文献综述（或调研报告）：
Zabbix自2001年诞生以来已经有将近20年的历史了，但现在仍是企业级监控系统的龙头老大。同样是开源的监控产品如Nagios，Ganglia、Cacti、OpenTSDB、Zenoss等，每个开源的监控平台都有不同的特点和功能。Nagios适用于对大型集群中的各项应用以及进程监控，同时能够支持数种报警模式，但该系统难以扩展，同时配置相对于其他监控平台较为复杂，大部分需求需要通过修改配置文件完成。而Zenoss有商用以及开源两种版本，Zenoss Core作为Zenoss的开源版本具有出色的监控仪表盘，但是该系统具有很高的资源要求，将占用较多的集群资源。Cacti界面友好美观，基于web的配置与监控方式对使用者来说便于管理，但它不支持告警功能且监控有限，在自定义监控方面又不易拓展，因此不适用于大规模的监控与告警。
Zabbix是一个基于Web界面的提供分布式系统监控以及网络监控功能的企业级的开源方案，采用多种方式进行数据采集，它将采集到的数据先存入数据库然后对数据做进一步的分析与整理，达到阈值条件的就触发告警，不仅有专门独立的Agent，还可以使用支持SNMP、Telnet、SSH、IPMI、JMX等多种协议的方式。扩展的灵活性和功能的丰富程度是其他监控系统所不能比的。目前云服务中的王牌阿里云的云监控方案也是基于Zabbix的二次开发实现的。但即使如此，随着现有企业服务器数量的成倍增加，产生的数据也将成倍增加，数据读写和不同应用需求已经不是简单地使用开源软件就可以满足的。
而在性能数据的资源预测上，由于监控指标之间的关联性及不同服务器的差异性,采用固定阈值方式检测异常容易产生大量误报和漏报。有通过XGBoost适用的多维数据二分类问题,来挖掘监控数据间的关联，或LSTM适合的长时间序列趋势预测，对具有时间特征的监控数据进行准确的趋势预测。总体来说目前趋势预测较为成熟的是时间序列预测技术，与新兴的预测技术如深度学习、神经网络等相比具有复杂度低的优势，更适合于监控平台。而在时间序列分析方法上已经有一些成熟的理论成果，比如自回归滑动平均ARMA、由自回归AR、滑动平均MA等适用于线性平稳序列的模型，双线性时序BL、门限自回归TAR等适用于非线性序列的模型，以及自回归条件异方差ARCH、自回归积分滑动平均ARIMA等适应于非平稳序列的模型。
其他还有基于时间序列的单步预测算法，包括自平衡预测和基于趋势的预测两大类。自平衡预测算法假设负载的数值会自我修正，即下一个数值很可能会朝历史数据的平均值靠近。如加权改进的自回归模型，通过对最小二乘法求出的参数进行加权处理，建立改进后的自回归负载预测模型，并将其应用在CPU负载以及内存使用率的预测上。实验证明该模型误差优于原始自回归模型。
目前Zabbix总体基本功能已经能涵盖所有层面，但在界面上需要自己进行二次开发才能实现定制化。在预测模型上更多是在资源的趋势上的，而公司中的信息是绝密的地图信息，即将搭建的监控系统上更多一部分应该放在安全层面，如态势感知等。
参考文献：
[1]罗辰辉,揭晶方,张伟,沈琼霞.基于动态系数的三次指数平滑算法负载预测[J].计算机测量与控制,2018,26(10):141-144.
[2]龚俭,臧小东,苏琪,胡晓艳,徐杰.网络安全态势感知综述[J].软件学报,2017,28(04):1010-1026.
[3]杨澎涛,范永合,孙剑,贾立辉.基于Zabbix实现服务器资源应用趋势预测[J].电脑知识与技术,2019,15(27):273-274.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
