监控提示方法、装置、计算机设备及存储介质与流程

本发明涉及计算机技术领域，尤其涉及一种监控提示方法、装置、计算机设备及存储介质。

背景技术：

在对企业级服务器进行维护的过程中，由于对待监控服务器进行监控时某些监控项目的阈值无法准确的进行预先设定，因而仅通过设定阈值的方式结合所获取的监控项目的数值对待监控服务器是否正常运行进行判断会存在偏差，从而导致对用户造成大量提示，或者某一监控项目不正常而未对用户进行提示，影响了对服务器进行维护的效率。因而现有的技术方法存在无法对待监控服务器中的监控项目进行准确提示的问题。

技术实现要素：

本发明实施例提供了一种监控提示方法、装置、计算机设备及存储介质，旨在解决现有技术中所存在的无法进行准确监控提示的问题。

第一方面，本发明实施例提供了一种监控提示方法，其包括：

根据预设监控间隔时间及监控项目信息对待监控服务器进行周期性监控，以获取得到服务器监控信息；

根据所述监控项目信息及预设状态分类信息构建得到状态分类模型；

通过预设的监控项目训练参数对所述状态分类模型进行训练得到训练后的状态分类模型；

通过训练后的状态分类模型对所述服务器监控信息中的多个监控项目进行分类以得到每一个监控项目的状态分类结果；

根据服务器监控信息中监控项目的状态分类结果发出监控提示信息。

第二方面，本发明实施例提供了一种监控提示装置，其包括：

监控信息获取单元，用于根据预设监控间隔时间及监控项目信息对待监控服务器进行周期性监控，以获取得到服务器监控信息；

分类模型构建单元，用于根据所述监控项目信息及预设状态分类信息构建得到状态分类模型；

模型训练单元，用于通过预设的监控项目训练参数对所述状态分类模型进行训练得到训练后的状态分类模型；

状态分类结果获取单元，用于通过训练后的状态分类模型对所述服务器监控信息中的多个监控项目进行分类以得到每一个监控项目的状态分类结果；

提示信息发送单元，用于根据服务器监控信息中监控项目的状态分类结果发出监控提示信息。

第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的监控提示方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的监控提示方法。

本发明实施例提供了一种监控提示方法、装置、计算机设备及存储介质。通过构建状态分类模型并进行训练，以实现对待监控服务器中所有监控项目进行实时监控并获取每一监控项目的状态分类结果，根据所得到的状态分类结果向用户发送监控提示信息，避免在判断监控项目是否正常时存在偏差，从而能够更加准确地进行监控提示。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的监控提示方法的流程示意图；

图2为本发明实施例提供的监控提示方法的子流程示意图；

图3为本发明实施例提供的监控提示方法的另一子流程示意图；

图4为本发明实施例提供的监控提示方法的另一子流程示意图；

图5为本发明实施例提供的监控提示方法的另一子流程示意图；

图6为本发明实施例提供的监控提示装置的示意性框图；

图7为本发明实施例提供的监控提示装置的子单元示意性框图；

图8为本发明实施例提供的监控提示装置的另一子单元示意性框图；

图9为本发明实施例提供的监控提示装置的另一子单元示意性框图；

图10为本发明实施例提供的监控提示装置的另一子单元示意性框图；

图11为本发明实施例提供的计算机设备的示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1，图1是本发明实施例提供的监控提示方法的流程示意图。该监控提示方法应用于用户终端中，该方法通过安装于用户终端中的应用软件进行执行，其中，用户终端是具有显示功能的终端设备，例如台式电脑、笔记本电脑、平板电脑或手机等；通过用户终端即可对与用户终端相连接的服务器进行监控。

如图1所示，该方法包括步骤s110～s150。

s110、根据预设监控间隔时间及监控项目信息对待监控服务器进行周期性监控，以获取得到服务器监控信息。

根据预设监控间隔时间及监控项目信息对待监控服务器进行周期性监控，以获取得到服务器监控信息。其中，预设监控间隔时间即是用于周期性获取待监控服务器的服务器监控信息的时间信息，例如，若预设监控间隔时间为20秒，则以20秒为一个周期对待监控服务器进行周期性监控。预设监控项目信息中包含多个监控项目，对待监控服务器进行周期性监控时，即可在每隔预设监控间隔时间，通过多个监控项目获取该待监控服务器的监控项目值，也即是获取得到服务器监控信息。其中，待监控服务器即是企业中所需进行监控的企业终端。

