一种预测网络健康状态的方法、系统、设备和存储介质

技术领域

本发明涉及分布式存储系统领域，更具体地，特别是指一种预测网络健康状态的方法、系统、设备和存储介质。

背景技术

能够让网络正常运行、在遭受外界冲击后可以迅速恢复的状态称为“健康”状态；陷入瘫痪、不能正常运行的状态叫做“非健康”状态。许多大中型企业的网络则都处于“亚健康”状态。这种状态的网络平时可以正常运行，但是抵御风险的能力极其低下，在受到突发性网络风险的情况下很容易陷入瘫痪，很长时间都难以恢复，严重影响集群的整体性能。因此，需要提前预测当前网络状态是否会成为亚健康状态，现有技术多是采集网络通信的报文信息，直接对传输的报文信息进行判断，无法实时地对网络状态进行预测。

发明内容

有鉴于此，本发明实施例的目的在于提出一种预测网络健康状态的方法、系统、计算机设备及计算机可读存储介质，本发明通过采集不同时间不同特征的网络状态数据作为训练样本数据，对样本数据整理加工后输入进循环神经网络模型进行特征提取，然后将提取的特征经过决策树模型计算预测，输出的预测结果经过和设定的阈值比较后，可将存储系统的网络状态分为“健康”和“亚健康”2个类别，实现对网络状态的预测，能够实时对网络状态进行预测，准确性更高，提高了系统的稳定性和可靠性。

基于上述目的，本发明实施例的一方面提供了一种预测网络健康状态的方法，包括如下步骤：获取网络中多个维度的时序状态数据，并将所述多个维度的时序状态数据进行归一化处理；将归一化处理后的时序状态数据送入循环神经网络模型中提取网络状态有效特征；使用决策树模型结合所述网络状态有效特征预测分布式存储系统的网络健康状态以形成预测模型；以及根据所述预测模型对当前网口的网络健康状态进行预测，并响应于预测结果为亚健康状态，进行告警并切换网口。

在一些实施方式中，所述将归一化处理后的时序状态数据送入循环神经网络模型中提取网络状态有效特征包括：将所述循环神经网络模型的迭代次数设置为50，预测所用的窗口长度设为6，全连接层数设为3，隐藏节点数设为12，均方差作为损失函数，优化器选用adam算法。

在一些实施方式中，所述将所述多个维度的时序状态数据进行归一化处理包括：对每个维度的时序状态数据标记对应的网络状态标签。

在一些实施方式中，所述使用决策树模型结合所述网络状态有效特征预测分布式存储系统的网络健康状态以形成预测模型包括：判断所述决策树模型输出的预测结果是否大于预设的阈值；以及响应于所述决策树模型输出的预测结果大于预设的阈值，将网络状态标记为亚健康状态。

本发明实施例的另一方面，提供了一种预测网络健康状态的系统，包括：采集模块，配置用于获取网络中多个维度的时序状态数据，并将所述多个维度的时序状态数据进行归一化处理；提取模块，配置用于将归一化处理后的时序状态数据送入循环神经网络模型中提取网络状态有效特征；预测模块，配置用于使用决策树模型结合所述网络状态有效特征预测分布式存储系统的网络健康状态以形成预测模型；以及执行模块，配置用于根据所述预测模型对当前网口的网络健康状态进行预测，并响应于预测结果为亚健康状态，进行告警并切换网口。

在一些实施方式中，所述提取模块配置用于：将所述循环神经网络模型的迭代次数设置为50，预测所用的窗口长度设为6，全连接层数设为3，隐藏节点数设为12，均方差作为损失函数，优化器选用adam算法。

在一些实施方式中，所述采集模块配置用于：对每个维度的时序状态数据标记对应的网络状态标签。

在一些实施方式中，所述预测模块配置用于：判断所述决策树模型输出的预测结果是否大于预设的阈值；以及响应于所述决策树模型输出的预测结果大于预设的阈值，将网络状态标记为亚健康状态。

本发明实施例的又一方面，还提供了一种计算机设备，包括：至少一个处理器；以及存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现如上方法的步骤。

