CN117407264B - 内存老化剩余时间的预测方法、装置、计算机设备及介质 - Google Patents
内存老化剩余时间的预测方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN117407264B CN117407264B CN202311708455.4A CN202311708455A CN117407264B CN 117407264 B CN117407264 B CN 117407264B CN 202311708455 A CN202311708455 A CN 202311708455A CN 117407264 B CN117407264 B CN 117407264B
- Authority
- CN
- China
- Prior art keywords
- memory
- target
- value
- vector
- aging
- 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.)
- Active
Links
- 230000015654 memory Effects 0.000 title claims abstract description 194
- 230000032683 aging Effects 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000013598 vector Substances 0.000 claims abstract description 178
- 230000007334 memory performance Effects 0.000 claims abstract description 145
- 238000012216 screening Methods 0.000 claims abstract description 35
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 26
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 230000001932 seasonal effect Effects 0.000 claims description 15
- 230000000737 periodic effect Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 abstract description 12
- 238000006731 degradation reaction Methods 0.000 abstract description 11
- 239000000306 component Substances 0.000 description 40
- 230000008859 change Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000000605 extraction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 239000008358 core component Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
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
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Complex Calculations (AREA)
Abstract
本公开涉及计算机技术领域，涉及内存老化剩余时间的预测方法、装置、计算机设备及介质，包括：获取与内存性能相关的多个内存性能指标信息，并根据每个内存性能指标信息确定对应的多个统计特征指标；确定每个统计特征指标的单调度，从多个统计特征指标中筛选出目标数量个目标统计特征指标；根据目标统计特征指标确定单位向量，并基于单位向量和目标统计特征指标，得到融合后的特征指标向量；对融合后的特征指标向量进行数据趋势分解和多项式拟合处理，得到基于各个内存性能指标信息获取的老化曲线；根据老化曲线和预设老化阈值，确定内存达到老化状态的目标剩余时间。本公开有效对内存进入老化阶段的剩余时间进行估计，提前发现性能衰退的趋势。
Description
技术领域
本公开涉及计算机技术领域，具体涉及内存老化剩余时间的预测方法、装置、计算机设备及介质。
背景技术
在现代大型数据中心中，服务器作为数据中心的核心组件，承担着存储和处理海量数据的重任。而内存作为服务器的重要组成部分，内存的性能和可靠性对服务器的整体处理效率和正常运行起着至关重要的作用。内存的生命周期通常可以划分为四个阶段：初期阶段、稳定阶段、老化阶段、失效阶段。其中，内存老化可能由多种因素引起，如电子元件老化、电路衰减、存储单元损坏等，而失效阶段是指内存性能退化到无法继续正常工作的程度。内存可能出现更严重的错误、数据丢失或无法读取的情况。此阶段可能需要进行维修、更换或升级内存设备。内存的寿命和每个阶段的持续时间可以根据内存技术、质量、使用条件和环境等因素而有所不同。内存老化可能导致服务器性能和可靠性的下降，增加数据的丢失风险。如果内存中的数据损坏或丢失，可能导致系统不可预计的崩溃、数据不一致等严重后果，同时会带来业务中断、维护成本增加以及用户满意度降低等问题。
相关技术中，在对内存老化进行预测时，大多为基于时间序列分析或神经网络模型对服务器老化进行预测，或者根据内存报错日志进行错误类型划分或数据统计，通过建立故障预测模型或阈值的方法对内存故障进行预测和告警。虽然当前关于服务器老化预测方法对内存老化预测具有指导意义，但映射服务器状态和内存状态的特征信息区别很大，若要准确对内存老化进行预测，需要具有针对性的分析内存老化带来的影响。并且，现有内存故障告警和预测技术中，仅围绕探测内存故障降低系统非计划宕机率进行研究，重点是提前发现保障系统高可靠性。而内存老化预测旨在预测内存的老化情况和性能退化趋势，以便制定合适的维护和替换策略，以便确保系统的性能和稳定性。
因此，当前还未有相关技术来针对内存的老化情况和性能退化趋势进行预测，以维护系统的稳定性和可靠性。
发明内容
有鉴于此，本公开提供了一种内存老化剩余时间的预测方法、装置、计算机设备及介质，以解决当前还未有相关技术来针对内存的老化情况和性能退化趋势进行预测的问题。
第一方面，本公开提供了一种内存老化剩余时间的预测方法，该方法包括：
获取与内存性能相关的多个内存性能指标信息，并根据每个内存性能指标信息确定对应的多个统计特征指标；
确定每个统计特征指标的单调度，从多个统计特征指标中筛选出目标数量个目标统计特征指标；
根据目标统计特征指标确定单位向量，并基于单位向量和目标统计特征指标，得到融合后的特征指标向量，其中，单位向量用于对目标统计特征指标进行融合处理；
对融合后的特征指标向量进行数据趋势分解和多项式拟合处理，得到基于各个内存性能指标信息获取的老化曲线；
