服务器性能监控方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开了一种服务器性能监控方法、装置、计算机设备及存储介质，所述方法包括：获取服务器目标性能数据集，并采用训练好的高斯混合隐马尔可夫模型，对目标性能数据集中的每个性能数据进行状态标注，得到目标标注序列，实现了对性能数据的状态标注，有利于后续根据状态标注进行性能评估与走势预测，同时，对目标标注序列进行数据切分，得到目标性能数据集对应的目标子序列，最后通过动态规划的方式，获取目标子序列对应的性能走势信息，作为性能预测信息，并将性能预测信息与预设阈值范围进行比较，根据比较结果确定是否预警，提高了服务器性能监控的效率，也有利于在性能走势出现异常时进行及时预警，提高预警的及时性。

Server performance monitoring methods, devices, computer equipment and storage media

【技术实现步骤摘要】
服务器性能监控方法、装置、计算机设备及存储介质
本专利技术涉及智能监控领域，尤其涉及一种服务器性能监控方法、装置、计算机设备及存储介质。
技术介绍
随着科技的进步和经济的社会发展，一些网络科技公司涉及的业务范围越来越广，也即意味着，服务器对接的业务种类和用户数量越来越多，这对服务器的性能要求更为苛刻。不同的业务种类，对服务器的资源占用情况不同，而不同时间段，使用服务器的用户数量也在变化，为确保服务器性质能达到要求，我们需要对服务器的性能进行实时监控预测，在服务器性能达不到生产环境的要求之前，采取启用备用服务器或者其他服务器性能优化的措施，保证服务器的正常运转。在现有的一些方法中，有一些通过统计学的方式，结合历史性能数据来对服务器性能变化趋势进行预测，也有通过隐马尔科夫模型来对服务器资源占用的趋势进行评估，这些预测的目的，都是为了提前对服务器性能可能出现的障碍进行预警，并采取相应措施确保服务器的正常运行，实现服务器性能的监管。但是，在当前网络信息的不对称(用户数量的不稳定性和非预期的流量冲击)的因素下，通过统计学的方式或者使用隐马尔科夫模型进行资源占用情况的趋势预测，预测准确率往往难以达到要求，往往在出现性能故障时才被发现，使得服务器性能监控效率较低，因而，寻找一种高效的服务器性能监控方法，以实现在服务器性能出现故障之前进行及时预警，成了一个亟待解决的难题。
技术实现思路
本专利技术实施例提供一种服务器性能监控方法、装置、计算机设备和存储介质，以提高当前服务器性能监控的效率。一种服务器性能监控方法，包括：获取服务器从当前时间点到预设时间间隔的性能数据，作为目标性能数据集；将所述目标性能数据集输入到训练好的高斯混合隐马尔可夫模型中，其中，所述训练好的高斯混合隐马尔可夫模型包括基础标注序列和基础标注序列对应的基础时长序列，所述基础时长序列包括若干基础子序列，所述训练好的高斯混合隐马尔可夫模型为通过所述服务器的历史性能数据训练得到；采用所述训练好的高斯混合隐马尔可夫模型，对所述目标性能数据集中的每个性能数据进行状态标注，得到目标标注序列；根据预设的时长切分方式，对所述目标标注序列进行数据切分，得到所述目标性能数据集对应的目标时长序列，其中，所述目标时长序列包括至少两个目标子序列；通过动态规划的方式，获取所述目标子序列对应的基础子序列，作为参考子序列，并获取所述参考子序列对应的性能走势信息，作为所述服务器在当前时间点的性能预测信息，其中，每一时间点对应的所述基础子序列的下一基础子序列对应的状态标注，为该时间点的基础子序列对应的性能走势信息；将所述性能预测信息与预设阈值范围进行比较，若所述性能预测信息处于所述预设阈值范围之外，则执行预设应急措施。一种服务器性能监控装置，包括：第一采集模块，用于获取服务器从当前时间点到预设时间间隔的性能数据，作为目标性能数据集；数据输入模块，用于将所述目标性能数据集输入到训练好的高斯混合隐马尔可夫模型中，其中，所述训练好的高斯混合隐马尔可夫模型包括基础标注序列和基础标注序列对应的基础时长序列，所述基础时长序列包括若干基础子序列，所述训练好的高斯混合隐马尔可夫模型为通过所述服务器的历史性能数据训练得到；第一标注模块，用于采用所述训练好的高斯混合隐马尔可夫模型，对所述目标性能数据集中的每个性能数据进行状态标注，得到目标标注序列；第一切分模块，用于根据预设的时长切分方式，对所述目标标注序列进行数据切分，得到所述目标性能数据集对应的目标时长序列，其中，所述目标时长序列包括至少两个目标子序列；趋势预测模块，用于通过动态规划的方式，获取所述目标子序列对应的基础子序列，作为参考子序列，并获取所述参考子序列对应的性能走势信息，作为所述服务器在当前时间点的性能预测信息，其中，每一时间点对应的所述基础子序列的下一基础子序列对应的状态标注，为该时间点的基础子序列对应的性能走势信息；预警模块，用于将所述性能预测信息与预设阈值范围进行比较，若所述性能预测信息处于所述预设阈值范围之外，则执行预设应急措施。一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述服务器性能监控方法的步骤。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程序，所述计算机程序被处理器执行时实现上述服务器性能监控方法的步骤。本专利技术实施例提供的服务器性能监控方法、装置、计算机设备及存储介质，获取服务器从当前时间点到预设时间间隔的性能数据，作为目标性能数据集，进而将目标性能数据集输入到训练好的高斯混合隐马尔可夫模型中，再采用训练好的高斯混合隐马尔可夫模型，对目标性能数据集中的每个性能数据进行状态标注，得到目标标注序列，实现了对性能数据的状态标注，有利于后续根据状态标注进行性能评估与走势预测，同时，根据预设的时长切分方式，对目标标注序列进行数据切分，得到目标性能数据集对应的目标时长序列，最后通过动态规划的方式，获取目标子序列对应的基础子序列，作为参考子序列，并获取参考子序列对应的性能走势信息，作为服务器在当前时间点的性能预测信息，进而将性能预测信息与预设阈值范围进行比较，若性能预测信息处于预设阈值范围之外，则执行预设应急措施，实现通过训练好的高斯混合隐马尔可夫模型，结合服务器在当前的时长序列内性能数据的变化情况，对服务器性能进行评估，提高了服务器性能预测的效率，也有利于在性能走势出现异常时进行及时预警，提高预警的及时性。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的服务器性能监控方法的实现流程图；图2是本专利技术实施例提供的服务器性能监控方法中对高斯混合隐马尔可夫模型进行训练的实现流程图；图3是本专利技术实施例提供的服务器性能监控方法中步骤S72的实现流程图；图4是本专利技术实施例提供的服务器性能监控方法中步骤S721的实现流程图；图5是本专利技术实施例提供的服务器性能监控方法中步骤S50的实现流程图；图6是本专利技术实施例提供的服务器性能监控方法中步骤S51的实现流程图；图7是本专利技术实施例提供的服务器性能监控装置的示意图；图8是本专利技术实施例提供的计算机设备的示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例提供的服务器性能监控方法应用在对集群服务器中每个节点服务器的性能进行监控场景中。本文档来自技高网...

