盘使用率、网络情况、IO参数、日志异常关键字。具体来说,数据采集器启动后,配置需采集的关键特征,通过关键字匹配进行筛选提取云服务器的历史运行数据。
S202,基于标注后的历史运行数据构建训练数据集。
在本实施例中,使用标注后的历史运行数据作为训练样本,构建训练数据集,训练数据集通常由输入特征和对应的标签组成,输入特征是服务器的运行指标,标签表示对应的状态,即服务器运行正常或异常。
对标注后的历史运行数据进行数据集划分,数据划分比例为7:3,其中,70%作为训练样本集,30%作为验证样本集,训练样本集用于模型训练,验证样本集用于模型验证。
S203,基于支持向量机构建初始预测模型,并将预设的高斯核函数嵌入初始预测模型,得到目标预测模型。
本申请的初始预测模型基于支持向量机(Support Vector Machine,简称SVM)训练得到,SVM是一种常用于模式识别和机器学习的监督学习算法,SVM可以用于分类和回归问题,广泛应用于文本分类、图像识别、生物信息学等领域。SVM的核心思想是找到一个最优的超平面,能够将不同类别的样本分隔开来,并且使得两个类别的间隔最大化,这个最优的超平面被称为分隔超平面(separating hyperplane)。
高斯核函数(Gaussian kernel function),也称为径向基函数(RadialBasisFunction,RBF),是一种常用的核函数,用于在机器学习和模式识别中进行非线性映射和相似度度量。
在本实施例中,使用支持向量机SVM构建初始的预测模型,SVM是一种二分类模型,可以用于预测服务器的状态,在构建初始预测模型时,将预设的高斯核函数嵌入其中,用于衡量样本之间的相似性。
进一步地,预设的高斯核函数如下:
K(x,x')=exp(-γ||x-x'||^2+b)
式中,K(x,x')为高斯核函数的值,x和x'为输入样本,||x-x'||表示输入样本x和输入样本x'之间的欧氏距离或范数,γ为高斯核函数的带宽参数,b为高斯核函数的偏移量。
在本实施例中,考虑到服务器运行数据为复杂的非线性,采用高斯核函数可以捕捉到非线性和复杂的异常模式。K(x,x')用于衡量样本x和x'之间的相似度或相关性。斯核函数的带宽参数γ决定了高斯分布的衰减速度,较大的γ值使得核函数衰减得更快,对异常样本更加敏感;较小的γ值使得核函数衰减得更慢,对整体模式更敏感。核函数的偏移量b控制了核函数的基线水平,较大的b值使得核函数整体上升,提高了异常检测的灵敏度;较小的b值使得核函数整体下降,减少了对异常的敏感度。
在上述实施例中,通过调节γ和b的值,可以对改良的高斯核函数进行灵活的调整,可以使用交叉验证或网格搜索等技术,在一定范围内尝试不同的参数组合,并评估异常检测的性能。
高斯核函数的作用是测量样本之间的相似性或相关性。具体而言,当两个样本之间的欧氏距离较小时,高斯核函数的值接近于1,表示它们之间的相关性较高,而当欧氏距离较大时,高斯核函数的值趋近于0,表示它们之间的相关性较低。
S204,基于训练数据集训练目标预测模型,并基于预设的贝叶斯算法对目标预测模型的参数进行调优,得到服务器异常预测模型。
贝叶斯算法(Bayesian algorithm)是一种基于贝叶斯定理的统计学方法,贝叶斯定理描述了在给定先验知识的情况下,如何通过新的观察数据来更新我们对事件概率的估计,贝叶斯算法的核心思想是将概率看作是一种表示不确定性的工具,通过不断地更新概率估计,可以不断地调整对事件的信念。贝叶斯算法算法主要包含两个关键组成部分:先验概率和似然函数。
在本实施例中,使用训练数据集对目标预测模型进行训练,通过调整模型的参数来提高预测性能,在训练过程中,采用预设的贝叶斯算法对模型的参数进行调优,以进一步提高模型的准确性和泛化能力。
进一步地,基于训练数据集训练目标预测模型,并基于预设的贝叶斯算法对目标预测模型的参数进行调优,得到服务器异常预测模型,具体包括:
对目标预测模型的参数进行初始化,其中,目标预测模型的参数包括高斯核函数的带宽参数和高斯核函数的偏移量;
对训练数据集中的样本数据进行特征向量转换,得到样本特征向量;
将样本特征向量映射到到高维空间,并利用贝叶斯算法在高维空间中搜索目标预测模型的最优参数组合,得到服务器异常预测模。
