本發(fā)明屬于計(jì)算機(jī)故障診斷，尤其涉及基于循環(huán)神經(jīng)網(wǎng)絡(luò)的服務(wù)器硬件故障預(yù)警系統(tǒng)及方法。

背景技術(shù)：

1、服務(wù)器的硬件故障是指服務(wù)器系統(tǒng)的硬件如元器件、集成電路等發(fā)生實(shí)質(zhì)性的故障。在大規(guī)模數(shù)據(jù)中心和企業(yè)級服務(wù)器環(huán)境中，硬件故障是一項(xiàng)常見而嚴(yán)重的問題。硬件故障不僅會導(dǎo)致服務(wù)器停機(jī)和數(shù)據(jù)丟失，還會造成生產(chǎn)損失和維護(hù)成本的增加。

2、現(xiàn)有的服務(wù)器硬件故障預(yù)警系統(tǒng)往往存在以下挑戰(zhàn)和限制：第一，許多預(yù)警系統(tǒng)依賴于靜態(tài)規(guī)則和預(yù)設(shè)的閾值來判斷硬件故障，缺乏對系統(tǒng)動態(tài)變化的適應(yīng)性。第二，一些預(yù)警系統(tǒng)采用簡單的算法，如閾值判斷或規(guī)則引擎，無法對復(fù)雜的故障模式和時(shí)序數(shù)據(jù)進(jìn)行有效處理。第三，服務(wù)器工作參數(shù)的時(shí)序數(shù)據(jù)通常具有復(fù)雜的特性，包括周期性變化、趨勢變化和異常突發(fā)，需要更復(fù)雜的分析方法來處理。第四，預(yù)警系統(tǒng)的準(zhǔn)確性和可靠性直接影響到故障的及時(shí)發(fā)現(xiàn)和處理，簡單的算法和規(guī)則可能導(dǎo)致誤報(bào)率較高或漏報(bào)現(xiàn)象。

3、現(xiàn)有的對服務(wù)器硬件故障進(jìn)行預(yù)警的系統(tǒng)包括基于閾值的靜態(tài)規(guī)則系統(tǒng)：許多預(yù)警系統(tǒng)采用固定的閾值來監(jiān)測服務(wù)器工作參數(shù)，一旦超過設(shè)定的閾值就觸發(fā)預(yù)警。這種方法簡單直觀，但缺乏靈活性和適應(yīng)性，無法應(yīng)對復(fù)雜的故障模式。

4、基于統(tǒng)計(jì)模型的預(yù)測系統(tǒng)：采用統(tǒng)計(jì)模型和時(shí)間序列分析方法來預(yù)測服務(wù)器工作參數(shù)的變化趨勢和異常情況。雖然這些方法能夠一定程度上提高預(yù)測的準(zhǔn)確性，但對復(fù)雜的時(shí)序數(shù)據(jù)和異常模式處理能力有限。

5、因此，現(xiàn)有的服務(wù)器硬件故障預(yù)警系統(tǒng)存在的誤報(bào)率較高或漏報(bào)現(xiàn)象，缺乏靈活性和適應(yīng)性，無法應(yīng)對復(fù)雜的故障模式，準(zhǔn)確率低是目前亟需解決的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供通過一個(gè)掛載一個(gè)國產(chǎn)服務(wù)器的軟件故障預(yù)診斷方法及系統(tǒng)，在軟件故障出現(xiàn)之前進(jìn)行預(yù)測，提高服務(wù)器軟件診斷效率，以實(shí)現(xiàn)在軟件故障出現(xiàn)之前進(jìn)行軟件和服務(wù)器維護(hù)處理，降低軟件故障出現(xiàn)的概率。

2、第一方面，提供基于循環(huán)神經(jīng)網(wǎng)絡(luò)的服務(wù)器硬件故障預(yù)警方法，包括以下步驟：

3、s1：構(gòu)建服務(wù)器硬件故障預(yù)警模型；

4、s2：對服務(wù)器各關(guān)鍵組件的時(shí)序工作數(shù)據(jù)進(jìn)行實(shí)時(shí)采集，并對采集的時(shí)序工作數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，并輸入至服務(wù)器硬件故障預(yù)警模型進(jìn)行訓(xùn)練；

