一种服务器故障检测方法、装置、电子设备及存储介质与流程

本发明涉及服务器检测领域，特别涉及一种服务器故障检测方法、装置、电子设备及存储介质。

背景技术：

1、随着计算机技术的不断发展，服务器已然成为企业中的重要基础设施，而服务器的稳定运行对于企业正常开展业务具有重要意义。相关技术中，对于服务器的故障检测，一般通过对服务器的运行数据进行阈值比较进行。然而，这种方式对于服务器的故障检测可靠度及灵活度较低。

技术实现思路

1、本发明的目的是提供一种服务器故障检测方法、装置、电子设备及存储介质，可使用服务器实际产生的声音信号进行服务器故障检测，从而能够提升服务器故障检测对于复杂服务器运行环境的适应程度。

2、为解决上述技术问题，本发明提供一种服务器故障检测方法，包括：

3、在服务器运行过程中，采集所述服务器产生的声音信号；

4、将所述声音信号输入已训练的服务器检测模型，得到所述服务器的实际运行状态；其中，所述服务器检测模型为神经网络模型，并利用所述服务器在多种预设运行状态下产生的标准声音信号训练得到；

5、根据所述实际运行状态确定所述服务器的故障状态。

6、可选地，所述将所述声音信号输入已训练的服务器检测模型，得到所述服务器的实际运行状态，包括：

7、对所述声音信号进行编码，得到输入数据；

8、将所述输入数据输入所述服务器检测模型，以使所述服务器检测模型中的输入层、隐含层和输出层依次对所述输入数据进行处理，得到所述服务器对应各种所述预设运行状态的检测概率；

9、根据所述检测概率确定所述服务器的实际运行状态。

10、可选地，所述根据所述实际运行状态确定所述服务器的故障状态，包括：

11、对所述服务器的实际运行状态的变化情况进行记录；

12、根据所述变化情况预测所述服务器的故障状态。

13、可选地，所述服务器检测模型的训练过程，包括：

14、获取所述服务器在多种预设运行状态下产生的标准声音信号，并按预设数据划分比例将所述标准声音信号划分至训练集和验证集；

15、获取待训练的神经网络模型，对所述神经网络模型的模型参数进行随机初始化，并利用所述训练集及预设优化算法对所述神经网络模型进行多轮模型训练处理，直至所述神经网络模型产生的损失值小于预设阈值时停止进行所述模型训练处理；其中，每轮所述模型训练处理均包含前向传播处理和反向传播处理，所述损失值利用所述神经网络模型根据所述训练集中的标准声音信号所输出的预测运行状态与同一标准声音信号所对应的预设运行状态计算得到；

16、利用所述验证集确定训练后的神经网络模型对应的性能指标值；

17、当确定所述性能指标值满足预设条件时，将所述神经网络模型设置为所述服务器检测模型。

18、可选地，在得到所述服务器的实际运行状态之后，还包括：

19、接收针对所述实际运行状态的人工复核结果；

20、若所述人工复核结果为检测正确，则将所述声音信号与所述实际运行状态间的对应关系组合为模型更新数据；

21、若所述人工复核结果为检测错误，则将所述声音信号与所述人工复核结果记录的正确运行状态间的对应关系组合为模型更新数据；

22、利用所述模型更新数据对所述服务器检测模型进行模型更新。

23、可选地，所述采集所述服务器产生的声音信号，包括：

24、采集所述服务器中的各硬件部件产生的原始声音信号；

25、依次对所述原始声音信号进行音频增强处理、音频降噪处理和模数转换处理，得到所述声音信号。

26、可选地，在服务器运行过程中，采集所述服务器产生的声音信号，包括：

27、在所述服务器执行自检流程时，采集所述服务器产生的自检声音信号；

28、所述将所述声音信号输入已训练的服务器检测模型，得到所述服务器的实际运行状态，包括：

29、将所述自检声音信号输入所述服务器检测模型，得到所述服务器的实际自检状态；

30、所述根据所述实际运行状态确定所述服务器的故障状态，包括：

31、判断所述实际自检状态是否为自检异常状态；

32、若所述实际自检状态为所述自检异常状态，则判定所述服务器存在自检故障；

33、若所述实际自检状态不为所述自检异常状态，则判断所述服务器在所述实际自检状态下的状态保持时长是否达到预设最长时长；

34、若所述状态保持时长达到所述预设最长时长，则判定所述服务器存在自检故障；

35、若所述状态保持时长未达到所述预设最长时长，则进入所述判断所述实际自检状态是否为故障状态的步骤。

36、可选地，在判定所述服务器存在自检故障之后，还包括：

37、控制所述服务器进行重新启动，以使所述服务器重新执行所述自检流程。

38、本发明还提供一种服务器故障检测装置，包括：

39、采集模块，用于在服务器运行过程中，采集所述服务器产生的声音信号；

40、运行状态检测模块，用于将所述声音信号输入已训练的服务器检测模型，得到所述服务器的实际运行状态；其中，所述服务器检测模型为神经网络模型，并利用所述服务器在多种预设运行状态下产生的标准声音信号训练得到；

41、故障检测模块，用于根据所述实际运行状态确定所述服务器的故障状态。

42、本发明还提供一种电子设备，包括：

43、存储器，用于存储计算机程序；

44、处理器，用于执行所述计算机程序时实现如上所述的服务器故障检测方法。

45、本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上所述的服务器故障检测方法。

46、本发明提供一种服务器故障检测方法，包括：在服务器运行过程中，采集所述服务器产生的声音信号；将所述声音信号输入已训练的服务器检测模型，得到所述服务器的实际运行状态；其中，所述服务器检测模型为神经网络模型，并利用所述服务器在多种预设运行状态下产生的标准声音信号训练得到；根据所述实际运行状态确定所述服务器的故障状态。

47、可见，本发明首先可在服务器运行过程中，主动采集该服务器所产生的声音信号，这些声音信号能够真实反映服务器的运行及故障状态。随后，本发明可将这些声音信号输入已训练的服务器检测模型，得到这些服务器的实际运行状态，并可根据实际运行状态确定服务器的故障状态。其中，服务器检测模型为利用服务器在多种预设运行状态下产生的标准声音信号训练得到的神经网络模型。换句话说，本发明可使用已训练的神经网络模型对服务器实际产生的声音信号进行特征提取及灵活地确定服务器所对应的实际运行状态，并可根据该实际运行状态确定服务器的故障状态，进而能够提升服务器故障检测对于复杂服务器运行环境的适应程度，并可提升检测的可靠性及灵活性。本发明还提供一种服务器故障检测装置、电子设备及计算机可读存储介质，具有上述有益效果。