本發(fā)明涉及計算機技術(shù)領(lǐng)域，尤其涉及一種基于BCC-KNN的云計算中心智能運維方法及系統(tǒng)。

背景技術(shù)：

NIST定義云計算是一個模型，用于隨時隨地的按需快速的通過網(wǎng)絡(luò)訪問一個可配置的計算資源(網(wǎng)絡(luò)、服務(wù)器、存儲、應(yīng)用程序和服務(wù))共享池。計算資源只需要很小的管理代價和與服務(wù)提供商較少的交互便能夠快速的獲取和釋放。云計算模型由5個基本特征、3種服務(wù)模型、4種部署模型組成。

基本特征有按需自服務(wù)、資源池化、廣泛的網(wǎng)絡(luò)連接方式、快速的彈性擴展、可計量的服務(wù)。

按需自服務(wù)是指用戶可以自主地根據(jù)需要單向地準(zhǔn)備計算資源，不需要與服務(wù)提供商進行交互。

資源池化是指服務(wù)提供者將計算資源匯集到資源池中(類型包括存儲、處理、內(nèi)存、帶寬、和虛擬機等)，通過多租戶模式共享給多個消費者，根據(jù)消費者的需求對不同的物理資源和虛擬資源進行動態(tài)分配或重分配。以用戶為中心的界面使云基礎(chǔ)架構(gòu)能夠?qū)崿F(xiàn)應(yīng)用對用戶的透明性，用戶基于自已的需求訪問服務(wù)而不用考慮服務(wù)是在哪里提供。

廣泛的網(wǎng)絡(luò)連接方式是指通過標(biāo)準(zhǔn)化，云計算提供的資源能夠被各種異構(gòu)的瘦終端或特定的客戶端，比如手機、平板電腦、工作站所訪問。

快速的彈性擴展是云計算的一個很重要的特征，因為資源池化和快速彈性，用戶能夠獲取的資源似乎是無窮無盡的，并且可以在任何時候獲取任何數(shù)量的資源。彈性的重要性在于能夠按需分配資源，應(yīng)用程序駐留在可以快速進行水平擴展的數(shù)據(jù)中心中，即云服務(wù)的規(guī)?？煽焖偕炜s，以自動適應(yīng)業(yè)務(wù)負(fù)載的動態(tài)變化。用戶使用的資源同業(yè)務(wù)的需求相一致，避免了因為服務(wù)器性能過載或冗余而導(dǎo)致的服務(wù)質(zhì)量下降或資源浪費。值得注意的是，資源的擴展必須是細(xì)粒度并且足夠快速才能使計算資源跟計算負(fù)載很好的匹配。因為服務(wù)器的峰值工作量比平均值要高3-10倍，所以傳統(tǒng)的數(shù)據(jù)中心的服務(wù)器利用率大概僅在10％到30％左右。為了保證服務(wù)質(zhì)量，服務(wù)器要按峰值工作量需求來部署，這就必然導(dǎo)致了非峰值時間資源的浪費，而且負(fù)載的波動性越強浪費的資源就越多。

可計量的服務(wù)是指云系統(tǒng)利用一種計量功能來自動調(diào)控和優(yōu)化資源利用，根據(jù)不同的服務(wù)類型按照合適的度量指標(biāo)進行計量、監(jiān)控和報告資源使用情況，提升服務(wù)提供者和服務(wù)消費者的透明度。

然而，現(xiàn)在云計算中心的規(guī)模過大，傳統(tǒng)環(huán)境中的低頻異常在云計算中心就會因規(guī)模化而變成高頻異常，并且許多的異常會重復(fù)出現(xiàn)。因此，若是不能利用有效的方式而是要人為負(fù)責(zé)大量異常的處理，這就會導(dǎo)致了較高的同種異常人工重復(fù)處理成本，即異常發(fā)生并處理后，當(dāng)再次出現(xiàn)時人工還要重復(fù)處理過程。

