本發(fā)明設(shè)計計算機(jī)領(lǐng)域，具體涉及到一種在IT運(yùn)維管理系統(tǒng)中的智能分析干預(yù)方法及系統(tǒng)。

背景技術(shù)：

傳統(tǒng)的IT運(yùn)維中，需要設(shè)置一個核心網(wǎng)絡(luò)設(shè)備的負(fù)載告警時，都是根據(jù)當(dāng)前的網(wǎng)絡(luò)實(shí)際情況以及管理員個人的經(jīng)驗(yàn)判斷，在網(wǎng)絡(luò)管理系統(tǒng)中對此核心網(wǎng)絡(luò)設(shè)備設(shè)置一個特定的閥值，以便當(dāng)此核心網(wǎng)絡(luò)設(shè)備超過閥值時產(chǎn)生告警。

傳統(tǒng)的IT運(yùn)維中，如果發(fā)現(xiàn)一個核心網(wǎng)絡(luò)設(shè)備當(dāng)前狀態(tài)已經(jīng)不可用(丟包率30％以上，設(shè)備CPU負(fù)載95％以上)時，往往需要網(wǎng)絡(luò)管理員人工對此設(shè)備進(jìn)行判斷，然后手工的方式重啟此設(shè)備。這種方式比較繁瑣。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種在IT運(yùn)維管理系統(tǒng)中的智能分析干預(yù)方法，所述IT運(yùn)維管理系統(tǒng)具有至少一核心網(wǎng)絡(luò)設(shè)備，包括如下步驟：

通過采集設(shè)備不間斷收集所述核心網(wǎng)絡(luò)設(shè)備實(shí)時的負(fù)載數(shù)據(jù)；

通過分析引擎根據(jù)收集的負(fù)載數(shù)據(jù)產(chǎn)生閥值；

通過控制裝置根據(jù)所述分析引擎產(chǎn)生的閥值來自適應(yīng)控制所述核心網(wǎng)絡(luò)設(shè)備；

其中，所述分析引擎包括有數(shù)據(jù)挖掘引擎和數(shù)據(jù)運(yùn)算引擎，通過所述數(shù)據(jù)挖掘引擎來挖掘所述核心網(wǎng)絡(luò)設(shè)備實(shí)時的負(fù)載數(shù)據(jù)。

上述的智能分析干預(yù)方法，其中，所述數(shù)據(jù)挖掘引擎包括關(guān)聯(lián)挖掘算法模塊、分類挖掘算法模塊和聚類挖掘算法模塊。

上述的智能分析干預(yù)方法，其中，所述閥值包括CPU利用率、磁盤空間未來可使用的時間、丟包率。

上述的智能分析干預(yù)方法，其中，所述數(shù)據(jù)挖掘引擎為基于一數(shù)據(jù)挖掘模型的數(shù)據(jù)分析引擎，通過定義挖掘模型將數(shù)據(jù)挖掘的任務(wù)分成模型的定義、模型的訓(xùn)練和模型的使用，所述挖掘引擎所做的工作始終圍繞挖掘模型而展開；

所述數(shù)據(jù)挖掘引擎使用的數(shù)據(jù)挖掘原語包括：模型定義原語，模型訓(xùn)練原語和模型使用原語。

上述的智能分析干預(yù)方法，其中，通過控制裝置根據(jù)所述分析引擎產(chǎn)生的閥值關(guān)閉或重啟所述核心網(wǎng)絡(luò)設(shè)備。

同時本發(fā)明還提供了一種在IT運(yùn)維管理系統(tǒng)中的智能分析干預(yù)系統(tǒng)，所述IT運(yùn)維管理系統(tǒng)具有至少一核心網(wǎng)絡(luò)設(shè)備，包括：

采集設(shè)備，用于不間斷收集所述核心網(wǎng)絡(luò)設(shè)備實(shí)時的負(fù)載數(shù)據(jù)；

分析引擎，用于根據(jù)收集的負(fù)載數(shù)據(jù)產(chǎn)生閥值，所述分析引擎包括有數(shù)據(jù)挖掘引擎和數(shù)據(jù)運(yùn)算引擎，通過所述數(shù)據(jù)挖掘引擎來挖掘所述核心網(wǎng)絡(luò)設(shè)備實(shí)時的負(fù)載數(shù)據(jù)；

