用于预测应用的健康级别的方法、电子设备和存储介质与流程

1.本公开的实施例总体涉及信息处理领域，具体涉及用于预测应用的健康级别的方法、电子设备和计算机存储介质。


背景技术：

2.在微服务架构下一套业务体系由很多应用组成，由于业务的丰富性，应用间相互交互。应用处理功能逻辑的复杂度无法衡量，外部访问量无法预测，以至于应用作出的响应时而快时而慢，甚至个别情况是异常返回。这造成部分业务交互不能成功完成，给业务带来了糟糕的体验。因此，希望能够准确预测应用的健康情况，从而及时预警和更正。


技术实现要素：

3.提供了一种用于预测应用的健康级别的方法、电子设备以及计算机存储介质，能够使得机器学习模型的预测值更能反映实际场景。
4.根据本公开的第一方面，提供了一种用于预测应用的健康级别的方法。该方法包括：获取应用对于多种资源在当前期间内的多个时段内的多个当前使用值、多个当前初始值和多个当前限制值；基于多个当前使用值、多个当前初始值和多个当前限制值，确定应用对于多种资源在当前期间内的多个当前离散系数特征值；基于机器学习模型和多个当前离散系数特征值，确定应用在当前期间的下一期间内的预测异常特征值，机器学习模型是基于应用对于多种资源在多个第一历史期间内的多个历史离散系数特征值和应用在多个第二历史期间内的多个异常特征值而训练的，多个第二历史期间中的每个第二历史期间为对应第一历史期间的下一期间，多个异常特征值是基于应用在多个第二历史期间内的多个异常访问量和多个总访问量而确定的；以及基于异常特征值的范围与健康级别之间的预定关联和预测异常特征值，确定应用在下一期间内的预测健康级别。
5.根据本公开的第二方面，提供了一种电子设备。该电子设备包括：至少一个处理器，以及与至少一个处理器通信连接的存储器，其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据第一方面所述的方法。
6.在本公开的第三方面中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。
7.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
8.结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素。
9.图1是根据本公开的实施例的信息处理环境100的示意图。
10.图2是根据本公开的实施例的用于预测应用的健康级别的方法200的示意图。
11.图3是根据本公开的实施例的用于预测应用的健康级别的方法300的示意图。
12.图4是根据本公开的实施例的用于确定多个当前离散系数特征值的方法400的示意图。
13.图5是根据本公开的实施例的用于训练机器学习模型的方法500的示意图。
14.图6是用来实现本公开实施例的用于预测应用的健康级别的方法的电子设备的框图。
具体实施方式
15.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
16.在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
17.如上所述，希望能够准确预测应用的健康情况，从而及时预警和更正。
18.为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种用于预测应用的健康级别的方案。在该方案中，计算设备获取应用对于多种资源在当前期间内的多个时段内的多个当前使用值、多个当前初始值和多个当前限制值，并基于多个当前使用值、多个当前初始值和多个当前限制值，确定应用对于多种资源在当前期间内的多个当前离散系数特征值。计算设备基于机器学习模型和多个当前离散系数特征值，确定应用在当前期间的下一期间内的预测异常特征值，机器学习模型是基于应用对于多种资源在多个第一历史期间内的多个历史离散系数特征值和应用在多个第二历史期间内的多个异常特征值而训练的，多个第二历史期间中的每个第二历史期间为对应第一历史期间的下一期间，多个异常特征值是基于应用在多个第二历史期间内的多个异常访问量和多个总访问量而确定的。计算设备基于异常特征值的范围与健康级别之间的预定关联和预测异常特征值，确定应用在下一期间内的预测健康级别。以此方式，能够使得机器学习模型的预测值更能反映实际场景。
19.在下文中，将结合附图更详细地描述本方案的具体示例。
20.图1示出了根据本公开的实施例的信息处理环境100的示例的示意图。信息处理环境100可以包括计算设备110、应用120
‑
1至120
‑
n（下文将应用统称为120）、应用监控系统130、应用访问日志系统140以及运行应用120的服务器150。
21.计算设备110例如包括但不限于服务器计算机、多处理器系统、大型计算机、包括上述系统或设备中的任意一个的分布式计算环境等。在一些实施例中，计算设备110可以具有一个或多个处理单元，包括诸如图像处理单元gpu、现场可编程门阵列fpga和专用集成电路asic等的专用处理单元以及诸如中央处理单元cpu的通用处理单元。
22.应用监控系统130用于监控应用120的运行状态。应用监控系统130中可以存储有应用120的各种状态信息，例如包括但不限于应用120对于多种资源在多个第一历史期间内的多个时段内的多个历史使用值、多个历史初始值和多个历史限制值，应用120对于多种资源在当前期间内的多个时段内的多个当前使用值、多个当前初始值和多个当前限制值。
