一种服务器集群的监测方法、装置、设备及介质与流程

1.本发明涉及服务器技术领域，特别涉及一种服务器集群的监测方法、装置、设备及介质。


背景技术：

2.在现有技术中，对服务器集群进行监测时，通常是先在监测平台云端上部署一些人工智能模型，然后，再把服务器集群中一些指定部件的运行数据发送至云端，以便云端中的人工智能模型能够根据这些运行数据对服务器集群进行监测。当云端中的人工智能模型处理得到服务器集群的监测结果时，就会将服务器集群的监测结果返回至服务器集群，以便服务器集群进行下一步的操作。
3.其中，服务器集群和云端不管是通过有线的方式还是通过无线的方式进行数据交互，均会耗费大量的传输资源，而且，也会出现较高的数据延迟率。并且，服务器集群和云端进行数据交互时，也容易遭受到非法分子对传输数据的恶意攻击，这样就使得服务器集群存在较高的安全隐患。目前，针对上述技术问题，还没有较为有效的解决办法。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种服务器集群的监测方法、装置、设备及介质，以在保证服务器集群数据安全性的同时，降低服务器集群与监测平台之间的数据延迟率，并降低在对服务器集群进行监测时所需要的能耗量。其具体方案如下：
5.一种服务器集群的监测方法，应用于微控制器，包括：
6.当要对服务器集群进行监测时，则利用传感器获取所述服务器集群中指定运行部件的运行数据，得到目标运行数据；其中，所述传感器和所述微控制器通过局域网建立通信连接；
7.利用预先部署至所述微控制器的轻量化模型对所述目标运行数据进行处理，得到目标监测数据；
8.将所述目标监测数据推送至所述局域网内的目标监测平台。
9.优选的，所述利用传感器获取所述服务器集群中指定运行部件的运行数据，得到目标运行数据的过程，包括：
10.通过串口或无线，并利用所述传感器获取所述目标服务器集群中所述指定运行部件的运行数据，得到所述目标运行数据。
11.优选的，所述轻量化模型在所述微控制器的部署过程，包括：
12.利用tensorflow对所述服务器集群中所述指定运行部件的历史运行数据进行训练，得到目标训练模型；
13.对所述目标训练模型进行量化压缩，得到目标压缩模型；
14.利用二进制对所述目标压缩模型进行格式转换，得到目标模型文件，并将所述目标模型文件部署至所述微控制器。
15.优选的，所述对所述目标训练模型进行量化压缩，得到目标压缩模型的过程，包括：
16.利用tensorflow lite micro对所述目标训练模型进行量化压缩，得到所述目标压缩模型。
17.优选的，所述利用传感器获取所述服务器集群中指定运行部件的运行数据，得到目标运行数据的过程之后，还包括：
18.将所述目标运行数据存储至所述目标监测平台。
19.优选的，还包括：
20.利用所述目标运行数据对所述轻量化模型进行优化。
21.优选的，所述利用预先部署至所述微控制器的轻量化模型对所述目标运行数据进行处理，得到目标监测数据的过程之后，还包括：
22.若根据所述目标监测数据确定出所述服务器集群中目标节点的资源利用率低于预设阈值，则将所述目标节点上正在执行的目标任务调度至所述目标服务器集群的指定节点，并控制所述目标节点关机或休眠。
23.相应的，本发明还公开了一种服务器集群的监测装置，应用于微控制器，包括：
24.数据获取模块，用于当要对服务器集群进行监测时，则利用传感器获取所述服务器集群中指定运行部件的运行数据，得到目标运行数据；其中，所述传感器和所述微控制器通过局域网建立通信连接；
25.数据处理模块，用于利用预先部署至所述微控制器的轻量化模型对所述目标运行数据进行处理，得到目标监测数据；
26.数据推送模块，用于将所述目标监测数据推送至所述局域网内的目标监测平台。
27.相应的，本发明还公开了一种服务器集群的监测设备，包括：
28.存储器，用于存储计算机程序；
29.处理器，用于执行所述计算机程序时实现如前述所公开的一种服务器集群的监测方法的步骤。
30.相应的，本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述所公开的一种服务器集群的监测方法的步骤。
