一种系统健康度静态分析预测方法及装置与流程

本发明涉及系统健康度预测技术领域，具体涉及一种系统健康度静态分析预测方法及装置。

背景技术：

现在，拥有大量业务和客户的公司，同时会拥有多个系统，且不同系统上的用户量很大，在所述系统被集中大量应用时，会出现许多突发状况，例如，由于用户量巨大，导致系统打不开、进去后不能操作等突发状况，这样，就需要运维人员不断地对所述系统进行维护。

例如，全国性综合类证券公司，拥有大量的业务系统及客户。除了具有与核心交易相关的集中交易系统、融资融券系统、网上交易系统等若干系统，还有其他的外围系统(数据量在50左右)。这些系统又部署在不同的服务器上，导致人工维护变得困难。随着近期股市交易行情的不断火爆，股市的成交金额和成交笔数也是不断创立新高，经常会导致交易所系统爆表，使人工维护变得更加困难。

目前，没有一个智能的运维辅助系统，不能对系统进行实时的监控，不能预测系统在未来某一时刻的运行状态，运维人员不能及时地对系统进行维护，系统容易出现崩溃、延迟等问题，进而影响用户对系统的使用。

技术实现要素：

针对现有技术中的上述缺陷，本发明提供了一种系统健康度静态分析预测方法及装置，可以帮助运维人员分析预测系统在未来的健康度，进而及时对系统进行维护，以提高用户体验。

第一方面，本发明提供的一种系统健康度静态分析预测方法，包括：

获取用户输入的至少一项系统指标的指标值；

将所述指标值输入预设的健康度预测模型，通过所述健康度预测模型分析预测所述指标值对应的所述系统的健康度；

将分析预测结果输出给所述用户。

可选的，在所述将所述指标值输入预设的健康度预测模型，通过所述健康度预测模型分析预测所述指标值对应的所述系统的健康度的步骤之前，还包括：

获取系统的历史数据和历史健康度；

根据所述历史数据和所述历史健康度，采用多元回归模型和/或神经网络模型训练健康度预测模型。

可选的，所述根据所述历史数据和所述历史健康度，采用多元回归模型和/或神经网络模型训练健康度预测模型，包括：

根据所述系统的历史数据和所述历史健康度，采用主成分分析、因子分析、聚类分析中的一种或多种组合的方式，分析影响所述系统的健康度的关键指标；

根据所述关键指标，采用多元回归模型和/或神经网络模型训练健康度预测模型。

可选的，所述根据所述历史数据和所述历史健康度，采用多元回归模型和/或神经网络模型训练健康度预测模型，包括：

根据所述历史数据和所述历史健康度，采用多元回归模型和/或神经网络模型分析计算所述系统的各项指标的阈值，所述阈值用于表征所述系统的健康状况；

利用所述阈值，建立健康度预测模型。

可选的，所述根据所述历史数据和所述历史健康度，采用多元回归模型和/或神经网络模型训练健康度预测模型，包括：

根据所述历史数据和所述历史健康度，采用多元回归模型和/或神经网络模型，分析所述系统的各项指标的指标值与所述系统的健康度的关联曲线；

建立根据所述关联曲线预测所述系统的健康度的健康度预测模型。

第二方面，本发明提供的一种系统健康度静态分析预测装置，包括：

指标值获取模块，用于获取用户输入的至少一项系统指标的指标值；

分析预测模块，用于将所述指标值输入预设的健康度预测模型，通过所述健康度预测模型分析预测所述指标值对应的所述系统的健康度；

输出模块，用于将分析预测结果输出给所述用户。

可选的，所述装置，还包括：

历史数据获取模块，用于获取系统的历史数据和历史健康度；

模型建立模块，用于根据所述历史数据和所述历史健康度，采用多元回归模型和/或神经网络模型训练健康度预测模型。

可选的，所述模型建立模块，包括：

关键指标分析单元，用于根据所述系统的历史数据和所述历史健康度，采用主成分分析、因子分析、聚类分析中的一种或多种组合的方式，分析影响所述系统的健康度的关键指标；

关键指标模型建立单元，用于根据所述关键指标，采用多元回归模型和/或神经网络模型训练健康度预测模型。

可选的，所述模型建立模块，包括：

阈值分析单元，用于根据所述历史数据和所述历史健康度，采用多元回归模型和/或神经网络模型分析计算所述系统的各项指标的阈值，所述阈值用于表征所述系统的健康状况；