5、s3：通過服務(wù)器硬件故障預(yù)警模型提取各組件的時(shí)序工作數(shù)據(jù)的故障特征；

6、s4：對服務(wù)器硬件故障預(yù)警模型提取的各組件的時(shí)序工作數(shù)據(jù)的故障特征初始化權(quán)重和閾值；

7、s5：對各組件的時(shí)序工作數(shù)據(jù)的故障特征的權(quán)重和閾值進(jìn)行優(yōu)化；

8、s6：輸入實(shí)時(shí)工作數(shù)據(jù)至服務(wù)器硬件故障預(yù)警模型，實(shí)時(shí)輸出服務(wù)器硬件故障預(yù)測結(jié)果。

9、優(yōu)選的，在步驟s1中構(gòu)建的服務(wù)器硬件故障預(yù)警模型包括輸入層、隱藏層和輸出層，其給定序列輸入學(xué)習(xí)數(shù)據(jù)為：

10、x＝{x1+x2+···+xt}；

11、其中，x1、x2···xt為時(shí)間序列數(shù)據(jù)，t為輸入學(xué)習(xí)數(shù)據(jù)的展開長度；

12、在時(shí)間t中的循環(huán)單元的公式為：

13、st＝f(w*s(t-1)，u*xt)；

14、其中，st為隱藏層，t為循環(huán)單元時(shí)刻；s(t-1)當(dāng)前時(shí)間的st前一個(gè)時(shí)間步的隱藏層，st需要使用前一個(gè)時(shí)間步的s(t-1)，f為封裝的前饋神經(jīng)網(wǎng)絡(luò)，w和u分別為s(t-1)和xt。

15、優(yōu)選的，步驟s2中的對數(shù)據(jù)進(jìn)行預(yù)處理的過程如下：

16、s21：對采集的時(shí)序工作數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗處理，清理的數(shù)據(jù)包括重復(fù)數(shù)據(jù)、無效數(shù)據(jù)：

17、s22：對清洗處理后的時(shí)序工作數(shù)據(jù)進(jìn)行數(shù)據(jù)轉(zhuǎn)化處理；

18、s23：對數(shù)據(jù)轉(zhuǎn)化處理后的時(shí)序工作數(shù)據(jù)進(jìn)行數(shù)據(jù)歸一化處理。

19、優(yōu)選的，步驟s4中對提取的各組件的時(shí)序工作數(shù)據(jù)的故障特征初始化權(quán)重和閾值的過程即對各組件的故障特征賦予預(yù)設(shè)的初始權(quán)重和閾值。

20、優(yōu)選的，步驟s5對各組件的時(shí)序工作數(shù)據(jù)的故障特征的權(quán)重和閾值進(jìn)行優(yōu)化的具體過程如下：

21、s51：設(shè)置模型的學(xué)習(xí)率、迭代次數(shù)和誤差精度；

22、s52：初始化各故障特征的的權(quán)重和閾值；

23、s53：計(jì)算當(dāng)前時(shí)間步的隱含層的輸入和輸出；

24、s54：計(jì)算當(dāng)前時(shí)間步的輸出層的輸入和輸出；

25、s55：計(jì)算當(dāng)前時(shí)間步的全局誤差；

26、s56：基于下一個(gè)時(shí)間步，執(zhí)行步驟s53，判斷全局誤差是否小于誤差精度，若是，輸出當(dāng)前權(quán)重和閾值，若否，更新當(dāng)前權(quán)重和閾值后重新執(zhí)行步驟s53。

27、優(yōu)選的，步驟s6中的服務(wù)器硬件故障預(yù)測結(jié)果包括服務(wù)器硬件正常和服務(wù)器硬件故障，服務(wù)器硬件故障的數(shù)據(jù)包括故障類別對應(yīng)的嚴(yán)重程度，嚴(yán)重程度包括輕級、中級和重級。

28、優(yōu)選的，在步驟s5后，還要對服務(wù)器故障預(yù)測模型的預(yù)測性進(jìn)行評估，評估指標(biāo)包括故障檢測率、誤報(bào)率、虛報(bào)率和漏報(bào)率；

29、其中故障檢測率是指某一類別中預(yù)測正確的數(shù)量占同類別的總數(shù)量的比例；誤報(bào)率表示某類別故障被預(yù)測稱其他故障的數(shù)量的比例；虛報(bào)率指的是示正常樣本被診斷為某類故障的百分比；漏報(bào)率是指某類故障被診斷為無故障的百分比。

30、第二方面，提供基于循環(huán)神經(jīng)網(wǎng)絡(luò)的服務(wù)器硬件故障預(yù)警系統(tǒng)，用于實(shí)現(xiàn)任意一項(xiàng)所述的基于循環(huán)神經(jīng)網(wǎng)絡(luò)的服務(wù)器硬件故障預(yù)警方法，包括數(shù)據(jù)采集模塊、模型構(gòu)建模塊、模型優(yōu)化模塊和預(yù)警模塊；

31、所述數(shù)據(jù)采集模塊，用于采集服務(wù)器各關(guān)鍵組件的時(shí)序工作數(shù)據(jù)；

32、所述模型構(gòu)建模塊，用于構(gòu)建服務(wù)器硬件故障預(yù)測模型；

33、所述模型優(yōu)化模塊，用于對構(gòu)建的服務(wù)器硬件故障預(yù)測模型的各項(xiàng)參數(shù)進(jìn)行優(yōu)化；

34、所述預(yù)警模塊，用于基于服務(wù)器硬件故障預(yù)測模型輸出的服務(wù)器硬件故障預(yù)測結(jié)果，對存在硬件故障時(shí)進(jìn)行預(yù)警處理；

35、構(gòu)建的服務(wù)器硬件故障預(yù)測模型為循環(huán)神經(jīng)網(wǎng)絡(luò)模型。

36、優(yōu)選的，所述預(yù)警模塊的預(yù)警信息包括故障類型、故障的嚴(yán)重程度以及相應(yīng)的故障處理建議。

37、本發(fā)明的有益效果包括：

38、本發(fā)明提供的基于循環(huán)神經(jīng)網(wǎng)絡(luò)的服務(wù)器硬件故障預(yù)警系統(tǒng)及方法，構(gòu)建服務(wù)器硬件故障預(yù)警模型；對服務(wù)器各關(guān)鍵組件的時(shí)序工作數(shù)據(jù)進(jìn)行實(shí)時(shí)采集，并對采集的時(shí)序工作數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，輸入至服務(wù)器硬件故障預(yù)警模型進(jìn)行訓(xùn)練；提取各組件的時(shí)序工作數(shù)據(jù)的故障特征；對服務(wù)器硬件故障預(yù)警模型提取的各組件的時(shí)序工作數(shù)據(jù)的故障特征初始化權(quán)重和閾值；對各組件的時(shí)序工作數(shù)據(jù)的故障特征的權(quán)重和閾值進(jìn)行優(yōu)化；輸入實(shí)時(shí)工作數(shù)據(jù)至服務(wù)器硬件故障預(yù)警模型，實(shí)時(shí)輸出服務(wù)器硬件故障預(yù)測結(jié)果。

39、提供了更精準(zhǔn)的服務(wù)器故障預(yù)測能力，并且能夠更及時(shí)地得到硬件故障結(jié)果，具備動態(tài)適應(yīng)能力，能夠?qū)ο嚓P(guān)參數(shù)進(jìn)行動態(tài)調(diào)整，增強(qiáng)了靈活性和實(shí)用性。由于系統(tǒng)能夠?qū)崟r(shí)采集、處理和分析服務(wù)器工作參數(shù)的時(shí)序數(shù)據(jù)，并通過智能算法進(jìn)行預(yù)測，能夠提供更高準(zhǔn)確性和更及時(shí)的預(yù)警通知，有效降低了誤報(bào)率和漏報(bào)率。預(yù)測結(jié)果包括故障類型、故障的嚴(yán)重程度以及相應(yīng)的故障處理建議，幫助管理員快速響應(yīng)和處理故障，提高了系統(tǒng)的可靠性和穩(wěn)定性。