在使用贝叶斯算法优化支持向量机(SVM)参数时,可以采用贝叶斯优化方法,也称为贝叶斯超参数优化,这种方法结合了贝叶斯推断和高斯过程,通过不断地评估不同参数组合的性能来寻找最佳参数设置。
在本实施例中,先对目标预测模型的参数进行初始化,即初始化带宽参数γ和偏移量b,然后对训练数据集中的样本数据进行特征向量转换和样本特征向量映射,最后基于贝叶斯算法在高维空间中搜索参数组合来构建服务器异常预测模。
在上述实施例中,本申请通过这种贝叶斯优化的方法,可以自动地探索参数空间,并根据观察结果调整参数组合,以找到最佳的SVM参数配置,从而提高模型的性能。
进一步地,将样本特征向量映射到到高维空间,并利用贝叶斯算法在高维空间中搜索目标预测模型的最优参数组合,得到服务器异常预测模型,具体包括:
定义目标预测模型的目标函数,其中,目标函数基于高斯核函数的带宽参数和高斯核函数的偏移量进行定义;
利用贝叶斯算法在高维空间中搜索参数组合,并搜索到的参数组合和目标函数构建高斯过程模型;
基于高斯过程模型获取目标预测模型的最优参数组合;
基于最优参数组合构建服务器异常预测模型。
在本实施例中,首先基于带宽参数γ和偏移量b定义目标预测模型的目标函数,参与目标函数定义的参量还可以包括分类准确率、F1分数或对数损失等,这个目标函数将作为贝叶斯优化的目标,通过评估不同参数组合的性能来最大化或最小化。
其次,利用贝叶斯算法在高维空间中搜索参数组合,并搜索到的参数组合和目标函数构建高斯过程模型。贝叶斯优化通常需要进行多轮迭代,初始时,可以选择一组参数进行模型训练和性能评估,然后使用这些初始观察结果来构建高斯过程模型,高斯过程模型会根据先验分布和观察结果来估计未知参数组合的性能。接下来通过采用一定的策略(如期望改进或高不确定性采样)选择新的参数组合进行评估,以便在下一轮迭代中更新高斯过程模型。
最后,在每一轮迭代中,通过评估新的参数组合并更新高斯过程模型,可以逐步收敛到更好的参数设置,迭代的次数可以根据需要进行调整,直到达到满意的性能,当迭代终止时,可以选择具有最高性能的参数组合作为最终的SVM参数设置。
进一步地,基于高斯过程模型获取目标预测模型的最优参数组合,具体包括:
对搜索到的参数组合进行分组,得到第一参数组合和第二参数组合;
基于第一参数组合和目标函数构建高斯过程模型,并获取高斯过程模型输出的初始观察结果;
根据初始观察结果计算高斯过程模型的先验概率分布;
基于第二参数组合对高斯过程模型进行迭代更新,并通过初始观察结果和先验概率分布评估第二参数组合的性能;
根据参数组合的性能评估结果确定述目标预测模型的最优参数组合。
在本申请一种具体的实施例中,可以根据以下公式进行目标预测模型的最优参数组合确定:
1.初始化参数和观察结果:选择一组初始参数设置,并使用这些参数进行SVM模型的训练和性能评估,将参数设置和对应的性能结果作为观察结果。
2.构建高斯过程模型:使用初始观察结果来构建高斯过程模型,该模型将根据先验分布和观察结果来估计未知参数组合的性能,通常使用高斯过程回归(GaussianProcess Regression)来建模。
3.选择下一个参数组合:根据当前的高斯过程模型,选择下一个要评估的参数组合,这可以通过使用一定的策略来进行,例如期望改进(Expected Improvement)或高不确定性采样(High Uncertainty Sampling)。
4.期望改进:计算每个参数组合的期望改进值,该值表示在当前模型下,与当前最优结果相比的预期性能提升,选择具有最大期望改进值的参数组合作为下一个要评估的参数。
1)高不确定性采样:计算每个参数组合的高斯过程模型的不确定性度量,例如方差或置信度,选择具有最高不确定性度量的参数组合作为下一个要评估的参数。
2)评估新参数组合:使用选定的新参数组合进行SVM模型的训练和性能评估,记录评估结果,包括参数设置和对应的性能。
5.更新高斯过程模型:将新的参数设置和性能结果添加到观察结果中,并使用这些更新的观察结果来更新高斯过程模型,通常使用高斯过程的后验更新规则来更新模型。
6.终止条件判断:根据预设的终止条件,判断是否满足停止迭代的条件,这可以是达到最大迭代次数、达到性能阈值或其他条件。
