集群容量预测方法及装置与流程

本申请涉及计算机技术领域，尤其涉及一种集群容量预测方法及装置。

背景技术：

集群是一组相互独立的、通过高速网络互联的系统应用，它们构成了一个组，并以单一系统的模式加以管理。随着互联网技术的快速发展和广泛应用，目前许多的业务的处理需要集群处理来满足性能的需求。

集群容量是指集群整体的承载能力，准确的集群容量预测对于指导生产扩容和缩容具有重要意义。目前，集群容量预测一般是基于测试环境，先进行单个系统应用容量预测，再依据所有单个系统应用容量预测的结果，进行集群容量评估。因为现有的容量预测是基于测试环境进行的，而测试环境和线上生成环境在物理机器和部署上都有较大的差异，且集群处理业务涉及到多个系统应用，是多个系统应用联动配合，整体对外呈现服务，通过单个系统用户的容量评估来评估集群容量，无法体现集群整体的容量情况，因此，现有的集群容量预测准确度较差。

技术实现要素：

本申请提供了一种集群容量预测方法及装置，目的在于解决现有集群容量预测准确性差的问题。

为了实现上述目的，本申请提供了以下技术方案：

一种集群容量预测方法，所述集群包括至少两个系统应用，所述方法包括：

在各个所述系统应用运行过程中，获取每个所述系统应用的各个性能指标值；

从各个所述性能指标值中提取每个预设指标字段各自对应的性能指标值，并将所提取的每个性能指标值确定为目标性能指标值；

将各个所述目标性能指标值输入至预先构建的容量预测模型中，得到所述容量预测模型输出的所述集群的容量预测结果。

上述的方法，可选的，所述容量预测模型的构建过程，包括：

获取数据库中预先存储的各个性能指标样本；

对各个性能指标样本进行数据预处理，得到每个所述性能指标样本各自对应的初始性能指标样本；

从各个初始性能样本中提取每个所述预设指标字段各自对应的初始性能指标，将所提取的每个初始性能指标确定为目标性能指标样本；

依据每个所述目标性能指标样本对应的时间戳，对各个目标性能指标样本进行分组，得到多个样本组；每个所述样本组的目标性能指标样本的数量相同；

获取每个所述样本组各自对应的容量值；

建立神经网络模型，并依据各个所述样本组和每个所述样本组各自对应的容量值，对所述神经网络模型进行训练；

将各个所述样本组中，满足预设边界条件的样本组确定为优化样本组；

依据各个优化样本组和每个所述优化样本组各自对应的容量值，对完成训练的神经网络模型进行优化，得到目标神经网络模型，并将所述目标神经网络模型作为容量预测模型。

上述的方法，可选的，各个所述性能指标样本的存储的过程，包括：

在各个系统应用运行过程中，按预设周期获取每个所述系统应用的各个性能指标值，并将所获取的每个性能指标值作为性能指标样本；

确定每个所述性能指标样本所属的业务类型；

针对每个所述性能指标样本，将所述性能指标样本存储至数据库中与所述性能指标样本所属的业务类型对应的位置中。

上述的方法，可选的，所述依据各个优化样本组和每个所述优化样本组各自对应的容量值，对完成训练的神经网络模型进行优化，得到目标神经网络模型，包括：

从各个所述优化样本组中选取一个所述优化样本组；

以所选取的优化样本组和该优化样本组的容量值，对当前的神经网络模型进行训练，得到第一结果；

依据当前的第一结果和与当前的第一结果对应的优化样本组的容量值，计算误差率；

判断当前的误差率是否小于预设误差阈值；

若否，则从剩余未选取的各个优化样本组中选取一个所述优化样本组，并返回执行所述以所选取的优化样本组对当前的神经网络模型进行训练，得到第一结果的步骤，直至当前的误差率满足所述预设误差阈值，完成对神经网络模型的优化；

