服務(wù)器可用內(nèi)存異常增長(zhǎng)及運(yùn)行狀況的評(píng)估方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種服務(wù)器可用內(nèi)存異常增長(zhǎng)及運(yùn)行狀況的評(píng)估方法。
【背景技術(shù)】
[0002]現(xiàn)有技術(shù)中，對(duì)于服務(wù)器的可用內(nèi)存的評(píng)估普遍存在識(shí)別能力不夠強(qiáng)、評(píng)估結(jié)果可信度不夠高、使用有較多限制的缺陷。
[0003]在很多現(xiàn)有評(píng)估方法中，需要服務(wù)器的數(shù)據(jù)分布較為特定且已知，評(píng)估結(jié)果才具有較高的可信度。而在一些采用累積變化量的評(píng)估方法中，則非常依賴于累積變化量權(quán)重的合理選取，權(quán)重選取的適當(dāng)與否對(duì)于結(jié)果的準(zhǔn)確性影響極大，此外還會(huì)受算法中的閾值選取的影響。

【發(fā)明內(nèi)容】

[0004]本發(fā)明要解決的技術(shù)問(wèn)題是為了克服現(xiàn)有技術(shù)中對(duì)于服務(wù)器可用內(nèi)存的運(yùn)行狀況的評(píng)估識(shí)別能力不夠強(qiáng)、評(píng)估結(jié)果可信度不夠高、使用有較多限制，計(jì)算中的權(quán)重和閾值選取會(huì)對(duì)結(jié)果產(chǎn)生極大影響的缺陷，提供一種服務(wù)器可用內(nèi)存異常增長(zhǎng)及運(yùn)行狀況的評(píng)估方法。
[0005]本發(fā)明是通過(guò)下述技術(shù)方案來(lái)解決上述技術(shù)問(wèn)題的:
[0006]—種服務(wù)器可用內(nèi)存異常增長(zhǎng)及運(yùn)行狀況的評(píng)估方法，其特征在于，包括以下步驟:
[0007]步驟一、根據(jù)所確定的數(shù)據(jù)采集粒度提取當(dāng)天所有服務(wù)器的可用內(nèi)存數(shù)據(jù)；
[0008]步驟二、根據(jù)可用內(nèi)存計(jì)算環(huán)比比值，環(huán)比比值為當(dāng)前采樣時(shí)刻與前一采樣時(shí)刻的可用內(nèi)存數(shù)據(jù)的比值；
[0009]步驟三、使用均值回歸模型刻畫(huà)環(huán)比比值，以獲得適用于各個(gè)服務(wù)器的均值回歸豐旲型；
[0010]步驟四、基于各個(gè)服務(wù)器的均值回歸模型，采用強(qiáng)影響點(diǎn)方法尋找各個(gè)服務(wù)器的異常點(diǎn)；
[0011]步驟五、對(duì)尋找到的異常點(diǎn)對(duì)應(yīng)的環(huán)比比值進(jìn)行數(shù)據(jù)匯總，包括統(tǒng)計(jì)異常點(diǎn)的個(gè)數(shù)和異常點(diǎn)的環(huán)比比值的的平均值；
[0012]步驟六、基于步驟五統(tǒng)計(jì)的指標(biāo)進(jìn)行極差正規(guī)化變換，并基于變換后的數(shù)據(jù)進(jìn)行指定初始中心的Kmeans聚類分析，以獲得每臺(tái)服務(wù)器對(duì)應(yīng)的分類結(jié)果。
[0013]每個(gè)服務(wù)器的可用內(nèi)存數(shù)據(jù)的分布通常不盡相同，這樣依據(jù)傳統(tǒng)的方法就需要對(duì)數(shù)據(jù)分布不盡相同的服務(wù)器運(yùn)用多個(gè)分布，且難以判斷每個(gè)服務(wù)器的可用內(nèi)存數(shù)據(jù)服從何種分布。本發(fā)明將可用內(nèi)存的異常增長(zhǎng)的尋找轉(zhuǎn)換為尋找環(huán)比比值的異常值，并且在將原始數(shù)據(jù)轉(zhuǎn)換為環(huán)比比值后，除小部分?jǐn)?shù)據(jù)外，絕大部分服務(wù)器的絕大多數(shù)的可用內(nèi)存的環(huán)比比值基本上在一條水平線附近上下波動(dòng)。如此，就使得不同服務(wù)器的數(shù)據(jù)得以較為統(tǒng)一地服從一個(gè)較平穩(wěn)的分布，易于刻畫(huà)且異常值易識(shí)別?；诖?，本發(fā)明進(jìn)一步采用了均值回歸模型來(lái)進(jìn)行刻畫(huà)。在這之后，通過(guò)多種統(tǒng)計(jì)方法和統(tǒng)計(jì)量的檢驗(yàn)，能夠有較大的把握性找出異常點(diǎn)。
