基于深度递归网络大数据计算机系统故障检测方法及系统技术方案

本发明专利技术属于计算机系统故障检测技术领域，公开了一种基于深度递归网络大数据计算机系统故障检测方法及系统，所述基于深度递归网络大数据计算机系统故障检测系统包括：网络连接状态检测模块、系统检测模块、数据特征提取模块、中央处理模块、数学模型建立模块、模型训练模块、故障检测模块、数据分析对比模块、故障预警模块、数据储存模块、无线信号传输模块、终端模块、显示模块。本发明专利技术可以快速、准确检测出计算机系统运行的故障；本发明专利技术能够实现远程查看或者控制计算机运行系统，方便对计算机系统进行控制。同时当计算机运行系统出现故障时，能够及时提醒工作人员进行修复，保障计算机系统的正常运行。

【技术实现步骤摘要】
基于深度递归网络大数据计算机系统故障检测方法及系统
本专利技术属于计算机系统故障检测
，尤其涉及一种基于深度递归网络大数据计算机系统故障检测方法及系统。
技术介绍
目前，计算机系统中的硬件或者软件中机械方面、电子线路、电子元件、程序运行等方面发生的故障或者受损，必须进行维护称为计算机故障。大数据计算系统随着自身规模和结构复杂性的日益增大，其整体系统性能受到了多方面的影响。某个状态节点发生故障，其它与其有联系的节点也将受到波及而不能正常运行。同时，如果这个故障不能及时地检测出来，将会不断蔓延甚至导致整个系统的瘫痪。为了实现上述的功能，计算机系统故障检测系统发挥着关键性的作用。但是现有的计算机系统故障检测系统不能快速、准确检测出计算机系统运行的故障，并且不能及时提醒工作人员相应的故障信息，具有滞后性；同时现有的计算机系统故障检测系统只能工作人员现场监控，不能实现远程监测控制。通过上述分析，现有技术存在的问题及缺陷为：(1)现有的计算机系统故障检测系统不能快速、准确检测出计算机系统运行的故障，并且不能及时提醒工作人员相应的故障信息，具有滞后性。(2)现有的计算机系统故障检测系统只能工作人员现场监控，不能实现远程监测控制。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种基于深度递归网络大数据计算机系统故障检测方法及系统。本专利技术是这样实现的，一种基于深度递归网络大数据计算机系统故障检测方法，所述基于深度递归网络大数据计算机系统故障检测方法包括：步骤一，通过检测程序检测计算机网络连接状态；通过检测程序对计算机系统的运行状态进行检测，获取系统检测数据，并对检测数据进行预处理：(I)利用系统检测传感器分别获取计算机系统中硬件和软件的运行数据；(II)对获取的计算机系统中硬件和软件的运行数据进行预处理；预处理完成后，选择确定的数据信号，并进行数据的分解；(III)计算出分解数据的高频系数，并且对分解的数据设定一个阈值进行量化处理；量化处理完成后，进行系统检测数据的重构。步骤二，通过数据特征提取算法对步骤一预处理后的检测数据进行数据特征的提取：(1)根据预设特征提取算法提取所述计算机系统故障检测数据的第一数据特征组；(2)根据预设聚类算法对所述计算机系统故障检测数据进行处理得到多个第一数据分组，对所述多个第一数据分组进行特征提取得到所述计算机系统故障检测数据的第二数据特征组；(3)根据所述第一数据特征组和所述第二数据特征组分析确定所述计算机系统故障检测数据的目标数据特征。步骤三，通过中央处理器控制模型建立程序根据提取的检测数据特征建立检测计算机系统的递归神经网络数学模型，并通过模型训练程序将预处理后的数据通过建立的递归神经网络数学模型进行训练。步骤四，通过故障检测程序利用步骤三训练好的递归神经网络数学模型进行计算机系统故障的检测：1)按计算机系统预设的检测周期向故障检测程序节点发送第一检测指令；2)当接收到与所述第一检测指令对应的计算机系统的GPU设备信息时，向所述节点发送第二检测指令；3)当接收到与所述第二检测指令对应的异常信息时，利用递归神经网络数学模型将所述GPU设备信息与预先生成的设备文件信息进行匹配；4)若所述GPU设备信息与所述设备文件信息不匹配，则确定所述计算机系统存在故障。步骤五，通过分析对比程序对检测到的系统故障进行对比分析，并对计算机后期运行状态进行预测；通过指示灯和报警器对计算机系统故障和异常网络连接状态进行预警。进一步，步骤五之后，还需进行：步骤1，通过云服务器存储计算机网络连接状态、系统检测数据、递归神经网络数学模型、故障检测结果以及预警信息；步骤2，通过无线信号收发器实现数据的传输；步骤3，通过移动终端接收云服务器发送的数据，并对计算机系统故障检测系统进行远程控制；步骤4，通过高清显示屏显示计算机网络连接状态、系统检测数据、递归神经网络数学模型、故障检测结果以及预警信息。进一步，步骤一中，所述步骤(II)的对获取的计算机系统中硬件和软件的运行数据进行预处理的方法，包括：在计算机系统中硬件和软件的运行数据中选取多个数据点作为第一数据组；所述第一数据组中的每个数据点包括一第一坐标值和一第二坐标值；将数据点根据第一坐标值分为子点组，并计算各个子点组内的各个数据点的第二坐标值之差，并通过计算得到各个数据点的局部离群点因子；利用离群点去噪将各个子点组内的异常的数据点移除；对离群点去噪后的所有数据点进行拟合并移除偏差较大的数据点，并输出去噪后数据组。进一步，所述各个数据点的局部离群点因子的计算方法如下：式中，Rm为局部离群点因子；fm是数据点m的可达密度，且其中m遍历满足1≤m≤n的所有整数；aml是子数据点的可达距离；k是子点组点数量阈值。进一步，步骤二中，所述步骤(3)的根据所述第一数据特征组和所述第二数据特征组分析确定所述计算机系统故障检测数据的目标数据特征的步骤，具体包括：将所述第一数据特征组和所述第二特征数据组中包含的所有数据特征作为所述目标数据特征输出；按照第一预设权重系数对所述第一数据特征组和所述第二数据特征组中包含的所有数据特征进行特征权重值计算；将大于第一预设权重值的特征权重值对应的数据特征确定为所述目标数据特征。进一步，步骤四中，所述步骤3)的计算机系统的设备文件信息的生成过程，包括：判断所述节点是否满足预先设置的检测条件；当所述节点满足预先设置的检测条件时，向所述节点发送第二检测指令，以获取所述节点的初始设备信息；依据预先设置的格式转换规则对所述初始设备信息进行格式转换，得到所述节点的计算机系统的设备文件信息。进一步，步骤五中，所述通过分析对比程序对检测到的系统故障进行对比分析，并对计算机后期运行状态进行预测的方法，具体包括：根据递归神经网络数学模型训练的结果对系统故障检测结果进行判断，并对计算机后期运行状态进行预测；根据数据特征提取模块提取的特征数据，进行标注说明；根据提取的特征数据，建立曲线拟合的模型；根据建立的曲线拟合模型，对采集的数据进行分类，并进行数据结论的预测。本专利技术的另一目的在于提供一种实施所述的基于深度递归网络大数据计算机系统故障检测方法的基于深度递归网络大数据计算机系统故障检测系统，所述基于深度递归网络大数据计算机系统故障检测系统包括：网络连接状态检测模块、系统检测模块、数据特征提取模块、中央处理模块、数学模型建立模块、模型训练模块、故障检测模块、数据分析对比模块、故障预警模块、数据储存模块、无线信号传输模块、终端模块、显示模块。网络连接状态检测模块，与中央处理模块连接，用于通过检测程序检测计算机网络连接状态；系统检测模块，与中央处理模块连接，用于通过检测程序对计算机系统的运行状态进行检测，获取系统检测数据，并对检测数据进行预处理本文档来自技高网...

