【技术实现步骤摘要】
本专利技术属于机器学习和深度学习领域，具体涉及一种基于大数据的系统多故障检测方法。
技术介绍
1、随着信息技术的快速发展，现代系统变得越来越复杂，包含了大量的组件和模块，这些组件和模块之间存在着复杂的相互作用。这种复杂性使得系统中的故障不再是孤立事件，而是可能存在连锁反应，一个故障点可能会成为触发其他故障的导火索。这种现象被称为多故障现象，它不仅增加了系统运维的难度，还可能对系统的稳定性和可靠性造成严重影响。
2、现有的多故障检测方法引入大数据技术和机器学习算法。大数据技术可以处理和分析海量的数据，从中提取有用的特征和模式，为故障检测提供有力支持。同时，机器学习算法能够通过训练和学习，自动检测系统中可能出现的故障现象。大数据技术和机器学习算法的引入，使得故障检测不再依赖于人工设定的规则，而是可以通过算法自动发现潜在的故障模式。
3、在复杂系统中，故障不仅仅是静态发生的，通常存在时间依赖性。例如，一个故障可能会在某个时间点引发其他相关故障，或者多个故障在一定时间间隔内出现的概率较高。因此，构建标签关系图时，仅考虑标签的静态共现关系可能不足以全面捕捉故障之间的复杂互动。
4、因此，现有的方法不仅忽略了故障间的相关性和故障对应的特定特征，难以有效地将系统中多个故障同时检测出来，并且忽略了故障之间的动态关系。
技术实现思路
1、为解决以上现有技术的问题，本专利技术提出了一种基于大数据的系统多故障检测方法，包括：获取系统的历史数据，将历史数据输入训练好的系
2、所述系统多故障检测模型的训练过程包括：
3、s1、获取系统中每个服务器的历史数据，得到初始数据集；
4、s2、获取故障源，根据故障源对初始数据集中的初始数据进行特征衍生，得到结构化数据集；所述结构化数据集包括：特征向量矩阵和标签向量矩阵；
5、s3、根据结构化数据集构建动态标签关系图，所述动态标签关系图包括多个时间步的标签关系图；将动态标签关系图输入动态图神经网络，得到每个时间步的标签语义嵌入ht,t∈[1,t]；t为最后一个时间步；
6、s4、将标签语义嵌入ht和特征向量矩阵分别映射到潜在空间并进行哈达玛积，得到每个故障标签的特定特征表示；
7、s5、将故障标签的特定特征表示输入全连接层，得到分类结果；
8、s6、根据分类结果和每个时间步的标签语义嵌入ht计算损失函数值，根据损失函数值更新模型参数，当损失函数值最小时，完成模型训练。
9、根据故障源对初始数据集中的初始数据进行特征衍生包括：
10、s21、提取初始数据的统计特征、周期性特征以及文本特征，得到每个服务器的特征向量xk∈r1×d，将每个服务器的特征向量xk进行组合，得到特征向量矩阵x∈rm×d；
11、s22、对每个故障源进行编号，得到每个故障源的标签；
12、s23、根据初始数据提取服务器与故障源的关系，根据服务器与故障源的关系得到每个服务器的标签向量yk∈r1×q，将每个服务器的标签向量yk进行组合，得到标签向量矩阵y∈rm×q；
13、s24、将特征向量矩阵x和标签向量矩阵y进行组合，得到结构化数据集；
14、其中，d表示初始数据的特征数量，k表示服务器的索引，q为故障源的数量，m为服务器的数量。
15、根据结构化数据集构建动态标签关系图包括：
16、s31、将结构化数据集中每个时间步t的故障源的标签看作一个节点，得到节点集合vt；
17、s32、将结构化数据集中每个时间步t的故障源的标签之间的共现关系看作边，得到边集合et；
18、s33、根据节点集合vt和边集合et构建动态标签关系图gt＝(vt,et)。
19、动态图神经网络对动态标签关系图进行处理包括：
20、计算动态标签关系图的邻接矩阵，初始化动态标签关系图的节点特征矩阵，得到初始化后的节点特征矩阵，通过动态图神经网络结合邻接矩阵对初始化后的节点特征矩阵进行更新，得到每个时间步的节点特征矩阵，即每个时间步的标签语义嵌入。
21、计算动态标签关系图的邻接矩阵a(t)包括：
22、计算故障源的标签之间的对称时序共现概率，表示为：
23、
24、将对称时序共现概率作为邻接矩阵的值，得到邻接矩阵a(t)∈rq×q；
25、其中，li、lj分别表示第i、第j个故障源的标签，p(lj∣li,t)表示标签li在时间步t出现的情况下标签lj在时间间隔δt内出现的概率，p(li∣lj,t)]表示标签lj在时间步t出现的情况下标签li在时间间隔δt内出现的概率，q为故障源的数量。
26、初始化动态标签关系图的节点特征矩阵包括：