[0014]較佳地，步驟四中采用的強(qiáng)影響點(diǎn)的分析方法，包括以下方法總的一個(gè)或多個(gè):
[0015]帽子矩陣算法，DFFITS算法，Cook統(tǒng)計(jì)量算法，COVRAT1算法、外學(xué)生化殘差算法。
[0016]較佳地，數(shù)據(jù)采集粒度為分鐘，可用內(nèi)存數(shù)據(jù)包括每分鐘的可用內(nèi)存數(shù)據(jù)。
[0017]較佳地，步驟一還包括:判斷各個(gè)服務(wù)器的可用內(nèi)存數(shù)據(jù)的個(gè)數(shù)是否大于預(yù)設(shè)的閾值，將判斷結(jié)果為是的服務(wù)器作為參與聚類分析運(yùn)算的服務(wù)器。
[0018]在符合本領(lǐng)域常識(shí)的基礎(chǔ)上，上述各優(yōu)選條件，可任意組合，即得本發(fā)明各較佳實(shí)例。
[0019]本發(fā)明的積極進(jìn)步效果在于:本發(fā)明的評(píng)估方法能夠準(zhǔn)確地尋找到可用內(nèi)存的異常增長(zhǎng)，并為服務(wù)器的可用內(nèi)存運(yùn)行狀況進(jìn)行較為客觀的評(píng)估，評(píng)估過(guò)程無(wú)需人為設(shè)定權(quán)重值而避免了人為主觀指定對(duì)于最終評(píng)估結(jié)果的影響，并且計(jì)算時(shí)間短、普適性強(qiáng)。
【附圖說(shuō)明】
[0020]圖1為本發(fā)明一較佳實(shí)施例的服務(wù)器可用內(nèi)存異常增長(zhǎng)及運(yùn)行狀況的評(píng)估方法的流程圖。
【具體實(shí)施方式】
[0021]下面通過(guò)實(shí)施例的方式進(jìn)一步說(shuō)明本發(fā)明，但并不因此將本發(fā)明限制在所述的實(shí)施例范圍之中。
[0022]參考圖1所示，本實(shí)施例的服務(wù)器可用內(nèi)存異常增長(zhǎng)及運(yùn)行狀況的評(píng)估方法，包括以下步驟:
[0023]步驟一、根據(jù)分鐘粒度提取當(dāng)天所有服務(wù)器可用內(nèi)存數(shù)據(jù)；
[0024]步驟二、根據(jù)每分鐘的可用內(nèi)存計(jì)算環(huán)比比值，環(huán)比比值為當(dāng)前采樣時(shí)刻與前一采樣時(shí)刻的可用內(nèi)存數(shù)據(jù)的比值；
[0025]步驟三、使用均值回歸模型刻畫(huà)環(huán)比比值，以獲得適用于各個(gè)服務(wù)器的均值回歸豐旲型；
[0026]步驟四、基于各個(gè)服務(wù)器的均值回歸模型，采用強(qiáng)影響點(diǎn)方法尋找各個(gè)服務(wù)器各自的數(shù)據(jù)的異常點(diǎn)；
[0027]步驟五、對(duì)尋找到的異常點(diǎn)對(duì)應(yīng)的環(huán)比比值進(jìn)行數(shù)據(jù)匯總，包括統(tǒng)計(jì)異常點(diǎn)的個(gè)數(shù)和異常點(diǎn)的環(huán)比比值的的平均值；
[0028]步驟六、基于步驟五統(tǒng)計(jì)的指標(biāo)進(jìn)行極差正規(guī)化變換，并基于變換后的數(shù)據(jù)進(jìn)行指定初始中心的Kmeans聚類分析，以獲得每臺(tái)服務(wù)器對(duì)應(yīng)的分類結(jié)果。
[0029]本實(shí)施例中步驟四中采用的強(qiáng)影響點(diǎn)的分析方法，包括帽子矩陣算法，DFFITS算法，Cook統(tǒng)計(jì)量算法，COVRAT1算法、外學(xué)生化殘差算法。
[0030]其中，步驟一還包括:判斷各個(gè)服務(wù)器的可用內(nèi)存的原始數(shù)據(jù)的個(gè)數(shù)是否大于預(yù)設(shè)的閾值，將判斷結(jié)果為是的服務(wù)器作為參與聚類分析運(yùn)算的服務(wù)器。
