[发明专利]服务器部件故障的预测方法、相关装置及计算机存储介质

权利要求书

1.一种服务器部件故障的预测方法，其特征在于，包括：

按照预先设定的采集频率对服务器的部件温度进行采集，得到采集数据；

对所述采集数据进行格式化处理，得到格式化的温度数据；其中，所述格式化的温度数据包括：至少一个部件的部件名称以及所述部件的温度值；

若为单台服务器设备，获取预设时间内的格式化的温度数据；

根据实际确定时间周期为一天进行时间序列分解，得到温度变化趋势；

将所述温度变化趋势输入至判别模型中，得到判别结果；其中，所述判别结果分为平稳震荡、剧烈上升和剧烈下降；所述判别模型由训练样本数据对机器学习模型进行训练得到；所述训练样本数据包括：历史温度变化趋势以及历史温度变化趋势下对应的真实结果。

2.根据权利要求1所述的服务器部件故障的预测方法，其特征在于，所述对所述采集数据进行格式化处理，得到格式化的温度数据之后，还包括：

若所述采集数据中存在缺失值，则判断所述缺失值的前后是否有值；

若判断出所述缺失值的前后有值，则优先采用前值补充。

3.根据权利要求1所述的服务器部件故障的预测方法，其特征在于，所述判别模型的构建方法，包括：

构建训练样本集；其中，所述训练样本集包括至少一个训练样本数据；所述所述训练样本数据包括：历史温度变化趋势以及历史温度变化趋势下对应的真实结果；

将所述历史温度变化趋势输入至机器学习模型，输出得到所述历史温度变化趋势对应的预测结果；

根据所述历史温度变化趋势对应的预测结果与所述历史温度变化趋势下对应的真实结果之间的误差对所述机器学习模型的参数进行调整，直至所述历史温度变化趋势对应的预测结果与所述历史温度变化趋势下对应的真实结果之间的误差满足预设的收敛条件。

4.根据权利要求1所述的服务器部件故障的预测方法，其特征在于，所述对所述采集数据进行格式化处理，得到格式化的温度数据之后，还包括：

若所述服务器还属于某一集群，则获取所述集群内与所述服务器同一型号的服务器的所有部件的时序特征；其中，所述时序特征至少包括所述部件在预设时间的均值和标准差；

将与所述服务器同一型号的服务器的时序特征与集群的时序特征进行绝对阈值对比得到温度分析结果。

5.根据权利要求1所述的服务器部件故障的预测方法，其特征在于，所述将所述温度变化趋势输入至判别模型中，得到判别结果之后，还包括：

若输出了多个判别结果，则对所有所述判别结果进行统计，得到统计结果。

6.根据权利要求5所述的服务器部件故障的预测方法，其特征在于，所述若输出了多个判别结果，则对所有所述判别结果进行统计，得到统计结果之后，还包括：

若所述统计结果为剧烈上升或者剧烈下降为大多数，则将所述单台服务器设备记录到异常结果列表。

7.根据权利要求4所述的服务器部件故障的预测方法，其特征在于，所述将与所述服务器同一型号的服务器的时序特征与集群的时序特征进行绝对阈值对比得到温度分析结果之后，还包括：

将所述温度分析结果为异常的部件记录到异常结果列表。

8.一种服务器部件故障的预测装置，其特征在于，包括：

温度采集单元，用于按照预先设定的采集频率对服务器的部件温度进行采集，得到采集数据；

格式化处理单元，用于对所述采集数据进行格式化处理，得到格式化的温度数据；其中，所述格式化的温度数据包括：至少一个部件的部件名称以及所述部件的温度值；

获取单元，用于若为单台服务器设备，获取预设时间内的格式化的温度数据；

时间序列分解单元，用于根据实际确定时间周期为一天进行时间序列分解，得到温度变化趋势；

第一输入单元，用于将所述温度变化趋势输入至判别模型中，得到判别结果；其中，所述判别结果分为平稳震荡、剧烈上升和剧烈下降；所述判别模型由训练样本数据对机器学习模型进行训练得到；所述训练样本数据包括：历史温度变化趋势以及历史温度变化趋势下对应的真实结果。