一种基于在线学习的分布式组件监控方法

本发明公开了一种基于在线学习的分布式组件监控方法，首先对多台计算节点的组件运行状态进行监控与数据收集，进行预处理操作构建数据集，使用数据集对深度学习网络进行训练；然后加载模型对分布式组件进行实时监控，通过使用训练好的模型对经过预处理的监控数据进行推理预测，得到未来系统状态结果，并将数据存入数据库中；当数据积累到一定时间则触发模型训练；系统对模型进行不断迭代优化进行增量学习，对新旧模型并行测试，确认新模型误报率降低后方可上线替换。本发明通过在线学习和分布式架构实现了高精度异常检测、动态模型优化和自动化运维，显著提升了分布式系统的稳定性与可靠性。