[發明專利]一種云平臺運行狀態監控預警方法及裝置

有效

• 申請號: 201711029553.X
• 申請日: 2017-10-27
• 公開（公告）號: CN109728923B
• 公開（公告）日: 2022-01-28
• 發明（設計）人: 蔣禮青;袁劉;衛迎澤;姚路
• 申請（專利權）人: 中移（蘇州）軟件技術有限公司;中國移動通信集團公司
• 主分類號: H04L41/06
• 分類號: H04L41/06;H04L43/08;H04L43/0817
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 郭潤湘

1.一種云平臺運行狀態監控預警方法，其特征在于，包括：

針對云平臺中的任一代理節點，采集所述代理節點的多個性能數據；

通過預先訓練的分類器的加權層對所述多個性能數據進行加權；

通過所述分類器的貝葉斯分類層基于經過加權處理的所述多個性能數據預測所述代理節點在下一時刻的運行狀態；

在預測的所述運行狀態為異常狀態時，進行告警；

所述分類器通過如下方式訓練得到：

在將訓練樣本庫中的性能數據輸入初始化的分類器進行訓練；所述訓練樣本庫包括多組性能數據以及每組性能數據對應的下一時刻的實際運行狀態；所述初始化的分類器包括權重；

在第K次訓練過程中，通過經過K-1次調整的分類器的加權層，對每組性能數據進行加權，所述K為大于0的整數；

通過所述經過K-1次調整的分類器的貝葉斯分類層，預測所述每組性能數據在下一時刻的運行狀態；

在第K次訓練后，將所述每組性能數據在下一時刻的實際運行狀態與預測的所述每組性能數據在下一時刻的運行狀態進行對比；

若所述每組性能數據在下一時刻的實際運行狀態與預測的所述每組性能數據在下一時刻的運行狀態不一致，基于蝙蝠算法調整在第K+1次訓練過程所使用的權重。

2.如權利要求1所述的方法，其特征在于，通過所述分類器的貝葉斯分類層基于經過加權處理的所述多個性能數據預測所述代理節點在下一時刻的運行狀態，包括：

將經過加權處理的所述多個性能數據輸入所述分類器的貝葉斯分類層，分別獲取所述代理節點在下一時刻處于各個運行狀態的概率；

確定獲取的各個概率中的最大概率，并確定所述最大概率對應的運行狀態為所述代理節點在下一時刻的運行狀態。

3.如權利要求1所述的方法，其特征在于，在通過預先訓練的分類器的加權層對所述多個性能數據進行加權之前，所述方法還包括：

將所述多個性能數據轉換成預設的數據格式。

4.如權利要求1至3任一項所述的方法，其特征在于，在通過預先訓練的分類器的加權層對所述多個性能數據進行加權之前，所述方法還包括：

對所述多個性能數據進行過濾。

5.一種云平臺運行狀態監控預警裝置，其特征在于，包括：

采集模塊，針對云平臺中的任一代理節點，采集所述代理節點的多個性能數據；

預測模塊，用于通過預先訓練的分類器的加權層對所述采集模塊采集的上述多個性能數據進行加權；并通過所述分類器的貝葉斯分類層基于經過加權處理的所述多個性能數據預測所述代理節點在下一時刻的運行狀態；

告警模塊，用于在所述預測模塊預測的所述運行狀態為異常狀態時，進行告警；

所述分類器通過如下方式訓練得到：

在將訓練樣本庫中的性能數據輸入初始化的分類器進行訓練；所述訓練樣本庫包括多組性能數據以及每組性能數據對應的下一時刻的實際運行狀態；所述初始化的分類器包括權重；

在第K次訓練過程中，通過經過K-1次調整的分類器的加權層，對每組性能數據進行加權，所述K為大于0的整數；

通過所述經過K-1次調整的分類器的貝葉斯分類層，預測所述每組性能數據在下一時刻的運行狀態；

在第K次訓練后，將所述每組性能數據在下一時刻的實際運行狀態與預測的所述每組性能數據在下一時刻的運行狀態進行對比；

若所述每組性能數據在下一時刻的實際運行狀態與預測的所述每組性能數據在下一時刻的運行狀態不一致，基于蝙蝠算法調整在第K+1次訓練過程所使用的權重。

6.如權利要求5所述的裝置，其特征在于，所述預測模塊，在通過所述分類器的貝葉斯分類層基于經過加權處理的所述多個性能數據預測所述代理節點在下一時刻的運行狀態時，具體用于：

將經過加權處理的所述多個性能數據輸入所述分類器的貝葉斯分類層，分別獲取所述代理節點在下一時刻處于各個運行狀態的概率；

確定獲取的各個概率中的最大概率，并確定所述最大概率對應的運行狀態為所述代理節點在下一時刻的運行狀態。