1.一种服务器性能监控方法，其特征在于，所述服务器性能监控方法包括：获取服务器从当前时间点到预设时间间隔的性能数据，作为目标性能数据集；

将所述目标性能数据集输入到训练好的高斯混合隐马尔可夫模型中，其中，所述训练好的高斯混合隐马尔可夫模型包括基础标注序列和基础标注序列对应的基础时长序列，所述基础时长序列包括若干基础子序列，所述训练好的高斯混合隐马尔可夫模型为通过所述服务器的历史性能数据训练得到；

采用所述训练好的高斯混合隐马尔可夫模型，对所述目标性能数据集中的每个性能数据进行状态标注，得到目标标注序列；

根据预设的时长切分方式，对所述目标标注序列进行数据切分，得到所述目标性能数据集对应的目标时长序列，其中，所述目标时长序列包括至少两个目标子序列；

通过动态规划的方式，获取所述目标子序列对应的基础子序列，作为参考子序列，并获取所述参考子序列对应的性能走势信息，作为所述服务器在当前时间点的性能预测信息，其中，每一时间点对应的所述基础子序列的下一基础子序列对应的状态标注，为该时间点的基础子序列对应的性能走势信息；

将所述性能预测信息与预设阈值范围进行比较，若所述性能预测信息处于所述预设阈值范围之外，则执行预设应急措施。

2.如权利要求1所述的服务器性能监控方法，其特征在于，在所述将所述目标性能数据集输入到训练好的高斯混合隐马尔可夫模型中之前，所述服务器性能监控方法还包括：获取所述服务器的历史性能数据集，所述历史性能数据集包含历史性能数据和所述历史性能数据对应的时间点信息；

根据所述时间点信息和所述历史性能数据，对初始高斯混合隐马尔可夫模型进行滚动式训练，得到所述目标高斯混合隐马尔可夫模型；

使用所述目标高斯混合隐马尔可夫模型，按照所述时间点信息中的时间顺序，对所述时间点信息对应的历史性能数据进行标注，得到基础标注序列；

根据所述预设的时长切分方式，对所述基础标注序列进行数据切分，得到所述历史性能数据集对应的基础时长序列，其中，所述基础时长序列包括若干基础子序列；

获取每个所述基础子序列之后预设数量的基础子序列，作为走势参考序列，并获取所述走势参考序列对应的标注信息，作为所述基础子序列对应的性能走势信息；

将所述基础标注序列、所述基础时长序列和所述性能走势信息存入到所述目标高斯混合隐马尔可夫模型，得到所述训练好的高斯混合隐马尔可夫模型。

3.如权利要求2所述的服务器性能监控方法，其特征在于，所述根据所述时间点信息和所述历史性能数据，对初始高斯混合隐马尔可夫模型进行滚动式训练，得到所述目标高斯混合隐马尔可夫模型包括：

按照预设时间间隔，根据所述时间点信息，对所述历史性能数据集进行滚动式切分，得到若干个基础数据集，以及每个所述基础数据集对应的基础时序；

获取每个所述基础数据集的历史性能数据，作为所述基础数据集对应的基础观测数据；

针对每个所述基础数据集，将该基础数据集对应的基础时序和所述基础观测数据，作为一组时序观测数据；

依次使用所述时序观测数据，对所述初始高斯混合隐马尔可夫模型进行训练更新，直到每组所述时序观测数据均参与训练，得到所述目标高斯混合隐马尔可夫模型。

4.如权利要求3所述的服务器性能监控方法，其特征在于，所述按照预设时间间隔，根据所述时间点信息，对所述历史性能数据集进行滚动式切分，得到若干个基础数据集，以及每个所述基础数据集对应的基础时序包括：获取所述预设时间间隔的时长T1；

根据所有所述时间点信息，确定所述历史性能数据集对应的时序区间，并计算所述时序区间的时长T2，其中，T2>T1；

从所述时序区间中，依次获取T2‑T1+1个时长为T1的所述基础时序，并获取每个所述基础时序的历史性能数据，作为所述基础时序对应的基础数据集，其中，第i个所述基础时序为从第i个时间单位到第T1+i‑1个时间单位的时序，i为正整数，且i≤T2‑T1+1。

5.如权利要求1所述的服务器性能监控方法，其特征在于，所述通过动态规划的方式，获取所述目标子序列对应的基础子序列，作为参考子序列包括：针对任一所述目标子序列，计算该目标子序列与每个所述基础子序列的相似度，并将相似度值最大的基础子序列作为目标子序列对应的基础子序列；

