[发明专利]基于时序数据的故障动态预测方法、装置及计算设备

说明书

本发明实施例涉及数据通信网络技术领域，公开了一种基于时序数据的故障动态预测方法、装置及计算设备，该方法包括：获取负载均衡实例中时序指标的实时时序数据和关联的业务数据；根据所述实时时序数据以及所述业务数据生成所述时序指标的动态阈值和临界值；基于所述时序指标的所述实时时序数据根据所述动态阈值、所述临界值以及关联的所述业务数据实时预测是否发生故障。通过上述方式，本发明实施例能够自动生成动态阈值，极大降低日常维护时间的开销，能够抓住故障即将发生的时间点，可以提前介入分析、处理，避免故障产生，适应范围广。

技术领域

本发明实施例涉及数据通信网络技术领域，具体涉及一种基于时序数据的故障动态预测方法、装置及计算设备。

背景技术

随着云计算规模不断膨胀，网络结构日趋复杂，随之产生的数据量也越来越大，而时序数据是其中覆盖范围最大的一部分，如CPU利用率、内存利用率、带宽利用率、每秒进行读写(I/O)操作的次数(Input/Output Operations Per Second，IOPS)时延、网络响应时延、返回码统计等等，覆盖范围包括网络、操作系统、存储、中间件、容器、数据库、应用等所有云计算技术栈。而对于时序指标的监控、故障告警通常有以下几种方式：1)基于指标人工设定固定阈值，当某个时间点的阈值超出设定值时，启动触发响应机制；2)基于时间序列人工设定阈值，当某个时间区间内持续n次达到阈值，启动触发响应机制。

现有技术的故障检测需要人工对阈值进行定义，且必须是一个指定值，额外增加人工开销的同时，还要依赖人工经验对某个指标的异常值做预先判断，除此之外较难找到一个通用可行的方法。由于阈值都是基于异常值来设定，当触发时代表故障已经发生，属于事后行为；而通常故障发生前，时序指标均会有小区间的快速爬升过程。而基于静态的阈值相对较粗暴，类似”一刀切”的做法，不具备划一性，应用范围有限。以消息队列举例，如对时延要求非常敏感的A应用消息队列积压异常值与时延要求相对无感知的B应用消息队列积压异常值，常规情况下是一样的，但对业务连续性的破坏是完全不一样的。

发明内容

鉴于上述问题，本发明实施例提供了一种基于时序数据的故障动态预测方法、装置及计算设备，克服了上述问题或者至少部分地解决了上述问题。

根据本发明实施例的一个方面，提供了一种基于时序数据的故障动态预测方法，所述方法包括：获取负载均衡实例中时序指标的实时时序数据和关联的业务数据；根据所述实时时序数据以及所述业务数据生成所述时序指标的动态阈值和临界值；基于所述时序指标的所述实时时序数据根据所述动态阈值、所述临界值以及关联的所述业务数据实时预测是否发生故障。

在一种可选的方式中，所述根据所述实时时序数据以及所述业务数据生成所述时序指标的动态阈值和临界值，包括：获取所述预设时间段内预设区间的历史时序数据；根据所述预设区间的所述历史时序数据生成所述时序指标的所述动态阈值；基于所述预设时间段内的所述历史时序数据根据经验设置所述时序指标的临界值。

在一种可选的方式中，所述获取所述预设时间段内预设区间的所述历史时序数据，包括：回溯预设天数d的所述历史时序数据；确定相邻两个历史时序数据的采集周期T；确定所述历史时序数据每天的开始时间St与结束时间Et，得到所述时序指标的所述历史时序数据总量n＝(d×(Et-St))÷T。

在一种可选的方式中，所述根据所述预设区间的所述历史时序数据生成所述时序指标的所述动态阈值，包括：根据所述预设区间的所述历史时序数据计算所述时序指标的均值m与标准差δ；根据所述时序指标的所述均值m、所述标准差δ以及预设的突变系数ψ_cv应用以下关系式计算动态阀值Nv＝(δ+m)*ψ_cv，其中，i为正整数，i＝1,2,…n。