[发明专利]多阶段云服务节点错误预测

权利要求书

1.一种用于预测节点故障的系统，所述系统包括：

至少一个处理器；以及

存储器，包括指令，所述指令在由所述至少一个处理器执行时，使所述至少一个处理器执行操作以：

获得针对云计算平台中的节点设备的空间度量集合和时间度量集合；

使用空间机器学习模型和时间机器学习模型来评估所述节点设备，以创建空间输出和时间输出；

基于使用排名模型对所述空间输出和所述时间输出的评估，来确定一个或多个潜在故障节点，其中所述一个或多个潜在故障节点是所述节点设备的子集；以及

从一个或多个潜在故障节点标识一个或多个迁移源节点，其中所述一个或多个迁移源节点通过对假阳性和假阴性节点检测的成本的最小化而被标识。

2.根据权利要求1所述的系统，其中所述存储器还包括用于使用随机森林训练来生成所述空间机器学习模型的指令。

3.根据权利要求1所述的系统，其中所述存储器还包括用于使用长短期记忆训练来生成所述时间机器学习模型的指令。

4.根据权利要求1所述的系统，其中用于确定所述一个或多个潜在故障节点的所述指令还包括用于以下的指令：

获得所述空间机器学习模型的树的空间输出向量；

获得所述时间机器学习模型的密集层的时间输出向量；

联接所述空间输出向量和所述时间输出向量，以形成用于所述排名模型的输入向量；以及

使用所述排名模型来生成所述节点设备的排名，其中所述一个或多个潜在故障节点是经排名的所述节点设备的子集。

5.根据权利要求1所述的系统，其中所述时间度量集合从所述云计算平台的相应节点被获得，其中节点包括托管一个或多个虚拟机(VM)的物理计算设备。

6.根据权利要求1所述的系统，其中所述空间度量集合从针对所述云计算平台的相应节点的节点控制器被获得。

7.根据权利要求1所述的系统，其中所述空间机器学习模型是使用空间度量的训练集而被生成的，并且其中所述空间度量的训练集包括由两个或更多个相应节点设备共享的度量。

8.根据权利要求1所述的系统，其中所述时间机器学习模型是使用时间度量的训练集而被生成的，并且其中所述时间度量的训练集包括相应节点设备所独有的度量。

9.根据权利要求1所述的系统，所述存储器还包括用于以下的指令：

基于使用所述排名模型对所述空间输出和所述时间输出的所述评估，来标识一个或多个潜在健康节点，其中所述一个或多个潜在健康节点是所述节点设备的子集；

从所述一个或多个潜在健康节点标识一个或多个迁移目标节点；以及

将虚拟机(VM)从所述一个或多个迁移源节点中的故障节点迁移到所述一个或多个迁移目标节点中的健康节点。

10.根据权利要求1所述的系统，所述存储器还包括用于以下的指令：

基于使用所述排名模型对所述空间输出和所述时间输出的所述评估，来标识一个或多个潜在健康节点，其中所述一个或多个潜在健康节点是所述节点设备的子集；

从所述一个或多个潜在健康节点标识一个或多个迁移目标节点；以及

在所述一个或多个迁移目标节点中的健康节点上创建新的虚拟机(VM)，代替所述一个或多个迁移源节点中的故障节点。

11.一种用于预测节点故障的方法，所述方法包括：

获得针对云计算平台中的节点设备的空间度量集合和时间度量集合；

使用空间机器学习模型和时间机器学习模型来评估所述节点设备，以创建空间输出和时间输出；

基于使用排名模型对所述空间输出和所述时间输出的评估，来确定一个或多个潜在故障节点，其中所述一个或多个潜在故障节点是所述节点设备的子集；以及

从一个或多个潜在故障节点标识一个或多个迁移源节点，其中所述一个或多个迁移源节点通过最小化假阳性和假阴性节点检测的成本而被标识。