【技术实现步骤摘要】
一种基于卷积神经网络的SaaS软件故障诊断方法及装置
本专利技术涉及计算机
，具体涉及一种基于卷积神经网络的SaaS软件故障诊断方法及装置。
技术介绍
软件即服务(SaaS)因其无需对软件产品，基础架构和昂贵的维护成本进行前期投资，而逐渐成为在云上交付应用程序的一种越来越流行的范例。SaaS是通过Internet从所有用户共享的单个应用程序实例交付软件功能。SaaS软件的解决方案通过Web浏览器即可访问，无需安装或维护软件和硬件。它们还通过“按需付费”，基于订阅的服务关系取代了传统安装应用程序的前期许可费用和冗长的实施周期。此外，定价可以根据所需的功能和数据存储量进行分层。服务提供商运营和管理所有必需的硬件和软件，并推出新功能和升级。如今，全系列提供商为各种规模的企业提供几乎任何企业应用程序的SaaS版本。它已被包括微软和甲骨文在内的知名软件供应商所接受，他们正试图将典型的许可模式与服务模型进行协调。服务提供模式显示没有放缓增长的迹象。SaaS是各种规模企业的可行软件的可行替代方案。SaaS提供商和供应商提供基...
【技术保护点】
1.一种基于卷积神经网络的SaaS软件故障诊断方法，其特征在于，包括：/nS1：对系统产生的日志数据进行过滤；/nS2：对过滤后的日志数据进行类别划分与标注；/nS3：对进行类别划分与标注后的日志数据进行去噪处理；/nS4：采用Skip-Gram方法对去噪后的日志数据进行向量化，对向量化后的日志数据进行二维拓扑结构的构造，构造成词向量维度和单词维度两个维度的二维向量数据；/nS5：将构造的二维向量数据作为训练数据对预先构建好的卷积神经网络模型进行训练，获得训练好的性能故障诊断模型；/nS6：利用训练好的性能故障诊断模型对未知类型日志数据进行诊断，获得日志数据的故障类型。/n
【技术特征摘要】
1.一种基于卷积神经网络的SaaS软件故障诊断方法，其特征在于，包括：
S1：对系统产生的日志数据进行过滤；
S2：对过滤后的日志数据进行类别划分与标注；
S3：对进行类别划分与标注后的日志数据进行去噪处理；
S4：采用Skip-Gram方法对去噪后的日志数据进行向量化，对向量化后的日志数据进行二维拓扑结构的构造，构造成词向量维度和单词维度两个维度的二维向量数据；
S5：将构造的二维向量数据作为训练数据对预先构建好的卷积神经网络模型进行训练，获得训练好的性能故障诊断模型；
S6：利用训练好的性能故障诊断模型对未知类型日志数据进行诊断，获得日志数据的故障类型。
2.如权利要求1所述的方法，其特征在于，S1具体包括：
剔除日志数据中包含的时间信息和节点信息，并剔除冗余日志数据。
3.如权利要求2所述的方法，其特征在于，S2具体包括：
S2.1：从内存占用率，网络传输速率，磁盘读写速率以及CPU占用率四个方面对性能故障进行划分；
S2.2：根据划分的类别对过滤后的日志数据进行标注。
4.如权利要求3所述的方法，其特征在于，标注后的日志数据包括关键信息和基本信息，S3具体包括：
S3.1：从标注后的日志数据中提取出关键信息；
S3.2：对关键信息中包含的干扰信息进行剔除。
5.如权利要求1所述的方法，其特征在于，S4具体包括：
S4.1：对去噪后的日志数据进行One-hot编码；
S4.2：将通过One-hot编码的日志文本输入Skip-Gram模型训练，得到高关联度的日志向量，其中，Skip-Gram模型通过上下文窗口的大小确定给定单词之前和之后将包括多少单词作为当前单词的上下文单词，每个单词在经过Skip-Gram的训练，最终可以得到对应的单词向量，高关联度的日志向量包括当前单词以及与该单词关联度高的单词。
6.如权利要求5所述的方法，其特征在于，Skip-Gram模型包括输入层、隐藏层和输出层，S4.2中Skip-Gram模型的计算过程包括：
S4.2.1：输入层与隐藏层之间的权重矩阵A的第i行代表词汇表中第i个单词的权重，权重即为嵌入词向量，经过隐层的计算，输入单词的嵌入词向量被输入到输出层，输...
【专利技术属性】
技术研发人员：应时，帕提古丽·阿不力孜，段晓宇，成海龙，原万里，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。