将完成优化后的神经网络模型作为目标神经网络模型。

上述的方法，可选的，所述得到所述容量预测模型输出的所述集群的容量预测结果之后，还包括：

将所述集群的容量预测结果发送至可视化界面进行展示。

上述的方法，可选的，还包括：

获取每个所述预设指标字段各自对应满负荷指标值；

将各个所述满负荷指标值输入至所述容量预测模型中，得到所述容量预测模型输出的所述集群的极限容量预测结果。

一种集群容量预测装置，所述集群包括至少两个系统应用，所述装置包括：

第一获取单元，用于在各个所述系统应用运行过程中，获取每个所述系统应用的各个性能指标值；

第一提取单元，用于从各个所述性能指标值中提取每个预设指标字段各自对应的性能指标值，并将所提取的每个性能指标值确定为目标性能指标值；

第一预测单元，用于将各个所述目标性能指标值输入至预先构建的容量预测模型中，得到所述容量预测模型输出的所述集群的容量预测结果。

上述的装置，可选的，还包括：

第二获取单元，用于获取数据库中预先存储的各个性能指标样本；

预处理单元，用于对各个性能指标样本进行数据预处理，得到每个所述性能指标样本各自对应的初始性能指标样本；

第二提取单元，用于从各个初始性能样本中提取每个所述预设指标字段各自对应的初始性能指标，将所提取的每个初始性能指标确定为目标性能指标样本；

分组单元，用于依据每个所述目标性能指标样本对应的时间戳，对各个目标性能指标样本进行分组，得到多个样本组；每个所述样本组的目标性能指标样本的数量相同；

第三获取单元，用于获取每个所述样本组各自对应的容量值；

训练单元，用于建立神经网络模型，并依据各个所述样本组和每个所述样本组各自对应的容量值，对所述神经网络模型进行训练；

第一确定单元，用于将各个所述样本组中，满足预设边界条件的样本组确定为优化样本组；

优化单元，用于依据各个优化样本组和每个所述优化样本组各自对应的容量值，对完成训练的神经网络模型进行优化，得到目标神经网络模型，并将所述目标神经网络模型作为容量预测模型。

上述的装置，可选的，还包括：

第三获取单元，用于在各个系统应用运行过程中，按预设周期获取每个所述系统应用的各个性能指标值，并将所获取的每个性能指标值作为性能指标样本；

第二确定单元，用于确定每个所述性能指标样本所属的业务类型；

存储单元，用于针对每个所述性能指标样本，将所述性能指标样本存储至数据库中与所述性能指标样本所属的业务类型对应的位置中。

上述的装置，可选的，所述优化单元执行依据各个优化样本组，对完成训练的神经网络模型进行优化，得到目标神经网络模型，用于：

从各个所述优化样本组中选取一个所述优化样本组；

以所选取的优化样本组对当前的神经网络模型进行优化，得到第一结果；

依据当前的第一结果和所选取的优化样本组，计算误差率；

判断所述误差率是否满足预设误差阈值；

若否，则从剩余未选取的各个优化样本组中选取一个所述优化样本组，并返回执行所述以所选取的优化样本组对当前的神经网络模型进行优化，得到第一结果的步骤，直至当前的误差率满足所述预设误差阈值，完成对神经网络模型的优化；

将完成优化后的神经网络模型作为目标神经网络模型。

一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述的集群容量预测方法。

一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行上述的集群容量预测方法。

与现有技术相比，本申请包括以下优点：

本申请提供了一种集群容量预测方法及装置，该方法包括：在各个系统应用运行过程中，获取每个系统应用的各个性能指标值，从各个性能指标值中提取每个预设指标字段各自对应的性能指标值，并将所提取的每个性能指标值确定为目标性能指标值，将各个目标性能指标值输入至预先构建的容量预测模型中，得到容量预测模型输出的集群的容量预测结果。可见，本技术方案，预先构建容量预测模型，基于真实生产环境每个系统应用的各个性能指标，通过容量预测模型对集群容量进行预测，由于集群容量预测的数据源自真实生产环境，且是基于集群整体进行集群容量预测，得到的集群容量预测结果相比于现有技术更为准确。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请提供的一种集群容量预测方法的方法流程图；

图2为本申请提供的一种集群容量预测方法的又一方法流程图；

图3为本申请提供的一种集群容量预测方法的另一方法流程图；

图4为本申请提供的一种集群容量预测方法的示例图；

图5为本申请提供的一种集群容量预测装置的结构示意图；

图6为本申请提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供了一种集群容量预测方法，集群包括至少两个系统应用，该方法可以应用在多种系统平台，其执行主体可以为运行在计算机上的处理器。所述集群容量预测方法的流程图如图1所示，具体包括：

s101、在各个系统应用运行过程中，获取每个系统应用的各个性能指标值。

本申请实施例提供的方法中，预先搭建分布式监控采集环境，用于对真实生产环境中各个系统应用的各个性能指标值，也就是在各个系统应用运行过程中，获取每个系统应用的各个性能指标值。