【技术保护点】
1.一种服务器性能监控方法，其特征在于，所述服务器性能监控方法包括：/n获取服务器从当前时间点到预设时间间隔的性能数据，作为目标性能数据集；/n将所述目标性能数据集输入到训练好的高斯混合隐马尔可夫模型中，其中，所述训练好的高斯混合隐马尔可夫模型包括基础标注序列和基础标注序列对应的基础时长序列，所述基础时长序列包括若干基础子序列，所述训练好的高斯混合隐马尔可夫模型为通过所述服务器的历史性能数据训练得到；/n采用所述训练好的高斯混合隐马尔可夫模型，对所述目标性能数据集中的每个性能数据进行状态标注，得到目标标注序列；/n根据预设的时长切分方式，对所述目标标注序列进行数据切分，得到所述目标性能数据集对应的目标时长序列，其中，所述目标时长序列包括至少两个目标子序列；/n通过动态规划的方式，获取所述目标子序列对应的基础子序列，作为参考子序列，并获取所述参考子序列对应的性能走势信息，作为所述服务器在当前时间点的性能预测信息，其中，每一时间点对应的所述基础子序列的下一基础子序列对应的状态标注，为该时间点的基础子序列对应的性能走势信息；/n将所述性能预测信息与预设阈值范围进行比较，若所述性能预测信息处于所述预设阈值范围之外，则执行预设应急措施。/n...