23.期间例如包括但不限于一天。多种资源例如包括但不限于计算资源、存储资源和带宽资源。计算资源例如包括但不限于cpu、gpu等，存储资源例如包括但不限于内部存储器资源和外部存储器资源。例如在微服务模式下，应用运行在容器平台，容器平台隔离资源使用，每个应用的运行资源设置有初始值、限制值和使用值，例如cpu初始值、cpu限制值和cpu使用值，内部存储器初始值、内部存储器限制值和内部存储器使用值，使用值介于初始值和限制值之间。
24.应用访问日志系统140中可以存储有应用120的各种访问数据，例如应用120在多个第二历史期间内的多个异常访问量和多个总访问量。
25.计算设备110可以从应用监控系统130获取应用120对于多种资源在多个第一历史期间内的多个时段内的多个历史使用值、多个历史初始值和多个历史限制值，应用120对于多种资源在当前期间内的多个时段内的多个当前使用值、多个当前初始值和多个当前限制值，以及从应用访问日志系统140获取应用120在多个第二历史期间内的多个异常访问量和多个总访问量。
26.计算设备110用于获取应用120对于多种资源在当前期间内的多个时段内的多个当前使用值、多个当前初始值和多个当前限制值；基于多个当前使用值、多个当前初始值和多个当前限制值，确定应用120对于多种资源在当前期间内的多个当前离散系数特征值；基于机器学习模型和多个当前离散系数特征值，确定应用120在当前期间的下一期间内的预测异常特征值，机器学习模型是基于应用120对于多种资源在多个第一历史期间内的多个历史离散系数特征值和应用120在多个第二历史期间内的多个异常特征值而训练的，多个第二历史期间中的每个第二历史期间为对应第一历史期间的下一期间，多个异常特征值是基于应用120在多个第二历史期间内的多个异常访问量和多个总访问量而确定的；以及基于异常特征值的范围与健康级别之间的预定关联和预测异常特征值，确定应用120在下一期间内的预测健康级别。
27.由此，能够使得机器学习模型的预测值更能反映实际场景。
28.图2示出了根据本公开的实施例的用于预测应用的健康级别的方法200的流程图。例如，方法200可以由如图1所示的计算设备110来执行。应当理解的是，方法200还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
29.在框202处，计算设备110获取应用120对于多种资源在当前期间内的多个时段内的多个当前使用值、多个当前初始值和多个当前限制值。多个当前使用值、多个当前初始值和多个当前限制值可以是计算设备110先前或即时从应用监控系统130获取的。
30.期间例如包括但不限于1天。当前期间例如为当天。时段例如包括但不限于分钟、小时等。
31.例如，计算设备110可以获取当天内多个分钟内的cpu当前使用值、cpu当前初始值和cpu当前限制值，内部存储器（mem）当前使用值、内部存储器当前初始值和内部存储器当前限制值，带宽当前使用值、带宽当前初始值和带宽当前限制值。此外，计算设备110还可以
获取每秒磁盘读写次数（input/output per second，iops）。示例可如下表所示。
32.在框204处，计算设备110基于多个当前使用值、多个当前初始值和多个当前限制值，确定应用120对于多种资源在当前期间内的多个当前离散系数特征值。下文结合图4详细描述用于确定多个当前离散系数特征值的方法。
33.在框206处，计算设备110基于机器学习模型和多个当前离散系数特征值，确定应用120在当前期间的下一期间内的预测异常特征值。机器学习模型是基于应用120对于多种资源在多个第一历史期间内的多个历史离散系数特征值和应用120在多个第二历史期间内的多个异常特征值而训练的。多个第二历史期间中的每个第二历史期间为对应第一历史期间的下一期间。多个异常特征值是基于应用120在多个第二历史期间内的多个异常访问量和多个总访问量而确定的。
34.下一期间例如为明天。
35.在框208处，计算设备110基于异常特征值的范围与健康级别之间的预定关联和预测异常特征值，确定应用120在下一期间内的预测健康级别。
36.由此，通过基于使用值、初始值和限制值生成的离散系数特征值来表征实际情形，使得机器学习模型的预测值更能反映具有资源约束的实际场景。
37.图3示出了根据本公开的实施例的用于预测应用的健康级别的方法300的流程图。例如，方法300可以由如图1所示的计算设备110来执行。应当理解的是，方法300还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
38.在框302处，计算设备110获取应用120对于多种资源在多个第一历史期间内的多个时段内的多个历史使用值、多个历史初始值和多个历史限制值。多个历史使用值、多个历史初始值和多个历史限制值可以是计算设备110先前或即时从应用监控系统130获取的。
39.多个第一历史期间例如为历史上的多天。多个历史使用值、多个历史初始值和多个历史限制值的获取与当前使用值、当前初始值和当前限制值类似，不再赘述。
40.在框304处，计算设备110获取应用120在多个第二历史期间内的多个异常访问量和多个总访问量，多个第二历史期间中的每个第二历史期间为对应第一历史期间的下一期间。多个异常访问量和多个总访问量可以是计算装置110先前或即时从应用访问日志系统140获取的。