31.可见，在本发明所提供的服务器集群监测方法中，当要对服务器集群进行监测时，微控制器会利用预先与其建立局域网通信连接的传感器获取服务器集群中指定运行部件的运行数据，得到目标运行数据；当微控制器获取得到目标运行数据之后，会利用预先部署在微控制器中的轻量化模型对目标运行数据进行处理，得到目标监测数据，并会将目标监测数据推送至局域网中的目标监测平台上来对服务器集群进行监测。相较于现有技术而言，因为目标监测平台是在局域网内对服务器集群进行监测，这样就省去了需要将服务器集群的相关运行数据传输至远程云端进行处理的繁琐过程，所以，通过此种设置方式不仅能够减少大量的数据传输资源、降低服务器集群与目标监测平台进行数据交互时的数据延迟率、减少在对服务器集群进行监测时所需要的能耗量，而且，也可以减少非法分子对数据传输过程的恶意攻击，保证服务器集群的数据安全性。并且，微控制器是利用预先部署在微控制器中的轻量化模型来对服务器集群的运行数据进行处理，这样就可以显著降低在对服
务器集群运行数据进行处理时所需要的资源开销。相应的，本发明所提供的一种服务器集群的监测装置、设备及介质，同样具有上述有益效果。
附图说明
32.为了更清楚地说明本发明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发明的实施例，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。
33.图1为本发明实施例所提供的一种服务器集群的监测方法的流程图；
34.图2为本发明实施例所提供的一种服务器集群的监测装置的结构图。
35.图3为本发明实施例所提供的一种服务器集群的监测设备的结构图。
具体实施方式
36.下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
37.请参见图1，图1为本发明实施例所提供的一种服务器集群的监测方法的流程图，该方法包括：
38.步骤s11：当要对服务器集群进行监测时，则利用传感器获取服务器集群中指定运行部件的运行数据，得到目标运行数据；其中，传感器和微控制器通过局域网建立通信连接；
39.步骤s12：利用预先部署至微控制器的轻量化模型对目标运行数据进行处理，得到目标监测数据；
40.步骤s13：将目标监测数据推送至局域网内的目标监测平台。
41.在本实施例中，是提供了一种服务器集群的监测方法，利用该方法来对服务器集群进行监测不仅可以保证服务器集群的数据安全性，而且，也可以降低服务器集群与监测平台之间的数据延迟率，并降低在对服务器集群进行监测时所需要的能耗量。该服务器集群的监测方法是以微控制器为执行主体进行具体说明。
42.可以理解的是，因为微控制器相较于其它控制器而言，不仅占地面积更小，而且，具有更低的功耗量，所以，在本实施例中，为了降低在对服务器集群进行监测时所需要的资源开销，是以微控制器为执行主体来对服务器集群进行监测。
43.在对服务器集群进行监测之前，需要预先使用局域网将传感器与微控制器建立通信连接。当要对服务器集群进行监测时，则利用传感器获取服务器集群中指定运行部件的运行数据，得到目标运行数据。此处可以根据用户的自定义监测需求，在服务器集群中具体指定是要对哪些运行部件进行监测，并使用与之配套的传感器来获取指定运行部件的运行数据。
44.具体的，如果用户想要对服务器集群的电流运行状态进行监测，那么就可以利用电流传感器来获取服务器集群中各个指定线路上的运行数据；如果用户想要对服务器集群
的电压运行状态进行监测，那么就可以利用电压传感器来获取服务器集群中指定运行部件的电压运行数据；如果用户想要对服务器集群中某些通信设备的运行状态进行监测，就可以利用图像传感器来获取与指定运行部件相对应指示灯的运行信息，并通过指示灯的运行信息来判断服务器集群指定运行部件的运行状态是否正常；如果用户想要对服务器集群中运行环境的湿度进行监测，就可以利用湿度传感器来获取服务器集群指定运行部件的湿度信息，来推测服务器集群所处运行环境的湿度状态。