【技术特征摘要】
1.一种服务器性能监控方法，其特征在于，所述服务器性能监控方法包括：
获取服务器从当前时间点到预设时间间隔的性能数据，作为目标性能数据集；
将所述目标性能数据集输入到训练好的高斯混合隐马尔可夫模型中，其中，所述训练好的高斯混合隐马尔可夫模型包括基础标注序列和基础标注序列对应的基础时长序列，所述基础时长序列包括若干基础子序列，所述训练好的高斯混合隐马尔可夫模型为通过所述服务器的历史性能数据训练得到；
采用所述训练好的高斯混合隐马尔可夫模型，对所述目标性能数据集中的每个性能数据进行状态标注，得到目标标注序列；
根据预设的时长切分方式，对所述目标标注序列进行数据切分，得到所述目标性能数据集对应的目标时长序列，其中，所述目标时长序列包括至少两个目标子序列；
通过动态规划的方式，获取所述目标子序列对应的基础子序列，作为参考子序列，并获取所述参考子序列对应的性能走势信息，作为所述服务器在当前时间点的性能预测信息，其中，每一时间点对应的所述基础子序列的下一基础子序列对应的状态标注，为该时间点的基础子序列对应的性能走势信息；
将所述性能预测信息与预设阈值范围进行比较，若所述性能预测信息处于所述预设阈值范围之外，则执行预设应急措施。


2.如权利要求1所述的服务器性能监控方法，其特征在于，在所述将所述目标性能数据集输入到训练好的高斯混合隐马尔可夫模型中之前，所述服务器性能监控方法还包括：
获取所述服务器的历史性能数据集，所述历史性能数据集包含历史性能数据和所述历史性能数据对应的时间点信息；
根据所述时间点信息和所述历史性能数据，对初始高斯混合隐马尔可夫模型进行滚动式训练，得到所述目标高斯混合隐马尔可夫模型；
使用所述目标高斯混合隐马尔可夫模型，按照所述时间点信息中的时间顺序，对所述时间点信息对应的历史性能数据进行标注，得到基础标注序列；
根据所述预设的时长切分方式，对所述基础标注序列进行数据切分，得到所述历史性能数据集对应的基础时长序列，其中，所述基础时长序列包括若干基础子序列；
获取每个所述基础子序列之后预设数量的基础子序列，作为走势参考序列，并获取所述走势参考序列对应的标注信息，作为所述基础子序列对应的性能走势信息；
将所述基础标注序列、所述基础时长序列和所述性能走势信息存入到所述目标高斯混合隐马尔可夫模型，得到所述训练好的高斯混合隐马尔可夫模型。


3.如权利要求2所述的服务器性能监控方法，其特征在于，所述根据所述时间点信息和所述历史性能数据，对初始高斯混合隐马尔可夫模型进行滚动式训练，得到所述目标高斯混合隐马尔可夫模型包括：
按照预设时间间隔，根据所述时间点信息，对所述历史性能数据集进行滚动式切分，得到若干个基础数据集，以及每个所述基础数据集对应的基础时序；
获取每个所述基础数据集的历史性能数据，作为所述基础数据集对应的基础观测数据；
针对每个所述基础数据集，将该基础数据集对应的基础时序和所述基础观测数据，作为一组时序观测数据；
依次使用所述时序观测数据，对所述初始高斯混合隐马尔可夫模型进行训练更新，直到每组所述时序观测数据均参与训练，得到所述目标高斯混合隐马尔可夫模型。


4.如权利要求3所述的服务器性能监控方法，其特征在于，所述按照预设时间间隔，根据所述时间点信息，对所述历史性能数据集进行滚动式切分，得到若干个基础数据集，以及每个所述基础数据集对应的基础时序包括：
获取所述预设时间间隔的时长T1；
根据所有所述时间点信息，确定所述历史性能数据集对应的时序区间，并计算所述时序区间的时长T2，其中，T2>T1；
从所述时序区间中，依次获取T2-T1+1个时长为T1的所述基础时序，并获取每个所述基础时序的历史性能数据，作为所述基础时序对应的基础数据集，其中，第i个所述基础时序为从第i个时间单位到第T1+i-1个时间单位的时序，i为正整数，且i≤T2-T1+1。


5.如权利要求1所述的服务器性能监控方法，其特征在于，所述通过动态规划的方式，获取所述目标子序列对应的基础子序列，作为参考子序列包括：
针对任一所述目标子序列，计算该目标子序列与每个所述基础子序列的相似度，并将相似度值最大的基础子序列作为目标子序列对应的基础子序列；
对所有所述目标子序列对应的基础子序列进行汇总处理，得到所述...

【专利技术属性】
技术研发人员：李正洋，张鹏，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44