CN113435623A - 一种预警方法和装置 - Google Patents
一种预警方法和装置 Download PDFInfo
- Publication number
- CN113435623A CN113435623A CN202010209278.5A CN202010209278A CN113435623A CN 113435623 A CN113435623 A CN 113435623A CN 202010209278 A CN202010209278 A CN 202010209278A CN 113435623 A CN113435623 A CN 113435623A
- Authority
- CN
- China
- Prior art keywords
- point
- maintenance data
- model
- time
- initial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000009499 grossing Methods 0.000 claims abstract description 177
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 230000000875 corresponding Effects 0.000 claims description 28
- 238000003064 k means clustering Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004138 cluster model Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000000034 method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000003287 optical Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006011 modification reaction Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001502 supplementation Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 210000003666 Nerve Fibers, Myelinated Anatomy 0.000 description 1
- 230000003044 adaptive Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001932 seasonal Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING; COUNTING
- G06Q—DATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation, e.g. linear programming, "travelling salesman problem" or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING; COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K9/00—Methods or arrangements for recognising patterns
- G06K9/62—Methods or arrangements for pattern recognition using electronic means
- G06K9/6217—Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06K9/6218—Clustering techniques
- G06K9/622—Non-hierarchical partitioning techniques
- G06K9/6221—Non-hierarchical partitioning techniques based on statistics
- G06K9/6223—Non-hierarchical partitioning techniques based on statistics with a fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING; COUNTING
- G06Q—DATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management, e.g. organising, planning, scheduling or allocating time, human or machine resources; Enterprise planning; Organisational models
- G06Q10/063—Operations research or analysis
- G06Q10/0639—Performance analysis
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING; COUNTING