45.当微控制器获取得到服务器集群中指定运行部件的目标运行数据之后，就可以利用预先部署在其内部的轻量化模型来对目标运行数据进行处理，得到目标监测数据。由于现有技术中，在使用云端中所部署的人工智能模型对服务器集群的运行数据进行处理时，需要较高的算力，这样就导致较高的资源开销，在本实施例中，为了减少微控制器的算力需求，是预先在微控制器中部署了轻量化模型，并利用轻量化模型来对服务器集群中指定运行部件的目标运行数据进行处理。其中，轻量化模型的主要设计思想是在于设计更高效的网络计算方式，在不损失数学模型性能的前提下，减少数学模型中的参数，从而使得数学模型的资源开销更小、计算速度更快。
46.在本实施例中，因为轻量化模型是根据用户需求预先训练好的模型，所以，将目标运行数据输入至轻量化模型，就可以利用轻量化模型判断出服务器集群中指定运行部件的运行状态是否正常，具体的，如果根据目标监测数据判断出服务器集群中指定运行部件的运行状态是正常的，那么微控制器就可以对服务器集群中的指定运行部件的运行状态继续进行监测；如果根据目标监测数据判断出服务器集群中指定运行部件的运行状态是异常的，那么微控制器就可以通过提示预警信息的方式来提醒工作人员对服务器集群进行下一步的维修处理。
47.当微控制器利用轻量化模型对目标运行数据处理完毕，得到目标监测数据之后，为了使得工作人员能够更为清楚、直观地查看到服务器集群的运行状态，微控制器还可以将目标监测数据推送至局域网内的目标监测平台上，以使得工作人员可以通过目标监测平台直观地查看到服务器集群中指定运行部件的实时运行状况。
48.能够想到的是，因为微控制器对服务器集群进行监测时，都是在局域网内利用传感器获取服务器集群指定运行部件的目标运行数据，并且，利用轻量化模型对目标运行数据处理完毕之后，是将目标监测数据直接推送至处于局域网内的目标监测平台中。相较于现有技术，需要将服务器集群的相关运行数据传输至远程云端才能处理而言，通过此种方式不仅可以减少数据传输资源、减少在对服务器集群进行监测时所需要的能耗量，而且，也可以降低服务器集群与目标监测平台进行数据交互时的数据延迟率。并且，由于该方法无需将服务器集群的相关运行数据发送至远程的云端进行处理，都是基于局域网内的一些基本操作就可以对服务器集群进行监测，这样就可以减少非法分子对数据传输过程的恶意攻击，并保证服务器集群的数据安全性。
49.此外，微控制器是利用预先部署在微控制器中的轻量化模型来对服务器集群的运行数据进行处理，这样就可以减少对服务器集群中指定运行部件的目标运行数据进行处理时的算力需求，并且，也可以显著降低在对服务器集群运行数据进行处理时所需要的资源开销。并且，因为此种服务器集群的监测方法所需要的资源开销较少，也无需将服务器集群中的运行数据传输至远程的云端进行处理，只需要在局域网内进行本地操作就可以对服务
器集群进行监测，这样就可以减少在对服务器集群进行监测时所需要的人力投入，而且，也可以极大的降低服务器集群的维护成本。由此就使得服务器集群的监测方法更加智能与高效。
50.可见，在本实施例所提供的服务器集群监测方法中，当要对服务器集群进行监测时，微控制器会利用预先与其建立局域网通信连接的传感器获取服务器集群中指定运行部件的运行数据，得到目标运行数据；当微控制器获取得到目标运行数据之后，会利用预先部署在微控制器中的轻量化模型对目标运行数据进行处理，得到目标监测数据，并会将目标监测数据推送至局域网中的目标监测平台上来对服务器集群进行监测。相较于现有技术而言，因为目标监测平台是在局域网内对服务器集群进行监测，这样就省去了需要将服务器集群的相关运行数据传输至远程云端进行处理的繁琐过程，所以，通过此种设置方式不仅能够减少大量的数据传输资源、降低服务器集群与目标监测平台进行数据交互时的数据延迟率、减少在对服务器集群进行监测时所需要的能耗量，而且，也可以减少非法分子对数据传输过程的恶意攻击，保证服务器集群的数据安全性。并且，微控制器是利用预先部署在微控制器中的轻量化模型来对服务器集群的运行数据进行处理，这样就可以显著降低在对服务器集群运行数据进行处理时所需要的资源开销。
51.基于上述实施例，本实施例对技术方案作进一步的说明与优化，作为一种优选的实施方式，上述步骤：利用传感器获取服务器集群中指定运行部件的运行数据，得到目标运行数据的过程，包括：
52.通过串口或无线，并利用传感器获取目标服务器集群中指定运行部件的运行数据，得到目标运行数据。