本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。

本发明具有以下有益技术效果：通过采集不同时间不同特征的网络状态数据作为训练样本数据，对样本数据整理加工后输入进循环神经网络模型进行特征提取，然后将提取的特征经过决策树模型计算预测，输出的预测结果经过和设定的阈值比较后，可将存储系统的网络状态分为“健康”和“亚健康”2个类别，实现对网络状态的预测，能够实时对网络状态进行预测，准确性更高，提高了系统的稳定性和可靠性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。

图1为本发明提供的预测网络健康状态的方法的实施例的示意图；

图2为本发明提供的预测网络健康状态的系统的实施例的示意图；

图3为本发明提供的预测网络健康状态的计算机设备的实施例的硬件结构示意图；

图4为本发明提供的预测网络健康状态的计算机存储介质的实施例的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。

需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。

本发明实施例的第一个方面，提出了一种预测网络健康状态的方法的实施例。图1示出的是本发明提供的预测网络健康状态的方法的实施例的示意图。如图1所示，本发明实施例包括如下步骤：

S1、获取网络中多个维度的时序状态数据，并将所述多个维度的时序状态数据进行归一化处理；

S2、将归一化处理后的时序状态数据送入循环神经网络模型中提取网络状态有效特征；

S3、使用决策树模型结合所述网络状态有效特征预测分布式存储系统的网络健康状态以形成预测模型；以及

S4、根据所述预测模型对当前网口的网络健康状态进行预测，并响应于预测结果为亚健康状态，进行告警并切换网口。

本发明实施例通过获取分布式存储系统网络在读写等业务下的网络传输时序状态数据，这些时序状态数据包括网络时延、网络丢包率和网络带宽利用率，使用循环神经网络提取时序状态数据的有效特征，然后使用决策树模型对存储系统网络的健康状态进行预测，当存储系统网络状态被判定为亚健康时，存储系统将对亚健康的网络进行报警并切换至健康的网口。

获取网络中多个维度的时序状态数据，并将所述多个维度的时序状态数据进行归一化处理。

在一些实施方式中，所述将所述多个维度的时序状态数据进行归一化处理包括：对每个维度的时序状态数据标记对应的网络状态标签。

采集存储系统网络在业务下的时序状态数据作为训练样本数据，分别为网络时延、网络丢包率和网络带宽利用率；对上述3个维度的时序状态数据经过归一化处理，得到维度为i*j*3的训练样本数据，并标记对应的网络状态标签，从而获取关于存储系统网络状态的训练样本数据和标签。获取的其中一维训练样本可以表示为：

其中，F表示获取的训练样本，n的取值为1-3，可以表示为网络时延、网络丢包率和网络带宽利用率，X

将归一化处理后的时序状态数据送入循环神经网络模型中提取网络状态有效特征。

获取的时序状态数据经过归一化处理后送入循环神经网络进行有效特征提取。对于循环神经网络，包括输入层、隐藏层和输出层，将隐藏层的激活函数表示为f(.)，

则隐藏层的计算可以表示为：

s

其中w和u表示为权重矩阵，s

将输出层的激活函数表示为h(.)，则输出层的计算可以表示为：

o

其中v表示为权重矩阵，o

在一些实施方式中，所述将归一化处理后的时序状态数据送入循环神经网络模型中提取网络状态有效特征包括：将所述循环神经网络模型的迭代次数设置为50，预测所用的窗口长度设为6，全连接层数设为3，隐藏节点数设为12，均方差作为损失函数，优化器选用adam算法。

使用决策树模型结合所述网络状态有效特征预测分布式存储系统的网络健康状态以形成预测模型。

利用存储系统网络状态的时序数据，然后将上述提取的网络状态有效特征输入CART进行预测，决策树模型简单表示为T(.),则经过决策树模型输出的网络状态为：

nt＝T(o

其中，nt表示为输出的网络状态。

在一些实施方式中，所述使用决策树模型结合所述网络状态有效特征预测分布式存储系统的网络健康状态以形成预测模型包括：判断所述决策树模型输出的预测结果是否大于预设的阈值；以及响应于所述决策树模型输出的预测结果大于预设的阈值，将网络状态标记为亚健康状态。

根据所述预测模型对当前网口的网络健康状态进行预测，并响应于预测结果为亚健康状态，进行告警并切换网口。将训练好的模型应用到存储系统进行网络状态预测，如果存储系统网络状态被预测和标记为亚健康状态，存储系统会对处于亚健康状态的网络进行报警，报警信息包括网络亚健康的具体状态和网口信息，然后存储系统会将对应的亚健康网口切换至健康网口。

