汇聚分流器的重启指令处理方法及装置

摘要

本发明公开了一种汇聚分流器的重启指令处理方法及装置。其首先响应于接收到汇聚分流器的重启指令，对所述汇聚分流器的工作状态进行异常检测，接着，响应于所述汇聚分流器的工作状态为异常，执行所述汇聚分流器的重启指令，然后，响应于所述汇聚分流器的工作状态为正常，生成确认提示。这样，可以基于与所述汇聚分流器连接的多个服务器在预定时间段内多个预定时间点的负载值来进行对所述汇聚分流器的工作状态的智能化异常检测。

权利要求

1.一种汇聚分流器的重启指令处理方法，其特征在于，包括：

响应于接收到汇聚分流器的重启指令，对所述汇聚分流器的工作状态进行异常检测；

响应于所述汇聚分流器的工作状态为异常，执行所述汇聚分流器的重启指令；以及响应于所述汇聚分流器的工作状态为正常，生成确认提示；

其中，响应于接收到汇聚分流器的重启指令，对所述汇聚分流器的工作状态进行异常检测，包括：获取与所述汇聚分流器连接的多个服务器在预定时间段内多个预定时间点的负载值；

对所述多个服务器在预定时间段内多个预定时间点的负载值进行时序分析以得到服务器负载时序关联特征向量；以及基于所述服务器负载时序关联特征向量，确定所述汇聚分流器的工作状态是否异常。

2.根据权利要求1所述的汇聚分流器的重启指令处理方法，其特征在于，对所述多个服务器在预定时间段内多个预定时间点的负载值进行时序分析以得到服务器负载时序关联特征向量，包括：将所述各个服务器在预定时间段内多个预定时间点的负载值分别进行结构化处理以得到多个服务器负载时序输入向量；

将所述多个服务器负载时序输入向量分别通过基于一维卷积神经网络模型的负载时序特征提取器以得到多个服务器负载时序特征向量；以及提取所述多个服务器负载时序特征向量之间的关联模式特征以得到服务器负载时序关联特征向量。

3.根据权利要求2所述的汇聚分流器的重启指令处理方法，其特征在于，将所述各个服务器在预定时间段内多个预定时间点的负载值分别进行结构化处理以得到多个服务器负载时序输入向量，包括：将所述各个服务器在预定时间段内多个预定时间点的负载值分别按照时间维度排列为输入向量以得到所述多个服务器负载时序输入向量。

4.根据权利要求3所述的汇聚分流器的重启指令处理方法，其特征在于，提取所述多个服务器负载时序特征向量之间的关联模式特征以得到服务器负载时序关联特征向量，包括：将所述多个服务器负载时序特征向量通过基于转化器模型的服务器负载关联模式特征提取器以得到所述服务器负载时序关联特征向量。

5.根据权利要求4所述的汇聚分流器的重启指令处理方法，其特征在于，基于所述服务器负载时序关联特征向量，确定所述汇聚分流器的工作状态是否异常，包括：将所述服务器负载时序关联特征向量通过分类器以得到分类结果，所述分类结果用于表示所述汇聚分流器的工作状态是否异常。

6.根据权利要求5所述的汇聚分流器的重启指令处理方法，其特征在于，还包括训练步骤：对所述基于一维卷积神经网络模型的负载时序特征提取器、所述基于转化器模型的服务器负载关联模式特征提取器和所述分类器进行训练；

其中，所述训练步骤，包括：

获取训练数据，所述训练数据包括与所述汇聚分流器连接的多个服务器在预定时间段内多个预定时间点的训练负载值，以及，所述汇聚分流器的工作状态是否异常的真实值；

将所述各个服务器在预定时间段内多个预定时间点的训练负载值分别按照时间维度排列为输入向量以得到多个训练服务器负载时序输入向量；

将所述多个训练服务器负载时序输入向量分别通过所述基于一维卷积神经网络模型的负载时序特征提取器以得到多个训练服务器负载时序特征向量；

将所述多个训练服务器负载时序特征向量通过所述基于转化器模型的服务器负载关联模式特征提取器以得到训练服务器负载时序关联特征向量；

将所述训练服务器负载时序关联特征向量通过分类器以得到分类损失函数值；以及基于所述分类损失函数值并通过梯度下降的反向传播来对所述基于一维卷积神经网络模型的负载时序特征提取器、所述基于转化器模型的服务器负载关联模式特征提取器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行基于基准注释的外部边界约束。