具体的，预设监控项目信息包括服务器平均负载、终端设备连接数等。平均负载即是用于反映待监控服务器运行压力的参数值，其计算公式为平均负载x＝(a+b)/c；其中，a为服务器正在处理的进程数，b为等待服务器处理的进程数，c为cpu核数。

例如，服务器正在处理的进程数为5，等待服务器处理的进程数为4，cpu核数为2，则此时该服务器的平均负载为4.5。

终端设备连接数即是该待监控服务器所连接的终端设备的数量，终端设备连接数越大则表明该待监控服务器所连接的终端设备较多，服务器的终端设备连接数应该受到限制，终端设备连接数过大会影响服务器的正常运行。

由于对待监控服务器进行待监的过程中，服务器平均负载、终端设备连接数等监控项目的阈值无法准确设定，因而通过设定阈值的方式结合所获取的监控项目的数值对待监控服务器是否正常运行进行判断会存在偏差，需采用其他方式对待监控服务器是否正常运行进行判断。

s120、根据所述监控项目信息及预设状态分类信息构建得到状态分类模型。

根据所述监控项目信息及预设状态分类信息构建得到状态分类模型。状态分类模型即是用于对监控项目信息中所包含监控项目的状态进行分类的模型，状态分类模型基于神经网络技术。其中，状态分类模型中包含若干个输入节点、若干个中间节点和若干个输出节点；预设状态分类信息即是用于对监控项目是否正常进行状态分类的信息，预设状态分类信息中包含多个类别。例如，预设状态分类信息可包含三个类别：处理、缓冲、忽略。

在本实施例中，通过状态分类模型对监控项目的状态进行分类，以使用户能够对待监控服务器中某项监控项目是否正常进行准确判断，避免因判断不准确而导致对用户发出大量提示或者某一监控项目不正常而未对用户进行提示，以提高对服务器进行维护的效率。

在一实施例中，如图2所示，步骤s120包括子步骤s121、s122及s123。

s121、根据所述监控项目信息中所包含的监控项目构建状态分类模型的输入节点。

根据所述监控项目信息中所包含的监控项目构建状态分类模型的输入节点。具体的，输入节点的数量与监控项目信息中所包含监控项目的数量相等，每一个监控项目即对应一个输入节点，输出节点的值即是所获取得到的服务器监控信息中相应监控项目的数值。

例如，预设监控项目信息中包括两个监控项目：服务器平均负载、终端设备连接数，则在状态分类模型中构建两个输入节点，第一个输入节点的值为服务器平均负载的数值，第二个输入节点的值为终端设备连接数的数值。

s122、根据预设状态分类信息构建状态分类模型中的输出节点。

根据预设状态分类信息构建状态分类模型中的输出节点。具体的，输出节点的数量与预设状态分类信息中所包含类别的数量相等，每一个类别即对应一个输出节点，输出节点的值即是某一监控项目与相应类别之间的匹配概率，通过获取监控项目与多个类别之间的匹配概率，即可对监控项目进行分类以得到该监控项目的状态分类结果。

例如，预设状态分类信息可包含三个类别：处理、缓冲、忽略，则在状态分类模型中构建三个输出节点，第一个输出节点的值即是监控项目与“处理”这一类别之间的匹配概率，第二个输出节点的值即是监控项目与“缓冲”这一类别之间的匹配概率，第三个输出节点的值即是监控项目与“忽略”这一类别之间的匹配概率。

