本申请涉及数据管理,且更为具体地,涉及一种数据中心的智能运维管理方法及系统。
背景技术:
1、数据中心是现代信息技术的核心基础设施之一,它承载着大量的计算、存储和网络资源,支持各种应用和服务的运行。由于数据中心的规模庞大且复杂,其中的运维管理面临着许多挑战。
2、异常流量是数据中心中常见的问题之一。出现流量异常情况而不及时处理可能会导致网络拥塞、性能下降甚至系统崩溃。因此,期待一种优化的数据中心的运维管理方案,以能够及时发现流量的异常情况。
技术实现思路
1、为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种数据中心的智能运维管理方法及系统。其可以检测数据中心中的异常流量情况,便于运维人员及时采取相应的措施。
2、根据本申请的一个方面,提供了一种数据中心的智能运维管理方法,其包括:
3、获取数据中心在预定时间段内多个预定时间点的流量数据,其中,所述流量数据包括入口流量、出口流量、总流量、带宽利用率和流量速率;
4、将所述数据中心在预定时间段内多个预定时间点的流量数据进行数据预处理以得到流量编码向量的序列;
5、对所述流量编码向量的序列进行时序分析以得到多尺度流量时序关联特征向量;
6、以及基于所述多尺度流量时序关联特征向量,确定是否出现异常。
7、根据本申请的另一个方面,提供了一种数据中心的智能运维管理系统,其包括:
8、流量数据获取模块,用于获取数据中心在预定时间段内多个预定时间点的流量数据,其中,所述流量数据包括入口流量、出口流量、总流量、带宽利用率和流量速率;
9、数据预处理模块,用于将所述数据中心在预定时间段内多个预定时间点的流量数据进行数据预处理以得到流量编码向量的序列;
10、时序分析模块,用于对所述流量编码向量的序列进行时序分析以得到多尺度流量时序关联特征向量;
11、以及异常分析模块,用于基于所述多尺度流量时序关联特征向量,确定是否出现异常。
12、与现有技术相比,本申请提供的数据中心的智能运维管理方法及系统,其首先获取数据中心在预定时间段内多个预定时间点的流量数据,其中,所述流量数据包括入口流量、出口流量、总流量、带宽利用率和流量速率,接着,将所述数据中心在预定时间段内多个预定时间点的流量数据进行数据预处理以得到流量编码向量的序列,然后,对所述流量编码向量的序列进行时序分析以得到多尺度流量时序关联特征向量,最后,基于所述多尺度流量时序关联特征向量,确定是否出现异常。这样,可以检测数据中心中的异常流量情况,便于运维人员及时采取相应的措施。
1.一种数据中心的智能运维管理方法,其特征在于,包括:
2.根据权利要求1所述的数据中心的智能运维管理方法,其特征在于,对所述流量编码向量的序列进行时序分析以得到多尺度流量时序关联特征向量,包括:
3.根据权利要求2所述的数据中心的智能运维管理方法,其特征在于,提取所述流量编码向量的序列的中距离依赖时序关联特征以得到中距离流量时序关联特征向量,包括:
4.根据权利要求3所述的数据中心的智能运维管理方法,其特征在于,提取所述流量编码向量的序列的长距离依赖时序关联特征以得到长距离流量时序关联特征向量,包括:
5.根据权利要求4所述的数据中心的智能运维管理方法,其特征在于,融合所述中距离流量时序关联特征向量和所述长距离流量时序关联特征向量以得到所述多尺度流量时序关联特征向量,包括:
6.根据权利要求5所述的数据中心的智能运维管理方法,其特征在于,基于所述多尺度流量时序关联特征向量,确定是否出现异常,包括:
7.根据权利要求6所述的数据中心的智能运维管理方法,其特征在于,还包括训练步骤:对所述基于长短期记忆神经网络模型的中距离依赖流量时序关联特征提取器、所述基于转换器的长距离依赖流量时序关联特征提取器、所述特征间注意力层和所述分类器进行训练;
8.根据权利要求7所述的数据中心的智能运维管理方法,其特征在于,对所述训练多尺度流量时序关联特征向量进行特征分布优化以得到优化多尺度流量时序关联特征向量,包括:
9.一种数据中心的智能运维管理系统,其特征在于,包括:
10.根据权利要求9所述的数据中心的智能运维管理系统,其特征在于,所述时序分析模块,包括: