本發(fā)明涉及服務(wù)器端安全應(yīng)用領(lǐng)域。更具體地，本發(fā)明提供了一種基于D-S證據(jù)理論的服務(wù)器負(fù)載狀態(tài)評估分析方法和系統(tǒng)。
背景技術(shù)：
：隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，企業(yè)開始更多地使用互聯(lián)網(wǎng)來交付其關(guān)鍵業(yè)務(wù)應(yīng)用，企業(yè)生產(chǎn)力的保證越來越多的依賴于企業(yè)IT架構(gòu)的高可靠運(yùn)行，尤其是企業(yè)數(shù)據(jù)中心關(guān)鍵業(yè)務(wù)應(yīng)用的高可用性，所以企業(yè)越來越關(guān)注如何在最大節(jié)省IT成本的情況下維持關(guān)鍵應(yīng)用的7×24小時(shí)工作，保證業(yè)務(wù)的連續(xù)性和用戶的滿意度。而對于企業(yè)而言，其業(yè)務(wù)的完整快速的交付，其關(guān)鍵在于如何在用戶和應(yīng)用之間建立快速的訪問通道，為用戶提供優(yōu)質(zhì)的服務(wù)。眾所周知，訪問用戶數(shù)量的增加，會給單位的服務(wù)器和鏈路帶來越來越大的壓力，如何有效的保證客戶訪問速度，實(shí)現(xiàn)訪問流量在各鏈路和服務(wù)器上均衡分配，以及如何充分利用各鏈路和服務(wù)器資源，是目前企業(yè)網(wǎng)絡(luò)改造的重要目標(biāo)。隨著企業(yè)信息化建設(shè)不斷地深化，信息化發(fā)展已具備相當(dāng)?shù)囊?guī)模。信息化水平的持續(xù)提升對企業(yè)的精益化管理、精細(xì)化運(yùn)營、全方位監(jiān)測分析等工作將產(chǎn)生極大的促進(jìn)作用。而信息化運(yùn)維工作作為企業(yè)重要的基礎(chǔ)性工作，在保障企業(yè)信息化持續(xù)發(fā)展的過程中將發(fā)揮至關(guān)重要的作用。大規(guī)模的網(wǎng)絡(luò)訪問數(shù)據(jù)為網(wǎng)絡(luò)服務(wù)異常檢測分析提供了數(shù)據(jù)基礎(chǔ)，但是通過傳統(tǒng)的數(shù)據(jù)倉庫應(yīng)用對這些海量數(shù)據(jù)進(jìn)行分析，很難滿足實(shí)際工作的需要。因此需要借助大數(shù)據(jù)技術(shù)，對海量數(shù)據(jù)進(jìn)行實(shí)時(shí)采集并進(jìn)行分析處理，發(fā)現(xiàn)數(shù)據(jù)中存在的關(guān)聯(lián)關(guān)系和異常行為，進(jìn)而保障信息網(wǎng)絡(luò)和系統(tǒng)能夠持續(xù)地對外提供正常服務(wù)。技術(shù)實(shí)現(xiàn)要素：針對上述現(xiàn)有技術(shù)中存在的問題，本發(fā)明的目的在于提出一種基于D-S證據(jù)理論的服務(wù)器負(fù)載狀態(tài)評估分析方法和系統(tǒng)。本發(fā)明利用D-S證據(jù)理論合成方法對服務(wù)器狀態(tài)值(包括CPU、內(nèi)存、磁盤、網(wǎng)絡(luò)并發(fā)數(shù)、服務(wù)器連接數(shù)、網(wǎng)絡(luò)流量)進(jìn)行數(shù)據(jù)融合分析，通過證據(jù)的積累逐步縮小假設(shè)集，計(jì)算多個證據(jù)對假設(shè)的綜合影響，即多個證據(jù)作用下假設(shè)成立的綜合信任程度。在實(shí)際大數(shù)據(jù)分析項(xiàng)目中，該方法得到了可靠的結(jié)果，能有效地評估服務(wù)器的負(fù)載狀態(tài)。為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案如下：本發(fā)明提供一種基于D-S證據(jù)理論的服務(wù)器負(fù)載狀態(tài)評估分析方法和系統(tǒng)，通過采集服務(wù)器的狀態(tài)值，得到服務(wù)器的CPU、內(nèi)存和磁盤的使用率，以及網(wǎng)絡(luò)并發(fā)數(shù)、服務(wù)器連接數(shù)和網(wǎng)絡(luò)流量等多維度特征信息，進(jìn)而分析服務(wù)器的負(fù)載狀態(tài)，為優(yōu)化硬件資源配置提供技術(shù)性支撐。根據(jù)本發(fā)明，一種基于D-S證據(jù)理論的服務(wù)器負(fù)載狀態(tài)評估分析方法，包含以下步驟：步驟一：采集服務(wù)器的狀態(tài)值；步驟二：標(biāo)準(zhǔn)化服務(wù)器的狀態(tài)值；步驟三：利用D-S證據(jù)理論合成方法，對服務(wù)器的狀態(tài)值進(jìn)行數(shù)據(jù)融合分析；步驟四：計(jì)算服務(wù)器的負(fù)載評分進(jìn)而評估服務(wù)器的負(fù)載狀態(tài)。根據(jù)本發(fā)明的一個方面，服務(wù)器的狀態(tài)值包括CPU使用率、磁盤使用率、內(nèi)存使用率、網(wǎng)絡(luò)并發(fā)數(shù)、服務(wù)器連接數(shù)、網(wǎng)絡(luò)流量。根據(jù)本發(fā)明的又一個方面，CPU使用率、磁盤使用率和內(nèi)存使用率的標(biāo)準(zhǔn)化通過眾數(shù)均值平滑算法實(shí)現(xiàn)。根據(jù)本發(fā)明的再一個方面，眾數(shù)均值平滑算法包含以下步驟：步驟1：均一化CPU、磁盤和內(nèi)存的使用狀態(tài)值；步驟2：一天的時(shí)間刻度中等分CPU、磁盤和內(nèi)存的使用狀態(tài)范圍；步驟3：計(jì)算眾數(shù)的均值Em、眾數(shù)的個數(shù)num、以及非眾數(shù)均值步驟4：利用連續(xù)單增S型sigmoid函數(shù)，獲取眾數(shù)的權(quán)重。步驟5：根據(jù)式(1)，計(jì)算CPU、磁盤和內(nèi)存的狀態(tài)值。y=Em·1-e-∂·num1+e-∂·num+Em‾·(1-1-e-∂·num1+e-∂·num)---(1)]]>式(1)中，通過學(xué)習(xí)得到，或者可以預(yù)置。根據(jù)本發(fā)明的再一個方面，服務(wù)器連接數(shù)為一定時(shí)間內(nèi)服務(wù)器的總連接數(shù)。根據(jù)本發(fā)明的再一個方面，網(wǎng)絡(luò)并發(fā)數(shù)為單位時(shí)間內(nèi)的網(wǎng)絡(luò)并發(fā)數(shù)。根據(jù)本發(fā)明的再一個方面，網(wǎng)絡(luò)流量為上行速率與下行速率之和與總的傳輸時(shí)長的比值。根據(jù)本發(fā)明的再一個方面，服務(wù)器使用的系統(tǒng)包括Aix、Linux以及Windows。本發(fā)明還提供一種基于D-S證據(jù)理論的服務(wù)器負(fù)載狀態(tài)評估分析系統(tǒng)，該系統(tǒng)用于實(shí)施上述方法。如何利用收集到的數(shù)據(jù)有效的進(jìn)行網(wǎng)絡(luò)服務(wù)異常分析，保障信息系統(tǒng)安全科學(xué)穩(wěn)定的運(yùn)行，采用傳統(tǒng)的基于關(guān)系型數(shù)據(jù)庫進(jìn)行分析幾乎不可能實(shí)現(xiàn)。而通過以上公開的技術(shù)方案，可以綜合大量網(wǎng)絡(luò)數(shù)據(jù)包記錄進(jìn)行多角度自動異常檢測，異常檢測內(nèi)容主要包括：服務(wù)器并發(fā)請求異常、服務(wù)器上下行流量異常、服務(wù)器(包括CPU、內(nèi)存、磁盤)負(fù)載異常、終端到服務(wù)器跨地域以及跨業(yè)務(wù)域訪問異常、應(yīng)用系統(tǒng)訪問量異常等，提前發(fā)現(xiàn)網(wǎng)絡(luò)中存在的異常行為，將人為地隱患排查、異常預(yù)警等傳統(tǒng)運(yùn)維方式轉(zhuǎn)變成自動地異常告警，將信息化運(yùn)維工作變被動為主動。