[发明专利]一种两阶段云服务器无监督异常预测方法

说明书

本发明公开了一种两阶段云服务器无监督异常预测方法，用于解决云服务器环境的异常预测问题。所述方法包括含预测阶段和异常检测阶段，预测阶段根据预处理后的历史云服务器关键性能指标数据训练多对多的时间序列预测模型，并使用该模型预测未来时刻的云服务器KPIs数据；异常检测阶段根据预处理后的历史云服务器KPIs数据训练多变量异常检测模型，并使用该模型对预测得到的未来时刻的KPIs数据进行异常检测，得到未来时刻数据点的异常概率，最后设定异常概率阈值，大于阈值的被认为是异常数据点，反之则是正常数据点，得到异常预测的结果。本发明具有不依赖于标签数据、适用性更广、性能优的优点。

技术领域

本发明属于计算机应用技术领域，尤其涉及一种两阶段云服务器无监督异常预测方法。

背景技术

云服务器(Elastic Compute Service,ECS)是一种简单高效、安全可靠、处理能力可弹性伸缩的计算服务，其使得开发者不再需要单独购买硬件，只需将服务托管在云服务器上即可。虽然云服务器托管服务具有非常广阔的前景，但对于云服务器提供商而言，仍旧面临着诸多挑战，而其中云服务器的可用性排在前列。软硬件故障或者由于操作失误可能直接导致云服务器宕机，进而导致用户遭受损失。因此，如何对云服务器进行有效监控，并进行有效的异常预测成为了重要的研究问题。

云服务器自身的监控数据和所托管的服务产生的监控数据组成了数量庞大、监控指标类别繁多的监控数据集合。传统的完全依赖运维人员进行观测的监控手段变得不切实际，进而衍生出以监控工具辅助运维人员进行监控的手段，通过筛选出云服务器的关键性能指标(Key Performance Indicators，KPIs)数据，总结出一些规则，设定相应的阈值，通过比较同比或环比数据，超过阈值则认为是存在异常。然而，这些方法不具备普适性，仍旧强依赖于运维人员，因其逻辑简单往往难以运用到复杂的业务场景，而且这些方法往往只具备监控能力而不具备预测能力，无法提前预测出异常并警示运维人员。近年来，智能运维成为了推动云服务器运维发展的重要手段，通过人工智能算法对云服务器的历史KPIs数据进行分析，挖掘其特征，自动识别异常类型，并通过预测算法预测未来的KPIs数据并进行诊断，发现未来时刻的异常，在异常发生之前告警，提前修复以避免云服务器故障。

目前研究学者已经提出了众多异常预测方法，文献“异常预测方法、异常预测系统及异常预测装置(CN106330852B)”提出根据系统命令记录并构建相应的预测规则来进行异常预测，该方法不适用于系统状态复杂的云环境场景，云环境场景系统层和应用层的命令众多，难以从该层面对云服务器进行异常预测。文献“一种用于驱动系统的异常预测的方法及设备(CN110426634A)”提出根据系统当前响应参数和历史状态构建系统的状态分布图，并量化系统区域的异常风险，从而预测系统异常，然而，云服务器KPIs数据之间存在复杂的依赖关系，且具有不平衡和无标签的特征，该方法在构建状态分布图时尤为困难，导致异常预测模型难以构建。因此，如何构造适合云服务器异常预测的方法仍旧云服务器智能运维的一项挑战。

发明内容

本发明的目的在于克服上述现有技术的不足，提供一种两阶段云服务器异常预测方法，用于根据历史的KPIs数据预测未来的KPIs数据，并对未来的KPIs数据进行检测，从而实现异常预测，在异常发生之前告警，提前修复以避免云服务器故障。

本发明的目的至少通过如下技术方案之一实现。

一种两阶段云服务器无监督异常预测方法，包括以下步骤：

S1、对收集到的云服务器历史KPIs数据进行缺失值处理、数据格式化和数据归一化处理；

S2、根据预处理后的云服务器历史KPIs时间序列数据训练多对多的时间序列预测模型和多变量异常检测模型；

S3、使用训练好的多对多的时间序列预测模型预测未来时刻的云服务器KPIs数据；