[發(fā)明專利]服務器性能檢測方法、裝置、系統(tǒng)及介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010816475.3
• 申請日: 2020-08-14
• 公開（公告）號: CN111930603A
• 公開（公告）日: 2020-11-13
• 發(fā)明（設計）人: 祝萍
• 申請（專利權）人: 工銀科技有限公司
• 主分類號: G06F11/34
• 分類號: G06F11/34;G06N20/00
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 趙婷

本公開提供了一種服務器性能檢測方法、裝置、系統(tǒng)、及介質(zhì)，涉及信息安全和人工智能技術領域。所述方法包括獲取服務器的實時業(yè)務負載數(shù)據(jù)以及對應的實時性能數(shù)據(jù)；將所述實時業(yè)務負載數(shù)據(jù)輸入到異常檢測模型，所述異常檢測模型為基于所述服務器在運行正常的情況下的業(yè)務負載數(shù)據(jù)以及對應的性能數(shù)據(jù)訓練得到的數(shù)據(jù)模型；獲取所述異常檢測模型基于所述實時業(yè)務負載數(shù)據(jù)而輸出的實時預測性能數(shù)據(jù)；以及基于所述實時性能數(shù)據(jù)與所述實時預測性能數(shù)據(jù)的對比，確定所述服務器的運行狀態(tài)。

技術領域

本公開涉及信息安全以及人工智能技術領域，更具體地，涉及一種服務器性能檢測方法、裝置、系統(tǒng)及介質(zhì)。

背景技術

服務器在運行過程中，會因為CPU、磁盤等硬件故障導致服務能力下降，也會由于上面運行的程序問題、資源分配不合理等原因影響其可用性。當服務器發(fā)生異常時，會導致其上面承載的業(yè)務受到影響，從而降低服務水平。現(xiàn)有技術中進行服務器異常檢測的方案主要包括三大類：第一類主要是針對定期采集到的服務器性能指標設置安全閾值，通過超過閾值即報警的方式，實現(xiàn)服務器的異常檢測。第二類是基于時序模型的異常檢測方法；服務器在穩(wěn)定運行時，其產(chǎn)生的性能數(shù)據(jù)具備一定的規(guī)律性，基于此前提可將性能數(shù)據(jù)作為時序數(shù)據(jù)去處理，通過時序預測模型建模發(fā)現(xiàn)性能數(shù)據(jù)自身的周期性、趨勢性等規(guī)律特點，通過訓練好的時序模型產(chǎn)生性能數(shù)據(jù)的動態(tài)閾值，在不同時點設置不同的動態(tài)閾值，實現(xiàn)更為準確的異常檢測。第三類是基于機器學習模型的異常檢測方法；將服務器產(chǎn)生的歷史性能數(shù)據(jù)的異常點進行標記，通過有監(jiān)督學習，采用機器學習建模的方式建立二分類模型，模型根據(jù)當前性能數(shù)據(jù)判斷服務器是否異常。

在實現(xiàn)本公開構思的過程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術中至少存在如下問題：第一類方案針對繁多的性能指標，手工設置閾值，既不準確又耗費人力；第二類方案中的時序模型要求數(shù)據(jù)具備一定的規(guī)律性，在遇到一些特殊場景，如各類促銷雙十一、雙十二、六一八等系統(tǒng)負載明顯增加的情況下，則無法正確判斷異常；第三類方案通過有監(jiān)督的機器學習模型判斷異常時，因系統(tǒng)異常發(fā)生的時間節(jié)點的負樣本遠少于系統(tǒng)正常的正樣本，存在嚴重的正負樣本偏差問題，會導致過擬合而無法發(fā)現(xiàn)異常的問題。

發(fā)明內(nèi)容

有鑒于此，本公開實施例提供了一種能夠更為準確地檢測出異常的服務器性能檢測方法、裝置、系統(tǒng)及介質(zhì)。

本公開實施例的一個方面，提供了一種服務器性能檢測方法。所述方法包括：獲取服務器的實時業(yè)務負載數(shù)據(jù)以及對應的實時性能數(shù)據(jù)；將所述實時業(yè)務負載數(shù)據(jù)輸入到異常檢測模型，所述異常檢測模型為基于所述服務器在運行正常的情況下的業(yè)務負載數(shù)據(jù)以及對應的性能數(shù)據(jù)訓練得到的數(shù)據(jù)模型；獲取所述異常檢測模型基于所述實時業(yè)務負載數(shù)據(jù)而輸出的實時預測性能數(shù)據(jù)；以及基于所述實時性能數(shù)據(jù)與所述實時預測性能數(shù)據(jù)的對比，確定所述服務器的運行狀態(tài)。

根據(jù)本公開的實施例，所述方法還包括訓練所述異常檢測模型。具體包括：獲取所述服務器在運行正常的情況下的N個歷史業(yè)務負載數(shù)據(jù)，以及與N個所述歷史業(yè)務負載數(shù)據(jù)一一對應的N個歷史性能數(shù)據(jù)，其中，N為大于等于1的整數(shù)；以及以N個所述歷史業(yè)務負載數(shù)據(jù)作為所述異常檢測模型的輸入，以N個所述歷史性能數(shù)據(jù)作為所述異常檢測模型的輸出標準，訓練所述異常檢測模型。

根據(jù)本公開的實施例會，所述基于所述實時性能數(shù)據(jù)與所述實時預測性能數(shù)據(jù)的對比，確定所述服務器的運行狀態(tài)包括，在所述實時性能數(shù)據(jù)與所述實時預測性能數(shù)據(jù)的偏差超出預設閾值范圍時，確定所述服務器性能異常。

根據(jù)本公開的實施例，所述基于所述實時性能數(shù)據(jù)與所述實時預測性能數(shù)據(jù)的對比，確定所述服務器的運行狀態(tài)還包括，在確定所述服務器性能異常時，根據(jù)所述偏差確定所述服務器性能的異常程度。

根據(jù)本公開的實施例，所述方法還包括在確定所述服務器異常時，向用戶發(fā)送所述服務器性能異常的信息。