基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的服務(wù)器負(fù)載檢測(cè)的方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計(jì)算機(jī)領(lǐng)域，特別涉及一種基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的服務(wù)器負(fù)載檢測(cè)的方法及系統(tǒng)。
【背景技術(shù)】
[0002]當(dāng)前，云計(jì)算逐漸被行業(yè)認(rèn)可，云數(shù)據(jù)中心操作系統(tǒng)逐漸實(shí)現(xiàn)并付諸于實(shí)踐，在社會(huì)生產(chǎn)和生活領(lǐng)域中起到越來越重要的作用。服務(wù)器負(fù)載信息是衡量服務(wù)器運(yùn)行健康狀況的重要指標(biāo)，是數(shù)據(jù)中心運(yùn)維人員關(guān)注的重要指標(biāo)，其主要由服務(wù)器的實(shí)時(shí)CPU性能數(shù)據(jù)、內(nèi)存性能數(shù)據(jù)、磁盤1性能數(shù)據(jù)及網(wǎng)卡1性能數(shù)據(jù)等綜合確定?；谠茢?shù)據(jù)中心操作系統(tǒng)構(gòu)建的大規(guī)模數(shù)據(jù)中心中設(shè)備數(shù)量龐大，資源消耗量大，如何準(zhǔn)確的確定服務(wù)器的負(fù)載信息，為數(shù)據(jù)中心運(yùn)維人員制定合理的運(yùn)維策略提供準(zhǔn)確的數(shù)據(jù)支持，是本領(lǐng)域技術(shù)人員需要解決的技術(shù)問題。

【發(fā)明內(nèi)容】

[0003]本發(fā)明的目的是提供一種基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的服務(wù)器負(fù)載檢測(cè)的方法及系統(tǒng)，能夠?qū)⒎蔷€性的神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于負(fù)載檢測(cè)實(shí)踐中，有效地改進(jìn)了大多數(shù)負(fù)載確定方法不夠合理、準(zhǔn)確的問題。
[0004]為解決上述技術(shù)問題，本發(fā)明提供一種基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的服務(wù)器負(fù)載檢測(cè)的方法，包括:
[0005]獲取服務(wù)器監(jiān)控的預(yù)定樣本數(shù)據(jù)；
[0006]對(duì)所述預(yù)定樣本數(shù)據(jù)進(jìn)行消噪處理，得到檢測(cè)樣本數(shù)據(jù)；
[0007]將所述檢測(cè)樣本數(shù)據(jù)作為ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型輸入進(jìn)行計(jì)算，得到負(fù)載狀態(tài)結(jié)果。
[0008]其中，還包括:
[0009]將所述負(fù)載狀態(tài)結(jié)果發(fā)送至數(shù)據(jù)中心。
[0010]其中，得到負(fù)載狀態(tài)結(jié)果包括:
[0011 ] 將計(jì)算結(jié)果與所述ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型中的級(jí)別區(qū)間進(jìn)行比較，確定所述計(jì)算結(jié)果所屬的級(jí)別，其中，所述級(jí)別包括良好、正常、較差、糟糕。
[0012]其中，構(gòu)建ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型包括:
[0013]構(gòu)建初級(jí)ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型；
[0014]獲取服務(wù)器監(jiān)控的預(yù)定樣本數(shù)據(jù)；
[0015]對(duì)所述預(yù)定樣本數(shù)據(jù)進(jìn)行消噪處理，得到可用預(yù)定樣本數(shù)據(jù)，并將所述可用預(yù)定樣本數(shù)據(jù)存儲(chǔ)到樣本數(shù)據(jù)庫中；
[0016]判斷所述樣本數(shù)據(jù)庫中的樣本數(shù)量是否滿足閾值；
[0017]若是，則將所述樣本數(shù)據(jù)庫中的數(shù)據(jù)作為所述初級(jí)ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型的輸入，對(duì)所述初級(jí)ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型進(jìn)行訓(xùn)練，得到所述ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型。
