开云优惠体育网页版入口

专利名称：一种服务器故障预测方法及装置

专利类型：发明专利

专利申请号：CN202410852079.4

专利申请（专利权）人：四川川西数据产业有限公司
权利人地址：四川省雅安市经开区园区大道川西大数据产业园2号楼

专利发明（设计）人：发明人:王帅,曾治富,刘燚

专利摘要：本发明公开了一种服务器故障预测方法及装置，涉及服务器监测技术领域。其中，该方法包括：从服务器的故障数据库中获取进行预测之前的第一预设时间段内的历史故障记录；获取在进行预测之前的第二预设时间段内服务器的运行状态对应的第二时序数据；基于第一时序数据以及第二时序数据确定节点关联关系；根据节点关联关系构建包括故障记录节点以及运行状态节点的异构图；基于服务器的图嵌入向量，对异构图中的故障记录节点和运行状态节点之间的各条边的权值进行更新；根据更新后的异构图对服务器的未来故障情况进行预测。本申请实现了对服务器的未来故障情况进行预测的技术效果。

主权利要求：
1.一种服务器故障预测方法，其特征在于，包括：
从服务器的故障数据库中获取进行预测之前的第一预设时间段内的历史故障记录；其中，所述故障数据库中存储有多条故障记录对应的第一时序数据，每条故障记录包括故障类型数据；
获取在进行预测之前的第二预设时间段内所述服务器的运行状态对应的第二时序数据；其中，所述服务器的运行状态包括所述服务器的磁盘的运行状态、所述服务器的中央处理器的使用率、所述服务器上部署的数据库的读写状态以及所述服务器的响应时间；
基于所述第一时序数据以及所述第二时序数据确定节点关联关系；其中，所述节点关联关系包括故障记录节点以及运行状态节点之间的相互关系，所述故障记录节点与所述运行状态节点均包括多个属性；所述运行状态节点的多个属性用于表示所述服务器的运行状态的多个特征；所述故障记录节点的多个属性用于表示所述多条故障记录的多个特征；
根据所述节点关联关系构建包括所述故障记录节点以及所述运行状态节点的异构图；
其中，所述异构图中，所述故障记录节点以及所述运行状态节点之间的各条边基于所述节点关联关系确定；
将所述运行状态节点的多个属性以及所述故障记录节点的多个属性输入第一图神经网络中，计算所述故障记录节点以及所述运行状态节点之间的各条边的高斯相似度函数值；
根据所述各条边的高斯相似度函数值以及所述服务器的图嵌入向量，构建所述各条边的关联权重矩阵，根据所述关联权重矩阵更新所述各条边的权值；其中，所述服务器的图嵌入向量为根据所述第一图神经网络构建得到的；
根据更新后的异构图中各条边的权值以及节点分组情况，确定所述更新后的异构图的当前网络信息；
在所述更新后的异构图的当前网络信息满足预设网络条件的情况下，将各组中的节点的权值和所述更新后的异构图中各条边的权值映射到广义邻接矩阵，得到异构权重矩阵；
其中，所述各组中的节点包括各个分组中的所述故障记录节点以及所述运行状态节点；
获取所述更新后的异构图中所述故障记录节点的特征向量和所述运行状态节点的特征向量；
使用门控图卷积时序神经网络对所述故障记录节点的特征向量和所述运行状态节点的特征向量进行更新；
使用注意力网络对更新后的所述故障记录节点的特征向量以及更新后的所述运行状态节点的特征向量进行加权求和，得到节点融合特征向量；其中，所述注意力网络通过将所述故障记录节点的特征信息与所述运行状态节点的特征信息相融合，构成共享空间，使得各参数共享各特征信息；
根据所述异构权重矩阵，采用第二图神经网络对所述节点融合特征向量进行处理，获取节点隐藏向量；
基于所述异构权重矩阵以及所述节点隐藏向量对所述服务器的未来故障情况进行预测。
2.根据权利要求1所述的服务器故障预测方法，其特征在于，
所述预设网络条件基于各组中的节点的差异度以及邻居节点密度确定；在所述更新后的异构图的当前网络信息不满足所述预设网络条件的情况下，更新所述节点分组情况，直至所述更新后的异构图的当前网络信息满足所述预设网络条件。
