[发明专利]一种基于WN-Spline基线域算法的数据中心自驱排障方法及系统

说明书

本发明公开一种基于WN‑Spline基线域算法的数据中心自驱排障方法及系统，所述方法包括：建立数据中心场景下时序监控数据统一指标库，并进行数据清洗，建立数据仓库；采用WN‑Spline基线域算法建立时间序列模型，基于数据仓库预测指定时间窗口下统一指标库中各监控指标的基线域；基于指定时间窗口下统一指标库中各监控指标的基线域判断监控指标是否存在异常，通过自驱排障机制进行故障自愈。本发明基于海量历史监控数据采用WN‑Spline基线域算法动态生成非线性监控指标基线域，进行异常判断和预测，可灵活适应不同的应用场景，实时性高，并可通过流量切换和故障转移实现故障自动排除。

技术领域

本发明属于计算机智能运维领域，具体涉及一种基于WN-Spline基线域算法的数据中心自驱排障方法及系统。

背景技术

近年来，随着机器学习和云计算等相关技术的高速发展，云计算资源、数据中心的有效管理和运维成为了亟待解决的重要问题，面对细颗粒度、多维度的计算和存储资源需要消耗较高的传统运维平台和团队人力资源，且无法在短时间内及时有效地排查故障与问题修复。现阶段，在高校或互联网企业计算机数据中心通常运行着上万台数据节点、计算节点、传感器、终端等，每时每刻都源源不断产生着相关监控数据，如何清洗数据中心监控数据并建立数据中心场景下的监控指标库，结合相关机器学习算法对监控指标进行走势预测和异常检测，并融入计算设备的自驱排障技术，从而有效挖掘基于时间序列的监控数据信息成为了数据中心智能运维的重要课题。

高校或互联网企业数据中心通常运行着上万台数据节点、计算节点、传感器、终端等，在特殊领域如国家电网环境中还包含雷电定位等特殊传感器，实时产生着复杂维度的监控数据，如环境温度、湿度等环境信息；CPU频率、CPU占用率、CPU温度、内存使用率、磁盘I/O、磁盘使用量等计算和存储节点信息；SuperVisor、Redis、Nginx等中间件节点信息等，横跨温度、比率、数值等多种数据格式，纵跨计算机硬件、架设环境、服务与各类软件中间件等各个层面，数据源和数据格式十分复杂。目前相关领域的研究中，没有完整的针对数据中心场景下统一的监控数据指标库，数据中心相关监控维度和层级梳理不够清晰，相关时序监控数据维度较为杂乱，迫切需要梳理和构建数据中心场景下时序监控数据统一指标库，用以指导相关时序监控数据的清洗和分析工作。

数据中心各类设备实时产生相关时序监控数据。在传统运维分析平台中，通常通过经验和专家制定时序监控数据的走势基线，从而对时序监控数据进行对比和挖掘可能出现的异常信息。基于相关领域的经验或由专家制定监控基线往往是固定的、不够灵活的，不能满足云计算弹性环境下自适应的计算和存储资源变化，如计算和存储资源变更需要重新人工标定监控基线。同时，人工定制基线需要消耗很大的人力成本，需要调研和结合相关实际制定不同环境不同类型设备的监控基线。如何在公有云、私有云和混合云计算环境下自动设置数据中心监控数据基线，减少经验和专家制定监控基线的人力成本也同样成为数据中心智能运维迫切需要解决的问题。

发明内容

有鉴于此，本发明提出了一种基于WN-Spline基线域算法的数据中心自驱排障方法及系统，用于解决混合云计算环境下数据中心监控数据基线设置不够灵活的问题。

本发明第一方面，公开一种基于WN-Spline基线域算法的数据中心自驱排障方法，所述方法包括：

建立数据中心场景下时序监控数据统一指标库，并进行数据清洗，建立数据仓库；

采用WN-Spline基线域算法建立时间序列模型，基于数据仓库预测指定时间窗口下统一指标库中各监控指标的基线域；

基于指定时间窗口下统一指标库中各监控指标的基线域判断监控指标是否存在异常，通过自驱排障机制进行故障自愈。

优选的，所述依据数据中心历史数据建立数据中心场景下时序监控数据统一指标库具体包括：