第一模型建立单元，用于利用所述阈值，建立健康度预测模型。

可选的，所述模型建立模块，包括：

关联曲线分析单元，用于根据所述历史数据和所述历史健康度，采用多元回归模型和/或神经网络模型，分析所述系统的各项指标的指标值与所述系统的健康度的关联曲线；

第二模型建立单元，用于建立根据所述关联曲线预测所述系统的健康度的健康度预测模型。

由以上技术方案可知，本发明提供一种系统健康度静态分析预测方法，包括：获取用户输入的至少一项系统指标的指标值；将所述指标值输入预设的健康度预测模型，通过所述健康度预测模型分析预测所述指标值对应的所述系统的健康度；将分析预测结果输出给所述用户。本发明可以根据所述用户输入的至少一项系统指标的指标值来分析预测所述指标值对应的所述系统的健康度，可以使运维人员根据所述指标值来判断所述系统在未来的健康度，可以帮助运维人员及时分析预测可能存在的问题，给运维人员一些建议，进而及时进行系统维护，可以避免系统在一定指标值下出现系统崩溃、延迟等问题，可以提高用户对系统的体验。

本发明提供的一种系统健康度静态分析预测装置，与上述系统健康度静态分析预测方法出于相同的发明构思，具有相同的有益效果。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1示出了本发明第一实施例提供一种系统健康度静态分析预测方法的流程图；

图2示出了本发明第二实施例提供一种系统健康度静态分析预测装置的示意图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

本发明提供了一种系统健康度静态分析预测方法及装置。下面结合附图对本发明的实施例进行说明。

图1示出了本发明第一实施例所提供的一种系统健康度静态分析预测方法的流程图。如图1所示，本发明第一实施例提供的一种系统健康度静态分析预测方法包括以下步骤：

步骤S101：获取用户输入的至少一项系统指标的指标值。

在本步骤中，所述系统可以是基于服务器实现的各个网络交易系统、业务系统等，也可以是一个企业基于服务器实现的整个系统。一个网络交易系统或一个整个系统可以包括有多个核心系统和多个外围系统。多个系统可以建立在多个服务器上，也可以建立在一个同一个服务器上。一个系统也可以应用多台服务器。

所述系统指标，可以是需要对所述系统的进行运维的指标。所述系统指标，可以包括：基础监控指标、应用进程指标、日志记录的指标等多种指标中的一种或多种。所述基础监控指标，可以包括：CPU使用率、内存使用率、网络流量、磁盘使用率等多种指标中的一种或多种；所述应用进程指标，可以包括：端口应用数据、进程状态、应用内部指标等中的一种或多种；所述日志记录的指标，可以包括：业务日志记录的指标、应用日志记录的指标、操作系统日志记录的指标等中的一种或多种。

步骤S102：将所述指标值输入预设的健康度预测模型，通过所述健康度预测模型分析预测所述指标值对应的所述系统的健康度。

在本步骤中，所述系统的健康度可以存在多种状态，最佳的健康度分类可以有三种：健康状态、隐患状态、不健康状态。这些状态可以根据运维人员的经验进行分数划段。例如，大于90的健康度为健康状态，不大于90且大于等于60的健康度为隐患状态，小于60的健康度为不健康状态。

在本步骤之前，还可以包括：获取系统的历史数据和历史健康度；根据所述历史数据和所述历史健康度，采用多元回归模型和/或神经网络模型训练健康度预测模型。

在获取系统的历史数据和历史健康度时，第一步，需要确定数据的来源，需要确定所需要的数据库来源和/或日志来源，例如，基础监控数据、日志记录的数据等。第二步，从所述数据库和/或日志所覆盖的历史时段中选取合适的时间段的数据。第三步，对选取的数据进行质量检查，以确保数据质量的可靠性，进而可以提高所述健康度预测模型的可靠性。第四步，对所述数据的类型、格式等进行转换。例如，把字符型转换为数值型、时间格式的转换、百分比格式的转换等。对数据的转换还可以包括，通过一定的统计原理把数据单位或变量标准化。

