隨著現(xiàn)代科技的迅猛發(fā)展,數(shù)據(jù)中心已經(jīng)成為信息化社會(huì)的IT基礎(chǔ)設(shè)施,存儲(chǔ)管理大量關(guān)鍵數(shù)據(jù).當(dāng)前,數(shù)據(jù)中心的管理大多是依靠經(jīng)驗(yàn)豐富的專(zhuān)業(yè)運(yùn)維人員使用計(jì)算機(jī)自動(dòng)監(jiān)測(cè)機(jī)房設(shè)備各項(xiàng)指標(biāo),并對(duì)設(shè)備做出多次檢查,耗時(shí)且繁瑣.深度學(xué)習(xí)和人工智能技術(shù)當(dāng)前吸引了越來(lái)越多的注意力,并在互聯(lián)網(wǎng)和工業(yè)領(lǐng)域取得了許多成功應(yīng)用.本文設(shè)計(jì)了基于門(mén)控循環(huán)單元的深度學(xué)習(xí)框架對(duì)云數(shù)據(jù)中心機(jī)房設(shè)備故障進(jìn)行自動(dòng)化的診斷,并聯(lián)合時(shí)序信息基于過(guò)去設(shè)備的運(yùn)行狀態(tài)信息對(duì)未來(lái)狀態(tài)進(jìn)行預(yù)測(cè).其中,序列數(shù)據(jù)以固定時(shí)間窗分割后輸入雙向GRU單元層,使網(wǎng)絡(luò)學(xué)習(xí)到數(shù)據(jù)點(diǎn)的前后時(shí)間依賴(lài)關(guān)系.在GRU層輸出基礎(chǔ)上,我們添加了自注意力層和embedding層,讓神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)到對(duì)故障預(yù)測(cè)更有效的特征并進(jìn)一步對(duì)特征進(jìn)行降維.最后,多層感知機(jī)被用于對(duì)降維后的數(shù)據(jù)進(jìn)行分類(lèi).基于真實(shí)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果顯示,本文提出的基于GRU的深度學(xué)習(xí)框架相比LSTM, SVM和KNN等常用模型能夠更準(zhǔn)確地檢測(cè)出云數(shù)據(jù)中心故障. 

【文章來(lái)源】：計(jì)算機(jī)系統(tǒng)應(yīng)用. 2020年11期

【文章頁(yè)數(shù)】：7 頁(yè)

【參考文獻(xiàn)】：
期刊論文
[1]Fault diagnosis based on dial-test data in datacenter networks[J]. QI Xiaogang,WANG Bingchun,LIU Lifang.  Journal of Systems Engineering and Electronics. 2019(05)
[2]混合供電數(shù)據(jù)中心能耗優(yōu)化研究進(jìn)展[J]. 宋杰,孫宗哲,劉慧,鮑玉斌,于戈.  計(jì)算機(jī)學(xué)報(bào). 2018(12)
[3]基于拓?fù)鋱D元信息融合的電網(wǎng)故障診斷模型[J]. 徐彪,尹項(xiàng)根,張哲,陳國(guó)炎,楊雯.  電工技術(shù)學(xué)報(bào). 2018(03)
[4]計(jì)及可信度的變結(jié)構(gòu)貝葉斯網(wǎng)絡(luò)電網(wǎng)故障診斷[J]. 羅孝輝,童曉陽(yáng).  電網(wǎng)技術(shù). 2015(09)
[5]面向數(shù)據(jù)中心網(wǎng)絡(luò)的分層式故障診斷算法[J]. 宣恒農(nóng),張潤(rùn)馳,左苗,劉田田.  電子學(xué)報(bào). 2014(12)
[6]基于協(xié)同式專(zhuān)家系統(tǒng)及多智能體技術(shù)的電網(wǎng)故障診斷方法[J]. 趙偉,白曉民,丁劍,方竹,李再華.  中國(guó)電機(jī)工程學(xué)報(bào). 2006(20)



本文編號(hào)：2955530