s123、根据预设中间节点的数量构建输入节点与中间节点之间的输入计算公式，以及输出节点与中间节点之间的输出计算公式以构建得到状态分类模型。

根据预设中间节点的数量构建输入节点与中间节点之间的输入计算公式，以及输出节点与中间节点之间的输出计算公式以构建得到状态分类模型。例如，预设中间节点的数量为100个，则所有输入节点均与100个中间节点相连接，也即是分别通过多个输入计算公式计算得到与多个输入节点相连接的100个中间节点的值，第一个输入计算公式可表示为c1＝w1×x1+b1，其中，c1为第一个中间节点的计算值，各输入计算公式中该参数值，x1为第一个输入节点的值，w1和b1为第一中间节点与第一个输入节点之间的输入计算公式中所预设的参数值，各输入计算公式中所预设的参数值存在差别，通过100个输入计算公式即可计算得到与第一个输入节点相连接的100个中间节点的值；100个中间节点分别与多个输出节点相连接，也即是通过多个输出计算公式计算得到与100个中间节点相连接的多个输出节点的值，其中第一个输出计算公式为f1＝a1×c1+a2×c2+……a100×c100+d1，其中，f1为第一个输出节点的值，cn为第n个中间节点的计算值，an为第一个输出计算公式中与第n中间节点对应的预设参数值，d1为第一输出计算公式中所预设的参数值。具体的，在对状态分类模型进行构建的过程中，输入计算公式及输出计算公式中所有参数值均为随机数值，不同输入计算公式中所预设的参数值存在差别。

s130、通过预设的监控项目训练参数对所述状态分类模型进行训练得到训练后的状态分类模型。

通过预设的监控项目训练参数对所述状态分类模型进行训练，即可得到训练后的状态分类模型。为提高状态分类模型的准确率，在对所构建的状态分类模型进行使用之前，需通过预设的监控项目训练参数对所述状态分类模型进行训练。其中，所述监控项目训练参数中包括参数调整规则、历史监控项目的数值及状态分类结果。根据参数调整规则结合历史监控项目的数值及状态分类结果对状态分类模型中输入计算公式及输出计算公式的参数值进行调整。

其中，参数调整规则即是用于对状态分类模型中输入计算公式及输出计算公式的参数值进行调整的规则信息。历史监控项目的数值即是该历史监控项目对服务器进行监控所得到的历史数值，历史监控项目的状态分类结果为用户根据监控得到的历史数值进行分类后所得到的分类结果。

在一实施例中，如图3所示，步骤s130包括子步骤s131、s132和s133。

s131、通过状态分类模型对所述监控项目训练参数中的历史监控项目数值进行计算以得到该历史监控项目与多个类别之间的匹配概率。

通过状态分类模型对所述监控项目训练参数中的历史监控项目的数值进行计算，即可得到该历史监控项目与多个类别之间的匹配概率。

例如，某一历史监控项目的数值为，服务器的平均负载为4.5，将该历史监控项目的数值输入状态分类模型中相应输入节点中，通过计算得到所有输出节点的值即是该历史监控项目与相应类别之间的匹配概率。

s132、通过所得到的历史监控项目与多个类别之间的匹配概率判断匹配概率最高的类别与该历史监控项目的状态分类结果是否相同。

通过所得到的历史监控项目与多个类别之间的匹配概率判断匹配概率最高的类别与该历史监控项目的状态分类结果是否相同。获取历史监控项目与多个类别之间的匹配概率，并判断匹配概率最高的类别是否与该历史监控项目的状态分类结果相同，若相同则不对状态分类模型中公式的参数值进行调整，若不相同则需要对状态分类模型中公式的参数值进行调整。

s133、若历史监控项目匹配概率最高的类别与该历史监控项目的状态分类结果不相同，根据监控项目训练参数中的参数调整规则对状态分类模型中公式的参数值进行调整。

若历史监控项目匹配概率最高的类别与该历史监控项目的状态分类结果不相同，根据监控项目训练参数中的参数调整规则对状态分类模型中公式的参数值进行调整。

在一实施例中，如图4所示，步骤s133包括子步骤s1331。

s1331、根据参数调整规则中的调整方向及调整幅度对状态分类模型中公式的参数值进行调整。

根据参数调整规则中的调整方向及调整幅度对状态分类模型中公式的参数值进行调整。具体的，参数调整规则中包括调整方向、调整幅度，调整方向即是用于对匹配概率计算模型中公式的参数值进行放大或缩小的方向信息，调整幅度即是用于对匹配概率计算模型中公式的参数值进行调整的幅度信息。