- G06Q—DATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Product repair or maintenance administration
Abstract
本发明公开了一种预警方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:能够基于第一特征时间的运维数据,利用指数平滑模型,形成第一趋势模型;基于第二特征时间的运维数据,利用聚类模型,形成第二趋势模型;基于时间序列,将所述第一趋势模型和所述第二趋势模型合并为目标趋势模型;其中,所述时间序列包括至少一个所述第一特征时间和至少一个所述第二特征时间;采用所述目标趋势模型对待测的运维数据进行计算,根据计算结果进行预警,本实施方式能够提高预测运维数据的精度和实时性,提高基于预测运维数据预警的效率。
Description
技术领域 本发明涉及计算机技术领域,尤其涉及一种预警方法和装置。 背景技术 在当今互联网信息爆炸的时代,对各类海量数据的运维已经成为互联网企业重要的组成部分。基于人工维护的监控告警方法已经难以满足快速增长的海量数据的要求,利用机器学习预测算法,根据数据趋势尽早预测设备或服务的故障被广泛使用。 现有的数据预测技术中常用的方法包括指数平滑预测法、K均值聚类算法等。 在实现本发明过程中,发明人发现现有技术中至少存在如下问题: 使用固定的平滑系数的指数平滑预测方法,当数据出现大的波动时,预测的稳定性下降,在数据出现波动的时候也会出现预测数据滞后的情况,导致预警结果不准确; K均值聚类算法需要事先划分数据为K个类别,预测的精准性与K值的设定有直接关系,类别数量设定有偏差以及聚类中心的偏移会导致预测的精度下降,导致预警结果不准确; 发明内容 有鉴于此,本发明实施例提供一种预警方法和装置,能够基于第一特征时间的运维数据,利用指数平滑模型,形成第一趋势模型;基于第二特征时间的运维数据,利用聚类模型,形成第二趋势模型;基于时间序列,将所述第一趋势模型和所述第二趋势模型合并为目标趋势模型;其中,所述时间序列包括至少一个所述第一特征时间和至少一个所述第二特征时间;采用所述目标趋势模型对待测的运维数据进行计算,根据计算结果进行预警;提高了预测运维数据的精度和实时性,提高了基于预测运维数据预警的效率。 为实现上述目的,根据本发明实施例的一个方面,提供了一种预警方法,其特征在于,包括:基于第一特征时间的运维数据,利用指数平滑模型,形成第一趋势模型;基于第二特征时间的运维数据,利用聚类模型,形成第二趋势模型;基于时间序列,将所述第一趋势模型和所述第二趋势模型合并为目标趋势模型;其中,所述时间序列包括至少一个所述第一特征时间和至少一个所述第二特征时间;采用所述目标趋势模型对待测的运维数据进行计算,根据计算结果进行预警。 可选地,所述预警方法,其特征在于,基于第一特征时间的运维数据,利用指数平滑模型,形成第一趋势模型,包括: 对于所述第一特征时间的任意一个第一时间点,将所述第一时间点的运维数据作为基础值,基于所述基础值和所述第一特征时间的第二时间点的运维数据,利用指数平滑模型进行计算,形成所述第一时间点的目标平滑系数;其中,所述第二时间点与所述第一时间点连续,且所述第二时间点晚于所述第一时间点; 基于多个所述第一时间点的运维数据及其对应的所述目标平滑系数,利用所述指数平滑模型计算并形成第一趋势模型。 可选地,所述预警方法,其特征在于,基于所述基础值和所述第一特征时间的第二时间点的运维数据,利用指数平滑模型进行计算,确定所述第一时间点的平滑系数,包括: 确定所述第一时间点的平滑系数的至少一个初始值,利用所述基础值和所述平滑系数的至少一个初始值,基于指数平滑模型分别计算得到至少一个运维数据中间值; 分别计算所述第一特征时间的第二时间点的运维数据与每一个运维数据中间值的误差值; 根据至少一个所述误差值确定所述第一时间点的目标平滑系数。 可选地,所述预警方法,其特征在于,确定所述第一时间点的平滑系数的至少一个初始值,利用所述基础值和所述平滑系数的至少一个初始值,基于指数平滑模型分别计算得到至少一个运维数据中间值,包括: 利用二分法确定所述第一时间点的平滑系数的每一个初始值,利用所述基础值与所述平滑系数的每一个初始值,基于指数平滑模型分别计算得到所述第一时间点的每一个运维数据中间值。 可选地,所述预警方法,其特征在于,根据至少一个所述误差值确定所述第一时间点的目标平滑系数,包括: 选择所述至少一个所述误差值中的最小误差值所对应的所述平滑系数作为所述第一时间点的目标平滑系数。 可选地,所述预警方法,其特征在于,基于所述第二特征时间的运维数据,利用聚类模型,形成第二趋势模型,包括: 选择所述第二特征时间的至少一个第一时间点的运维数据作为初始点,汇集在所述初始点的预定义范围之内的至少一个运维数据点形成至少一个数据点集合,计算每一个所述数据点集合中的每一个所述运维数据点到所述初始点的位置关系,形成所述数据点集合的初始聚类中心点; 基于每一个所述初始聚类中心点,利用K均值聚类模型计算形成相对应的目标聚类中心点,以及所述包含目标聚类中心点的目标聚类; 基于时间序列,结合每一个所述目标聚类中心点以及所归属的所述目标聚类,形成所述第二趋势模型。 可选地,所述预警方法,其特征在于,计算每一个所述数据点集合中的每一个所述运维数据点到所述初始点的位置关系,形成所述数据点集合的初始聚类中心点,包括: 计算每一个所述数据点集合中的每一个所述运维数据点与所述初始点之间的偏移向量,汇集形成偏移向量总和,基于所述偏移向量总和,移动所述初始点形成所述数据点集合的所述初始聚类中心点。 