一种基于卷积神经网络的内存预警方法及服务端技术

本发明专利技术公开了一种基于卷积神经网络的内存预警方法及服务端，服务端接收客户端发送的内存信息，生成待预测图片信息数据；调用内存分类模型对待预测图片信息数据进行分类，得到待预测图片信息数据对应的内存结果，并将内存结果返回至客户端，内存分类模型为已训练完成的卷积神经网络模型；本发明专利技术通过利用卷积神经网络能够有效的提取由内存信息形成的图片信息，从而有效的预测出获取的内存信息是否溢出或是存在溢出风险，为客户端、服务端、运维提供更好的技术支持；同时，本发明专利技术能够跨平台通用并具有良好的扩展性，即本发明专利技术提供了一种跨平台通用、具有良好扩展性且更加真实有效的内存溢出预警方案。

【技术实现步骤摘要】
一种基于卷积神经网络的内存预警方法及服务端
本专利技术涉及计算机视觉与深度学习领域，特别涉及一种基于卷积神经网络的内存预警方法及服务端。
技术介绍
客户端设备在运行应用程序时，会出现没有足够的内存空间供其使用的现象，针对这种内存溢出的现象，现有技术中出现了多种内存预警方案，其一是通过监控程序，监控系统内存是否快要达到上限；其二是监控系统自身的错误来判断是否存在内存溢出或者有潜在的内存问题风险。申请号201610903370.5的一种内存使用率监控的方法及装置，通过对每个应用程序的内存使用情况进行监控，当超过警戒值时提醒用户，让其自行选择如何清理。但这种方式往往是服务器内存已经有明显的问题的时候才给出的预警，即传统的内存预警方案并非真正的预警。
技术实现思路
本专利技术所要解决的技术问题是：提供一种基于卷积神经网络的内存预警方法及服务端，从而有效的进行内存预警。为了解决上述技术问题，本专利技术采用的技术方案为：一种基于卷积神经网络的内存预警方法，包括步骤：S1、服务端接收客户端发送的内存信息，生成待预测图片信息数据；S2、调用内存分类模型对所述待预测图片信息数据进行分类，得到所述待预测图片信息数据对应的内存结果，并将所述内存结果返回至客户端，所述内存分类模型为已训练完成的卷积神经网络模型。为了解决上述技术问题，本专利技术采用的另一种技术方案为：一种基于卷积神经网络的内存预警服务端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：S1、接收客户端发送的内存信息，生成待预测图片信息数据；S2、调用内存分类模型对所述待预测图片信息数据进行分类，得到所述待预测图片信息数据对应的内存结果，并将所述内存结果返回至客户端，所述内存分类模型为已训练完成的卷积神经网络模型。本专利技术的有益效果在于：本专利技术利用卷积神经网络能够有效的提取由内存信息形成的图片信息，从而有效的预测出获取的内存信息是否溢出或是存在溢出风险，为客户端、服务端、运维提供更好的技术支持；同时，由于客户端只需要能和服务端进行通信即可，从而使本专利技术能够跨平台通用；若将内存信息替换为网络数据流量等信息，也可以实现流量预警能相对应的预警功能，从而使本专利技术具有良好的扩展性，即本专利技术提供了一种跨平台通用、具有良好扩展性且更加真实有效的内存溢出预警方案。附图说明图1为本专利技术实施例的一种基于卷积神经网络的内存预警方法的流程示意图；图2为本专利技术实施例的一种基于卷积神经网络的内存预警服务端的结构示意图；图3为本专利技术实施例中服务端采集到关于内存信息的待预测图片A；图4为本专利技术实施例中服务端采集到关于内存信息的待预测图片B；图5为本专利技术实施例中服务端采集到关于内存信息的待预测图片C；图6为本专利技术实施例中服务端对待预测图片A、B、C经过分类之后的结果示意图。标号说明：1、一种基于卷积神经网络的内存预警服务段；2、存储器；3、处理器。具体实施方式为详细说明本专利技术的