[0018]其中，對(duì)所述初級(jí)ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型進(jìn)行訓(xùn)練，得到所述ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型包括:
[0019]對(duì)所述初級(jí)ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型進(jìn)行訓(xùn)練，根據(jù)輸出層的網(wǎng)絡(luò)神經(jīng)元信息對(duì)負(fù)載情況進(jìn)行分類，得到每個(gè)樣本負(fù)載類別；
[0020]判斷得到的每個(gè)樣本負(fù)載類別是否正確；
[0021]統(tǒng)計(jì)樣本負(fù)載類別正確的樣本的數(shù)量，并判斷所述數(shù)量是否滿足預(yù)定條件；
[0022]若滿足，則訓(xùn)練通過，得到所述ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型；
[0023]若不滿足，則繼續(xù)對(duì)所述初級(jí)ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型進(jìn)行訓(xùn)練。
[0024]本發(fā)明提供一種基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的服務(wù)器負(fù)載檢測(cè)的系統(tǒng)，包括:
[0025]獲取模塊，用于獲取服務(wù)器監(jiān)控的預(yù)定樣本數(shù)據(jù)；
[0026]消噪模塊，用于對(duì)所述預(yù)定樣本數(shù)據(jù)進(jìn)行消噪處理，得到檢測(cè)樣本數(shù)據(jù)；
[0027]檢測(cè)模塊，用于將所述檢測(cè)樣本數(shù)據(jù)作為ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型輸入進(jìn)行計(jì)算，得到負(fù)載狀態(tài)結(jié)果。
[0028]其中，還包括:
[0029]發(fā)送模塊，用于將所述負(fù)載狀態(tài)結(jié)果發(fā)送至數(shù)據(jù)中心。
[0030]其中，所述檢測(cè)模塊包括:
[0031]確定單元，用于將計(jì)算結(jié)果與所述ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型中的級(jí)別區(qū)間進(jìn)行比較，確定所述計(jì)算結(jié)果所屬的級(jí)別，其中，所述級(jí)別包括良好、正常、較差、糟糕。
[0032]其中，構(gòu)建ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型包括:
[0033]構(gòu)建模塊，用于構(gòu)建初級(jí)ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型；
[0034]樣本數(shù)據(jù)模塊，用于獲取服務(wù)器監(jiān)控的預(yù)定樣本數(shù)據(jù)；
[0035]可用數(shù)據(jù)模塊，用于對(duì)所述預(yù)定樣本數(shù)據(jù)進(jìn)行消噪處理，得到可用預(yù)定樣本數(shù)據(jù)，并將所述可用預(yù)定樣本數(shù)據(jù)存儲(chǔ)到樣本數(shù)據(jù)庫中；
[0036]比較模塊，用于判斷所述樣本數(shù)據(jù)庫中的樣本數(shù)量是否滿足閾值；
[0037]若是，則觸發(fā)訓(xùn)練模塊將所述樣本數(shù)據(jù)庫中的數(shù)據(jù)作為所述初級(jí)ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型的輸入，對(duì)所述初級(jí)ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型進(jìn)行訓(xùn)練，得到所述ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型。
[0038]其中，所述訓(xùn)練模塊包括:
[0039]類別單元，用于對(duì)所述初級(jí)ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型進(jìn)行訓(xùn)練，根據(jù)輸出層的網(wǎng)絡(luò)神經(jīng)元信息對(duì)負(fù)載情況進(jìn)行分類，得到每個(gè)樣本負(fù)載類別；
[0040]第一判斷單元，用于判斷得到的每個(gè)樣本負(fù)載類別是否正確；
[0041]第二判斷單元，用于統(tǒng)計(jì)樣本負(fù)載類別正確的樣本的數(shù)量，并判斷所述數(shù)量是否滿足預(yù)定條件；
[0042]若滿足，則訓(xùn)練通過，得到所述ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型；