41.在框306处，计算设备110基于多个异常访问量和多个总访问量，确定应用120在多个第二历史期间内的多个异常特征值。
42.第二历史期间内的异常特征值例如可以通过确定相同第二历史期间内的异常访问量和总访问量之间的商来生成。异常访问量、总访问量和异常特征值的示例如下表所示。
43.在框308处，计算设备110基于多个历史使用值、多个历史初始值和多个历史限制值，确定应用120对于多种资源在多个第一历史期间内的多个历史离散系数特征值。
44.在框310处，计算设备110基于多个历史离散系数特征值和多个异常特征值，训练机器学习模型。
45.在框312处，计算设备110获取应用120对于多种资源在当前期间内的多个时段内的多个当前使用值、多个当前初始值和多个当前限制值。
46.在框314处，计算设备110基于多个当前使用值、多个当前初始值和多个当前限制值，确定应用120对于多种资源在当前期间内的多个当前离散系数特征值。
47.在框316处，计算设备110基于经训练的机器学习模型和多个当前离散系数特征值，确定应用120在当前期间的下一期间内的预测异常特征值。
48.在框318处，计算设备110基于异常特征值的范围与健康级别之间的预定关联和预测异常特征值，确定应用120在下一期间内的预测健康级别。
49.健康级别例如可以包括3个级别，健康，亚健康和病态。预定关联例如为，健康与异常特征值范围[0，0.01)相关联，亚健康与异常特征值范围[0.01，0.1)相关联，以及病态与异常特征值范围[0.1,1)相关联。应当理解，这只是举例说明，预定关联也可以采用其他形式。
[0050]
由此，能够通过基于使用值、初始值和限制值生成的离散系数特征值来表征实际情形，使得机器学习模型的预测值更能反映具有资源约束的实际场景。此外，能够基于经训练的机器学习模型和应用对于多种资源在当前期间内的使用值、初始值和限制值，预测应用在下一期间内的健康级别。
[0051]
在一些实施例，计算设备110还可以确定应用120在下一期间内的预测健康级别是否低于预定健康级别。如果计算设备110确定应用120在下一期间内的预测健康级别低于预定健康级别，则调节应用120对于多种资源在下一期间内的初始值和限制值。预定健康级别例如包括但不限于亚健康。调节初始值和限制值可以包括按照预定幅度降低初始值以及增加限制值，从而使得应用能够获得更多的资源使用空间，提升应用在下一期间内的实际健康级别。
[0052]
由此，能够基于预测健康级别及时调节下一期间内的初始值和限制值，从而改善应用在下一期间内的实际健康级别。
[0053]
图4示出了根据本公开的实施例的用于确定多个当前离散系数特征值的方法400的流程图。例如，方法400可以由如图1所示的计算设备110来执行。应当理解的是，方法400还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。计算设备110对于多种资源中的每种资源执行以下步骤。
[0054]
在框402处，计算设备110确定应用120对于资源在当前期间内的多个时段内的多个当前使用值与多个当前初始值之间的多个第一差以及多个当前使用值与多个当前限制值之间的多个第二差。
[0055]
在框404处，计算设备110确定多个第一差和多个第二差之间的协方差。
[0056]
在框406处，计算设备110确定多个第一差的第一标准差和多个第二差的第二标准差。
[0057]
在框408处，计算设备110基于协方差、第一标准差和第二标准差，确定应用120对于资源在当前期间内的当前离散系数特征值。
[0058]
例如，可以采用以下公式来确定当前离散系数特征值。
[0059]
其中，是多个当前使用值和多个当前初始值之间的多个差中的第i个序列值，为的均值。是多个当前使用值和多个当前限制值之间的多个差中的第i个序列值，为的均值。
[0060]
由此，通过使用值相对于初始值和限制值的差，确定应用对于资源的离散系数特征值，更准确反映资源受限条件下应用的实际运行情况。
[0061]
此外，计算设备110还可以通过标准差和使用值来确定诸如带宽离散系数特征值、读io离散系数特征值和写io离散系数特征值。具体公式可如下所示。
[0062]
其中，是某一天第i个带宽使用值、读iops使用值或写iops使用值，是n个带宽使用值、读iops使用值或写iops使用值的均值。
[0063]
图5示出了根据本公开的实施例的用于训练机器学习模型的方法500的流程图。例如，方法500可以由如图1所示的计算设备110来执行。应当理解的是，方法500还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
[0064]
在框502处，计算设备110基于多个历史离散系数特征值和多个异常特征值，生成多个样本，多个样本中的每个样本包括应用对于多种资源在与样本相关联的第一历史期间内的多个历史离散系数特征值和应用在第一历史期间所对应的第二历史期间内的异常特征值。
[0065]
多个样本的示例可如下所示，其中带宽、读/写io离散系数特征是可选的。
[0066]
对于多个样本中的每个样本，循环执行以下步骤。
[0067]
在框504处，计算设备110基于线性回归模型和样本中包括的多个历史离散系数特征值，生成中间预测异常特征值。
