车端CPU的异常识别方法、装置、计算机设备及存储介质与流程

本发明涉及车辆，具体涉及车端cpu的异常识别方法、装置、计算机设备及存储介质。

背景技术：

1、cpu使用率作为衡量cpu在特定时间内处理任务繁忙程度的重要指标，直接反映了cpu的活跃程度。在正常使用条件下，cpu使用率会随着任务量的波动而变化，闲置时通常较低，而在处理资源密集型任务时则会显著增高。然而，若cpu使用率持续保持高水平，则易导致系统响应变慢，甚至出现卡顿或无响应的情况，严重影响用户体验和系统稳定性。

2、现有技术在cpu使用率采集方面虽有所进展，但在多进程环境下的精度和实时性仍需提升。同时，cpu数据分拣、入库及统计分析方法存在延迟，分析深度和广度有限。应用cpu统计缺乏多维度深入分析，单车和rom版本cpu性能统计也仅基于单一维度，无法实现全面监控和管理。

技术实现思路

1、有鉴于此，本发明实施例提供了车端cpu的异常识别方法、装置、计算机设备及存储介质，以解决现有技术中cpu数据处理效率低、分析深度与广度不足以及缺乏应用cpu统计、单车与rom版本cpu性能统计等多维度综合考虑的问题。

2、第一方面，本发明实施例提供了一种车端cpu的异常识别方法，应用于云端，所述方法包括：

3、获取针对于车端cpu使用数据的统计需求，并根据所述统计需求确定统计维度；

4、基于所述统计维度在预设数据库中筛选出多个预存cpu使用数据，并按照预设数据结构对所述预存cpu使用数据进行封装，得到目标cpu使用数据；

5、解析所述目标cpu使用数据，生成对应的cpu性能图表；

6、利用所述统计维度对应的异常分析策略确定所述cpu性能图表中存在的异常数据，分析所述异常数据，得到异常原因，并将所述异常原因反馈至车端。

7、在本技术一个可选的实施方式中，在获取针对于车端cpu使用数据的统计需求之前，所述方法还包括：

8、接收所述车端发送的cpu数据采集结构；

9、解析所述cpu数据采集结构，得到cpu使用数据以及数据类型；

10、将所述cpu使用数据以及所述数据类型作为预存cpu使用数据存储至所述云端。

11、在本技术一个可选的实施方式中，基于所述统计维度在预设数据库中筛选出多个预存cpu使用数据，并按照预设数据结构对所述预存cpu使用数据进行封装，得到目标cpu使用数据，包括：

12、若所述统计维度为应用维度，则获取所述统计需求中的目标应用标识以及第一指标；

13、在预设数据库中提取所述目标应用标识在所述第一指标内关联的多个预存cpu使用数据；

14、将所述预存cpu使用数据封装成所述应用维度对应的第一数据结构，得到目标cpu使用数据。

15、在本技术一个可选的实施方式中，基于所述统计维度在预设数据库中筛选出多个预存cpu使用数据，并按照预设数据结构对所述预存cpu使用数据进行封装，得到目标cpu使用数据，包括：

16、若所述统计维度为单车维度，则获取所述统计需求中的目标车架号以及第二指标；

17、在预设数据库中提取所述目标车架号在所述第二指标内关联的多个预存cpu使用数据；

18、将所述预存cpu使用数据按照时间顺序排列，并封装成所述单车维度对应的第二数据结构，得到目标cpu使用数据。

19、在本技术一个可选的实施方式中，基于所述统计维度在预设数据库中筛选出多个预存cpu使用数据，并按照预设数据结构对所述预存cpu使用数据进行封装，得到目标cpu使用数据，包括：

20、若所述统计维度为rom版本维度，则获取所述统计需求中的目标rom版本号以及第三指标；

21、在预设数据库中提取所述目标rom版本号在所述第三指标内关联的多个预存cpu使用数据；

22、将所述预存cpu使用数据封装成所述rom版本维度对应的第三数据结构，得到目标cpu使用数据。

23、在本技术一个可选的实施方式中，所述解析所述目标cpu使用数据，生成对应的cpu性能图表，包括：

24、解析所述目标cpu使用数据，得到多个数据项；

25、根据所述数据项计算所述目标cpu使用数据的统计参数；

26、根据所述统计参数以及统计维度对应的图表类型，生成对应的cpu性能图表。

27、在本技术一个可选的实施方式中，所述利用所述统计维度对应的异常分析策略确定所述cpu性能图表中存在的异常数据，并分析所述异常数据，得到异常原因，包括：

28、基于预设统计维度与预设异常分析策略之间的映射关系，确定所述统计维度对应的异常分析策略，其中，所述异常分析策略包括异常筛查方式以及分析规则；

29、利用所述异常筛查方式对所述cpu性能图表进行筛查，得到异常数据；

30、利用所述分析规则对所述异常数据的特征信息进行分析得到对应的异常原因。

31、在本技术一个可选的实施方式中，所述利用所述分析规则对所述异常数据的特征信息进行分析得到对应的异常原因，包括：

32、提取所述cpu性能图表的关键特征，并提取所述异常数据的特征信息；

33、利用所述分析规则分析所述关键特征与所述特征信息之间的差异特征；

34、遍历多个预设异常类型，其中，每个所述预设异常类型包含特定的预设特征；

35、将所述差异特征与每个所述预设异常类型关联的预设特征进行匹配，若多个预设特征中存在与所述差异特征匹配的至少一个目标特征，则基于目标特征对应的预设异常类型生成异常原因。

