基于數據學習的容量監測方法、裝置及電子設備制造方法及圖紙

本申請提供一種基于數據學習的容量監測方法、裝置及電子設備。涉及計算機技術領域。方法包括：獲取目標指標在預設時段內的監測數據序列以及歷史監測數據序列；基于監測數據序列得到所述目標指標在未來目標采樣點的第一預測數據，基于歷史監測數據序列得到所述目標指標在未來目標采樣點的第二預測數據；依據監測數據序列及歷史監測數據序列確定第一預測數據的第一權重及第二預測數據的第二權重；依據第一權重及第二權重，基于對第一預測數據及第二預測數據進行加權求和確定目標指標在未來目標采樣點的目標預測監測數據。本申請能夠提前對目標指標的容量進行預警，有利于提高系統擴容效率。擴容效率。擴容效率。

【技術實現步驟摘要】
基于數據學習的容量監測方法、裝置及電子設備


[0001]本申請涉及計算機
，尤其涉及一種基于數據學習的容量監測方法、一種基于數據學習的容量監測裝置、一種電子設備及一種計算機可讀存儲介質。

技術介紹

[0002]隨著數據中心的數字化轉型需求，IT容量資源的巡檢分析、新系統的上線、存量系統的投產變更、系統的容量預警等業務都需要針對應用系統的容量數據進行智能分析。例如，應用系統所在的應用服務器、所依賴數據庫和網絡等資源的指標如何進行監控、達到什么條件需要告警、何時進行告警等問題都需要精確的計算分析才能得到相應的結果，因此，應用系統對應的容量分析和趨勢預警變得非常重要。但是，現有的IT容量監測中，針對監測對象，通常采用固定閾值實現，容易出現漏告警或誤告警的情況，同時，現有技術中，對IT容量的監測告警通常為實時告警，即，容量達到閾值才進行告警，無法對監測對象的未來趨勢進行提前預測告警，不利于系統的擴容。