可选地,所述预警方法,其特征在于,基于每一个所述初始聚类中心点,利用K均值聚类模型计算形成相对应的目标聚类中心点,以及所述包含目标聚类中心点的目标聚类,包括: 利用K均值聚类模型,执行计算操作,包括:计算每一个所述第二特征时间的运维数据点到每一个所述初始聚类中心点的距离,根据所述距离的最小值分别将每一个所述运维数据点划分至相应的所述初始聚类中心,基于每一个所述初始聚类中心点,分别形成包含所述初始聚类中心点的临时聚类;基于每一个临时聚类,分别计算所述临时聚类中包含的每一个所述运维数据点与所述初始聚类中心点的距离,并根据所述距离的均值形成所述临时聚类的临时中心点,并将所述临时中心点指示为所述初始聚类中心点; 执行至少一次所述计算操作,根据预定义的操作终止条件,将操作终止之后得到的每一个所述临时聚类分别作为所述目标聚类,将每一个所述临时聚类包含的所述初始聚类中心点分别作为所述目标聚类中心点。 为实现上述目的,根据本发明实施例的第二方面,提供了一种预警装置,其特征在于,包括:趋势模型形成模块、目标模型形成模块和利用目标模型预警模块,用于基于第一特征时间的运维数据,利用指数平滑模型,形成第一趋势模型;基于第二特征时间的运维数据,利用聚类模型,形成第二趋势模型;所述目标模型形成模块,用于基于时间序列,将所述第一趋势模型和所述第二趋势模型合并为目标趋势模型;其中,所述时间序列包括至少一个所述第一特征时间和至少一个所述第二特征时间;所述利用目标模型预警模块,用于采用所述目标趋势模型对待测的运维数据进行计算,根据计算结果进行预警。 可选地,所述预警装置,其特征在于,基于第一特征时间的运维数据,利用指数平滑模型,形成第一趋势模型,包括: 对于所述第一特征时间的任意一个第一时间点,将所述第一时间点的运维数据作为基础值,基于所述基础值和所述第一特征时间的第二时间点的运维数据,利用指数平滑模型进行计算,形成所述第一时间点的目标平滑系数;其中,所述第二时间点与所述第一时间点连续,且所述第二时间点晚于所述第一时间点; 基于多个所述第一时间点的运维数据及其对应的所述目标平滑系数,利用所述指数平滑模型计算并形成第一趋势模型。 可选地,所述预警装置,其特征在于,基于所述基础值和所述第一特征时间的第二时间点的运维数据,利用指数平滑模型进行计算,确定所述第一时间点的平滑系数,包括: 确定所述第一时间点的平滑系数的至少一个初始值,利用所述基础值和所述平滑系数的至少一个初始值,基于指数平滑模型分别计算得到至少一个运维数据中间值; 分别计算所述第一特征时间的第二时间点的运维数据与每一个运维数据中间值的误差值; 根据至少一个所述误差值确定所述第一时间点的目标平滑系数。 可选地,所述预警装置,其特征在于,确定所述第一时间点的平滑系数的至少一个初始值,利用所述基础值和所述平滑系数的至少一个初始值,基于指数平滑模型分别计算得到至少一个运维数据中间值,包括: 利用二分法确定所述第一时间点的平滑系数的每一个初始值,利用所述基础值与所述平滑系数的每一个初始值,基于指数平滑模型分别计算得到所述第一时间点的每一个运维数据中间值。 可选地,所述预警装置,其特征在于,根据至少一个所述误差值确定所述第一时间点的目标平滑系数,包括: 选择所述至少一个所述误差值中的最小误差值所对应的所述平滑系数作为所述第一时间点的目标平滑系数。 可选地,所述预警装置,其特征在于,基于所述第二特征时间的运维数据,利用聚类模型,形成第二趋势模型,包括: 选择所述第二特征时间的至少一个第一时间点的运维数据作为初始点,汇集在所述初始点的预定义范围之内的至少一个运维数据点形成至少一个数据点集合,计算每一个所述数据点集合中的每一个所述运维数据点到所述初始点的位置关系,形成所述数据点集合的初始聚类中心点; 基于每一个所述初始聚类中心点,利用K均值聚类模型计算形成相对应的目标聚类中心点,以及所述包含目标聚类中心点的目标聚类; 基于时间序列,结合每一个所述目标聚类中心点以及所归属的所述目标聚类,形成所述第二趋势模型。 可选地,所述预警装置,其特征在于,计算每一个所述数据点集合中的每一个所述运维数据点到所述初始点的位置关系,形成所述数据点集合的初始聚类中心点,包括: 计算每一个所述数据点集合中的每一个所述运维数据点与所述初始点之间的偏移向量,汇集形成偏移向量总和,基于所述偏移向量总和,移动所述初始点形成所述数据点集合的所述初始聚类中心点。 可选地,所述预警装置,其特征在于,基于每一个所述初始聚类中心点,利用K均值聚类模型计算形成相对应的目标聚类中心点,以及所述包含目标聚类中心点的目标聚类,包括: 利用K均值聚类模型,执行计算操作,包括:计算每一个所述第二特征时间的运维数据点到每一个所述初始聚类中心点的距离,根据所述距离的最小值分别将每一个所述运维数据点划分至相应的所述初始聚类中心,基于每一个所述初始聚类中心点,分别形成包含所述初始聚类中心点的临时聚类;基于每一个临时聚类,分别计算所述临时聚类中包含的每一个所述运维数据点与所述初始聚类中心点的距离,并根据所述距离的均值形成所述临时聚类的临时中心点,并将所述临时中心点指示为所述初始聚类中心点; 执行至少一次所述计算操作,根据预定义的操作终止条件,将操作终止之后得到的每一个所述临时聚类分别作为所述目标聚类,将每一个所述临时聚类包含的所述初始聚类中心点分别作为所述目标聚类中心点。 为实现上述目的,根据本发明实施例的第三方面,提供了一种预警电子设备,其特征在于,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述预警方法中任一所述的方法。 为实现上述目的,根据本发明实施例的第四方面,提供了一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如上述预警方法中任一所述的方法。 