本發(fā)明涉及云計算智能運維，具體為一種基于ai智能體的云監(jiān)控服務(wù)運維動態(tài)優(yōu)化系統(tǒng)及方法。

背景技術(shù)：

1、在當(dāng)前信息技術(shù)迅速發(fā)展的背景下，云計算已成為企業(yè)數(shù)字化轉(zhuǎn)型的核心基礎(chǔ)設(shè)施之一，尤其是在混合云和多云環(huán)境日益普及的趨勢下，云平臺所承載的服務(wù)類型愈加復(fù)雜，服務(wù)依賴鏈條顯著拉長，系統(tǒng)運行態(tài)勢呈現(xiàn)出高度動態(tài)、高并發(fā)和多層級耦合的特點。為保障關(guān)鍵業(yè)務(wù)系統(tǒng)的連續(xù)性與穩(wěn)定性，云平臺運維管理正逐步從靜態(tài)監(jiān)控向智能化、自動化與動態(tài)優(yōu)化演進，亟需通過ai智能體等手段實現(xiàn)對復(fù)雜系統(tǒng)中潛在故障風(fēng)險的主動識別與響應(yīng)調(diào)度，從而提高整體服務(wù)質(zhì)量保障水平。

2、然而，現(xiàn)有云監(jiān)控方案多依賴靜態(tài)規(guī)則庫或單一數(shù)據(jù)源驅(qū)動，存在跨層指標(biāo)割裂、隱性故障關(guān)聯(lián)識別能力不足等問題。例如，物理層資源碎片化與應(yīng)用層服務(wù)性能偏移的因果鏈路難以有效驗證，導(dǎo)致誤報率高且根因定位延遲。資源調(diào)度策略與故障修復(fù)動作缺乏協(xié)同，易因盲目擴容加劇級聯(lián)故障風(fēng)險。此外，短期應(yīng)急響應(yīng)與長期優(yōu)化目標(biāo)間的矛盾缺乏動態(tài)權(quán)衡機制，造成運維策略與實際場景適配性差，難以滿足混合云環(huán)境下的彈性需求。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于ai智能體的云監(jiān)控服務(wù)運維動態(tài)優(yōu)化系統(tǒng)及方法，解決了上述背景技術(shù)的問題。

2、為實現(xiàn)以上目的，本發(fā)明通過以下技術(shù)方案予以實現(xiàn)：一種基于ai智能體的云監(jiān)控服務(wù)運維動態(tài)優(yōu)化系統(tǒng)，包括以下步驟：跨層指標(biāo)感知模塊、時空關(guān)聯(lián)分析模塊、因果驗證與耦合度分析模塊、動態(tài)優(yōu)先級決策模塊、策略執(zhí)行與反饋模塊；所述跨層指標(biāo)感知模塊用于部署容器化探針集群，實時采集混合云環(huán)境中物理層硬件資源碎片化指標(biāo)、虛擬層容器生命周期事件及應(yīng)用層微服務(wù)調(diào)用鏈性能偏移數(shù)據(jù)，通過分層標(biāo)簽化預(yù)處理與異常值過濾，輸出標(biāo)準化跨層指標(biāo)集合；所述時空關(guān)聯(lián)分析模塊用于連接跨層指標(biāo)感知模塊，通過增量式時序?qū)R算法消除物理層低頻數(shù)據(jù)與應(yīng)用層高頻數(shù)據(jù)的時序偏差，基于動態(tài)時間窗口構(gòu)建故障傳播概率圖譜，識別跨層指標(biāo)間具有時空耦合特性的隱性關(guān)聯(lián)節(jié)點；所述因果驗證與耦合度分析模塊用于接收時空關(guān)聯(lián)分析模塊輸出的故障傳播圖譜，通過定向擾動注入驗證跨層因果關(guān)系真實性，并根據(jù)資源調(diào)度操作與故障傳播鏈的關(guān)聯(lián)矩陣擬合耦合度指數(shù)，并構(gòu)建耦合度分析規(guī)則以量化操作對故障傳播的影響權(quán)重，生成負向耦合場景的根因定位指令；所述動態(tài)優(yōu)先級決策模塊用于根據(jù)故障傳播成本模型分析歷史故障修復(fù)時間與資源浪費率擬合傳播成本梯度，將耦合度指數(shù)、實時服務(wù)等級協(xié)議違約率與故障傳播成本梯度輸入權(quán)重函數(shù)，通過動態(tài)權(quán)重函數(shù)計算短期抑制動作與長期根除動作的協(xié)同優(yōu)先級，并通過非對稱博弈策略生成兩類動作的執(zhí)行序列；所述策略執(zhí)行與反饋模塊用于調(diào)用云平臺接口原子化執(zhí)行決策動作，并采集執(zhí)行后的指標(biāo)變化數(shù)據(jù)，動態(tài)更新故障傳播成本模型與耦合度分析規(guī)則。