控制裝置，用于根據(jù)所述分析引擎產(chǎn)生的閥值來自適應(yīng)控制所述核心網(wǎng)絡(luò)設(shè)備。

上述的智能分析干預(yù)方法，其中，所述數(shù)據(jù)挖掘引擎包括關(guān)聯(lián)挖掘算法模塊、分類挖掘算法模塊和聚類挖掘算法模塊。

上述的智能分析干預(yù)方法，其中，所述閥值包括CPU利用率、磁盤空間未來可使用的時間、丟包率。

上述的智能分析干預(yù)方法，其中，所述數(shù)據(jù)挖掘引擎為基于一數(shù)據(jù)挖掘模型的數(shù)據(jù)分析引擎，通過定義挖掘模型將數(shù)據(jù)挖掘的任務(wù)分成模型的定義、模型的訓(xùn)練和模型的使用，所述挖掘引擎所做的工作始終圍繞挖掘模型而展開；

所述數(shù)據(jù)挖掘引擎使用的數(shù)據(jù)挖掘原語包括：模型定義原語，模型訓(xùn)練原 語和模型使用原語。

上述的智能分析干預(yù)方法，其中，通過控制裝置根據(jù)所述分析引擎產(chǎn)生的閥值關(guān)閉或重啟所述核心網(wǎng)絡(luò)設(shè)備。

本發(fā)明通過采集設(shè)備不間斷收集所述核心網(wǎng)絡(luò)設(shè)備實(shí)時的負(fù)載數(shù)據(jù)，之后經(jīng)過數(shù)據(jù)挖掘、數(shù)據(jù)運(yùn)算來得出合理的閥值，該閥值根據(jù)會不斷進(jìn)行更新，控制裝置會根據(jù)該閾值來自適應(yīng)控制核心網(wǎng)絡(luò)設(shè)備，例如控制其重啟、關(guān)閉等操作，減小了技術(shù)人員的勞動強(qiáng)度。

附圖說明

通過閱讀參照以下附圖對非限制性實(shí)施例所作的詳細(xì)描述，本發(fā)明及其特征、外形和優(yōu)點(diǎn)將會變得更明顯。在全部附圖中相同的標(biāo)記指示相同的部分。并未刻意按照比例繪制附圖，重點(diǎn)在于示出本發(fā)明的主旨。

圖1為本發(fā)明提供的一種在IT運(yùn)維管理系統(tǒng)中的智能分析干預(yù)方法的流程圖；

圖2為挖掘引擎繞挖掘模型展開工作的示意圖；

圖3為線程對象管理的示意圖；

圖4為各挖掘算法模塊與miner的連接示意圖；

圖5為本發(fā)明提供的一種在IT運(yùn)維管理系統(tǒng)中的智能分析干預(yù)系統(tǒng)的示意圖。

具體實(shí)施方式

在下文的描述中，給出了大量具體的細(xì)節(jié)以便提供對本發(fā)明更為徹底的理解。然而，對于本領(lǐng)域技術(shù)人員而言顯而易見的是，本發(fā)明可以無需一個或多個這些細(xì)節(jié)而得以實(shí)施。在其他的例子中，為了避免與本發(fā)明發(fā)生混淆，對于本領(lǐng)域公知的一些技術(shù)特征未進(jìn)行描述。

為了徹底理解本發(fā)明，將在下列的描述中提出詳細(xì)的步驟以及詳細(xì)的結(jié)構(gòu)，以便闡釋本發(fā)明的技術(shù)方案。本發(fā)明的較佳實(shí)施例詳細(xì)描述如下，然而 除了這些詳細(xì)描述外，本發(fā)明還可以具有其他實(shí)施方式。

實(shí)施例一

本發(fā)明提供了一種在IT運(yùn)維管理系統(tǒng)中的智能分析干預(yù)方法，IT運(yùn)維管理系統(tǒng)具有至少一核心網(wǎng)絡(luò)設(shè)備，包括如下步驟：

步驟S1：通過一采集設(shè)備不間斷收集核心網(wǎng)絡(luò)設(shè)備實(shí)時的負(fù)載數(shù)據(jù)。

步驟S2：通過一分析引擎根據(jù)收集的負(fù)載數(shù)據(jù)產(chǎn)生閥值。分析引擎包括有一數(shù)據(jù)挖掘引擎和數(shù)據(jù)運(yùn)算引擎，通過數(shù)據(jù)挖掘引擎來挖掘核心網(wǎng)絡(luò)設(shè)備實(shí)時的負(fù)載數(shù)據(jù)。