技术实现思路
、所实现目的及效果，以下结合实施方式并配合附图予以说明。本专利技术最关键的构思在于：利用卷积神经网络能够有效的提取由内存信息形成的图片信息，从而有效的预测出获取的内存信息是否溢出或是存在溢出风险。在此之前，为了便于理解本专利技术的技术方案，对于本专利技术中涉及的英文缩写、设备等进行说明如下：(1)、GRPC：在本专利技术中为GoogleRemoteProcedureCall的缩写，其中文解释为Google开源的一个高性能、跨语言的远程过程调用框架。(2)、Map数据结构：用于保存具有映射关系的数据，因此Map数据结构中保存着两种值，一组用于保存key，另一组用来保存value。(3)、ReLU：在本专利技术中为RectifiedLinearUnits的缩写，其中文解释线性整流函数，又称修正线性单元，是一种人工神经网络中常用的激活函数，通常指代以斜坡函数及其变种为代表的非线性函数。请参照图1以及图2，一种基于卷积神经网络的内存预警方法，包括步骤：S1、服务端接收客户端发送的内存信息，生成待预测图片信息数据；S2、调用内存分类模型对所述待预测图片信息数据进行分类，得到所述待预测图片信息数据对应的内存结果，并将所述内存结果返回至客户端，所述内存分类模型为已训练完成的卷积神经网络模型。从上述描述可知，本专利技术的有益效果在于：利用卷积神经网络能够有效的提取由内存信息形成的图片信息，从而有效的预测出获取的内存信息是否溢出或是存在溢出风险，为客户端、服务端、运维提供更好的技术支持；同时，由于客户端只需要能和服务端进行通信即可，从而使本专利技术能够跨平台通用；若将内存信息替换为网络数据流量等信息，也可以实现流量预警能相对应的预警功能，从而使本专利技术具有良好的扩展性，即本专利技术提供了一种跨平台通用、具有良好扩展性且更加真实有效的内存溢出预警方案。进一步的，所述步骤S1中生成待预测图片信息数据具体为：依据设定时间内连续的内存信息生成待预测图片信息数据。由上述描述可知，提供设定时间内连续的内存信息，以生成内存变化的曲线走势，从而得到待预测图片信息数据，将数据生成图片，便于后续模型的识别和分类。进一步的，所述步骤S1中依据设定时间内连续的内存信息生成待预测图片信息数据具体为：预先设置第一时间、第二时间，判断采集时间是否达到第二时间，若否，则每间隔一次第一时间就采集一次内存信息，并对采集时间进行累加运算；若是，则将采集时间归零，并生成采集时间与内存信息相对应的坐标图，得到待预测图片信息数据。由上述描述可知，第一时间表示采集的时间间隔，第二时间表示采集的时间长度，第二时间除于第一时间就是采集次数，其中第一时间和第二时间可以根据用户的需求进行第三方设定，从而使得本专利技术具备良好的灵活性和扩展性。进一步的，所述步骤S2中的内存分类模型的训练步骤如下：S21、收集内存信息图片数据集，将所述内存信息图片数据集划分为测试集和训练集，并在两个集合中分别按照内存正常、内存溢出、内存风险建立文件夹以进行分类；S22、构建卷积神经网络模型结构，所述卷积神经网络模型结构包括输入模块、特征提取模块、感知器模块；S23、初始化所述卷积神经网络模型，以所述训练集里的内存信息图片数据集作为输入数据，训练所述卷积神经网络模型，并在训练后以所述测试集里的内存信息图片数据集作为输入数据，测试所述卷积神经网络模型对于图片分类的正确率，若正确率达到预期值，则将训练后的所述卷积神经网络模型保存。由上述描述可知，通过按文件夹分类而不用一张张图片命名的打标签方式，能够让我们更加方便、更加有效的进行数据预处理。