3、進一步地，跨層指標(biāo)感知模塊具體包括：容器化探針集群以微服務(wù)架構(gòu)部署于混合云節(jié)點，包含物理層探針采集硬件資源碎片化指標(biāo)、虛擬層探針監(jiān)控容器生命周期事件及資源爭搶行為、應(yīng)用層探針追蹤微服務(wù)調(diào)用鏈拓撲及性能偏移；根據(jù)指標(biāo)動態(tài)變化率調(diào)整采集頻率，物理層采用低頻觸發(fā)采樣，應(yīng)用層采用事件驅(qū)動高頻追蹤，并通過滑動窗口統(tǒng)計抑制瞬時噪聲；分層標(biāo)簽化預(yù)處理單元對原始數(shù)據(jù)附加云平臺類型和服務(wù)依賴層級的環(huán)境上下文標(biāo)簽，基于孤立森林算法過濾異常值，輸出標(biāo)準化跨層指標(biāo)集合。

4、進一步地，通過增量式時序?qū)R算法消除物理層低頻數(shù)據(jù)與應(yīng)用層高頻數(shù)據(jù)的時序偏差，基于動態(tài)時間窗口構(gòu)建故障傳播概率圖譜的具體過程如下：對物理層低頻數(shù)據(jù)與應(yīng)用層高頻數(shù)據(jù)進行動態(tài)插值，根據(jù)數(shù)據(jù)置信度加權(quán)生成連續(xù)時序序列；通過滑動相關(guān)性分析檢測跨層指標(biāo)間的潛在相位差，動態(tài)調(diào)整插值錨點以消除時序偏移；根據(jù)對齊后的時序數(shù)據(jù)計算跨層指標(biāo)間的條件轉(zhuǎn)移概率，動態(tài)擴展時間窗口范圍并在檢測到指標(biāo)突變時收縮窗口，生成帶權(quán)重邊的故障傳播概率圖譜。

5、進一步地，識別跨層指標(biāo)間具有時空耦合特性的隱性關(guān)聯(lián)節(jié)點的識別邏輯如下：在故障傳播概率圖譜中提取跨物理層、虛擬層、應(yīng)用層的傳播路徑，篩選轉(zhuǎn)移概率超過動態(tài)閾值的候選節(jié)點；對候選節(jié)點進行互信息熵分析以量化其與上下游指標(biāo)的依賴強度，剔除弱關(guān)聯(lián)干擾項；通過格蘭杰因果檢驗驗證候選路徑的時空因果關(guān)系方向性，并對高概率路徑注入定向擾動以觀測下游指標(biāo)響應(yīng)幅度，確認時空耦合的有效性。

6、進一步地，通過定向擾動注入驗證跨層因果關(guān)系真實性，并根據(jù)資源調(diào)度操作與故障傳播鏈的關(guān)聯(lián)矩陣擬合耦合度指數(shù)的具體過程如下：在故障傳播圖譜中選定高概率關(guān)聯(lián)路徑，對路徑源節(jié)點注入模擬物理層存儲延遲突增或限制虛擬層容器網(wǎng)絡(luò)帶寬的可控擾動；觀測下游指標(biāo)響應(yīng)并記錄擾動傳播路徑與幅度，對比原始圖譜的預(yù)測路徑一致性；提取歷史資源調(diào)度操作與故障傳播鏈的時序關(guān)系，構(gòu)建資源調(diào)度操作與故障傳播鏈的關(guān)聯(lián)矩陣，基于矩陣中資源調(diào)度操作對故障鏈長度及修復(fù)時間的影響權(quán)重，通過梯度下降法擬合耦合度指數(shù)。

