一种基于差分编码的服务器故障预测方法及系统与流程

本发明涉及服务器故障预测，尤其涉及一种基于差分编码的服务器故障预测方法及系统。

背景技术：

1、随着网络技术的快速发展，网络业务逐渐暴涨，服务器的数量也逐年增多。服务器依靠强大的cpu算力、优秀的兼容性在科技发展的道路上占有一席之地，但是老旧的、负载大的服务器容易出现各种各样的故障，突然的故障和宕机可能会导致重大生产事故，增加企业的沉默成本。

2、传统的服务器检修都是在服务器发生故障之后，人为的分析故障类型并解决；或者设置固定期限进行检修，这样不仅影响生产效率而且成本比较高。而现有的故障预测技术更多的是采用机器学习的方法，无法学习、训练、检测大规模的数据集，导致服务器故障预测的准确率和效率都极低。

3、当前采用的技术一般是基于支持向量机对不同故障类型的数据集进行训练，得到参数集之后对实时采集到的数据进行预测，得到服务器故障的概率数据，根据概率数据是否超出预设的阈值来判断故障是否发生，然而这种人为进行阈值的设置容易存在较大误差，不同的阈值可能会出现不同的预测结果，无法保证模型预测的准确度。

技术实现思路

1、本发明旨在至少解决相关技术中存在的技术问题之一。为此，本发明提供一种基于差分编码的服务器故障预测方法及系统。

2、本发明提供一种基于差分编码的服务器故障预测方法，包括：

3、s1：采集服务器历史数据集，将所述历史数据集划分为训练集与测试集，所述训练集包括服务器的所有故障异常数据；

4、s2：通过训练模型训练所述历史数据集，获得训练参数集；

5、s3：采集服务器的实时数据，在单位时间段内根据所述实时数据构建时间序列数据集，并将所述时间序列数据集转换为图像数据集；

6、s4：将所述图像数据集进行差分脉冲编码，获得编码数据集；

7、s5：根据所述训练参数集将所述编码数据集进行深度分离卷积，获得预测数据，根据所述预测数据计算获得预测误差；

8、s6：将所述预测误差进行均匀量化，获得量化均方误差，根据所述量化均方误差对服务器进行故障预测。

9、根据本发明提供的一种基于差分编码的服务器故障预测方法，步骤s3还包括：

10、s31：通过高斯模糊，将所述图像数据集在尺度空间中平滑化。

11、根据本发明提供的一种基于差分编码的服务器故障预测方法，步骤s5中用于深度分离卷积的所述训练参数集包括：训练次数、学习率、学习衰减率、调节参数及训练批次。

12、根据本发明提供的一种基于差分编码的服务器故障预测方法，步骤s5中，用于深度分离卷积的卷积网络中的编码器的学习权重及解码器的学习权重均为所述调节参数。

13、根据本发明提供的一种基于差分编码的服务器故障预测方法，步骤s5中，用于深度分离卷积的卷积网络中的解码器的预测器为全零点预测器。

14、根据本发明提供的一种基于差分编码的服务器故障预测方法，步骤s5中的所述预测数据的表达式为：

15、

16、其中，为预测数据，m为深度分离卷积过程中量化后的差值数据总数，i为深度分离卷积过程中量化后的差值数据索引值，t为虚变量，bi为差值数据权重，eq表示量化差值数据运算。

17、根据本发明提供的一种基于差分编码的服务器故障预测方法，步骤s6中的所述量化均方误差的表达式为：

18、

19、

20、其中，mse为量化均方误差，e为期望值，e(t)为预测误差，f(t)为模型初始输入数据。

21、根据本发明提供的一种基于差分编码的服务器故障预测方法，步骤s4中，对所述图像数据集进行差分脉冲编码的特征提取网络为resnext101网络。

22、根据本发明提供的一种基于差分编码的服务器故障预测方法，步骤s4中的所述编码数据集的表达式为：

23、

24、其中，r(x)为编码数据集中的特征，k为特征提取网络层数，c为特征提取网络的网络结构维度，hk(x)为任意转换函数，所述任意转换函数表示将隐含层的数据投影至低维空间。

