[发明专利]一种混合策略的服务器异常智能检测方法及检测系统

说明书

本发明公开一种混合策略的服务器异常智能检测方法，包括历史数据采集分析步骤和实时异常报警步骤；其中，所述历史数据采集分析步骤包括采集预设时间周期内的服务器历史数据，对历史数据进行预处理，筛选出需要进行分析的特征，将每一项特征对应的数据作为一个时间序列；结合时间序列分解算法和格拉布斯检验算法确定历史数据中每一段时间序列对应的正常值和异常值；计算历史数据中每一项特征对应的正常阈值，即每一段时间序列中正常值的最大值和最小值范围；以历史数据中的所有时间序列为训练样本，建立若干种异常数据检测模型对待测样本进行预测判断，输出待测样本为异常的概率，用以实时报警步骤中对实时数据进行分析。

技术领域

本发明涉及一种混合策略的服务器异常智能检测方法及检测系统，属于计算机技术领域。

背景技术

近年来，随着对企业对于计算能力、存储能力、网络资源的要求不断提高，为客户提供服务器的平台也越来越多。但是，各类服务器在运行过程中可能会出现各种各样的异常或者故障，给客户的实际使用造成诸多影响，也给平台的管理带来不便。由于服务器是长期不间断的进行作业，因此，为了提供稳定的服务质量，让客户拥有可靠的保障，提供服务器的平台需要对运行中的服务器进行实时监控，及时发现并排查处理可能存在的异常或故障。

服务器异常检测是服务器运行维护的一个重要部分，异常检测技术的基本思想是通过对历史数据进行分析，确定异常判断的规则或者模型，并将其用于对新数据的异常检测，若新数据不符合异常判断的规则或者模型，则判断该数据为异常。服务器异常检测是指通过分析服务器数据，如：流量数据、端口数据、服务器运行状态数据等，判断服务器当前的运行状态是否出现异常，并确定出现异常的原因便于维护人员及时处理。

服务器异常检测对于维护服务器的正常运行有着重要的作用。现阶段，由于服务器数据规模庞大并且数据关系复杂，为了降低服务器集群的运维成本和人工排查异常的压力，需要实现一种智能化的服务器实时监控和异常检测系统。

然而，现有的服务器异常检测技术存在着灵活性差、效率低、难以满足实际需求等诸多方面的问题。

一方面，现有的服务器异常检测技术多采用已有的异常检测算法对服务器数据进行分析。这些异常检测算法主要包括：基于数据统计分布的异常检测算法，基于时间序列的异常检测算法和基于机器学习的异常检测算法。基于数据统计分布的异常检测算法速度极快，能够迅速检测出历史数据中异常值，建立异常判断的规则，但是该算法对于数据分布有较严格的要求，而且难以充分发掘数据之间的关联关系和时间特性，在实际使用中往往缺乏灵活性。基于时间序列的异常检测算法充分考虑了数据的时间特性，该算法以历史数据的周期性分布规律为异常判断的规则，对当前时刻的数据进行判断。基于时间序列的异常检测算法广泛的应用于网络流量检测、金融数据分析以及自然灾害预报等领域；但是该算法不适用于高维数据，难以对服务器数据之间的关联关系进行分析。基于机器学习的异常检测算法发挥了机器学习算法对处理大规模复杂数据的优势，机器学习算法成功的应用于图像识别、网络安全、互联网推荐系统等多个领域，是当前服务器异常检测算法研究的热点方向；但是机器学习算法训练出的模型性能受训练数据的影响较大，由于服务器数据的多变性和复杂性，直接利用机器学习算法建立异常判断的模型难以保证模型的准确性、可靠性以及泛化能力，并且，许多机器学习算法建立模型或者进行实时分析的时间成本过高，难以满足实际应用的需求。

另一方面，判断服务器是否异常需要综合全面的分析服务器数据，由于网络环境的复杂性，服务器异常检测的标准不是固定不变的，需要根据服务器的实际情况实时地、智能地进行调整以满足实际需求，而现有的服务器异常检测技术缺乏对于实际场景的考虑。

综上所述，单一的使用一种异常检测算法的技术方案难以适用于复杂的网络环境。在实际应用中，现有的服务器异常检测技术缺乏灵活性，往往无法取得很好的效果，在异常检测的准确率、效率上也难以得到保证，无法满足实际需求。

因此，如何实现一种高效的、智能化的服务器实时监控和异常检测系统成为亟待解决的问题。

发明内容