[发明专利]计算机集群性能指标检测方法、电子设备及存储介质

说明书

本发明提供一种计算机集群性能指标检测方法、电子设备及存储介质，所述计算机集群性能指标检测方法包括：从历史数据库提取一定时间段内的具有周期形态的性能时序数据；对所述性能时序数据进行建模，确定时序模型；根据所述时序模型计算历史数据预设初始步长的拟合误差；根据所述拟合误差和预设置信度预测所述预设未来步长的阈值区间；检测计算机集群性能指标第所述预设未来步长对应的实际值是否位于所述阈值区间，若是，则为正常，若否，则为异常。本发明自动根据预测步长计算历史数据相应步长的拟合误差，再根据此误差确定预测区间，该预测区间有助于设计一个更合理的阈值范围，减少异常检测的漏报率或虚报率。

技术领域

本发明涉及智能信息及通讯技术(ICT)领域，特别是涉及计算机(IT)集群技术领域，具体为一种计算机集群性能指标检测方法、电子设备及存储介质。

背景技术

随着计算机硬件和软件的快速发展，越来越多强大的应用将被引入。但是，集群中数百种软件错误和硬件故障不仅使用户体验急剧下降，而且耗费大量维护费用。像IT集群这样的不间断系统具有严格的正常运行时间要求，因此其连续监测是至关重要的。这意味着需要不间断监测集群的性能数据以便进行检测潜在故障或异常。由于集群往往规模庞大，其需要监测的性能数据种类和数量繁多，靠人工进行监测颇为困难且成本高昂。这就对基于机器学习和数据挖掘的自动异常检测技术提出了迫切需求。

传统电信网管中心一般都是采用手动设定固定阈值(或者人工根据经验进行阈值调整)来检测信号的异常，但随着云计算和虚拟化等技术的引入，新型云网管平台存在资源动态分配弹性伸缩和上层业务类型千差万别等特性，这种人工设定阈值的方法难以及时跟踪诸多类别的性能数据的动态变化，从而可能造成过多的异常误报和漏报。基于数据挖掘/机器学习的动态阈值技术为解决这一问题提供了途径。

电信网管中心不少上层业务都带有一定的周期涨落(比如以天或周为周期)，反映在性能指标数据上即是带有一定周期形态。传统预测方法基于历史数据的单步拟合误差确定预测区间，但该误差确定的区间在多步预测时往往偏小。其他技术则以和预测步长相关的比例系数乘以单步拟合误差来确定多步预测区间，但容易造成随着步长的增加区间偏大。总之，这些方法都没有脱离单步拟合误差存在的局限性。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种计算机集群性能指标检测方法、电子设备及存储介质，用于解决现有技术中计算机集群性能指标检测中无法准确确定阈值范围的问题。

为实现上述目的及其他相关目的，本发明提供一种计算机集群性能指标检测方法，所述计算机集群性能指标检测方法包括：从历史数据库提取一定时间段内的具有周期形态的性能时序数据；对所述性能时序数据进行建模，确定时序模型；根据所述时序模型计算历史数据预设初始步长的拟合误差；根据所述拟合误差和预设置信度预测所述预设未来步长的阈值区间；检测计算机集群性能指标第所述预设未来步长对应的实际值是否位于所述阈值区间，若是，则为正常，若否，则为异常。

于本发明的一实施例中，所述计算机集群性能指标检测方法还包括：根据预设调整系数调整所述阈值区间并存储调整后的所述阈值区间；根据调整后的所述阈值区间检测计算机集群性能指标的实际值正常还是异常。

于本发明的一实施例中，所述计算机集群性能指标检测方法还包括：在检测计算机集群性能指标的实际值是否位于所述阈值区间之后，在经过所述预设未来步长的时间后，更新所述时序模型并根据更新的所述时序模型计算下一个预设未来步长的阈值区间，根据新的阈值区间检测计算机集群性能指标的实际值并循环上述过程。

于本发明的一实施例中，所述预设未来步长的阈值区间的下预测值为：所述预设未来步长的阈值区间的上预测值为：其中，为下预测值，为上预测值，为第h步长的预测值，f(α)为置信度1-α确定的系数，σ_H为拟合误差。

于本发明的一实施例中，调整后的所述阈值区间的下预测值为：调整后的所述阈值区间的上预测值为：其中，β为预设调整系数。