可选的，每个系统应用的各个性能指标值可以通过日志的形式获取。

需要说明的是，所获取的各个系统应用的各个性能指标值为同一时序上的，也就是说，所获取的各个性能指标值对应的时间戳归属于同一时序。

需要说明的是，系统应用的各个性能指标值包括多个层面的性能指标值，可选的，可以包括底层硬件、中间件层和上层应用等层面的性能指标值；

可选的，本申请实施例提供的方法中，所搭建的分布式监控采集环境可以是分布式监控zabbix，通过分布式监控zabbix采集系统应用各个层面的性能指标值。集群由分布式系统协调zookeeper协同管理。

s102、从各个性能指标值中提取每个预设指标字段各自对应的性能指标值，并将所提取的每个性能指标值确定为目标性能指标值。

预设多个指标字段，每个预设指标字段为对集群容量具有较大影响的指标字段，例如，预设字段可以是cpu使用率。

依据各个预设指标字段，从所有性能指标值中，提取每个预设指标字段各自对应的性能指标值，具体的，针对每一个预设指标字段，通过遍历各个性能指标值，获取与该预设指标字段对应的性能指标值。

将所提取的每个预设指标字段各自对对应的性能指标值确定为目标性能指标值。

s103、将各个目标性能指标值输入至预先构建的容量预测模型中，得到容量预测模型输出的集群的容量预测结果。

预先构建容量预测模型，需要说明的是，容量预测模型构建涉及到模型训练和模型优化，模型训练和模型优化同样是基于真实生产环境中获取的数据进行的，即模型训练的训练数据和模型优化的优化数据均来自真实生产坏境。

将各个目标性能指标值作为容量预测模型的输入，经容量预测模型处理后，得到容量预测模型输出的集群的容量预测结果。

需要说明的是，在将各个目标性能指标值输入至容量预测模型之前，还可以对各个模型性能指标值进行数据预处理，可选的，数据预处理包括但不限于数据清洗，对各个性能指标样本进行数据清洗的具体过程为现有技术，请参见现有的数据清洗过程，此处不再赘述；将数据预处理后的各个目标性能指标值输入至容量预测模型中，得到容量预测模型数据的集群的容量预测结果。

本申请实施例提供的集群容量预测方法，在各个系统应用运行过程中，获取每个系统应用的各个性能指标值，从各个性能指标值中提取每个预设指标字段各自对应的性能指标值，并将所提取的每个性能指标值确定为目标性能指标值，将各个目标性能指标值输入至预先构建的容量预测模型中，得到容量预测模型输出的集群的容量预测结果。本申请实施例提供的集群容量预测方法，预先构建容量预测模型，基于真实生产环境每个系统应用的各个性能指标，通过容量预测模型对集群容量进行预测，由于集群容量预测的数据源自真实生产环境，且是基于集群整体进行集群容量预测，得到的集群容量预测结果相比于现有技术更为准确。

上述本发明实施例图1公开的步骤s103涉及到的容量预测模型，该容量预测模型的构建过程，流程图如图2所示，包括以下步骤：

s201、获取数据库中预先存储的各个性能指标样本。

数据库中预先存储集群中每个系统应用的各个性能指标样本，其中，各个性能指标样本为按预设周期从真实生产环境中的获取的，即为真实生产环境的历史数据，需要说明的是，数据库中存储的是过去一个时间段内性能指标样本，即数据库中存储大量的性能指标样本，也就是说，多获取的数据库中预先存储的性能指标样本的样本量足够大。