另外，云應(yīng)用本身在運行過程中會產(chǎn)生相關(guān)的狀態(tài)數(shù)據(jù)，這些數(shù)據(jù)會指導(dǎo)運維人員對異常進行判定，但大量的云應(yīng)用產(chǎn)生的海量的運行狀態(tài)數(shù)據(jù)會導(dǎo)致運維人員要花費大量的時間和精力去分析這些數(shù)據(jù)來定位異常并判定其類型，延長了異常的修復(fù)時間。

最后，由于傳統(tǒng)環(huán)境下的維護管理的手段、系統(tǒng)、模型的設(shè)計都不是面向云計算中心的，所以許多的維護任務(wù)不能用簡單的步驟一次完成，這就迫使云管理者要投入大量人力資源，導(dǎo)致較高的運營費用。

技術(shù)實現(xiàn)要素：

為了解決上述技術(shù)問題，本發(fā)明的目的是提供一種能快速處理異常情況，且能降低運營成本的一種基于BCC-KNN的云計算中心智能運維方法及系統(tǒng)。

本發(fā)明所采用的技術(shù)方案是：

一種基于BCC-KNN的云計算中心智能運維方法，包括以下步驟：

A、檢測所有服務(wù)的運行狀態(tài)是否發(fā)生異常，并對發(fā)生異常的服務(wù)采集其運行狀態(tài)數(shù)據(jù)；

B、對采集得到的運行狀態(tài)數(shù)據(jù)進行處理并將其利用BCC-KNN算法進行分類處理；

C、根據(jù)分類后得到的異常類別從方案庫調(diào)用相應(yīng)的解決方案并執(zhí)行。

作為所述的一種基于BCC-KNN的云計算中心智能運維方法的進一步改進，所述步驟A包括：

A1、對所有服務(wù)的運行狀態(tài)數(shù)據(jù)進行循環(huán)檢測，判斷其是否發(fā)生異常，若是，則執(zhí)行步驟A2；否則進行執(zhí)行步驟A1；

A2、對發(fā)生異常的服務(wù)進行運行狀態(tài)數(shù)據(jù)的采集。

作為所述的一種基于BCC-KNN的云計算中心智能運維方法的進一步改進，所述步驟B包括：

B1、對采集得到的運行狀態(tài)數(shù)據(jù)進行篩選處理；

B2、將處理后的運行狀態(tài)數(shù)據(jù)轉(zhuǎn)換成符合BCC-KNN算法的數(shù)據(jù)格式；

B3、對轉(zhuǎn)換格式后的運行狀態(tài)數(shù)據(jù)利用BCC-KNN算法進行實時分類處理，得出服務(wù)對應(yīng)的異常類別。

作為所述的一種基于BCC-KNN的云計算中心智能運維方法的進一步改進，所述步驟B3包括：

B31、將存儲的實例集按照異常類別進行劃分聚簇；

B32、計算各聚簇內(nèi)所有實例的數(shù)據(jù)的均值，得到異常聚簇中心；

B33、對未分類的運行狀態(tài)數(shù)據(jù)與各異常聚簇中心進行相似度計算，將其歸類至與其相似度最高的異常聚簇中心所在的聚簇，并將該聚簇的異常類別作為其對應(yīng)的異常類別，從而得到該服務(wù)對應(yīng)的異常類別。

作為所述的一種基于BCC-KNN的云計算中心智能運維方法的進一步改進，所述步驟C包括：

C1、根據(jù)分類后得到的異常類別從方案庫調(diào)用相應(yīng)的解決方案；

C2、根據(jù)需要調(diào)用的解決方案，生成其自動化執(zhí)行腳本，并執(zhí)行。

作為所述的一種基于BCC-KNN的云計算中心智能運維方法的進一步改進，所述步驟C2后還包括：

C3、檢測腳本執(zhí)行后該異常是否處理成功，若不成功，則發(fā)送警報通知工作人員進行人為處理；

C4、根據(jù)分類后聚簇的運行狀態(tài)數(shù)據(jù)，對聚簇的異常聚簇中心進行更新。

本發(fā)明所采用的另一技術(shù)方案是：

一種基于BCC-KNN的云計算中心智能運維系統(tǒng)，包括：

異常狀態(tài)采集模塊，用于檢測所有服務(wù)的運行狀態(tài)是否發(fā)生異常，并對發(fā)生異常的服務(wù)采集其運行狀態(tài)數(shù)據(jù)；

