[发明专利]基于密度聚类算法的服务器故障监测方法及系统

权利要求书

1.基于密度聚类算法的服务器故障监测方法，其特征在于通过密度聚类算法分析服务器的健康信息数据并预测服务器运行状态，对服务器进行故障预警并在服务器宕机时进行复位，所述方法包括如下步骤：

通过BMC获取服务器的健康信息数据并构建样本，所述样本分为训练样本和测试样本，所述训练样本中的样本数据需要标记当前服务器状态，所述服务器状态包括故障类型以及各类故障类型对应的数值型数据；

对上述样本数据进行归一化处理；

基于DBSCAN算法构建监测模型，并以训练样本为输入、优化所述监测模型的参数，得到训练后监测模型；

将测试样本输入训练后监测模型，通过训练后监测模型对测试样本中样本数据进行分析并输出监测结果，所述监测结果包括是服务器是否存在故障以及故障类型；

如果监测结果中服务器存在故障，则将监测结果反馈到web页面进行显示，并进一步监控服务器是否宕机，如果服务器宕机，则通过BMC对服务器进行复位操作。

2.根据权利要求1所述的基于密度聚类算法的服务器故障监测方法，其特征在于所述BMC通过I2C获取服务器的健康信息数据。

3.根据权利要求1或2所述的基于密度聚类算法的服务器故障监测方法，其特征在于所述健康信息数据为服务器主板中相关部件的健康信息数据，包括但不限于电压、电流、温度值、PCU内存使用率。

4.根据权利要求1所述的基于密度聚类算法的服务器故障监测方法，其特征在于以训练样本为输入、优化所述监测模型的参数，包括如下步骤：

L100、设定领域参数，所述领域参数包括邻域半径eps和簇样本数min_sample；

L200、从训练样本中选取任意一个样本点，判断所述样本点是否分配有簇标签，如果所述样本点未被分配簇标签，执行步骤L300；

L300、计算所述样本点邻域半径eps内所有其它样本点，基于上述所有其它样本点组成邻域样本子集，如果上述邻域样本子集内样本点的个数小于簇样本数min_sample，所述样本点标记为噪声点，如果上述邻域样本子集内样本点的个数大于簇样本数min_sample，所述样本点标记为核心样本点，并为所述核心样本点分配一个簇标签；

L400、遍历所述邻域样本子集，判断所述邻域样本子集内其它样本点是否未被分配簇标签，对于未被分配簇标签的其它样本点，为其分配所述核心样本点对应的簇标签，并执行步骤L500；

L00、对于未被分配簇标签的其它样本点，判断其是否为核心样本点，如果为核心样本点，对于每个为核心样本点的其它样本点依次执行步骤L300-L400；

L600、从训练样本中选取另一个未被访问过的样本点，依次执行上述步骤L200-L500，直至训练样本中所有样本点被访问过；

L600、根据样本分类的准确率，调整领域参数，直至样本分类准确率达到预期要求，最终得到训练后监测模型。

5.根据权利要求4所述的基于密度聚类算法的服务器故障监测方法，其特征在于通过训练后监测模型对测试样本进行分析并输出监测结果，包括如下步骤：

将测试样本输入训练后监测模型；

通过训练监测模型计算邻域半径eps内各类故障类型的样本数量，选取样本数量最多的故障类型为测试样本数据的类型，并输出为预测的故障类型。