【技术实现步骤摘要】
本专利技术涉及云工作站，具体涉及云工作站的资源安全监测方法及系统。
技术介绍
1、云工作站是将本地电脑上所有的工作需求都放在云端上，而且不受本地电脑的地域的影响，可根据需求在云端选择合适的配置，弹性度自由的云上办公平台。
2、因此，现有对云工作站内的单个云服务器的资源安全监测的大多方式为实时监控该单个云服务器的运行参数，从而来达到对该云服务器的运行数据的安全监测，仅监控云服务器本身实时运行参数来表示资源安全程度，导致资源安全监测结果准确度低。
技术实现思路
1、本专利技术的目的在于提供云工作站的资源安全监测方法及系统，以解决现有技术中仅监控云服务器本身实时运行参数来表示资源安全程度，导致资源安全监测结果准确度低的技术问题。
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、云工作站的资源安全监测方法，包括以下步骤：
4、步骤100、对云工作站进行资源分区管理，且采集每个云工作区的所有云服务器的历史资源管理数据，形成该云工作区的总区资源应用参数；
5、步骤200、从所述云工作区的云服务器的应用参数中筛选出影响所述云工作区的资源安全的内部影响特征，并从链接访问该云服务器的前端应用平台的应用参数中筛选出所述云工作区的资源安全的外部影响特征；
6、步骤300、基于每个所述云工作区的当前内部影响特征和外部影响特征得到每个云服务器的响应速度预测值，对所述响应速度预测值进行数学转化，得到每个所述云服务器的资源安全
7、作为本专利技术的一种优选方案，在所述步骤100中，连续采集所述云工作区的所有云服务器的历史资源管理数据，以及所有云服务器对于不同的应用插件每次运行操作产生的响应特征向量，耦合所有云服务器的历史资源管理数据形成该云工作区的总区资源应用参数；
8、所述历史资源管理数据包括每个所述云服务器的静态固定参数以及动态工作参数；
9、所述静态固定参数为所述云服务器的机器配置参数，包括机型核数、机器内存、磁盘容量和带宽参数；
10、所述动态工作参数为所述云服务器面对应用插件每次操作的运行响应参数，包括面对所述应用插件每次产生操作的gpu运行占比，磁盘用量占比以及网络响应速度；
11、所述响应特征向量为每个所述云服务器对于所述应用插件每次操作的响应时间。
12、作为本专利技术的一种优选方案，在所述步骤100中，耦合所有云服务器的历史资源管理数据形成该云工作区的总区资源应用参数的实现步骤为：
13、在同一时间内统计申请连接机器的前端应用平台的数量，以所述前端应用平台的数量评估所述云工作区的网络连接疲劳度；
14、在同一时间内统计被连接使用的云服务器的使用数量，基于每个所述个云工作区的所有云服务器的个数，确定所述云工作区的运行疲劳度；
15、将所述云工作区的网络连接疲劳度和该云工作区内的运行疲劳度结果进行多元耦合，确定该云工作区的总区资源应用参数。
16、作为本专利技术的一种优选方案，在所述步骤200中，以云工作区的总区资源应用参数、历史资源管理数据和响应特征向量为数据集，从总区资源应用参数和历史资源管理数据中筛选出与响应特征向量存在关联关系的内部影响特征；
17、并利用爬虫程序对访问云服务器的前端应用平台进行爬虫，筛选出与响应特征向量存在关联关系的外部影响特征。
18、作为本专利技术的一种优选方案，在所述步骤200中，以所述响应特征向量为因变量，以所述总区资源应用参数、所述云服务器的机器配置参数以及所述云服务器对应用插件操作的运行响应参数为自变量，构建神经网络模型，来确定影响所述响应特征向量的具体内部影响特征；
19、其中，所述内部影响特征包括广域的所述云工作区的整体应用参数对单个所述云服务器的运行形成的影响参数，以及每个所述云服务器的个体应用参数对所述云服务器的运行形成的影响参数。
20、作为本专利技术的一种优选方案，在所述步骤200中，筛选出影响所述响应特征向量的内部影响特征的实现方式为：
21、将所述总区资源应用参数、所述云服务器的机器配置参数以及所述云服务器对应用插件操作的运行响应参数作为筛选参数，从一个云工作区的所有云服务器中选择其中两个筛选参数相同，将另一个筛选参数不同的云服务器作为评价对象；