在本發(fā)明一可選的實(shí)施例中，閥值包括CPU利用率、磁盤空間未來可使用的時間、丟包率。

步驟S3：一控制裝置根據(jù)分析引擎產(chǎn)生的閥值來自適應(yīng)控制核心網(wǎng)絡(luò)設(shè)備?？蛇x的，控制裝置根據(jù)分析引擎產(chǎn)生的閥值關(guān)閉或重啟核心網(wǎng)絡(luò)設(shè)備。

本發(fā)明通過采集設(shè)備不間斷收集所述核心網(wǎng)絡(luò)設(shè)備實(shí)時的負(fù)載數(shù)據(jù)，之后經(jīng)過數(shù)據(jù)挖掘、數(shù)據(jù)運(yùn)算來得出一合理的閥值，該閥值根據(jù)會不斷進(jìn)行更新，控制裝置會根據(jù)該閾值來自適應(yīng)控制核心網(wǎng)絡(luò)設(shè)備，例如控制其重啟、關(guān)閉等操作，減小了技術(shù)人員的勞動強(qiáng)度。

本發(fā)明是針對IT運(yùn)維管理系統(tǒng)的特定的智能分析以及智能管理技術(shù)，比如：傳統(tǒng)的IT網(wǎng)絡(luò)運(yùn)維中，需要設(shè)置一個核心網(wǎng)絡(luò)設(shè)備的負(fù)載告警時，都是根據(jù)當(dāng)前的網(wǎng)絡(luò)實(shí)際情況以及管理員個人的經(jīng)驗(yàn)判斷，在IT運(yùn)維管理系統(tǒng)中對此核心網(wǎng)絡(luò)設(shè)備設(shè)置一個特定的閥值，以便當(dāng)此核心網(wǎng)絡(luò)設(shè)備超過閥值時產(chǎn)生告警。而通過智能分析技術(shù)，可以不需要管理員的經(jīng)驗(yàn)(往往不夠正確)，通過一段時間的網(wǎng)絡(luò)管理系統(tǒng)的運(yùn)行，收集一定的此核心網(wǎng)絡(luò)設(shè)備的負(fù)載數(shù)據(jù)，數(shù)據(jù)挖掘引擎通過挖掘獲取相應(yīng)的數(shù)據(jù)，之后通過數(shù)據(jù)運(yùn)算引擎計算自動產(chǎn)生一個科學(xué)的閥值，而此閥值會隨著時間的推移，負(fù)載數(shù)據(jù)的變化而不斷的動態(tài)的更改，這樣會更加的合理。

傳統(tǒng)的IT網(wǎng)絡(luò)運(yùn)維中，如果發(fā)現(xiàn)一個核心網(wǎng)絡(luò)設(shè)備當(dāng)前狀態(tài)已經(jīng)不可用(丟包率30％以上，設(shè)備CPU負(fù)載95％以上)時，往往需要網(wǎng)絡(luò)管理員人工對 此設(shè)備進(jìn)行判斷，然后手工的方式重啟此設(shè)備。通過智能分析以及智能管理技術(shù)，可通過網(wǎng)絡(luò)管理系統(tǒng)，自動發(fā)出指令來完成這一操作，重新對IT運(yùn)維管理進(jìn)行了定義。

為了實(shí)現(xiàn)上述方案，我們開發(fā)出了一種OMEngine(OM引擎)。OMEngine是一個獨(dú)立于運(yùn)維管理數(shù)據(jù)庫和運(yùn)維管理決策支持業(yè)務(wù)平臺的數(shù)據(jù)挖掘服務(wù)提供者。主要是進(jìn)行的是海量數(shù)據(jù)分析運(yùn)算，運(yùn)行于數(shù)據(jù)庫后臺服務(wù)器平臺。因?yàn)镺MEngine服務(wù)程序需要和數(shù)據(jù)庫系統(tǒng)進(jìn)行大規(guī)模的數(shù)據(jù)交換操作，所以O(shè)MEngine最好的情況是運(yùn)行于數(shù)據(jù)庫服務(wù)器，通過IPC(進(jìn)程間通信)或者Windows的Pipe(管道)來與數(shù)據(jù)庫交互，效率是要高于基于TCP網(wǎng)絡(luò)的連接。

