[發明專利]基于密度聚類算法的服務器故障監測方法及系統

在審

• 申請號: 202010823489.8
• 申請日: 2020-08-17
• 公開（公告）號: CN111949429A
• 公開（公告）日: 2020-11-17
• 發明（設計）人: 楊柳;馬曉光;賴一鵬;張永健
• 申請（專利權）人: 山東超越數控電子股份有限公司
• 主分類號: G06F11/07
• 分類號: G06F11/07;G06F11/34;G06K9/62
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 潘悅梅

1.基于密度聚類算法的服務器故障監測方法，其特征在于通過密度聚類算法分析服務器的健康信息數據并預測服務器運行狀態，對服務器進行故障預警并在服務器宕機時進行復位，所述方法包括如下步驟：

通過BMC獲取服務器的健康信息數據并構建樣本，所述樣本分為訓練樣本和測試樣本，所述訓練樣本中的樣本數據需要標記當前服務器狀態，所述服務器狀態包括故障類型以及各類故障類型對應的數值型數據；

對上述樣本數據進行歸一化處理；

基于DBSCAN算法構建監測模型，并以訓練樣本為輸入、優化所述監測模型的參數，得到訓練后監測模型；

將測試樣本輸入訓練后監測模型，通過訓練后監測模型對測試樣本中樣本數據進行分析并輸出監測結果，所述監測結果包括是服務器是否存在故障以及故障類型；

如果監測結果中服務器存在故障，則將監測結果反饋到web頁面進行顯示，并進一步監控服務器是否宕機，如果服務器宕機，則通過BMC對服務器進行復位操作。

2.根據權利要求1所述的基于密度聚類算法的服務器故障監測方法，其特征在于所述BMC通過I2C獲取服務器的健康信息數據。

3.根據權利要求1或2所述的基于密度聚類算法的服務器故障監測方法，其特征在于所述健康信息數據為服務器主板中相關部件的健康信息數據，包括但不限于電壓、電流、溫度值、PCU內存使用率。

4.根據權利要求1所述的基于密度聚類算法的服務器故障監測方法，其特征在于以訓練樣本為輸入、優化所述監測模型的參數，包括如下步驟：

L100、設定領域參數，所述領域參數包括鄰域半徑eps和簇樣本數min_sample；

L200、從訓練樣本中選取任意一個樣本點，判斷所述樣本點是否分配有簇標簽，如果所述樣本點未被分配簇標簽，執行步驟L300；

L300、計算所述樣本點鄰域半徑eps內所有其它樣本點，基于上述所有其它樣本點組成鄰域樣本子集，如果上述鄰域樣本子集內樣本點的個數小于簇樣本數min_sample，所述樣本點標記為噪聲點，如果上述鄰域樣本子集內樣本點的個數大于簇樣本數min_sample，所述樣本點標記為核心樣本點，并為所述核心樣本點分配一個簇標簽；

L400、遍歷所述鄰域樣本子集，判斷所述鄰域樣本子集內其它樣本點是否未被分配簇標簽，對于未被分配簇標簽的其它樣本點，為其分配所述核心樣本點對應的簇標簽，并執行步驟L500；

L00、對于未被分配簇標簽的其它樣本點，判斷其是否為核心樣本點，如果為核心樣本點，對于每個為核心樣本點的其它樣本點依次執行步驟L300-L400；

L600、從訓練樣本中選取另一個未被訪問過的樣本點，依次執行上述步驟L200-L500，直至訓練樣本中所有樣本點被訪問過；

L600、根據樣本分類的準確率，調整領域參數，直至樣本分類準確率達到預期要求，最終得到訓練后監測模型。

5.根據權利要求4所述的基于密度聚類算法的服務器故障監測方法，其特征在于通過訓練后監測模型對測試樣本進行分析并輸出監測結果，包括如下步驟：

將測試樣本輸入訓練后監測模型；

通過訓練監測模型計算鄰域半徑eps內各類故障類型的樣本數量，選取樣本數量最多的故障類型為測試樣本數據的類型，并輸出為預測的故障類型。