【技术实现步骤摘要】
本专利技术涉及云计算，具体涉及一种云工作站的异常监测方法、装置及计算机设备。
技术介绍
1、云计算允许用户通过互联网进行计算资源共享，因此云计算中异常精准发现会直接影响云计算系统好坏。
2、目前云计算系统的异常监测通常依赖单一时刻的运行数据进行异常判断，即异常判断结果仅依赖于该单一时刻数据，一旦该运行数据在监测获取阶段出现误差，未正确获取该运行数据，就会导致对云计算系统的工况误判，造成异常监测鲁棒性和精准性不足。
技术实现思路
1、本专利技术的目的在于提供一种云工作站的异常监测方法、装置及计算机设备，以解决现有技术异常判断结果仅依赖于该单一时刻数据，造成异常监测鲁棒性和精准性不足的技术问题。
2、为解决上述技术问题，本专利技术具体提供下述技术方案：
3、在本专利技术的第一方面，一种云工作站的异常监测方法，包括以下步骤：
4、获取云工作站中虚拟机工况数据；
5、根据虚拟机工况数据，通过分类器在所有虚拟机中确定出疑似异常的虚拟机，标记为待预警虚拟机；
6、获取待预警虚拟机的历史工况数据；
7、根据待预警虚拟机的历史工况数据，通过神经网络确定出待预警虚拟机的工况状态，所述工况状态包括异常状态和非异常状态；
8、将异常状态的待预警虚拟机标记为异常虚拟机，将非异常状态的待预警虚拟机重的待预警标记去除。
9、作为本专利技术的一种优选方案，所述待预警虚拟机的标记方法包括：
10
11、将样本机的工况数据作为分类器的输入项，将样本机的分类标签作为分类器的输出项；
12、利用分类器对分类器的输入项和输出项进行分类训练，得到虚拟机分类模型；
13、所述虚拟机分类模型为：
14、e_label=svm(fa)；
15、式中，e_label为分类标签，fa为工况数据，svm为分类器；
16、利用虚拟机分类模型根据各个虚拟机工况数据，得到各个虚拟机的分类标签；
17、将异常标签的虚拟机赋予待预警标记，得到所述待预警虚拟机。
18、作为本专利技术的一种优选方案，所述待预警虚拟机的工况状态的确定方法包括：
19、将待预警虚拟机的历史工况数据输入至预建立的工况数据预测模型中，由所述工况数据预测模型输出待预警虚拟机的实时工况数据；
20、将所述实时工况数据输入至虚拟机分类模型中，得到待预警虚拟机的分类标签；
21、将异常标签的待预警虚拟机的工作状态作为异常状态；
22、将非异常标签的待预警虚拟机的工作状态作为非异常状态。作为本专利技术的一种优选方案，所述工况数据预测网络的构建方法包括：
23、获取样本机的历史工况数据；
24、将样本机历史工况数据中前置时刻的数据作为神经网络的输入项，将样本机历史工况数据中前置时刻的数据作为神经网络的输出项；
25、利用神经网络对神经网络的输入项和神经网络的输出项间的时序映射关系进行深度学习，得到所述工况数据预测网络；
26、所述工况数据预测网络为：
27、ht=lstm ({ht-1,ht-2,…,h1})；
28、式中，ht为历史第t个时序处的虚拟机工况数据，ht-1,ht-2,h1分别为历史第t-1,t-2,1个时序处的虚拟机工况数据，lstm为神经网络。
29、作为本专利技术的一种优选方案，所述工况数据预测网络和虚拟机分类模型的损失函数相同。
30、在本专利技术的第二方面，一种云工作站的异常监测装置，应用于所述的一种云工作站的异常监测方法，云工作站的异常监测装置包括：
31、数据获取单元，用于获取云工作站中虚拟机工况数据，以及获取待预警虚拟机的历史工况数据；
32、数据处理单元，用于根据虚拟机工况数据，通过分类器在所有虚拟机中确定出疑似异常的虚拟机，标记为待预警虚拟机；以及
33、用于根据待预警虚拟机的历史工况数据，通过神经网络确定出待预警虚拟机的工况状态，所述工况状态包括异常状态和非异常状态；
34、监测输出单元，用于将异常状态的待预警虚拟机标记为异常虚拟机，将非异常状态的待预警虚拟机重的待预警标记去除。
35、作为本专利技术的一种优选方案，数据处理单元构建虚拟机分类模型的方法包括：
36、选取多个虚拟机作为样本机，并根据样本机的工况数据对样本机的工况状态进行类别标记，得到样本机的分类标签，其中，分类标签包括异常标签和非异常标签；
