基于长短期记忆网络的CPS软件可靠性预测系统技术方案

本发明专利技术提供了一种基于长短期记忆网络的CPS软件可靠性预测系统，包括：数据收集模块，用于收集CPS软件系统中所需的多源原始可靠性序列数据；数据预处理模块，用于对所述原始可靠性序列数据进行预处理和归一化处理，得到有效的CPS软件可靠性序列数据；可靠性预测模块，用于根据所述有效的CPS软件可靠性序列数据，建立基于LSTM的神经网络预测模型，所述神经网络预测模型用于对CPS软件可靠性进行预测；结果输出模块，用于输出可视化的CPS软件可靠性预测结果。从而可以基于优化后的LSTM神经网络对CPS软件可靠性时间序列进行预测，有效地提高CPS软件可靠性预测的精度。

【技术实现步骤摘要】
基于长短期记忆网络的CPS软件可靠性预测系统
本专利技术涉及数据处理
，具体地，涉及基于长短期记忆网络的CPS软件可靠性预测系统。
技术介绍
信息物理融合系统fCyber-PhysicalSystems，CPS)是一个综合计算、网络和物理环境的多维复杂系统，通过3C(Computation、Communication、Control)技术的有机融合与深度协作，实现大型工程系统的实时感知、动态控制和信息服务。CPS实现计算、通信与物理系统的一体化设计，可使系统更加可靠、高效、实时协同，具有重要而广泛的应用前景。因此，开展CPS研究与应用对于加快我国培育推进工业化与信息化融合具有重要意义。长短期记忆网络(LSTM)是一种具有时序分析能力和长短期记忆能力的一种神经网络。由于LSTM神经网络模型可以有效地保持较长时间的记忆，可以充分考虑到复杂网络不同时刻态势要素的依赖关系，利用态势要素时间维度上的关联性对未来的网络安全态势进行预测以提高网络安全态势预测精度。现有的CPS软件预测系统中如移动平均法和指数平滑法，主要存在以下两个问题：一是没有能够建立体系化的预测模型；二是预测结果不准确。
技术实现思路
针对现有技术中的缺陷，本专利技术的目的是提供一种基于长短期记忆网络的CPS软件可靠性预测系统。根据本专利技术提供的一种基于长短期记忆网络的CPS软件可靠性预测系统，所述系统包括：数据收集模块，用于收集CPS软件系统中所需的多源原始可靠性序列数据；数据预处理模块，用于对所述原始可靠性序列数据进行预处理和归一化处理，得到有效的CPS软件可靠性序列数据；可靠性预测模块，用于根据所述有效的CPS软件可靠性序列数据，建立基于LSTM的神经网络预测模型，所述神经网络预测模型用于对CPS软件可靠性进行预测；结果输出模块，用于输出可视化的CPS软件可靠性预测结果。可选地，所述数据收集模块，具体用于：收集CPS软件系统的各节点、各设备中的数据，得到来自不同数据源的原始数据，并对所述原始数据进行特征融合，得到CPS软件系统中所需的多源原始可靠性序列数据。可选地，所述数据预处理模块，具体用于：对所述原始可靠性序列数据中的非结构化的CPS软件可靠性序列数据进行结构化处理，生成结构化的CPS软件可靠性序列数据；对所述结构化的CPS软件可靠性序列数据进行归一化处理，使得归一化后的数据在0～1范围内；将所述归一化后的数据转换为多维CPS软件可靠性序列数据集，得到有效的CPS软件可靠性序列数据。可选地，所述可靠性预测模块，具体用于：将所述多维CPS软件可靠性序列数据集划分成训练数据集和测试数据集；通过所述训练数据集对建立的基于LSTM的神经网络预测模型进行迭代训练，并用所述测试数据集对训练后的所述神经网络预测模型进行验证，得到用于对CPS软件可靠性进行预测的模型。在一种可选的实施方式中，还包括：模型优化模块，用于采用随机梯度下降算法对所述神经网络预测模型的参数进行寻优，以实现对所述神经网络预测模型的参数优化。利用建立的所述神经网络预测模型对测试数据集进行预测，并对输出的预测结果进行分析。具体地，对输出的预测结果进行分析包括：划分预测数据边界和优化预测数据收敛标准，如下：当前预测值大于前一时刻的预测值，则减去Xi：pi′＝pi+Xi(pi-pi-1＞0，i＞＝1)当前预测值小于前一时刻的预测值，则加上Xi：pi′＝pi-Xi(pi-pi-1＜0，i＞＝1)其中pi′是第i时刻的最终预测值，Xi是i时刻下多次实验的预测数据和真实数据的差的绝对值的平均值，计算公式如下：其中xi是i时刻的真实数据，pi是i时刻的预测数据，n表示n个时刻。与现有技术相比，本专利技术具有如下的有益效果：本专利技术提供的基于长短期记忆网络的CPS软件可靠性预测系统，基于优化后的LSTM神经网络对CPS软件可靠性时间序列进行预测，可以有效地提高CPS软件可靠性预测的精度。附图说明通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：图1为本专利技术提供的基于长短期记忆网络的CPS软件可靠性预测方法流程示意图；图2为归一化后的数据示意图；图3为单个细胞LSTM神经网络结构示意图；图4为模型迭代次数图示意图；图5为模型预测结果的优化流程图；图6为模型预测结果示意图。具体实施方式下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变化和改进。这些都属于本专利技术的保护范围。CPS系统把计算与通信深深地嵌入实物过程、使之与实物过程密切互动，从而给实物系统添加新的能力。这种CPS系统小如心脏起搏器，大如国家电网。由于计算机增强的(computer-augmented)的装置无处不在，CPS系统具有巨大的经济影响力。如家居、交通控制、安全、高级汽车、过程控制。环境控制、关键基础设施控制(电力、灌溉网络、通信系统)、分布式机器人、防御系统、制造业、智能构造、交通系统能够从智能汽车提高安全性和传送效率中有效地获益。CPS是物理过程和计算过程的集成系统，是人类通过CPS系统包含的数字世界和机械设备与物理世界进行交互，这种交互的主体既包括人类自身也包括在人的意图知道下的系统。而作用的客体包括真实世界的各方面：自然环境、建筑、机器、同时也包括人类自身等。CPS是可能是一个分布式异构系统，他不仅包含了许多功能不同的字系统，而且这些子系统之间结构和功能各异，而且分布在不同的地理范围内。各个子系统之间要通过有线或无线的通信方式相互协调工作。CPS具有自适应性、自主性、高效性、功能性、可靠性、安全性等特点和要求。物理构建和软件构建必须能够在不关机或停机的状态下动态加入系统，同时保证满足系统需求和服务质量。比如一个超市安防系统，在加入传感器、摄像头、监视器等物理节点或者进行软件升级的过程中不需关掉整个系统或者停机就可以动态升级。CPS应该是一个智能的有自主行为的系统，CPS不仅能够从环境中获取数据，进行数据融合，提取有效信息，并且根据系统规则通过效应器作用于环境。本专利技术实施例提供一种基于长短期记忆网络的CPS软件可靠性预测系统，系统包括：数据收集模块，用于收集CPS软件系统中所需的多源原始可靠性序列数据；数据预处理模块，用于对原始可靠性序列数据进行预处理和归一化处理，得到有效的CPS软件可靠性序列数据；可靠性预测模块，用于根据有效的CPS软件可靠性序列数据，建立基于LSTM的神经网络预测模型，神经网络预测模型用于对CPS软件可靠性进行预测；结果输出模块，用于输出可视化的CPS软件可靠性预测结果。可选地，数据收集模块，本文档来自技高网...

