[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

说明书

本申请提供一种服务器部件故障的预测方法、相关装置及计算机存储介质，该方法包括：首先，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；然后，对所述采集数据进行格式化处理，得到格式化的温度数据；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；之后，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；最后，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。从而可以通过部件温度的变化对故障进行预测，提前发现有安全隐患的部件，提前关注或者更换，避免服务器的异常宕机。

技术领域

本申请涉及计算机技术领域，特别涉及一种服务器部件故障的预测方法、相关装置及计算机存储介质。

背景技术

随着数据中心的规模不断扩大，金融系统对数据中心服务器的安全稳定运行的要求越来越高，服务器的可用性受到普遍的关注，然而硬件故障一直以来都是普遍存在的现象，经常由于硬件故障造成服务器宕机，更严重的可能会带来业务影响。

发明内容

有鉴于此，本申请提供一种服务器部件故障的预测方法、相关装置及计算机存储介质，可以通过部件温度的变化对故障进行预测，提前发现有安全隐患的部件，提前关注或者更换，从而避免服务器的异常宕机。

本申请第一方面提供了一种服务器部件故障的预测方法，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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：