7.根据权利要求6所述的汇聚分流器的重启指令处理方法，其特征在于，对所述分类器的权重矩阵进行基于基准注释的外部边界约束，包括：以如下外部边界约束公式对所述分类器的权重矩阵进行基于基准注释的外部边界约束以得到优化权重矩阵；

其中，所述外部边界约束公式为：

其中， 和 分别是上次和本次迭代的权重矩阵， 是所述服务器负载时序关联特征向量， 是第一过渡矩阵， 是第二过渡矩阵， 表示矩阵乘法， 表示矩阵加法，表示向量的转置， 是所述优化权重矩阵。

说明书

汇聚分流器的重启指令处理方法及装置

技术领域

[0001] 本公开涉及汇聚分流器领域，且更为具体地，涉及一种汇聚分流器的重启指令处理方法及装置。

背景技术

[0002] 汇聚分流器是一种网络设备，通常用于网络负载均衡和冗余备份。如果汇聚分流器出现故障或者不正常的行为，例如内存泄露、资源冲突、软件错误或网络问题等，重启可以尝试修复问题。此外，当对汇聚分流器的配置进行更改时，有时需要重启以使更改生效。也就是，汇聚分流器的重启指令可以应对一些问题或进行系统维护，以确保其正常运行和性能优化。

[0003] 然而，重启可能会导致短暂的网络中断，若未能在重启操作之前备份设备的配置，会导致数据丢失或配置丢失。也就是说，若用户误操作而产生重启指令，会导致更令人头疼的问题。

[0004] 因此，期待一种优化的汇聚分流器的重启指令处理方案。

发明内容

[0005] 有鉴于此，本公开提出了一种汇聚分流器的重启指令处理方法及装置，其可以基于与所述汇聚分流器连接的多个服务器在预定时间段内多个预定时间点的负载值来进行对所述汇聚分流器的工作状态的智能化异常检测。

[0006] 根据本公开的一方面，提供了一种汇聚分流器的重启指令处理方法，其包括：

[0007] 响应于接收到汇聚分流器的重启指令，对所述汇聚分流器的工作状态进行异常检测；

[0008] 响应于所述汇聚分流器的工作状态为异常，执行所述汇聚分流器的重启指令；以及

[0009] 响应于所述汇聚分流器的工作状态为正常，生成确认提示。

[0010] 根据本公开的另一方面，提供了一种汇聚分流器的重启指令处理装置，所述汇聚分流器的重启指令处理装置以前述的方法运行。

[0011] 根据本公开的实施例，其首先响应于接收到汇聚分流器的重启指令，对所述汇聚分流器的工作状态进行异常检测，接着，响应于所述汇聚分流器的工作状态为异常，执行所述汇聚分流器的重启指令，然后，响应于所述汇聚分流器的工作状态为正常，生成确认提示。这样，可以基于与所述汇聚分流器连接的多个服务器在预定时间段内多个预定时间点的负载值来进行对所述汇聚分流器的工作状态的智能化异常检测。

[0012] 根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

[0013] 包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

[0014] 图1示出根据本公开的实施例的汇聚分流器的重启指令处理方法的流程图。

[0015] 图2示出根据本公开的实施例的汇聚分流器的重启指令处理方法的子步骤S110的流程图。

[0016] 图3示出根据本公开的实施例的汇聚分流器的重启指令处理方法的子步骤S110的架构示意图。

[0017] 图4示出根据本公开的实施例的汇聚分流器的重启指令处理方法进一步包括的训练步骤的流程图。

[0018] 图5示出根据本公开的实施例的汇聚分流器的重启指令处理系统的框图。

[0019] 图6示出根据本公开的实施例的汇聚分流器的重启指令处理方法的应用场景图。

具体实施方式

[0020] 下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，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，也属于本公开保护的范围。

