[发明专利]一种检测ML备节点状态的预警方法及系统

说明书

本发明提供一种检测ML备节点状态的预警方法及系统，方法包括如下步骤：S1.收集集群中各节点的物理信息及节点状态，结合随机森林分类算法生成随机森林分类模型；S2.通过数据库检索获取到集群中的备节点，收集各备节点物理信息及实际节点状态；S3.将各备节点的物理信息输入随机森林分类模型，得到各备节点的预测节点状态；S4.比较各备节点的预测节点状态和实际节点状态，对备节点进行预警。本发明实现对ML高可用的备节点的提前预警，从而保证备节点时刻处于可用状态，以此来提高主备切换的的成功率，从而保证用户使用ML的安全可靠性。

技术领域

本发明属于软件测试技术领域，具体涉及一种检测ML备节点状态的预警方法及系统。

背景技术

ML，是Machine Learning的简称，及其学习。

ML(Machine Learning)是大数据云平台的配套功能，使用内存计算和迭代计算的大数据学习，大幅提升海量数据的挖掘、分析能力。传统的统计或机器学习多依赖于数据抽样并只能在单机上执行，导致难以精准反映全集特征。

现有技术有提供集群模式进行ML的安装的方案，采用主备模式，在主节点宕机时，启动备节点接替业务，但是备节点的状态无法预知的情况情况下，整个集群的ML功能无法得到保障。

此为现有技术的不足，因此，针对现有技术中的上述缺陷，提供一种检测ML备节点状态的预警方法及系统，是非常有必要的。

发明内容

针对现有技术的上述现有技术有提供集群模式进行ML的安装，采用主备模式，备节点的状态无法预知的情况下，整个集群的ML功能无法得到保障的缺陷，本发明提供一种检测ML备节点状态的预警方法及系统，以解决上述技术问题。

第一方面，本发明提供一种检测ML备节点状态的预警方法，包括如下步骤：

S1.收集集群中各节点的物理信息及节点状态，结合随机森林分类算法生成随机森林分类模型；

S2.通过数据库检索获取到集群中的备节点，收集各备节点物理信息及实际节点状态；

S3.将各备节点的物理信息输入随机森林分类模型，得到各备节点的预测节点状态；

S4.比较各备节点的预测节点状态和实际节点状态，对备节点进行预警。

进一步地，节点的物理信息包括节点的CPU，磁盘，内存及网络信息；

节点状态包括错误、良好以及不确定。

进一步地，步骤S1具体步骤如下：

S11.收集集群中已有节点的CPU，磁盘，内存及网络信息；

S12.将已有节点的CPU，磁盘，内存及网络信息作为模型输入列；

S13.将已有节点的节点状态作为模型预测列；

S14.根据模型输入列、模型预测列以及随机森林分类算法生成随机森林分类模型A。

进一步地，步骤S2具体步骤如下：

S21.登录集群数据库，在数据库中检索ML节点角色为备用的实例节点；

S22.登录ML节点角色为备用的实例节点，并获取其的物理信息，记录为record1；

S23.登录数据库查看ML节点角色为备用的实例节点的节点实际状态n1。

进一步地，步骤S3具体步骤如下：

S31.获取ML节点角色为备用的实例节点的物理信息record1；

S32.获取步骤S1中生成的随机森林分类模型A；