7.最终参数选择:当迭代终止时,从观察结果中选择具有最高性能的参数组合作为最终的SVM参数设置。
在上述实施例中,本申请通过贝叶斯优化算法能够根据观察结果不断更新高斯过程模型,并选择最有希望的参数组合进行评估,以达到更好的SVM参数设置。
S205,接收异常预测指令,获取待检测服务器数据,将待检测服务器数据输入到服务器异常预测模型,得到服务器异常预测结果。
在本实施例中,在实际应用中,接收异常预测指令,例如定时或按需执行异常预测任务,获取待检测服务器的实时数据,待检测服务器的实时数据包括保单申请量、理赔处理时间和客户登录次数,将这些数据输入到服务器异常预测模型中进行预测,并得到对服务器状态的异常预测结果。
在本申请一种具体的实施例中,保险公司每天收到的保单申请数量可以作为待检测服务器数据的一部分,如果服务器异常预测模型指示保单申请量明显超出正常范围,可能表示服务器存在异常情况,需要进行调查和处理。
在本申请一种具体的实施例中,保险业务异常预警系统可以监测保险理赔的处理时间,如果服务器异常预测模型预测到理赔处理时间持续增加或者超过预设阈值,可能表明服务器存在异常情况,可能导致理赔延误或处理效率下降,需要及时采取措施进行修复。
在本申请一种具体的实施例中,保险业务异常预警系统可以追踪客户登录保险平台或移动应用的次数,如果服务器异常预测模型检测到客户登录次数骤减或突然增加,可能意味着服务器存在异常情况,可能是由于性能问题、网络故障或其他原因,需要进行诊断和修复。
S206,根据服务器异常预测结果生成异常预警信息,输出异常预警信息。
在本实施例中,根据异常预测结果,生成相应的异常预警信息,例如警报、日志或通知。输出异常预警信息可以通过多种方式,例如发送给管理员、记录到日志文件或触发其他自动化操作。
S207,接收用户针对异常预警信息的反馈信息,并根据反馈信息和异常预警信息确定异常服务器,并对异常服务器的运行进行调整。
在本实施例中,异常预警信息指示用户做出异常处理反馈,获取用户对异常预警信息做出反馈,例如确认异常、请求进一步调查、异常处理方案等。系统接收用户的反馈信息,并根据反馈信息和异常预警信息共同判断哪些服务器出现了异常,并采取相应的操作和调整措施。
进一步地,反馈信息包括任务调度指令和服务器维护指令,接收用户针对异常预警信息的反馈信息,并根据反馈信息和异常预警信息确定异常服务器,并对异常服务器的运行进行调整,具体包括:
接收用户针对异常预警信息的反馈信息,并根据反馈信息和异常预警信息确定异常服务器;
响应任务调度指令,确定空闲服务器,并将异常服务器上运行的处理任务发送至空闲服务器;
响应服务器维护指令,对异常服务器进行异常维护。
在本实施例中,馈信息包括任务调度指令和服务器维护指令,任务调度指令用于进行服务器之间的任务调度,服务器维护指令用于指示服务器依据维护程序进行自动维护。具体来说,通过接收用户针对异常预警信息的反馈信息,并根据反馈信息和异常预警信息确定异常服务器,响应任务调度指令,确定空闲服务器,并将异常服务器上运行的处理任务发送至空闲服务器,同时响应服务器维护指令,对异常服务器进行异常维护。其中,业务系统可以预留一些空闲服务器,以便服务器出现异常时,可以调度空闲服务器来处理当前任务。
S208,更新异常服务器的运行状态,并输出异常服务器的运行状态。
在本实施例中,根据异常服务器的调整和操作,更新服务器的运行状态,记录这些状态信息,最终输出异常服务器的运行状态,提供给管理员或其他相关人员进行监控和决策。
进一步地,更新异常服务器的运行状态,并输出异常服务器的运行状态,具体包括:
更新异常服务器的运行状态为维护状态,并输出异常服务器的运行状态;
在更新异常服务器的运行状态,并输出异常服务器的运行状态之后,还包括:
监控异常服务器的维护进度;
当异常服务器维护完成时,更新异常服务器的运行状态为正常运行状态,并输出异常服务器的运行状态。
在本实施例中,运行状态包括正常运行状态和维护状态,当需要进行服务器维护时,将服务器运行状态更新为维护状态,此状态下服务器将停机维护,拒接接收任何处理任务。当服务器维护完成时,服务器自动调整到正常运行状态,此状态下服务器可以正常运行,接收云端分配的处理任务。
在上述实施例中,本申请公开了一种云服务器异常管理方法,属于云技术领域和金融科技领域。本申请通过基于历史运行数据构建训练数据集,基于支持向量机构建初始预测模型,并将预设的高斯核函数嵌入初始预测模型,得到目标预测模型,基于训练数据集训练目标预测模型,并基于预设的贝叶斯算法对目标预测模型的参数进行调优,得到服务器异常预测模型,将待检测服务器数据输入到服务器异常预测模型,得到服务器异常预测结果,根据服务器异常预测结果生成异常预警信息,输出异常预警信息,接收用户针对异常预警信息的反馈信息,并根据反馈信息和异常预警信息确定异常服务器,并对异常服务器的运行进行调整。本申请通过结合支持向量机、贝叶斯算法和高斯核函数实现了对云服务器的异常检测和管理,通过构建异常预测模型和异常预警系统,可以提前发现异常服务器,并进行相应的调整和运行状态更新,避免服务器异常带来的影响,提高云服务器的稳定性和性能。
在本实施例中,云服务器异常管理方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收指令或者获取数据。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
需要强调的是,为进一步保证上述服务器数据的私密和安全性,上述服务器数据还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图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,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图6,作为对上述图5所示方法的实现,本申请提供了一种云服务器异常管理装置的一个实施例,该装置实施例与图5所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例所述的云服务器异常管理装置300,包括:
数据标注模块301,用于获取云服务器的历史运行数据,对历史运行数据进行标注;
数据集构建模块302,用于基于标注后的历史运行数据构建训练数据集;
核函数嵌入模块303,用于基于支持向量机构建初始预测模型,并将预设的高斯核函数嵌入初始预测模型,得到目标预测模型;
参数调优模块304,用于基于训练数据集训练目标预测模型,并基于预设的贝叶斯算法对目标预测模型的参数进行调优,得到服务器异常预测模型;
异常预测模块305,用于接收异常预测指令,获取待检测服务器数据,将待检测服务器数据输入到服务器异常预测模型,得到服务器异常预测结果;
异常预警模块306,用于根据服务器异常预测结果生成异常预警信息,输出异常预警信息;
异常处理模块307,用于接收用户针对异常预警信息的反馈信息,并根据反馈信息和异常预警信息确定异常服务器,并对异常服务器的运行进行调整;
状态更新模块308,用于更新异常服务器的运行状态,并输出异常服务器的运行状态。
进一步地,预设的高斯核函数如下:
K(x,x')=exp(-γ||x-x'||^2+b)
式中,K(x,x')为高斯核函数的值,x和x'为输入样本,||x-x'||表示输入样本x和输入样本x'之间的欧氏距离或范数,γ为高斯核函数的带宽参数,b为高斯核函数的偏移量。
进一步地,参数调优模块304具体包括:
参数初始化子模块,用于对目标预测模型的参数进行初始化,其中,目标预测模型的参数包括高斯核函数的带宽参数和高斯核函数的偏移量;
特征向量转换子模块,用于对训练数据集中的样本数据进行特征向量转换,得到样本特征向量;
特征向量映射子模块,用于将样本特征向量映射到到高维空间,并利用贝叶斯算法在高维空间中搜索目标预测模型的最优参数组合,得到服务器异常预测模。
进一步地,特征向量映射子模块具体包括:
目标函数定义单元,用于定义目标预测模型的目标函数,其中,目标函数基于高斯核函数的带宽参数和高斯核函数的偏移量进行定义;
参数组合搜索单元,用于利用贝叶斯算法在高维空间中搜索参数组合,并搜索到的参数组合和目标函数构建高斯过程模型;
最优参数组合单元,用于基于高斯过程模型获取目标预测模型的最优参数组合;