[0021] 如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

[0022] 以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

[0023] 另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

[0024] 汇聚分流器是一种网络设备，用于实现负载均衡和冗余备份，它能够将网络流量分散到多个服务器上，以提高系统的可用性和性能。汇聚分流器通常用于大型网络环境中，例如数据中心或企业内部网络。汇聚分流器可以根据服务器的负载情况，将网络请求分发到不同的服务器上，以实现负载均衡，这样可以避免某个服务器过载，提高整个系统的性能和可用性。汇聚分流器可以配置多个服务器作为备份，当主服务器发生故障时，自动将流量切换到备份服务器上，确保系统的连续性和可靠性。汇聚分流器可以对服务器进行定期的健康检查，以确保服务器的正常运行，如果某个服务器出现故障或不可用，汇聚分流器会将流量从该服务器上移除，避免将请求发送到不可用的服务器上。汇聚分流器提供管理界面，可以对其进行配置和管理，管理员可以根据需要调整负载均衡算法、添加或删除服务器、配置健康检查等。

[0025] 针对前述技术问题，本公开的技术构思为在接收到汇聚分流器的重启指令后，考虑到该重启指令可能是由于用户的误操作而产生的，有必要在进行执行所述汇聚分流器的重启指令之前，对所述汇聚分流器的工作状态进行监测以判断其工作状态是否正常，如果其异常则执行汇聚分流器的重启指令，如果状态正常，则产生是否确定执行汇聚分流器的重启指令的提示。

[0026] 具体地，本公开提供了一种汇聚分流器的重启指令处理方法，图1示出根据本公开的实施例的汇聚分流器的重启指令处理方法的流程图。如图1所示，根据本公开实施例的汇聚分流器的重启指令处理方法，包括步骤：S110，响应于接收到汇聚分流器的重启指令，对所述汇聚分流器的工作状态进行异常检测；S120，响应于所述汇聚分流器的工作状态为异常，执行所述汇聚分流器的重启指令；以及，S130，响应于所述汇聚分流器的工作状态为正常，生成确认提示。

[0027] 特别地，S1步骤是本公开的技术方案中的重要步骤。应可以理解，S110步骤中对所述汇聚分流器的工作状态的异常检测的准确性对整个方案的可靠性至关重要。如果异常检测不准确，就可能导致错误地判断设备状态，从而执行不必要的重启操作或者忽略了真正需要重启的情况。

[0028] 对此，为能够准确地对所述汇聚分流器的工作状态进行异常检测，本公开期待基于与所述汇聚分流器连接的多个服务器在预定时间段内多个预定时间点的负载值来进行对所述汇聚分流器的工作状态的智能化异常检测。

[0029] 图2示出根据本公开的实施例的汇聚分流器的重启指令处理方法的子步骤S110的流程图。图3示出根据本公开的实施例的汇聚分流器的重启指令处理方法的子步骤S110的架构示意图。如图2和图3所示，根据本公开实施例的汇聚分流器的重启指令处理方法，响应于接收到汇聚分流器的重启指令，对所述汇聚分流器的工作状态进行异常检测，包括：S111，获取与所述汇聚分流器连接的多个服务器在预定时间段内多个预定时间点的负载值；S112，对所述多个服务器在预定时间段内多个预定时间点的负载值进行时序分析以得到服务器负载时序关联特征向量；以及，S113，基于所述服务器负载时序关联特征向量，确定所述汇聚分流器的工作状态是否异常。