這將很好地促進(jìn)信息化運(yùn)維手段的變革，極大地提升信息化運(yùn)維水平，保障信息系統(tǒng)安全可靠穩(wěn)定地運(yùn)行，對公司信息化的持續(xù)發(fā)展產(chǎn)生非常重要的作用。附圖說明圖1是本發(fā)明的一種基于D-S證據(jù)理論的服務(wù)器負(fù)載狀態(tài)評估分析方法的流程圖。圖2是本發(fā)明的一種基于D-S證據(jù)理論的服務(wù)器負(fù)載狀態(tài)評估分析系統(tǒng)的結(jié)構(gòu)圖。具體實(shí)施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，下面結(jié)合附圖，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。根據(jù)本發(fā)明，通過采集各類服務(wù)器Tovili資源負(fù)載監(jiān)控?cái)?shù)據(jù)(包括CPU、內(nèi)存、磁盤等)、以及網(wǎng)絡(luò)流式數(shù)據(jù)，利用網(wǎng)絡(luò)流式數(shù)據(jù)、服務(wù)器運(yùn)行負(fù)載數(shù)據(jù)，并綜合評估每臺服務(wù)器資源配置的差異性，利用大數(shù)據(jù)平臺的分布式處理能力，對分配到具體業(yè)務(wù)應(yīng)用的服務(wù)器資源分配建立分析模型，從而評估當(dāng)前服務(wù)器資源分配的合理性。通過對時(shí)間序列、業(yè)務(wù)應(yīng)用資源消耗變化情況等多個因子建立相關(guān)預(yù)測模型，預(yù)測服務(wù)器負(fù)載未來的變化情況，進(jìn)而提供資源分配優(yōu)化建議。以往的數(shù)據(jù)融合都是對不同的維度數(shù)據(jù)進(jìn)行簡單的平均，或者根據(jù)經(jīng)驗(yàn)給出對應(yīng)的權(quán)重進(jìn)行數(shù)據(jù)融合計(jì)算，這樣做很明顯忽略了各個數(shù)據(jù)之間的相關(guān)性，導(dǎo)致偏差較大的數(shù)據(jù)可能對結(jié)果產(chǎn)生較大影響，最終使結(jié)果發(fā)生根本性偏差。如圖1所示，示出了一種基于D-S證據(jù)理論的服務(wù)器負(fù)載狀態(tài)評估分析方法，首先從D-S證據(jù)理論出發(fā)分析CPU、內(nèi)存、磁盤、網(wǎng)絡(luò)并發(fā)數(shù)、服務(wù)器連接數(shù)、網(wǎng)絡(luò)流量等6個維度的依賴度關(guān)系，分析各維度對于服務(wù)器負(fù)載的權(quán)值關(guān)系，從而確定服務(wù)器負(fù)載情況，如超載、正常、空閑等情況。該方法將在以下進(jìn)行詳細(xì)描述。在框101中，采集服務(wù)器的有關(guān)CPU、內(nèi)存、磁盤、網(wǎng)絡(luò)并發(fā)數(shù)、服務(wù)器連接數(shù)、網(wǎng)絡(luò)流量等6個維度的狀態(tài)值，并將6個維度的狀態(tài)值分別存儲。在框102中，標(biāo)準(zhǔn)化CPU、內(nèi)存、磁盤、網(wǎng)絡(luò)并發(fā)數(shù)、服務(wù)器連接數(shù)、網(wǎng)絡(luò)流量等6個維度的狀態(tài)值。從CPU、內(nèi)存、文件存儲系統(tǒng)、網(wǎng)絡(luò)并發(fā)數(shù)、服務(wù)器連接數(shù)、網(wǎng)絡(luò)流量(速率)等6個維度去分析服務(wù)器的負(fù)載狀態(tài)。