[发明专利]服务器故障预测方法、装置和计算机可读介质

说明书

本发明涉及一种服务器故障预测方法、装置和计算机可读介质，该方法包括：通过预先对神经网络预测模型进行训练，利用神经网络预测模型对当前时刻服务器是否发生故障进行预测，当服务器在当前时刻未发生故障时，确定需要预测未来某一个时刻的目标时刻以及至少两个历史时刻，然后获取每一个历史时刻对应各关联参数的状态值，接下来利用该关联参数对应每一个历史时刻的状态值以及当前时刻的状态值，确定在目标时刻对应该关联参数的状态值，最后利用在目标时刻对应各关联参数的状态值以及神经网络预测模型，预测在目标时刻该服务器是否发生故障。本方案，可以实现对服务器在未来的目标时刻是否会发生故障进行预测。

技术领域

本发明涉及服务器技术领域，尤其涉及一种服务器故障预测方法、装置和计算机可读介质。

背景技术

随着网络业务的迅速发展，服务器数量也逐年增多。随着时间的推移，逐步累积了大批量使用年份时间较长的服务器，服务器运营面临日益凸显的老龄化问题。理论上使用年份时间越长，服务器发生故障的几率也就越大。服务器一旦发生故障将会对网络业务造成巨大影响。

目前，是在确定服务器发生故障之后，对服务器的故障进行分析解决，但无法对服务器在未来某一时刻是否会发生故障进行预测。

鉴于此，针对以上不足，需要提供一种服务器故障预测方法、装置和计算机可读介质，以实现对服务器在未来某一时刻是否会发生故障进行预测。

发明内容

本发明要解决的技术问题在于如何对服务器在未来某一时刻是否会发生故障进行预测，针对现有技术中的缺陷，提供了一种服务器故障预测方法、装置和计算机可读介质。

为了解决上述技术问题，本发明提供了一种服务器故障预测方法，包括：

根据所需预测的故障类型，确定服务器中与该故障类型对应的关联参数；

获取该服务器当前时刻对应各关联参数的状态值，并将该服务器当前时刻对应各关联参数的状态值输入到预先训练好的与该故障类型对应的神经网络预测模型中；

在所述神经网络预测模型的输出结果为该服务器在当前时刻未发生故障时，根据所述当前时刻确定至少两个历史时刻以及目标时刻；其中，所述至少两个历史时刻位于所述当前时刻之前，所述目标时刻位于所述当前时刻之后；

针对每一个历史时刻，获取该服务器在该历史时刻对应各关联参数的状态值；

针对每一个关联参数，利用该关联参数对应每一个历史时刻的状态值以及所述当前时刻的状态值，确定在所述目标时刻对应该关联参数的状态值；

将在所述目标时刻对应各关联参数的状态值输入到所述神经网络预测模型中，根据输出结果确定该服务器在所述目标时刻是否发生故障。

优选地，所述至少两个历史时刻中每相邻两个历史时刻之间的间隔时长相等，且所述至少两个历史时刻中距离所述当前时刻最近的历史时刻与所述当前时刻之间的间隔时长，与所述至少两个历史时刻中相邻两个历史时刻之间的间隔时长相等；

所述目标时刻与所述当前时刻之间的间隔时长，是相邻两个历史时刻之间的间隔时长的正整数倍。

优选地，所述利用该关联参数对应每一个历史时刻的状态值以及所述当前时刻的状态值，确定在所述目标时刻对应该关联参数的状态值，包括：

A1：根据该关联参数对应每一个历史时刻的状态值以及所述当前时刻的状态值，计算该关联参数的平均值；

A2：根据该关联参数的平均值以及各状态值，生成设定个数的自相关函数值；其中，所述设定个数为历史时刻的个数与2的和；

A3：利用该设定个数的自相关函数值，计算该关联参数每一个状态值对应的影响系数；