根据老化曲线和预设老化阈值，确定内存达到老化状态的目标剩余时间。
在本公开实施例中，考虑了内存错误率、读写延迟、电压漂移、存储损耗，功耗变化、内存刷新率等与内存老化相关的内存性能指标信息，通过单调度计算、筛选和融合特征信息等操作，获得各内存性能指标信息的融合后的特征指标向量，根据该融合后的特征指标向量先趋势提取再曲线拟合，得到基于各个内存性能指标信息的老化曲线，之后再根据预设老化阈值得到根据各个内存性能指标信息确定出的内存达到老化阶段的剩余时间，最后结合各个剩余时间即可得到内存达到老化状态时的最终目标剩余时间，基于上述方法可有效对内存进入老化阶段的剩余时间进行估计，提前发现性能衰退的趋势，排定维护计划，避免系统性能下降或意外宕机给业务带来影响。
在一种可选的实施方式中，获取与内存性能相关的多个内存性能指标信息，并根据每个内存性能指标信息确定对应的多个统计特征指标，包括：
获取内存性能相关数据，得到多个内存性能指标信息；
获取每个内存性能指标信息对应的特征样本点数据集；
根据特征样本点数据集获取多个统计特征指标。
在一种可选的实施方式中，获取每个内存性能指标信息对应的特征样本点数据集，包括：
获取滑动窗口，其中，滑动窗口为采集特征采样点个数的步长；
由滑动窗口得到每个内存性能指标信息对应的特征样本点数据集。
在本公开实施例中，通过设置滑动窗口确定采集特征采样点的步长，进而快速得到多个特征样本点数据集。
在一种可选的实施方式中，根据特征样本点数据集获取多个统计特征指标，包括：
获取每个统计特征指标对应的计算公式；
将每个内存性能指标信息对应的特征样本点数据集分别代入计算公式中，得到每个特征样本点数据集对应的多个统计特征指标。
在一种可选的实施方式中，确定每个统计特征指标的单调度，从多个统计特征指标中筛选出目标数量个目标统计特征指标，包括：
根据单调度算法得到每个统计特征指标对应的单调度值；
根据单调度值和预设的单调度范围，从多个统计特征指标中筛选出目标统计特征指标。
在本公开实施例中，考虑了内存错误率、读写延迟、电压漂移、存储损耗，功耗变化、内存刷新率等与内存老化相关的内存性能指标信息，并基于内存老化单调变化原则对各内存性能指标信息的统计特征指标进行特征提取，获取可准确映射内存性能和可靠性的变化趋势。
在一种可选的实施方式中，根据单调度算法得到每个统计特征指标对应的单调度值，包括：
获取处于第一时刻时统计特征指标的第一数值和处于第二时刻时统计特征指标的第二数值；
获取第一数值和第二数值之间的差值；
根据差值与第一预设数值之间的比较结果，调整计数器的初始数值，得到目标数值；
根据目标数值和单调度计算公式，得到单调度值。
在一种可选的实施方式中，根据差值与第一预设数值之间的比较结果，调整计数器的初始数值，得到目标数值，包括：
在差值大于第一预设数值的情况下，对第一计数器的初始数值调整第二预设数值，得到第一目标数值；
在差值小于第一预设数值的情况下，对第二计数器的初始数值调整第二预设数值，得到第二目标数值。
在一种可选的实施方式中，根据单调度值和预设的单调度范围，从多个统计特征指标中筛选出目标统计特征指标，包括：
获取多个统计特征指标的单调度集合的标准差；
根据单调度值和标准差，确定单调度阈值；
根据单调度阈值和单调度值，得到单调度范围；
从多个统计特征指标中筛选出单调度阈值和单调度值的比较结果满足单调度范围的目标统计特征指标。
在一种可选的实施方式中，根据目标统计特征指标确定单位向量，并基于单位向量和目标统计特征指标，得到融合后的特征指标向量，包括：
根据目标统计特征指标得到协方差矩阵；
选取协方差矩阵中特征值最大的特征向量对应的单位向量；
基于单位向量和由目标统计特征指标组成的矩阵，得到融合后的特征指标向量。
在本公开实施例中，经单调度阈值筛选后的特征指标向量需进行融合，最终作为各个内存性能指标信息的特征数据，便于后续进行趋势拟合。
在一种可选的实施方式中，根据目标统计特征指标得到协方差矩阵，包括：
生成由目标统计特征指标组成的矩阵；
获取每一行矩阵的向量均值；
将每个目标统计特征指标对应的所有特征样本点均减去向量均值，得到新矩阵；
根据新矩阵计算得到协方差矩阵。
在一种可选的实施方式中，选取协方差矩阵中特征值最大的特征向量对应的单位向量，包括：
对协方差矩阵进行特征值分解，得到特征值和对应的特征向量；
从特征值中选取出数值最大的目标特征值；
获取与目标特征值对应的目标特征向量；
对目标特征向量进行转化，得到单位向量。
在一种可选的实施方式中，对融合后的特征指标向量进行数据趋势分解和多项式拟合处理，得到基于各个内存性能指标信息获取的老化曲线，包括：
利用局部加权周期趋势分解算法提取融合后的特征指标向量的数据趋势；
根据数据趋势和多项式拟合算法，确定拟合函数；
根据各个内存性能指标信息、内存性能指标信息对应的特征样本点以及拟合函数，得到基于各个内存性能指标信息获取的老化曲线。
在本公开实施例中，结合了局部加权周期趋势分解算法与多项式拟合算法，进行先趋势提取再曲线拟合的二阶拟合算法，获得拟合曲线的具体函数方程，便于后续有效估计内存达到老化阶段的剩余时间。
在一种可选的实施方式中，利用局部加权周期趋势分解算法提取融合后的特征指标向量的数据趋势，包括：
获取融合后的特征指标向量对应的时序数据特征指标向量；
将时序数据特征指标向量分解为季节分量、趋势分量和剩余分量；
通过预设操作从时序数据特征指标向量中分离出季节分量、趋势分量；
根据季节分量和趋势分量，计算得到剩余分量；
根据季节分量、趋势分量以及剩余分量，得到数据趋势。
在一种可选的实施方式中，根据各个内存性能指标信息、内存性能指标信息对应的特征样本点以及拟合函数，得到基于各个内存性能指标信息获取的老化曲线，包括：
将各个内存性能指标信息、内存性能指标信息对应的特征样本点代入拟合函数中，得到曲线系数；
根据曲线系数、拟合函数以及各个内存性能指标信息、内存性能指标信息对应的特征样本点，得到各个内存性能指标信息对应的老化曲线。
在一种可选的实施方式中，根据老化曲线和预设老化阈值，确定内存达到老化状态的目标剩余时间，包括：
根据老化曲线和预设老化阈值，得到各个内存性能指标信息对应的内存达到老化状态的预估剩余时间；
根据预估剩余时间，确定内存达到老化状态的目标剩余时间。
在本公开实施例中，设置预设老化阈值可根据每一个内存性能指标信息计算出对应的内存预估剩余时间。
在一种可选的实施方式中，根据预估剩余时间，确定内存达到老化状态的目标剩余时间，包括：
根据预估剩余时间生成剩余时间向量集合；
利用离散值检测算法从剩余时间向量集合中提剔除异常向量，得到剔除异常向量后的剩余时间向量；
根据剔除异常向量后的剩余时间向量，得到内存达到老化状态的目标剩余时间。
在本公开实施例中，剔除使用离散值检测算法剔除异常离散值，对预测的剩余时间集中数据进行拟合估计最终内存老化剩余时间，所提算法具备“即插即用”的功能，可任意使用多类可映射内存老化趋势的指标信息进行预测。
在一种可选的实施方式中，根据剔除异常向量后的剩余时间向量，得到内存达到老化状态的目标剩余时间，包括：
获取剔除异常向量后的剩余时间向量的平均值；
将平均值设置为目标剩余时间。
第二方面，本公开提供了一种内存老化剩余时间的预测装置，该装置包括：
获取模块，用于获取与内存性能相关的多个内存性能指标信息，并根据每个内存性能指标信息确定对应的多个统计特征指标；