[0030] 基于此，在本公开的技术方案中，首先，获取与所述汇聚分流器连接的多个服务器在预定时间段内多个预定时间点的负载值。应可以理解，负载值可以反映服务器的工作状态。正常情况下，服务器的负载值应该在一定范围内波动，当负载值超出了正常范围，就可能表示服务器出现了异常情况。通过收集多个服务器的负载值，可以获取更全面的信息来判断汇聚分流器的工作状态是否异常。也就是，如果多个服务器的负载值同时出现异常，那么很可能是汇聚分流器本身出现了问题。相反，如果只有个别服务器的负载值异常，可能是单个服务器的故障引起的，不需要对汇聚分流器进行重启。

[0031] 应可以理解，获取与汇聚分流器连接的多个服务器在预定时间段内多个预定时间点的负载值，可以使用以下方法：1.SNMP（Simple Network Management Protocol）是一种用于管理和监控网络设备的协议，通过使用SNMP，可以从服务器上获取各种信息，包括负载值，可以通过查询服务器上的SNMP代理来获取服务器的负载信息；2.可以通过调用相应的API来获取服务器的负载值，通常，服务器的管理接口会提供一些方法来获取负载信息；3.监控工具，使用监控工具可以实时监测服务器的负载情况，并记录下来。需要注意的是，获取服务器的负载值需要服务器支持相应的监控功能，并且需要有相应的权限来获取这些信息，此外，还需要在汇聚分流器和服务器之间建立正确的连接，并确保网络通信正常。

[0032] 接着，对所述多个服务器在预定时间段内多个预定时间点的负载值进行时序分析以得到服务器负载时序关联特征向量。这里，考虑到多个服务器之间的负载存在一定的关联性，例如，在负载均衡的情况下，多个服务器会共同承担用户请求的负载，当某个服务器的负载过高时，系统会将部分请求转发给其他负载较低的服务器，以实现负载的均衡，因此，多个服务器的负载在一定程度上会相互影响。在本公开的技术方案中，期待捕捉这种关联模式分布以便于后续的异常检测。

[0033] 相应地，对所述多个服务器在预定时间段内多个预定时间点的负载值进行时序分析以得到服务器负载时序关联特征向量，包括：将所述各个服务器在预定时间段内多个预定时间点的负载值分别进行结构化处理以得到多个服务器负载时序输入向量；将所述多个服务器负载时序输入向量分别通过基于一维卷积神经网络模型的负载时序特征提取器以得到多个服务器负载时序特征向量；以及，提取所述多个服务器负载时序特征向量之间的关联模式特征以得到服务器负载时序关联特征向量。应可以理解，一维卷积神经网络（1D CNN）是一种神经网络模型，用于处理一维序列数据，如时间序列数据，与传统的全连接神经网络相比，一维卷积神经网络可以更好地捕捉数据中的局部模式和时序特征。在服务器负载时序分析中，一维卷积神经网络可以用作负载时序特征提取器，通过将多个服务器在预定时间段内的负载时序输入向量传递给一维卷积神经网络模型，可以提取出每个服务器负载时序的特征向量。一维卷积神经网络模型通过使用一维卷积层和池化层来学习输入序列中的局部模式和时序信息。卷积层通过滑动一个固定大小的窗口在输入序列上提取特征，然后池化层对提取的特征进行下采样，减少特征的维度。这样可以保留重要的时序特征，并降低计算复杂度。通过使用一维卷积神经网络模型作为负载时序特征提取器，可以将复杂的负载时序数据转化为更具有代表性和紧凑的特征向量表示。这些特征向量可以用于之后的关联模式分析，帮助识别服务器负载的时序关联特征，从而判断汇聚分流器的工作状态是否异常。