3.根据权利要求1所述的服务器故障预测方法，其特征在于，所述第一图神经网络基于以下步骤建立：获取多个训练样本；其中，每个所述训练样本包括故障记录结构数据以及运行状态结构数据；其中，所述故障记录结构数据为多条样本故障记录的多个特征对应的图结构数据，所述运行状态结构数据为所述服务器的样本运行状态的多个特征对应的图结构数据；
利用所述多个训练样本对所述第一图神经网络进行迭代训练，直至达到最大迭代次数，或者所述第一图神经网络的网络参数收敛，得到训练好的所述第一图神经网络。
4.根据权利要求1所述的服务器故障预测方法，其特征在于，所述服务器的响应时间基于以下步骤得到：基于预设周期在第一时间点向所述服务器连续发送探测信号，其中，所述服务器在接收到所述探测信号后返回响应信号；
确定接收到所述服务器返回的所述响应信号的第二时间点；
将所述第二时间点与所述第一时间点之间的时间段作为所述服务器的响应时间。
5.根据权利要求1所述的服务器故障预测方法，其特征在于，在获取服务器的故障数据库之前，所述方法还包括：在对所述服务器发生的故障进行修复后，将故障记录存储到所述故障数据库中。
6.一种服务器故障预测装置，其特征在于，包括：
历史故障记录获取单元，用于从服务器的故障数据库中获取进行预测之前的第一预设时间段内的历史故障记录；其中，所述故障数据库中存储有多条故障记录对应的第一时序数据，每条故障记录包括故障类型数据；
历史运行状态获取单元，用于获取在进行预测之前的第二预设时间段内所述服务器的运行状态对应的第二时序数据；其中，所述服务器的运行状态包括所述服务器的磁盘的运行状态、所述服务器的中央处理器的使用率、所述服务器上部署的数据库的读写状态以及所述服务器的响应时间；
节点关联关系确定单元，用于基于所述第一时序数据以及所述第二时序数据确定节点关联关系；其中，所述节点关联关系包括故障记录节点以及运行状态节点之间的相互关系，所述故障记录节点与所述运行状态节点均包括多个属性；所述运行状态节点的多个属性用于表示所述服务器的运行状态的多个特征；所述故障记录节点的多个属性用于表示所述多条故障记录的多个特征；
异构图构建单元，用于根据所述节点关联关系构建包括所述故障记录节点以及所述运行状态节点的异构图；其中，所述异构图中，所述故障记录节点以及所述运行状态节点之间的各条边基于所述节点关联关系确定；
边权值更新单元，用于将所述运行状态节点的多个属性以及所述故障记录节点的多个属性输入第一图神经网络中，计算所述故障记录节点以及所述运行状态节点之间的各条边的高斯相似度函数值；根据所述各条边的高斯相似度函数值以及所述服务器的图嵌入向量，构建所述各条边的关联权重矩阵，根据所述关联权重矩阵更新所述各条边的权值；其中，所述服务器的图嵌入向量为根据所述第一图神经网络构建得到的；
故障预测单元，用于根据更新后的异构图中各条边的权值以及节点分组情况，确定所述更新后的异构图的当前网络信息；在所述更新后的异构图的当前网络信息满足预设网络条件的情况下，将各组中的节点的权值和所述更新后的异构图中各条边的权值映射到广义邻接矩阵，得到异构权重矩阵；其中，所述各组中的节点包括各个分组中的所述故障记录节点以及所述运行状态节点；获取所述更新后的异构图中所述故障记录节点的特征向量和所述运行状态节点的特征向量；使用门控图卷积时序神经网络对所述故障记录节点的特征向量和所述运行状态节点的特征向量进行更新；使用注意力网络对更新后的所述故障记录节点的特征向量以及更新后的所述运行状态节点的特征向量进行加权求和，得到节点融合特征向量；其中，所述注意力网络通过将所述故障记录节点的特征信息与所述运行状态节点的特征信息相融合，构成共享空间，使得各参数共享各特征信息；根据所述异构权重矩阵，采用第二图神经网络对所述节点融合特征向量进行处理，获取节点隐藏向量；基于所述异构权重矩阵以及所述节点隐藏向量对所述服务器的未来故障情况进行预测。 