[0043]若不滿足，則觸發(fā)訓(xùn)練模塊繼續(xù)對(duì)所述初級(jí)ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型進(jìn)行訓(xùn)練。
[0044]本發(fā)明所提供的基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的服務(wù)器負(fù)載檢測(cè)的方法及系統(tǒng)，包括:獲取服務(wù)器監(jiān)控的預(yù)定樣本數(shù)據(jù)；對(duì)所述預(yù)定樣本數(shù)據(jù)進(jìn)行消噪處理，得到檢測(cè)樣本數(shù)據(jù)；將所述檢測(cè)樣本數(shù)據(jù)作為ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型輸入進(jìn)行計(jì)算，得到負(fù)載狀態(tài)結(jié)果；
[0045]該方法及系統(tǒng)使用ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型對(duì)負(fù)載進(jìn)行計(jì)算，且由于ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型是基于通過對(duì)大規(guī)模負(fù)載監(jiān)控樣本數(shù)據(jù)訓(xùn)練得出的，因此準(zhǔn)確性高，且將非線性的神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于云數(shù)據(jù)中心的負(fù)載檢測(cè)實(shí)踐中，有效地改進(jìn)了大多數(shù)負(fù)載確定方法不夠合理、準(zhǔn)確的問題。
【附圖說明】
[0046]為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。
[0047]圖1為本發(fā)明實(shí)施例所提供的基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的服務(wù)器負(fù)載檢測(cè)的方法的流程圖；
[0048]圖2為本發(fā)明實(shí)施例所提供的構(gòu)建ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型的方法的流程圖；
[0049]圖3為本發(fā)明實(shí)施例所提供的基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的服務(wù)器負(fù)載檢測(cè)的系統(tǒng)的結(jié)構(gòu)框圖；
[0050]圖4為本發(fā)明實(shí)施例所提供的構(gòu)建ART自適應(yīng)神經(jīng)網(wǎng)絡(luò)負(fù)載檢測(cè)模型的結(jié)構(gòu)框圖。
【具體實(shí)施方式】
[0051]本發(fā)明的核心是提供一種基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的服務(wù)器負(fù)載檢測(cè)的方法及系統(tǒng)，能夠?qū)⒎蔷€性的神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于負(fù)載檢測(cè)實(shí)踐中，有效地改進(jìn)了大多數(shù)負(fù)載確定方法不夠合理、準(zhǔn)確的問題。
[0052]為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0053]請(qǐng)參考圖1，圖1為本發(fā)明實(shí)施例所提供的基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的服務(wù)器負(fù)載檢測(cè)的方法的流程圖；該方法可以包括:
[0054]SlOO、獲取服務(wù)器監(jiān)控的預(yù)定樣本數(shù)據(jù)；
[0055]其中，預(yù)定樣本數(shù)據(jù)可以包括CPU利用率、內(nèi)存利用率、磁盤10、網(wǎng)絡(luò)1等數(shù)據(jù)；一般情況下，可以選擇CPU利用率、內(nèi)存利用率、磁盤10、網(wǎng)絡(luò)1構(gòu)成一個(gè)四維輸入樣本信息，作為從服務(wù)器監(jiān)控的預(yù)定樣本數(shù)據(jù)。這里的預(yù)定樣本是根據(jù)實(shí)際情況可以由用戶自己確定的。其中，服務(wù)器可以是中心中服務(wù)器資源，也可以是從云數(shù)據(jù)中來獲取需要的數(shù)據(jù)。
[0056]這里可以是間隔預(yù)定時(shí)間獲取依次數(shù)據(jù)，也可以是實(shí)時(shí)進(jìn)行獲取數(shù)據(jù)。
[0057]sllO、對(duì)所述預(yù)定樣本數(shù)據(jù)進(jìn)行消噪處理，得到檢測(cè)樣本數(shù)據(jù)；
[0058]其中，過濾噪音數(shù)據(jù)，提高數(shù)據(jù)可靠性，例如對(duì)上述形成的四維數(shù)據(jù)維度不全，缺失某一個(gè)或多個(gè)維度的數(shù)據(jù)進(jìn)行濾除。
[