预测模型构建单元,用于基于最优参数组合构建服务器异常预测模型。
进一步地,最优参数组合单元具体包括:
参数分组子单元,用于对搜索到的参数组合进行分组,得到第一参数组合和第二参数组合;
高斯建模子单元,用于基于第一参数组合和目标函数构建高斯过程模型,并获取高斯过程模型输出的初始观察结果;
先验概率分布子单元,用于根据初始观察结果计算高斯过程模型的先验概率分布;
参数性能评估子单元,用于基于第二参数组合对高斯过程模型进行迭代更新,并通过初始观察结果和先验概率分布评估第二参数组合的性能;
最优参数组合子单元,用于根据参数组合的性能评估结果确定述目标预测模型的最优参数组合。
进一步地,反馈信息包括任务调度指令和服务器维护指令,异常处理模块607具体包括:
异常服务器确定子模块,用于接收用户针对异常预警信息的反馈信息,并根据反馈信息和异常预警信息确定异常服务器;
第一响应子模块,用于响应任务调度指令,确定空闲服务器,并将异常服务器上运行的处理任务发送至空闲服务器;
第二响应子模块,用于响应服务器维护指令,对异常服务器进行异常维护。
进一步地,状态更新模块308具体包括:
维护状态更新子模块,用于更新异常服务器的运行状态为维护状态,并输出异常服务器的运行状态;
云服务器异常管理装置300还包括:
维护进度监控子模块,用于监控异常服务器的维护进度;
正常运行状态更新子模块,用于当异常服务器维护完成时,更新异常服务器的运行状态为正常运行状态,并输出异常服务器的运行状态。
在上述实施例中,本申请公开了一种云服务器异常管理装置,属于云技术领域和金融科技领域。本申请通过基于历史运行数据构建训练数据集,基于支持向量机构建初始预测模型,并将预设的高斯核函数嵌入初始预测模型,得到目标预测模型,基于训练数据集训练目标预测模型,并基于预设的贝叶斯算法对目标预测模型的参数进行调优,得到服务器异常预测模型,将待检测服务器数据输入到服务器异常预测模型,得到服务器异常预测结果,根据服务器异常预测结果生成异常预警信息,输出异常预警信息,接收用户针对异常预警信息的反馈信息,并根据反馈信息和异常预警信息确定异常服务器,并对异常服务器的运行进行调整。本申请通过结合支持向量机、贝叶斯算法和高斯核函数实现了对云服务器的异常检测和管理,通过构建异常预测模型和异常预警系统,可以提前发现异常服务器,并进行相应的调整和运行状态更新,避免服务器异常带来的影响,提高云服务器的稳定性和性能。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图7,图7为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如云服务器异常管理方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述云服务器异常管理方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
在上述实施例中,本申请公开了一种计算机设备,属于云技术领域和金融科技领域。本申请通过基于历史运行数据构建训练数据集,基于支持向量机构建初始预测模型,并将预设的高斯核函数嵌入初始预测模型,得到目标预测模型,基于训练数据集训练目标预测模型,并基于预设的贝叶斯算法对目标预测模型的参数进行调优,得到服务器异常预测模型,将待检测服务器数据输入到服务器异常预测模型,得到服务器异常预测结果,根据服务器异常预测结果生成异常预警信息,输出异常预警信息,接收用户针对异常预警信息的反馈信息,并根据反馈信息和异常预警信息确定异常服务器,并对异常服务器的运行进行调整。本申请通过结合支持向量机、贝叶斯算法和高斯核函数实现了对云服务器的异常检测和管理,通过构建异常预测模型和异常预警系统,可以提前发现异常服务器,并进行相应的调整和运行状态更新,避免服务器异常带来的影响,提高云服务器的稳定性和性能。
本申请还提供了另一种实施方式,即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计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的云服务器异常管理方法的步骤。