例如，某一历史监控项目匹配概率最高的类别与该历史监控项目的状态分类结果不相同，则需根据参数调整规则对状态分类模型中公式的参数值进行调整，参数调整规则中的调整方向为放大，调整幅度为3％，则根据参数调整规则对公式中的参数值进行放大调整，放大调整的幅度为3％，也即是将参数值乘以1.03以得到调整后新的参数值。

若历史监控项目匹配概率最高的类别与该历史监控项目的状态分类结果相同，则无需状态分类模型中公式的参数值进行调整。采用上述方法将多组历史监控项目的数值及状态分类结果输入状态分类模型，以对所构建得到的状态分类模型进行反复训练，即可得到训练后的状态分类模型。

s140、通过训练后的状态分类模型对所述服务器监控信息中的多个监控项目进行分类以得到每一个监控项目的状态分类结果。

通过训练后的状态分类模型对所述服务器监控信息中的多个监控项目进行分类，即可得到每一个监控项目的状态分类结果。具体的使用过程为，通过所训练后的状态分类模型计算该监控项目与所有类别之间的匹配概率，获取匹配概率最高的类别对该监控项目进行分类，也即是得到该监控项目的状态分类结果，通过上述方法依次对剩余监控项目进行分类，即可得到服务器监控信息中每一个监控项目的状态分类结果。

在一实施例中，如图5所示，步骤s140包括子步骤s141和s142。

s141、通过状态分类模型分别获取多个监控项目中每一监控项目与所有类别之间的匹配概率。

通过状态分类模型分别获取多个监控项目中每一监控项目与所有类别之间的匹配概率。对第一个监控项目进行分类，则将第一个监控项目的数值输入第一输入节点，通过所训练后的状态分类模型计算该监控项目与所有类别之间的匹配概率，通过采用上述方法依次将剩余监控项目的数值输入相应输入节点，即可得到服务器监控信息中多个监控项目中每一监控项目与所有类别之间的匹配概率。

s142、根据所得到的多个监控项目中每一监控项目与所有类别之间的匹配概率，获取每一个监控项目中匹配概率最高的类别作为相应监控项目的状态分类结果。

根据所得到的多个监控项目中每一监控项目与所有类别之间的匹配概率，获取每一个监控项目中匹配概率最高的类别作为相应监控项目的状态分类结果。根据所得到的多个监控项目中每一监控项目与所有类别之间的匹配概率，获取匹配概率最高的类别对监控项目进行分类，即可得到该监控项目的状态分类结果，依次采用上述方法即可得到服务器监控信息中每一个监控项目的状态分类结果。

例如，预设状态分类信息可包含三个类别：处理、缓冲、忽略，服务器的平均负载为4.5这一监控项目与三个类别之间的匹配概率分别为63％、25％、16％，则选择概率最高的“处理”这一类别作为该监控项目的状态分类结果。

s150、根据服务器监控信息中监控项目的状态分类结果发出监控提示信息。

根据服务器监控信息中监控项目的状态分类结果发出监控提示信息。根据服务器监控信息中每一个监控项目的状态分类结果，需对相应监控项目进行后续处理，也即是根据服务器监控信息的分类结果发出相应的监控提示信息，以提示用户对针对监控提示信息中相应的监控项目对服务器进行维护。

例如，预设状态分类信息可包含三个类别：处理、缓冲、忽略。“忽略”即是该类别中的监控项目无需发出监控提示信息，直接忽略即可；“处理”即是该类别中的监控项目需发出紧急的监控提示信息，用户需对所接收到的紧急的监控提示信息进行优先处理；缓冲即是该类别中的监控项目处于缓冲区，只需发出非紧急的监控提示信息以提示用户即可，在无紧急的监控提示信息时用户可对非紧急的监控提示信息进行处理。

通过构建状态分类模型并进行训练，以实现对待监控服务器中所有监控项目进行实时监控并获取每一监控项目的状态分类结果，根据所得到的状态分类结果向用户发送监控提示信息，避免在判断监控项目是否正常时存在偏差，从而能够更加准确地进行监控提示。

本发明实施例还提供一种监控提示装置，该监控提示装置用于执行前述监控提示方法的任一实施例。具体地，请参阅图6，图6是本发明实施例提供的监控提示装置的示意性框图。该监控提示装置100可以配置于用户终端中。