36、第二方面，本发明实施例提供了一种车端cpu数据的采集方法，应用于车端，所述方法包括：

37、调用所述车端的cpu采集程序，周期性采集cpu使用数据；

38、分析所述cpu使用数据，确定所述cpu使用数据的数据类型，其中，所述数据类型包括单进程类型以及多进程类型；

39、根据所述数据类型对所述cpu使用数据进行封装，生成对应的cpu数据采集结构；

40、将所述cpu数据采集结构发送至云端，以使所述云端对所述cpu数据采集结构进行异常识别，得到异常原因；

41、接收所述云端发送的异常原因，根据所述异常原因对所述车端各个应用进程以及线程执行监控操作。

42、第三方面，本发明实施例提供了一种车端cpu数据的采集装置，应用于车端，所述装置包括：

43、采集模块，用于调用所述车端的cpu采集程序，周期性采集cpu使用数据；

44、分析模块，用于分析所述cpu使用数据，确定所述cpu使用数据的数据类型，其中，所述数据类型包括单进程类型以及多进程类型；

45、封装模块，用于根据所述数据类型对所述cpu使用数据进行封装，生成对应的cpu数据采集结构；

46、发送模块，用于将所述cpu数据采集结构发送至云端，以使所述云端对所述cpu数据采集结构进行异常识别，得到异常原因；

47、接收模块，用于接收所述云端发送的异常原因，根据所述异常原因对所述车端各个应用进程以及线程执行监控操作。

48、第四方面，本发明实施例提供了一种车端cpu的异常识别装置，应用于云端，所述装置包括：

49、获取模块，用于获取针对于车端cpu使用数据的统计需求，并根据所述统计需求确定统计维度；

50、筛选模块，用于基于所述统计维度在预设数据库中筛选出多个预存cpu使用数据，并按照预设数据结构对所述预存cpu使用数据进行封装，得到目标cpu使用数据；

51、解析模块，用于解析所述目标cpu使用数据，生成对应的cpu性能图表；

52、确定模块，用于利用所述统计维度对应的异常分析策略确定所述cpu性能图表中存在的异常数据，分析所述异常数据，得到异常原因，并将所述异常原因反馈至车端。

53、第五方面，本发明实施例提供了一种车辆，包括一个或多个处理器；用于存储所述一个或多个处理器可执行指令的存储器；其中，所述一个或多个处理器被配置为：执行上述的一种车端cpu数据的采集方法。

54、本技术实施例提供的方法具有以下有益效果：

55、本技术实施例提供的方法首先明确统计需求，确保cpu使用数据的采集和分析具有针对性和实用性。通过确定统计维度，为后续数据筛选和分析提供明确方向。筛选并封装预存cpu使用数据，确保数据准确性并便于后续处理。生成cpu性能图表，直观展示使用情况和性能表现，便于用户快速了解车端cpu状态和趋势。利用异常分析策略，准确识别并分析异常数据，为故障排查和性能优化提供支持。

56、本技术实施例根据不同统计维度(应用、单车、rom版本)的需求，分别获取目标标识、车架号、rom版本号以及对应的指标，确保数据筛选和处理的准确性及实用性。在预设数据库中精确提取与统计维度关联的数据，为后续分析提供坚实基础。将筛选出的数据按不同维度对应的数据结构封装，便于处理、分析和可视化展示，提高效率。根据不同维度的统计需求，灵活调整数据筛选、提取和封装策略，该方法具有良好的适应性和可扩展性，能够应对不同场景下的cpu使用数据监控和管理需求。

57、本技术实施例提供的方法通过提取cpu性能图表的关键特征和异常数据的特征信息，利用分析规则分析两者之间的差异特征，实现了对图表中异常数据的精准识别。通过遍历多个预设异常类型，并将差异特征与每个预设异常类型关联的预设特征进行匹配，实现了异常原因的准确定位，提高了故障排查的效率。将异常数据的分析与预设的异常类型进行匹配，避免了分析异常原因过程的复杂性，提高了分析效率。通过预设多种异常类型和对应的特征，增强了应对多种异常情况的灵活性。

58、本技术实施例提供的方法车端通过周期性采集cpu使用数据，确保了数据的时效性和连续性，为后续分析提供基础。通过分析并确定数据类型，可以更有针对性地处理数据，提高异常识别的准确性和效率。数据根据类型进行封装，便于云端解析和处理。接收云端发送的异常原因，实现对车端应用进程和线程的监控，提高了系统性能和效率，保障了系统的稳定性和安全性。云端通过接收车端发送的cpu数据采集结构，实现了数据交互，为后续分析和异常识别提供基础。解析数据结构，云端能准确获取车端cpu使用情况和类型，为后续处理和异常识别提供精确支持。同时，存储这些数据作为基线，便于后续进行异常检测和对比分析。