筛选模块，用于确定每个统计特征指标的单调度，从多个统计特征指标中筛选出目标数量个目标统计特征指标；
第一得到模块，用于根据目标统计特征指标确定单位向量，并基于单位向量和目标统计特征指标，得到融合后的特征指标向量，其中，单位向量用于对目标统计特征指标进行融合处理；
第二得到模块，用于对融合后的特征指标向量进行数据趋势分解和多项式拟合处理，得到基于各个内存性能指标信息获取的老化曲线；
确定模块，用于根据老化曲线和预设老化阈值，确定内存达到老化状态的目标剩余时间。
第三方面，本公开提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的内存老化剩余时间的预测方法。
第四方面，本公开提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的内存老化剩余时间的预测方法。
附图说明
为了更清楚地说明本公开具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本公开的一些实施方式，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是根据本公开一些实施例的内存老化剩余时间的预测方法的流程示意图；
图2是根据本公开一些实施例的内存老化剩余时间获取的示意图；
图3是根据本公开一些实施例的基于滑动窗口提取特征样本点数据集的示意图；
图4是根据本公开一些实施例的经过STL算法提取后的趋势示意图；
图5是根据本公开一些实施例的基于内存错误率的内存老化剩余时间预测示意图；
图6是根据本公开一些实施例的箱线图算法剔除离散值示意图；
图7是根据本公开一些实施例的内存老化剩余时间的预测装置的结构框图；
图8是本公开实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域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，都属于本公开保护的范围。
在现代大型数据中心中，服务器作为数据中心的核心组件，承担着存储和处理海量数据的重任。而内存作为服务器的重要组成部分，内存的性能和可靠性对服务器的整体处理效率和正常运行起着至关重要的作用。内存的生命周期通常可以划分为四个阶段：初期阶段、稳定阶段、老化阶段、失效阶段。初期阶段是指内存刚刚投入使用的阶段内存通常性能良好，可靠性高，没有明显的老化迹象。稳定阶段是指内存经过一段时间的使用后，性能保持相对稳定，没有明显的退化或老化。内存在此阶段可能经历正常的日常使用和工作负载。老化阶段是指内存性能可能开始出现退化，包括响应时间的延长、错误率的增加等。其中，内存老化可能由多种因素引起，如电子元件老化、电路衰减、存储单元损坏等，而失效阶段是指内存性能退化到无法继续正常工作的程度。
内存的性能退化通常是随着内存的使用时间和工作负载的增加而渐进的，而非突然发生的，且内存老化是不可避免的。因此，开发内存老化预测技术提前预知内存生命状态，对优化内存维护策略，保障系统的稳定性、可靠性和性能具有重要意义，尤其在对于关键业务和大规模数据处理的场景中更为关键。
相关技术中，在对内存老化进行预测时，大多为基于时间序列分析或神经网络模型对服务器老化进行预测，或者根据内存报错日志进行错误类型划分或数据统计，通过建立故障预测模型或阈值的方法对内存故障进行预测和告警。但是内存老化预测旨在预测内存的老化情况和性能退化趋势，以便制定合适的维护和替换策略，以便确保系统的性能和稳定性，相关技术中还未有针对内存的老化情况和性能退化趋势进行预测的方法。为了解决上述问题，本公开实施例提供了一种内存老化剩余时间的预测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种内存老化剩余时间的预测方法，图1是根据本公开实施例的内存老化剩余时间的预测方法的流程图，该方法可以执行在服务器系统侧，如图1所示，该流程包括如下步骤：
步骤S101，获取与内存性能相关的多个内存性能指标信息，并根据每个内存性能指标信息确定对应的多个统计特征指标。
可选地，服务器系统侧工作时，由基板管理控制器(Baseboard ManagementController，BMC)检测内存的运行状态，实时记录内存性能相关数据。内存性能相关数据通常是由硬件监控子系统或电源管理芯片负责监测和报告。这些硬件监控子系统通常获取电压、温度、功耗和刷新率等参数发送给BMC，然后BMC将它们提供给系统管理软件，如基本输入输出系统（Basic Input/output System，BIOS）和操作系统（Operating System，OS），以便进行监控和报告。
通过记录内存性能相关数据的计算获得到内存错误率、读写延迟、电压漂移、存储损耗，功耗变化、内存刷新率等内存性能指标信息，组成样本数据集如下：
（1）
式中，表示统计的内存性能指标类别数量；/>表示内存性能指标数据集，例如/>表示内存错误率数据集、/>表示内存读写延迟数据集、/>表示内存电压漂移数据集等。
基于每个内存性能指标信息，比如，确定出对应的多个统计特征指标。其中，统计特征指标包括依据内存性能指标信息的特征样本点计算出的有量纲特征值：均值（Meanvalue，MEA）、标准差（Standard deviation，STD）、均方根（Root-mean-square，RMS）；以及无量纲特征值：偏斜度（Skewness，SKE）、峰值因子（Crest factor，CRF）、脉冲因子（Impulsefactor，IMF）。
步骤S102，确定每个统计特征指标的单调度，从多个统计特征指标中筛选出目标数量个目标统计特征指标。
可选地，随着内存的长时间使用，内存性能参数数据序列应呈现显著的单调性趋势。因此本公开实施例在每次收集样本数据，提取特征指标后还需进行指标筛选操作，筛选与内存老化关联性强的特征指标，即删除单调性弱的统计特征指标。
具体地，可通过对每个统计特征指标进行单调度计算，基于单调度算法，可获得各统计特征指标（均值、标准差、均方根、偏斜度、峰值因子、脉冲因子）组成的各数据向量的单调度值，根据各数据向量的单调度值筛选出目标数量个目标统计特征指标。其中，目标数量为一个不固定的数值，可多也可少，其是根据单调度值的筛选情况得到的灵活数值。
步骤S103，根据目标统计特征指标确定单位向量，并基于单位向量和目标统计特征指标，得到融合后的特征指标向量，其中，单位向量用于对目标统计特征指标进行融合处理。
可选地，经单调度值筛选后的目标统计特征指标需进行融合，最终作为目标统计特征指标对应的内存性能指标信息的特征数据。进一步地，为了对目标统计特征指标进行融合，需要得到对其进行融合处理的单位向量，然后基于单位向量和目标统计特征指标，得到融合后的特征指标向量。
步骤S104，对融合后的特征指标向量进行数据趋势分解和多项式拟合处理，得到基于各个内存性能指标信息获取的老化曲线。
可选地，在获取到融合后的特征指标向量之后，需要获取到融合后的特征指标向量的数据趋势，之后再对该数据趋势进行趋势拟合，结合多项式拟合算法得到关于每个内存性能指标信息预测得到的服务器内存的老化曲线。
步骤S105，根据老化曲线和预设老化阈值，确定内存达到老化状态的目标剩余时间。