53.在本实施例中，可以通过串口的方式，并利用传感器来获取目标服务器集群中指定运行部件的目标运行数据。能够想到的是，因为串口传输不仅具有稳定、可靠的数据传输功能，而且，串口通信的造价成本较低，所以，当利用串口通信，并利用传感器来获取目标服务器集群中指定运行部件的目标运行数据时，就可以相对降低微控制器在对服务器集群进行监测时所需要的成本投入。
54.或者，还可以通过无线的传输方式，并利用传感器来获取目标服务器集群中指定运行部件的目标运行数据。能够想到的是，当利用无线的传输方式来获取目标服务器集群中指定运行部件的目标运行数据时，就可以省去在服务器集群中部署复杂传输线路的繁琐流程，由此就可以进一步提高在使用本技术所提供的方法对服务器集群进行监测时的整体易用性。
55.基于上述实施例，本实施例对技术方案作进一步的说明与优化，作为一种优选的实施方式，上述步骤：轻量化模型在微控制器的部署过程，包括：
56.利用tensorflow对服务器集群中指定运行部件的历史运行数据进行训练，得到目标训练模型；
57.对目标训练模型进行量化压缩，得到目标压缩模型；
58.利用二进制对目标压缩模型进行格式转换，得到目标模型文件，并将目标模型文件部署至微控制器。
59.在本实施例中，是对轻量化模型在微控制器中的部署过程进行具体说明。也即，当要在微控制器中部署轻量化模型时，首先是利用tensorflow对服务器集群中指定运行部件
的历史运行数据进行训练，得到目标训练模型；其中，tensorflow是一个基于数据流编程的符号数学系统，被广泛应用于各类机器学习算法的编程实现上，并且，tensorflow拥有多层级结构，能够部署于各类服务器以及个人终端，同时它还支持gpu(graphics processing unit，图形处理器)和tpu(tensor processing unit，张量处理器)的高性能数值计算。
60.需要说明的是，在本实施例中，指定运行部件的历史运行数据既包括指定运行部件的正常运行数据，也包括指定运行部件的异常运行数据，因此，利用tensorflow对指定运行部件的历史运行数据进行训练之后所得到的目标训练模型，就可以根据指定运行部件在当前时刻下的运行数据判断出指定运行部件是否能够正常运行，并对服务器集群进行监测。
61.之后，为了降低微控制器对服务器集群进行监测时所需要的资源开销，还需要对目标训练模型进行量化压缩，得到目标压缩模型，并以此来进一步减少微控制器对服务器集群中指定运行部件的目标运行数据进行处理时所需要的资源开销。并且，由于微控制器只能识别二进制的模型文件，所以，当对目标训练模型进行量化压缩得到目标压缩模型之后，还需要利用二进制对目标压缩模型进行格式转换，得到二进制的目标模型文件，最后，再将目标模型文件部署在微处理中就可以在微控制器中成功部署轻量化模型。
62.作为一种优选的实施方式，对目标训练模型进行量化压缩，得到目标压缩模型的过程，包括：
63.利用tensorflow lite micro对目标训练模型进行量化压缩，得到目标压缩模型。
64.具体的，在实际应用中，可以利用tensorflow lite micro对目标训练模型进行量化压缩，因为tensorflow lite micro是一个较为成熟的开源压缩工具，所以，当利用tensorflow lite micro来对目标训练模型进行量化压缩时，就可以免去工作人员自行搭建压缩工具而编写复杂代码的繁琐流程，这样就可以进一步降低在向微控制器中部署轻量化模型时的复杂度。
65.显然，通过本实施例所提供的技术方案，就可以保证在微控制器中部署轻量化模型时的整体可靠性。
66.基于上述实施例，本实施例对技术方案作进一步的说明与优化，作为一种优选的实施方式，上述步骤：利用传感器获取服务器集群中指定运行部件的运行数据，得到目标运行数据的过程之后，还包括：
67.将目标运行数据存储至目标监测平台。
68.在本实施例中，当微控制器获取得到服务器集群中指定运行部件的目标运行数据之后，为了便于工作人员在后续过程中对目标运行数据的查看与溯源，还可以将目标运行数据存储在目标监测平台中。