影響服務(wù)器負(fù)載因素可以分為內(nèi)因和外因，內(nèi)因包括CPU、內(nèi)存、磁盤等硬件使用狀態(tài)，外因包括服務(wù)器連接數(shù)、網(wǎng)絡(luò)并發(fā)數(shù)、網(wǎng)絡(luò)流量(速率)等網(wǎng)絡(luò)使用狀態(tài)。采用眾數(shù)均值平滑算法，計(jì)算每天的服務(wù)器硬件使用狀態(tài)值。上述眾數(shù)均值平滑算法包括以下步驟：步驟1：均一化服務(wù)器硬件使用狀態(tài)值，即將以24小時(shí)的周期內(nèi)的CPU使用率、磁盤使用率和內(nèi)存使用率的使用狀態(tài)值轉(zhuǎn)換到[0，1]范圍內(nèi)。步驟2：將硬件使用狀態(tài)范圍[0，1]等分10刻度，即[0，0.1)，[0.1，0.2)，......，[0.9，1]，統(tǒng)計(jì)每個刻度范圍內(nèi)硬件使用狀態(tài)出現(xiàn)的頻度，頻度最多的范圍為眾數(shù)，其他的為非眾數(shù)。步驟3：計(jì)算眾數(shù)均值Em、眾數(shù)個數(shù)num、以及非眾數(shù)均值步驟4：利用連續(xù)單增S型sigmoid函數(shù)，獲取眾數(shù)權(quán)重。步驟5：根據(jù)式(1)，計(jì)算服務(wù)器硬件狀態(tài)值。y=Em·1-e-∂·num1+e-∂·num+Em‾·(1-1-e-∂·num1+e-∂·num)---(1)]]>式(1)中，通過學(xué)習(xí)得到或者也可以通過預(yù)置。下面，具體說明服務(wù)器連接數(shù)、網(wǎng)絡(luò)并發(fā)數(shù)、網(wǎng)絡(luò)流量(速率)的計(jì)算方法。服務(wù)器連接數(shù)：處理后的數(shù)據(jù)中，每條數(shù)據(jù)記錄對應(yīng)一次連接，累加記錄數(shù)即得到一天中該服務(wù)器的總的連接數(shù)。網(wǎng)絡(luò)并發(fā)數(shù)：即單位時(shí)間的網(wǎng)絡(luò)并發(fā)數(shù)，包括以下步驟：(1)每天創(chuàng)建一個大小為60*24-1的數(shù)組，統(tǒng)計(jì)值初始為0；分別表示從00:01—23:59(共計(jì)1439個分鐘)。(2)每一個連接從開始時(shí)間到結(jié)束時(shí)間所覆蓋的所有(1)中創(chuàng)建的數(shù)組的下標(biāo)，將統(tǒng)計(jì)值自增1。(3)循環(huán)(2)，得到每個分鐘的網(wǎng)絡(luò)并發(fā)數(shù)。(4)最后統(tǒng)計(jì)數(shù)組中的元素最大值。網(wǎng)絡(luò)流量(速率)：對上行速率和下行速率求和，再除以匯總的傳輸時(shí)長：(∑total_flow_upper+∑total_flow_under)/∑trans_delay(2)進(jìn)一步地，對上述6個維度進(jìn)行標(biāo)準(zhǔn)化的方法如下：對于CPU、內(nèi)存、文件存儲系統(tǒng)，它們的取值范圍在0％-100％之間，因此可以直接轉(zhuǎn)為[0，1]之間的值。對于服務(wù)器連接數(shù)、網(wǎng)絡(luò)并發(fā)數(shù)、網(wǎng)絡(luò)流量(速率)3個維度，它們的標(biāo)準(zhǔn)化方法相同，具體為：假設(shè)計(jì)算周期內(nèi)的取值范圍為(Emin，Emax)，需要轉(zhuǎn)化的值為b，則b經(jīng)過標(biāo)準(zhǔn)化后的值a為：a＝(b-Emin)/(Emax-Emin)。