本發(fā)明涉及服務器運維，具體是一種基于深度學習的智能運維風險預警方法。

背景技術：

1、服務器（server）也稱伺服器，是提供計算服務的設備，是計算機的一種，在網(wǎng)絡中為其它客戶機（如pc機、智能手機、atm等終端）提供計算或者應用服務，目前，業(yè)內(nèi)關于就服務器運維的監(jiān)控方式，多是通過專家對監(jiān)測的可反映服務器實時運行狀態(tài)的指標提供一些闕值、范圍或邏輯條件，以判斷服務器是否處于正常或存在異常的情況。

2、然而，專家的規(guī)則體系需要定期人工制定邏輯更新以維持效果，制定邏輯非常費事費力，且專家的規(guī)則體系是根據(jù)實時的指標評判來觸發(fā)，觸發(fā)時實際上問題已經(jīng)產(chǎn)生，沒有預測風險的能力，因此，針對以上現(xiàn)狀，迫切需要開發(fā)一種基于深度學習的智能運維風險預警方法，以克服當前實際應用中的不足。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于深度學習的智能運維風險預警方法，以解決上述背景技術中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：

3、一種基于深度學習的智能運維風險預警方法，所述方法包括如下步驟：

4、步驟一、輸入離線數(shù)據(jù)，所述離線數(shù)據(jù)指通過對一些實地場景的測試下通過服務器設備返還回云端的數(shù)據(jù)；

5、步驟二、構(gòu)建報警規(guī)則，并輸出報警數(shù)據(jù)，離線數(shù)據(jù)通過專家的分析，被劃分為多指標、多維度的數(shù)據(jù)集，通過專家確定出值得觀測的重要指標，支持監(jiān)測這些指標的數(shù)據(jù)被輸出；

6、步驟三、模型訓練；

7、步驟四、模型訓練完畢后，經(jīng)過之前專家給出的指標群，以及一些必要的服務器設備相關的基礎配置信息，對模型的調(diào)用準備工作結(jié)束，同時，關于業(yè)務范圍的告警策略（基于限定的指標后的業(yè)務監(jiān)測邏輯）也會配置；

8、步驟五、模型的部署與啟動，模型部署于云端，當服務器設備的指標類數(shù)據(jù)（包含近期歷史數(shù)據(jù)）上傳回云端，云端完成對數(shù)據(jù)預處理，在定時任務的控制下定時性地加載模型，對預處理后的數(shù)據(jù)定期去預測；

9、步驟六：模型在云端進行計算，之后輸出其結(jié)果。

10、作為本發(fā)明進一步的方案：所述步驟三具體步驟如下：對步驟二中輸出的離線數(shù)據(jù)進行數(shù)據(jù)清洗和準備，選擇模型，讀取訓練集數(shù)據(jù)進行模型訓練，并進行模型優(yōu)化和調(diào)參，讀取驗證集數(shù)據(jù)對訓練模型進行驗證和預測，模型訓練完成，輸出模型。

11、作為本發(fā)明進一步的方案：所述步驟三中，模型的算法為時序深度模型lstm。

12、作為本發(fā)明進一步的方案：所述步驟五中云端為tdengine時序空間大數(shù)據(jù)引擎。

13、作為本發(fā)明進一步的方案：所述步驟六中的結(jié)果從數(shù)據(jù)意義來說是指多個指標未來一段時間內(nèi)的預測值，根據(jù)這些預測值結(jié)合專家的評判邏輯，若無異常，則模型的輸出類似“靜默”效果，無事發(fā)生，若異常，則生成告警信息，這個告警信息在生成后，會通過歷史讀取告警記錄形成的評判邏輯再次對此告警信息進行調(diào)整，調(diào)整后的告警信息被發(fā)出，默認返回到云端的數(shù)據(jù)庫。

14、與現(xiàn)有技術相比，本發(fā)明的有益效果是：

15、本申請通過機器學習、深度學習技術以各指標的歷史數(shù)據(jù)先訓練一個模型，利用這個模型替代傳統(tǒng)的專家評判邏輯，而這個模型是可以純自動化、更新式訓練的，從而不再需要人為去定期更新評判體系，而是讓機器自動訓練模型，本申請是基于更強的專家理論支持獲得了異常與否評判閾值情況下，用模型去預測出“未來一段時間的數(shù)據(jù)”，立足于“預測出的未來一段時間”的指標，集合專家理論，來提出“未來是否會有風險”，是基于未來的預測的“預警”，而不是對實時或歷史近期數(shù)據(jù)引發(fā)的偵測到異常的“告警”。

技術特征：

1.一種基于深度學習的智能運維風險預警方法，其特征在于，所述方法包括如下步驟：

2.根據(jù)權(quán)利要求2所述的基于深度學習的智能運維風險預警方法，其特征在于，所述步驟三具體步驟如下：對步驟二中輸出的離線數(shù)據(jù)進行數(shù)據(jù)清洗和準備，選擇模型，讀取訓練集數(shù)據(jù)進行模型訓練，并進行模型優(yōu)化和調(diào)參，讀取驗證集數(shù)據(jù)對訓練模型進行驗證和預測，模型訓練完成，輸出模型。

3.根據(jù)權(quán)利要求3所述的基于深度學習的智能運維風險預警方法，其特征在于，所述步驟三中，模型的算法為時序深度模型lstm。

4.根據(jù)權(quán)利要求4所述的基于深度學習的智能運維風險預警方法，其特征在于，所述步驟五中云端為tdengine時序空間大數(shù)據(jù)引擎。

5.根據(jù)權(quán)利要求1所述的基于深度學習的智能運維風險預警方法，其特征在于，所述步驟六中的結(jié)果從數(shù)據(jù)意義來說是指多個指標未來一段時間內(nèi)的預測值，根據(jù)這些預測值結(jié)合專家的評判邏輯，若無異常，則模型的輸出類似“靜默”效果，無事發(fā)生，若異常，則生成告警信息，這個告警信息在生成后，會通過歷史讀取告警記錄形成的評判邏輯再次對此告警信息進行調(diào)整，調(diào)整后的告警信息被發(fā)出，默認返回到云端的數(shù)據(jù)庫。

技術總結(jié)
本發(fā)明涉及服務器運維技術領域，具體是一種基于深度學習的智能運維風險預警方法，所述方法包括如下步驟：輸入離線數(shù)據(jù)；構(gòu)建報警規(guī)則，并輸出報警數(shù)據(jù)；模型訓練；配置；模型的部署與啟動，模型在云端進行計算，之后輸出其結(jié)果，本發(fā)明通過機器學習、深度學習技術以各指標的歷史數(shù)據(jù)先訓練一個模型，利用這個模型替代傳統(tǒng)的專家評判邏輯，而這個模型是可以純自動化、更新式訓練的，從而不再需要人為去定期更新評判體系，而是讓機器自動訓練模型，本申請是基于更強的專家理論支持獲得了異常與否評判閾值情況下，用模型去預測出未來一段時間的數(shù)據(jù)，是基于未來的預測的預警，而不是對實時或歷史近期數(shù)據(jù)引發(fā)的偵測到異常的告警。

技術研發(fā)人員：湯新杰
受保護的技術使用者：上海疊念信息科技有限公司
技術研發(fā)日：
技術公布日：2024/12/30