模型的确定方法、内存故障预测方法、装置、介质及设备与流程

本发明涉及计算机，尤其涉及模型的确定方法、内存故障预测方法、装置、介质及设备。

背景技术：

1、设备内存中可能存在的故障包括可恢复性故障和不可恢复性故障，其中，不可恢复性故障一般会导致设备宕机，影响设备运行。对设备进行内存故障的预测能够对可能发生的不可恢复性故障进行预测，便于对内存中数据进行备份以及对内存进行维护等操作，降低故障风险。

2、在实现本发明的过程中，发现现有技术中至少存在以下技术问题：目前通过机器学习模型对内存故障进行预测，但是进行故障预测的数据特征与内存故障的相关性普遍不高，导致影响内存预测的准确度。

技术实现思路

1、本发明提供了模型的确定方法、内存故障预测方法、装置、介质及设备，以提高内存预测的准确性。

2、根据本发明的一方面，提供了一种内存故障预测模型的确定方法，包括：

3、获取内存原始数据，基于多种聚合参数项的至少部分维度、内存结构信息和数据类型信息对所述内存原始数据进行多维度聚合处理，得到初始聚合特征；

4、基于所述初始聚合特征与内存故障的相关性对所述初始聚合特征进行筛选，得到筛选聚合特征，不同数量的筛选聚合特征形成不同的特征组；

5、基于每一所述特征组训练得到至少一个候选模型，对各所述候选模型进行指标验证，基于所述候选模型的指标数据在多个所述候选模型中确定内存故障预测模型，以及确定所述内存故障预测模型对应特征组中的目标聚合特征。

6、可选的，所述多维度聚合处理包括结构内多维度聚合和/或结构间多维度聚合；

7、所述结构内多维度聚合包括：基于所述内存结构信息、所述数据类型信息和至少部分所述聚合参数项的聚合方式；和/或，在特定内存结构中，基于所述数据类型信息和至少部分所述聚合参数项聚合方式；

8、所述结构间多维度聚合包括：基于所述内存结构信息中任意两个内存结构、所述数据类型信息和至少部分所述聚合参数项的聚合方式。

9、可选的，所述基于多种聚合参数项的至少部分维度、内存结构信息和数据类型信息对所述内存原始数据进行多维度聚合处理，得到初始聚合特征，包括：对于任一所述聚合方式，遍历所述聚合方式中多个维度的可选维度信息，基于所述多个维度分别对应的一可选维度信息，形成所述聚合方式下的一初始聚合特征。

10、可选的，所述内存原始数据包括内存故障设备的第一内存原始数据和非内存故障设备的第二内存原始数据；

11、所述方法还包括：对基于所述第一内存原始数据得到的所述初始聚合特征设置故障标签；对基于所述第二内存原始数据得到的所述初始聚合特征设置非故障标签；基于所述初始聚合特征和对应的标签进行相关性计算，确定所述初始聚合特征与内存故障的相关性。

12、可选的，所述基于所述初始聚合特征与内存故障的相关性对所述初始聚合特征进行筛选，得到筛选聚合特征，不同数量的筛选聚合特征形成不同的特征组，包括：基于所述初始聚合特征与内存故障的相关性对所述初始聚合特征进行排序，基于特征筛选数量和所述初始聚合特征的排序确定筛选聚合特征，其中，所述特征筛选数量的筛选聚合特征形成一特征组。

13、可选的，所述特征组的数量为多个；

14、所述基于每一所述特征组训练得到至少一个候选模型，对各所述候选模型进行指标验证，基于所述候选模型的指标数据在多个所述候选模型中确定内存故障预测模型，以及确定所述内存故障预测模型对应特征组中的目标聚合特征，包括：基于每一所述特征组分别采集样本数据，基于每一特征组对应的所述样本数据对所述至少一个初始模型分别进行训练，得到至少一个训练好的候选模型；基于预设评价指标对所述候选模型分别进行指标校验，得到所述候选模型的指标数据；基于所述候选模型的指标数据在多个所述候选模型中确定内存故障预测模型，并将所述内存故障预测模型对应的特征组中的筛选聚合特征确定为所述内存故障预测模型对应的目标聚合特征。

15、根据本发明的另一方面，提供了一种内存故障预测方法，包括：

16、获取待检测设备的原始内存数据；基于内存故障预测模型对应的目标聚合特征对所述原始内存数据进行聚合处理，得到待处理特征数据；基于所述内存故障预测模型对所述待处理特征数据进行预测处理，得到所述待检测设备的内存故障预测结果。其中，所述内存故障预测模型以及所述目标聚合特征基于本发明实施例提供的内存故障预测模型的确定方法得到。

17、根据本发明的另一方面，提供了一种内存故障预测模型的确定装置，包括：

18、特征聚合模块，用于获取内存原始数据，基于多种聚合参数项的至少部分维度、内存结构信息和数据类型信息对所述内存原始数据进行多维度聚合处理，得到初始聚合特征；

19、特征筛选模块，用于基于所述初始聚合特征与内存故障的相关性对所述初始聚合特征进行筛选，得到筛选聚合特征，不同数量的筛选聚合特征形成不同的特征组；

20、模型确定模块，用于基于每一所述特征组训练得到至少一个候选模型，对各所述候选模型进行指标验证，基于所述候选模型的指标数据在多个所述候选模型中确定内存故障预测模型，以及确定所述内存故障预测模型对应特征组中的目标聚合特征。

21、根据本发明的另一方面，提供了一种内存故障预测装置，包括：

22、数据获取模块，用于获取待检测设备的原始内存数据；

23、数据处理模块，用于基于内存故障预测模型对应的目标聚合特征对所述原始内存数据进行聚合处理，得到待处理特征数据；

24、故障预测模块，用于基于所述内存故障预测模型对所述待处理特征数据进行预测处理，得到所述待检测设备的内存故障预测结果。其中，所述内存故障预测模型以及所述目标聚合特征基于本发明实施例提供的内存故障预测模型的确定方法得到。

25、根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

26、至少一个处理器；以及

27、与所述至少一个处理器通信连接的存储器；其中，

28、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的内存故障预测模型的确定方法，和/或，内存故障预测方法。

29、根据本发明的另一方面，提供了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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的内存故障预测模型的确定方法，和/或，内存故障预测方法。

30、本发明实施例的技术方案，通过对内存原始数据进行多维度聚合处理，得到初始聚合特征，实现特征衍生，提高特征全面性和多样性。通过初始聚合特征对内存故障的相关性对初始聚合特征进行特征筛选，以保证筛选出特征与内存故障具有较强的相关性，为内存故障的预测提供贡献，进一步，从特征角度上提高内存故障预测的准确性。通过高相关性的筛选聚合特征对候选模型进行评价，以确定高性能的内存故障预测模型，提高内存预测准确性。

31、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。