可选地，设置预设老化阈值即可根据融合后特征指标向量对内存进入老化阶段的剩余时间进行预测。将老化曲线达到预设老化阈值的时刻作为内存已进入老化阶段的时间点（如图2中的T），这样服务器系统就可以直接估计出当前时刻（如图2中的）到进入老化阶段的时刻之间的差值，该差值即是根据各个内存性能指标信息计算得到的服务器内存达到老化阶段的剩余时间。
由于一个内存性能指标信息计算得到的剩余时间存在偏离其他内存性能指标信息估计出来的剩余时间的可能，这时还需要结合各个剩余时间确定出内存达到老化状态的最终目标剩余时间。
在本公开实施例中，考虑了内存错误率、读写延迟、电压漂移、存储损耗，功耗变化、内存刷新率等与内存老化相关的内存性能指标信息，通过单调度计算、筛选和融合特征信息等操作，获得各内存性能指标信息的融合后的特征指标向量，根据该融合后的特征指标向量先趋势提取再曲线拟合，得到基于各个内存性能指标信息的老化曲线，之后再根据预设老化阈值得到根据各个内存性能指标信息确定出的内存达到老化阶段的剩余时间，最后结合各个剩余时间即可得到内存达到老化状态时的最终目标剩余时间，基于上述方法可有效对内存进入老化阶段的剩余时间进行估计，提前发现性能衰退的趋势，排定维护计划，避免系统性能下降或意外宕机给业务带来影响。
在一些可选的实施方式中，获取与内存性能相关的多个内存性能指标信息，并根据每个内存性能指标信息确定对应的多个统计特征指标，包括：
获取内存性能相关数据，得到多个内存性能指标信息；
获取每个内存性能指标信息对应的特征样本点数据集；
根据特征样本点数据集获取多个统计特征指标。
可选地，由基板管理控制器BMC检测内存的运行状态，实时记录内存性能相关数据，得到多个与内存性能相关的内存性能指标信息。此外还可以根据一些报告记录得到内存性能指标信息，比如内存错误率通过读取内存错误检查和纠正技术（Error Checkingand Correcting，ECC）报告进行计算获得，ECC报告通常会记录的检测到的错误数量和纠错数量。
然后周期性地获取每个内存性能指标信息对应的特征样本点数据集，之后以特征样本点数据集为提取统计特征指标对象，获取到每个内存性能指标信息的统计特征指标。其中，统计特征指标的数量包含多个，本公开实施例以均值、标准差、均方根、偏斜度、峰值因子、脉冲因子这六个数据作为统计特征指标的示例。
在一些可选的实施方式中，获取每个内存性能指标信息对应的特征样本点数据集，包括：
获取滑动窗口，其中，滑动窗口为采集特征采样点个数的步长；
由滑动窗口得到每个内存性能指标信息对应的特征样本点数据集。
可选地，各类别内存性能指标信息的特征样本点数据集的计算方式举例如下：
（2）
式中，…是周期性获取特征样本点数据集，/>，/>，/>为所有特征采样点的总个数，/>为获取特征样本点数据集时的滑动窗口，其中，基于滑动窗口提取特征样本点数据集的示意参见图3。图3中为了提高采集速率，在L/2和3L/2周期时同时采集特征样本点，得到数据组（即特征样本点数据集）/>。
在本公开实施例中，通过设置滑动窗口确定采集特征采样点的步长，进而快速得到多个特征样本点数据集。
在一些可选的实施方式中，根据特征样本点数据集获取多个统计特征指标，包括：
获取每个统计特征指标对应的计算公式；
将每个内存性能指标信息对应的特征样本点数据集分别代入计算公式中，得到每个特征样本点数据集对应的多个统计特征指标。
可选地，获取每个统计特征指标对应的计算公式，如下公式（3）-（8）所示，然后将每个内存性能指标信息对应的多个特征样本点数据集分别代入计算公式中，得到基于每个特征样本点数据集（即数据组）的统计特征指标。
（3）
（4）
（5）
（6）
（7）
（8）
式中，以特征样本点数据集中的任意数据组出发，/>为长度为/>的第/>组数据组，/>表示该数据组中第/>个样本数据，/>为选择该向量中最大值函数，/>就是特征样本点数据集/>的均值，以此类推后面公式（3）-（8）。
在一些可选的实施方式中，确定每个统计特征指标的单调度，从多个统计特征指标中筛选出目标数量个目标统计特征指标，包括：
根据单调度算法得到每个统计特征指标对应的单调度值；
根据单调度值和预设的单调度范围，从多个统计特征指标中筛选出目标统计特征指标。
可选地，各统计特征指标的单调性算法如表1，此处以标准差（STD）为例进行说明。
表1 单调度算法
其中，为得到的单调度值，/>为单调度计算公式，/>和/>分别为第一计数器和第二计数器，获取处于第一时刻j时标准差的第一数值/>和处于第二时刻j+1时标准差的第二数值/>，获取第一数值/>和第二数值/>之间的差值/>；如果/>大于第一预设数值，比如0，则对/>进行调整第二预设数值，比如/>加1；如果/>小于第一预设数值，则对/>进行调整第二预设数值，如/>加1，如果等于0则两个计数器不变化。最后通过公式/>计算单调度值。
其他统计特征指标的单调度计算方式与标准差的计算方式相同，不再赘述，以此得到各统计特征指标（均值、标准差、均方根、偏斜度、峰值因子、脉冲因子）组成的各数据向量的单调度值，然后设置单调度范围，筛选各数据向量的单调度值在单调度范围内的统计特征指标，得到目标统计特征指标。
在本公开实施例中，考虑了内存错误率、读写延迟、电压漂移、存储损耗，功耗变化、内存刷新率等与内存老化相关的内存性能指标信息，并基于内存老化单调变化原则对各内存性能指标信息的统计特征指标进行特征提取，获取可准确映射内存性能和可靠性的变化趋势。
在一些可选的实施方式中，根据单调度值和预设的单调度范围，从多个统计特征指标中筛选出目标统计特征指标，包括：
获取多个统计特征指标的单调度集合的标准差；
根据单调度值和标准差，确定单调度阈值；
根据单调度阈值和单调度值，得到单调度范围；
从多个统计特征指标中筛选出单调度阈值和单调度值的比较结果满足单调度范围的目标统计特征指标。
可选地，获取到多个统计特征指标，如均值、标准差、均方根、偏斜度、峰值因子、脉冲因子六项统计特征指标的单调度值，然后获取这些单调度的标准差，根据每个统计特征指标的单调度值和该标准差，确定单调度阈值，比如和/>，其中，/>分别指向均值、标准差、均方根、偏斜度、峰值因子、脉冲因子六项特征指标；为六项统计特征指标的单调度集合的标准差。
之后根据单调度阈值和单调度值，得到单调度范围，如公式（9）：
（9）
从多个统计特征指标中筛选出单调度阈值和单调度值的比较结果满足单调度范围的目标统计特征指标，比如内存错误率的统计特征指标单调度大于单调度阈值的有均值、标准差、均方根、偏斜度、脉冲因子，将这5个统计特征指标作为筛选出的目标统计特征指标。
在一些可选的实施方式中，根据目标统计特征指标确定单位向量，并基于单位向量和目标统计特征指标，得到融合后的特征指标向量，包括：
根据目标统计特征指标得到协方差矩阵；
选取协方差矩阵中特征值最大的特征向量对应的单位向量；
基于单位向量和由目标统计特征指标组成的矩阵，得到融合后的特征指标向量。
可选地，根据筛选出的目标统计特征指标生成协方差矩阵，具体过程可以为：假设内存性能指标信息为内存错误率的目标统计特征指标有：均值、标准差、均方根、偏斜度、脉冲因子，则有：
（10）
计算每一行的向量均值：
（11）
将公式（10）中的所有特征样本点减去公式（11）的均值后得到：
（12）
计算协方差矩阵：
（13）
式中，为矩阵/>的行数。