[0031]雖然以上描述了本發(fā)明的【具體實(shí)施方式】，但是本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，這些僅是舉例說(shuō)明，本發(fā)明的保護(hù)范圍是由所附權(quán)利要求書(shū)限定的。本領(lǐng)域的技術(shù)人員在不背離本發(fā)明的原理和實(shí)質(zhì)的前提下，可以對(duì)這些實(shí)施方式做出多種變更或修改，但這些變更和修改均落入本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1.一種服務(wù)器可用內(nèi)存異常增長(zhǎng)及運(yùn)行狀況的評(píng)估方法，其特征在于，包括以下步驟: 步驟一、根據(jù)所確定的數(shù)據(jù)采集粒度提取當(dāng)天所有服務(wù)器的可用內(nèi)存數(shù)據(jù)； 步驟二、基于各時(shí)刻的可用內(nèi)存數(shù)據(jù)計(jì)算環(huán)比比值，環(huán)比比值為當(dāng)前采樣時(shí)刻與前一采樣時(shí)刻的可用內(nèi)存數(shù)據(jù)的比值； 步驟三、使用均值回歸模型刻畫(huà)環(huán)比比值的變化趨勢(shì)，以獲得適用于各個(gè)服務(wù)器的均值回歸模型； 步驟四、基于各個(gè)服務(wù)器的均值回歸模型，采用強(qiáng)影響點(diǎn)方法尋找各個(gè)服務(wù)器各自的數(shù)據(jù)的異常點(diǎn)； 步驟五、對(duì)尋找到的異常點(diǎn)對(duì)應(yīng)的環(huán)比比值進(jìn)行數(shù)據(jù)匯總，包括統(tǒng)計(jì)異常點(diǎn)的個(gè)數(shù)和異常點(diǎn)的環(huán)比比值的的平均值； 步驟六、基于步驟五統(tǒng)計(jì)的指標(biāo)進(jìn)行極差正規(guī)化變換，并基于變換后的數(shù)據(jù)進(jìn)行指定初始中心的Kmeans聚類分析，以獲得每臺(tái)服務(wù)器對(duì)應(yīng)的分類結(jié)果。2.如權(quán)利要求1所述的評(píng)估方法，其特征在于，步驟四中采用的強(qiáng)影響點(diǎn)的分析方法，包括以下方法中的一個(gè)或多個(gè): 帽子矩陣算法，DFFITS算法，Cook統(tǒng)計(jì)量算法，COVRAT1算法、外學(xué)生化殘差算法。3.如權(quán)利要求1所述的評(píng)估方法，其特征在于，數(shù)據(jù)采集粒度為分鐘，可用內(nèi)存數(shù)據(jù)包括每分鐘的可用內(nèi)存數(shù)據(jù)。4.如權(quán)利要求1-3中任意一項(xiàng)所述的評(píng)估方法，其特征在于，步驟一還包括:判斷各個(gè)服務(wù)器的可用內(nèi)存數(shù)據(jù)的個(gè)數(shù)是否大于預(yù)設(shè)的閾值，將判斷結(jié)果為是的服務(wù)器作為參與聚類分析運(yùn)算的服務(wù)器。
【專利摘要】本發(fā)明公開(kāi)了一種服務(wù)器可用內(nèi)存異常增長(zhǎng)及運(yùn)行狀況的評(píng)估方法。該評(píng)估方法包括以下步驟：以數(shù)據(jù)采集粒度提取當(dāng)天所有服務(wù)器的可用內(nèi)存數(shù)據(jù)；根據(jù)可用內(nèi)存數(shù)據(jù)計(jì)算環(huán)比比值；使用均值回歸模型刻畫(huà)環(huán)比比值的變化趨勢(shì)；基于各個(gè)服務(wù)器的均值回歸模型，采用強(qiáng)影響點(diǎn)方法尋找數(shù)據(jù)的異常點(diǎn)；對(duì)尋找到的異常點(diǎn)對(duì)應(yīng)的環(huán)比比值進(jìn)行數(shù)據(jù)匯總；對(duì)統(tǒng)計(jì)的指標(biāo)進(jìn)行極差正規(guī)化變換，并基于變換后的數(shù)據(jù)進(jìn)行指定初始中心的聚類分析。本發(fā)明的評(píng)估方法能夠準(zhǔn)確地尋找到可用內(nèi)存的異常增長(zhǎng)，并為服務(wù)器的可用內(nèi)存運(yùn)行狀況進(jìn)行較為客觀的評(píng)估，評(píng)估過(guò)程無(wú)需人為設(shè)定權(quán)重值而且避免了人為主觀指定對(duì)于最終評(píng)估結(jié)果的影響，并且計(jì)算時(shí)間短、普適性強(qiáng)。
【IPC分類】G06F11/30, G06K9/62
【公開(kāi)號(hào)】CN105183612
【申請(qǐng)?zhí)枴緾N201510622386
【發(fā)明人】唐力, 毛詠潔, 劉嬙, 周海燕
【申請(qǐng)人】攜程計(jì)算機(jī)技術(shù)（上海）有限公司
【公開(kāi)日】2015年12月23日
【申請(qǐng)日】2015年9月25日