22、将作为评价对象的云服务器的响应特征向量为输出值，利用所述神经网络模型判断该唯一不同的筛选参数的变化幅度与趋势对所述响应特征向量的敏感程度，基于该唯一不同的筛选参数与所述响应特征向量的相关性，从该筛选参数中选取相关性强的参数对象为内部影响特征。
23、作为本专利技术的一种优选方案，筛选出影响所述响应特征向量的外部影响特征的实现方式为：
24、选择所述机器配置参数、总区资源应用参数和运行响应参数相同的云服务器作为评价对象；
25、将对应该评价对象的多个云服务器的响应特征向量为输出值，利用所述神经网络模型判断多个爬虫信息的变化幅度与趋势对所述响应特征向量的敏感程度，基于所述爬虫信息与所述响应特征向量的相关性，选取相关性强的所述爬虫信息作为外部影响特征。
26、其中，所述爬虫信息包括：前端应用网络网速和前端连接申请应用平台。
27、作为本专利技术的一种优选方案，在步骤300中，将选取的作为内部影响特征和外部影响特征的所述总区资源应用参数、运行响应参数、机器配置参数、爬虫信息和应用插件的运行参数作为自变量，将响应特征向量作为因变量，建立多个多元线性回归数学模型；
28、对所述总区资源应用参数、运行响应参数、机器配置参数、爬虫信息和应用插件的运行参数采用逐步回归法对偏回归系数进行显著性检验，以得到具有统计学意义的自变量；
29、计算所有多元线性回归数学模型生成的响应速度预测值，根据所述响应速度预测值与所述响应速度实测值计算所有的多元线性回归数学模型的调整后的所述拟合优度，基于调整后的所述拟合优度筛选拟合优度最大的所述多元线性回归数学模型；
30、根据所述响应速度预测值与所述响应速度实测值之间的标准误差，以及筛选出的所述多元线性回归数学模型的所述响应速度预测值与所述响应速度实测值之间的残差分布曲线以及残差均值，来指示所述多元线性回归数学模型的结果可信度。
31、进一步的，本专利技术还提供了一种基于云工作站的资源安全监测方法的资源安全监测系统，包括：
32、历史数据收集处理模块，用于采集每个云工作区内在同一时间参与连接申请工作的所有云服务器的静态固定参数以及动态工作参数；
33、总区资源预测模块，基于同一时间参与连接申请工作的所有云服务器的数量以及静态固定参数确定该云工作区的总工作区运行参数；
34、爬虫模块，用于获取与所述云服务器申请连接的所述前端应用平台的前端应用影响参数；
35、影响特征筛选模块，用于从影响总工作区运行参数、每个云服务器影响运行本文档来自技高网...
【技术保护点】
1.云工作站的资源安全监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的云工作站的资源安全监测方法，其特征在于，
3.根据权利要求1所述的云工作站的资源安全监测方法，其特征在于，
4.根据权利要求2所述的云工作站的资源安全监测方法，其特征在于，
5.根据权利要求4所述的云工作站的资源安全监测方法，其特征在于，
6.根据权利要求5所述的云工作站的资源安全监测方法，其特征在于，
7.根据权利要求6所述的云工作站的资源安全监测方法，其特征在于，
8.根据权利要求7所述的云工作站的资源安全监测方法，其特征在于，
9.一种基于权利要求1-8任一项所述的云工作站的资源安全监测方法的资源安全监测系统，其特征在于，包括：
10.根据权利要求9所述的云工作站的资源安全监测系统，其特征在于，
【技术特征摘要】
1.云工作站的资源安全监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的云工作站的资源安全监测方法，其特征在于，
3.根据权利要求1所述的云工作站的资源安全监测方法，其特征在于，
4.根据权利要求2所述的云工作站的资源安全监测方法，其特征在于，
5.根据权利要求4所述的云工作站的资源安全监测方法，其特征在于，
6.根据权利要求...
【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，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。