一种云计算系统平台中的监控方法及系统的制作方法
【专利摘要】本发明提供一种云计算系统平台中的监控方法及系统，应用于计算机智能信息领域：上述方法包括以下步骤：模型参数训练模块根据确定的模型参数,形成隐马尔可夫模型，然后基于获取的相关历史数据，对该模型进行大量训练，获得监控预测模型；监控预警模块通过将初始监控信息输入到所述模型参数训练模块中的所述监控预测模型中，获得监控预测模型的预测状态并根据所述预测状态获取预测结果。本发明是以隐马尔科夫模型算法为核心，通过整合利用云计算平台系统中的各种相关参数进行预警训练，从而达到系统中监控模块的预警分析，为系统设备的高效稳定运行提供保障。
【专利说明】一种云计算系统平台中的监控方法及系统
【技术领域】
[0001]本发明涉及计算机智能信息领域，尤其涉及一种云计算系统平台中的监控方法及系统。
【背景技术】
[0002]云计算是一种以虚拟化技术为进程，网络为载体，并提供基础构架、平台和软件等服务为形式，通过廉价的计算机资源为用户提供快捷、可靠和高效的服务；云计算平台系统是对云计算平台上的各种资源进行管理的系统，云计算平台系统把庞大的基础设施、数据存储、软件组成相互共享与协作的资源池，并在此基础上抽象出层次化服务；云服务使人们不必关心底层的具体实现细节，只是把计算和存储放到云端来处理，就像用水和电一样便利。
[0003]现在大多数的云计算系统中的监控策略是先对采集到的数据进行分析，并存储到数据库中，然而这些都是在事件发生之后的处理，具有一定的延后性，会影响到云计算服务的正常使用。
[0004]隐马尔科夫模型，它是一个二重马尔可夫随机过程，包括具有状态转移概率的马尔可夫链和输出观测值的随机过程，作为一种数学概率模型已经成功应用于语音识别领域，之后被广泛应用到自然语言处理的各个领域中；但是，在云计算领域中，该模型还未真正参与使用，也未真正利用该模型来解决上述问题。
【发明内容】
[0005]本发明提供一种云计算系统平台中的监控方法及系统，以解决上述问题。
[0006]本发明提供一种云计算系统平台中的监控方法。上述方法包括以下步骤:
[0007]模型参数训练模块根据确定的模型参数，形成隐马尔可夫模型，然后基于获取的相关历史数据，对该模型进行大量训练，获得监控预测模型；
[0008]监控预警模块通过将初始监控信息输入到所述模型参数训练模块中的所述监控预测模型中，获得监控预测模型的预测状态并根据所述预测状态获取预测结果。
[0009]本发明还提供一种云计算系统平台中的监控系统，包括:模型参数训练模块、监控预警模块；模型参数训练模块与监控预警模块相连；
[0010]模型参数训练模块，用于根据确定的模型参数，形成隐马尔可夫模型，然后基于获取的相关历史数据，对该模型进行大量训练，获得监控预测模型；
[0011]监控预警模块，用于通过将初始监控信息输入到所述模型参数训练模块中的所述监控预测模型中，获得监控预测模型的预测状态并根据所述预测状态获取预测结果。
[0012]本发明是以隐马尔科夫模型算法为核心，通过整合利用云计算平台系统中的各种相关参数进行预警训练，从而达到系统中监控模块的预警分析，为系统设备的高效稳定运行提供保障；基于隐马尔科夫模型的监控预警，可以预测云计算平台系统中检测设备的各个状态，对于云计算平台系统监控环境中设备的稳定、持续性运行提供了保证，适用于的商业应用领域，因而具有一定的发展前景。
【专利附图】
【附图说明】
[0013]此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中:
[0014]图1所示为本发明实施例1的云计算系统平台中的监控方法流程图。
【具体实施方式】
[0015]下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施 例及实施例中的特征可以相互组合。
