一种自动判别服务器故障的方法

摘要

本申请公开了一种自动判别服务器故障的方法，其中方法包括：将集群服务器中的多种运行信息实时传输汇总到计算服务器；所述计算服务器从运行信息集合R^N选取K个初始聚类中心；根据所述初始聚类中心，计算每个数据对象与聚类中心对象的距离；根据每个点距K个聚类中心的最小距离重新对每个点所属聚类簇进行划分；重新计算有变化的聚类簇的中心；计算标准测度函数；若所述标准测度函数满足预设条件，则算法终止。本发明通过基于大数据的数据将服务器指标进行分析，从中发现故障类别，从而实现对海量集群的服务器故障的自动预测判定。

主权项

一种自动判别服务器故障的方法，其特征在于，包括：将集群服务器中的多种运行信息实时传输汇总到计算服务器；所述计算服务器从运行信息集合R^N选取K个初始聚类中心；根据所述初始聚类中心，计算每个数据对象与聚类中心对象的距离；根据每个点距K个聚类中心的最小距离重新对每个点所属聚类簇进行划分；重新计算有变化的聚类簇的中心；计算标准测度函数；若所述标准测度函数满足预设条件，则算法终止；其中，所述K个初始聚类中心选取过程如下所示：对所述运行信息集合R^N进行采样得到样本数为M的样本数据集S^M；选取所述样本数据集S^M所有数据记录的质心作为第一个聚类中心，所述质心的计算公式如下：$c=\frac{1}{M}\underset{x\in S^M}{\Sigma }x$对于每个后继K‑1个聚类中心，选择距已经选取过的初始聚类中心最远的点，所述质心与数据记录间距离计算公式如下：$dist(c_i,x)=\sqrt{{({\mu }_1^{\left(i\right)}-{\mu }_1)}^2+{({\mu }_2^{\left(i\right)}-{\mu }_2)}^2+{({\mu }_j^{\left(i\right)}-{\mu }_j)}^2+\mathrm{...}+{({\mu }_n^{\left(i\right)}-{\mu }_n)}^2}$其中，n种运行信息，记为μ₁,μ₂,...,μ_n；R^N为全部运行信息集合，N为数据记录总数；x为每条数据记录，每条数据记录包含此前搜集的n种运行信息，将每条数据记录看做欧几里得空间中一个点K为聚类分析计算中所期望的簇的个数；所述数据对象为所述运行信息集合R^N中的一条数据记录；所述聚类中心对象为所述聚类中心；C_i表示第i个簇，也即第i个簇中所有点的集合；c_i表示簇C_i的质心。