在上述实施例中,本申请公开了一种计算机可读存储介质,属于云技术领域和金融科技领域。本申请通过基于历史运行数据构建训练数据集,基于支持向量机构建初始预测模型,并将预设的高斯核函数嵌入初始预测模型,得到目标预测模型,基于训练数据集训练目标预测模型,并基于预设的贝叶斯算法对目标预测模型的参数进行调优,得到服务器异常预测模型,将待检测服务器数据输入到服务器异常预测模型,得到服务器异常预测结果,根据服务器异常预测结果生成异常预警信息,输出异常预警信息,接收用户针对异常预警信息的反馈信息,并根据反馈信息和异常预警信息确定异常服务器,并对异常服务器的运行进行调整。本申请通过结合支持向量机、贝叶斯算法和高斯核函数实现了对云服务器的异常检测和管理,通过构建异常预测模型和异常预警系统,可以提前发现异常服务器,并进行相应的调整和运行状态更新,避免服务器异常带来的影响,提高云服务器的稳定性和性能。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
显然,以上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,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种云服务器异常管理方法,其特征在于,包括:
获取云服务器的历史运行数据,对所述历史运行数据进行标注;
基于标注后的所述历史运行数据构建训练数据集;
基于支持向量机构建初始预测模型,并将预设的高斯核函数嵌入所述初始预测模型,得到目标预测模型;
基于所述训练数据集训练所述目标预测模型,并基于预设的贝叶斯算法对所述目标预测模型的参数进行调优,得到服务器异常预测模型;
接收异常预测指令,获取待检测服务器数据,将所述待检测服务器数据输入到所述服务器异常预测模型,得到服务器异常预测结果;
根据所述服务器异常预测结果生成异常预警信息,输出所述异常预警信息;
接收用户针对所述异常预警信息的反馈信息,并根据所述反馈信息和所述异常预警信息确定异常服务器,并对所述异常服务器的运行进行调整;
更新所述异常服务器的运行状态,并输出所述异常服务器的运行状态。
2.如权利要求1所述的云服务器异常管理方法,其特征在于,预设的高斯核函数如下:
K(x,x')=exp(-γ||x-x'||^2+b)
式中,K(x,x')为高斯核函数的值,x和x'为输入样本,||x-x'||表示输入样本x和输入样本x'之间的欧氏距离或范数,γ为高斯核函数的带宽参数,b为高斯核函数的偏移量。
3.如权利要求2所述的云服务器异常管理方法,其特征在于,所述基于所述训练数据集训练所述目标预测模型,并基于预设的贝叶斯算法对所述目标预测模型的参数进行调优,得到服务器异常预测模型,具体包括:
对所述目标预测模型的参数进行初始化,其中,所述目标预测模型的参数包括所述高斯核函数的带宽参数和所述高斯核函数的偏移量;
对所述训练数据集中的样本数据进行特征向量转换,得到样本特征向量;
将所述样本特征向量映射到到高维空间,并利用所述贝叶斯算法在所述高维空间中搜索所述目标预测模型的最优参数组合,得到所述服务器异常预测模。
4.如权利要求3所述的云服务器异常管理方法,其特征在于,所述将所述样本特征向量映射到到高维空间,并利用所述贝叶斯算法在所述高维空间中搜索所述目标预测模型的最优参数组合,得到所述服务器异常预测模型,具体包括:
定义所述目标预测模型的目标函数,其中,所述目标函数基于所述高斯核函数的带宽参数和所述高斯核函数的偏移量进行定义;
利用所述贝叶斯算法在所述高维空间中搜索参数组合,并搜索到的参数组合和所述目标函数构建高斯过程模型;
基于所述高斯过程模型获取所述目标预测模型的最优参数组合;
基于所述最优参数组合构建所述服务器异常预测模型。
5.如权利要求4所述的云服务器异常管理方法,其特征在于,所述基于所述高斯过程模型获取所述目标预测模型的最优参数组合,具体包括:
对搜索到的参数组合进行分组,得到第一参数组合和第二参数组合;
基于所述第一参数组合和所述目标函数构建高斯过程模型,并获取所述高斯过程模型输出的初始观察结果;
