傳統(tǒng)的故障研究,大多使用規(guī)則事件分析、關(guān)聯(lián)分析等方法分析關(guān)鍵指標(biāo)、詳細(xì)記錄,極大地依賴于專業(yè)工作者的手動提取�，F(xiàn)有網(wǎng)絡(luò)系統(tǒng)中數(shù)據(jù)總量激增,且有豐富的可挖掘信息,而日志的半結(jié)構(gòu)化的特性造成自動處理困難。針對這一問題,提出了一種基于深度學(xué)習(xí)的網(wǎng)絡(luò)故障預(yù)測方法。該方法利用滑動窗口從日志數(shù)據(jù)中獲取訓(xùn)練集和測試集需要的樣本文本,利用卷積神經(jīng)網(wǎng)絡(luò)算法(convolutional neural networks,CNN)實現(xiàn)對當(dāng)前序列和日志標(biāo)簽的故障分析。在此基礎(chǔ)上,使用隨機(jī)梯度下降方法優(yōu)化訓(xùn)練模型,優(yōu)化時通過檢測目標(biāo)函數(shù)值隨時間的學(xué)習(xí)曲線來選擇學(xué)習(xí)率。實驗使用的是一套故障預(yù)測系統(tǒng),包含原始數(shù)據(jù)預(yù)處理、預(yù)測模型的搭建和基于數(shù)據(jù)樣本的模型訓(xùn)練。在模型做成后,測試不同滑動窗口大小下的預(yù)測性能,并進(jìn)行對比研究。實驗結(jié)果表明,與傳統(tǒng)算法相比,改進(jìn)后的預(yù)測方法在各項分析指標(biāo)上具有較好的準(zhǔn)確性。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1故障預(yù)測算法改進(jìn)示意圖

為了挖掘更多的信息量，在輸入序列和日志標(biāo)簽聯(lián)系的基礎(chǔ)上，基于輸入序列和輸出序列進(jìn)行建模，預(yù)測出新的信息源即輸出序列，利用I2、Ia、I1實現(xiàn)故障預(yù)測。算法改進(jìn)示意圖如圖1所示。(2）隨機(jī)梯度下降優(yōu)化算法的改進(jìn)。

圖2數(shù)據(jù)處理流程

(2）數(shù)據(jù)預(yù)處理：如前所述，直接采集初始時的日志像文本一樣包含內(nèi)容項多，不是可以直接用作卷積神經(jīng)網(wǎng)絡(luò)輸入的格式化數(shù)據(jù)，因此會基于原始數(shù)據(jù)進(jìn)行處理以保留對象信息。制作出清洗后日志的單詞詞典，在此基礎(chǔ)上實現(xiàn)樣本的提取，做后期的訓(xùn)練和測試。預(yù)處理數(shù)據(jù)主要為三個部分：數(shù)據(jù)清洗、字典構(gòu)建和....

圖3卷積神經(jīng)網(wǎng)絡(luò)示意圖

用日志數(shù)據(jù)對模型進(jìn)行大量訓(xùn)練和測試，實現(xiàn)最優(yōu)化。與傳統(tǒng)CNN不同的是，文中除了CNN特有的三層處理外還包括針對文本處理的詞嵌入層。卷積神經(jīng)網(wǎng)絡(luò)示意圖如圖3所示。(1）詞嵌入層。

圖5CNN訓(xùn)練和測試流程示意圖

在預(yù)處理樣本中采取若干個獨立的小批量樣本，分別計算各自的梯度，通過這些樣本均值算出梯度的無偏估計值。1.4實驗

本文編號：3906263