说明书 : 一种服务器故障预测方法及装置技术领域[0001] 本申请涉及服务器监测技术领域，具体而言，涉及一种服务器故障预测方法及装置。背景技术[0002] 随着数据中心规模的持续增长，对数据中心的安全性和稳定性要求越来越高。机房作为一个重要的数据中心，其中存放的服务器若出现故障，往往会导致相关的业务运行出现问题，从而造成数据损坏以及经济损失等后果。[0003] 目前，现有技术通常是通过人工定期对服务器进行测试来监测服务器的故障情况。一方面，由于数据中心内存放的服务器的数量庞大，人工监测服务器的故障情况会消耗巨大的人力，增加服务器的维护成本。另一方面，由于无法做到预测服务器故障，因而很难在故障发生后及时发现并处理。[0004] 针对上述的问题，目前尚未提出有效的解决方案。发明内容[0005] 本申请实施例提供了一种服务器故障预测方法及装置，以解决上述技术问题。[0006] 根据本申请实施例的一个方面，提供了一种服务器故障预测方法，包括：从服务器的故障数据库中获取进行预测之前的第一预设时间段内的历史故障记录；其中，上述故障数据库中存储有多条故障记录对应的第一时序数据，每条故障记录包括故障类型数据；获取在进行预测之前的第二预设时间段内上述服务器的运行状态对应的第二时序数据；其中，上述服务器的运行状态包括上述服务器的磁盘的运行状态、上述服务器的中央处理器的使用率、上述服务器上部署的数据库的读写状态以及上述服务器的响应时间；基于上述第一时序数据以及上述第二时序数据确定节点关联关系；其中，上述节点关联关系包括故障记录节点以及运行状态节点之间的相互关系，上述故障记录节点与上述运行状态节点均包括多个属性；上述运行状态节点的多个属性用于表示上述服务器的运行状态的多个特征；上述故障记录节点的多个属性用于表示上述多条故障记录的多个特征；根据上述节点关联关系构建包括上述故障记录节点以及上述运行状态节点的异构图；其中，上述异构图中，上述故障记录节点以及上述运行状态节点之间的各条边基于上述节点关联关系确定；基于上述服务器的图嵌入向量，对上述异构图中的上述故障记录节点和上述运行状态节点之间的各条边的权值进行更新；其中，上述服务器的图嵌入向量为根据第一图神经网络构建得到的；根据更新后的异构图对上述服务器的未来故障情况进行预测。[0007] 根据本申请实施例的另一方面，提供了一种服务器故障预测装置，包括：历史故障记录获取单元，用于从服务器的故障数据库中获取进行预测之前的第一预设时间段内的历史故障记录；其中，上述故障数据库中存储有多条故障记录对应的第一时序数据，每条故障记录包括故障类型数据；历史运行状态获取单元，用于获取在进行预测之前的第二预设时间段内上述服务器的运行状态对应的第二时序数据；其中，上述服务器的运行状态包括上述服务器的磁盘的运行状态、上述服务器的中央处理器的使用率、上述服务器上部署的数据库的读写状态以及上述服务器的响应时间；节点关联关系确定单元，用于基于上述第一时序数据以及上述第二时序数据确定节点关联关系；其中，上述节点关联关系包括故障记录节点以及运行状态节点之间的相互关系，上述故障记录节点与上述运行状态节点均包括多个属性；上述运行状态节点的多个属性用于表示上述服务器的运行状态的多个特征；上述故障记录节点的多个属性用于表示上述多条故障记录的多个特征；异构图构建单元，用于根据上述节点关联关系构建包括上述故障记录节点以及上述运行状态节点的异构图；其中，上述异构图中，上述故障记录节点以及上述运行状态节点之间的各条边基于上述节点关联关系确定；边权值更新单元，用于基于上述服务器的图嵌入向量，对上述异构图中的上述故障记录节点和上述运行状态节点之间的各条边的权值进行更新；其中，上述服务器的图嵌入向量为根据第一图神经网络构建得到的；故障预测单元，根据更新后的异构图对上述服务器的未来故障情况进行预测。