如图6所示，监控提示装置100包括监控信息获取单元110、分类模型构建单元120、模型训练单元130、状态分类结果获取单元140及提示信息发送单元150。

监控信息获取单元110，用于根据预设监控间隔时间及监控项目信息对待监控服务器进行周期性监控，以获取得到服务器监控信息。

根据预设监控间隔时间及监控项目信息对待监控服务器进行周期性监控，以获取得到服务器监控信息。其中，预设监控间隔时间即是用于周期性获取待监控服务器的服务器监控信息的时间信息，例如，若预设监控间隔时间为20秒，则以20秒为一个周期对待监控服务器进行周期性监控。预设监控项目信息中包含多个监控项目，对待监控服务器进行周期性监控时，即可在每隔预设监控间隔时间，通过多个监控项目获取该待监控服务器的监控项目值，也即是获取得到服务器监控信息。其中，待监控服务器即是企业中所需进行监控的企业终端。

具体的，预设监控项目信息包括服务器平均负载、终端设备连接数等。平均负载即是用于反映待监控服务器运行压力的参数值，其计算公式为平均负载x＝(a+b)/c；其中，a为服务器正在处理的进程数，b为等待服务器处理的进程数，c为cpu核数。

终端设备连接数即是该待监控服务器所连接的终端设备的数量，终端设备连接数越大则表明该待监控服务器所连接的终端设备较多，服务器的终端设备连接数应该受到限制，终端设备连接数过大会影响服务器的正常运行。

由于对待监控服务器进行待监的过程中，服务器平均负载、终端设备连接数等监控项目的阈值无法准确设定，因而通过设定阈值的方式结合所获取的监控项目的数值对待监控服务器是否正常运行进行判断会存在偏差，需采用其他方式对待监控服务器是否正常运行进行判断。

分类模型构建单元120，用于根据所述监控项目信息及预设状态分类信息构建得到状态分类模型。

根据所述监控项目信息及预设状态分类信息构建得到状态分类模型。状态分类模型即是用于对监控项目信息中所包含监控项目的状态进行分类的模型，状态分类模型基于神经网络技术。其中，状态分类模型中包含若干个输入节点、若干个中间节点和若干个输出节点；预设状态分类信息即是用于对监控项目是否正常进行状态分类的信息，预设状态分类信息中包含多个类别。

在本实施例中，通过状态分类模型对监控项目的状态进行分类，以使用户能够对待监控服务器中某项监控项目是否正常进行准确判断，避免因判断不准确而导致对用户发出大量提示或者某一监控项目不正常而未对用户进行提示，以提高对服务器进行维护的效率。

其他发明实施例中，如图7所示，所述分类模型构建单元120包括子单元：输入节点构建单元121、输出节点构建单元122和计算公式构建单元123。

输入节点构建单元121，用于根据所述监控项目信息中所包含的监控项目构建状态分类模型的输入节点。

根据所述监控项目信息中所包含的监控项目构建状态分类模型的输入节点。具体的，输入节点的数量与监控项目信息中所包含监控项目的数量相等，每一个监控项目即对应一个输入节点，输出节点的值即是所获取得到的服务器监控信息中相应监控项目的数值。

输出节点构建单元122，用于根据预设状态分类信息构建状态分类模型中的输出节点。

根据预设状态分类信息构建状态分类模型中的输出节点。具体的，输出节点的数量与预设状态分类信息中所包含类别的数量相等，每一个类别即对应一个输出节点，输出节点的值即是某一监控项目与相应类别之间的匹配概率，通过获取监控项目与多个类别之间的匹配概率，即可对监控项目进行分类以得到该监控项目的状态分类结果。