舉例來說，假設(shè)要對服務(wù)器連接數(shù)進(jìn)行標(biāo)準(zhǔn)化，計(jì)算周期為一個月，在該計(jì)算周期內(nèi)，連接數(shù)中最大值為1000，連接數(shù)最小值為200，需要標(biāo)準(zhǔn)化的值為300，則300標(biāo)準(zhǔn)化之后的值為(300-200)/(1000-200)＝0.125。在框S103中，利用D-S證據(jù)理論合成方法對CPU、內(nèi)存、磁盤、網(wǎng)絡(luò)并發(fā)數(shù)、服務(wù)器連接數(shù)、網(wǎng)絡(luò)流量(速率)等6個維度進(jìn)行數(shù)據(jù)融合分析。在計(jì)算服務(wù)器負(fù)載狀態(tài)時(shí)，需要判斷每個數(shù)據(jù)和其他數(shù)據(jù)之間的一致性。也就是說，考慮每個數(shù)據(jù)被其它數(shù)據(jù)所支持的程度，因此，每個維度中的多個數(shù)據(jù)應(yīng)該具有不同的權(quán)重。如果一個數(shù)據(jù)被其他數(shù)據(jù)所支持，則該數(shù)據(jù)就應(yīng)該比較可信，其權(quán)重也就較大，它對最終負(fù)載狀態(tài)的影響也會較大；反之，如果一個數(shù)據(jù)與其他數(shù)據(jù)的沖突較大，則該數(shù)據(jù)的可信度較低，其權(quán)重也較低，它對最終的負(fù)載狀態(tài)的影響也就較小。兩個數(shù)據(jù)E1和E2之間的信任程度可以通過式(3)得到，具體如下：信任系數(shù)d12用來描述數(shù)據(jù)之間的信任程度。d12∈[0,1]，其值越大，確定性越好。當(dāng)d12＝0時(shí)，表示兩數(shù)據(jù)E1和E2是完全沖突的；而當(dāng)d12＝1時(shí)，則表示兩數(shù)據(jù)E1和E2是完全相同的。假設(shè)待分析的數(shù)據(jù)集樣本數(shù)為n，則利用式(3)計(jì)算出數(shù)據(jù)Ei和Ej之間的信任程度，并以信任矩陣的形式表示為：S=1d12Ld1nd211Ld2nMMMdn1dn2L1n×n]]>將信任矩陣的每行相加得到每個數(shù)據(jù)對數(shù)據(jù)Ei的支持度，如式(4)所示：Sup(mi)=Σj=1ndji,(i,j=1,2,L,n)---(4)]]>Sup(mi)表示數(shù)據(jù)Ei被其他數(shù)據(jù)所支持的程度。如果一個數(shù)據(jù)與其他數(shù)據(jù)之間的信任程度較低，則認(rèn)為它們之間的相互支持度也較低；相反，如果一個數(shù)據(jù)和其他數(shù)據(jù)之間的信任程度較高，則認(rèn)為它們之間的相互支持度也較高。通過式(5)，對各數(shù)據(jù)的支持度進(jìn)行歸一化處理，獲得各數(shù)據(jù)的可信度，例如數(shù)據(jù)Ei的可信度為：Crd(mi)=Sup(mi)Σi=1n(mi),(i,j=1,2,L,n)---(5)]]>可信度Crd(mi)反映的是數(shù)據(jù)Ei的可信程度。一般來說，一個數(shù)據(jù)被其他數(shù)據(jù)所支持的程度越高，該數(shù)據(jù)的可信程度就越大，即該數(shù)據(jù)越可信；如果一個數(shù)據(jù)不被其他數(shù)據(jù)所支持，則認(rèn)為該數(shù)據(jù)的可信度較低。由式(5)可以看出，即可信度Crd(mi)可以看作是數(shù)據(jù)Ei的權(quán)重。在框S104中，對服務(wù)器負(fù)載進(jìn)行評估。通過計(jì)算公式(5)得到的6個維度的權(quán)重系數(shù)為1*6矩陣，與6個維度的數(shù)據(jù)進(jìn)行融合即可得到服務(wù)器負(fù)載評分(如下式所示)，進(jìn)而對服務(wù)器的負(fù)載狀態(tài)進(jìn)行評估分析。