之后选取协方差矩阵中特征值最大的特征向量对应的单位向量，具体过程为：使用线性代数的方法，对协方差矩阵进行特征值分解，得到特征值和对应的特征向量；从特征值中选取最大的目标特征值，并找到与目标特征值对应的目标特征向量，将该目标特征向量转化为单位向量。
基于单位向量和由目标统计特征指标组成的矩阵/>，得到融合后的特征指标向量/>，其中，/>。
在本公开实施例中，经单调度阈值筛选后的特征指标向量需进行融合，最终作为各个内存性能指标信息的特征数据，便于后续进行趋势拟合。
在一些可选的实施方式中，对融合后的特征指标向量进行数据趋势分解和多项式拟合处理，得到基于各个内存性能指标信息获取的老化曲线，包括：
利用局部加权周期趋势分解算法提取融合后的特征指标向量的数据趋势；
根据数据趋势和多项式拟合算法，确定拟合函数；
根据各个内存性能指标信息、内存性能指标信息对应的特征样本点以及拟合函数，得到基于各个内存性能指标信息获取的老化曲线。
可选地，利用局部加权周期趋势分解算法（Seasonal and Trend DecompositionProcedure based on Loess，STL）提取融合后的特征指标向量的数据趋势，具体过程为：获取融合后的特征指标向量对应的时序数据特征指标向量；将时序数据特征指标向量分解为季节分量、趋势分量和剩余分量：STL将其分解为季节分量S、趋势分量C和剩余分量R，其分解可以表达如下
（14）
式中，为时序数据特征指标向量；/>为季节项（即周期项）；/>为趋势项；/>为残差项。
通过预设操作：STL的计算流程分为内循环和外循环，其中内循环通过移动平均等操作从时序数据特征指标向量中分离出趋势项（即趋势分量）和周期项（即季节分量）。在外循环中，利用内循环中得到的季节分量S和趋势分量C来计算剩余分量R。剩余分量R中较大的值被视为数据中的异常值，通过引入鲁棒性权重，在内循环的下一次迭代中，权重用于减小外循环的先前迭代中识别的异常值的影响，其中，较小的值会产生较平滑的趋势，较大的值会产生较接近原始数据的趋势，故权重参数的取值范围可以为0到1之间。内存性能相关数据中的内存性能指标信息，如内存错误率的融合后特征指标向量，经STL算法提取后的趋势如图4所示。
根据数据趋势和多项式拟合算法，使用多项式拟合获取拟合函数。多项式曲线拟合的过程用数学可描述为：对于、/>的1组对应数据，多项式如下：
（15）
其中，y是任一内存性能指标信息，x为与内存性能指标信息对应的特征样本点。
多项式曲线拟合就是要求这样一条函数的曲线，使离散的测量节点数据与拟合曲线的偏差平方和为最小。如此，将各个内存性能指标信息、内存性能指标信息对应的特征样本点代入拟合函数中，使用最小二乘法求解多项式拟合曲线，得到曲线系数，最后得到由各个内存性能指标信息预估得到的内存老化曲线。
在本公开实施例中，结合了局部加权周期趋势分解算法与多项式拟合算法，进行先趋势提取再曲线拟合的二阶拟合算法，获得拟合曲线的具体函数方程，便于后续有效估计内存达到老化阶段的剩余时间。
在一些可选的实施方式中，根据老化曲线和预设老化阈值，确定内存达到老化状态的目标剩余时间，包括：
根据老化曲线和预设老化阈值，得到各个内存性能指标信息对应的内存达到老化状态的预估剩余时间；
根据预估剩余时间，确定内存达到老化状态的目标剩余时间。
可选地，在本公开实施例中，需要提前设置好每个内存性能指标信息对应的预设老化阈值，利用该老化阈值即可根据当前参与到计算的内存性能指标信息的融合后特征指标向量，对内存进入老化阶段的剩余时间进行预测，如图5所示的基于内存错误率的内存老化剩余时间预测示意图。基于该图，本公开实施例根据由内存错误率数据拟合的老化曲线函数及内存错误率的预设老化阈值，可有效估计内存达到老化阶段的剩余时间。
其他的内存性能指标信息（比如基于读写延迟、电压漂移、存储损耗，功耗变化、内存刷新率等）对应的内存达到老化状态的预估剩余时间的计算方式参见内存错误率的计算方式，进而得到各个内存性能指标信息预估出的剩余时间。
之后根据所有的预估出的剩余时间，得到内存达到老化状态的最终目标剩余时间。
在本公开实施例中，设置预设老化阈值可根据每一个内存性能指标信息计算出对应的内存预估剩余时间。
在一些可选的实施方式中，根据预估剩余时间，确定内存达到老化状态的目标剩余时间，包括：
根据预估剩余时间生成剩余时间向量集合；
利用离散值检测算法从剩余时间向量集合中提剔除异常向量，得到剔除异常向量后的剩余时间向量；
根据剔除异常向量后的剩余时间向量，得到内存达到老化状态的目标剩余时间。
可选地，为防止仅由一种内存性能指标信息估计出来的剩余时间偏离其他内存性能指标信息估计出来的剩余时间。本公开实施例利用离散值检测算法帮助梳理数据的内在结构，检测数据中的异常离散值。常用的提出离散值的聚类算法有箱线图、DBSCAN（Density-Based Spatial Clustering of Applications with Noise，基于密度的噪声应用空间聚类）算法、LOF（Local Outlier Factor，局部离群因子）算法、K-means（K-meansclustering algorithm，k均值聚类算法）算法，本公开实施例以箱线图算法为例进行说明。
箱线图算法可以用来识别和提取数据中的离散值。使用箱线图需计算数据向量中的中位数、四分位和内限。具体为：
中位数：将数据按升序排列后，位于中间位置的数值。
计算第一四分位数Q1和第三四分位数Q3：将数据分为25%和75%两个部分，25%的数据位于Q1以下，75%的数据位于Q3以上。
四分位数间距IQR：Q3和Q1之间的距离，IQR=Q3-Q1。内限为1.5倍IQR。
下限：内限的下限，计算公式为Q1-1.5×IQR；
上限：内限的上限，计算公式为Q3+1.5×IQR。
标记异常值：在箱线图中，位于内限之外的数据点被视为异常值。可以使用特殊的标记或符号来标记这些异常值。
假设取内存错误率、读写延迟、电压漂移、存储损耗，功耗变化、内存刷新率6项指标信息，估计内存到达老化状态的剩余时间，组成的剩余时间向量(Residual timevector，RTV)为：
（16）
箱线图算法剔除离散值示意图如图6所示。
图6中，剔除离散值后的剩余时间向量为：
（17）
然后基于剔除离散值后的剩余时间向量，得到内存达到老化状态的目标剩余时间。
在本公开实施例中，剔除使用离散值检测算法剔除异常离散值，对预测的剩余时间集中数据进行拟合估计最终内存老化剩余时间，所提算法具备“即插即用”的功能，可任意使用多类可映射内存老化趋势的指标信息进行预测。
在一些可选的实施方式中，根据剔除异常向量后的剩余时间向量，得到内存达到老化状态的目标剩余时间，包括：
获取剔除异常向量后的剩余时间向量的平均值；
将平均值设置为目标剩余时间。
可选地，获取剔除异常向量后的剩余时间向量的平均值：，根据平均值设置为目标剩余时间：
（18）
式中，为平均数函数。
在本实施例中还提供了一种内存老化剩余时间的预测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种内存老化剩余时间的预测装置，如图7所示，包括：
获取模块701，用于获取与内存性能相关的多个内存性能指标信息，并根据每个内存性能指标信息确定对应的多个统计特征指标；