7、進一步地，并構(gòu)建耦合度分析規(guī)則以量化操作對故障傳播的影響權(quán)重，生成負向耦合場景的根因定位指令的具體過程如下：基于資源調(diào)度操作與故障傳播鏈的關(guān)聯(lián)矩陣，計算操作對故障鏈長度及修復(fù)時間的貢獻權(quán)重，生成初始耦合度分析規(guī)則；設(shè)定動態(tài)判定閾值，當(dāng)操作對故障傳播鏈的貢獻權(quán)重超過閾值時，標(biāo)記為負向耦合操作；在故障傳播圖譜中回溯負向耦合操作關(guān)聯(lián)的節(jié)點，篩選未被歷史調(diào)度操作覆蓋的高因果強度節(jié)點作為候選根因；對候選根因進行反向阻斷測試，通過限制其資源訪問或流量分發(fā)，驗證其對下游故障鏈的中斷效果；生成包含根因節(jié)點標(biāo)識、影響路徑及修復(fù)建議的定位指令，推送至運維終端。

8、進一步地，根據(jù)故障傳播成本模型分析歷史故障修復(fù)時間與資源浪費率擬合傳播成本梯度的具體過程如下：提取歷史故障修復(fù)時間數(shù)據(jù)與資源調(diào)度操作導(dǎo)致的資源浪費率，構(gòu)建初始傳播成本函數(shù)；通過梯度下降法迭代優(yōu)化成本函數(shù)參數(shù)，動態(tài)調(diào)整修復(fù)時間權(quán)重與資源浪費懲罰因子；根據(jù)實時故障傳播路徑長度與資源利用率變化，計算當(dāng)前傳播成本梯度；通過策略執(zhí)行反饋數(shù)據(jù)持續(xù)優(yōu)化梯度參數(shù)，適配混合云環(huán)境的動態(tài)變化。

9、進一步地，將耦合度指數(shù)、實時服務(wù)等級協(xié)議違約率與故障傳播成本梯度輸入權(quán)重函數(shù)，通過動態(tài)權(quán)重函數(shù)計算短期抑制動作與長期根除動作的協(xié)同優(yōu)先級，并通過非對稱博弈策略生成兩類動作的執(zhí)行序列的具體過程如下：在動態(tài)權(quán)重函數(shù)中引入耦合度懲罰因子，抑制高耦合場景下可能加劇故障傳播的調(diào)度操作優(yōu)先級；基于實時服務(wù)等級協(xié)議違約率計算短期抑制動作的緊迫性權(quán)重，結(jié)合傳播成本梯度計算長期根除動作的收益權(quán)重；將短期抑制動作與長期根除動作定義為非對稱博弈參與者，構(gòu)建量化其對服務(wù)可用性提升與故障傳播抑制貢獻的收益函數(shù)；通過動態(tài)納什均衡求解最優(yōu)協(xié)同策略，優(yōu)先執(zhí)行短期抑制動作以快速止損，并異步觸發(fā)長期根除動作。

10、進一步地，策略執(zhí)行與反饋模塊具體包括：原子化執(zhí)行引擎將決策動作拆解為調(diào)用云平臺api觸發(fā)限流策略或發(fā)起存儲卷遷移任務(wù)的可獨立執(zhí)行原子操作，通過事務(wù)鎖機制確保跨平臺操作的原子性與一致性；監(jiān)測執(zhí)行后跨層指標(biāo)變化，捕獲動作對故障傳播鏈的抑制效果及資源利用率影響，根據(jù)反饋數(shù)據(jù)調(diào)整故障傳播成本模型中的權(quán)重參數(shù)，優(yōu)化耦合度分析規(guī)則并增強對負向耦合場景的早期識別能力。