根据所述初始观察结果计算所述高斯过程模型的先验概率分布;
基于所述第二参数组合对所述高斯过程模型进行迭代更新,并通过所述初始观察结果和所述先验概率分布评估所述第二参数组合的性能;
根据参数组合的性能评估结果确定所述述目标预测模型的最优参数组合。
6.如权利要求1至5任意一项所述的云服务器异常管理方法,其特征在于,所述反馈信息包括任务调度指令和服务器维护指令,所述接收用户针对所述异常预警信息的反馈信息,并根据所述反馈信息和所述异常预警信息确定异常服务器,并对所述异常服务器的运行进行调整,具体包括:
接收用户针对所述异常预警信息的反馈信息,并根据所述反馈信息和所述异常预警信息确定异常服务器;
响应所述任务调度指令,确定空闲服务器,并将所述异常服务器上运行的处理任务发送至所述空闲服务器;
响应所述服务器维护指令,对所述异常服务器进行异常维护。
7.如权利要求6所述的云服务器异常管理方法,其特征在于,所述更新所述异常服务器的运行状态,并输出所述异常服务器的运行状态,具体包括:
更新所述异常服务器的运行状态为维护状态,并输出所述异常服务器的运行状态;
在所述更新所述异常服务器的运行状态,并输出所述异常服务器的运行状态之后,还包括:
监控所述异常服务器的维护进度;
当所述异常服务器维护完成时,更新所述异常服务器的运行状态为正常运行状态,并输出所述异常服务器的运行状态。
8.一种云服务器异常管理装置,其特征在于,包括:
数据标注模块,用于获取云服务器的历史运行数据,对所述历史运行数据进行标注;
数据集构建模块,用于基于标注后的所述历史运行数据构建训练数据集;
核函数嵌入模块,用于基于支持向量机构建初始预测模型,并将预设的高斯核函数嵌入所述初始预测模型,得到目标预测模型;
参数调优模块,用于基于所述训练数据集训练所述目标预测模型,并基于预设的贝叶斯算法对所述目标预测模型的参数进行调优,得到服务器异常预测模型;
异常预测模块,用于接收异常预测指令,获取待检测服务器数据,将所述待检测服务器数据输入到所述服务器异常预测模型,得到服务器异常预测结果;
异常预警模块,用于根据所述服务器异常预测结果生成异常预警信息,输出所述异常预警信息;
异常处理模块,用于接收用户针对所述异常预警信息的反馈信息,并根据所述反馈信息和所述异常预警信息确定异常服务器,并对所述异常服务器的运行进行调整;
状态更新模块,用于更新所述异常服务器的运行状态,并输出所述异常服务器的运行状态。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的云服务器异常管理方法的步骤。
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上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的云服务器异常管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311164407.3A CN117234844A (zh) | 2023-09-07 | 2023-09-07 | 云服务器异常管理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311164407.3A CN117234844A (zh) | 2023-09-07 | 2023-09-07 | 云服务器异常管理方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117234844A true CN117234844A (zh) | 2023-12-15 |
Family
ID=89092309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311164407.3A Pending CN117234844A (zh) | 2023-09-07 | 2023-09-07 | 云服务器异常管理方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117234844A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117608974A (zh) * | 2024-01-22 | 2024-02-27 | 金品计算机科技(天津)有限公司 | 基于人工智能的服务器故障检测方法、装置、设备及介质 |
