基于人工智能模型辅助服务器BMC运维方法及装置与流程

本技术涉及服务器运维，尤其涉及基于人工智能模型辅助服务器bmc运维方法及装置。

背景技术：

1、在服务器运维领域中，通常都是人工给出运维解决方案，比如，当服务器中的基板管理控制器（baseboard management controller，bmc）监测到服务器发生故障时，会将服务器的运行日志发送给运维人员，运维人员通过人工逐条分析运行日志来定位到该异常的根因以及解决该异常的解决方案。

2、然而，这种运维方式过于依赖人工、导致服务器运维效率低。

技术实现思路

1、有鉴于此，本技术实施例提供基于人工智能模型辅助服务器bmc运维方法及装置，利用人工智能模型辅助运维，以提高服务器运维的效率。

2、本技术实施例提供一种基于人工智能模型辅助服务器bmc运维方法，该服务器配置了bmc助手，bmc助手提供输入自然语言的输入口；以及，提供与已训练的人工智能模型交互的接口；人工智能模型在云端处训练，训练完毕后通过模型提取集成在服务器bmc中，该方法包括：

3、通过bmc助手，获得用户输入的自然语言，并将自然语言发送给人工智能模型；

4、获得人工智能模型从自然语言中识别出的目标意图；

5、基于目标意图生成满足目标意图的运维解决方案；

6、其中，当目标意图为分析服务器发生异常的原因时，基于目标意图生成满足目标意图的运维解决方案包括：调用bmc提供服务器的运行日志数据至人工智能模型，以使人工智能模型基于运行日志数据分析异常原因并给出解决异常的解决方案。

7、作为一个实施例，当目标意图为分析服务器在指定一段时间内的运行日志数据时，基于目标意图生成满足目标意图的运维解决方案包括：

8、分析指定一段时间内的运行日志数据；

9、在基于分析指定一段时间内的运行日志数据确定服务器存在异常时，将指定一段时间内的运行日志数据至人工智能模型；

10、输出该异常、从人工智能模型获得的导致该异常的原因、以及解决该异常的解决方案。

11、作为一个实施例，当目标意图为编写一个运维脚本时，基于目标意图生成满足目标意图的运维解决方案包括：

12、调用人工智能模型生成脚本编码策略，脚本编码策略用于指示运维脚本的编码逻辑。

13、作为一个实施例，当目标意图为查询目标问题的答案时，基于目标意图生成满足目标意图的运维解决方案包括：

14、基于目标意图，从已部署的数据库中查找与该目标意图匹配的文本问题和该文本问题的文本答案；

15、输出查找到的文本问题和该文本问题的文本答案。

16、作为一个实施例，人工智能模型以服务器的历史运行日志数据为训练样本，历史运行日志数据中存在的异常、以及该异常对应的解决方案为训练样本的样本标签，来训练所得到的；历史运行日志数据至少包括：服务器寄存器手册、服务器配置文件、服务器硬件参数、服务器运行参数。

17、本技术实施例还提供一种基于人工智能模型辅助服务器bmc运维装置，该服务器配置了bmc助手，bmc助手提供输入自然语言的输入口；以及，提供与已训练的人工智能模型交互的接口；人工智能模型在云端处训练，训练完毕后通过模型提取集成在服务器bmc中，该装置包括：

18、第一获得模块，通过bmc助手用于获得用户输入的自然语言，并将自然语言发送给人工智能模型；

19、第二获得模块，用于获得人工智能模型从自然语言中识别出的目标意图；

20、生成模块，用于基于目标意图生成满足目标意图的运维解决方案；

21、其中，当目标意图为分析服务器发生异常的原因时，基于目标意图生成满足目标意图的运维解决方案包括：调用bmc提供服务器的运行日志数据至人工智能模型，以使人工智能模型基于运行日志数据分析异常原因并给出解决异常的解决方案。

22、作为一个实施例，当目标意图为分析服务器在指定一段时间内的运行日志数据时，基于目标意图生成满足目标意图的运维解决方案包括：

23、分析指定一段时间内的运行日志数据；

24、在基于分析指定一段时间内的运行日志数据确定服务器存在异常时，将指定一段时间内的运行日志数据至人工智能模型；

25、输出该异常、从人工智能模型获得的导致该异常的原因、以及解决该异常的解决方案。

26、作为一个实施例，当目标意图为编写一个运维脚本时，基于目标意图生成满足目标意图的运维解决方案包括：

27、调用人工智能模型生成脚本编码策略，脚本编码策略用于指示运维脚本的编码逻辑。

28、作为一个实施例，当目标意图为查询目标问题的答案时，基于目标意图生成满足目标意图的运维解决方案包括：

29、基于目标意图，从已部署的数据库中查找与该目标意图匹配的文本问题和该文本问题的文本答案；

30、输出查找到的文本问题和该文本问题的文本答案。

31、作为一个实施例，人工智能模型以服务器的历史运行日志数据为训练样本，历史运行日志数据中存在的异常、以及该异常对应的解决方案为训练样本的样本标签，来训练所得到的；历史运行日志数据至少包括：服务器寄存器手册、服务器配置文件、服务器硬件参数、服务器运行参数。

32、本技术实施例还提供一种电子设备，包括：处理器和用于存储计算机程序指令的存储器，计算机程序指令在被处理器运行时使得处理器执行如上方法的步骤。

33、本技术实施例还提供一种计算机程序产品，该计算机程序被处理器执行时实现能够实现如上方法的步骤。

34、本技术实施例还提供一种机器可读存储介质，该存储介质存储有计算机程序指令，当该计算机程序指令被执行时，能够实现如上方法的步骤。

35、由以上技术方案可以看出，在本实施例中，通过已配置的bmc助手获得用户输入的自然语言，并将自然语言发送给已训练的人工智能模型，获得人工智能模型从自然语言中识别出的目标意图，基于目标意图生成满足目标意图的运维解决方案，这非依赖人工给出运维解决方案，而是利用人工智能模型给出运维解决方案，这能够减少人力成本与运维等待时间，从而能够提高运维效率。

36、进一步地，当目标意图为分析服务器发生异常的原因时，调用bmc提供服务器的运行日志数据至人工智能模型，以使人工智能模型基于运行日志数据分析异常原因并给出解决异常的解决方案，这种无需依赖人工逐条分析日志，来确定导致该异常的根因以及给出解决该异常的解决方案的方法，能够减少人力成本与运维等待时间，从而能够提高运维效率，及时消除服务器故障，快速恢复服务器的运行。

37、再进一步地，通过在服务器设置bmc助手，其作为自然语言的输入口，也作为调用人工智能模型进行交互的接口，这使得用户能通过自然语言进行运维，与现有技术中用户与服务器利用界面交互进行运维相比，这有效降低了交互延迟，这进一步提升运维效率。

38、更进一步地，通过模型提取的方式将已训练的人工智能模型集成在bmc中，借助于bmc助手调用人工智能模型，这解决bmc算力有限难以支撑需要较大算力的人工智能模型的难题，本实施例提供的方法使得即使在算力受限的bmc场景下，用户能通过自然语言与人工智能模型交互实现运行维护。