其中，获取数据库中预先存储的各个性能指标样本的过程，具体包括以下步骤：

在各个系统应用运行过程中，按预设周期获取每个系统应用的各个性能指标值，并将所获取的每个性能指标值作为性能指标样本；

确定每个性能指标样本所属的业务类型；

针对每个性能指标样本，将性能指标样本存储至数据库中与所述性能指标样本所属的业务类型对应的位置中。

本申请实施例提供的方法中，在集群中各个系统运行过程中，按预设周期获取每个系统应用的各个性能指标值，也就是定时获取真实生产环境中各个系统应用运行时的性能指标值，将按预设周期获取的每个性能指标值作为性能指标样本，并确定每性能指标样本所属的业务类型，基于业务类型，将业务类型相同的性能指标样本进行归类，并将归为一同一类的性能指标样本存储至数据库中与业务类型对应的位置中。可选的，可以先按照预设格式，对，每个性能指标样本进行数据格式转换，将格式转换后的性能指标样本进行存储，可选的，预设格式可以是json格式。

s202、对各个性能指标样本进行数据预处理，得到每个性能指标样本各自对应的初始性能指标样本。

对于从数据库中所获取的性能指标样本，可以对各个性能指标样本进行数据预处理，可选的，数据预处理包括但不限于数据清洗，需要说明的是，对各个性能指标样本进行数据清洗的具体过程为现有技术，请参见现有的数据清洗过程，此处不再赘述。

将数据预处理后的每个性能指标样本作为初始性能指标样本，即对性能指标样本进行数据预处理后，得到每个性能指标样本各自对应的初始性能指标样本。

s203、从各个初始性能样本中提取每个预设指标字段各自对应的初始性能指标，将所提取的每个初始性能指标确定为目标性能指标样本。

步骤s203所提及的预设指标字段同步骤s102所提及的预设指标字段相同，此处不再赘述。

从所有初始性能指标样本中提取每个预设字段各自对应的初始性能指标样本，也就是提取对集群容量影响较大的初始性能指标样本，将所提取的每个预设字段各自对应的初始性能指标样本确定为目标性能指标样本，从而得到多个目标性能指标样本。

s204、依据每个目标性能指标样本对应的时间戳，对各个目标性能指标样本进行分组，得到多个样本组。

依据每个目标性能指标样本对应的时间戳，对各个目标性能指标样本进行分组，以实现将时间戳归属于同一时序的目标指标样本归为一组，从而得到多个样本组，其中，每个样本组均包含所有预设指标字段各自对应的性能指标值，每个样本组的目标性能指标样本的样本数量是相同的。

需要说明的是，每个样本组包含集群中每个系统应用的性能指标值；例如，集群中包含系统应用a、系统应用b和系统应用c，预设字段为cpu使用率，则样本组1中包含系统应用a的cpu使用率为40％、系统应用b的cpu使用率为30％和系统应用c的cpu使用率为14％。

s205、获取每个样本组各自对应的容量值。

本申请实施例提供的方法中获取每个样本组各自对应的容量值。

s206、建立神经网络模型，并依据各个样本组和每个样本组各自对应的容量值，对神经网络模型进行训练。

建立神经网络模型，依据每一个样本组和每个样本组各自对应的容量值对神经网络模型进行训练，其中，每次以一组样本组和其对应的容量值进行训练，当所有的样本组均用于模型训练后，完成对神经网络模型的训练。

需要说明的是，依据一个样本组和其对应的容量值进行模型训练的过程参见现有技术，此处不再赘述。

s207、将各个样本组中，满足预设边界条件的样本组确定为优化样本组。

从样本组中确定满足预设边界条件的样本组，将满足预设边界条件的样本组确定为优化样本组，其中，预设边界条件包含每个预设指标字段各自对应的边界条件，满足预设边界条件的样本组用于指示，样本组中每一个目标性能指标样本满足各自对应的预设指标字段所对应的边界条件，即针对每一个样本组，判断样本中包含的每个目标性能指标样本是否满足其对应的预设指标字段所对应的边界条件，若均满足，则将该样本组确定为优化样本组。例如，样本组1中系统应用a的cpu使用率为60％、系统应用b的cpu使用率为50％和系统应用c的cpu使用率为35％，预设指标字段cpu对应的边界条件为50％，由于样本组1中的系统应用c的cpu使用率为25％，不满足边界条件50％，因此，样本组1不为优化样本组。

s208、依据各个优化样本组和每个优化样本组各自对应的容量值，对完成训练的神经网络模型进行优化，得到目标神经网络模型，并将目标神经网络模型作为容量预测模型。

依据各个优化样本组和每个优化样本组各自对应的容量值，对完成训练的神经网络模型进行优化，可选的，每次以一个优化样本组和其对应的容量值对完成训练的神经网络模型进行优化，并在每次优化后计算误差率，当误差率满足误差阈值时，完成对神经网络模型的优化，将完成优化的神经网络模型确定为目标神经网络模型。