对所有所述目标子序列对应的基础子序列进行汇总处理，得到所述参考子序列。

6.如权利要求5所述的服务器性能监控方法，其特征在于，所述针对任一所述目标子序列，计算该目标子序列与每个所述基础子序列的相似度包括：将所述目标子序列存入一维数组Xa中，将所述基础子序列存入一维数组Yb中，其中，a为所述目标子序列的时间点信息的数量，b为所述基础子序列的时间点信息的数量；

使用如下公式计算Xa的第i位与Yb的第j位之前的公共子序列长度L(i,j)：其中，same(Xi,Yj)在Xi与Yj相同时，取值为1，same(Xi,Yj)在Xi与Yj不相同时，取值为0，max{L(i‑1,j‑1)+same(Xi,Yj),L(i‑1,j),L(i,j‑1)}表示取L(i‑1,j‑1)+same(Xi,Yj)、L(i‑

1,j)和L(i,j‑1)三个表达式中的最大值，i和j均为正整数，且i≤a，j≤b；

对所述公共子序列长度进行递归回溯，得到所述公共子序列长度的集合，并从所述集合中获取值最大的公共子序列长度l，作为目标长度，其中，l为小于等于b的正整数；

使用如下公式计算所述目标子序列与所述基础子序列的相似度值：其中，θ为所述目标子序列与所述基础子序列的相似度值，θ∈[0，1]。

7.一种服务器性能监控装置，其特征在于，所述服务器性能监控装置包括：第一采集模块，用于获取服务器从当前时间点到预设时间间隔的性能数据，作为目标性能数据集；

数据输入模块，用于将所述目标性能数据集输入到训练好的高斯混合隐马尔可夫模型中，其中，所述训练好的高斯混合隐马尔可夫模型包括基础标注序列和基础标注序列对应的基础时长序列，所述基础时长序列包括若干基础子序列，所述训练好的高斯混合隐马尔可夫模型为通过所述服务器的历史性能数据训练得到；

第一标注模块，用于采用所述训练好的高斯混合隐马尔可夫模型，对所述目标性能数据集中的每个性能数据进行状态标注，得到目标标注序列；

第一切分模块，用于根据预设的时长切分方式，对所述目标标注序列进行数据切分，得到所述目标性能数据集对应的目标时长序列，其中，所述目标时长序列包括至少两个目标子序列；

趋势预测模块，用于通过动态规划的方式，获取所述目标子序列对应的基础子序列，作为参考子序列，并获取所述参考子序列对应的性能走势信息，作为所述服务器在当前时间点的性能预测信息，其中，每一时间点对应的所述基础子序列的下一基础子序列对应的状态标注，为该时间点的基础子序列对应的性能走势信息；

预警模块，用于将所述性能预测信息与预设阈值范围进行比较，若所述性能预测信息处于所述预设阈值范围之外，则执行预设应急措施。

8.如权利要求7所述的服务器性能监控装置，其特征在于，所述服务器性能监控装置还包括：

第二采集模块，用于获取所述服务器的历史性能数据集，所述历史性能数据集包含历史性能数据和所述历史性能数据对应的时间点信息；

滚动训练模块，用于根据所述时间点信息和所述历史性能数据，对初始高斯混合隐马尔可夫模型进行滚动式训练，得到所述目标高斯混合隐马尔可夫模型；

第二标注模块，用于使用所述目标高斯混合隐马尔可夫模型，按照所述时间点信息中的时间顺序，对所述时间点信息对应的历史性能数据进行标注，得到基础标注序列；

第二切分模块，用于根据所述预设的时长切分方式，对所述基础标注序列进行数据切分，得到所述历史性能数据集对应的基础时长序列，其中，所述基础时长序列包括若干基础子序列；

走势信息确定模块，用于获取每个所述基础子序列之后预设数量的基础子序列，作为走势参考序列，并获取所述走势参考序列对应的标注信息，作为所述基础子序列对应的性能走势信息；

模型确定模块，用于将所述基础标注序列、所述基础时长序列和所述性能走势信息存入到所述目标高斯混合隐马尔可夫模型，得到所述训练好的高斯混合隐马尔可夫模型。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至

6任一项所述的服务器性能监控方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的服务器性能监控方法。