计算公式构建单元123，用于根据预设中间节点的数量构建输入节点与中间节点之间的输入计算公式，以及输出节点与中间节点之间的输出计算公式以构建得到状态分类模型。

根据预设中间节点的数量构建输入节点与中间节点之间的输入计算公式，以及输出节点与中间节点之间的输出计算公式以构建得到状态分类模型。例如，预设中间节点的数量为100个，则所有输入节点均与100个中间节点相连接，也即是分别通过多个输入计算公式计算得到与多个输入节点相连接的100个中间节点的值，第一个输入计算公式可表示为c1＝w1×x1+b1，其中，c1为第一个中间节点的计算值，各输入计算公式中该参数值，x1为第一个输入节点的值，w1和b1为第一中间节点与第一个输入节点之间的输入计算公式中所预设的参数值，各输入计算公式中所预设的参数值存在差别，通过100个输入计算公式即可计算得到与第一个输入节点相连接的100个中间节点的值；100个中间节点分别与多个输出节点相连接，也即是通过多个输出计算公式计算得到与100个中间节点相连接的多个输出节点的值，其中第一个输出计算公式为

f1＝a1×c1+a2×c2+……a100×c100+d1，其中，f1为第一个输出节点的值，cn为第n个中间节点的计算值，an为第一个输出计算公式中与第n中间节点对应的预设参数值，d1为第一输出计算公式中所预设的参数值。具体的，在对状态分类模型进行构建的过程中，输入计算公式及输出计算公式中所有参数值均为随机数值，不同输入计算公式中所预设的参数值存在差别。

模型训练单元130，用于通过预设的监控项目训练参数对所述状态分类模型进行训练得到训练后的状态分类模型。

通过预设的监控项目训练参数对所述状态分类模型进行训练，即可得到训练后的状态分类模型。为提高状态分类模型的准确率，在对所构建的状态分类模型进行使用之前，需通过预设的监控项目训练参数对所述状态分类模型进行训练。其中，所述监控项目训练参数中包括参数调整规则、历史监控项目的数值及状态分类结果。根据参数调整规则结合历史监控项目的数值及状态分类结果对状态分类模型中输入计算公式及输出计算公式的参数值进行调整。

其中，参数调整规则即是用于对状态分类模型中输入计算公式及输出计算公式的参数值进行调整的规则信息。历史监控项目的数值即是该历史监控项目对服务器进行监控所得到的历史数值，历史监控项目的状态分类结果为用户根据监控得到的历史数值进行分类后所得到的分类结果。

其他发明实施例中，如图8所示，所述模型训练单元130包括子单元：匹配概率计算单元131、判断单元132和参数值调整单元133。

匹配概率计算单元131，用于通过状态分类模型对所述监控项目训练参数中的历史监控项目数值进行计算以得到该历史监控项目与多个类别之间的匹配概率。

通过状态分类模型对所述监控项目训练参数中的历史监控项目的数值进行计算，即可得到该历史监控项目与多个类别之间的匹配概率。

判断单元132，用于通过所得到的历史监控项目与多个类别之间的匹配概率判断匹配概率最高的类别与该历史监控项目的状态分类结果是否相同。

通过所得到的历史监控项目与多个类别之间的匹配概率判断匹配概率最高的类别与该历史监控项目的状态分类结果是否相同。获取历史监控项目与多个类别之间的匹配概率，并判断匹配概率最高的类别是否与该历史监控项目的状态分类结果相同，若相同则不对状态分类模型中公式的参数值进行调整，若不相同则需要对状态分类模型中公式的参数值进行调整。

参数值调整单元133，用于若历史监控项目匹配概率最高的类别与该历史监控项目的状态分类结果不相同，根据监控项目训练参数中的参数调整规则对状态分类模型中公式的参数值进行调整。

若历史监控项目匹配概率最高的类别与该历史监控项目的状态分类结果不相同，根据监控项目训练参数中的参数调整规则对状态分类模型中公式的参数值进行调整。

其他发明实施例中，如图9所示，所述参数值调整单元133还包括子单元：参数值方向及幅度调整单元1331。

参数值方向及幅度调整单元1331，用于根据参数调整规则中的调整方向及调整幅度对状态分类模型中公式的参数值进行调整。

根据参数调整规则中的调整方向及调整幅度对状态分类模型中公式的参数值进行调整。具体的，参数调整规则中包括调整方向、调整幅度，调整方向即是用于对匹配概率计算模型中公式的参数值进行放大或缩小的方向信息，调整幅度即是用于对匹配概率计算模型中公式的参数值进行调整的幅度信息。