【技术保护点】
1.一种基于深度递归网络大数据计算机系统故障检测方法，其特征在于，所述基于深度递归网络大数据计算机系统故障检测方法包括：/n步骤一，通过检测程序检测计算机网络连接状态；通过检测程序对计算机系统的运行状态进行检测，获取系统检测数据，并对检测数据进行预处理：/n(I)利用系统检测传感器分别获取计算机系统中硬件和软件的运行数据；/n(II)对获取的计算机系统中硬件和软件的运行数据进行预处理；预处理完成后，选择确定的数据信号，并进行数据的分解；/n(III)计算出分解数据的高频系数，并且对分解的数据设定一个阈值进行量化处理；量化处理完成后，进行系统检测数据的重构；/n步骤二，通过数据特征提取算法对步骤一预处理后的检测数据进行数据特征的提取：(1)根据预设特征提取算法提取所述计算机系统故障检测数据的第一数据特征组；/n(2)根据预设聚类算法对所述计算机系统故障检测数据进行处理得到多个第一数据分组，对所述多个第一数据分组进行特征提取得到所述计算机系统故障检测数据的第二数据特征组；/n(3)根据所述第一数据特征组和所述第二数据特征组分析确定所述计算机系统故障检测数据的目标数据特征；/n步骤三，通过中央处理器控制模型建立程序根据提取的检测数据特征建立检测计算机系统的递归神经网络数学模型，并通过模型训练程序将预处理后的数据通过建立的递归神经网络数学模型进行训练；/n步骤四，通过故障检测程序利用步骤三训练好的递归神经网络数学模型进行计算机系统故障的检测：1)按计算机系统预设的检测周期向故障检测程序节点发送第一检测指令；/n2)当接收到与所述第一检测指令对应的计算机系统的GPU设备信息时，向所述节点发送第二检测指令；/n3)当接收到与所述第二检测指令对应的异常信息时，利用递归神经网络数学模型将所述GPU设备信息与预先生成的设备文件信息进行匹配；/n4)若所述GPU设备信息与所述设备文件信息不匹配，则确定所述计算机系统存在故障；/n步骤五，通过分析对比程序对检测到的系统故障进行对比分析，并对计算机后期运行状态进行预测；通过指示灯和报警器对计算机系统故障和异常网络连接状态进行预警。/n...

