[發明專利]一種基于樸素貝葉斯分類技術的動態監控間隔調整方法

有效

• 申請號: 201510542115.8
• 申請日: 2015-08-28
• 公開（公告）號: CN105204971B
• 公開（公告）日: 2018-03-16
• 發明（設計）人: 尹建偉;陳怡東;趙新奎;李瑩;鄧水光
• 申請（專利權）人: 浙江大學;蘇州龍唐信息科技有限公司
• 主分類號: G06F11/30
• 分類號: G06F11/30;G06F11/34;G06K9/62
• 代理公司: 浙江杭州金通專利事務所有限公司33100
• 代理人: 董世博

技術領域

本發明涉及云計算智能監控系統技術領域，尤其涉及一種基于樸素貝葉斯分類技術的動態監控間隔調整方法。

背景技術

云監控伴隨著整個云計算系統的運行，執行的操作不僅僅是添加刪除監控目標，獲取數據這些簡單的操作，當云監控獲取數據之后，還需要對獲取的數據做出某些處理操作，讓用戶可以針對自己的需求自定義數據處理行為。監控的歷史數據可以看成是系統信息的一種日志數據，可以利用日志分析來獲得系統的運行歷史狀態和趨勢，從而做出進一步的決策。

云計算系統通常是一個大規模的系統，以OpenStack為例，系統中各個組件可以看成是獨立的模塊，模塊與模塊之間有著頻繁的信息交互。云計算系統中信息的交互都伴隨著網絡通信，網絡帶寬資源在云計算系統中是很重要的資源。在上文介紹的云監控收集客戶端度量信息的過程中，無論是在Pull還是Push方式的情況下，需要定義一個監控時間粒度，定時有效穩定地獲取監控的數據。在獲得詳細監控數據的同時，需要保證監控系統的資源利用的高效性，因此需要一個權衡的策略來獲得有效監控數據的同時，使系統的資源消耗率降低。

云環境中多變的系統環境特性，傳統的靜態監控模式已經不能滿足新環境的需求，云監控需要能夠動態地調整系統的監控時間間隔，在給系統帶來更小的負擔的同時，能夠保證系統的有效監控和穩定的運行。監控時間間隔配置在靜態文件中使其不能在運行時做出改變，在系統運行的過程中，客戶端和服務端始終會按照這個配置信息運行，Agent會定時在客戶端節點上運行收集信息，服務端和客戶端之間也會按照配置的時間間隔進行數據通信。因此當監控的度量數據指標很大的時候，將會給監控目標節點帶來一定的性能負擔。對于監控系統的設計架構，考慮到可擴展性的設計，具體的監控任務通常都由插件來執行。當頻繁的在客戶節點上運行監控插件的時候，如果有的插件在運行時會消耗一定的系統資源，如在獲取JVM運行數據，或者Tomcat之類的數據時，需要對獲取數據做一定的分析，這樣給客戶端節點帶來的負擔是不能忽視的。

云監控能夠動態的改變自身系統的配置，能夠在運行時適應當前特定負載來進行配置文件的調整。

發明內容

針對上述技術缺陷，本發明的目的在于針對傳統監控軟件的固定監控時間間隔模型存在信息冗余和資源利用低下等問題，在云監控系統中加入運行時動態改變系統監控配置功能，提出了一種基于樸素貝葉斯分類技術的動態監控間隔調整方法，根據歷史監控信息對當前狀態做出趨勢預測，并且根據預測的結果來判定系統狀態，以此來動態調整的監控時間的監控，能夠有效的調整監控間隔，優化信息傳輸頻率，從而達到系統的高效運行。

為了解決上述技術問題，本發明的技術方案如下：

一種基于樸素貝葉斯分類技術的動態監控間隔調整方法，包括如下步驟：

1.1)通過監控系統客戶端Agent從監控目標節點主機獲取主機的監控信息，選取CPU使用率和內存使用率信息；

1.2)對獲取的監控信息按照時間戳、主機、監控數據值的方式進行存儲，并且對數據進行預處理，剔除異常無效數據；

1.3)設定分類特征集合f，其中包括了四個特征信息：CPU使用率，CPU變化率，內存使用率，內存變化率四個特征值，設定分類器中的類別集合，包括對監控間隔調整的5種不同行為類別；根據監控目標特征選取合理數據集合作為初始化樣本，將初始化樣本帶入分類器中進行訓練；計算的值包括各類別的統計數量，總類別樣本數量，各特征值在不同類別下的統計值；統計以上數據用來計算樸素貝葉斯模型中的每個類別的先驗概率p(c)，特征值屬于某一類別的概率p(fi|c)；當對當前時間點監控信息進行分類時，將監控數據代入分類器進行分類，得到分類結果；

1.4)通過步驟1.3)得到的對當前時間點監控信息的分類結果，對監控間隔采取相應的改變；設定監控間隔的粒度范圍大小為1～20，初始化監控間隔定義為5，根據分類得到的結果可以對監控間隔采取增大1，增大2，不變，減小1，減小2的行為，但最大的監控間隔不能超過20；通過監控系統動態配置功能改變監控間隔，并進入下一個監控周期，監控間隔變化行為的操作可以定義為i個監控間隔周期，每次做出分類操作是可以將前i個監控點數據加入分類器中進行迭代訓練；

1.5)通過步驟1.4)進行迭代后樣本規模會不斷擴大，選取一定大小閾值控制樣本規模，當分類器得到較好穩定效果后，將樣本保存為常用訓練樣本數據。