[0008] 根据本申请实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过所述计算机程序执行上述的服务器故障预测方法。[0009] 基于本申请提供的服务器故障预测方法及装置，从服务器的故障数据库中获取进行预测之前的第一预设时间段内的历史故障记录；获取在进行预测之前的第二预设时间段内服务器的运行状态对应的第二时序数据；基于第一时序数据以及第二时序数据确定节点关联关系；根据节点关联关系构建包括故障记录节点以及运行状态节点的异构图；基于服务器的图嵌入向量，对异构图中的故障记录节点和运行状态节点之间的各条边的权值进行更新；根据更新后的异构图对服务器的未来故障情况进行预测。也就是说，通过对机房存放的服务器故障的预测，一方面，可以及时发现故障并解决故障，可以在一定程度上避免经济损失，降低数据损失的程度；另一方面，可以节约人力物力，节省服务器的维护成本，保证服务器运行的稳定性，进而可以保证相关业务运行的稳定性。附图说明[0010] 此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：[0011] 图1为根据本申请实施例的一种可选的服务器故障预测方法的流程图；[0012] 图2为根据本申请实施例的一种可选的服务器故障预测装置的结构图。[0013] 本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式[0014] 为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。[0015] 需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。[0016] 可选地，作为一种可选的实施方式，如图1所示，本申请实施例提供一种服务器故障预测方法，包括：[0017] S101，从服务器的故障数据库中获取进行预测之前的第一预设时间段内的历史故障记录；其中，故障数据库中存储有多条故障记录对应的第一时序数据，每条故障记录包括故障类型数据；[0018] 应理解，时序数据是指时间序列数据。时间序列数据是统一指标按时间顺序记录的数据列。在同一数据列中的各个数据具有可比性。时序数据可以是时期数，也可以时点数。时间序列分析的目的是通过找出样本内时间序列的统计特性和发展规律性，构建时间序列模型，进行样本外预测。[0019] 在本申请实施例中，上述服务器可以是机房中的任意一台或者多台服务器。故障类型数据可以包括但不限于磁盘故障类型、数据库故障类型、网络连接故障类型以及中央处理器故障类型。每条故障记录可以包括故障特征数据，以故障类型数据包括磁盘故障类型为例，故障特征数据可以包括但不限于非安全下电次数、磁盘坏区、硬件重启次数、硬盘异常温度以及硬盘异常启动时间。[0020] S102，获取在进行预测之前的第二预设时间段内服务器的运行状态对应的第二时序数据；其中，服务器的运行状态包括服务器的磁盘的运行状态、服务器的中央处理器的使用率、服务器上部署的数据库的读写状态以及服务器的响应时间；[0021] 在本申请的一些实施例中，第一预设时间段和第二预设时间段可以相同或者不同。服务器的运行状态还可以包括但不限于中央处理器的温度以及主板温度等。[0022] 作为一种可选的方案，服务器的响应时间可以基于以下步骤得到：[0023] 基于预设周期在第一时间点向服务器连续发送探测信号，其中，服务器在接收到探测信号后返回响应信号；[0024] 确定接收到服务器返回的响应信号的第二时间点；[0025] 将第二时间点与第一时间点之间的时间段作为服务器的响应时间。