[0068]
线性回归模型中包括与多种资源相对应的多个权重。线性回归模型可以通过以下公式表示。
[0069]
其中，是第i个样本对应的中间预测异常特征值，n为样本数量，k为资源的种类数量，为第j种资源的权重，为第i个样本中与第j种资源对应的历史离散系数特征值，其中b为偏置项。
[0070]
在框506处，计算设备110基于预定损失函数、中间预测异常特征值以及样本中包括的异常特征值，确定线性回归模型中与多种资源相关联的多个权重的多个更新值。
[0071]
预定损失函数例如包括但不限于极大似然估计。预定损失函数可通过如下公式表示。
[0072]
其中，是第i个样本对应的中间预测异常特征值，是第i个样本对应的真实预测特征值。
[0073]
例如，可以计算预定损失函数对于权重的偏导数来确定更新值。
[0074]
在框508处，计算设备110基于多个更新值，更新多个权重。
[0075]
在框510处，计算设备110确定多个更新值是否均小于预定值。预定值例如包括但不限于0.01。
[0076]
如果在框510处计算设备110确定多个更新值均小于预定值，则结束循环从而得到经训练的线性回归模型作为经训练的机器学习模型，否则对于下一样本继续循环。
[0077]
由此，能够基于应用对于多种资源在第一历史期间内的多个历史离散系数特征值和应用在第一历史期间所对应的第二历史期间内的异常特征值，训练线性回归模型，用于预测异常特征值，使得预测的异常特征值更贴近有约束情况下的实际情形。
[0078]
图6示出了可以用来实施本公开内容的实施例的示例设备600的示意性框图。例如，如图1所示的计算设备110可以由设备600来实施。如图所示，设备600包括中央处理单元（cpu）601，其可以根据存储在只读存储器（rom）602中的计算机程序指令或者从存储单元608加载到随机存取存储器（ram）603中的计算机程序指令，来执行各种适当的动作和处理。在随机存取存储器603中，还可存储设备600操作所需的各种程序和数据。中央处理单元601、只读存储器602以及随机存取存储器603通过总线604彼此相连。输入/输出（i/o）接口605也连接至总线604。
[0079]
设备600中的多个部件连接至输入/输出接口605，包括：输入单元606，例如键盘、鼠标、麦克风等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0080]
上文所描述的各个过程和处理，例如方法200
‑
500，可由中央处理单元601执行。例如，在一些实施例中，方法200
‑
500可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由只读存储器602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序被加载到随机存取存储器603并由中央处理单元601执行时，可以执行上文描述的方法200
‑
500的一个或多个动作。
[0081]
本公开涉及方法、装置、系统、电子设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括用于执行本公开的各个方面的计算机可读程序指令。
[0082]
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、静态随机存取存储器（sram）、便携式压缩盘只读存储器（cd
‑
rom）、数字多功能盘（dvd）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
[0083]
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
[0084]
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（isa）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（fpga）或可编程逻辑阵列（pla），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
[0085]
这里参照根据本公开实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
[0086]
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
[0087]
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
[0088]
附图中的流程图和框图显示了根据本公开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、程序段或指令的一部分，所述模块、程序段或指令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。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。
[0089]
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。