筛选模块702，用于确定每个统计特征指标的单调度，从多个统计特征指标中筛选出目标数量个目标统计特征指标；
第一得到模块703，用于根据目标统计特征指标确定单位向量，并基于单位向量和目标统计特征指标，得到融合后的特征指标向量，其中，单位向量用于对目标统计特征指标进行融合处理；
第二得到模块704，用于对融合后的特征指标向量进行数据趋势分解和多项式拟合处理，得到基于各个内存性能指标信息获取的老化曲线；
确定模块705，用于根据老化曲线和预设老化阈值，确定内存达到老化状态的目标剩余时间。
在一些可选的实施方式中，获取模块701包括：
第一获取单元，用于获取内存性能相关数据，得到多个内存性能指标信息；
第二获取单元，用于获取每个内存性能指标信息对应的特征样本点数据集；
第三获取单元，用于根据特征样本点数据集获取多个统计特征指标。
在一些可选的实施方式中，第二获取单元包括：
第一获取子模块，用于获取滑动窗口，其中，滑动窗口为采集特征采样点个数的步长；
第一得到子模块，用于由滑动窗口得到每个内存性能指标信息对应的特征样本点数据集。
在一些可选的实施方式中，第三获取单元包括：
第二获取子模块，用于获取每个统计特征指标对应的计算公式；
第二得到子模块，用于将每个内存性能指标信息对应的特征样本点数据集分别代入计算公式中，得到每个特征样本点数据集对应的多个统计特征指标。
在一些可选的实施方式中，筛选模块702包括：
第一得到单元，用于根据单调度算法得到每个统计特征指标对应的单调度值；
筛选单元，用于根据单调度值和预设的单调度范围，从多个统计特征指标中筛选出目标统计特征指标。
在一些可选的实施方式中，得到单元包括：
第三获取子模块，用于获取处于第一时刻时统计特征指标的第一数值和处于第二时刻时统计特征指标的第二数值；
第四获取子模块，用于获取第一数值和第二数值之间的差值；
第三得到子模块，用于根据差值与第一预设数值之间的比较结果，调整计数器的初始数值，得到目标数值；
第四得到子模块，用于根据目标数值和单调度计算公式，得到单调度值。
在一些可选的实施方式中，第三得到子模块包括：
第一调整子单元，用于在差值大于第一预设数值的情况下，对第一计数器的初始数值调整第二预设数值，得到第一目标数值；
第二调整子单元，用于在差值小于第一预设数值的情况下，对第二计数器的初始数值调整第二预设数值，得到第二目标数值。
在一些可选的实施方式中，筛选单元包括：
第五获取子模块，用于获取处于第一时刻时统计特征指标的第一数值和处于第二时刻时统计特征指标的第二数值；
第六获取子模块，用于获取第一数值和第二数值之间的差值；
第五得到子模块，用于根据差值与第一预设数值之间的比较结果，调整计数器的初始数值，得到目标数值；
第六得到子模块，用于根据目标数值和单调度计算公式，得到单调度值。
在一些可选的实施方式中，筛选单元包括：
第七获取子模块，用于获取多个统计特征指标的单调度集合的标准差；
第一确定子模块，用于根据单调度值和标准差，确定单调度阈值；
第七得到子模块，用于根据单调度阈值和单调度值，得到单调度范围；
筛选子模块，用于从多个统计特征指标中筛选出单调度阈值和单调度值的比较结果满足单调度范围的目标统计特征指标。
在一些可选的实施方式中，第一得到模块703包括：
第二得到单元，用于根据目标统计特征指标得到协方差矩阵；
选取单元，用于选取协方差矩阵中特征值最大的特征向量对应的单位向量；
第三得到单元，用于基于单位向量和由目标统计特征指标组成的矩阵，得到融合后的特征指标向量。
在一些可选的实施方式中，第二得到单元包括：
生成子模块，用于生成由目标统计特征指标组成的矩阵；
第八获取子模块，用于获取每一行矩阵的向量均值；
第八得到子模块，用于将每个目标统计特征指标对应的所有特征样本点均减去向量均值，得到新矩阵；
第九得到子模块，用于根据新矩阵计算得到协方差矩阵。
在一些可选的实施方式中，选取单元包括：
第十得到子模块，用于对协方差矩阵进行特征值分解，得到特征值和对应的特征向量；
选取子模块，用于从特征值中选取出数值最大的目标特征值；
第九获取子模块，用于获取与目标特征值对应的目标特征向量；
第十一得到子模块，用于对目标特征向量进行转化，得到单位向量。
在一些可选的实施方式中，第二得到模块704包括：
提取单元，用于利用局部加权周期趋势分解算法提取融合后的特征指标向量的数据趋势；
第一确定单元，用于根据数据趋势和多项式拟合算法，确定拟合函数；
第四得到单元，用于根据各个内存性能指标信息、内存性能指标信息对应的特征样本点以及拟合函数，得到基于各个内存性能指标信息获取的老化曲线。
在一些可选的实施方式中，提取单元包括：
第十获取子模块，用于获取融合后的特征指标向量对应的时序数据特征指标向量；
分解子模块，用于将时序数据特征指标向量分解为季节分量、趋势分量和剩余分量；
分离子模块，用于通过预设操作从时序数据特征指标向量中分离出季节分量、趋势分量；
计算子模块，用于根据季节分量和趋势分量，计算得到剩余分量；
第十二得到子模块，用于根据季节分量、趋势分量以及剩余分量，得到数据趋势。
在一些可选的实施方式中，第四得到单元包括：
第十三得到子模块，用于将各个内存性能指标信息、内存性能指标信息对应的特征样本点代入拟合函数中，得到曲线系数；
第十四得到子模块，用于根据曲线系数、拟合函数以及各个内存性能指标信息、内存性能指标信息对应的特征样本点，得到各个内存性能指标信息对应的老化曲线。
在一些可选的实施方式中，确定模块705包括：
第五得到单元，用于根据老化曲线和预设老化阈值，得到各个内存性能指标信息对应的内存达到老化状态的预估剩余时间；
第二确定单元，用于根据预估剩余时间，确定内存达到老化状态的目标剩余时间。
在一些可选的实施方式中，第二确定单元包括：
生成子模块，用于根据预估剩余时间生成剩余时间向量集合；
第十五得到子模块，用于利用离散值检测算法从剩余时间向量集合中提剔除异常向量，得到剔除异常向量后的剩余时间向量；
第十六得到子模块，用于根据剔除异常向量后的剩余时间向量，得到内存达到老化状态的目标剩余时间。
在一些可选的实施方式中，第十六得到子模块包括：
获取子单元，用于获取剔除异常向量后的剩余时间向量的平均值；
设置子单元，用于将平均值设置为目标剩余时间。
本实施例中的内存老化剩余时间的预测装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本公开实施例还提供一种计算机设备，具有上述图7所示的内存老化剩余时间的预测装置。
请参阅图8，图8是本公开可选实施例提供的一种计算机设备的结构示意图，如图8所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器10为例。
处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
其中，存储器20存储有可由至少一个处理器10执行的指令，以使至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据一种小程序落地页的展现的计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。
本公开实施例还提供了一种计算机可读存储介质，上述根据本公开实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