若历史监控项目匹配概率最高的类别与该历史监控项目的状态分类结果相同，则无需状态分类模型中公式的参数值进行调整。采用上述方法将多组历史监控项目的数值及状态分类结果输入状态分类模型，以对所构建得到的状态分类模型进行反复训练，即可得到训练后的状态分类模型。

状态分类结果获取单元140，用于通过训练后的状态分类模型对所述服务器监控信息中的多个监控项目进行分类以得到每一个监控项目的状态分类结果。

通过训练后的状态分类模型对所述服务器监控信息中的多个监控项目进行分类，即可得到每一个监控项目的状态分类结果。具体的使用过程为，通过所训练后的状态分类模型计算该监控项目与所有类别之间的匹配概率，获取匹配概率最高的类别对该监控项目进行分类，也即是得到该监控项目的状态分类结果，通过上述方法依次对剩余监控项目进行分类，即可得到服务器监控信息中每一个监控项目的状态分类结果。

其他发明实施例中，如图10所示，所述状态分类结果获取单元140包括子单元：匹配概率获取单元141和分类结果获取单元142。

匹配概率获取单元141，用于通过状态分类模型分别获取多个监控项目中每一监控项目与所有类别之间的匹配概率。

通过状态分类模型分别获取多个监控项目中每一监控项目与所有类别之间的匹配概率。对第一个监控项目进行分类，则将第一个监控项目的数值输入第一输入节点，通过所训练后的状态分类模型计算该监控项目与所有类别之间的匹配概率，通过采用上述方法依次将剩余监控项目的数值输入相应输入节点，即可得到服务器监控信息中多个监控项目中每一监控项目与所有类别之间的匹配概率。

分类结果获取单元142，用于根据所得到的多个监控项目中每一监控项目与所有类别之间的匹配概率，获取每一个监控项目中匹配概率最高的类别作为相应监控项目的状态分类结果。

根据所得到的多个监控项目中每一监控项目与所有类别之间的匹配概率，获取每一个监控项目中匹配概率最高的类别作为相应监控项目的状态分类结果。根据所得到的多个监控项目中每一监控项目与所有类别之间的匹配概率，获取匹配概率最高的类别对监控项目进行分类，即可得到该监控项目的状态分类结果，依次采用上述方法即可得到服务器监控信息中每一个监控项目的状态分类结果。

提示信息发送单元150，用于根据服务器监控信息中监控项目的状态分类结果发出监控提示信息。

根据服务器监控信息中监控项目的状态分类结果发出监控提示信息。根据服务器监控信息中每一个监控项目的状态分类结果，需对相应监控项目进行后续处理，也即是根据服务器监控信息的分类结果发出相应的监控提示信息，以提示用户对针对监控提示信息中相应的监控项目对服务器进行维护。

通过构建状态分类模型并进行训练，以实现对待监控服务器中所有监控项目进行实时监控并获取每一监控项目的状态分类结果，根据所得到的状态分类结果向用户发送监控提示信息，避免在判断监控项目是否正常时存在偏差，从而能够更加准确地进行监控提示。

上述监控提示装置可以实现为计算机程序的形式，该计算机程序可以在如图11所示的计算机设备上运行。

请参阅图11，图11是本发明实施例提供的计算机设备的示意性框图。

参阅图11，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行监控提示方法。

该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行监控提示方法。

该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图11中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下功能：根据预设监控间隔时间及监控项目信息对待监控服务器进行周期性监控，以获取得到服务器监控信息；根据所述监控项目信息及预设状态分类信息构建得到状态分类模型；通过预设的监控项目训练参数对所述状态分类模型进行训练得到训练后的状态分类模型；通过训练后的状态分类模型对所述服务器监控信息中的多个监控项目进行分类以得到每一个监控项目的状态分类结果；根据服务器监控信息中监控项目的状态分类结果发出监控提示信息。

在一实施例中，处理器502在执行根据所述监控项目信息及预设状态分类信息构建得到状态分类模型的步骤时，执行如下操作：根据所述监控项目信息中所包含的监控项目构建状态分类模型的输入节点；根据预设状态分类信息构建状态分类模型中的输出节点；根据预设中间节点的数量构建输入节点与中间节点之间的输入计算公式，以及输出节点与中间节点之间的输出计算公式以构建得到状态分类模型。

