【技术实现步骤摘要】
本专利技术涉及故障检测，具体是一种基于深度递归网络的大数据计算机系统故障检测方法。
技术介绍
1、深度递归网络是一类用于处理序列数据的神经网络，因其设计能够考虑到数据的时序信息而广泛应用于自然语言处理、语音识别、时间序列分析等领域，这种神经网络在判断计算机系统是否存在故障时往往能够发挥出非常出色的效果，因为计算机系统的各项数据大多为序列数据；
2、在现有技术中，基于对计算机系统的数据采集后，再利用深度递归网络对其各类特征进行处理是一种常用的技术手段，但其数据处理的结果往往不易于相关人员进行查看，且现有技术中，对于计算机系统进行故障检测大多需要基于历史数据，而如何对历史数据进行有效的利用却一直缺乏有效的技术手段，针对现有技术的不足，本专利技术提供了一种基于深度递归网络的大数据计算机系统故障检测方法。
技术实现思路
1、本专利技术的目的在于提供一种基于深度递归网络的大数据计算机系统故障检测方法。
2、本专利技术的目的可以通过以下技术方案实现：一种基于深度递归网络的大数据计算机系统故障检测方法，包括以下步骤：
3、步骤s1：对计算机系统的运行数据和流量数据进行采集，获得计算机系统的运行时序特征和流量时序特征；
4、步骤s2：将所获得的运行时序特征和流量时序特征分为可量化特征和不可量化特征，并获得不可量化特征的标准时序特征，分别构建可量化特征和不可量化特征的时序特征盘，并获得两者的可视特征图；
5、步骤s3：在可视特征图中分别获得
6、进一步的，对计算机系统的运行数据和流量数据进行采集的过程包括：
7、设置采集单元，通过所述采集单元对计算机系统的运行数据进行采集，所述运行数据包括硬件性能指标、软件性能指标、网络性能指标，通过所述采集单元对计算机系统的流量数据进行采集，所述流量数据包括数据包信息、连接和流量模式、服务质量指标。
8、进一步的，获得计算机系统的运行时序特征和流量时序特征的过程包括：
9、对所采集的运行数据进行时间序列分解，将所采集的运行数据按照其采集时间进行划分，将同一时间段所采集的运行数据划分入同一个集合，并将该集合标记为相应时间段的运行时序特征，采取同样的方法根据流量数据获得相应时间段的流量时序特征。
10、进一步的，将所获得的运行时序特征和流量时序特征分为可量化特征和不可量化特征，并获得不可量化特征的标准时序特征的过程包括：
11、以所获得的运行时序特征和流量时序特征中是否存在数字为标准，将两者分为可量化特征和不可量化特征，获得不可量化特征的标准时序特征以提供对比，所述标准时序特征是指计算机系统在非工作状态下的运行数据和流量数据，分别标记为运行标准特征和流量标准特征。
12、进一步的，分别构建可量化特征和不可量化特征的时序特征盘，并获得两者的可视特征图的过程包括：
13、对于可量化特征，获得该可量化特征的特征数量，根据所获得的特征数量构建相应的正多边形，将该可量化特征的每项特征分别对应正多边形的一个顶点，在正多边形的中心与各个顶点之间分别建立相应特征的坐标轴以获得该可量化特征的时序特征盘，将该可量化特征的各项特征的数字分别输入至相应的坐标轴以获得坐标点，将所获得的多个坐标点依次进行连接以获得该可量化特征的可视特征图形；
14、对于不可量化特征，采取同样的方法构建该不可量化特征的时序特征盘，将不可量化特征与其相应的标准时序特征进行比较，获得两者的文本相似度，将所获得的文本相似度分别输入至相应的坐标轴以获得坐标点，采取同样的方法获得该不可量化特征可视特征图。
15、进一步的，在可视特征图中分别获得可量化特征和不可量化特征的可视特征点，并结合历史数据获得异常特征点集合的过程包括：
16、获得各个可视特征图的中心，将可视特征图的中心作为可量化特征和不可量化特征的可视特征点，通过可视特征点在时序特征盘内的位置来反映不同特征之间的差异；
17、获得计算机系统的历史数据，所述历史数据是指被检测为故障的运行数据和流量数据，采取同样的方法获得历史数据的可视特征点，根据各项历史数据的可视特征点获得异常特征点集合，所述异常特征点集合内包含有不同时间段、不同特征的时序特征盘以及可视特征图、可视特征点。
18、进一步的，根据所获得的异常特征点集合构建深度递归网络模型的过程包括：