【技术特征摘要】
1.一种基于深度递归网络大数据计算机系统故障检测方法，其特征在于，所述基于深度递归网络大数据计算机系统故障检测方法包括：
步骤一，通过检测程序检测计算机网络连接状态；通过检测程序对计算机系统的运行状态进行检测，获取系统检测数据，并对检测数据进行预处理：
(I)利用系统检测传感器分别获取计算机系统中硬件和软件的运行数据；
(II)对获取的计算机系统中硬件和软件的运行数据进行预处理；预处理完成后，选择确定的数据信号，并进行数据的分解；
(III)计算出分解数据的高频系数，并且对分解的数据设定一个阈值进行量化处理；量化处理完成后，进行系统检测数据的重构；
步骤二，通过数据特征提取算法对步骤一预处理后的检测数据进行数据特征的提取：(1)根据预设特征提取算法提取所述计算机系统故障检测数据的第一数据特征组；
(2)根据预设聚类算法对所述计算机系统故障检测数据进行处理得到多个第一数据分组，对所述多个第一数据分组进行特征提取得到所述计算机系统故障检测数据的第二数据特征组；
(3)根据所述第一数据特征组和所述第二数据特征组分析确定所述计算机系统故障检测数据的目标数据特征；
步骤三，通过中央处理器控制模型建立程序根据提取的检测数据特征建立检测计算机系统的递归神经网络数学模型，并通过模型训练程序将预处理后的数据通过建立的递归神经网络数学模型进行训练；
步骤四，通过故障检测程序利用步骤三训练好的递归神经网络数学模型进行计算机系统故障的检测：1)按计算机系统预设的检测周期向故障检测程序节点发送第一检测指令；
2)当接收到与所述第一检测指令对应的计算机系统的GPU设备信息时，向所述节点发送第二检测指令；
3)当接收到与所述第二检测指令对应的异常信息时，利用递归神经网络数学模型将所述GPU设备信息与预先生成的设备文件信息进行匹配；
4)若所述GPU设备信息与所述设备文件信息不匹配，则确定所述计算机系统存在故障；
步骤五，通过分析对比程序对检测到的系统故障进行对比分析，并对计算机后期运行状态进行预测；通过指示灯和报警器对计算机系统故障和异常网络连接状态进行预警。


2.如权利要求1所述的基于深度递归网络大数据计算机系统故障检测方法，其特征在于，步骤五之后，还需进行：步骤1，通过云服务器存储计算机网络连接状态、系统检测数据、递归神经网络数学模型、故障检测结果以及预警信息；
步骤2，通过无线信号收发器实现数据的传输；
步骤3，通过移动终端接收云服务器发送的数据，并对计算机系统故障检测系统进行远程控制；
步骤4，通过高清显示屏显示计算机网络连接状态、系统检测数据、递归神经网络数学模型、故障检测结果以及预警信息。


3.如权利要求1所述的基于深度递归网络大数据计算机系统故障检测方法，其特征在于，步骤一中，所述步骤(II)的对获取的计算机系统中硬件和软件的运行数据进行预处理的方法，包括：
在计算机系统中硬件和软件的运行数据中选取多个数据点作为第一数据组；所述第一数据组中的每个数据点包括一第一坐标值和一第二坐标值；
将数据点根据第一坐标值分为子点组，并计算各个子点组内的各个数据点的第二坐标值之差，并通过计算得到各个数据点的局部离群点因子；
利用离群点去噪将各个子点组内的异常的数据点移除；
对离群点去噪后的所有数据点进行拟合并移除偏差较大的数据点，并输出去噪后数据组。


4.如权利要求3所述的基于深度递归网络大数据计算机系统故障检测方法，其特征在于，所述各个数据点的局部离群点因子的计算方法如下：



式中，Rm为局部离群点因子；fm是数据点m的可达密度，且其中m遍历满足1≤m≤n的所有整数；aml是子数据点的可达距离；k是子点组点数量阈值。


5.如权利要求1所述的基于深度递归网络大数据计算机系统故障检测方法，其特征在于，步骤二中，所述步骤(3)的根据所述第一数据特征组和所述第二数据特征组分析确定所述计算机系统故障检测数据的目标数据特征的步骤，具体包括：
将所述第一数据特征组和所述第二特征数据组中包含的所有数据特征作为所述目标数据特征输出；
...

【专利技术属性】
技术研发人员：刘合安，
申请(专利权)人：湖南城市学院，
类型：发明
国别省市：湖南;43