[发明专利]一种大数据运维监控的多平台适配方法

权利要求书

1.一种大数据运维监控的多平台适配方法，其特征在于：包括以下步骤：

步骤S1、拆分运维监控的功能组件，获取每个功能组件的运维监控功能特征；

步骤S2、选取一组样例平台，获取每个样例平台的平台功能特征，并标注样例平台使用的所述功能组件；

步骤S3、将一组样例平台依据功能组件进行聚类分析得到多个平台集合，并在多个平台集合中对功能组件进行适配共性分析得到每个平台集合的适配共性组件；

步骤S4、利用BP神经网络在平台集合中对平台功能特征与适配共性组件进行学习训练得到共性适配模型，以实现大数据运维监控的多平台自主适配；

所述运维监控功能特征包括组件输入数据类型、组件输出数据类型以及组件监控功能类型；

所述平台功能特征包括平台输入数据类型、平台输出数据类型以及平台监控目标类型；

所述在多个平台集合中对功能组件进行适配共性分析得到每个平台集合的适配共性组件，包括：

将每个平台集合中的所有样例平台对应的功能组件作为每个组件集合；在每个组件集合中量化每个功能组件的适配共性度，所述适配共性度的函数表达式为：

 ；

式中，P_k为每个组件集合中第k个功能组件的适配共性度，X_k为每个组件集合中第k个功能组件的运维监控功能特征，X_i为每个组件集合中第i个功能组件的运维监控功能特征，n为每个组件集合中功能组件的总数量，k，i为计数变量，|X_k-X_i|为X_k和X_i的欧氏距离；

设定适配共性度的筛选阈值，将每个组件集合中低于所述筛选阈值的适配共性度对应的功能组件作为每个组件集合的适配共性组件；

将每个组件集合的适配共性组件映射为每个平台组件的适配共性组件；

所述利用BP神经网络在平台集合中对平台功能特征与适配共性组件进行学习训练得到共性适配模型，包括：

将每个平台集合中的样例平台的平台功能特征作为BP神经网络的输入项，将每个平台集合的适配共性组件作为BP神经网络的输出项；

利用BP神经网络对所述BP神经网络的输入项和BP神经网络的输出项进行卷积训练得到所述共性适配模型；

所述共性适配模型的模型表达式为：

S=BP(Y)；

式中，S为适配共性组件，Y为平台功能特征，BP为BP神经网络。

2.根据权利要求1所述的一种大数据运维监控的多平台适配方法，其特征在于：所述将一组样例平台依据功能组件进行聚类分析得到多个平台集合，包括：

将每个样例平台的所有功能组件对应的所有运维监控功能特征向量化作为每个样例平台的特征向量；

将一组样例平台基于特征向量进行聚类分析，以实现将一组样例平台划分为多个平台集合。

3.根据权利要求1所述的一种大数据运维监控的多平台适配方法，其特征在于，还包括对待适配平台进行适配的过程，包括：

获取待适配平台的平台功能特征，利用共性适配模型得到待适配平台的适配共性组件；

当待适配平台的适配共性组件对应的运维监控功能特征包含待适配平台的所有平台功能特征，则将待适配平台的适配共性组件作为待适配平台的运维监控组件；

当待适配平台的适配共性组件对应的运维监控功能特征未包含待适配平台的所有平台功能特征，则运维监控功能特征中未包含的平台功能特征进行人为标定功能组件，将待适配平台的适配共性组件和人为标定的功能组件作为待适配平台的运维监控组件。

4.根据权利要求1所述的一种大数据运维监控的多平台适配方法，其特征在于，所述平台功能特征、运维监控功能特征在计算前均进行归一化处理。

5.根据权利要求2所述的一种大数据运维监控的多平台适配方法，其特征在于，所述聚类分析的算法包括Kmeans算法、层次聚类方法、基于密度的空间聚类算法。

6.根据权利要求2所述的一种大数据运维监控的多平台适配方法，其特征在于，所述平台集合中至少包含一个样例平台。