本发明实施例通过采集不同时间不同特征的网络状态数据作为训练样本数据，对样本数据整理加工后输入进循环神经网络模型进行特征提取，然后将提取的特征经过决策树模型计算预测，输出的预测结果经过和设定的阈值比较后，实现对网络状态的预测，能够实时对网络状态进行预测，准确性更高，提高了系统的稳定性和可靠性。

需要特别指出的是，上述预测网络健康状态的方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于预测网络健康状态的方法也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在实施例之上。

基于上述目的，本发明实施例的第二个方面，提出了一种预测网络健康状态的系统。如图2所示，系统200包括如下模块：采集模块，配置用于获取网络中多个维度的时序状态数据，并将所述多个维度的时序状态数据进行归一化处理；提取模块，配置用于将归一化处理后的时序状态数据送入循环神经网络模型中提取网络状态有效特征；预测模块，配置用于使用决策树模型结合所述网络状态有效特征预测分布式存储系统的网络健康状态以形成预测模型；以及执行模块，配置用于根据所述预测模型对当前网口的网络健康状态进行预测，并响应于预测结果为亚健康状态，进行告警并切换网口。

在一些实施方式中，所述提取模块配置用于：将所述循环神经网络模型的迭代次数设置为50，预测所用的窗口长度设为6，全连接层数设为3，隐藏节点数设为12，均方差作为损失函数，优化器选用adam算法。

在一些实施方式中，所述采集模块配置用于：对每个维度的时序状态数据标记对应的网络状态标签。

在一些实施方式中，所述预测模块配置用于：判断所述决策树模型输出的预测结果是否大于预设的阈值；以及响应于所述决策树模型输出的预测结果大于预设的阈值，将网络状态标记为亚健康状态。

基于上述目的，本发明实施例的第三个方面，提出了一种计算机设备，包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行以实现如下步骤：S1、获取网络中多个维度的时序状态数据，并将所述多个维度的时序状态数据进行归一化处理；S2、将归一化处理后的时序状态数据送入循环神经网络模型中提取网络状态有效特征；S3、使用决策树模型结合所述网络状态有效特征预测分布式存储系统的网络健康状态以形成预测模型；以及S4、根据所述预测模型对当前网口的网络健康状态进行预测，并响应于预测结果为亚健康状态，进行告警并切换网口。

在一些实施方式中，所述将归一化处理后的时序状态数据送入循环神经网络模型中提取网络状态有效特征包括：将所述循环神经网络模型的迭代次数设置为50，预测所用的窗口长度设为6，全连接层数设为3，隐藏节点数设为12，均方差作为损失函数，优化器选用adam算法。

在一些实施方式中，所述将所述多个维度的时序状态数据进行归一化处理包括：对每个维度的时序状态数据标记对应的网络状态标签。

在一些实施方式中，所述使用决策树模型结合所述网络状态有效特征预测分布式存储系统的网络健康状态以形成预测模型包括：判断所述决策树模型输出的预测结果是否大于预设的阈值；以及响应于所述决策树模型输出的预测结果大于预设的阈值，将网络状态标记为亚健康状态。

如图3所示，为本发明提供的上述预测网络健康状态的计算机设备的一个实施例的硬件结构示意图。

以如图3所示的装置为例，在该装置中包括一个处理器301以及一个存储器302。

处理器301和存储器302可以通过总线或者其他方式连接，图3中以通过总线连接为例。

存储器302作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的预测网络健康状态的方法对应的程序指令/模块。处理器301通过运行存储在存储器302中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现预测网络健康状态的方法。

存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据预测网络健康状态的方法的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

一个或者多个预测网络健康状态的方法对应的计算机指令303存储在存储器302中，当被处理器301执行时，执行上述任意方法实施例中的预测网络健康状态的方法。

执行上述预测网络健康状态的方法的计算机设备的任何一个实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。

本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时执行预测网络健康状态的方法的计算机程序。

如图4所示，为本发明提供的上述预测网络健康状态的计算机存储介质的一个实施例的示意图。以如图4所示的计算机存储介质为例，计算机可读存储介质401存储有被处理器执行时执行如上方法的计算机程序402。

最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，预测网络健康状态的方法的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。

以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。

应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。

上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。