上述发明中的一个实施例具有如下优点或有益效果:基于第一特征时间的运维数据,利用指数平滑模型,形成第一趋势模型;基于第二特征时间的运维数据,利用聚类模型,形成第二趋势模型;基于时间序列,将所述第一趋势模型和所述第二趋势模型合并为目标趋势模型;其中,所述时间序列包括至少一个所述第一特征时间和至少一个所述第二特征时间;采用所述目标趋势模型对待测的运维数据进行计算,根据计算结果进行预警。由此可以看出,本实施例根据不同的特征时间的运维数据采用不同的预测模型进行预测,提高了预测运维数据的精度和稳定性,提高了基于预测运维数据预警的效率。 上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。 附图说明 附图用于更好地理解本发明,不构成对本发明的不当限定。其中: 图1是本发明一个实施例提供的一种预警方法的流程示意图; 图2是本发明一个实施例提供的预警方法的流程示意图; 图3是本发明一个实施例提供的改进后的三次指数平滑方法的流程示意图; 图4是本发明一个实施例提供的改进后的K均值聚类模型方法的流程示意图; 图5是本发明一个实施例提供的一种预警系统的结构示意图; 图6是本发明实施例可以应用于其中的示例性系统架构图; 图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。 具体实施方式 以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。 指数平滑预测算法:是一种特殊的加权移动平均法。按照模型参数的不同,指数平滑的形式可以分为一次指数平滑法、二次指数平滑法、三次指数平滑法。其中一次指数平滑法针对没有趋势和季节性的序列,二次指数平滑法针对有趋势但是没有季节特性的时间序列,三次指数平滑法则可以预测具有趋势和季节性的时间序列。 平滑系数是指数平滑预测算法计算预测趋势值是否准确的关键;平滑系数的值越大,预测越依赖于近期数据;平滑系数值越小,预测越依赖于历史数据。目前采用固定的平滑系数,当出现数据波动,固定的平滑系数将使预测数据出现滞后,也因此造成预警的滞后和不准确。 K均值聚类模型:是一种聚类算法,它将各个聚类子集内的所有数据样本的均值作为该聚类的代表点,算法的主要思想是通过迭代过程把数据集划分为不同的类别,使得平均误差和计算得到最优解,从而使每个聚类内紧凑而类与类之间独立。 K均值聚类模型需要事先将数据划分为固定的K个类别,预测的精准性依赖于K值,如果类别数量有较大偏差,会导致数据预测结果偏差,造成预警不准确。 使用单一的预测方法,例如指数平滑法或者K均值聚类模型进行预测都具有局限性,当数据样本量不够巨大,加上产生运维数据的业务量的随机性和季节性,例如节假日等因素,预测的稳定性以及精度都会下降,导致预警的准确性下降。 如图1所示,本发明实施例提供了一种预警方法,该方法可以包括以下步骤: 步骤S101:基于第一特征时间的运维数据,利用指数平滑模型,形成第一趋势模型;基于第二特征时间的运维数据,利用聚类模型,形成第二趋势模型。 具体地,基于运维数据在不同时间表现出来的特征,获取第一特征时间的运维数据和第二特征时间的运维数据,所述第一特征时间的运维数据和第二特征时间的运维数据为历史运维数据,例如,所述第一特征时间的运维数据指示为节假日期间形成的运维数据,所述第二特征时间的运维数据指示为非节假日期间形成的运维数据;具体地,其中节假日包括法定节假日以及运维数据特征明显的特殊节日,特殊节日例如圣诞节、情人节以及双11、双12、618等电商发起的特殊销售节等;非节假日为除了节假日的日期之外的日期;可以理解的是,节假日的运维数据和非节假日的运维数据没有重合的部分,两者的运维数据构成了连续日期的运维数据;运维数据包括了预警系统所检测的内容,例如,服务进程的响应时间的数值、服务进程的可用率、峰值时间每秒请求数等,本发明对运维数据的具体内容不做限定,进一步地,节假日和非节假日在运维数据上体现除了不同的特征,例如,在双11购物节的某个特定时间点,峰值时间每秒请求数出现骤然增减的情况; 进一步地,获取历史运维数据,为保证运维数据的有效性,删除异常数据并补充缺失运维数据。删除异常运维数据可以使用的方法包括标准差、标准方差或者高斯分布等,例如,可以利用高斯分布函数去掉函数值小于0.1%的数据样本;进一步地,为保证数据的完整,对缺失的数据进行补充,例如采用连线法进行异常数据补充,本发明对删除和补充缺失异常数据的方法不做限定。 进一步地,基于所述第一特征时间的运维数据,利用指数平滑模型,形成第一趋势模型;基于所述第二特征时间的运维数据,利用聚类模型,形成第二趋势模型; 优选地,基于所述第一特征时间的运维数据,利用改进的三次指数平滑模型,形成第一趋势模型;基于所述第二特征时间的运维数据,利用改进的K均值聚类模型,形成第二趋势模型; 具体地,基于所述第一特征时间的运维数据,利用改进的三次指数平滑模型,形成第一趋势模型的方法的流程示意图如3所示;基于所述第二特征时间的运维数据,利用改进的K均值聚类模型,形成第二趋势模型的方法的流程示意图如4所示。 步骤S102:基于时间序列,将所述第一趋势模型和所述第二趋势模型合并为目标趋势模型;其中,所述时间序列包括至少一个所述第一特征时间和至少一个所述第二特征时间。 具体地,如步骤S101所描述示例,所述第一特征时间的运维数据指示为节假日期间形成的运维数据,所述第二特征时间的运维数据指示为非节假日期间形成的运维数据,基于所述第一特征时间的运维数据,利用改进的三次指数平滑模型,形成第一趋势模型;基于所述第二特征时间的运维数据,利用改进的K均值聚类模型,形成第二趋势模型; 基于时间序列,将所述第一趋势模型和所述第二趋势模型合并为目标趋势模型,可以理解的是,目标趋势模型为基于时间连续的模型,即,基于时间序列,将所述第一趋势模型和所述第二趋势模型合并为目标趋势模型;其中,所述时间序列包括至少一个所述第一特征时间和至少一个所述第二特征时间。 