27、从历史数据中提取动态标签关系图的故障节点的特征，得到初始节点特征矩阵；所述特征包括：故障的类型、故障的严重程度以及故障的频率。
28、通过动态图神经网络结合邻接矩阵对初始化后的节点特征矩阵进行更新包括：
29、
30、其中，aij(t)为时间步t的邻接矩阵，为时间步t的节点i的特征向量，为时间步t节点i和节点j之间的注意力权重，n(i,t)为节点i在时间步t的邻居节点集合，w为动态图神经网络的权重，σ为激活函数。
31、将标签语义嵌入ht和特征向量矩阵分别映射到潜在空间并进行哈达玛积包括：
32、分别将标签语义嵌入ht和特征向量矩阵映射到潜在空间，得到标签语义嵌入的潜在空间表示和特征向量矩阵的潜在空间表示，对特征向量矩阵的潜在空间表示和标签语义嵌入的潜在空间表示进行哈达玛积，得到每个标签的特定特征表示。
33、损失函数l包括：
34、l＝lce+λllal
35、其中，lce表示分类结果的损失，llal表示标签对齐损失，λ表示平衡权重。
36、损失函数llal包括：
37、
38、其中，et为时间步t的边集合，为标签语义嵌入ht的节点i的特征向量，为标签语义嵌入ht的节点j的特征向量，为标签语义嵌入ht的节点i和节点j之间的注意力权重，yi、yj分别为标签向量矩阵的第i列和第j列。
39、有益效果：
40、1、本专利技术考虑标签出现的时间间隔和顺序，通过结构化数据集构造动态标签关系图，能够更精确地反映标签间的动态关系，有助于捕捉时间依赖性，提高故障检测模型的准确性和鲁棒性；2、本专利技术考虑标签在不同时间点的出现频率和关联性计算时序共现概率，能够识别出时间序列中的故障模式；3、本专利技术根据动态图神经网络更新动态标签关系图的节点特征得到标签语义嵌入，从而在捕捉故障标签空间中的拓扑关系的同时全面地捕捉了故障标签之间的时间依赖性和动态关系，能够更全面地捕捉故障标签之间的本文档来自技高网...
【技术保护点】
1.一种基于大数据的系统多故障检测方法，其特征在于，包括：获取系统的历史数据，将历史数据输入训练好的系统多故障检测模型，得到检测结果；所述系统多故障检测模型包括：动态图神经网络和全连接层；
2.根据权利要求1所述的一种基于大数据的系统多故障检测方法，其特征在于，根据故障源对初始数据集中的初始数据进行特征衍生包括：
3.根据权利要求1所述的一种基于大数据的系统多故障检测方法，其特征在于，根据结构化数据集构建动态标签关系图包括：
4.根据权利要求1所述的一种基于大数据的系统多故障检测方法，其特征在于，动态图神经网络对动态标签关系图进行处理包括：
5.根据权利要求4所述的一种基于大数据的系统多故障检测方法，其特征在于，计算动态标签关系图的邻接矩阵A(t)包括：
6.根据权利要求4所述的一种基于大数据的系统多故障检测方法，其特征在于，初始化动态标签关系图的节点特征矩阵包括：
7.根据权利要求4所述的一种基于大数据的系统多故障检测方法，其特征在于，通过动态图神经网络结合邻接矩阵对初始化后的节点特征矩阵进行更新包括：p>
8.根据权利要求1所述的一种基于大数据的系统多故障检测方法，其特征在于，将标签语义嵌入HT和特征向量矩阵分别映射到潜在空间并进行哈达玛积包括：
9.根据权利要求1所述的一种基于大数据的系统多故障检测方法，其特征在于，损失函数L包括：
10.根据权利要求9所述的一种基于大数据的系统多故障检测方法，其特征在于，损失函数LLAL包括：
...【技术特征摘要】
1.一种基于大数据的系统多故障检测方法，其特征在于，包括：获取系统的历史数据，将历史数据输入训练好的系统多故障检测模型，得到检测结果；所述系统多故障检测模型包括：动态图神经网络和全连接层；
2.根据权利要求1所述的一种基于大数据的系统多故障检测方法，其特征在于，根据故障源对初始数据集中的初始数据进行特征衍生包括：
3.根据权利要求1所述的一种基于大数据的系统多故障检测方法，其特征在于，根据结构化数据集构建动态标签关系图包括：
4.根据权利要求1所述的一种基于大数据的系统多故障检测方法，其特征在于，动态图神经网络对动态标签关系图进行处理包括：
5.根据权利要求4所述的一种基于大数据的系统多故障检测方法，其特征在于，计算动态标签...
【专利技术属性】
技术研发人员：魏柄坤，周翱，刘彬，黄昌豪，彭兆阳，
申请(专利权)人：重庆邮电大学，
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。