[0016]本发明提供了一种云计算系统平台中的监控方法，包括以下步骤:
[0017]模型参数训练模块根据确定的模型参数，形成隐马尔可夫模型，然后基于获取的相关历史数据，对该模型进行大量训练，获得监控预测模型；
[0018]监控预警模块通过将初始监控信息输入到所述模型参数训练模块中的所述监控预测模型中，获得监控预测模型的预测状态并根据所述预测状态获取预测结果。
[0019]其中，模型参数训练模块首先确定监控管理部分的模型参数，形成监控模块的隐马尔可夫模型，然后基于从监控预警模块中获取的相关历史数据，对该模型进行大量训练，最终得到一个稳定的监控预测模型。
[0020]其中，模型参数训练模块通过对模型参数五元组X=(S，V，A，B, n )的进行大量训练，获得监控预测模型。
[0021]其中，模型参数训练模块采用ML算法来学习所述模型参数，得到监控预测模型后，采用Viterbi算法进行状态值的预测，即对于给定的模型\和观察值序列，求可能性最大的状态序列，从而达到预测平台中设备的运行状态。
[0022]其中，监控预警模块将所述预测结果反馈于系统管理员，对平台系统中的设备进行预警。
[0023]其中，所述预测结果包括:发生故障的业务模块及具体时间点。
[0024]其中，系统管理员通过分析数据结果，对相关设备参数进行调优处理，预防设备故障，保证系统持续运行。
[0025]该发明主要包括:模型参数训练模块、监控预警模块。
[0026]模型参数训练模块:首先确定监控管理部分的模型参数，形成监控模块的隐马尔可夫模型，然后基于从监控预警模块中获取的相关历史数据，对该模型进行大量训练，最终得到一个稳定的监控预测模型。
[0027]通过对模型参数五元组入=(S，V，A，B，Ji)的进行大量训练，获得一个较稳定的监控预测模型。
[0028]所述模型参数包括以下五个参数:
[0029]S是状态集，S=Is1, S2,…，s6}，对应于系统中的“一级告警”、“二级告警”、“错误”、“设备关闭”、“故障恢复”和“恢复运行”;
[0030]V是词汇集，V=Iv1, V2,…，vj，对应于系统中监控机器的基本配置(核数、内存等)与监控机器的规模等因素；[0031]A是一个η阶的状态转移矩阵，A= Iaij=P (Q^1=SiIqt=Sj, I≤i，j≤η)}，其中qt表示t时刻马尔科夫链所处的状态，au表示从状态Si转到的概率，即各个状态之间的转移概率；
[0032]B 是 nXm 观测值矩阵，B= {bJk=P (ot=vk| qt=Sj), I ≤j ≤ η, I ≤k ≤ m}，ot 表示在t时刻的观测值，bJk表示在状态Sj时Vk出现的概率，即出现上述六种状态时V词汇集的概率；
[0033]Ji是初始状态概率集合，π ={ Ji J=P(Qt=Si), I≤i≤η}。
[0034]首先采用M L (Maximum Likelihood)算法来学习所述模型参数,得到监控预测模型后，采用Viterbi算法进行状态值的预测，即对于给定的模型λ和观察值序列，求可能性最大的状态序列，从而达到预测平台中设备的运行状态。
[0035]通过对上述隐马尔科夫模型对设备状态的预警，从而可以及时有效的对云资源平台系统中的资源进行优化，更加有效的提高了设备的稳定性与利用率。
[0036]监控预警模块:通过将初始监控信息输入到模型参数训练模块中的监控预测模型中，获得监控预测模型的预测状态；根据所述预测状态获取预测结果并将所述预测结果反馈于系统管理员，对平台系统中的设备进行预警。
[0037]其中，所述预测结果包括:发生故障的业务模块及具体时间点。
[0038]系统管理员可以通过分析数据结果，对相关设备参数进行调优处理，预防设备故障，保证系统持续运打。