技術實現思路

[0003]本申請提供一種基于數據學習的容量監測方法、裝置及電子設備，用以解決現有技術無法對監測對象的未來趨勢進行提前預測告警的問題。
[0004]本申請的第一方面，提供一種基于數據學習的容量監測方法，包括：
[0005]獲取目標指標在預設時段內的監測數據序列，以及獲取所述目標指標的歷史監測數據序列，所述歷史監測數據序列包括所述目標指標在與未來目標采樣點對應的多個歷史同期采樣點的歷史監測數據，所述歷史監測數據序列包括所述目標指標在與未來目標采樣點對應的多個歷史同期采樣點的歷史監測數據；
[0006]基于所述監測數據序列，通過預設預測算法得到所述目標指標在未來目標采樣點的第一預測數據，以及基于所述歷史監測數據序列，通過所述預設預測算法得到所述目標指標在未來目標采樣點的第二預測數據；
[0007]依據所述監測數據序列及所述歷史監測數據序列確定所述第一預測數據的第一權重，以及依據所述監測數據序列及所述歷史監測數據序列確定所述第二預測數據的第二權重；
[0008]依據所述第一權重及所述第二權重，基于對所述第一預測數據及所述第二預測數據進行加權求和確定所述目標指標在未來目標采樣點的目標預測監測數據。
[0009]可選地，所述方法還包括：
[0010]對所述監測數據序列進行特征提取，依據特征提取結果確定所述監測數據序列的特征標簽；
[0011]確定所述目標指標在所述目標指標在未來目標采樣點的目標預測監測數據之后，所述方法還包括：
[0012]依據所述監測數據序列的特征標簽，確定所述目標指標的預警條件；
[0013]在確定所述目標預測監測數據滿足所述預警條件的情況下，生成所述目標預測監測數據的預警信息。
[0014]可選地，對所述監測數據序列進行特征提取，依據特征提取結果確定所述監測數據序列的特征標簽，包括：
[0015]若依據周期圖分析法確定所述監測數據序列具有波動周期性，確定所述監測數據序列的特征標簽為第一特征標簽；
[0016]或者，若依據MK統計檢驗法確定所述監測數據序列具有遞增性，確定所述監測數據序列的特征標簽為第二特征標簽；
[0017]或者，若依據MK統計檢驗法確定所述監測數據序列具有遞減性，確定所述監測數據序列的特征標簽為第三特征標簽；
[0018]或者，若依據極值理論確定所述監測數據序列具有穩定性，確定所述監測數據序列的特征標簽為第四特征標簽。
[0019]可選地，所述監測數據序列的特征標簽為第一特征標簽，若所述目標預測監測數據的值不小于預設閾值，所述預警條件，包括：
[0020]所述目標預測監測數據的值達到第一預警閾值；
[0021]若所述目標預測監測數據的值小于預設閾值，所述預警條件，包括：
[0022]所述目標預測監測數據的值達到第二預警閾值；
[0023]所述第一預警閾值與所述第二預警閾值不同。
[0024]可選地，所述監測數據序列的特征標簽為第二特征標簽，所述監測數據序列包括按時間順序依次劃分的多個子監測數據段，所述多個子監測數據段至少包括第一子監測數據段及第二子監測數據段；
[0025]其中，所述第一子監測數據段對應第一預警閾值，所述第二子監測數據段對應第二預警閾值，所述第一預警閾值大于所述第二預警閾值；
[0026]所述預警條件，包括：
[0027]所述目標預測監測數據的值達到第三預警閾值；
[0028]所述第二預警閾值大于所述第三預警閾值。
[0029]可選地，所述監測數據序列的特征標簽為第三特征標簽，所述監測數據序列包括按時間順序依次劃分的多個子監測數據段，所述多個子監測數據段至少包括第一子監測數據段及第二子監測數據段；
[0030]所述第一子監測數據段對應第一預警閾值，所述第二子監測數據段對應第二預警閾值，所述第一預警閾值小于所述第二預警閾值；
[0031]所述預警條件，包括：
[0032]所述目標預測監測數據的值達到第三預警閾值；
[0033]所述第三預警閾值大于所述第二預警閾值。
[0034]可選地，所述監測數據序列的特征標簽為第四特征標簽，所述預警條件，包括：
[0035]所述目標預測監測數據的值達到預警閾值。
[0036]可選地，依據所述監測數據序列及所述歷史監測數據序列確定所述第一預測數據的第一權重，包括：
[0037]計算所述監測數據序列的第一均值，以及計算所述歷史監測數據序列的第二均
值；
[0038]對所述第一均值及第二均值求和，得到第一和值；
[0039]以所述第一均值與所述第一和值的比值作為所述第一預測數據的第一權重。
[0040]可選地，依據所述監測數據序列及所述歷史監測數據序列確定所述第二預測數據的第二權重，包括：