其中，所述历史的数据，可以包括：在当前时刻之前的所有数据或者在当前时刻之前一段时间内的数据。所述数据可以包括部分所述指标对应的所有数据或部分数据，可以是所有指标对应的所有数据或部分数据。所述数据可以包括：基础监控数据、应用进程数据、日志记录的数据等中的一种或多种。所述基础监控数据可以包括：CPU使用率、内存使用率、网络流量、磁盘使用率等中的一种或多种；所述应用进程数据可以包括：端口应用数据、进程状态数据、应用内部指标数据等中的一种或多种；所述日志记录的数据，可以包括：系统业务日志记录的数据、应用日志记录的数据、操作系统日志记录的数据等中的一种或多种。

在本发明提供的一个具体实施例中，所述根据所述历史数据和所述历史健康度，采用多元回归模型和/或神经网络模型训练健康度预测模型，可以包括：根据所述系统的历史数据和所述历史健康度，采用主成分分析、因子分析、聚类分析中的一种或多种组合的方式，分析影响所述系统的健康度的关键指标；根据所述关键指标，采用多元回归模型和/或神经网络模型训练健康度预测模型。

首先，在获取所述系统的历史数据和历史健康度后，可以采用主成分分析、因子分析、聚类分析中的一种或多种组合的方式，分析所述历史数据和历史健康度之间的关系，分析不同指标的历史数据之间的关系。一个系统的健康度可以存在多个变量，且多个变量之间可以有一定的相关性，多个变量包含的信息可以是高度重叠的，所以，可以采用主成分分析、因子分析、聚类分析中的一种或多种组合来分析多个变量之间关系，确定至少一个主要的变量，将所述主要变量作为影响所述系统的健康度的关键指标。选取的关键指标可以是与其它指标尽可能低度相关的。所述关键指标可以由统计程序根据一定的统计指标自动决定，也可以由业务分析人员根据实际需要主观地决定。这样，可以避免对所有指标一一分析所造成的资源浪费。

在分析影响所述系统健康度的关键指标时，也可以对所述历史数据和健康度进行描述和总结，常用的技术方法有：频率、均值、中位数、方差、极大值、极小值、1/4区间等等。通过利用这些技术，可以得到数据的集中度和离散度等的分布特征，可以对数据间的关系进行初步的探索，可以用来分析影响所述系统的健康度的关键指标。

然后，可以只选择所述关键指标的数据，采用多元回归模型和/或神经网络模型训练健康度预测模型。利用这种方法建立健康度预测模型，可以节省计算资源。在训练健康度预测模型时，也可以根据所有指标的历史数据和历史健康度，采用多元回归模型和/或神经网络模型训练健康度预测模型。不需要分析影响所述系统的关键指标，直接利用所有指标的历史数据和历史健康度训练健康度预测模型，这都在本发明的保护范围之内。相较于上述利用关键指标训练健康度预测模型，这种建立健康度预测模型的方法精确度高，但是计算量大，对训练健康度预测模型的机器要求较高。

在本发明提供的一个具体实施例中，所述根据所述历史数据和所述历史健康度，采用多元回归模型和/或神经网络模型训练健康度预测模型，可以包括：根据所述历史数据和所述历史健康度，采用多元回归模型和/或神经网络模型分析计算所述系统的各项指标的阈值，所述阈值用于表征所述系统的健康状况；利用所述阈值，建立健康度预测模型。

首先，根据所述历史数据和所述历史健康度，采用多元回归模型和/或神经网络模型分析计算所述系统的各项指标的阈值，也可以是分析计算所述系统的至少一个关键指标的阈值。例如，交易量、用户响应时间、用户并发数等的阈值。在分析计算所述系统的各项指标的阈值时，还需要分析所述阈值与所述系统健康状况以及健康度之间的关系。所述阈值用于表征所述系统的健康状况。对于一个指标的阈值，可以根据所述系统健康度的分类来决定，可以有一个，也可以有多个。

若所述系统的健康度分为两类：健康和不健康，则一个指标的阈值可以有一个。若所述指标值大于所述阈值，则所述系统处于不健康状态；若所述指标值小于所述阈值，则所述系统处于健康状态。这里，所述阈值与健康状态的关系并不一定是上面这种情况，也可以包括相反的情况。若所述指标值大于所述阈值，则所述系统处于健康状态；若所述指标值小于所述阈值，则所述系统处于不健康状态。例如，所述系统的网络流量指标的阈值是100M/s，当所述系统的网络流量大于100M/s，所述系统处于健康状态；当所述系统的网络流量小于100M/s时，所述系统处于不健康状态。所以，对于不同的指标，所述系统的健康状况与所述指标的阈值的关系不同。所述阈值也可以用来判断系统健康度的一个范围，即系统的健康状况。