步骤S103:采用所述目标趋势模型对待测的运维数据进行计算,根据计算结果进行预警。 具体地,如步骤S102所描述,所述目标趋势模型是基于时间序列,将所述第一趋势模型和所述第二趋势模型合并形成的;可以理解的是,利用所述的目标却是模型对待测的运维数据进行计算,无论待测的运维数据是属于节假日期间还是非节假日期间,都可以采用所述目标趋势模型计算待测的运维数据,例如服务进程的响应时间的数值、服务进程的可用率、峰值时间每秒请求数等,根据待测的运维数据计算结果对产生运维数据的现有的业务环境进行预警,例如,根据计算结果是否大于或者小于预定义的阈值来确定预警的级别,根据预警的信息,形成运维数据的现有的业务环境采取的相应解决方法。 如图2所示,本发明实施例提供了一种预警方法的示例流程,该方法可以包括以下步骤: 步骤S201:获取历史运维数据,删除异常运维数据点并进行运维数据点补充。 步骤S202:根据日期特征划分历史运维数据为节假日数据和非节假日数据。 步骤S203:将历史节假日运维数据输入改进的三次指数平滑模型,形成节假日运维数据预测模型。 步骤S204:将历史非节假日运维数据输入输入改进的K均值聚类模型,形成非节假日运维数据预测模型。 具体地,步骤S201-步骤S204描述了基于所述第一特征时间的运维数据,利用指数平滑模型,形成第一趋势模型;基于所述第二特征时间的运维数据,利用聚类模型,形成第二趋势模型;基于时间序列,将所述第一趋势模型和所述第二趋势模型合并为目标趋势模型;其中,所述时间序列包括至少一个所述第一特征时间和至少一个所述第二特征时间; 具体地,本实施例中,第一特征时间为节假日,第二特征时间为非节假日;第一趋势模型为改进的三次指数平滑模型;第二趋势模型为改进的K均值聚类模型; 进一步地,步骤S201-步骤S204的描述与步骤S101-S102描述一致,在此不再赘述。 步骤S205:结合节假日运维数据预测模型和非节假日运维数据预测模型形成新的预测模型。即,采用所述目标趋势模型对待测的运维数据进行计算,根据计算结果进行预警,具体地,将待测的运维数据带入新的目标趋势模型计算,根据计算结果与预定义阈值进行比较和分析,根据分析的结果,生成运维数据的业务环境的预警信息。 如图3所示,本发明实施例提供了改进后的三次指数平滑模型的流程示意图,该流程可以包括以下步骤: 步骤S301:获取所述第一特征时间的第一时间点的运维数据,确定第一时间点的指数平滑模型的基础值。 具体地,获取第一特征时间的运维数据,即为节假日的历史运维数据,删除异常运维数据并进行运维数据补充后,形成样本运维数据。 选取所述第一特征时间的第一时间点的运维数据作为基础值,其中节假日为所述第一特征时间,第一时间点为第n天内第m个观察时间点,这里以第一天为例,可以理解的是,一天里包含了多个观察时间点,例如,每一个小时一个观察时间点,每半个小时一个观察时间点,根据预警场景的需要可以定义第一时间点之间的间隔; 以下举例说明确定基础值的方法,例如,假设 分别表示节假日运维数据第一天内第m个观察时间点的一次指数平滑值的基础值、二次指数平滑值的基础值、三次指数平滑值的基础值,由于节假日运维数据已经进行异常数据处理,所以可将其赋值为第一天的第m个观察点的实际运维数据的基础值。例如,如公式(1)所示,其中x1(m)表示第一天的第m个观察点的运维数据的值,其中,第一天的第m个观察点为第一特征时间的第一时间点。
优选地,本发明基于所述第一特征时间的运维数据,利用三次指数平滑模型,形成第一趋势模型,因此,如公式(1)所示,利用节假日的第一时间点的运维数据作为指数平滑值的基础值、二次指数平滑值的基础值、三次指数平滑值的基础值; 步骤S302:从0.1到1之间采用二分法选取平滑系数初始值; 步骤S303:基于平滑系数的初始值,利用三次指数平滑算法计算; 步骤S304:通过选择绝对误差最小的预测值确定目标平滑系数; 具体地,步骤S302-步骤S304描述了确定平滑系数过程的示例, 进一步地,基于所述基础值和所述第一特征时间的第二时间点的运维数据,利用指数平滑模型进行计算,确定所述第一时间点的平滑系数,包括:确定所述第一时间点的平滑系数的至少一个初始值,利用所述基础值和所述平滑系数的至少一个初始值,基于指数平滑模型分别计算得到至少一个运维数据中间值;分别计算所述第一特征时间的第二时间点的运维数据与至少一个所述运维数据中间值的误差值;根据至少一个所述误差值确定所述第一时间点的目标平滑系数。 进一步地,利用二分法确定所述第一时间点的平滑系数的每一个初始值,利用所述基础值与所述平滑系数的每一个初始值,基于指数平滑模型分别计算得到所述第一时间点的每一个运维数据中间值。 进一步地,根据至少一个所述误差值确定所述第一时间点的目标平滑系数,包括:选择所述至少一个所述误差值中的最小误差值所对应的所述平滑系数作为所述第一时间点的目标平滑系数。 优选地,本实施例利用三次指数平滑模型来确定第一趋势模型,具体地,利用以下示例说明上述步骤: 1)令平滑系数的取值范围是0.1到1之间的任意数,利用二分法确定所述第一时间点的平滑系数的每一个初始值α,并使用该数计算三次指数平滑预测值其公式如下:
其中,x1(m)为基础值,α为平滑系数的初始值,公式(2)为一次指数平滑模型,公式(3)为二次指数平滑模型,公式(4)为三次指数平滑模型,进一步地,基于指数平滑模型计算得到运维数据中间值,其中,为计算之后得到的运维数据中间值; 即,确定所述第一时间点的平滑系数的至少一个初始值,利用所述基础值和所述平滑系数的至少一个初始值,基于指数平滑模型分别计算得到至少一个运维数据中间值。 2)进一步地,计算所述第二时间点的运维数据与所述运维数据中间值的误差值,其中,第二时间点的运维数据为xt(m),为运维数据中间值,可以理解的是,基于已有的历史运维数据和三次指数平滑模型计算的预测结果进行对比,确定预测的误差值,具体地,利用如公式(5)所示的计算公式计算误差值: 计算该平滑系数下的误差值,用RE表示,如公式(5)所示