[0041]以所述第二均值與所述第一和值的比值作為所述第二預測數據的第二權重。
[0042]可選地，依據所述第一權重及所述第二權重，基于對所述第一預測數據及所述第二預測數據進行加權求和確定所述目標指標在未來目標采樣點的目標預測監測數據，包括：
[0043]以所述第一權重對所述第一預測數據加權，得到加權后的第一預測數據，以及以所述第二權重對所述第二預測數據加權，得到加權后的第二預測數據；
[0044]以加權后的第一預測數據與加權后的第二預測數據之和作為目標預測監測數據。
[0045]本申請的第二方面，提供一種基于數據學習的容量監測裝置，包括：
[0046]數據獲取模塊，被配置為獲取目標指標在預設時段內的監測數據序列，以及獲取所述目標指標的歷史監測數據序列，所述歷史監測數據序列包括所述目標指標在與未來目標采樣點對應的多個歷史同期采樣點的歷史監測數據；
[0047]第一預測模塊，被配置為基于所述監測數據序列，通過預設預測算法得到所述目標指標在未來目標采樣點的第一預測數據，以及基于所述歷史監測數據序列，通過所述預設預測本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于數據學習的容量監測方法，其特征在于，包括：獲取目標指標在預設時段內的監測數據序列，以及獲取所述目標指標的歷史監測數據序列，所述歷史監測數據序列包括所述目標指標在與未來目標采樣點對應的多個歷史同期采樣點的歷史監測數據；基于所述監測數據序列，通過預設預測算法得到所述目標指標在未來目標采樣點的第一預測數據，以及基于所述歷史監測數據序列，通過所述預設預測算法得到所述目標指標在未來目標采樣點的第二預測數據；依據所述監測數據序列及所述歷史監測數據序列確定所述第一預測數據的第一權重，以及依據所述監測數據序列及所述歷史監測數據序列確定所述第二預測數據的第二權重；依據所述第一權重及所述第二權重，基于對所述第一預測數據及所述第二預測數據進行加權求和確定所述目標指標在未來目標采樣點的目標預測監測數據。2.根據權利要求1所述的基于數據學習的容量監測方法，其特征在于，所述方法還包括：對所述監測數據序列進行特征提取，依據特征提取結果確定所述監測數據序列的特征標簽；確定所述目標指標在未來目標采樣點的目標預測監測數據之后，所述方法還包括：依據所述監測數據序列的特征標簽，確定所述目標指標的預警條件；在確定所述目標預測監測數據滿足所述預警條件的情況下，生成所述目標預測監測數據的預警信息。3.根據權利要求2所述的基于數據學習的容量監測方法，其特征在于，對所述監測數據序列進行特征提取，依據特征提取結果確定所述監測數據序列的特征標簽，包括：若依據周期圖分析法確定所述監測數據序列具有波動周期性，確定所述監測數據序列的特征標簽為第一特征標簽；或者，若依據MK統計檢驗法確定所述監測數據序列具有遞增性，確定所述監測數據序列的特征標簽為第二特征標簽；或者，若依據MK統計檢驗法確定所述監測數據序列具有遞減性，確定所述監測數據序列的特征標簽為第三特征標簽；或者，若依據極值理論確定所述監測數據序列具有穩定性，確定所述監測數據序列的特征標簽為第四特征標簽。4.根據權利要求3所述的基于數據學習的容量監測方法，其特征在于，所述監測數據序列的特征標簽為第一特征標簽，若所述目標預測監測數據的值不小于預設閾值，所述預警條件，包括：所述目標預測監測數據的值達到第一預警閾值；若所述目標預測監測數據的值小于預設閾值，所述預警條件，包括：所述目標預測監測數據的值達到第二預警閾值；所述第一預警閾值與所述第二預警閾值不同。5.根據權利要求3所述的基于數據學習的容量監測方法，其特征在于，所述監測數據序列的特征標簽為第二特征標簽，所述監測數據序列包括按時間順序依次劃分的多個子監測數據段，所述多個子監測數據段至少包括第一子監測數據段及第二子監測數據段；
其中，所述第一子監測數據段對應第一預警閾值，所述第二子監測數據段對應第二預警閾值，所述第一預警閾值大于所述第二預警閾值；所述預警條件，包括：所述目標預測監測數據的值達到第三預警閾值；所述第二預警閾值大于所述第三預警閾值。6.根據權利要求3所述的基于數據學習的容量監測方法，其特征在于，所述監測數據序列的特征標簽為第三特征標簽，所述監測數據序列包括按時間順序依次劃分的多個子監測數據段，所述多個子監測數據段至少包括第一子監測數據段及第二子監測數據段；所述第一子監測數據段對...

【專利技術屬性】
技術研發人員：金勇，
申請(專利權)人：建信金融科技有限責任公司，
類型：發明
國別省市：