[0026] S103，基于第一时序数据以及第二时序数据确定节点关联关系；其中，节点关联关系包括故障记录节点以及运行状态节点之间的相互关系，故障记录节点与运行状态节点均包括多个属性；运行状态节点的多个属性用于表示服务器的运行状态的多个特征；故障记录节点的多个属性用于表示多条故障记录的多个特征；[0027] S104，根据节点关联关系构建包括故障记录节点以及运行状态节点的异构图；其中，异构图中，故障记录节点以及运行状态节点之间的各条边基于节点关联关系确定；[0028] S105，基于服务器的图嵌入向量，对异构图中的故障记录节点和运行状态节点之间的各条边的权值进行更新；其中，服务器的图嵌入向量为根据第一图神经网络构建得到的；[0029] S106，根据更新后的异构图对服务器的未来故障情况进行预测。[0030] 基于本申请提供的实施例，从服务器的故障数据库中获取进行预测之前的第一预设时间段内的历史故障记录；获取在进行预测之前的第二预设时间段内服务器的运行状态对应的第二时序数据；基于第一时序数据以及第二时序数据确定节点关联关系；根据节点关联关系构建包括故障记录节点以及运行状态节点的异构图；基于服务器的图嵌入向量，对异构图中的故障记录节点和运行状态节点之间的各条边的权值进行更新；根据更新后的异构图对服务器的未来故障情况进行预测。也就是说，通过对机房存放的服务器故障的预测，一方面，可以及时发现故障并解决故障，可以在一定程度上避免经济损失，降低数据损失的程度；另一方面，可以节约人力物力，节省服务器的维护成本，保证服务器运行的稳定性，进而可以保证相关业务运行的稳定性。[0031] 作为一种可选的方案，基于服务器的图嵌入向量，对异构图中的故障记录节点和运行状态节点之间的各条边的权值进行更新，包括：[0032] 将运行状态节点的多个属性以及故障记录节点的多个属性输入第一图神经网络中，计算故障记录节点以及运行状态节点之间的各条边的高斯相似度函数值；[0033] 根据各条边的高斯相似度函数值以及服务器的图嵌入向量，构建各条边的关联权重矩阵，根据关联权重矩阵更新各条边的权值。[0034] 作为一种可选的方案，根据更新后的异构图对服务器的未来故障情况进行预测，包括：[0035] 根据更新后的异构图中各条边的权值以及节点分组情况，确定更新后的异构图的当前网络信息；[0036] 在更新后的异构图的当前网络信息满足预设网络条件的情况下，将各组中的节点的权值和更新后的异构图中各条边的权值映射到广义邻接矩阵，得到异构权重矩阵；其中，各组中的节点包括各个分组中的故障记录节点以及运行状态节点；[0037] 在本申请实施例中，故障记录节点以及运行状态节点均包括多个子节点，对异构图所包括的各个节点对应的子节点的分组的不同，通常会导致不同分组中的子节点的权值的改变，属于同一分组的节点的权值相对更大。节点分组可以基于故障记录节点以及运行状态节点两者所包括的多个子节点的相关特性来划分，其中，相关特性可以包括软件相关或者硬件相关；节点分组还可以基于故障记录节点以及运行状态节点两者所包括的多个子节点所属的时间区间来划分。节点分组还可以同时基于子节点的相关特性以及子节点所属的时间区间来划分。[0038] 在本申请的一些实施例中，预设网络条件为基于各组中的节点的差异度以及邻居节点密度确定；在更新后的异构图的当前网络信息不满足预设网络条件的情况下，更新节点分组情况，直至更新后的异构图的当前网络信息满足预设网络条件。其中，一个节点的邻居节点数越多，则其邻居节点密度越高。[0039] 基于本申请提供的实施例，根据预设网络条件将各组中的节点的权值和更新后的异构图中各条边的权值映射到广义邻接矩阵，可以得到更准确的异构权重矩阵，便于后续的准确计算。