-
2023
- 2023-09-07 CN CN202311164407.3A patent/CN117234844A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117608974A (zh) * | 2024-01-22 | 2024-02-27 | 金品计算机科技(天津)有限公司 | 基于人工智能的服务器故障检测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178456B (zh) | 异常指标检测方法、装置、计算机设备和存储介质 | |
CN110705719A (zh) | 执行自动机器学习的方法和装置 | |
CN112256886B (zh) | 图谱中的概率计算方法、装置、计算机设备及存储介质 | |
CN117234844A (zh) | 云服务器异常管理方法、装置、计算机设备及存储介质 | |
CN111178687A (zh) | 金融风险分类方法、装置及电子设备 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN115237724A (zh) | 基于人工智能的数据监控方法、装置、设备及存储介质 | |
CN109272165B (zh) | 注册概率预估方法、装置、存储介质及电子设备 | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
CN117522538A (zh) | 招投标信息处理方法、装置、计算机设备及存储介质 | |
CN116843216A (zh) | 一种指标预警方法、装置、计算机设备及存储介质 | |
CN116755974A (zh) | 云计算平台运维方法、装置、电子设备及存储介质 | |
CN116776150A (zh) | 接口异常访问识别方法、装置、计算机设备及存储介质 | |
CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
Nashivochnikov et al. | The system for operational monitoring and analytics of industry cyber-physical systems security in fuel and energy domains based on anomaly detection and prediction methods | |
CN118041977A (zh) | 微服务组件的处理方法、装置、计算机设备及存储介质 | |
CN116993218A (zh) | 基于人工智能的指标分析方法、装置、设备及存储介质 | |
CN117421311A (zh) | 基于人工智能的数据校验方法、装置、设备及存储介质 | |
CN117520141A (zh) | 基于人工智能的脚本推荐方法、装置、设备及存储介质 | |
CN117093477A (zh) | 一种软件质量评估方法、装置、计算机设备及存储介质 | |
CN117131405A (zh) | 应用异常检测方法、装置、设备和介质 | |
CN117236707A (zh) | 一种资产优化配置方法、装置、计算机设备及存储介质 | |
CN117215754A (zh) | 一种服务器响应方法、装置、设备及其存储介质 | |
CN116467297A (zh) | 监管数据推送和异常自查方法、装置、设备及其存储介质 | |
CN113902032A (zh) | 业务数据的处理方法、装置、计算机设备及存储介质 |
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 |