11、一種基于ai智能體的云監(jiān)控服務(wù)運維動態(tài)優(yōu)化方法，包括以下步驟：s1.部署容器化探針集群，實時采集混合云環(huán)境中物理層硬件資源碎片化指標(biāo)、虛擬層容器生命周期事件及應(yīng)用層微服務(wù)調(diào)用鏈性能偏移數(shù)據(jù)，通過分層標(biāo)簽化預(yù)處理與異常值過濾，輸出標(biāo)準化跨層指標(biāo)集合；s2.連接跨層指標(biāo)感知模塊，通過增量式時序?qū)R算法消除物理層低頻數(shù)據(jù)與應(yīng)用層高頻數(shù)據(jù)的時序偏差，基于動態(tài)時間窗口構(gòu)建故障傳播概率圖譜，識別跨層指標(biāo)間具有時空耦合特性的隱性關(guān)聯(lián)節(jié)點；s3.接收時空關(guān)聯(lián)分析模塊輸出的故障傳播圖譜，通過定向擾動注入驗證跨層因果關(guān)系真實性，并根據(jù)資源調(diào)度操作與故障傳播鏈的關(guān)聯(lián)矩陣擬合耦合度指數(shù)，并構(gòu)建耦合度分析規(guī)則以量化操作對故障傳播的影響權(quán)重，生成負向耦合場景的根因定位指令；s4.根據(jù)故障傳播成本模型分析歷史故障修復(fù)時間與資源浪費率擬合傳播成本梯度，將耦合度指數(shù)、實時服務(wù)等級協(xié)議違約率與故障傳播成本梯度輸入權(quán)重函數(shù)，通過動態(tài)權(quán)重函數(shù)計算短期抑制動作與長期根除動作的協(xié)同優(yōu)先級，并通過非對稱博弈策略生成兩類動作的執(zhí)行序列；s5.調(diào)用云平臺接口原子化執(zhí)行決策動作，并采集執(zhí)行后的指標(biāo)變化數(shù)據(jù)，動態(tài)更新故障傳播成本模型與耦合度分析規(guī)則。

12、本發(fā)明具有以下有益效果：

13、（1）一種基于ai智能體的云監(jiān)控服務(wù)運維動態(tài)優(yōu)化系統(tǒng)，通過容器化探針集群實現(xiàn)物理層、虛擬層、應(yīng)用層異構(gòu)數(shù)據(jù)的統(tǒng)一采集與標(biāo)準化處理，突破傳統(tǒng)監(jiān)控工具的單層數(shù)據(jù)局限，提升跨平臺資源協(xié)同能力?；谠隽渴綍r序?qū)R算法與動態(tài)時間窗口構(gòu)建故障傳播圖譜，精準識別跨層指標(biāo)間的時空耦合特性，解決靜態(tài)規(guī)則導(dǎo)致的誤關(guān)聯(lián)問題。通過定向擾動注入與耦合度分析規(guī)則驗證因果真實性，降低人工排查成本，提升復(fù)雜故障場景下的定位精度。結(jié)合非對稱博弈策略動態(tài)平衡短期抑制動作與長期根除動作的優(yōu)先級，避免資源調(diào)度與故障修復(fù)的沖突，提升系統(tǒng)整體韌性。通過執(zhí)行反饋數(shù)據(jù)動態(tài)更新模型與規(guī)則，實現(xiàn)運維策略的持續(xù)迭代，適應(yīng)混合云環(huán)境的動態(tài)變化。

14、（2）一種基于ai智能體的云監(jiān)控服務(wù)運維動態(tài)優(yōu)化方法，從數(shù)據(jù)采集、時序?qū)R到圖譜構(gòu)建，實現(xiàn)跨層指標(biāo)的全生命周期管理，消除數(shù)據(jù)孤島對運維決策的干擾。通過動態(tài)時間窗口與時空耦合特性分析，提前識別潛在級聯(lián)故障路徑，提升故障預(yù)警能力。結(jié)合定向擾動與關(guān)聯(lián)矩陣量化資源調(diào)度對故障傳播的影響權(quán)重，增強根因定位的可靠性與可解釋性?；诠收蟼鞑コ杀咎荻扰c實時服務(wù)等級協(xié)議違約率的動態(tài)權(quán)重計算，生成適配復(fù)雜場景的協(xié)同執(zhí)行策略，降低業(yè)務(wù)中斷風(fēng)險。通過執(zhí)行反饋閉環(huán)驅(qū)動模型與規(guī)則的自適應(yīng)更新，確保運維策略始終貼合實際環(huán)境需求，提升長期運維效能。

15、當(dāng)然，實施本發(fā)明的任一產(chǎn)品并不一定需要同時達到以上所述的所有優(yōu)點。