然后，根据所述阈值，建立健康度预测模型。在建立健康度预测模型时，可以根据各个指标的阈值，建立可以独立根据相应指标判断系统健康度的健康度预测模型，即也可以根据所述一个指标的指标值来判断与相应指标对应的所述系统的健康度。在建立健康度预测模型时，也可以采用多元回归模型和/或神经网络模型，建立多个指标的阈值与所述系统健康度之间的关系算法，进而建立健康度预测模型，即可以根据多个指标的指标值共同来判断所述系统的健康度。相较于根据一个指标判断健康度，根据多个指标判断系统的健康度可以提高预测的准确定性。所述健康度预测模型，可以帮助运维人员分析预测可能存在的问题，给运维人员一些建议。

例如，运维人员预测了未来某一时刻的一个或多个指标的指标值，想要预测当时的系统健康度，这样，运维人员就可以将所述一个或多个指标的指标值输入所述健康度预测模型，就可以预测出当时系统的健康度，这样，就可以帮助运维人员分析预测当时可能存在的问题。

所述根据阈值建立的健康度预测模型，可以使用一段时间。在使用过程中，可以在一定时间段内对其进行检验，确保所述健康度预测模型具有较高的预测准确率。在对所述健康度预测模型进行检验时，可以采用取样的方式对其进行检验。可以从历史数据和历史健康度中选取一个时刻或者一个小的时间段内的数据，代入到所述健康度预测模型检验所述健康度预测模型是否可靠，如果不可靠则需要重新建立健康度预测模型。如果可靠，则继续使用所述健康度预测模型。在使用所述健康度预测模型过程中，所述健康度预测模型的阈值是不发生变化的，可以看作是静态预测系统的健康度。

在本发明提供的一个具体实施例中，所述根据所述历史数据和所述历史健康度，采用多元回归模型和/或神经网络模型训练健康度预测模型，包括：根据所述历史数据和所述历史健康度，采用多元回归模型和/或神经网络模型，分析所述系统的各项指标的指标值与所述系统的健康度的关联曲线；建立根据所述关联曲线预测所述系统的健康度的健康度预测模型。

在分析所述系统的各项指标的指标值与所述系统的健康度的关联曲线时，可以只分析所述系统的关键指标的指标值与所述系统的健康度的关联曲线。然后根据所述关联曲线建立相应的算法，形成健康度预测模型。例如，可以模拟内存使用率与系统健康度的关联曲线，可以建立内存使用率与系统健康度的算法，当用户输入一个内存使用率的值时，就可以根据所述关联曲线或者所述算法得到相应的系统的健康度。在建立健康度与指标值的关联曲线或算法时，可以建立健康度与一个指标值的关联曲线或算法，也可以建立健康度与多个指标值的关联曲线或算法。这都在本发明的保护范围内。

在本发明中，所述利用阈值建立健康度预测模型和利用关联曲线建立健康度预测模型，可以单独使用，也可以共同使用，都在本发明的保护范围之内。

所述建立健康度预测模型的方法适用于整个系统，也适用于所述系统中包含的核心系统、外围系统等。这都在本发明的保护范围之内。若整个系统包含有多个小的系统，则可以根据需要建立多个小的系统的健康度预测模型，这样可以根据方便查看所述多个小的系统。建立整个系统的健康度预测模型时，可以根据所有的历史数据和历史健康度来建立，也可以根据各个核心系统和/或外围系统的历史健康度来建立，也可以根据硬件使用率和/或故障使用率来建立，这都在本发明的保护范围内。

在建立所述健康度预测模型时，还可以根据上述方法建立硬件使用率预测模型和/或故障率预测模型。所述硬件使用率计算模型可以用来预测所述系统的某个硬件在某一时刻或一个小的时间段内的使用率，所述故障率预测模型可以用来预测所述系统在某种情况下的故障率。

在本步骤中，还可以包括：将分析预测的未来健康度与预设的警报阈值进行对比，所述警报阈值是指当所述系统刚好处于不健康状态时的健康度；若所述未来健康度大于所述警报阈值，则不发出警报；若所述未来健康度小于所述警报阈值，则发出警报。