69.能够想到的是，在本技术所提供的技术方案中，因为是将服务器集群中指定运行部件的目标运行数据存储在了与微控制器处于同一个局域网的目标监测平台中，所以，当将服务器集群中指定运行部件的目标运行数据存储至目标监测平台当中时，就相当于是将目标运行数据存储在了局域网内的本地存储设备上，这样就在最大程度上减少了与远程服务器进行数据交互的通信需求，由此也就能够进一步保证目标运行数据在存储过程中的安全性与可靠性。
70.基于上述实施例，本实施例对技术方案作进一步的说明与优化，作为一种优选的
实施方式，上述服务器集群的监测方法还包括：
71.利用目标运行数据对轻量化模型进行优化。
72.在实际应用中，还可以利用服务器集群中指定运行部件的目标运行数据来对轻量化模型进行优化。具体的，在本实施例中，是将目标运行数据作为轻量化模型的训练样本来对轻量化模型继续训练，能够想到的是，当将目标运行数据作为轻量化模型的训练样本时，就相当于是增加了轻量化模型训练样本的数量，这样就使得轻量化模型的训练样本更加多样化，所以，当利用目标运行数据对轻量化模型进行优化之后，这样就可以进一步提高轻量化模型对后续数据进行处理时的准确度与可信度。
73.基于上述实施例，本实施例对技术方案作进一步的说明与优化，作为一种优选的实施方式，上述步骤：利用预先部署至微控制器的轻量化模型对目标运行数据进行处理，得到目标监测数据的过程之后，还包括：
74.若根据目标监测数据确定出服务器集群中目标节点的资源利用率低于预设阈值，则将目标节点上正在执行的目标任务调度至目标服务器集群的指定节点，并控制目标节点关机或休眠。
75.在实际应用中，在利用轻量化模型对目标运行数据进行处理，得到目标监测数据之后，微控制器还可以根据目标监测数据来判断服务器集群中各个节点的资源利用率如何。如果微控制器根据目标监测数据确定出服务器集群中目标节点的资源利用率低于预设阈值，则说明服务器集群中目标节点上所执行的任务较少、不需要消耗太多的资源开销。
76.在此情况下，为了减少整个服务器集群的资源消耗量，此时微控制器还可以将目标节点上正在执行的目标任务调度至目标服务器集群的指定节点上来保证目标任务的继续执行，同时还可以控制目标节点关机或休眠。需要说明的是，在本实施例中，目标节点可以是服务器集群中的任意一个节点，指定节点可以是微控制器根据特定的任务调度算法计算所得的节点，并且，服务器集群中目标节点和指定节点的数量既可以是一个，也可以是多个，此处不作具体限定。
77.显然，通过本实施例所提供的技术方案，不仅可以进一步降低服务器集群的整体资源开销，而且，也可以提高服务器集群的整体执行效率。
78.请参见图2，图2为本发明实施例所提供的一种服务器集群的监测装置的结构图，该装置包括：
79.数据获取模块21，用于当要对服务器集群进行监测时，则利用传感器获取服务器集群中指定运行部件的运行数据，得到目标运行数据；其中，传感器和微控制器通过局域网建立通信连接；
80.数据处理模块22，用于利用预先部署至微控制器的轻量化模型对目标运行数据进行处理，得到目标监测数据；
81.数据推送模块23，用于将目标监测数据推送至局域网内的目标监测平台。
82.优选的，数据获取模块21，包括：
83.数据获取单元，用于通过串口或无线，并利用所述传感器获取所述目标服务器集群中所述指定运行部件的运行数据，得到所述目标运行数据。
84.优选的，数据处理模块22，包括：
85.模型训练单元，用于利用tensorflow对所述服务器集群中所述指定运行部件的历
史运行数据进行训练，得到目标训练模型；
86.模型压缩单元，用于对所述目标训练模型进行量化压缩，得到目标压缩模型；
87.模型转换单元，用于利用二进制对所述目标压缩模型进行格式转换，得到目标模型文件，并将所述目标模型文件部署至所述微控制器。
88.优选的，模型压缩单元，包括：
89.模型压缩子单元，用于利用tensorflow lite micro对所述目标训练模型进行量化压缩，得到所述目标压缩模型。
90.优选的，还包括：
91.数据存储模块，用于利用传感器获取所述服务器集群中指定运行部件的运行数据，得到目标运行数据的过程之后，将所述目标运行数据存储至所述目标监测平台。
92.优选的，还包括：
93.模型优化模块，用于利用所述目标运行数据对所述轻量化模型进行优化。