異常檢測模塊，用于對采集得到的運行狀態(tài)數(shù)據(jù)進行處理并將其利用BCC-KNN算法進行分類處理；

異常處理模塊，用于根據(jù)分類后得到的異常類別從方案庫調(diào)用相應(yīng)的解決方案并執(zhí)行。

作為所述的一種基于BCC-KNN的云計算中心智能運維系統(tǒng)的進一步改進，所述異常狀態(tài)采集模塊包括：

運行狀態(tài)檢測模塊，用于對所有服務(wù)的運行狀態(tài)數(shù)據(jù)進行循環(huán)檢測，判斷其是否發(fā)生異常，若是，則執(zhí)行數(shù)據(jù)采集模塊；否則進行執(zhí)行運行狀態(tài)檢測模塊；

數(shù)據(jù)采集模塊，用于對發(fā)生異常的服務(wù)進行運行狀態(tài)數(shù)據(jù)的采集。

作為所述的一種基于BCC-KNN的云計算中心智能運維系統(tǒng)的進一步改進，所述異常檢測模塊包括：

數(shù)據(jù)處理模塊，用于對采集得到的運行狀態(tài)數(shù)據(jù)進行篩選處理；

數(shù)據(jù)轉(zhuǎn)換模塊，用于將處理后的運行狀態(tài)數(shù)據(jù)轉(zhuǎn)換成符合BCC-KNN算法的數(shù)據(jù)格式；

數(shù)據(jù)分類模塊，用于對轉(zhuǎn)換格式后的運行狀態(tài)數(shù)據(jù)利用BCC-KNN算法進行實時分類處理，得出服務(wù)對應(yīng)的異常類別。

作為所述的一種基于BCC-KNN的云計算中心智能運維系統(tǒng)的進一步改進，所述異常處理模塊包括：

處理方案生成模塊，用于根據(jù)分類后得到的異常類別從方案庫調(diào)用相應(yīng)的解決方案；

自動化執(zhí)行模塊，用于根據(jù)需要調(diào)用的解決方案，生成其自動化執(zhí)行腳本，并執(zhí)行。

本發(fā)明的有益效果是：

本發(fā)明一種基于BCC-KNN的云計算中心智能運維方法通過對異常情況依次進行檢測、判定和自動化解決執(zhí)行的過程，能對云服務(wù)發(fā)生的異常情況進行智能自主處理，有效減少人為的介入，提高異常處理的速度，實現(xiàn)提高服務(wù)的可用性和減少工作人員的工作量的目的，大大減少運營成本。

本發(fā)明的另一個有益效果是：

本發(fā)明一種基于BCC-KNN的云計算中心智能運維系統(tǒng)通過異常狀態(tài)采集模塊、異常檢測模塊和異常處理模塊對異常情況依次進行檢測、判定和自動化解決執(zhí)行的過程，能對云服務(wù)發(fā)生的異常情況進行智能自主處理，有效減少人為的介入，提高異常處理的速度，實現(xiàn)提高服務(wù)的可用性和減少工作人員的工作量的目的，大大減少運營成本。

附圖說明

下面結(jié)合附圖對本發(fā)明的具體實施方式作進一步說明：

圖1是本發(fā)明一種基于BCC-KNN的云計算中心智能運維方法的步驟流程圖；

圖2是本發(fā)明一種基于BCC-KNN的云計算中心智能運維系統(tǒng)的模塊方框圖。

具體實施方式

參考圖1，本發(fā)明一種基于BCC-KNN的云計算中心智能運維方法，包括以下步驟：

A、檢測所有服務(wù)的運行狀態(tài)是否發(fā)生異常，并對發(fā)生異常的服務(wù)采集其運行狀態(tài)數(shù)據(jù)；

B、對采集得到的運行狀態(tài)數(shù)據(jù)進行處理并將其利用BCC-KNN算法進行分類處理；

C、根據(jù)分類后得到的異常類別從方案庫調(diào)用相應(yīng)的解決方案并執(zhí)行。

作為所述的一種基于BCC-KNN的云計算中心智能運維方法的進一步改進，所述步驟A包括：

A1、對所有服務(wù)的運行狀態(tài)數(shù)據(jù)進行循環(huán)檢測，判斷其是否發(fā)生異常，若是，則執(zhí)行步驟A2；否則進行執(zhí)行步驟A1；

