[发明专利]一种基于混合模型的动态感知性能预告警方法

说明书

本发明涉及一种基于混合模型的动态感知性能预告警方法，包括：（1）采集业务系统的性能指标数据；（2）将采集到的性能指标数据进行数据清洗并存储；（3）将处理过的性能指标数据传入混合模型，获得未来时刻的预测值；（4）若预测值在告警门限内则表示该预测值在正常范围内，否则发出性能预告警信息。本发明所述的基于混合模型的动态感知性能预告警方法，既能提取序列数据的线性趋势，又能捕捉序列数据的非线性规律，相比于单一模型，所提混合模型的拟合性更优，精度更高，进一步提高业务系统预测精度，实现了对业务系统性能状态的动态感知，从而提前发现并解决业务系统潜在的性能问题。

技术领域

本发明涉及业务系统预测技术领域，具体涉及一种基于混合模型的动态感知性能预告警方法。

背景技术

随着网络技术迅速发展，网络数据量与日俱增，人们越来越依赖于处理复杂业务数据的各种业务系统。由于业务数据量和数据复杂度不断增加，业务系统的性能告警率也在不断上升，甚至出现系统故障或雪崩现象。传统的解决方法是当发生业务系统性能告警时，运维人员依据告警所提供的异常指标信息人工定位故障根因位置，解决根源问题从而解除告警。相对自动化的方法则是依据某种算法或预定规则进行自动化故障根因定位，如由专家知识库和故障决策树算法组成的自动化故障定位模型。当业务系统发生性能告警时，无论是人工定位故障根因位置还是采用自动化方法，都属于事后方案，会耗费大量时间在查找问题和解决问题上。然而现在大多业务系统都要求系统具有较高的稳定性，即不间断高效运行，如电商业和银行业。为实现这一目标，如何提前预测业务系统的性能状态实现提前感知性能瓶颈已成为热点研究问题。

对业务系统的性能状态进行预测，一般采用对业务系统的历史指标数据进行分析，拟合其变化规律并表示成函数，再通过该函数来预测指标数据的未来值，从而达到提前预知的目的。经典的时间序列预测算法包括自回归模型(AR)、移动平均模型(MA)以及由两者组合的差分自回归移动平均模型(ARIMA)。ARIMA模型简单高效，但其只能捕捉时间序列数据中的线性关系。为进一步提高精度，可捕捉非线性关系的神经网络模型被广泛应用于预测领域，如反向传播神经网络模型(BP)、循环神经网络模型(RNN)等。

发明内容

本发明的目的在于提供一种基于混合模型的动态感知性能预告警方法，提高业务系统预测精度,实现对业务系统性能状态的动态感知，从而提前发现并解决业务系统潜在的性能问题。

为实现上述目的，本发明采用了以下技术方案：

一种基于混合模型的动态感知性能预告警方法，包括如下步骤：

(1)采集业务系统的性能指标数据，所述采集业务系统的性能指标数据包括基础资源数据、网络性能数据及应用性能数据；

(2)将采集到的性能指标数据进行数据清洗并存储；

(3)将处理过的性能指标数据传入混合模型，获得未来时刻的预测值；

(4)若预测值在告警门限内则表示该预测值在正常范围内，否则发出性能预告警信息。

上述方案中，步骤(1)中，通过客户端采集业务系统采集性能指标数据，即通过在各服务组件中部署Agent和探针的方式来实时采集和传输性能指标数据。

步骤(2)中，所述将采集到的性能指标数据进行数据清洗包括对采集到的性能指标数据进行补缺处理、数据脱敏处理及统一格式化处理；所述数据脱敏方法包括替代、混洗、数值变换和加密方法。

步骤(3)中，所述混合模型采用ARIMA-LSTM混合模型，具体建模方法如下：

(31)将历史序列数据通过ARIMA模型对数据进行建模；

(32)利用ARIMA模型获取序列数据中线性成分的预测值；

(33)利用LSTM模型对ARIMA模型中的残差进行建模，获取序列数据中非线性成分的预测值；