3)进一步地,重复1)2),经过迭代计算,在误差值集合中选择导致误差值最小的平滑系数作为该时间点的平滑系数,例如: 选择相对预测误差RE最小的平滑系数αt(m),其中αt(m)表示第t天第m个观察时间点平滑系数; 即,分别计算所述第一特征时间的第二时间点的运维数据与每一个运维数据中间值的误差值;根据至少一个所述误差值确定所述第一时间点的目标平滑系数,进一步地,选择所有所述误差值中的最小误差值所对应的所述平滑系数作为所述第一时间点的目标平滑系数。 由此示例的步骤可见,一个时间点的平滑系数为通过迭代计算、验证的自适应的方式确定的,增大了趋势模型的准确度从而提高了预警准确度。 步骤S305:使用步骤S304确定的平滑系数α执行三次指数平滑算法。 具体地,根据步骤S304中计算得到的平滑系数αt(m)以及三次指数平滑模型,可以计算获得第t天的第m个时间点的三次指数平滑预测值。 步骤S306:形成第一趋势模型。 具体地,重复步骤S301-步骤S305,形成第一趋势模型。 即,对于所述第一特征时间的任意一个第一时间点,将所述第一时间点的运维数据作为基础值,基于所述基础值和所述第一特征时间的第二时间点的运维数据,利用指数平滑模型进行计算,形成所述第一时间点的目标平滑系数;其中,所述第二时间点与所述第一时间点连续,且所述第二时间点晚于所述第一时间点; 基于多个所述第一时间点的运维数据及其对应的所述目标平滑系数,利用所述指数平滑模型计算并形成第一趋势模型。 由此实施例可以看出,平滑系数不是固定的值,是利用自适应的方式基于每一个选取的时间点进行计算的,因此提高了利用三次指数平滑模型获取预测数据的准确性和实时性,克服了使用固定的平滑系数的指数平滑预测方法中当数据出现大的波动时,预测的稳定性下降和数据滞后造成的不准确的问题。 如图4所示,本发明实施例提供了改进后的K均值聚类模型方法的流程示意图,该流程可以包括以下步骤: 步骤S401:采集时间序列运维数据作为训练数据; 具体地,获取第二特征时间的第一时间点的运维数据,例如,获取非节假日的历史运维数据,删除异常运维数据并进行运维数据补充后,形成样本运维数据。 步骤S402:基于均值漂移聚类算法计算初始类中心; 具体地,选择所述第二特征时间的至少一个第一时间点的运维数据作为初始点,汇集在所述初始点的预定义范围之内的至少一个运维数据点形成至少一个数据点集合,计算每一个所述数据点集合中的每一个所述运维数据点到所述初始点的位置关系,形成所述数据点集合的初始聚类中心点;其中,第二特征时间为非节假日;在本算法中,运维数据以运维数据点或者点的方式体现,例如,所述的初始点,中心点都指示了运维数据点。 具体地,计算每一个所述数据点集合中的每一个所述运维数据点与所述初始点之间的偏移向量,汇集形成偏移向量总和,基于所述偏移向量总和,移动所述初始点形成所述数据点集合的所述初始聚类中心点。 以下用具体公式和示例进一步说明,例如,基于均值漂移聚类算法计算初始类中心包含如下步骤: 1)在运维数据样本中,随机选择某个运维数据点为中心点; 即,选择所述第二特征时间的至少一个第一时间点的运维数据作为初始点。 2)找出离初始点距离在半径h之内的所有运维数据点,记做集合M,即,选择所述第二特征时间的至少一个第一时间点的运维数据作为初始点,汇集在所述初始点的预定义范围之内的至少一个运维数据点形成至少一个数据点集合,计算每一个所述数据点集合中的每一个所述运维数据点到所述初始点的位置关系,形成所述数据点集合的初始聚类中心点;其中,半径h之内为预定义范围,集合M为所述初始点的预定义范围之内的运维数据点所形成的数据点集合。 3)进一步地,计算所述数据点集合中的所述运维数据点与所述初始点之间的偏移向量总和。具体地,计算从中心点开始到集合M中每个运维数据点的偏移向量,将这些向量相加。如公式(6)所示。Sh表示以x为中心点,半径为h的圆形区域;k表示包含在Sh范围内点的个数;xi表示包含在Sh范围内的点;
其中公式(6)中x-xi为偏移向量,集合M为所述初始点的预定义范围之内的运维数据点所形成的数据点集合,数据点集合的预定义范围为Sh表示以x为中心点,半径为h的圆形区域;本发明对预定义范围的具体内容和形式不做限定。 4)计算数据点集合中的每一个所述运维数据点与所述初始点之间的偏移向量,汇集形成偏移向量总和,基于所述偏移向量总和,移动所述初始点形成所述数据点集合的所述初始聚类中心点,例如,如公式(7)所示,根据第k个数据点集合的初始点求得的偏移均值;xk为第k个数据点集合包含的初始聚类中心点; xk+1=Mk+xk (7) 进一步地,基于上述计算得到的偏移向量总和,移动所述初始点形成所述数据点集合的所述初始聚类中心点; 5)重复2)3)4)直到确定K个数据点集合中的每一个数据点集合的初始聚类中心点,例如,得到K个初始聚类中心点的集合O,如公式(8)所示,其中,x1代表了一个初始聚类中心点,集合O为多个初始聚类中心点的集合 O=(x1,x2,x3,……xk) (8) 步骤S401-步骤S402描述了数据点集合的初始聚类中心点的形成过程示例,即,选择所述第二特征时间的至少一个第一时间点的运维数据作为初始点,汇集在所述初始点的预定义范围之内的至少一个运维数据点形成至少一个数据点集合,计算每一个所述数据点集合中的每一个所述运维数据点到所述初始点的位置关系,形成所述数据点集合的初始聚类中心点;进一步地,计算每一个所述数据点集合中的每一个所述运维数据点与所述初始点之间的偏移向量,汇集形成偏移向量总和,基于所述偏移向量总和,移动所述初始点形成所述数据点集合的所述初始聚类中心点。 