1.一种云计算服务器运行故障状态监测方法，其特征在于，该方法包括以下步骤：

获取云服务器的监控信息数据，所述监控信息数据包括监控元件的数量，每个监控元件的监控数据、监控数据曲线；

根据任意两个监控元件的监控数据曲线获取任意两个监控元件之间的差分向量；根据任意两个监控元件之间的差分向量获取每个监控元件的坐标点，根据所述坐标点获取每个监控元件的坐标点的聚类结果；根据每个监控元件的坐标点的聚类结果中每个聚类簇的形状获取每个监控元件的坐标点的聚类结果中每个聚类簇的每个滑动窗口，根据所述滑动窗口获取每个监控元件的坐标点的聚类结果中每个聚类簇的每个滑动窗口的聚类分割函数值；利用每个监控元件的坐标点的聚类结果中每个聚类簇的所有滑动窗口的聚类分割函数值获取每个监控元件的坐标点的聚类集；

根据每个监控元件的坐标点的每个聚类集获取每个监控元件的坐标点的每个聚类集的聚类跟随性指数；根据所述聚类跟随性指数获取每个监控元件的坐标点的每个聚类集的主从特征判别值；根据每个监控元件的坐标点的每个聚类集获取每个监控元件的坐标点的每个聚类集的聚类偏离度；根据所述主从特征判别值和聚类偏离度获取每个监控元件的坐标点的每个聚类集的偏离范围区间及主从判别范围区间；

利用所述偏离范围区间及主从判别范围区间获取降维后的决策树，通过降维后的决策树得到云服务器的运行故障监测结果。

2.根据权利要求1所述的一种云计算服务器运行故障状态监测方法，其特征在于，所述根据任意两个监控元件的监控数据曲线获取任意两个监控元件之间的差分向量的方法为：对每个监控元件的监控数据曲线进行预设采样频率的采样得到每个监控元件的采样数据，将每个监控元件的采样数据按照时间升序的顺序组成的序列作为每个监控元件的采样向量；

分别将任意两个监控元件中一个监控元件作为第一目标监控元件，另一个监控元件作为第一标记监控元件，计算第一目标监控元件、第一标记监控元件的采样向量中相同采集时刻采样数据之间的差值，将所有所述差值按照时间升序的顺序组成的向量作为第一标记监控元件相对于第一目标监控元件的差分向量。

3.根据权利要求1所述的一种云计算服务器运行故障状态监测方法，其特征在于，所述根据任意两个监控元件之间的差分向量获取每个监控元件的坐标点，根据所述坐标点获取每个监控元件的坐标点的聚类结果的方法为：对于任意两个监控元件之间的差分向量，将任意两个监控元件中一个监控元件作为第二目标监控元件，将所述差分向量中每个采集时刻的元素为一个横坐标，将第二目标监控元件的采样向量中每个采集时刻的元素作为一个纵坐标，将横纵坐标确定的数据点作为第二目标监控元件的一个坐标点；

将第二目标监控元件的所有坐标点作为DBSCAN聚类算法的输入，将DBSCAN聚类算法的输出作为第二目标监控元件的所有坐标点的聚类结果。

4.根据权利要求1所述的一种云计算服务器运行故障状态监测方法，其特征在于，所述根据每个监控元件的坐标点的聚类结果中每个聚类簇的形状获取每个监控元件的坐标点的聚类结果中每个聚类簇的每个滑动窗口，根据所述滑动窗口获取每个监控元件的坐标点的聚类结果中每个聚类簇的每个滑动窗口的聚类分割函数值的方法为：对于每个监控元件的坐标点的聚类结果中每个聚类簇，利用最小外接矩形技术对聚类簇的形状做最小外接矩形，将所述最小外接矩形在纵坐标轴上的最大高度作为窗口的纵向长度，将第一预设参数分别作为窗口的横向宽度、滑动步长，将窗口在聚类簇上每次滑动的结果作为聚类簇的每个滑动窗口；

对于聚类簇的每个滑动窗口，将滑动窗口内数据点的数目作为分子，将滑动窗口的横向宽度作为分母，将分子与分母的比值作为滑动窗口的纵向点密度；

将滑动窗口内局部聚类簇形状在纵轴方向上的平均高度作为滑动窗口的局部纵距差，将所述局部纵距差与滑动窗口的纵向长度之比的相反数和第二预设参数的和作为第一组成因子；将聚类簇内所有元素的纵坐标值的方差与聚类簇的滑动窗口内所有元素的纵坐标值的方差的比值作为第二组成因子；将第一组成因子与第二组成因子的乘积作为滑动窗口的纵距特征指数；