37、将样本机的工况数据作为分类器的输入项，将样本机的分类标签作为分类器的输出项；
38、利用分类器对分类器的输入项和输出项进行分类训练，得到虚拟机分类模型；
39、所述虚拟机分类模型为：
40、e_label=svm(fa)；
41、式中，e_label为分类标签，fa为工况数据，svm为分类器。
42、作为本专利技术的一种优选方案，数据处理单元构建工况数据预测网络的方法包括：
43、获取样本机的历史工况数据；
44、将样本机历史工况数据中前置时刻的数据作为神经网络的输入项，将样本机历史工况数据中前置时刻的数据作为神经网络的输出项；
45、利用神经网络对神经网络的输入项和神经网络的输出项间的时序映射关系进行深度学习，得到所述工况数据预测网络；
46、所述工况数据预测网络为：
47、ht=lstm ({ht-1,ht-2,…,h1})；
48、式中，ht为历史第t个时序处的虚拟机工况数据，ht-1,ht-2,h1分别为历史第t-1,t-2,1个时序处的虚拟机工况数据，lstm为神经网络。
49、作为本专利技术的一种优选方案，数据处理单元确定待预警虚拟机的工况状态的方法包括：
50、将待预警虚拟机的历史工况数据输入至预建立的工况数据预测模型中，由所述工况数据预测模型输出待预警虚拟机的实时工况数据；
51、将所述实时工况数据输入至虚拟机分类模型中，得到待预警虚拟机的分类标签；
52、将异常标签的待预警虚拟机的工作状态作为异常状态；
53、将非异常标签的待预警虚拟机的工作状态作为非异常状态。
54、在本专利技术的第三方面，一种计算机设备，包括：至少一个处理器；以及
55、与所述至少一个处理器通信连接的存储器；
56、其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使计算机设备执行云工作站的异常监测方法。
57、本专利技术与现有技术相比较具有如下有益效果：
58、本专利技术本文档来自技高网...
【技术保护点】
1.一种云工作站的异常监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种云工作站的异常监测方法，其特征在于：所述待预警虚拟机的标记方法包括：
3.根据权利要求2所述的一种云工作站的异常监测方法，其特征在于：所述待预警虚拟机的工况状态的确定方法包括：
4.根据权利要求3所述的一种云工作站的异常监测方法，其特征在于：所述工况数据预测网络的构建方法包括：
5.根据权利要求4所述的一种云工作站的异常监测方法，其特征在于：所述工况数据预测网络和虚拟机分类模型的损失函数相同。
6.一种云工作站的异常监测装置，其特征在于，应用于权利要求1-5任一项所述的一种云工作站的异常监测方法，云工作站的异常监测装置包括：
7.根据权利要求6所述的一种云工作站的异常监测装置，其特征在于：数据处理单元构建虚拟机分类模型的方法包括：
8.根据权利要求7所述的一种云工作站的异常监测装置，其特征在于：数据处理单元构建工况数据预测网络的方法包括：
9.根据权利要求8所述的一种云工作站的异常监测装置，其特征在
10.一种计算机设备，其特征在于，包括：至少一个处理器；以及
...【技术特征摘要】
1.一种云工作站的异常监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种云工作站的异常监测方法，其特征在于：所述待预警虚拟机的标记方法包括：
3.根据权利要求2所述的一种云工作站的异常监测方法，其特征在于：所述待预警虚拟机的工况状态的确定方法包括：
4.根据权利要求3所述的一种云工作站的异常监测方法，其特征在于：所述工况数据预测网络的构建方法包括：
5.根据权利要求4所述的一种云工作站的异常监测方法，其特征在于：所述工况数据预测网络和虚拟机分类模型的损失函数相同。
6.一种云工作站...
【专利技术属性】
技术研发人员：请求不公布姓名，请求不公布姓名，
申请(专利权)人：深圳云天畅想信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。