步骤S403:基于K均值算法进行聚类分析; 具体地,基于每一个所述初始聚类中心点,利用K均值聚类模型计算形成相对应的目标聚类中心点,以及所述包含目标聚类中心点的目标聚类; 进一步地,包括:利用K均值聚类模型,执行计算操作,包括:计算每一个所述第二特征时间的运维数据点到每一个所述初始聚类中心点的距离,根据所述距离的最小值分别将每一个所述运维数据点划分至相应的所述初始聚类中心,基于每一个所述初始聚类中心点,分别形成包含所述初始聚类中心点的临时聚类;基于每一个临时聚类,分别计算所述临时聚类中包含的每一个所述运维数据点与所述初始聚类中心点的距离,并根据所述距离的均值形成所述临时聚类的临时中心点,并将所述临时中心点指示为所述初始聚类中心点; 执行至少一次所述计算操作,根据预定义的操作终止条件,将操作终止之后得到的每一个所述临时聚类分别作为所述目标聚类,将每一个所述临时聚类包含的所述初始聚类中心点分别作为所述目标聚类中心点。 进一步地,以采用K均值聚类模型算法对上述得到的初始类中心集合O进行聚类预测为例说明,如下面步骤所示: 1)针对每一个所述初始聚类中心点,根据到所述初始聚类中心点的距离,汇集运维数据点形成对应的第一聚类,例如,以初始类中心集合O中的点为初始聚类中心点,把每个运维数据点分配到离它最近的初始聚类中心点,形成K个聚类,例如,C1(初始聚类中心点为x1),C2(初始聚类中心点为x2),其中,C1、C2均为临时聚类; 即,计算每一个所述第二特征时间的运维数据点到每一个所述初始聚类中心点的距离,根据所述距离的最小值分别将每一个所述运维数据点划分至相应的所述初始聚类中心,基于每一个所述初始聚类中心点,分别形成包含所述初始聚类中心点的临时聚类; 2)进一步地,计算临时聚类中的目标聚类中心点,如公式(9)所示,其中N为临时聚类Ck中的运维数据点的总个数,x′i为该临时聚类的临时中心点
即,基于每一个临时聚类,分别计算所述临时聚类中包含的每一个所述运维数据点与所述初始聚类中心点的距离,并根据所述距离的均值形成所述临时聚类的临时中心点,并将所述临时中心点指示为所述初始聚类中心点; 3)进一步地,执行至少一次所述计算操作,根据预定义的操作终止条件,将操作终止之后得到的每一个所述临时聚类分别作为所述目标聚类,将每一个所述临时聚类包含的所述初始聚类中心点分别作为所述目标聚类中心点。 具体地,预定义的操作终止条件可以是预设定的迭代次数,也可以是计算每一次所得到的初始聚类中心与上一次得到的初始聚类中心的误差值,进而计算每个临时聚类包含的初始聚类中心的误差值,形成误差平方和,当误差平方和达到最小化时,迭代计算终止。计算终止之后,则认为达到K均值聚类模型的特点:各个聚类本身尽可能紧凑,而各个聚类之间尽可能的分开。 以下利用公式说明各个临时聚类计算误差平方和的示例,如公式(10)所示,其中,(x-xi)2为误差平方,Ck为临时聚类,其中x-xi表示两次计算所得初始聚类中心点之间的误差值,k∈(1,2,3,……K);
步骤S404:形成第二趋势模型; 具体地,基于时间序列,结合每一个所述目标聚类中心点以及所归属的所述目标聚类,形成所述第二趋势模型。 进一步地,通过对第二趋势模型的每一个聚类进行进一步数据分析,获取告警发生的规律性信息,根据待测的运维数据形成告警预测信息。 如图5所示,本发明实施例提供了一种预警的装置500,包括:趋势模型形成模块501、目标模型形成模块502和利用目标模型预警模块503;其中, 所述趋势模型形成模块501,用于基于第一特征时间的运维数据,利用指数平滑模型,形成第一趋势模型;基于第二特征时间的运维数据,利用聚类模型,形成第二趋势模型; 所述目标模型形成模块502,用于基于时间序列,将所述第一趋势模型和所述第二趋势模型合并为目标趋势模型;其中,所述时间序列包括至少一个所述第一特征时间和至少一个所述第二特征时间; 所述利用目标模型预警模块503,用于采用所述目标趋势模型对待测的运维数据进行计算,根据计算结果进行预警。 可选地,所述趋势模型形成模块501,用于基于第一特征时间的运维数据,利用指数平滑模型,形成第一趋势模型,包括: 对于所述第一特征时间的任意一个第一时间点,将所述第一时间点的运维数据作为基础值,基于所述基础值和所述第一特征时间的第二时间点的运维数据,利用指数平滑模型进行计算,形成所述第一时间点的目标平滑系数;其中,所述第二时间点与所述第一时间点连续,且所述第二时间点晚于所述第一时间点; 基于多个所述第一时间点的运维数据及其对应的所述目标平滑系数,利用所述指数平滑模型计算并形成第一趋势模型。 可选地,所述趋势模型形成模块501,用于基于所述基础值和所述第一特征时间的第二时间点的运维数据,利用指数平滑模型进行计算,确定所述第一时间点的平滑系数,包括: 确定所述第一时间点的平滑系数的至少一个初始值,利用所述基础值和所述平滑系数的至少一个初始值,基于指数平滑模型分别计算得到至少一个运维数据中间值; 分别计算所述第一特征时间的第二时间点的运维数据与每一个运维数据中间值的误差值; 根据至少一个所述误差值确定所述第一时间点的目标平滑系数。 可选地,所述趋势模型形成模块501,用于确定所述第一时间点的平滑系数的至少一个初始值,利用所述基础值和所述平滑系数的至少一个初始值,基于指数平滑模型分别计算得到至少一个运维数据中间值,包括: 利用二分法确定所述第一时间点的平滑系数的每一个初始值,利用所述基础值与所述平滑系数的每一个初始值,基于指数平滑模型分别计算得到所述第一时间点的每一个运维数据中间值。 可选地,所述趋势模型形成模块501,用于根据至少一个所述误差值确定所述第一时间点的目标平滑系数,包括: 选择所述至少一个所述误差值中的最小误差值所对应的所述平滑系数作为所述第一时间点的目标平滑系数。 