負(fù)載評分＝[權(quán)重參數(shù)]1*6·[維度矩陣]6*n如圖2所示，示出了一種基于D-S證據(jù)理論的服務(wù)器負(fù)載狀態(tài)評估分析系統(tǒng)，該系統(tǒng)包括數(shù)據(jù)采集單元，用于采集服務(wù)器狀態(tài)值；6*n矩陣相關(guān)性計(jì)算單元，用于計(jì)算各維度中數(shù)據(jù)之間的相關(guān)度；參數(shù)標(biāo)準(zhǔn)化處理單元，用于標(biāo)準(zhǔn)化6*6矩陣；列項(xiàng)求和計(jì)算單元，用于對6*6矩陣列項(xiàng)求和；參數(shù)標(biāo)準(zhǔn)化處理單元，用于對求和后的矩陣標(biāo)準(zhǔn)化；權(quán)重計(jì)算單元，用于計(jì)算服務(wù)器狀態(tài)值的權(quán)重；融合計(jì)算單元，用于計(jì)算服務(wù)器負(fù)載評分；以及服務(wù)器負(fù)載狀態(tài)評估單元，用于評估服務(wù)器負(fù)載狀態(tài)。其中數(shù)據(jù)采集單元與6*n矩陣相關(guān)性計(jì)算單元以及融合計(jì)算單元連通，6*n矩陣相關(guān)性計(jì)算單元與參數(shù)標(biāo)準(zhǔn)化處理單元、列項(xiàng)求和計(jì)算單元、參數(shù)標(biāo)準(zhǔn)化處理單元以及權(quán)重計(jì)算單元順次連通，權(quán)重計(jì)算單元也與融合計(jì)算單元連通，融合計(jì)算單元與負(fù)載狀態(tài)評估單元連通。根據(jù)本發(fā)明的一個實(shí)施例，對Aix服務(wù)器系統(tǒng)中CPU、內(nèi)存、磁盤的使用率具體分析如下：CPU使用率數(shù)據(jù)庫包括下表中所示字段：server_name服務(wù)設(shè)備名Timestamp時(shí)間戳cpu_idCPU的idcpu_busyCPU繁忙使用率CPU使用率(tivoli_smp_cpu)計(jì)算方法為：單位時(shí)間戳內(nèi)，不同cpu_id下的cpu_busy相加除以cpu_id的個數(shù)。內(nèi)存使用率數(shù)據(jù)庫包括下表中所示字段：server_name服務(wù)設(shè)備名Timestamp時(shí)間戳used_real_mem_pct內(nèi)存使用率內(nèi)存使用率(tivoli_unix_memory)計(jì)算方法為：單位時(shí)間戳內(nèi)，可以從數(shù)據(jù)庫中直接讀取。磁盤利用率數(shù)據(jù)庫包含下表中所示字段：磁盤利用率(tivoli_disk)計(jì)算方法為：單位時(shí)間戳內(nèi)，總的磁盤已用大小除以總的磁盤大小。根據(jù)本發(fā)明的再一個實(shí)施例，對Linux服務(wù)器系統(tǒng)中CPU、內(nèi)存、磁盤的使用率具體分析如下：CPU使用率數(shù)據(jù)庫包括下表中所示字段：CPU使用率(tivoli_klz_cpu)計(jì)算方法為：單位時(shí)間戳內(nèi)，不同cpu_id下的cpu_busy相加除以cpu_id個數(shù)。內(nèi)存使用率數(shù)據(jù)庫包括下表中所示字段：server_name服務(wù)設(shè)備名Timestamp時(shí)間戳memory_used_pc內(nèi)存使用率內(nèi)存使用率(tivoli_klz_vm_stats)計(jì)算方法為：單位時(shí)間戳內(nèi)，可以從數(shù)據(jù)庫中直接讀取。磁盤利用率數(shù)據(jù)庫包含下表中所示字段：磁盤利用率(tivoli_klz_disk)計(jì)算方法為：單位時(shí)間戳內(nèi)，總的磁盤已用大小除以總的磁盤大小。根據(jù)本發(fā)明的再一個實(shí)施例，對Windows服務(wù)器系統(tǒng)中CPU、內(nèi)存、磁盤的使用率具體分析如下：CPU使用率數(shù)據(jù)庫包括下表中所示字段：CPU使用率(tivoli_nt_processor)計(jì)算方法為：單位時(shí)間戳內(nèi)，cpu_id下的CPU使用率加和求平均。