[0034] 其中，将所述各个服务器在预定时间段内多个预定时间点的负载值分别进行结构化处理以得到多个服务器负载时序输入向量，包括：将所述各个服务器在预定时间段内多个预定时间点的负载值分别按照时间维度排列为输入向量以得到所述多个服务器负载时序输入向量。应可以理解，转换器模型（Transformer Model）是一种基于自注意力机制的神经网络模型，最初用于自然语言处理任务，如机器翻译和语言生成，它在序列数据处理中表现出色，并且已经成功应用于其他领域，包括时间序列数据分析。在服务器负载时序关联特征提取中，转换器模型可以用作服务器负载关联模式特征提取器。通过将多个服务器负载时序特征向量输入转换器模型，可以学习到这些特征向量之间的关联模式特征。转换器模型通过自注意力机制来捕捉输入序列中不同位置之间的关联信息。它可以同时考虑所有输入位置之间的依赖关系，而不像传统的循环神经网络需要按顺序处理序列，这使得转换器模型能够更好地捕捉到服务器负载时序特征向量之间的关联模式。通过使用转换器模型作为服务器负载关联模式特征提取器，可以提取出更高级的关联特征，帮助识别服务器负载之间的时序关联关系。这些关联特征可以用于生成服务器负载时序关联特征向量，进一步用于判断汇聚分流器的工作状态是否异常。

[0035] 其中，提取所述多个服务器负载时序特征向量之间的关联模式特征以得到服务器负载时序关联特征向量，包括：将所述多个服务器负载时序特征向量通过基于转化器模型的服务器负载关联模式特征提取器以得到所述服务器负载时序关联特征向量。

[0036] 在本公开的一个具体示例中，先将所述各个服务器在预定时间段内多个预定时间点的负载值分别按照时间维度排列为输入向量以得到多个服务器负载时序输入向量；随后，将所述多个服务器负载时序输入向量分别通过基于一维卷积神经网络模型的负载时序特征提取器以得到多个服务器负载时序特征向量；再将所述多个服务器负载时序特征向量通过基于转化器模型的服务器负载关联模式特征提取器以得到服务器负载时序关联特征向量。

[0037] 继而，将所述服务器负载时序关联特征向量通过分类器以得到分类结果，所述分类结果用于表示所述汇聚分流器的工作状态是否异常。

[0038] 相应地，基于所述服务器负载时序关联特征向量，确定所述汇聚分流器的工作状态是否异常，包括：将所述服务器负载时序关联特征向量通过分类器以得到分类结果，所述分类结果用于表示所述汇聚分流器的工作状态是否异常。

[0039] 也就是，在本公开的技术方案中，所述分类器的标签包括所述汇聚分流器的工作状态异常(第一标签)，以及，所述汇聚分流器的工作状态不异常(第二标签)，其中，所述分类器通过软最大值函数来确定所述服务器负载时序关联特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“所述汇聚分流器的工作状态是否异常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，所述汇聚分流器的工作状态是否异常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“所述汇聚分流器的工作状态是否异常”的语言文本意义。

[0040] 应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi‑class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。

[0041] 相应地，在一种可能的实现方式中，将所述服务器负载时序关联特征向量通过分类器以得到分类结果，所述分类结果用于表示所述汇聚分流器的工作状态是否异常，包括：使用所述分类器的全连接层对所述服务器负载时序关联特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

[0042] 进一步地，在本公开的技术方案中，所述的汇聚分流器的重启指令处理方法，其还包括训练步骤：对所述基于一维卷积神经网络模型的负载时序特征提取器、所述基于转化器模型的服务器负载关联模式特征提取器和所述分类器进行训练。应可以理解，训练步骤在汇聚分流器的重启指令处理方法中起着重要作用，通过对负载时序特征提取器、服务器负载关联模式特征提取器和分类器进行训练，可以使这些模型能够学习到正常和异常工作状态之间的区别，从而能够准确地判断汇聚分流器的工作状态是否异常。具体而言，训练步骤的目的是通过提供已知工作状态的样本数据来训练这些模型。对于负载时序特征提取器，可以使用已知正常和异常工作状态下的负载时序数据进行训练，使其能够从时序数据中提取出特征向量。对于服务器负载关联模式特征提取器，可以使用已知正常和异常工作状态下的负载时序关联特征向量进行训练，使其能够提取出特征向量之间的关联模式特征。最后，对于分类器，可以使用带有标签的样本数据进行训练，使其能够根据提取到的特征向量来准确地判断汇聚分流器的工作状态是否异常。通过训练这些模型，可以提高汇聚分流器的工作状态检测的准确性和可靠性，从而在出现异常情况时及时采取相应的措施，如重启分流器，以确保系统的正常运行。