可选地,所述趋势模型形成模块501,用于基于所述第二特征时间的运维数据,利用聚类模型,形成第二趋势模型,包括: 选择所述第二特征时间的至少一个第一时间点的运维数据作为初始点,汇集在所述初始点的预定义范围之内的至少一个运维数据点形成至少一个数据点集合,计算每一个所述数据点集合中的每一个所述运维数据点到所述初始点的位置关系,形成所述数据点集合的初始聚类中心点; 基于每一个所述初始聚类中心点,利用K均值聚类模型计算形成相对应的目标聚类中心点,以及所述包含目标聚类中心点的目标聚类; 基于时间序列,结合每一个所述目标聚类中心点以及所归属的所述目标聚类,形成所述第二趋势模型。 可选地,所述趋势模型形成模块501,用于计算每一个所述数据点集合中的每一个所述运维数据点到所述初始点的位置关系,形成所述数据点集合的初始聚类中心点,包括: 计算每一个所述数据点集合中的每一个所述运维数据点与所述初始点之间的偏移向量,汇集形成偏移向量总和,基于所述偏移向量总和,移动所述初始点形成所述数据点集合的所述初始聚类中心点。 可选地,所述趋势模型形成模块501,基于每一个所述初始聚类中心点,利用K均值聚类模型计算形成相对应的目标聚类中心点,以及所述包含目标聚类中心点的目标聚类,包括: 利用K均值聚类模型,执行计算操作,包括:计算每一个所述第二特征时间的运维数据点到每一个所述初始聚类中心点的距离,根据所述距离的最小值分别将每一个所述运维数据点划分至相应的所述初始聚类中心,基于每一个所述初始聚类中心点,分别形成包含所述初始聚类中心点的临时聚类;基于每一个临时聚类,分别计算所述临时聚类中包含的每一个所述运维数据点与所述初始聚类中心点的距离,并根据所述距离的均值形成所述临时聚类的临时中心点,并将所述临时中心点指示为所述初始聚类中心点; 执行至少一次所述计算操作,根据预定义的操作终止条件,将操作终止之后得到的每一个所述临时聚类分别作为所述目标聚类,将每一个所述临时聚类包含的所述初始聚类中心点分别作为所述目标聚类中心点。 本发明实施例还提供了一种预警电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一实施例提供的方法。 本发明实施例还提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一实施例提供的方法。 图6示出了可以应用本发明实施例的预警方法或预警装置的示例性系统架构600。 如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。 用户可以使用终端设备601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如网页浏览器应用、搜索类应用、即时通信工具和邮箱客户端等。 终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。 服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603提出的待测运维数据的预测请求;后台管理服务器可以对接收到的待测运维数据的预测请求进行计算和分析,形成预警信息并将预警信息反馈给终端设备。 需要说明的是,本发明实施例所提供的预警方法一般由服务器605执行,相应地,预警装置一般设置于服务器605中。 应该理解,图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。 下面参考图7,其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。 如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。 以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。 特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的系统中限定的上述功能。 需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。 附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。 描述于本发明实施例中所涉及到的模块和/或单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块和/或单元也可以设置在处理器中,例如,可以描述为:一种处理器包括趋势模型形成模块、目标模型形成模块和利用目标模型预警模块;其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,目标模型形成模块还可以被描述为“基于时间序列,结合第一趋势模型和第二趋势模型形成目标趋势模型的模块”。 作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:基于第一特征时间的运维数据,利用指数平滑模型,形成第一趋势模型;基于第二特征时间的运维数据,利用聚类模型,形成第二趋势模型;基于时间序列,将所述第一趋势模型和所述第二趋势模型合并为目标趋势模型;其中,所述时间序列包括至少一个所述第一特征时间和至少一个所述第二特征时间;采用所述目标趋势模型对待测的运维数据进行计算,根据计算结果进行预警。 根据本发明实施例的技术方案,提高了预测运维数据的精度和实时性,提高了基于预测运维数据预警的效率。 上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。