19、选择深度递归网络模型作为初始的故障检测模型，利用所获得的异常特征点集合对初始的故障检测模型进行训练和评估，通过学习其中可视特征点在时序特征盘中的分布位置与历史数据的对应关系以获得最新的故障检测模型，所述故障检测模型用于获得所输入的运行数据和流量数据的时序特征盘和可视特征点，并对其是否存在故障进行检测。
20、进一步的，获得计算机系统的当前运行数据和当前流量数据，利用所构建的深度递归网络模型对计算机系统是否存在故障进行检测，生成故障信号并反馈的过程包括：
21、获得计算机系统的当前运行数据和当前流量数据，将当前运行数据和当前流量数据输入至故障检测模型，通过所述故障检测模型对当前运行数据和当前流量数据中的各类特征进行提取，并获得各类特征的当前可视特征点，将所获得的当前可视特征点与相应时间段、相同特征的异常特征点集合进行比较；
22、根据异常特征点集合获得各类特征的异常特征区，将各类特征的当前可视特征点与其相应的异常特征区进行比较，根据比较结果获得存在故障的各类特征，生成相应的故障信号并反馈至相关人员处。
23、与现有技术相比，本专利技术的有益效果是：
24、1、本专利技术不仅将常见的运行数据和流量数据分为不同时间段的运行时序特征和流量时序特征进行处理，还将其分为可量化特征和不可量化特征进行处理，将两者在数据类型上的差异均转换为同样的量化处理，能够有效的提高数据处理的效率，通过构建可量化特征和不可量化特征的时序特征盘，并获得相应的可视特征图，能够将复杂的运行数据和流量数据以图形的方式呈现出来；
25、2、根据所获得的可视特征图获得各类特征的可视特征点，结合被检测为故障的历史数据获得异常特征点集合，能够直观地获得计算机系统处于故障状态时各类特征的可视特征点的分布情况，有利于根据历史数据获得故障数据的分布特征，即异常特征区，以此为基础对后续的运行数据和流量数据进行检测，当其处于异常特征区，便能够初步判断计算机系统存在故障，通知相关人员对其进行进一步的确定并处理。
本文档来自技高网...【技术保护点】
1.一种基于深度递归网络的大数据计算机系统故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度递归网络的大数据计算机系统故障检测方法，其特征在于，对计算机系统的运行数据和流量数据进行采集的过程包括：
3.根据权利要求2所述的一种基于深度递归网络的大数据计算机系统故障检测方法，其特征在于，获得计算机系统的运行时序特征和流量时序特征的过程包括：
4.根据权利要求3所述的一种基于深度递归网络的大数据计算机系统故障检测方法，其特征在于，将所获得的运行时序特征和流量时序特征分为可量化特征和不可量化特征，并获得不可量化特征的标准时序特征的过程包括：
5.根据权利要求4所述的一种基于深度递归网络的大数据计算机系统故障检测方法，其特征在于，分别构建可量化特征和不可量化特征的时序特征盘，并获得两者的可视特征图的过程包括：
6.根据权利要求5所述的一种基于深度递归网络的大数据计算机系统故障检测方法，其特征在于，在可视特征图中分别获得可量化特征和不可量化特征的可视特征点，并结合历史数据获得异常特征点集合的过程包括：<...
【技术特征摘要】
1.一种基于深度递归网络的大数据计算机系统故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度递归网络的大数据计算机系统故障检测方法，其特征在于，对计算机系统的运行数据和流量数据进行采集的过程包括：
3.根据权利要求2所述的一种基于深度递归网络的大数据计算机系统故障检测方法，其特征在于，获得计算机系统的运行时序特征和流量时序特征的过程包括：
4.根据权利要求3所述的一种基于深度递归网络的大数据计算机系统故障检测方法，其特征在于，将所获得的运行时序特征和流量时序特征分为可量化特征和不可量化特征，并获得不可量化特征的标准时序特征的过程包括：
5.根据权利要求4所述的一种基于深度递归网络的大数据计算机系统故障检测方法，其...
【专利技术属性】
技术研发人员：王建成，叶荣辉，谢扬海，
申请(专利权)人：国富瑞福建信息技术产业园有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。