服务器监测方法、装置及存储介质与流程

摘要: 本技术涉及服务器,尤其涉及服务器监测方法、装置及存储介质。背景技术:1、服务器硬件是数据中心的核心基础设施,其物理组件,如处理器、图形处理器、内存、存储设备、网...
服务器监测方法、装置及存储介质与流程

本技术涉及服务器,尤其涉及服务器监测方法、装置及存储介质。

背景技术:

1、服务器硬件是数据中心的核心基础设施,其物理组件,如处理器、图形处理器、内存、存储设备、网络接口、电源模块、供电调节模块及冷却部件等,服务器硬件的稳定性和性能直接决定了服务器的可靠性及业务连续性。为确保服务器处于健康状态,服务器通常部署bmc(baseboard management controller,基板管理控制器);在通过i²c总线(inter-integrated circuit,内部集成电路总线)、pmbus(power management bus,电源管理总线)、peci(platform environment control interface,平台环境控制接口)、pcie管理接口(peripheral component interconnect express,高速外围组件互连)等通信总线和接口形成的数据采集链路采集到服务器硬件的温度、电压、电流、功率、风扇转速及硬件错误计数等监测数据后,bmc根据监测数据判断服务器硬件是否发生故障。

2、相关技术中,服务器硬件监测主要依赖于固定阈值匹配或单通道趋势判断,固定阈值匹配通常在监测数据超出固定阈值时,判定发生故障进而触发告警;单通道趋势判断则针对单一监测通道随时间的变化进行分析,当监测值或其变化趋势超出预设范围时判定为故障。然而服务器监测数据受负载率、运行频率、进风温度、风扇调速及电源状态切换等工况因素的实时影响,上述传统检测方式因未能将工况变化纳入判定逻辑,无法区分监测数据的变化是由工况正常波动引起还是由硬件故障引起,导致易将正常状态误判为故障状态,或无法识别尚未越限但已偏离当前工况正常物理响应的早期异常,存在误报漏报问题,故障监测准确率低下。

3、上述内容仅用于辅助理解本技术的技术方案,并不代表承认上述内容是现有技术。

技术实现思路

1、本技术的主要目的在于提供一种服务器监测方法、装置及存储介质,旨在解决传统服务器硬件故障监测方式准确率低下的技术问题。

2、为实现上述目的,本技术提出一种服务器监测方法,所述服务器监测方法的步骤包括:

3、获取被监测硬件的第一工况参数以及根据被监测硬件的目标状态通道获取被监测硬件的第一状态参数;

4、根据所述第一工况参数计算出针对所述第一状态参数的第一标准状态参数;

5、根据服务器硬件关系图中的正常响应边确定所述目标状态通道对应的前驱通道,并根据所述前驱通道对应的第二状态参数确定针对所述第一状态参数的第一预测状态参数;

6、根据所述第一标准状态参数与所述第一预测状态参数分别计算出所述第一状态参数对应的第一自残差量以及第一关系残差量;

7、根据所述第一自残差量以及所述第一关系残差量对所述被监测硬件进行故障根因分析,确定所述被监测硬件对应的目标故障类型。

8、示例性地,所述服务器硬件关系图的节点包括以下至少一项:

9、被监测硬件对应的硬件节点;

10、与所述被监测硬件关联的至少一条状态通道的状态通道节点;

11、用于控制所述被监测硬件的执行部件的执行部件节点;

12、所述服务器硬件关系图的边包括以下至少一项:

13、正常响应边,所述正常响应边关联正常响应要素,所述正常响应要素包括正常响应时延、正常响应方向以及各个状态通道之间的关系系数中的至少一项;

14、异常传播边,所述异常传播边关联异常传播要素,所述异常传播要素包括异常传播时延、异常传播方向以及异常传播增益区间中的至少一项;

15、控制响应边,所述控制响应边关联控制响应要素,所述控制响应要素包括控制响应方向、控制响应时延以及控制响应增益区间中的至少一项;

16、采集依赖边,所述采集依赖边用于表征所述状态通道对应的数据采集链路。

17、示例性地,所述根据所述前驱通道对应的第二状态参数确定针对所述第一状态参数的第一预测状态参数的步骤包括:

18、获取所述目标状态通道所在的目标正常响应边,以及获取所述目标正常响应边关联的目标正常响应要素;

19、获取所述前驱通道在所述目标正常响应时延对应的历史时间窗口的历史状态参数,将所述历史状态参数作为第二状态参数;

20、根据所述第二状态参数以及所述前驱通道对应的针对所述第二状态参数的第二标准状态参数,计算出所述前驱通道对应的第二自残差量;

21、根据所述第二自残差量以及目标关系系数计算出状态参数贡献值;