示例1，所述系统是指一个证劵公司的整个系统，所述系统包括：三个核心交易系统。所述核心交易系统包括：集中交易系统、融资融券交易系统、网上交易系统。在建立健康度预测模型时，可以采用多元回归模型和/或神经网络模型建立集中交易系统的健康度预测模型、融资融券交易系统的健康度预测模型、网上交易系统的健康度预测模型。其中，以集中交易系统的健康度预测模型为例，可以根据历史委托笔数、每秒查询股票操作笔数、每秒登陆操作笔数、当时的健康度，确定他们之间的关联曲线，进而建立集中交易系统的健康度预测模型。

在建立健康度预测模型时，还可以根据所述三个核心系统的健康度，采用多元回归模型和/或神经网络模型确定三个核心系统健康度和硬件使用率之间的关联曲线，建立硬件使用率预测模型。

在建立健康度预测模型时，可以采用多元回归模型和/或神经网络模型，确定所述整个系统的CPU使用率、内存使用率、磁盘使用率、网络流量等与整个系统健康度之间的关联曲线，建立回归曲线，建立相应的算法，形成健康度预测模型。

在本发明提供的一个具体实施例中，在建立健康度预测模型时，可以建立指标值预测模型。所述指标值预测模型的建立方法与所述健康度预测模型的建立方法相同。所述指标值预测模型也可以用来预测未来某一时刻或者一小段时间内的一个或多个指标的指标值。

在本发明提供的一个具体实施例中，在建立健康度预测模型时，可以采用结合机器学习的多元回归模型，即动态基线算法。可以利用机器学习确定所述各个指标的权重或参数，再利用多元回归分析法，分析所述各个指标与健康度之间的关系，建立回归曲线，建立算法，形成健康度预测模型。

所述动态基线算法，包括：单指标基线算法和多指标基线算法。

单指标基线算法：

基线建立：通过曲线拟合算法可以建立单指标基线，所谓拟合是指已知某函数的若干离散函数值{f1,f2,…,fn}，通过调整该函数中若干待定系数f(λ1,λ2,…,λn)，使得该函数与已知点集的差别(最小二乘意义)最小。如果待定函数是线性，就叫线性拟合，否则叫作非线性拟合。表达式也可以是分段函数，这种情况下叫作样条拟合。

基线分析：如果以天为观测范围，则是将一天分成多个时段，并计算每天相同时段的指标的均值，根据指标的历史记录形成一条基线记录。例如可以生成每天24小时CPU平均利用率基线图、也可以生成每天每分钟CPU平均利用率基线。根据历史基线的值，如果当前的观测值大于对应历史记录的值，则可以发送报警信息，也可以根据当前的指标值及历史基线值预测未来时间段的指标值。

基线报警：由于指标值存在波峰与波谷，且根据通用的告警分级制，每一个告警状态都是一个区域范围，只要在区域内，就适用相应的分级。因此，单纯用动态基线值来判断指标是否异常，会产生一定的误差，造成较多的异常信息的误报，所以，可以制定动态临界区域，进行指标分级告警，具体如下：

假设前t天与待检验相同时刻的历史指标值y1,y2,y3,……,yt为样本，b为基线值，则待检验指标与基线的偏离程度可表示为：

假设下一时刻实际指标值为y_t+1则有：

当|y_t+1-b|≤s_t时,指标值状况正常，下一时刻指标值相对动态基线的偏差在允许范围内。

当s_t≤|y_t+1-b|≤2s_t时,产生提示信息，下一时刻指标值相对动态基线有较小偏差。

当2s_t≤|y_t+1-b|时，产生告警，下一时刻指标值相对动态基线有较大偏差。

多指标基线算法：可以通过具体的函数分析，确定因变量指标与自变量指标之间的关系。例如内存利用率与成交笔数、系统部署数量之间的回归关系。通过计算的结果，确定多指标的基线。基线的建立、分析、报警与单指标基线算法类似。

在本步骤中，可以根据所述健康度预测模型预测在未来的任意时刻或者一小段时间内的健康度。可以根据用户输入的指标值，利用健康度预测模型来预测所述系统的健康度。也可以根据所述健康度预测模型先预测出所述系统在未来的某一个或多个指标的指标值，再根据所述指标值预测所述系统在未来的健康度。