在一实施例中，处理器502在执行通过预设的监控项目训练参数对所述状态分类模型进行训练得到训练后的状态分类模型的步骤时，执行如下操作：通过状态分类模型对所述监控项目训练参数中的历史监控项目数值进行计算以得到该历史监控项目与多个类别之间的匹配概率；通过所得到的历史监控项目与多个类别之间的匹配概率判断匹配概率最高的类别与该历史监控项目的状态分类结果是否相同；若历史监控项目匹配概率最高的类别与该历史监控项目的状态分类结果不相同，根据监控项目训练参数中的参数调整规则对状态分类模型中公式的参数值进行调整。

在一实施例中，处理器502在执行若历史监控项目匹配概率最高的类别与该历史监控项目的状态分类结果不相同，根据监控项目训练参数中的参数调整规则对状态分类模型中公式的参数值进行调整的步骤时，执行如下操作：根据参数调整规则中的调整方向及调整幅度对状态分类模型中公式的参数值进行调整。

在一实施例中，处理器502在执行通过训练后的状态分类模型对所述服务器监控信息中的多个监控项目进行分类以得到每一个监控项目的状态分类结果的步骤时，执行如下操作：通过状态分类模型分别获取多个监控项目中每一监控项目与所有类别之间的匹配概率；根据所得到的多个监控项目中每一监控项目与所有类别之间的匹配概率，获取每一个监控项目中匹配概率最高的类别作为相应监控项目的状态分类结果。

本领域技术人员可以理解，图11中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图11所示实施例一致，在此不再赘述。

应当理解，在本发明实施例中，处理器502可以是中央处理单元(centralprocessingunit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现以下步骤：根据预设监控间隔时间及监控项目信息对待监控服务器进行周期性监控，以获取得到服务器监控信息；根据所述监控项目信息及预设状态分类信息构建得到状态分类模型；通过预设的监控项目训练参数对所述状态分类模型进行训练得到训练后的状态分类模型；通过训练后的状态分类模型对所述服务器监控信息中的多个监控项目进行分类以得到每一个监控项目的状态分类结果；根据服务器监控信息中监控项目的状态分类结果发出监控提示信息。

在一实施例中，所述根据所述监控项目信息及预设状态分类信息构建得到状态分类模型，包括：根据所述监控项目信息中所包含的监控项目构建状态分类模型的输入节点；根据预设状态分类信息构建状态分类模型中的输出节点；根据预设中间节点的数量构建输入节点与中间节点之间的输入计算公式，以及输出节点与中间节点之间的输出计算公式以构建得到状态分类模型。

在一实施例中，所述通过预设的监控项目训练参数对所述状态分类模型进行训练得到训练后的状态分类模型的步骤，包括：通过状态分类模型对所述监控项目训练参数中的历史监控项目数值进行计算以得到该历史监控项目与多个类别之间的匹配概率；通过所得到的历史监控项目与多个类别之间的匹配概率判断匹配概率最高的类别与该历史监控项目的状态分类结果是否相同；若历史监控项目匹配概率最高的类别与该历史监控项目的状态分类结果不相同，根据监控项目训练参数中的参数调整规则对状态分类模型中公式的参数值进行调整。

在一实施例中，所述若历史监控项目匹配概率最高的类别与该历史监控项目的状态分类结果不相同，根据监控项目训练参数中的参数调整规则对状态分类模型中公式的参数值进行调整的步骤，包括：根据参数调整规则中的调整方向及调整幅度对状态分类模型中公式的参数值进行调整。

在一实施例中，所述通过训练后的状态分类模型对所述服务器监控信息中的多个监控项目进行分类以得到每一个监控项目的状态分类结果的步骤，包括：通过状态分类模型分别获取多个监控项目中每一监控项目与所有类别之间的匹配概率；根据所得到的多个监控项目中每一监控项目与所有类别之间的匹配概率，获取每一个监控项目中匹配概率最高的类别作为相应监控项目的状态分类结果。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、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。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，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，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，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。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

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发明实施例方案的目的。

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，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元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，或者该技术方案的全部或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计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。