[0043] 其中，如图4所示，所述训练步骤，包括：S210，获取训练数据，所述训练数据包括与所述汇聚分流器连接的多个服务器在预定时间段内多个预定时间点的训练负载值，以及，所述汇聚分流器的工作状态是否异常的真实值；S220，将所述各个服务器在预定时间段内多个预定时间点的训练负载值分别按照时间维度排列为输入向量以得到多个训练服务器负载时序输入向量；S230，将所述多个训练服务器负载时序输入向量分别通过所述基于一维卷积神经网络模型的负载时序特征提取器以得到多个训练服务器负载时序特征向量；S240，将所述多个训练服务器负载时序特征向量通过所述基于转化器模型的服务器负载关联模式特征提取器以得到训练服务器负载时序关联特征向量；S250，将所述训练服务器负载时序关联特征向量通过分类器以得到分类损失函数值；以及，S260，基于所述分类损失函数值并通过梯度下降的反向传播来对所述基于一维卷积神经网络模型的负载时序特征提取器、所述基于转化器模型的服务器负载关联模式特征提取器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行基于基准注释的外部边界约束。

[0044] 进一步地，在本公开的技术方案中，由于各个服务器的负载值在预定时间段内多个预定时间点的时序分布存在不一致，导致在通过一维卷积神经网络模型进行局部时序关联特征提取后，所述多个服务器负载时序特征向量之间会存在由于源时序分布模态的差异导致的特征分布差异，使得其特征表示的高维特征流形的几何单调性差，即使在通过转化器模型对所述多个服务器负载时序特征向量各自的特征分布进行全局上下文关联的情况下，得到的所述服务器负载时序关联特征向量在分类场景下，在分类器的权重矩阵迭代过程中也会导致所述服务器负载时序关联特征向量的类概率映射的域间偏移，以及进一步的权重矩阵基于所述服务器负载时序关联特征向量的域拟合发散，从而影响模型的训练效果，以及训练好的模型得到的所述服务器负载时序关联特征向量的分类结果的准确性。基于此，本申请在所述服务器负载时序关联特征向量通过分类器的训练过程中，进行权重矩阵的基于基准注释的外部边界约束。

[0045] 在一种可能的实现方式中，对所述分类器的权重矩阵进行基于基准注释的外部边界约束，包括：

[0046] 以如下外部边界约束公式对所述分类器的权重矩阵进行基于基准注释的外部边界约束以得到优化权重矩阵；

[0047] 其中，所述外部边界约束公式为：

[0048]

[0049]

[0050]

[0051] 其中， 和 分别是上次和本次迭代的权重矩阵，其中在首次迭代时，采用不同的初始化策略设置 和 ，（例如， 设置为单位矩阵而 设置为待分类特征向量的均值对角矩阵），是所述服务器负载时序关联特征向量，为列向量形式， 是第一过渡矩阵，是第二过渡矩阵， 表示矩阵乘法， 表示矩阵加法，表示向量的转置， 是所述优化权重矩阵。

[0052] 这里，通过以所述服务器负载时序关联特征向量 在权重空间内的迭代关联表示来作为权重矩阵迭代的外部关联边界约束，从而在将前次的权重矩阵作为本次迭代过程中的基准注释（benchmark annotation）的情况下，减小权重空间迭代过程当中以所述服务器负载时序关联特征向量 的类概率映射作为锚点的定向不匹配（oriented mismatch），从而进行权重矩阵在迭代过程中相对于所述服务器负载时序关联特征向量 的类概率映射的域间偏移的补偿，并进一步增强权重矩阵基于所述服务器负载时序关联特征向量 的域拟合聚合，以提升模型的训练效果，以及训练好的模型得到的所述服务器负载时序关联特征向量的分类结果的准确性。

