[发明专利]用于监控主机系统的方法、装置、计算机系统和介质

说明书

本公开提供了一种用于监控主机系统的方法，包括：监测所述主机系统在每个预定时间周期中的每个单位时间段内关于指定消息的报告数量，其中，所述预定时间周期包括多个所述单位时间段；基于机器学习算法和多个在前预定时间周期内的所述报告数量，确定当前预定时间周期中第M个单位时间段的所述报告数量是否异常，其中，M是大于等于1的整数；以及在所述第M个单位时间段的所述报告数量出现异常时，推送与所述指定消息对应的业务关于所述第M个单位时间段的报警信息。本公开还提供了一种用于监控主机系统的装置、计算机系统和介质。

技术领域

本公开涉及计算机技术领域，更具体地，涉及一种用于监控主机系统的方法、装置、计算机系统和计算机可读介质。

背景技术

主机系统在运行过程中，在操作系统或应用程序中会产生并返回各种类型的日志消息。例如，通过*I(一般级别消息提示，如AOF571I，*代表字母、数字或字符“表字母、数字或字等的组合)、*W(运行警告消息提示，如GEO2641W)、*E(运行报错消息提示，如+CSQX599E)型的消息，来表征主机系统的各种运行结果。相关技术中，运维人员需要到手册中查看相关日志消息的触发原因和解决方法来确认主机系统的运行状态。主机系统每秒报出的日志消息的数量大概在百级以上，前期运维人员主要通过到系统日志中肉眼观察定性严重且出现频率低、数量相对较少的*E级日志消息。然而，*I级消息出现频率相对更高，且生产环境中出现过主机系统运行报错之前，就有某*I级消息大量突增的情况，但由于运维人员无法及时发现，导致后期报错无法避免。

发明内容

本公开的一个方面提供了一种用于监控主机系统的方法，包括：监测主机系统在每个预定时间周期中的每个单位时间段内关于指定消息的报告数量。其中，预定时间周期包括多个单位时间段。然后，基于机器学习算法和多个在前预定时间周期内的报告数量，确定当前预定时间周期中第M个单位时间段的报告数量是否异常。其中，M是大于等于1的整数。接着，在第M个单位时间段的报告数量出现异常时，推送与指定消息对应的业务关于第M个单位时间段的报警信息。

可选地，指定消息包括：处于指定安全状态的指定业务的日志消息。其中指定安全状态包括：普通状态、警告状态、或报错状态。

可选地，上述基于机器学习算法和多个在前预定时间周期的报告数量，确定当前预定时间周期中第M个单位时间段的报告数量是否异常包括：基于多个在前预定时间周期的多个报告数量构建孤立森林模型。然后，将当前预定时间周期中第M个单位时间段的报告数量输入至孤立森林模型中，经由孤立森林模型计算第M个单位时间段的报告数量的评分。如果第M个单位时间段的报告数量的评分小于等于预定阈值，确定第M个单位时间段所监测的报告数量出现异常。

可选地，上述方法还包括：在第M个单位时间段的报告数量出现异常时，获取灵敏度阈值。上述推送与指定消息对应的业务关于第M个单位时间段的报警信息包括：如果第M个单位时间段的报告数量大于灵敏度阈值，则向指定客户端推送与指定消息对应的业务关于第M个单位时间段的报警信息。

可选地，上述获取灵敏度阈值包括：基于多个在前预定时间周期中的每个在前预定时间周期中第M个单位时间段的报告数量，计算报告数量的均值和方差，再基于所述均值和方差确定灵敏度阈值。

可选地，上述方法还包括：确定初始灵敏度阈值。上述获取灵敏度阈值包括：接收针对所述初始灵敏度阈值的调节信息，基于所述调节信息确定所述灵敏度阈值。

可选地，上述方法还包括：在第M个单位时间段的报告数量出现异常时，基于多个在前预定时间周期中的每个在前预定时间周期中第M个单位时间段的报告数量以及当前预定时间周期中第M个单位时间段的报告数量，得到报告数量的第一变化曲线。然后，获取关于另一指定消息的报告数量的第二变化曲线。再计算第一变化曲线和第二变化曲线的相关性。当相关性满足预定条件时，确定指定消息和所述另一指定消息相关联。