CN119473803A 一种基于服务器集群的智能化管理方法及系统 （宝德计算机系统股份有限公司）

道清湖社区清湖村宝能科技园7栋16层一种基于服务器集群的智能化管理方法及本发明涉及一种基于服务器集群的智能化管理模块基于时间序列模型对历史资源使用数2在基于服务器集群的智能化管理系统上，所述基于服务器集群的智能化管理方系统包括：S100、所述负载均衡模块采用预设的方式，每S200、所述节点监控与告警模块实时监控每个服S300、所述智能故障检测模块基于预训练的故S400、所述资源管理模块基于时间序列模型对历史2.根据权利要求1所述的基于服务器集群的智能化管理方法，其特征在于，所述步骤S110、所述负载均衡模块默认采用轮询算法的方S120、若发现某个服务器节点的相应时间超过预S140、所述负载均衡模块基于最小连接数算法或加权轮询算法分配服务器节点任务，S150、当负载过高的节点负载下降到预设的3所述最小连接数算法实时计算每个服务器节点的连接数，并将node=min(nodes,key=node.connections)所述加权轮询算法根据服务器节点的CPU和内存性能赋予权重，将请求分配至高权重;4.根据权利要求1所述的基于服务器集群的智能化管理方法，其特征在于，所述步骤S210、基于监控工具Prometheus，定期从预设在每MongoDB数据库或搜索服务器Elasticsearc5.根据权利要求1所述的基于服务器集群的智能化管理方法，其特征在于，所述步骤S320、基于监控工具Prometheus收集个服务器节点的6.根据权利要求1所述的基于服务器集群的智能化管理方法，其特征在于，所述步骤S430、对于频繁访问的数据，使用Redis数据库或分布式的7.根据权利要求1所述的基于服务器集群的智能化管理方法，其特征在于，所述步骤48.一种基于服务器集群的智能化管理系统，用于执行节点监控与告警模块，所述节点监控与告警模块用于实时监控每智能故障检测模块，所述智能故障检测模块基于历史数资源管理模块，所述资源管理模块通过预测资源需求，动态调整所述节点监控与告警模块中，所述服务器节点的资源使用情况至少所述后台管理模块通过Grafana或Kibana展示各服务器节点的监控数据、负载状态和56[0024]node=min[0025]所述加权轮询算法根据服务器节点的CPU和内存性能赋予权重，将请求分配至高7储在MongoDB数据库或搜索服务器Elasticsea[0039]S410、使用差分整合移动平均自回归模型ARIMA或长短期记忆网络LSTM时间序列[0041]S430、对于频繁访问的数据，使用Redis数据库或分布式的高速缓存系统8模块和所述资源管理模块分别与所述后台管理[0054]所述后台管理模块通过Grafana或Kibana展示各服务器节点的监控数据、负载状[0060]以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清9[0078]与现有技术相对的，本发明基于服务器集群的智能化管理方法旨在通过自动化、[0096]nodes=[{"name":"node1","connections":10},{"name":"node2","connections":5},{"name":"node3","conn[0098]returnmin(nodes,key=lambdanode:node['[0102]nodes=[{"name":"node1","weight":2},{"name":"node2","weight":[0115]node=min(no[0116]所述加权轮询算法根据服务器节点的CPU和内存性能赋予权重，将请求分配至高[0138]returnmin(nodes,key=lambdanode:node['储在MongoDB数据库或搜索服务器Elasticsea[0165]client=MongoClient('mongodb://localho[0166]db=client['m[0167]@app.route('/metrics',methods=['POST[0177]body=message,[0178]from_='+1234567890',[0191]from_="+1234567890",#发送分类算法来训练故障预测模型。模型的输入为节点的性能指标（如CPU使用率、内存占用等输出为故障预测结果。[0212]实时将节点的运行数据输入到已训练好的故障预测模型，判断节点是否发生故[0247]X=df[['c[0250]X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=42)[0259]S410、使用差分整合移动平均自回归模型ARIMA或长短期记忆网络LSTM时间序列[0261]S430、对于频繁访问的数据，使用Redis数据库或分布式的高速缓存系统整集群的资源，确保在负载高峰时资源充足。对于频繁访问的数据，使用Redis或[0268]ARIMA模型训练与拟合：使用历史数据训练ARIMA模型，通常采用最大似然估计[0273]模型训练与优化：LSTM模型通过训练历史数据进行优化，常用的优化算法包括[0287]r=redis.Redis(host=[0295]data=[50,55,60,58,57,59,62,64,67,65][0303]plt.plot(data,lalinestyle='__')8621818是是否否是是