【技术实现步骤摘要】
本专利技术涉及计算机，具体涉及运维智能故障预测方法、装置、设备、介质及产品。
技术介绍
1、在it系统运维的复杂环境中，故障事故的发生是无法完全避免的。为了降低这些故障事故带来的潜在损失，传统的运维策略往往采取事后处理的方式，即等待故障发生并造成潜在损害后才启动故障排查和修复流程。然而，这种滞后性的应对策略不仅效率低下，消耗大量的人力和物力资源，而且存在故障恶化并且扩散的风险。
2、相关技术中，公开号(cn113392208a)提出了一种it运维故障处理经验积累的方法，能够精确地识别故障位置和原因，但缺乏故障预测的能力，无法提前预知并避免潜在故障的发生；公开号(cn109633351a)提出了一种智能it运维故障定位方法，能够从故障分析报告中提取所有可能的故障点，但是依赖于故障报告作为输入，并且缺乏智能分析和预警的功能，无法主动预测和防范故障。
技术实现思路
1、本专利技术的目的之一在于提供一种运维智能故障预测方法，以解决现有技术中缺乏故障预测和智能预警能力的问题；目的之二在于提供一种运维智能故障预测装置；目的之三在于提供一种电子设备；目的之四在于提供一种存储介质；目的之五在于提供一种程序产品。
2、为了实现上述目的，本专利技术采用的技术方案如下：
3、一种运维智能故障预测方法，包括以下步骤：获取当前运维数据；对所述当前运维数据进行数据预处理，并提取预处理后数据的目标故障特征；将所述目标故障特征输入数据分析模型，所述数据故障预测模型输出故障预测结
4、根据上述技术手段，本申请实施例通过收集当前的运维数据，进行预处理并提取关键的目标故障特征，并将这些特征输入到数据分析模型中进行故障预测，能够基于数据趋势、波动和异常值等信息，精准地预测运维过程中可能出现的故障，为运维人员提供提前预警和决策支持，从而有效提高运维工作的效率和可靠性。
5、进一步，在将所述目标故障特征输入数据分析模型之前，还包括：获取历史运维数据；对所述历史运维数据进行数据预处理，并提取预处理后数据的目标故障特征；基于机器学习算法或深度学习算法分析所述目标故障特征确定数据趋势、数据波动和数据异常值的至少一个；根据所述确定数据趋势、数据波动和数据异常值的至少一个生成训练数据集，基于训练数据集对所述数据分析模型进行迭代训练，直到满足预设停止条件时停止训练。
6、根据上述技术手段，本申请实施例通过收集历史运维数据，提取关键故障特征，并应用机器学习或深度学习算法分析这些特征以识别数据趋势、波动和异常值。基于这些信息构建训练数据集，对数据分析模型进行迭代训练，直至满足预设条件，从而构建出能够精准预测运维故障的模型，提升了运维工作的效率和系统的稳定性，为运维团队提供了智能化决策支持。
7、进一步，运维数据包括服务器日志、应用日志、网络流量数据、硬件状态信息、磁盘io、进程资源占用的至少一种，所述数据预处理包括数据清洗、格式化、归一化、数据关联的至少一种，所述目标故障特征包括性能指标、资源利用率和网络流量的至少一种。
8、进一步，所述预设停止条件包括迭代次数达到预设次数，或者，模型预测精度达到预设精度。
9、根据上述技术手段，本申请实施例中预设停止条件包括以下的情形：一是迭代次数达到预设次数，这意味着模型在达到一定的迭代轮数后停止训练，以避免过拟合或其他潜在问题；二是模型预测精度达到预设精度，这表示当模型的预测准确度达到预设的阈值时，训练过程将停止，以确保模型具有良好的预测性能。
10、进一步，所述故障预测结果包括故障类型、故障位置、预测依据和故障预计发生时间。
11、根据上述技术手段，本申请实施例的故障预测结果提供了全面的信息，包括故障类型、故障位置、预测依据以及故障预计发生时间，能够帮助运维团队快速识别问题性质、定位故障位置、理解故障发生的原因，并提前准备预防措施。
12、进一步，在所述数据故障预测模型输出故障预测结果之后，还包括：根据所述预测结果生成报警信息；将所述报警信息发送至预设终端，以使得运维人员基于所述报警信息优化运维系统的资源。
13、根据上述技术手段，本申请实施例在获取到故障预测结果后，会进一步生成相应的报警信息，并将这些报警信息发送至预设的终端。运维人员在接收到报警信息后，可以根据其中的故障类型、故障位置、预测依据和故障预计发生时间等信息，及时对运维系统的资源进行优化和调配，以预防或减轻故障对系统的影响，能够显著提高运维工作的响应速度和准确性，增强系统的稳定性和可靠性。
14、一种运维智能故障预测装置，包括：第一获取模块，用于获取当前运维数据；第一提取模块，用于对所述当前运维数据进行数据预处理，并提取预处理后数据的目标故障特征；输出模块，用于将所述目标故障特征输入数据分析模型，所述数据故障预测模型输出故障预测结果，其中，所述数据分析模型基于所述目标故障特征确定数据趋势、数据波动和数据异常值的至少一个，基于所述数据趋势、所述数据波动和所述数据异常值的至少一个预测故障预测结果。
