【技术实现步骤摘要】
基于WT
‑
GA
‑
GRU模型的云服务器故障诊断方法
[0001]本专利技术属于时间序列预测与故障诊断
，具体涉及基于WT
‑
GA
‑
GRU模型的云服务器故障诊断方法。
技术介绍
[0002]随着现代计算机技术和云计算的发展，云服务器使用越来越普遍。云服务器具有长期运行、高复杂性和资源交换频繁的特点，这增加了资源耗尽和软件系统出现异常和故障的风险。随着故障和资源消耗的累积，云服务器系统会出现缓慢的性能下降，故障率增加甚至崩溃。出现这种现象的原因包括操作系统资源的消耗、数据的破坏以及误差的积累。这些现象都是随时间的推移逐渐积累，会使软件的性能恶化并可能导致软件系统的突然崩溃或停机。
[0003]在重要的系统中，如军事国防，电信系统，金融系统，证券系统，商业系统等应用中，随着系统复杂性的提高，系统错误因素越来越集中在软件方面，而其中越来越值得关注的问题就是系统故障，而且一旦系统的软件发生故障，就会影响整个业务系统的正常运行，给企业事业单位带来无...
【技术保护点】
【技术特征摘要】
1.基于WT
‑
GA
‑
GRU模型的云服务器故障诊断方法，其特征在于，具体按以下步骤实施：步骤1，收集云服务器的资源和性能数据；步骤2，获取云服务器资源和性能序列数据；步骤3，将步骤2得到的序列数据进行小波分解，得到各个尺度的小波子序列；步骤4，将步骤3得到的各个子序列数据进行预处理操作；步骤5，利用GRU神经网络对各尺度域上的小波子序列进行建模；步骤6，利用遗传算法优化GRU神经网络超参数，得到各个子序列的预测结果；步骤7，对各个子序列的预测重构，综合生成最终的预测结果；步骤8，计算序列数据预测值与实际值的残差序列，采用滑动窗口，分析云系统性能数据的变化规律，设定动态阈值诊断云系统故障。2.根据权利要求1所述的基于WT
‑
GA
‑
GRU模型的云服务器故障诊断方法，其特征在于，所述步骤2中云服务器资源和性能序列数据为CPU使用率。3.根据权利要求1所述的基于WT
‑
GA
‑
GRU模型的云服务器故障诊断方法，其特征在于，所述步骤3中小波分解的具体过程为：利用小波分解原始序列分解成不同频率的子信号，对每一个子信号分别进行特征提取，采用db2小波函数，对原始时间序列进行分解。4.根据权利要求1所述的基于WT
‑
GA
‑
GRU模型的云服务器故障诊断方法，其特征在于，所述步骤4中预处理过程具体为：对序列数据的不同量纲数据进行归一化处理，将原始序列数据映射到[0,1]，具体公式是：计算得序列数据的最大值和最小值，分别记为X
max
和X
min
；使用序列数据中的每个数据减去X
min
再除以X
max
‑
X
min
。5.根据权利要求1所述的基于WT
‑
GA
‑
GRU模型的云服务器故障诊断方法，其特征在于，所述步骤5中构建GRU模型具体方法包括输入层、隐藏层、输出层、网络训练以及网络预测5个功能模块；输入层负责对原始响应时间序列进行初步处理以满足网络输入要求，隐藏层搭建指层数的循环神经网络，输出层提供预测结果网络，网络预测采用迭代的方法逐点预测。6.根据权利要求5所述的基于WT
‑
GA
‑
GRU模型的云服务器故障诊断方法，其特征在于，所述步骤5中构建GRU模型具体按以下步骤实施：首先在输入层中，定义已经归一化后的原始响应时间序列为F
o
＝{f1,f2,
…
,f
n
}，则划分的训练集和测试集可以表示为F
tr
＝{f1,f2,
…
,f
m
}和F
te
＝{f
m+1
,f
m+2
,
…
,f
n
}，满足约束条件m<n和m,n∈N，应用数据分割的方法对F
tr
进行处理，设分割长度取值为L，则分割后的模型为X＝{X1,X2,
…
,X
L
}，X
p
＝{f
p
,f
p+1
,
…
,f
m
‑
L+p
‑1}，1≤p≤L；p,L∈N，对应的理论输出为Y＝{Y1,Y2,
…
,Y
L
},Y
P
＝{f
p+1
,f
p+2
,
…
,f
m
‑
L+p
}；然后将X输入隐藏层，隐藏层包含L个按前后时刻连接的同构GRU细胞，X经过隐藏层后的输出为P＝{P1,P2,
…
,P
L
}，P
p
＝GRU
forward
(X
p
,C
p
‑1,H
p
‑1)，式中C
p
‑1和H
p
‑1分别为前一个GRU细胞的状态和输出；GRU
forward
表示GRU向前细胞计算方法；设定细胞状态向量大小为S
state
，则C
p
‑1和H
p
‑1两个向量的大小均为S
state
；选用均方误差作为误差计算公式，训练过程的损失函数定义为：设定损失
函数最小为优化目标，不断更新网络权重，进...
【专利技术属性】
技术研发人员：孟海宁，李维，周荣，朱磊，冯锴，黑新宏，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：
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。