25、本发明还提供一种基于差分编码的服务器故障预测系统，用以执行如以上任一项所述的基于差分编码的服务器故障预测方法，其特征在于，包括：

26、历史数据模块：用于采集服务器历史数据集，采集服务器的实时数据并将所述历史数据集划分为训练集与测试集；

27、训练参数模块：用于通过训练模型训练所述历史数据集，获得训练参数集；

28、实时数据模块：用于采集服务器的实时数据，在单位时间段内根据所述实时数据构建时间序列数据集，并将所述时间序列数据集转换为图像数据集；

29、深度卷积模块：用于将所述图像数据集进行差分脉冲编码，获得编码数据集；还用于根据所述训练参数集将所述编码数据集进行深度分离卷积，获得预测数据，根据所述预测数据计算获得预测误差；

30、故障预测模块：用于将所述预测误差进行均匀量化，获得量化均方误差，根据所述量化均方误差对服务器进行故障预测。

31、本发明提供的一种基于差分编码的服务器故障预测方法及系统，通过历史数据训练故障预测模型，获得模型参数集，而后将实时采集到的服务器数据输入至故障预测模型以实现故障预测，通过差分编码器中的多层网络实现线性回归，利用卷积神经网络提高数据特征提取的准确度，从而提高服务器故障预测的准确率和效率，本发明不仅可以帮助运维人员减少检测故障和修复故障的时间成本，并且采取预防而非补救的方式，可以显著提高服务器运行的稳定性和高可用性，减少停机带来的企业损失，提高系统的整体性能和可用性。

32、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术特征：

1.一种基于差分编码的服务器故障预测方法，其特征在于，包括：

2.根据权利要求1所述的一种基于差分编码的服务器故障预测方法，其特征在于，步骤s3还包括：

3.根据权利要求1所述的一种基于差分编码的服务器故障预测方法，其特征在于，步骤s5中用于深度分离卷积的所述训练参数集包括：训练次数、学习率、学习衰减率、调节参数及训练批次。

4.根据权利要求3所述的一种基于差分编码的服务器故障预测方法，其特征在于，步骤s5中，用于深度分离卷积的卷积网络中的编码器的学习权重及解码器的学习权重均为所述调节参数。

5.根据权利要求1所述的一种基于差分编码的服务器故障预测方法，其特征在于，步骤s5中，用于深度分离卷积的卷积网络中的解码器的预测器为全零点预测器。

6.根据权利要求1所述的一种基于差分编码的服务器故障预测方法，其特征在于，步骤s5中的所述预测数据的表达式为：

7.根据权利要求6所述的一种基于差分编码的服务器故障预测方法，其特征在于，步骤s6中的所述量化均方误差的表达式为：

8.根据权利要求1所述的一种基于差分编码的服务器故障预测方法，其特征在于，步骤s4中，对所述图像数据集进行差分脉冲编码的特征提取网络为resnext101网络。

9.根据权利要求1所述的一种基于差分编码的服务器故障预测方法，其特征在于，步骤s4中的所述编码数据集的表达式为：

10.一种基于差分编码的服务器故障预测系统，用以执行如权利要求1至9任一项所述的基于差分编码的服务器故障预测方法，其特征在于，包括：

技术总结
本发明涉及服务器故障预测技术领域，提供一种基于差分编码的服务器故障预测方法及系统。该包括：采集服务器历史数据集，分为测试集和包括服务器的所有故障异常数据训练集；通过训练模型训练历史数据集，获得训练参数集；采集服务器的实时数据，在单位时间段内根据实时数据构建时间序列数据集，并转换为图像数据集；将图像数据集进行差分脉冲编码，获得编码数据集；根据训练参数集将编码数据集进行深度分离卷积，获得预测数据，根据预测数据计算获得预测误差；将预测误差进行均匀量化，获得量化均方误差以对服务器进行故障预测。本发明可以减少系统预测过程的复杂度，降低计算量，从而提高服务器故障预测的效率，保证在故障之前达到预警的效果。

技术研发人员：张倩倩,唐海莲,邹武
受保护的技术使用者：天翼云科技有限公司
技术研发日：
技术公布日：2024/4/17