参阅图3，依据各个优化样本组，对完成训练的神经网络模型进行优化，得到目标神经网络模型的具体过程，包括以下步骤：

s301、从各个优化样本组中选取一个优化样本组。

s302、以所选取的优化样本组和该优化样本组的容量值对当前的神经网络模型进行训练，得到第一结果。

s303、依据当前的第一结果和与当前的第一结果对应优化样本组的容量值，计算误差率。

本申请实施例提供的方法中，在每次以所选取的优化样本组和优化样本的容量值，对当前的神经网络模型进行训练后，依据训练得到的第一结果和第一结果对应的优化样本组的容量值，计算误差率。

s304、判断当前的误差率是否小于预设误差阈值。

将误差率和预设误差阈值进行比较，当误差率小于预设误差阈值时，执步骤s305，当误差率不小于预设误差阈值时，执行步骤s306。

s305、完成对神经网络模型的优化，并将完成优化后的神经网络模型作为目标神经网络模型。

s306、从剩余未选取的各个优化样本组中选取一个优化样本组。

若当前的误差率不小于预设误差阈值，则从剩余未选取的各个优化样本组中选取一个优化样本组，并返回执行步骤s302。

本申请实施例提供的方法中，通过优化样本组，即满足边界条件的样本组和相应的容量值，对完成训练的神经网络模型进行优化，从而使完成优化的神经网络模型能够更加准确的对边界数据进行预测。

本申请实施例提供的集群容量预测方法中，通过真实生产环境的历史数据，对神经网络模型进行训练，得到容量预测模型。

本申请实施例提供的集群容量预测方法中，还可以获取每个预设指标字段各自对应的满负荷指标值，即获取每个预设指标字段各自对应的每个系统应用的满负荷值，也就是说，所获取的各个满负荷指标值的数量与容量预测模型的输入的数量相同；需要说明的是，各个满负荷值为人为基于预设指标字段构造的数值，将各个满负荷指标值输入至容量预测模型中，得到容量预测模型数据输出的集群的极限容量预测结果，实现对集群的极限容量进行预测。

本申请实施例提供的集群容量预测方法中，在得到容量预测模型输出的集群的容量预测结果和极限容量预测结果之后，还可以将该容量预测结果和极限容量预测结果发送至可视化界面进行展示。

在本申请实施例提供的方法中，对集群容量预测方法的整体实现进行说明，如图4所示，具体包括以下步骤：

通过分布式监控zabbix采集每个系统应用各层面的性能指标值作为性能指标样本写入分布式日志系统kafka中，相同类型指标写入kafka中的同一个topic，集群由分布式系统协调zookeeper协同管理。针对当前集群，定制所需指标，多进程周期性取数据消费。时序数据库opentsdb周期性从kafka中采集的性能指标样本进行存储。读取opentsdb中的数据，进行数据预处理，并按同一个时序维度将多个性能指标样本关联成一行数据形成一个样本组，然后基于各个样本组，对预先建立的神经挽网络模型进行训练，并对训练完成的模型进行优化，得到容量预测模型。使用容量预测模型对集群进行实时或周期性容量预测，还可以基于满负荷指标，对集群进行极限容量预测，并将容量预测的结果发送至前端可视化界面进行展示。

使用训练出的模型预测对应高指标值情况下，系统能承载的极限容量值是多少。预测值自动推送给前端更新。

与图1所述的方法相对应，本申请实施例还提供了一种集群容量预测装置，用于对图1中方法的具体实现，其结构示意图如图5所示，具体包括：

第一获取单元501，用于在各个所述系统应用运行过程中，获取每个所述系统应用的各个性能指标值；

第一提取单元502，用于从各个所述性能指标值中提取每个预设指标字段各自对应的性能指标值，并将所提取的每个性能指标值确定为目标性能指标值；

第一预测单元503，用于将各个所述目标性能指标值输入至预先构建的容量预测模型中，得到所述容量预测模型输出的所述集群的容量预测结果。

本申请实施例提供的集群容量预测装置，在各个系统应用运行过程中，获取每个系统应用的各个性能指标值，从各个性能指标值中提取每个预设指标字段各自对应的性能指标值，并将所提取的每个性能指标值确定为目标性能指标值，将各个目标性能指标值输入至预先构建的容量预测模型中，得到容量预测模型输出的集群的容量预测结果。本申请实施例提供的集群容量预测装置，预先构建容量预测模型，基于真实生产环境每个系统应用的各个性能指标，通过容量预测模型对集群容量进行预测，由于集群容量预测的数据源自真实生产环境，且是基于集群整体进行集群容量预测，得到的集群容量预测结果相比于现有技术更为准确。