A2、對發(fā)生異常的服務(wù)進行運行狀態(tài)數(shù)據(jù)的采集。

其中，對機器或服務(wù)進行檢測，若發(fā)生異常則采集異常發(fā)生時的運行狀態(tài)數(shù)據(jù)。這里需要預(yù)先對正常情況數(shù)據(jù)進行設(shè)定范圍，超過則判定為異常，比如對某項服務(wù)要求是對一個請求的響應(yīng)時間不能超過3秒，因此編寫的檢測工具就可以是對訪問時間進行計時，超過三秒即認(rèn)為該服務(wù)發(fā)生異常，然后對該服務(wù)進行循環(huán)檢測，當(dāng)發(fā)生異常時(相應(yīng)時間超3秒)便采集該服務(wù)的運行狀態(tài)數(shù)據(jù)。

作為所述的一種基于BCC-KNN的云計算中心智能運維方法的進一步改進，所述步驟B包括：

B1、對采集得到的運行狀態(tài)數(shù)據(jù)進行篩選處理；

B2、將處理后的運行狀態(tài)數(shù)據(jù)轉(zhuǎn)換成符合BCC-KNN算法的數(shù)據(jù)格式；

B3、對轉(zhuǎn)換格式后的運行狀態(tài)數(shù)據(jù)利用BCC-KNN算法進行實時分類處理，得出服務(wù)對應(yīng)的異常類別。

BCC-KNN算法主要有三個優(yōu)點，第一點在于在存在傾斜類分布的情況下仍然具備較好的分類性能，第二點在于改進了傳統(tǒng)KNN需要存儲整個訓(xùn)練集的缺點，只需存儲由訓(xùn)練集轉(zhuǎn)換的數(shù)據(jù)結(jié)構(gòu)，大副降低存儲代價并提高分類的實時性，第三點在于BCC-KNN支持增量學(xué)習(xí)，能隨著異常數(shù)據(jù)的不斷產(chǎn)生自主進化，持續(xù)的適應(yīng)新的環(huán)境。

進一步，所述對采集得到的運行狀態(tài)數(shù)據(jù)進行篩選處理包括處理無效值、缺失值并去除不完整的數(shù)據(jù)、錯誤的數(shù)據(jù)、重復(fù)的數(shù)據(jù)使得注入處理系統(tǒng)的數(shù)據(jù)量降低，加快數(shù)據(jù)的處理速度進而提升處理效率。

進一步，將處理后的運行狀態(tài)數(shù)據(jù)轉(zhuǎn)換成符合BCC-KNN算法的數(shù)據(jù)格式包含將數(shù)據(jù)轉(zhuǎn)換成其它合適的數(shù)值表示方式，或者對數(shù)據(jù)進行歸一化處理，使得每個屬性的取值范圍不會相差過大，并且數(shù)據(jù)的每個屬性都是可計算的。

作為所述的一種基于BCC-KNN的云計算中心智能運維方法的進一步改進，所述步驟B3包括：

B31、將存儲的實例集按照異常類別進行劃分聚簇；

B32、計算各聚簇內(nèi)所有實例的數(shù)據(jù)的均值，得到異常聚簇中心；

B33、對未分類的運行狀態(tài)數(shù)據(jù)與各異常聚簇中心進行相似度計算，將其歸類至與其相似度最高的異常聚簇中心所在的聚簇，并將該聚簇的異常類別作為其對應(yīng)的異常類別，從而得到該服務(wù)對應(yīng)的異常類別。