內(nèi)存使用率數(shù)據(jù)庫包括下表中所示字段：server_name服務(wù)設(shè)備名Timestamp時(shí)間戳available_usage_percentage可用內(nèi)存百分比內(nèi)存使用率(tivoli_nt_memory_64)計(jì)算方法為：單位時(shí)間戳內(nèi)，(1-available_usage_percentage)加和求平均。磁盤利用率數(shù)據(jù)庫包含下表中所示字段：server_name服務(wù)設(shè)備名Timestamp時(shí)間戳per_used磁盤使用百分比disk_name單個磁盤名稱磁盤利用率(tivoli_nt_logical_disk)計(jì)算方法為：單位時(shí)間戳內(nèi)，保留disk_name＝‘_Total’時(shí)per_used的值。根據(jù)本發(fā)明的再一實(shí)施例，對影響服務(wù)器負(fù)載因素的服務(wù)器連接數(shù)、網(wǎng)絡(luò)流量、網(wǎng)絡(luò)并發(fā)數(shù)分析如下：網(wǎng)絡(luò)使用狀態(tài)數(shù)據(jù)庫包括下表中所示字段：應(yīng)當(dāng)理解的是，本領(lǐng)域的技術(shù)人員可以通過網(wǎng)絡(luò)使用狀態(tài)數(shù)據(jù)庫中相關(guān)連接數(shù)據(jù)計(jì)算得到網(wǎng)絡(luò)使用狀態(tài)數(shù)據(jù)，包括網(wǎng)絡(luò)并發(fā)數(shù)、服務(wù)器連接數(shù)以及網(wǎng)絡(luò)流量。根據(jù)本發(fā)明的再一個實(shí)施例，根據(jù)上文中對使用不同系統(tǒng)的服務(wù)器采集并量化的6個維度的標(biāo)準(zhǔn)值，計(jì)算一天中服務(wù)器的CPU、內(nèi)存、磁盤、服務(wù)器連接數(shù)、網(wǎng)絡(luò)并發(fā)數(shù)和網(wǎng)絡(luò)流量(速率)的一個綜合值。通過相似矩陣計(jì)算得到權(quán)重，具體包括以下步驟：a.通過量化的6個維度作為行坐標(biāo)，分析天數(shù)作為列坐標(biāo)生成一個6*n矩陣。b.歸一化服務(wù)器連接數(shù)、網(wǎng)絡(luò)并發(fā)數(shù)和網(wǎng)絡(luò)流量(速率)3個維度，因?yàn)樵?個維度不是一個量級。c.采用眾數(shù)均值平滑算法，計(jì)算每天的服務(wù)器的CPU、內(nèi)存和磁盤的使用狀態(tài)值，因?yàn)樵?個維度數(shù)據(jù)分布不平均。d.計(jì)算6*n矩陣間，兩兩行維度的余弦相似，得到一個6*6的矩陣，其中計(jì)算兩兩間相似目的是為了說明一個維度受另一維度的影響關(guān)系程度。e.對6*6相似矩陣歸一化。f.對歸一化的相似矩陣按列求和得到1*6矩陣。g.歸一化該求和矩陣，即得到一個1*6權(quán)重。通過上面的計(jì)算公式得到的權(quán)重系數(shù)1*6矩陣，與六個維度的數(shù)據(jù)進(jìn)行融合即可得到服務(wù)器的負(fù)載狀態(tài)。以上所述實(shí)施例僅表達(dá)了本發(fā)明的實(shí)施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對本發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。因此，本發(fā)明專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。當(dāng)前第1頁1 2 3