[發明專利]基于深度學習的對監控數據趨勢的預測方法及系統

在審

• 申請號: 201710941098.4
• 申請日: 2017-10-11
• 公開（公告）號: CN107832913A
• 公開（公告）日: 2018-03-23
• 發明（設計）人: 方皓達;彭冬;黃帥
• 申請（專利權）人: 微夢創科網絡科技（中國）有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06F17/30
• 代理公司: 北京卓嵐智財知識產權代理事務所(特殊普通合伙)11624
• 代理人: 任漱晨

技術領域

本發明涉及計算機監控技術領域，具體涉及基于深度學習的對監控數據趨勢的預測方法及系統。

背景技術

現有的運維監控系統都是通過統計歷史數據的時間序列進行可視化，讓運維人員清楚地看到指標的波動從而分析結果，當顯示的數值達到或者超過指定值，我們認為該被監控的系統發生異常。但是目前的方法僅僅是對歷史數據進行了展示，對數據自身的規律的挖掘以及日后趨勢的分析均未涉及。

日常運維的業務指標數據會出現一些環比昨日的明顯異常、持續偏離的明顯問題和隨著時間周期漂移的指標數據等問題。以前這些監控的配置基本靠工程師經驗或持續的迭代修正，甚至純靠人工排查，但是，面對大量的監控數據，一時間運維人員可能很難找到問題所在或是無法直接發現潛在的報警點。另一方面，監控系統產生的大量監控數據并沒有完全發揮它的價值，這些數據可以被用來發現并挖掘出其中可能被我們所用的某種聯系。

傳統方法(ARIMA，Holter winter)對于監控數據趨勢的預測效果往往并不令人滿意，如ARIMA算法的一個技術難點就是時間序列的平穩化，平穩化的時間序列對于預測結果的好壞起著至關重要的作用。另一個問題是滑動平均操作帶來的結果如波動鋸齒明顯，容易造成誤報干擾的化，則加大監控監測周期。

隨著監控系統的發展，可以通過制定監控標準和自動化監控部署實現運維的標準化和自動化，最終的目標是希望用智能化的方法徹底解決這個問題。

發明內容

本發明要解決的技術問題在于，克服現有的技術的不足，提供基于深度學習的對監控數據趨勢的預測方法及系統，其能夠從監控數據中預測出未來監控數據的趨勢結果，這個結果能夠為未來監控數據的趨勢作良好參考，從而為監控系統運維人員提高工作的效率和準確性。

為達到上述技術目的，一方面，本發明所述的基于深度學習的對監控數據趨勢的預測方法，包括：

離線訓練系統從實時流數據中提取若干數據構成數據集，并對數據集進行計算得到預測模型；

實時在線系統從實時流數據中提取若干數據構成預測集，并使用預測模型對預測集進行計算，得到監控系統的未來流數據的預測結果；所述數據集與預測集的交集為空。

另一方面，本發明所述的基于深度學習的對監控數據趨勢的預測系統，包括：

離線訓練系統，用于從實時流數據中提取若干數據構成數據集，并對數據集進行計算得到預測模型；

實時在線系統，用于從實時流數據中提取若干數據構成預測集，并使用預測模型對預測集進行計算，得到監控系統的未來流數據的預測結果；所述數據集與預測集的交集為空。

在本發明中，離線訓練系統通過分析實時流數據，得到預測模型，然后實時在線系統將該預測模型結合實時流數據可以得到監控系統的未來流數據的預測結果。此結果可以作為未來監控數據趨勢的一個良好參考，為我們的運維人員解放出來許多精力和時間。

附圖說明

為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其它的附圖。

圖1為本發明一個實施例的方法流程示意圖；

圖2為本發明另一個實施例的方法流程示意圖；

圖3為本發明一個實施例的系統結構示意圖；

圖4為本發明另一個實施例的系統結構示意圖；

圖5為本發明實施例中離線訓練系統的結構示意圖；

圖6為本發明的總體架構示意圖；

圖7為本發明實施例中離線訓練系統的工作流程圖；

圖8為本發明實施例中計算模型的一個單元結構圖；

圖9為本發明實施例中數據集的結果展示圖；

圖10為本發明實施例中訓練集的擬合效果和測試集的預測結果展示圖，其中，淺色曲線為訓練集的擬合效果，深色曲線為測試集的預測結果；

圖11為本發明實施例的數據集中最大值和最小值的結果展示圖，其中深色為最大值的結果，淺色為最小值的結果。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。