作為所述的一種基于BCC-KNN的云計算中心智能運維方法的進一步改進，所述步驟C包括：

C1、根據(jù)分類后得到的異常類別從方案庫調(diào)用相應(yīng)的解決方案；

C2、根據(jù)需要調(diào)用的解決方案，生成其自動化執(zhí)行腳本，并執(zhí)行。

進一步，解決方案的生成調(diào)用是利用相對簡單的異常處理方案組合而成，也就是說一個異常解決方案是由很多個子方案構(gòu)成，這樣可以增加方案的靈活性和重用性。解決方案需要按照預(yù)先定義好的格式進行編寫，執(zhí)行時可以根據(jù)機器的環(huán)境自動生成相對應(yīng)的腳本。

作為所述的一種基于BCC-KNN的云計算中心智能運維方法的進一步改進，所述步驟C2后還包括：

C3、檢測腳本執(zhí)行后該異常是否處理成功，若不成功，則發(fā)送警報通知工作人員進行人為處理；

C4、根據(jù)分類后聚簇的運行狀態(tài)數(shù)據(jù)，對聚簇的異常聚簇中心進行更新。

進一步，當(dāng)一個新異常出現(xiàn)時，已存的方案不能很好的進行處理導(dǎo)致處理失敗，此時就需要通知工作人員進行人為編寫解決方案并放入方案庫，更新異常類別和方案的對應(yīng)關(guān)系，同時將新的異常狀態(tài)加入訓(xùn)練集用以提高該類的預(yù)測準(zhǔn)確率，進而當(dāng)該異常狀態(tài)再次出現(xiàn)時就能夠自主處理而不用人為再次參與。

參考圖2，本發(fā)明一種基于BCC-KNN的云計算中心智能運維系統(tǒng)，包括：

異常狀態(tài)采集模塊，用于檢測所有服務(wù)的運行狀態(tài)是否發(fā)生異常，并對發(fā)生異常的服務(wù)采集其運行狀態(tài)數(shù)據(jù)；

異常檢測模塊，用于對采集得到的運行狀態(tài)數(shù)據(jù)進行處理并將其利用BCC-KNN算法進行分類處理；

異常處理模塊，用于根據(jù)分類后得到的異常類別從方案庫調(diào)用相應(yīng)的解決方案并執(zhí)行。

作為所述的一種基于BCC-KNN的云計算中心智能運維系統(tǒng)的進一步改進，所述異常狀態(tài)采集模塊包括：

運行狀態(tài)檢測模塊，用于對所有服務(wù)的運行狀態(tài)數(shù)據(jù)進行循環(huán)檢測，判斷其是否發(fā)生異常，若是，則執(zhí)行數(shù)據(jù)采集模塊；否則進行執(zhí)行運行狀態(tài)檢測模塊；

數(shù)據(jù)采集模塊，用于對發(fā)生異常的服務(wù)進行運行狀態(tài)數(shù)據(jù)的采集。

作為所述的一種基于BCC-KNN的云計算中心智能運維系統(tǒng)的進一步改進，所述異常檢測模塊包括：

數(shù)據(jù)處理模塊，用于對采集得到的運行狀態(tài)數(shù)據(jù)進行篩選處理；

數(shù)據(jù)轉(zhuǎn)換模塊，用于將處理后的運行狀態(tài)數(shù)據(jù)轉(zhuǎn)換成符合BCC-KNN算法的數(shù)據(jù)格式；

數(shù)據(jù)分類模塊，用于對轉(zhuǎn)換格式后的運行狀態(tài)數(shù)據(jù)利用BCC-KNN算法進行實時分類處理，得出服務(wù)對應(yīng)的異常類別。

作為所述的一種基于BCC-KNN的云計算中心智能運維系統(tǒng)的進一步改進，所述異常處理模塊包括：

處理方案生成模塊，用于根據(jù)分類后得到的異常類別從方案庫調(diào)用相應(yīng)的解決方案；

自動化執(zhí)行模塊，用于根據(jù)需要調(diào)用的解決方案，生成其自動化執(zhí)行腳本，并執(zhí)行。

其中，本發(fā)明中的BCC-KNN算法核心思想是將訓(xùn)練實例集轉(zhuǎn)換成異常聚簇中心集。一個異常類別包含許多的實例，每個實例有自已的具體屬性數(shù)據(jù)，我們依據(jù)異常類別將實例進行劃分，即具有相同異常類別的所有實例屬于同一個聚簇。