OMEngine數(shù)據(jù)挖掘引擎在整個運(yùn)維決策支持系統(tǒng)中處于核心的地位。運(yùn)維決策支持系統(tǒng)的業(yè)務(wù)服務(wù)程序根據(jù)用戶的可視化操作以及運(yùn)維數(shù)據(jù)庫具體的部署，構(gòu)造相應(yīng)的基于XML的數(shù)據(jù)挖掘原語，通過TCP網(wǎng)絡(luò)連接，發(fā)送數(shù)據(jù)挖掘原語至OMEngine服務(wù)進(jìn)程，OMEngine在接收到挖掘原語后，解釋其挖掘原語的意義，執(zhí)行相關(guān)的數(shù)據(jù)挖掘任務(wù)，最后將挖掘完成的結(jié)果再次通過TCP網(wǎng)絡(luò)連接返回給業(yè)務(wù)服務(wù)程序。

OMEngine是分成了關(guān)聯(lián)規(guī)則挖掘，分類規(guī)則挖掘和聚類分析三大模塊。OMEngine挖掘引擎是一個基于數(shù)據(jù)挖掘模型Model的數(shù)據(jù)分析引擎。通過定義挖掘模型Model，將數(shù)據(jù)挖掘的任務(wù)分成模型的定義，模型的訓(xùn)練和模型的使用。挖掘引擎所做的工作始終圍繞挖掘模型而展開。挖掘引擎使用的數(shù)據(jù)挖掘原語分成模型定義原語，模型訓(xùn)練原語和模型使用原語。如圖2所示。

圖3中，每個線程對象都是一個OMEngine對象，OMEngine對象繼承于Java Thread線程對象。每個OMEngine擁有一個Connection數(shù)據(jù)庫連接。所以，當(dāng)線程對象存活的時候，Connection就始終存活。

OMEngine的線程對象管理模塊統(tǒng)一對每個線程以及其數(shù)據(jù)庫連接進(jìn)行創(chuàng)建，管理和銷毀。Miner挖掘服務(wù)并不需要自己創(chuàng)建關(guān)閉線程和創(chuàng)建關(guān)閉數(shù)據(jù)庫連接。OpenMiner(一個開源的數(shù)據(jù)挖掘引擎)服務(wù)運(yùn)行中一旦監(jiān)聽到由客戶端的請求，會根據(jù)請求的類型信息，來分配一個“空閑”狀態(tài)的線程對象 來進(jìn)行數(shù)據(jù)挖掘服務(wù)。當(dāng)數(shù)據(jù)挖掘服務(wù)完成后，OMEngine線程對象管理模塊收回其分配的線程對象，并且置于“空閑”狀態(tài)。

OMThread(OM線程)對象一旦接收到“命令”后，從“空閑”狀態(tài)轉(zhuǎn)向“工作”，就會根據(jù)具體的挖掘原語來調(diào)用相關(guān)的挖掘算法模塊來執(zhí)行數(shù)據(jù)挖掘任務(wù)。

OMEngine內(nèi)部提供了關(guān)聯(lián)，分類，聚類各種不同的挖掘算法模塊。Miner(一種現(xiàn)有的數(shù)據(jù)挖掘軟件)是所有挖掘算法模塊的抽象父類，里面定義所有挖掘算法模塊的公共接口函數(shù)，不同的算法模塊都要求實(shí)現(xiàn)其基本接口。主要的算法是基于機(jī)器學(xué)習(xí)。如圖4所示。

在本發(fā)明一可選的實(shí)施例中，數(shù)據(jù)挖掘引擎包括關(guān)聯(lián)挖掘算法模塊、分類挖掘算法模塊和聚類挖掘算法模塊。

在本發(fā)明一可選的實(shí)施例中，數(shù)據(jù)挖掘引擎為基于一數(shù)據(jù)挖掘模型的數(shù)據(jù)分析引擎，通過定義挖掘模型將數(shù)據(jù)挖掘的任務(wù)分成模型的定義、模型的訓(xùn)練和模型的使用；挖掘引擎所做的工作始終圍繞挖掘模型而展開。

在本發(fā)明一可選的實(shí)施例中，數(shù)據(jù)挖掘引擎使用的數(shù)據(jù)挖掘原語包括：模型定義原語，模型訓(xùn)練原語和模型使用原語。

實(shí)施例二

在本實(shí)施例中，本發(fā)明提供了一種在IT運(yùn)維管理系統(tǒng)1中的智能分析干預(yù)系統(tǒng)，如圖5所示，IT運(yùn)維管理系統(tǒng)1具有至少一核心網(wǎng)絡(luò)設(shè)備1a，包括：