在本步骤中，若所述系统包括核心系统和/或外围系统，则可以直接根据整个系统的健康度预测模型分析预测出系统的健康度；也可以根据先建立的核心系统健康度预测模型和/或外围系统健康度预测模型分析预测所述核心系统和/或外围系统的健康度，然后，根据所述核心系统和/或外围系统的健康度分析预测整个系统的健康度。

示例2，所述系统是指一个证劵公司的整个系统，所述系统包括：三个核心交易系统。所述核心交易系统包括：集中交易系统、融资融券交易系统、网上交易系统。在预测健康度时，可以先利用集中交易系统的健康度预测模型、融资融券交易系统的健康度预测模型、网上交易系统的健康度预测模型预测相应系统的健康度。然后，根据三个核心系统的健康度预测所述系统的硬件使用率和/或故障率。最后，根据所述硬件使用率和/或故障率预测所述整个系统的健康度。

在本步骤中，可以包括：根据所述健康度预测模型预测出在当前时刻之后的任意时刻的或一小段时间内的健康度后，可以根据所述健康度形成所述系统在未来一小段时间内的健康趋势，可以使运维人员可以直观的看到所述系统的健康度变化趋势。在预测健康度时，还可以根据所述健康度预测模型预测出影响所述系统健康度的关键因素，可以使运维人员快速分析出系统不健康的主要原因，进而提前做好相关方面的准备，更好地对系统进行维护。

步骤S103：将分析预测结果输出给所述用户。

在本步骤中，可以包括：将分析预测结果输出给所述用户。所述预测结果可以包括：健康度、健康度趋势、影响健康的关键因素等中的一种或多种。所述健康度可以用百分数表示，也可以用汉字表示。输出给用户的所述影响健康的关键因素，可以是根据重要性进行排序的一个结果。在输出的结果中，还可以包括：对运维人员的建议。例如，如果在预测健康度时，发现某一时刻或某一时间段的系统的内存使用率很大，则可以提醒运维人员着重维护所述内存。

在上述的第一实施例中，提供了一种系统健康度静态分析预测方法，与之相对应的，本申请还提供一种系统健康度静态分析预测装置。请参考图2，其为本发明第二实施例提供的一种系统健康度静态分析预测装置的示意图。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。

本发明第二实施例提供的一种系统健康度静态分析预测装置，包括：

指标值获取模块101，用于获取用户输入的至少一项系统指标的指标值；

分析预测模块102，用于将所述指标值输入预设的健康度预测模型，通过所述健康度预测模型分析预测所述指标值对应的所述系统的健康度；

输出模块103，用于将分析预测结果输出给所述用户。

在本发明提供的一个具体实施例中，所述装置，还包括：

历史数据获取模块，用于获取系统的历史数据和历史健康度；

模型建立模块，用于根据所述历史数据和所述历史健康度，采用多元回归模型和/或神经网络模型训练健康度预测模型。

在本发明提供的一个具体实施例中，所述模型建立模块，包括：

关键指标分析单元，用于根据所述系统的历史数据和所述历史健康度，采用主成分分析、因子分析、聚类分析中的一种或多种组合的方式，分析影响所述系统的健康度的关键指标；

关键指标模型建立单元，用于根据所述关键指标，采用多元回归模型和/或神经网络模型训练健康度预测模型。

在本发明提供的一个具体实施例中，所述模型建立模块，包括：

阈值分析单元，用于根据所述历史数据和所述历史健康度，采用多元回归模型和/或神经网络模型分析计算所述系统的各项指标的阈值，所述阈值用于表征所述系统的健康状况；

第一模型建立单元，用于利用所述阈值，建立健康度预测模型。

在本发明提供的一个具体实施例中，所述模型建立模块，包括：

关联曲线分析单元，用于根据所述历史数据和所述历史健康度，采用多元回归模型和/或神经网络模型，分析所述系统的各项指标的指标值与所述系统的健康度的关联曲线；

第二模型建立单元，用于建立根据所述关联曲线预测所述系统的健康度的健康度预测模型。

以上，为本发明第二实施例提供的一种系统健康度静态分析预测装置的实施例说明。

本发明提供的一种系统健康度静态分析预测装置与上述一种系统健康度静态分析预测方法出于相同的发明构思，具有相同的有益效果，此处不再赘述。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。需要说明的是，本发明附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机机器(可以是个人计算机，服务器，或者网络机器等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。