當(dāng)HTTP數(shù)據(jù)集按異常類別劃分后，同一個劃分內(nèi)的實例類別相同，因此每個類別可以看作是一個聚簇。因為傳統(tǒng)KNN算法要和每個全部訓(xùn)練集實例進行相似度運算，這就有很大的計算開銷并且要將整個訓(xùn)練集存儲起來，所以我們?nèi)裟軐澐趾蟮木鄞赜靡粋€模型表示，那么就能將訓(xùn)練數(shù)據(jù)集轉(zhuǎn)換成了模型，我們采用的模型就是計算聚簇內(nèi)的所有的實例的均值，并將這個均值作為聚簇的中心，這樣每個聚簇就只需要一條記錄即可表示，存儲量大大降低。有了異常聚簇中心集后，就要對未分類的實例進行分類，算法將未分類的實例與轉(zhuǎn)換后的異常聚簇中心進行相似度計算，而不是和整個訓(xùn)練集計算相似度，然后將相似度最高的聚簇中心的異常類別作為實例的類別。具體的說就是利用KNN算法的思想，將未分類的實例與每個聚簇中心進行相似度計算。若相似度采用歐式距離，那么在和所有的聚簇中心依次計算距離后，將與其距離最近的聚簇中心所在的異常類別作為該實例的分類結(jié)果。因為算法的分類采用相似度計算，并且選取相似度最高的聚簇中心作為實例的分類結(jié)果，即K的取值為1，這就降低偏斜類分布的影響。

另外，算法將訓(xùn)練集轉(zhuǎn)換成異常聚簇中心，使得算法只需與異常聚簇中心而不是和整個訓(xùn)練集進行相似度計算，這樣不但使得分類的速度大大加快降低時間復(fù)雜度，同時也降低了空間復(fù)雜度，因為同樣只需要存儲聚簇中心而不是整個訓(xùn)練集，使得所有的異常聚簇中心可以全部放入內(nèi)存，有利于聚簇中心的快速更新，此處的重要性在于時間和空間復(fù)雜度的降低使得算法能夠大幅提高分類的實時性。

因為BCC-KNN將數(shù)據(jù)集轉(zhuǎn)換為異常聚簇中心集，所以為了實現(xiàn)增量式學(xué)習(xí)算法要能根據(jù)新產(chǎn)生異常實例來調(diào)整異常聚簇中心集，將新知識與舊知識結(jié)合，使得異常聚簇中心集能隨著新知識的加入不斷調(diào)整適應(yīng)新的環(huán)境。同時為了防止過期的舊知識對新環(huán)境的處理造成影響，還要丟棄過期的部分聚簇中心值。當(dāng)產(chǎn)生異常實例時，異常的類別只有新的異常和已經(jīng)發(fā)生異常兩種類型。針對這兩種類型的異常算法的增量學(xué)習(xí)策略如下：

若異常是已經(jīng)發(fā)生過的，那么就將該異常實例劃分到該異常類別對應(yīng)的聚簇中，然后基于該實例與聚簇中心重新計算聚簇中心。

若異常是新的異常，那么此時就將該異常實例劃分為一個新的聚簇，然后將該實例作為聚簇中心。

存儲了異常聚簇中心集后，異常實例產(chǎn)生后我們要對異常聚簇中心進行更新，我們用(Anew，Bnew，Cnew，Nnew…，class)向量來描述新產(chǎn)生的HTTP數(shù)據(jù)和異常的類別正確對應(yīng)，具體為(0.75，0.78，0.79，0.29，0，0.77，負(fù)載過高)，記為(VCTnew，class)。首先我們判定class的值，因class的值“負(fù)載過高”能在聚簇列別中找到，就說明產(chǎn)生的異常實例是已經(jīng)發(fā)生過的，那么直接將該異常實例與其異常類別對應(yīng)的聚簇中心進行平均值計算。負(fù)載過高對應(yīng)的聚簇中心向量CLUcenter進行平均值計算，新中心向量記為NEWCLUcenter，因此計算公式如下：