将所述纵向点密度与纵距特征指数的乘积作为滑动窗口的聚类分割函数值。

5.根据权利要求1所述的一种云计算服务器运行故障状态监测方法，其特征在于，所述利用每个监控元件的坐标点的聚类结果中每个聚类簇的所有滑动窗口的聚类分割函数值获取每个监控元件的坐标点的聚类集的方法为：对于每个监控元件的坐标点的聚类结果中每个聚类簇，获取聚类簇的所有滑动窗口的聚类分割函数值的最小值，将所述最小值对应的滑动窗口作为目标滑动窗口，将目标滑动窗口的中心点作为纵向分割点，沿着纵向分割点在纵轴方向上对聚类簇进行分割，将聚类簇的分割结果作为监控元件的坐标点的两个聚类集。

6.根据权利要求1所述的一种云计算服务器运行故障状态监测方法，其特征在于，所述根据每个监控元件的坐标点的每个聚类集获取每个监控元件的坐标点的每个聚类集的聚类跟随性指数的方法为：对于每个监控元件的坐标点的每个聚类集，以聚类集的中心坐标为坐标原点，建立直角坐标系，将直角坐标系中、、、的直线分别作为每条准线；

对于每条准线，计算聚类集中每个元素在准线上的投影点与坐标原点之间的欧氏距离，将所有所述欧氏距离的标准差作为准线的标准差；

将直角坐标系中的准线的标准差与的准线的标准差的比值作为第一乘积因子；

将直角坐标系中、的准线的标准差的最大值作为分子，将直角坐标系中、的准线的标准差的最小值作为分母，将分子与分母的比值作为第二乘积因子；

将第一乘积因子与第二乘积因子的乘积作为聚类集的聚类跟随性指数。

7.根据权利要求1所述的一种云计算服务器运行故障状态监测方法，其特征在于，所述根据所述聚类跟随性指数获取每个监控元件的坐标点的每个聚类集的主从特征判别值的方法为：对于每个监控元件的坐标点的每个聚类集，将聚类集内元素的数目作为分子，将聚类集的形状的最小外接矩形的面积作为分母，将分子与分母的比值作为聚类集的簇集密度；

将聚类集的聚类跟随性指数与簇集密度的乘积作为聚类集的主从特征判别值。

8.根据权利要求1所述的一种云计算服务器运行故障状态监测方法，其特征在于，所述根据每个监控元件的坐标点的每个聚类集获取每个监控元件的坐标点的每个聚类集的聚类偏离度的方法为：式中，表示第个监控元件的坐标点的第个聚类集的聚类偏离度，表示第个监控元件对应的第个聚类集上滑动窗口的数目，表示第个监控元件对应的第个聚类集上第n个滑动窗口的中心点的横坐标，表示第个监控元件对应的第个聚类集的中心点的横坐标，表示第个监控元件对应的第个聚类集的横坐标范围长度，表示第i个监控元件对应的第个聚类集上第个滑动窗口的聚类分割函数值，表示第i个监控元件对应的第个聚类集上所有滑动窗口的聚类分割函数值的均值。

9.根据权利要求1所述的一种云计算服务器运行故障状态监测方法，其特征在于，所述根据所述主从特征判别值和聚类偏离度获取每个监控元件的坐标点的每个聚类集的偏离范围区间及主从判别范围区间的方法为：式中，表示第个监控元件的坐标点的第个聚类集的偏离范围区间，表示第个监控元件对应的第个聚类集的中心点的横坐标，表示第个监控元件的坐标点的第个聚类集的直角坐标系中的准线的标准差，表示第个监控元件的坐标点的第个聚类集的聚类偏离度；表示第个监控元件的坐标点的第个聚类集的主从判别范围区间的下限，表示第个监控元件的坐标点的第个聚类集的主从判别范围区间的上限，表示第个监控元件的坐标点的第个聚类集的主从判别范围区间，表示第个监控元件的坐标点的第个聚类集的主从特征判别值，表示第个监控元件的坐标点的所有聚类集的主从特征判别值的均值。

10.根据权利要求1所述的一种云计算服务器运行故障状态监测方法，其特征在于，所述利用所述偏离范围区间及主从判别范围区间获取降维后的决策树的方法为：将每个监控元件的坐标点的每个聚类集的主从判别范围区间作为目标聚类集的主从判别范围区间，计算目标聚类集的主从判别范围区间与其余每个聚类集的偏离范围区间之间的交集区间，计算所述交集区间的长度与目标聚类集的主从判别范围区间的长度的比值，若所述比值低于第三预设参数，则认为目标聚类集是独立的；

将每个监控元件的坐标点的所有独立的聚类集的偏离范围区间的并集区间的长度与每个监控元件的坐标点的所有的聚类集的偏离范围区间的并集区间的长度的比值作为任意两个监控元件之间的主从关系度量指数；

通过所有监控元件构建决策树，利用决策树剪枝算法基于主从关系度量指数获取降维后的决策树。