[0039]图1所示为本发明实施例1的云计算系统平台中的监控方法流程图，包括以下步骤:
[0040]步骤101:模型参数训练模块根据确定的模型参数，形成隐马尔可夫模型，然后基于获取的相关历史数据，对该模型进行大量训练，获得监控预测模型；
[0041]步骤102:监控预警模块通过将初始监控信息输入到所述模型参数训练模块中的所述监控预测模型中，获得监控预测模型的预测状态并根据所述预测状态获取预测结果。
[0042]本发明还包括一种云计算系统平台中的监控系统，包括:模型参数训练模块、监控预警模块；模型参数训练模块与监控预警模块相连；
[0043]模型参数训练模块，用于根据确定的模型参数，形成隐马尔可夫模型，然后基于获取的相关历史数据，对该模型进行大量训练，获得监控预测模型；
[0044]监控预警模块，用于通过将初始监控信息输入到所述模型参数训练模块中的所述监控预测模型中，获得监控预测模型的预测状态并根据所述预测状态获取预测结果。
[0045]本发明是以隐马尔科夫模型算法为核心，通过整合利用云计算平台系统中的各种相关参数进行预警训练，从而达到系统中监控模块的预警分析，为系统设备的高效稳定运行提供保障；基于隐马尔科夫模型的监控预警，可以预测云计算平台系统中检测设备的各个状态，对于云计算平台系统监控环境中设备的稳定、持续性运行提供了保证，适用于的商业应用领域，因而具有一定的发展前景。
[0046]以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
【权利要求】
1.一种云计算系统平台中的监控方法，其特征在于，包括以下步骤: 模型参数训练模块根据确定的模型参数，形成隐马尔可夫模型，然后基于获取的相关历史数据，对该模型进行大量训练，获得监控预测模型； 监控预警模块通过将初始监控信息输入到所述模型参数训练模块中的所述监控预测模型中，获得监控预测模型的预测状态并根据所述预测状态获取预测结果。
2.根据权利要求1所述的方法，其特征在于: 模型参数训练模块首先确定监控管理部分的模型参数，形成监控模块的隐马尔可夫模型，然后基于从监控预警模块中获取的相关历史数据，对该模型进行大量训练，最终得到一个稳定的监控预测模型。
3.根据权利要求2所述的方法，其特征在于: 模型参数训练模块通过对模型参数五元组X=(S，V，A，B, n )的进行大量训练,获得监控预测模型。
4.根据权利要求3所述的方法，其特征在于: 模型参数训练模块采用ML算法来学习所述模型参数，得到监控预测模型后，采用Viterbi算法进行状态值的预测，即对于给定的模型\和观察值序列，求可能性最大的状态序列，从而达到预测平台中设备的运行状态。
5.根据权利要求1所述的方法，其特征在于: 监控预警模块将所述预测结果反馈于系统管理员，对平台系统中的设备进行预警。
6.根据权利要求5所述的方法，其特征在于: 所述预测结果包括:发生故障的业务模块及具体时间点。
7.根据权利要求6所述的方法，其特征在于: 系统管理员通过分析数据结果，对相关设备参数进行调优处理，预防设备故障，保证系统持续运行。
8.—种云计算系统平台中的监控系统，其特征在于，包括:模型参数训练模块、监控预警模块；模型参数训练模块与监控预警模块相连； 模型参数训练模块，用于根据确定的模型参数，形成隐马尔可夫模型，然后基于获取的相关历史数据，对该模型进行大量训练，获得监控预测模型； 监控预警模块，用于通过将初始监控信息输入到所述模型参数训练模块中的所述监控预测模型中，获得监控预测模型的预测状态并根据所述预测状态获取预测结果。
【文档编号】G06F17/30GK103744977SQ201410014843
【公开日】2014年4月23日 申请日期:2014年1月13日 优先权日:2014年1月13日
【发明者】高滨 申请人:浪潮(北京)电子信息产业有限公司