22、将所述状态参数贡献值与所述第一标准状态参数的相加结果作为所述第一预测状态参数。

23、示例性地,所述根据所述第一自残差量以及所述第一关系残差量对所述被监测硬件进行故障根因分析,确定所述被监测硬件对应的目标故障类型的步骤包括:

24、根据所述第一自残差量对应的通道可信度评分以及所述第一关系残差量对应的关系可信度评分,对所述第一自残差量以及所述第一关系残差量进行加权求和,计算出所述目标状态通道的通道综合异常监测值;

25、根据所述被监测硬件关联的至少一条目标状态通道的通道综合异常监测值计算出所述被监测硬件的目标持续异常累积量;

26、在所述目标持续异常累积量大于或等于预设异常累积量时,根据所述被监测硬件确定异常候选,并确定所述异常候选对应的候选状态通道;

27、根据所述候选状态通道和所述异常候选对所述被监测硬件进行故障根因分析,确定所述目标故障类型。

28、示例性地,所述根据所述候选状态通道和所述异常候选对所述被监测硬件进行故障根因分析,确定所述目标故障类型的步骤包括:

29、根据所述服务器硬件关系图获取指向所述候选状态通道的目标异常传播边;

30、根据所述目标异常传播边以及所述异常候选生成目标根因候选,并计算出各个目标根因候选对应的根因评分,所述根因评分包括基础支持度得分、出边传播一致性得分、入边传播一致性得分以及先发性得分中的至少一项;

31、根据所述根因评分从所述目标根因候选中确定目标根因;

32、根据所述目标根因确定所述目标故障类型。

33、示例性地,所述根据所述根因评分从所述目标根因候选中确定目标根因的步骤包括:

34、根据所述服务器硬件关系图的控制响应边查询是否存在从执行部件节点至所述候选状态通道的目标控制响应路径;

35、在存在所述目标控制响应路径时,根据各个所述目标根因候选从候选安全验证动作中选取验证动作;

36、通过所述目标控制响应路径对应的目标执行部件执行验证动作,获取所述验证动作的验证反馈信息,所述验证反馈信息包括命令确认信息、实际执行反馈结果以及所述异常候选对应的状态参数变化量中的至少一项;

37、在根据所述命令确认信息以及所述实际执行反馈结果确定所述验证动作执行成功时,根据所述状态参数变化量计算出观测控制响应要素,所述观测控制响应要素包括观测控制响应方向、观测控制响应时延以及观测控制响应增益中的至少一项;

38、将所述观测控制响应要素与所述目标控制响应路径对应的目标控制响应要素进行比对,形成多通道响应指纹,根据所述多通道响应指纹计算出主动验证支持得分;

39、根据所述主动验证支持得分更新所述根因评分,根据更新后的根因评分从所述目标根因候选中确定目标根因。

40、示例性地,所述方法还包括:

41、在不存在所述目标控制响应路径,和/或验证动作执行失败时,根据所述目标根因候选获取有效独立证据组;

42、根据所述有效独立证据组确定所述目标根因候选对应的被动确认结果;

43、根据所述被动确认结果确定所述目标故障类型。

44、示例性地,所述方法还包括:

45、对所述第一状态参数和所述第一工况参数执行时间对齐操作,得到时间对齐后的第一状态参数以及第一工况参数;

46、根据时间对齐后的所述第一状态参数对所述目标状态通道进行通道可信度评分,得到所述目标状态通道对应的通道可信度评分。

47、此外,为实现上述目的,本技术还提出一种服务器监测装置,所述服务器监测装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现如上文所述的服务器监测方法的步骤。

48、此外,为实现上述目的,本技术还提出一种服务器监测设备,所述服务器监测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现如上文所述的服务器监测方法的步骤。

49、此外,为实现上述目的,本技术还提出一种存储介质,所述存储介质为计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上文所述的服务器监测方法的步骤。

50、此外,为实现上述目的,本技术还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现如上文所述的服务器监测方法的步骤。

51、本技术提出的一个或多个技术方案,至少具有以下技术效果:通过根据工况参数计算被监测硬件在当前工况下的第一标准状态参数,并基于服务器硬件关系图的正常响应边利用前驱通道的第二状态参数计算第一预测状态参数,再以实际检测到的第一状态参数分别与第一标准状态参数、第一预测状态参数进行比对,得到自残差量和关系残差量,再基于双残差进行故障根因分析确定目标故障类型。由于第一标准状态参数反映了当前工况下的预期正常值,从而能够区分正常工况波动与真实故障,减少因负载变化、功率状态切换等工况变化导致的故障误判;而第一预测状态参数反映了前驱通道的状态参数对被监测硬件检测得到的状态参数的物理关联影响,可判断被监测硬件对应的状态参数是否受到上游通道异常的传导影响,避免将上游异常引发的状态参数偏离,错误判定为被监测硬件自身发生故障,进而提高服务器硬件状态监测的准确率。