[0053] 综上，基于本公开实施例的汇聚分流器的重启指令处理方法，其可以基于与所述汇聚分流器连接的多个服务器在预定时间段内多个预定时间点的负载值来进行对所述汇聚分流器的工作状态的智能化异常检测。

[0054] 进一步地，本公开的技术方案还提供一种汇聚分流器的重启指令处理装置，所述汇聚分流器的重启指令处理装置以前述的方法运行。应可以理解，汇聚分流器的重启指令处理装置用于处理汇聚分流器的重启指令。该装置具有以下特点：自动化处理，重启指令处理装置能够自动接收和处理重启指令，无需人工干预，这样可以提高操作效率，减少人工错误；智能判断，重启指令处理装置能够智能地判断何时执行重启操作，它可以基于汇聚分流器的工作状态和异常检测结果来做出决策，确保在必要时进行重启操作，同时避免不必要的重启；安全可靠，重启指令处理装置采取了安全措施，确保重启操作的可靠性和稳定性，它会在执行重启操作之前进行必要的检查和准备工作，以确保不会对系统造成不良影响；日志记录，重启指令处理装置能够记录重启操作的执行情况和结果，包括重启时间、操作人员等信息。这样可以方便后续的故障排查和分析。汇聚分流器的重启指令处理装置能够提供自动化、智能化、安全可靠的重启指令处理功能，提高系统的可靠性和稳定性。

[0055] 图5示出根据本公开的实施例的汇聚分流器的重启指令处理系统100的框图。如图5所示，根据本公开实施例的汇聚分流器的重启指令处理系统100，包括：异常检测模块110，用于响应于接收到汇聚分流器的重启指令，对所述汇聚分流器的工作状态进行异常检测；
重启指令执行模块120，用于响应于所述汇聚分流器的工作状态为异常，执行所述汇聚分流器的重启指令；以及，确认提示生成模块130，用于响应于所述汇聚分流器的工作状态为正常，生成确认提示。

[0056] 在一种可能的实现方式中，所述异常检测模块110，包括：负载值获取单元，用于获取与所述汇聚分流器连接的多个服务器在预定时间段内多个预定时间点的负载值；时序分析单元，用于对所述多个服务器在预定时间段内多个预定时间点的负载值进行时序分析以得到服务器负载时序关联特征向量；以及，工作状态异常判断单元，用于基于所述服务器负载时序关联特征向量，确定所述汇聚分流器的工作状态是否异常。

[0057] 这里，本领域技术人员可以理解，上述汇聚分流器的重启指令处理系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的汇聚分流器的重启指令处理方法的描述中得到了详细介绍，并因此，将省略其重复描述。

[0058] 如上所述，根据本公开实施例的汇聚分流器的重启指令处理系统100可以实现在各种无线终端中，例如具有汇聚分流器的重启指令处理算法的服务器等。在一种可能的实现方式中，根据本公开实施例的汇聚分流器的重启指令处理系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该汇聚分流器的重启指令处理系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该汇聚分流器的重启指令处理系统100同样可以是该无线终端的众多硬件模块之一。

[0059] 替换地，在另一示例中，该汇聚分流器的重启指令处理系统100与该无线终端也可以是分立的设备，并且该汇聚分流器的重启指令处理系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

[0060] 图6示出根据本公开的实施例的汇聚分流器的重启指令处理方法的应用场景图。如图6所示，在该应用场景中，首先，获取与所述汇聚分流器连接的多个服务器在预定时间段内多个预定时间点的负载值（例如，图6中所示意的D），然后，将所述多个服务器在预定时间段内多个预定时间点的负载值输入至部署有汇聚分流器的重启指令处理算法的服务器中（例如，图6中所示意的S），其中，所述服务器能够使用所述汇聚分流器的重启指令处理算法对所述多个服务器在预定时间段内多个预定时间点的负载值进行处理以得到用于表示所述汇聚分流器的工作状态是否异常的分类结果。

[0061] 附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

[0062] 以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。