虽然结合附图描述了本公开的实施例，但是本领域技术人员可以在不脱离本公开的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (20)
1.一种内存老化剩余时间的预测方法，其特征在于，所述方法包括：
获取与内存性能相关的多个内存性能指标信息，并根据每个所述内存性能指标信息确定对应的多个统计特征指标；
确定每个所述统计特征指标的单调度，从多个所述统计特征指标中筛选出目标数量个目标统计特征指标；
根据所述目标统计特征指标确定单位向量，并基于所述单位向量和所述目标统计特征指标，得到融合后的特征指标向量，其中，所述单位向量用于对所述目标统计特征指标进行融合处理；
对所述融合后的特征指标向量进行数据趋势分解和多项式拟合处理，得到基于各个所述内存性能指标信息获取的老化曲线；
根据所述老化曲线和预设老化阈值，确定内存达到老化状态的目标剩余时间。
2.根据权利要求1所述的方法，其特征在于，所述获取与内存性能相关的多个内存性能指标信息，并根据每个所述内存性能指标信息确定对应的多个统计特征指标，包括：
获取内存性能相关数据，得到多个所述内存性能指标信息；
获取每个所述内存性能指标信息对应的特征样本点数据集；
根据所述特征样本点数据集获取多个所述统计特征指标。
3.根据权利要求2所述的方法，其特征在于，所述获取每个所述内存性能指标信息对应的特征样本点数据集，包括：
获取滑动窗口，其中，所述滑动窗口为采集特征采样点个数的步长；
由所述滑动窗口得到每个所述内存性能指标信息对应的特征样本点数据集。
4.根据权利要求2所述的方法，其特征在于，所述根据所述特征样本点数据集获取多个所述统计特征指标，包括：
获取每个统计特征指标对应的计算公式；
将每个所述内存性能指标信息对应的特征样本点数据集分别代入所述计算公式中，得到每个所述特征样本点数据集对应的多个所述统计特征指标。
5.根据权利要求1所述的方法，其特征在于，所述确定每个所述统计特征指标的单调度，从多个所述统计特征指标中筛选出目标数量个目标统计特征指标，包括：
根据单调度算法得到每个所述统计特征指标对应的单调度值；
根据所述单调度值和预设的单调度范围，从多个所述统计特征指标中筛选出所述目标统计特征指标。
6.根据权利要求5所述的方法，其特征在于，所述根据单调度算法得到每个所述统计特征指标对应的单调度值，包括：
获取处于第一时刻时所述统计特征指标的第一数值和处于第二时刻时所述统计特征指标的第二数值；
获取所述第一数值和所述第二数值之间的差值；
根据所述差值与第一预设数值之间的比较结果，调整计数器的初始数值，得到目标数值；
根据所述目标数值和单调度计算公式，得到所述单调度值。
7.根据权利要求6所述的方法，其特征在于，所述根据所述差值与第一预设数值之间的比较结果，调整计数器的初始数值，得到目标数值，包括：
在所述差值大于所述第一预设数值的情况下，对第一计数器的初始数值调整第二预设数值，得到第一目标数值；
在所述差值小于所述第一预设数值的情况下，对第二计数器的初始数值调整所述第二预设数值，得到第二目标数值。
8.根据权利要求5所述的方法，其特征在于，所述根据所述单调度值和预设的单调度范围，从多个所述统计特征指标中筛选出所述目标统计特征指标，包括：
获取多个所述统计特征指标的单调度集合的标准差；
根据所述单调度值和所述标准差，确定单调度阈值；
根据所述单调度阈值和所述单调度值，得到所述单调度范围；
从多个所述统计特征指标中筛选出所述单调度阈值和所述单调度值的比较结果满足所述单调度范围的所述目标统计特征指标。
9.根据权利要求1所述的方法，其特征在于，所述根据所述目标统计特征指标确定单位向量，并基于所述单位向量和所述目标统计特征指标，得到融合后的特征指标向量，包括：
根据所述目标统计特征指标得到协方差矩阵；
选取所述协方差矩阵中特征值最大的特征向量对应的单位向量；
基于所述单位向量和由所述目标统计特征指标组成的矩阵，得到融合后的特征指标向量。
10.根据权利要求9所述的方法，其特征在于，所述根据所述目标统计特征指标得到协方差矩阵，包括：
生成由所述目标统计特征指标组成的矩阵；
获取每一行所述矩阵的向量均值；
将每个所述目标统计特征指标对应的所有特征样本点均减去所述向量均值，得到新矩阵；
根据所述新矩阵计算得到所述协方差矩阵。
11.根据权利要求9所述的方法，其特征在于，所述选取所述协方差矩阵中特征值最大的特征向量对应的单位向量，包括：
对所述协方差矩阵进行特征值分解，得到特征值和对应的特征向量；
从所述特征值中选取出数值最大的目标特征值；
获取与所述目标特征值对应的目标特征向量；
对所述目标特征向量进行转化，得到所述单位向量。
12.根据权利要求1所述的方法，其特征在于，所述对所述融合后的特征指标向量进行数据趋势分解和多项式拟合处理，得到基于各个所述内存性能指标信息获取的老化曲线，包括：
利用局部加权周期趋势分解算法提取所述融合后的特征指标向量的数据趋势；
根据所述数据趋势和多项式拟合算法，确定拟合函数；
根据各个所述内存性能指标信息、所述内存性能指标信息对应的特征样本点以及所述拟合函数，得到基于各个所述内存性能指标信息获取的所述老化曲线。
13.根据权利要求12所述的方法，其特征在于，所述利用局部加权周期趋势分解算法提取所述融合后的特征指标向量的数据趋势，包括：
获取所述融合后的特征指标向量对应的时序数据特征指标向量；
将所述时序数据特征指标向量分解为季节分量、趋势分量和剩余分量；
通过预设操作从时序数据特征指标向量中分离出季节分量、趋势分量；
根据所述季节分量和所述趋势分量，计算得到所述剩余分量；
根据所述季节分量、所述趋势分量以及所述剩余分量，得到所述数据趋势。
14.根据权利要求12所述的方法，其特征在于，所述根据各个所述内存性能指标信息、所述内存性能指标信息对应的特征样本点以及所述拟合函数，得到基于各个所述内存性能指标信息获取的所述老化曲线，包括：
将各个所述内存性能指标信息、所述内存性能指标信息对应的特征样本点代入所述拟合函数中，得到曲线系数；
根据所述曲线系数、所述拟合函数以及各个所述内存性能指标信息、所述内存性能指标信息对应的特征样本点，得到各个所述内存性能指标信息对应的所述老化曲线。
15.根据权利要求1所述的方法，其特征在于，所述根据所述老化曲线和预设老化阈值，确定内存达到老化状态的目标剩余时间，包括：
根据所述老化曲线和所述预设老化阈值，得到各个所述内存性能指标信息对应的所述内存达到老化状态的预估剩余时间；
根据所述预估剩余时间，确定内存达到老化状态的目标剩余时间。
16.根据权利要求15所述的方法，其特征在于，所述根据所述预估剩余时间，确定内存达到老化状态的目标剩余时间，包括：
根据所述预估剩余时间生成剩余时间向量集合；
利用离散值检测算法从所述剩余时间向量集合中剔除异常向量，得到剔除异常向量后的剩余时间向量；
根据所述剔除异常向量后的剩余时间向量，得到内存达到老化状态的目标剩余时间。
17.根据权利要求16所述的方法，其特征在于，所述根据所述剔除异常向量后的剩余时间向量，得到内存达到老化状态的目标剩余时间，包括：
获取所述剔除异常向量后的剩余时间向量的平均值；
将所述平均值设置为所述目标剩余时间。