进一步的，所述步骤S22具体为：S221、构建输入模块，所述输入模块包括输入层，所述输入层设置有与所述待预测图片信息数据的图片像素一一对应的神经元；S222、构建特征提取模块，所述特征提取模块从上到下依次为：第一卷积层、第一激活函数层、第一池化层、第二卷积层、第二激活函数层、第二池化层、第三卷积层、第三激活函数层、第三池化层；S223、构建感知器模块，所述感知器模块包括第一全连接层和第二全连接层，所述第二全连接层包含与内存结果相同个数的神经元。由上述描述可知，由上述描述可知，本专利技术使用了交替分布的三层结构能够很好的学习到图像特征，达到更好的识别准确率。请参照图本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的内存预警方法，其特征在于，包括步骤：S1、服务端接收客户端发送的内存信息，生成待预测图片信息数据；S2、调用内存分类模型对所述待预测图片信息数据进行分类，得到所述待预测图片信息数据对应的内存结果，并将所述内存结果返回至客户端，所述内存分类模型为已训练完成的卷积神经网络模型。

【技术特征摘要】
1.一种基于卷积神经网络的内存预警方法，其特征在于，包括步骤：S1、服务端接收客户端发送的内存信息，生成待预测图片信息数据；S2、调用内存分类模型对所述待预测图片信息数据进行分类，得到所述待预测图片信息数据对应的内存结果，并将所述内存结果返回至客户端，所述内存分类模型为已训练完成的卷积神经网络模型。2.根据权利要求1所述的一种基于卷积神经网络的内存预警方法，其特征在于，所述步骤S1中生成待预测图片信息数据具体为：依据设定时间内连续的内存信息生成待预测图片信息数据。3.根据权利要求2所述的一种基于卷积神经网络的内存预警方法，其特征在于，所述步骤S1中依据设定时间内连续的内存信息生成待预测图片信息数据具体为：预先设置第一时间、第二时间，判断采集时间是否达到第二时间，若否，则每间隔一次第一时间就采集一次内存信息，并对采集时间进行累加运算；若是，则将采集时间归零，并生成采集时间与内存信息相对应的坐标图，得到待预测图片信息数据。4.根据权利要求1所述的一种基于卷积神经网络的内存预警方法，其特征在于，所述步骤S2中的内存分类模型的训练步骤如下：S21、收集内存信息图片数据集，将所述内存信息图片数据集划分为测试集和训练集，并在两个集合中分别按照内存正常、内存溢出、内存风险建立文件夹以进行分类；S22、构建卷积神经网络模型结构，所述卷积神经网络模型结构包括输入模块、特征提取模块、感知器模块；S23、初始化所述卷积神经网络模型，以所述训练集里的内存信息图片数据集作为输入数据，训练所述卷积神经网络模型，并在训练后以所述测试集里的内存信息图片数据集作为输入数据，测试所述卷积神经网络模型对于图片分类的正确率，若正确率达到预期值，则将训练后的所述卷积神经网络模型保存。5.根据权利要求4所述的一种基于卷积神经网络的内存预警方法，其特征在于，所述步骤S22具体为：S221、构建输入模块，所述输入模块包括输入层，所述输入层设置有与所述待预测图片信息数据的图片像素一一对应的神经元；S222、构建特征提取模块，所述特征提取模块从上到下依次为：第一卷积层、第一激活函数层、第一池化层、第二卷积层、第二激活函数层、第二池化层、第三卷积层、第三激活函数层、第三池化层；S223、构建感知器模块，所述感知器模块包括第一全连接层和第二全连接层，所述第二全连接层包含与内存结果相同个数的神经元。6.一种基于卷积神经网络的内存预警服务端，包括存储器...

【专利技术属性】
技术研发人员：刘德建，苏威鹏，林琛，
申请(专利权)人：福建天晴数码有限公司，
类型：发明
国别省市：福建,35