【技术保护点】
1.一种基于长短期记忆网络的CPS软件可靠性预测系统，其特征在于，系统包括以下模块：/n数据收集模块，用于收集CPS软件系统中所需的多源原始可靠性序列数据；/n数据预处理模块，用于对所述原始可靠性序列数据进行预处理和归一化处理，得到有效的CPS软件可靠性序列数据；/n可靠性预测模块，用于根据所述有效的CPS软件可靠性序列数据，建立基于LSTM的神经网络预测模型，所述神经网络预测模型用于对CPS软件可靠性进行预测；/n结果输出模块，用于输出可视化的CPS软件可靠性预测结果。/n

【技术特征摘要】
1.一种基于长短期记忆网络的CPS软件可靠性预测系统，其特征在于，系统包括以下模块：
数据收集模块，用于收集CPS软件系统中所需的多源原始可靠性序列数据；
数据预处理模块，用于对所述原始可靠性序列数据进行预处理和归一化处理，得到有效的CPS软件可靠性序列数据；
可靠性预测模块，用于根据所述有效的CPS软件可靠性序列数据，建立基于LSTM的神经网络预测模型，所述神经网络预测模型用于对CPS软件可靠性进行预测；
结果输出模块，用于输出可视化的CPS软件可靠性预测结果。


2.根据权利要求1所述的基于长短期记忆网络的CPS软件可靠性预测系统，其特征在于，所述数据收集模块，具体用于：收集CPS软件系统的各节点、各设备中的数据，得到来自不同数据源的原始数据，并对所述原始数据进行特征融合，得到CPS软件系统中所需的多源原始可靠性序列数据。


3.根据权利要求1所述的基于长短期记忆网络的CPS软件可靠性预测系统，其特征在于，所述数据预处理模块，具体用于：
对所述原始可靠性序列数据中的非结构化的CPS软件可靠性序列数据进行结构化处理，生成结构化的CPS软件可靠性序列数据；
对所述结构化的CPS软件可靠性序列数据进行归一化处理，使得归一化后的数据在0～1范围内；
将所述归一化后的数据...

【专利技术属性】
技术研发人员：陈丽琼，范国庆，郭坤，刘微，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：上海;31