18.一种内存老化剩余时间的预测装置，其特征在于，所述装置包括：
获取模块，用于获取与内存性能相关的多个内存性能指标信息，并根据每个所述内存性能指标信息确定对应的多个统计特征指标；
筛选模块，用于确定每个所述统计特征指标的单调度，从多个所述统计特征指标中筛选出目标数量个目标统计特征指标；
第一得到模块，用于根据所述目标统计特征指标确定单位向量，并基于所述单位向量和所述目标统计特征指标，得到融合后的特征指标向量，其中，所述单位向量用于对所述目标统计特征指标进行融合处理；
第二得到模块，用于对所述融合后的特征指标向量进行数据趋势分解和多项式拟合处理，得到基于各个所述内存性能指标信息获取的老化曲线；
确定模块，用于根据所述老化曲线和预设老化阈值，确定内存达到老化状态的目标剩余时间。
19.一种计算机设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至17中任一项所述的内存老化剩余时间的预测方法。
20.一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指令，所述计算机指令用于使计算机执行权利要求1至17中任一项所述的内存老化剩余时间的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311708455.4A CN117407264B (zh) | 2023-12-13 | 2023-12-13 | 内存老化剩余时间的预测方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311708455.4A CN117407264B (zh) | 2023-12-13 | 2023-12-13 | 内存老化剩余时间的预测方法、装置、计算机设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117407264A CN117407264A (zh) | 2024-01-16 |
| CN117407264B true CN117407264B (zh) | 2024-02-23 |
Family
ID=89496588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311708455.4A Active CN117407264B (zh) | 2023-12-13 | 2023-12-13 | 内存老化剩余时间的预测方法、装置、计算机设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117407264B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111752481A (zh) * | 2020-05-27 | 2020-10-09 | 苏州浪潮智能科技有限公司 | 一种基于spd的内存监控及寿命预测方法和系统 |
| CN115794586A (zh) * | 2022-11-30 | 2023-03-14 | 中国农业银行股份有限公司 | 云服务器软件老化预测方法、装置、设备和介质 |
-
2023
- 2023-12-13 CN CN202311708455.4A patent/CN117407264B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111752481A (zh) * | 2020-05-27 | 2020-10-09 | 苏州浪潮智能科技有限公司 | 一种基于spd的内存监控及寿命预测方法和系统 |
| CN115794586A (zh) * | 2022-11-30 | 2023-03-14 | 中国农业银行股份有限公司 | 云服务器软件老化预测方法、装置、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117407264A (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111368890A (zh) | 故障检测方法及装置、信息物理融合系统 | |
| CN110413227B (zh) | 一种硬盘设备的剩余使用寿命在线预测方法和系统 | |
| US8078913B2 (en) | Automated identification of performance crisis | |
| WO2018103453A1 (zh) | 检测网络的方法和装置 | |
| US20160217378A1 (en) | Identifying anomalous behavior of a monitored entity | |
| CN111027615B (zh) | 基于机器学习的中间件故障预警方法和系统 | |
| CN112862127B (zh) | 一种传感器数据的异常处理方法、装置、电子设备及介质 | |
| CN108664603B (zh) | 一种修复时序数据的异常聚合值的方法及装置 | |
| CN109257383B (zh) | 一种bgp异常检测方法及系统 | |
| US20170124782A1 (en) | Methods for detecting one or more aircraft anomalies and devices thereof | |
| CN115454778A (zh) | 大规模云网络环境下的时序指标异常智能监控系统 | |
| CN114978956B (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
| WO2022001125A1 (zh) | 一种存储系统的存储故障预测方法、系统及装置 | |
| CN109063885A (zh) | 一种变电站异常量测数据预测方法 | |
| CN114325405A (zh) | 电池组一致性分析方法、建模方法、装置、设备及介质 | |
| CN114595210A (zh) | 一种多维数据的异常检测方法、装置及电子设备 | |
| CN116089405A (zh) | 一种基于dbscan和knn算法的用电数据离群点检测与清洗方法 | |
| CN110766236A (zh) | 基于统计分析和深度学习的电力设备状态趋势预测方法 | |
| CN111638988A (zh) | 一种基于深度学习的云主机故障智能预测方法 | |
| CN115794578A (zh) | 一种电力系统的数据管理方法、装置、设备及介质 | |
| JP7173284B2 (ja) | イベント監視装置、方法及びプログラム | |
| CN117407264B (zh) | 内存老化剩余时间的预测方法、装置、计算机设备及介质 | |
| CN117171157A (zh) | 基于数据分析的清算数据采集清洗方法 | |
| CN110399278B (zh) | 基于数据中心异常监控的告警融合系统及方法 | |
| CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |