當(dāng)今社會(huì)科技發(fā)展非常迅速,在人們的生產(chǎn)生活中,網(wǎng)絡(luò)系統(tǒng)已經(jīng)無處不在,人們利用網(wǎng)絡(luò)可以提高工作的效率,可以豐富日常生活,網(wǎng)絡(luò)為人類的生產(chǎn)生活帶來了重大的改變,做出了重要的貢獻(xiàn)。正是由于網(wǎng)絡(luò)的人們的作用越來越大,網(wǎng)絡(luò)的自身的規(guī)模也是越來越大,結(jié)構(gòu)越來越復(fù)雜,數(shù)據(jù)量也是非常地龐大,所以當(dāng)網(wǎng)絡(luò)發(fā)生故障時(shí),維修的難度也會(huì)加大,如果網(wǎng)絡(luò)從發(fā)生故障到恢復(fù)正常工作的時(shí)間很久,就會(huì)給人類帶來重大的損失,因此如何減少網(wǎng)絡(luò)故障導(dǎo)致的損失成為人們研究的重要課題。近年來針對(duì)故障預(yù)測技術(shù)的研究越來越多,故障預(yù)測技術(shù)能夠提前發(fā)現(xiàn)網(wǎng)絡(luò)可能發(fā)生的故障,能夠讓人們提前為維修網(wǎng)絡(luò)故障做準(zhǔn)備,減少網(wǎng)絡(luò)恢復(fù)工作的時(shí)間,從而減少因網(wǎng)絡(luò)故障導(dǎo)致的損失。但大多數(shù)是針對(duì)告警數(shù)據(jù)這樣的結(jié)構(gòu)化數(shù)據(jù),而像日志這樣的非結(jié)構(gòu)化數(shù)據(jù)研究的不多,而日志是系統(tǒng)每時(shí)每刻都在產(chǎn)生的數(shù)據(jù),因此其中隱藏了大量的反映系統(tǒng)運(yùn)行狀態(tài)的信息,具有很好的研究價(jià)值,因此本文提出了一種基于混合神經(jīng)網(wǎng)絡(luò)的故障預(yù)測技術(shù),主要內(nèi)容如下:1.數(shù)據(jù)預(yù)處理,由于本文采用的日志是非結(jié)構(gòu)化的,并不像結(jié)構(gòu)化的數(shù)據(jù)一樣非�！案蓛簟�,非結(jié)構(gòu)化的日志會(huì)有一些無用的符號(hào)和信息,在將日志輸入到預(yù)測模...

【文章頁數(shù)】：56 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
專用術(shù)語注釋表
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 故障管理方法的研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)的研究現(xiàn)狀
    1.3 論文的主要內(nèi)容
第二章 相關(guān)背景知識(shí)介紹
    2.1 故障預(yù)測概念
    2.2 故障預(yù)測技術(shù)的發(fā)展
        2.2.1 統(tǒng)計(jì)預(yù)測技術(shù)
        2.2.2 數(shù)學(xué)預(yù)測技術(shù)
        2.2.3 智能預(yù)測技術(shù)
    2.3 深度學(xué)習(xí)概述
        2.3.1 神經(jīng)元
        2.3.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.3 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.3.4 Dropout技術(shù)
        2.3.5 激活函數(shù)
    2.4 本章小結(jié)
第三章 基于CNN的故障預(yù)測模型
    3.1 對(duì)比算法介紹
    3.2 基于CNN預(yù)測模型整體算法思路
    3.3 日志數(shù)據(jù)預(yù)處理
    3.4 CNN故障預(yù)測模型的結(jié)構(gòu)
        3.4.1 詞嵌入層
        3.4.2 卷積層和池化層
        3.4.3 全連接層
    3.5 故障預(yù)測模型訓(xùn)練
    3.6 實(shí)驗(yàn)結(jié)果及分析
        3.6.1 實(shí)驗(yàn)環(huán)境及數(shù)據(jù)集
        3.6.2 評(píng)價(jià)指標(biāo)
        3.6.3 仿真結(jié)果
        3.6.4 分析與總結(jié)
    3.7 本章小結(jié)
第四章 基于CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)的故障預(yù)測
    4.1 長短期記憶網(wǎng)絡(luò)
        4.1.1 LSTM工作原理
    4.2 CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    4.3 實(shí)驗(yàn)結(jié)果及分析
        4.3.1 實(shí)驗(yàn)環(huán)境及數(shù)據(jù)介紹
        4.3.2 不同LSTM層數(shù)對(duì)預(yù)測性能的影響
        4.3.3 不同滑動(dòng)窗口長度對(duì)預(yù)測性能的影響
        4.3.4 分析與總結(jié)
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 研究成果
    5.2 研究工作展望
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間撰寫的論文
致謝



本文編號(hào)：3839912