[0040] 获取更新后的异构图中故障记录节点的特征向量和运行状态节点的特征向量；[0041] 使用门控图卷积时序神经网络对故障记录节点的特征向量和运行状态节点的特征向量进行更新；使用注意力网络对更新后的故障记录节点的特征向量以及更新后的运行状态节点的特征向量进行加权求和，得到节点融合特征向量；[0042] 其中，注意力网络通过将故障记录节点的特征信息与运行状态节点的特征信息相融合，构成共享空间，使得各参数共享各特征信息；[0043] 在本实施例中，将更新后的故障记录节点的特征向量以及更新后的运行状态节点的特征向量输入注意力网络，可以捕获各节点序列中上下文信息之间的依赖关系。[0044] 根据异构权重矩阵，采用第二图神经网络对节点融合特征向量进行处理，获取节点隐藏向量；[0045] 基于异构权重矩阵以及节点隐藏向量对服务器的未来故障情况进行预测。[0046] 作为一种可选的方案，第一图神经网络基于以下步骤建立：[0047] 获取多个训练样本；其中，每个训练样本包括故障记录结构数据以及运行状态结构数据；其中，故障记录结构数据为多条样本故障记录的多个特征对应的图结构数据，运行状态结构数据为服务器的样本运行状态的多个特征对应的图结构数据；[0048] 利用多个训练样本对第一图神经网络进行迭代训练，直至达到最大迭代次数，或者第一图神经网络的网络参数收敛，得到训练好的第一图神经网络。[0049] 作为一种可选的方案，在获取服务器的故障数据库之前，方法还包括：[0050] 在对服务器发生的故障进行修复后，将故障记录存储到故障数据库中。[0051] 可选地，作为一种可选的实施方式，如图2所示，本申请提供一种服务器故障预测装置，其特征在于，包括：[0052] 历史故障记录获取单元201，用于从服务器的故障数据库中获取进行预测之前的第一预设时间段内的历史故障记录；其中，故障数据库中存储有多条故障记录对应的第一时序数据，每条故障记录包括故障类型数据；[0053] 历史运行状态获取单元202，用于获取在进行预测之前的第二预设时间段内服务器的运行状态对应的第二时序数据；其中，服务器的运行状态包括服务器的磁盘的运行状态、服务器的中央处理器的使用率、服务器上部署的数据库的读写状态以及服务器的响应时间；[0054] 节点关联关系确定单元203，用于基于第一时序数据以及第二时序数据确定节点关联关系；其中，节点关联关系包括故障记录节点以及运行状态节点之间的相互关系，故障记录节点与运行状态节点均包括多个属性；运行状态节点的多个属性用于表示服务器的运行状态的多个特征；故障记录节点的多个属性用于表示多条故障记录的多个特征；[0055] 异构图构建单元204，用于根据节点关联关系构建包括故障记录节点以及运行状态节点的异构图；其中，异构图中，故障记录节点以及运行状态节点之间的各条边基于节点关联关系确定；[0056] 边权值更新单元205，用于基于服务器的图嵌入向量，对异构图中的故障记录节点和运行状态节点之间的各条边的权值进行更新；其中，服务器的图嵌入向量为根据第一图神经网络构建得到的；[0057] 故障预测单元206，根据更新后的异构图对服务器的未来故障情况进行预测。[0058] 基于本申请提供的实施例，结合各单元所实现的功能，一方面，可以及时发现故障并解决故障，可以在一定程度上避免经济损失，降低数据损失的程度；另一方面，可以节约人力物力，节省服务器的维护成本，保证服务器运行的稳定性，进而可以保证相关业务运行的稳定性。[0059] 需要说明的是，本申请所记载的服务器故障预测装置侧所实现的实施例可以参照服务器故障预测方法侧所实现的实施例，本申请不再一一赘述。[0060] 以上仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

专利地区：四川

专利申请日期：2024-06-28

专利公开日期：2024-10-15

专利公告号：CN118394559B