在本申请的一个实施例中，基于前述方案，还可以配置为：

第二获取单元，用于获取数据库中预先存储的各个性能指标样本；

预处理单元，用于对各个性能指标样本进行数据预处理，得到每个所述性能指标样本各自对应的初始性能指标样本；

第二提取单元，用于从各个初始性能样本中提取每个所述预设指标字段各自对应的初始性能指标，将所提取的每个初始性能指标确定为目标性能指标样本；

分组单元，用于依据每个所述目标性能指标样本对应的时间戳，对各个目标性能指标样本进行分组，得到多个样本组；每个所述样本组的目标性能指标样本的数量相同；

第三获取单元，用于获取每个所述样本组各自对应的容量值；

训练单元，用于建立神经网络模型，并依据各个所述样本组和每个所述样本组各自对应的容量值，对所述神经网络模型进行训练；

第一确定单元，用于将各个所述样本组中，满足预设边界条件的样本组确定为优化样本组；

优化单元，用于依据各个优化样本组和每个所述优化样本组各自对应的容量值，对完成训练的神经网络模型进行优化，得到目标神经网络模型，并将所述目标神经网络模型作为容量预测模型。

在本申请的一个实施例中，基于前述方案，还可以配置为：

第三获取单元，用于在各个系统应用运行过程中，按预设周期获取每个所述系统应用的各个性能指标值，并将所获取的每个性能指标值作为性能指标样本；

第二确定单元，用于确定每个所述性能指标样本所属的业务类型；

存储单元，用于针对每个所述性能指标样本，将所述性能指标样本存储至数据库中与所述性能指标样本所属的业务类型对应的位置中。

在本申请的一个实施例中，基于前述方案，所述优化单元执行依据各个优化样本组，对完成训练的神经网络模型进行优化，得到目标神经网络模型，用于：

从各个所述优化样本组中选取一个所述优化样本组；

以所选取的优化样本组对当前的神经网络模型进行优化，得到第一结果；

依据当前的第一结果和所选取的优化样本组，计算误差率；

判断所述误差率是否满足预设误差阈值；

若否，则从剩余未选取的各个优化样本组中选取一个所述优化样本组，并返回执行所述以所选取的优化样本组对当前的神经网络模型进行优化，得到第一结果的步骤，直至当前的误差率满足所述预设误差阈值，完成对神经网络模型的优化；

将完成优化后的神经网络模型作为目标神经网络模型。

在本申请的一个实施例中，基于前述方案，还可以配置为：

展示单元，用于将所述集群的容量预测结果发送至可视化界面进行展示。

在本申请的一个实施例中，基于前述方案，还可以配置为：

第四获取单元，用于获取每个所述预设指标字段各自对应满负荷指标值；

第二预测单元，用于将各个所述满负荷指标值输入至所述容量预测模型中，得到所述容量预测模型输出的所述集群的极限容量预测结果。

本申请实施例还提供了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行以下操作：

在各个所述系统应用运行过程中，获取每个所述系统应用的各个性能指标值；

从各个所述性能指标值中提取每个预设指标字段各自对应的性能指标值，并将所提取的每个性能指标值确定为目标性能指标值；

将各个所述目标性能指标值输入至预先构建的容量预测模型中，得到所述容量预测模型输出的所述集群的容量预测结果。

本申请实施例还提供了一种电子设备，其结构示意图如图6所示，具体包括存储器601，以及一个或者一个以上的指令602，其中一个或者一个以上指令602存储于存储器601中，且经配置以由一个或者一个以上处理器603执行所述一个或者一个以上指令602进行以下操作：

在各个所述系统应用运行过程中，获取每个所述系统应用的各个性能指标值；

从各个所述性能指标值中提取每个预设指标字段各自对应的性能指标值，并将所提取的每个性能指标值确定为目标性能指标值；

将各个所述目标性能指标值输入至预先构建的容量预测模型中，得到所述容量预测模型输出的所述集群的容量预测结果。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

以上对本申请所提供的一种集群容量预测方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。