采集設(shè)備2，用于不間斷收集核心網(wǎng)絡(luò)設(shè)備實(shí)時的負(fù)載數(shù)據(jù)；

分析引擎3，用于根據(jù)收集的負(fù)載數(shù)據(jù)產(chǎn)生閥值，分析引擎3包括有一數(shù)據(jù)挖掘引擎3a和數(shù)據(jù)運(yùn)算引擎3b，通過數(shù)據(jù)挖掘引擎來挖掘核心網(wǎng)絡(luò)設(shè)備實(shí)時的負(fù)載數(shù)據(jù)；

控制裝置4，用于根據(jù)分析引擎產(chǎn)生的閥值來自適應(yīng)控制核心網(wǎng)絡(luò)設(shè)備1a?？蛇x的，控制裝置4根據(jù)分析引擎3產(chǎn)生的閥值關(guān)閉或重啟核心網(wǎng)絡(luò)設(shè)備1a。

在本發(fā)明一可選的實(shí)施例中，數(shù)據(jù)挖掘引擎包括關(guān)聯(lián)挖掘算法模塊、分類挖掘算法模塊和聚類挖掘算法模塊。

在本發(fā)明一可選的實(shí)施例中，閥值包括CPU利用率、磁盤空間未來可使用的時間、丟包率。

在本發(fā)明一可選的實(shí)施例中，數(shù)據(jù)挖掘引擎為基于一數(shù)據(jù)挖掘模型的數(shù)據(jù)分析引擎，通過定義挖掘模型將數(shù)據(jù)挖掘的任務(wù)分成模型的定義、模型的訓(xùn)練和模型的使用；挖掘引擎所做的工作始終圍繞挖掘模型而展開。

在本發(fā)明一可選的實(shí)施例中，數(shù)據(jù)挖掘引擎使用的數(shù)據(jù)挖掘原語包括：模型定義原語，模型訓(xùn)練原語和模型使用原語。

本發(fā)明是針對IT運(yùn)維管理系統(tǒng)的特定的智能分析以及智能管理技術(shù)，比如：傳統(tǒng)的IT網(wǎng)絡(luò)運(yùn)維中，需要設(shè)置一個核心網(wǎng)絡(luò)設(shè)備的負(fù)載告警時，都是根據(jù)當(dāng)前的網(wǎng)絡(luò)實(shí)際情況以及管理員個人的經(jīng)驗(yàn)判斷，在IT運(yùn)維管理系統(tǒng)中對此核心網(wǎng)絡(luò)設(shè)備設(shè)置一個特定的閥值，以便當(dāng)此核心網(wǎng)絡(luò)設(shè)備超過閥值時產(chǎn)生告警。而通過智能分析技術(shù)，可以不需要管理員的經(jīng)驗(yàn)(往往不夠正確)，通過一段時間的網(wǎng)絡(luò)管理系統(tǒng)的運(yùn)行，收集一定的此核心網(wǎng)絡(luò)設(shè)備的負(fù)載數(shù)據(jù)，自動產(chǎn)生一個科學(xué)的閥值，而此閥值會隨著時間的推移，負(fù)載數(shù)據(jù)的變化而不斷的動態(tài)的更改，這樣會更加的合理。

通過智能分析以及智能管理技術(shù)，可通過網(wǎng)絡(luò)管理系統(tǒng)，自動發(fā)出指令來完成這一操作，重新對IT運(yùn)維管理進(jìn)行了定義。

以上對本發(fā)明的較佳實(shí)施例進(jìn)行了描述。需要理解的是，本發(fā)明并不局限于上述特定實(shí)施方式，其中未盡詳細(xì)描述的設(shè)備和結(jié)構(gòu)應(yīng)該理解為用本領(lǐng)域中的普通方式予以實(shí)施；任何熟悉本領(lǐng)域的技術(shù)人員，在不脫離本發(fā)明技術(shù)方案范圍情況下，都可利用上述揭示的方法和技術(shù)內(nèi)容對本發(fā)明技術(shù)方案做出許多可能的變動和修飾，或修改為等同變化的等效實(shí)施例，這并不影響本發(fā)明的實(shí)質(zhì)內(nèi)容。因此，凡是未脫離本發(fā)明技術(shù)方案的內(nèi)容，依據(jù)本發(fā)明的技術(shù)實(shí)質(zhì)對以上實(shí)施例所做的任何簡單修改、等同變化及修飾，均仍屬于本發(fā)明技術(shù)方案保護(hù)的范圍內(nèi)。