若異常實例所屬的異常類別是第一次出現(xiàn)，我們同樣用(VCTnew，class)來描述，具體的數(shù)據(jù)與異常類別對應(yīng)為(0.8，0.1，0.1，0，0，0，配置錯誤)，即其class的值為配置錯誤。由于異常聚簇中心集中就沒有配置錯誤類別對應(yīng)的聚簇條目，因此可知該異常類別是第一次發(fā)生，所以我們要將該異常實例劃分到一個新的聚簇中，聚簇對應(yīng)的類別就是配置錯誤，而實例的聚簇中心NEWCLUcenter就初始化為(VCTnew，class)。

通過前面的描述，可知算法能夠根據(jù)新產(chǎn)生的異常實例不斷調(diào)整異常聚簇中心集，但是為了防止舊數(shù)據(jù)對利用新知識分類這個過程的影響，算法會丟棄過期的數(shù)據(jù)，算法定義一個固定時間段，這也是數(shù)據(jù)的有效期，那么隨著時間的流逝，超過有效期的數(shù)據(jù)就會被丟棄，這樣就使得異常聚簇中心集總是能夠持續(xù)的適應(yīng)最新的環(huán)境。

由于我們的聚簇中心是計算該異常類別下所有實例的平均值，因此，為了刪除過期的數(shù)據(jù)，我們給異常聚簇中心集中的每個數(shù)據(jù)條目一個時間戳，然后將時間戳在有效期內(nèi)的子聚簇中心組合共同來計算平均值。簡單說就是聚簇中心由幾個子中心構(gòu)成，每個子中心都有自己的時間戳，隨時間流逝，過期的時間戳標(biāo)識的子聚簇中心就被刪除，不能再被用作生成聚簇中心。

比如我們把過期時間限定為三個月，以月為單位刪除舊數(shù)據(jù)，那么我們可以將每個月作為一個子聚類中心，因此就有3個子聚簇中心，假設(shè)當(dāng)前月為0，上個月為1，上上個月為2。實際的聚簇中心是由三個子聚簇中心算出的，我們用CLU0sub-center來表示時間戳為0的條目，CLU1sub-center來表示時間戳為1的條目，CLU2sub-center來表示時間戳為2的條目，并假設(shè)我們用(中心屬性Areal，中心屬性Breal，中心屬性Creal…)向量來表示負(fù)載過高異常類別的聚簇中心，記為CLUreal-center，而這個聚簇中心是真正用來計算相似度的使用的，那么CLUreal-center計算公式如下；

當(dāng)時間進入新的月份后，所有新產(chǎn)生的實例都標(biāo)識為新月份的時間戳，子聚簇中心的初始化過程和新異常類別發(fā)生的過程相似，即將新月份內(nèi)產(chǎn)生的第一個該異常類別的實例作為子聚簇中心，其后的產(chǎn)生的實例與再與該子聚簇中心重新計算均值。接下來要將時間超過三個月的子聚簇中心刪除，以多時間戳聚簇中心集為例，當(dāng)進入新的月份時，每個時間戳的值加1，異常聚簇中心集中的所有時間戳標(biāo)識大于2的條目應(yīng)被刪除。我們假設(shè)進入新月份產(chǎn)生的負(fù)載過高異常為(0.73，0.782，0.80，0.22，0，0.76，負(fù)載過高)。

以上是對本發(fā)明的較佳實施進行了具體說明，但本發(fā)明創(chuàng)造并不限于所述實施例，熟悉本領(lǐng)域的技術(shù)人員在不違背本發(fā)明精神的前提下還可做作出種種的等同變形或替換，這些等同的變形或替換均包含在本申請權(quán)利要求所限定的范圍內(nèi)。