94.优选的，还包括：
95.任务调度模块，用于利用预先部署至所述微控制器的轻量化模型对所述目标运行数据进行处理，得到目标监测数据的过程之后，若根据所述目标监测数据确定出所述服务器集群中目标节点的资源利用率低于预设阈值，则将所述目标节点上正在执行的目标任务调度至所述目标服务器集群的指定节点，并控制所述目标节点关机或休眠。
96.本发明实施例所提供的一种服务器集群的监测装置，具有前述所公开的一种服务器集群的监测方法所具有的有益效果。
97.请参见图3，图3为本发明实施例所提供的一种服务器集群的监测设备的结构图，该设备包括：
98.存储器31，用于存储计算机程序；
99.处理器32，用于执行计算机程序时实现如前述所公开的一种服务器集群的监测方法的步骤。
100.本实施例提供的服务器集群的监测设备可以包括但不限于平板电脑、笔记本电脑或者台式电脑等。
101.其中，处理器32可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器32可以采用数字信号处理器(digital signal processor，dsp)、现场可编程门阵列(field－programmable gate array，fpga)、可编程逻辑阵列(programmable logic array，pla)中的至少一种硬件形式来实现。处理器32也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器(central processing unit，cpu)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器32可以集成有图像处理器，图像处理器用于负责显示屏所需要显示内容的渲染和绘制。一些实施例中，处理器32还可以包括人工智能(artificial intelligence，ai)处理器，该ai处理器用于处理有关机器学习的计算操作。
102.存储器31可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器31还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器31至少用于存储以下计算机程序301，其中，该计算机程序被处理器32加载并执行之后，能够实现前述任一实施例公开的一种服
务器集群的监测方法的相关步骤。另外，存储器31所存储的资源还可以包括操作系统302和数据303等，存储方式可以是短暂存储或者永久存储。其中，操作系统302可以包括windows、unix、linux等。数据303可以包括但不限于服务器集群的监测方法所涉及到的数据等等。
103.在一些实施例中，服务器集群的监测设备还可以包括有显示屏33、输入输出接口34、通信接口35、电源36以及通信总线37。
104.本领域技术人员可以理解，图3中示出的结构并不构成对服务器集群的监测设备的限定，可以包括比图示更多或更少的组件。
105.处理器32通过调用存储于存储器31中的指令以实现上述任一实施例所提供的服务器集群的监测方法。
106.本发明实施例所提供的一种服务器集群的监测设备，具有前述所公开的一种服务器集群的监测方法所具有的有益效果。
107.相应的，本发明实施例还公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如前述所公开的一种服务器集群的监测方法的步骤。
108.本发明实施例所提供的一种计算机可读存储介质，具有前述所公开的一种服务器集群的监测方法所具有的有益效果。
109.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
110.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，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
111.以上对本发明所提供的一种服务器集群的监测方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。