15、进一步，在将所述目标故障特征输入数据分析模型之前，还包括：第二获取模块，用于获取历史运维数据；第二提取模块，用于对所述历史运维数据进行数据预处理，并提取预处理后数据的目标故障特征；分析模块，用于基于机器学习算法或深度学习算法分析所述目标故障特征确定数据趋势、数据波动和数据异常值的至少一个；训练模块，用于根据所述确定数据趋势、数据波动和数据异常值的至少一个生成训练数据集，基于训练数据集对所述数据分析模型进行迭代训练，直到满足预设停止条件时停止训练。
16、进一步，运维数据包括服务器日志、应用日志、网络流量数据、硬件状态信息、磁盘io、进程资源占用的至少一种，所述数据预处理包括数据清洗、格式化、归一化、数据关联的至少一种，所述目标故障特征包括性能指标、资源利用率和网络流量的至少一种。
17、进一步，所述预设停止条件包括迭代次数达到预设次数，或者，模型预测精度达到预设精度。
18、进一步，所述故障预测结果包括故障类型、故障位置、预测依据和故障预计发生时间。
19、进一步，输出模块，还包括：根据所述预测结果生成报警信息；将所述报警信息发送至预设终端，以使得运维人员基于所述报警信息优化运维系统的资源。
20、一种电子设备，包括：存储器、处理器及存储在所述存储器上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程序，以实现如上的运维智能故障预测方法。
21、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上的运维智能故障预测方法。
22、一种计算机程序产品，包括计算机程序或指令，所述计算机程序或指令被执行时，以用于实现如上的运维智能故本文档来自技高网...
【技术保护点】
1.一种运维智能故障预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的运维智能故障预测方法，其特征在于，在将所述目标故障特征输入数据分析模型之前，还包括：
3.根据权利要求1或2所述的运维智能故障预测方法，其特征在于，运维数据包括服务器日志、应用日志、网络流量数据、硬件状态信息、磁盘IO、进程资源占用的至少一种，所述数据预处理包括数据清洗、格式化、归一化、数据关联的至少一种，所述目标故障特征包括性能指标、资源利用率和网络流量的至少一种。
4.根据权利要求2所述的运维智能故障预测方法，其特征在于，所述预设停止条件包括迭代次数达到预设次数，或者，模型预测精度达到预设精度。
5.根据权利要求1所述的运维智能故障预测方法，其特征在于，所述故障预测结果包括故障类型、故障位置、预测依据和故障预计发生时间。
6.根据权利要求5所述的运维智能故障预测方法，其特征在于，在所述数据故障预测模型输出故障预测结果之后，还包括：
7.一种运维智能故障预测装置，其特征在于，包括：
8.一种电子设备，其特征在于，包
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-6任一项所述的运维智能故障预测方法。
10.一种计算机程序产品，包括计算机程序或指令，其特征在于，所述计算机程序或指令被执行时，以实现权利要求1-6任一项所述的运维智能故障预测方法。
...【技术特征摘要】
1.一种运维智能故障预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的运维智能故障预测方法，其特征在于，在将所述目标故障特征输入数据分析模型之前，还包括：
3.根据权利要求1或2所述的运维智能故障预测方法，其特征在于，运维数据包括服务器日志、应用日志、网络流量数据、硬件状态信息、磁盘io、进程资源占用的至少一种，所述数据预处理包括数据清洗、格式化、归一化、数据关联的至少一种，所述目标故障特征包括性能指标、资源利用率和网络流量的至少一种。
4.根据权利要求2所述的运维智能故障预测方法，其特征在于，所述预设停止条件包括迭代次数达到预设次数，或者，模型预测精度达到预设精度。
5.根据权利要求1所述的运维智能故障预测方法，其特征在于，所述故障预测结果包括故障类型、故障位置...
【专利技术属性】
技术研发人员：谭小林，林富，万毓森，汤文鹏，谭民浠，
申请(专利权)人：深蓝汽车科技有限公司，
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。