一种计算机系统故障的人工智能检测系统及方法技术方案

本发明专利技术公开了一种计算机系统故障的人工智能检测系统及方法，属于人工智能检测技术领域。该系统包括计算机数据采集模块、故障分析模块、概率测算模块、维修模块；所述计算机数据采集模块的输出端与所述故障分析模块的输入端相连接；所述故障分析模块的输出端与所述概率测算模块的输入端相连接；所述概率测算模块的输出端与所述维修模块的输入端相连接；同时本发明专利技术还提供一种计算机系统故障的人工智能检测方法，能够提供计算机系统故障的精确分析，在维修人员进行诊断时，以人工智能的方式，不过多依赖人工经验或者多项实验，能够提高故障诊断效率。障诊断效率。障诊断效率。

【技术实现步骤摘要】
一种计算机系统故障的人工智能检测系统及方法


[0001]本专利技术涉及人工智能检测
，具体为一种计算机系统故障的人工智能检测系统及方法。

技术介绍

[0002]计算机系统故障是指系统在运行过程中，由于某种原因，以致事务在执行过程中以非正常的方式终止。按故障的部件可将故障分为硬件故障和软件故障。硬件故障是指故障因硬件系统失效。软件故障是指程序运行一些非法指令，如特权指令等等。
[0003]随着科学技术的发展，计算机系统的规模和复杂程度都在日益提高，一旦规模较大或较为复杂的系统发生故障，就可能带来重大的财产损失和人员伤亡。因此对于计算机系统故障的处理与检测，如何提高系统在运行中的安全性与可靠性，是目前亟待解决的问题之一。在目前的技术手段中，往往采用多种方法逐一排查，对计算机系统故障进行诊断分析，最终判断故障发生的时间、位置、大小和种类等情况，即完成故障检测、分离和估计。
[0004]然而，在计算机系统故障的判断过程中，多依赖人工经验或者多项实验，在确定故障的过程中耗费时间较长，缺乏能够提高故障诊断效率的手段。

技术实现思路

[0005]本专利技术的目的在于提供一种计算机系统故障的人工智能检测系统及方法，以解决上述
技术介绍
中提出的问题。
[0006]为了解决上述技术问题，本专利技术提供如下技术方案：
[0007]一种计算机系统故障的人工智能检测方法，该方法包括以下步骤：
[0008]S1、获取计算机最后一次运行的软件程序数据，获取计算机工作环境数据；
[0009]S2、构建系统故障预测模型，确定计算机系统故障类别，所述计算机系统故障类别包括硬件故障与软件故障；
[0010]S3、对计算机系统故障的各硬件故障概率与各软件故障概率计算分析；
[0011]S4、获取概率数据，按照从大到小的顺序进行排序，发送至维修端口，维修人员可根据概率数据顺序进行测试维修。
[0012]计算机硬件故障一般指内存、硬盘、CPU等硬件因为某种原因出现使用不正常，功能失效从而使计算机不能正常使用的现象。这种现象一般由硬件自身质量问题或使用不当等原因造成。软件故障是指安装在计算机中的操作系统或者软件发生错误而引起的故障。
[0013]构建硬件故障类型集合A＝k1、k2、
…
、k
m
；其中k1、k2、
…
、k
m
分别代表硬件故障中的一种；
[0014]获取计算机使用环境因素；
[0015]在使用环境因素中进行选择，选择与硬件故障相关系数高的环境因素作为硬件故障预测模型训练特征；
[0016]所述硬件故障预测模型训练特征包括：环境温度、环境湿度、环境静电程度、环境
洁净度、计算机使用按键个性化按压力度；
[0017]计算机的硬件故障一般是由于计算机电源损坏或者主板、硬盘等设备的供电线路损坏使之不能加电，导致计算机无法正常启动；芯片的针脚损坏、接触不良、或者因温度过热而使计算机无法正常工作等等，一般与计算机的使用环境与使用方式相关，例如在高静电或高温度的条件下，计算机供电电路容易出现短路、高温断路等现象；计算机使用按键个性化按压力度一般指对于计算机的按键进行按压的力度，例如电源按键，每个人的使用方式不同，其电源按键的使用寿命与日常的使用时密切相关的，长期的大力按压也容易造成内部芯片的损坏。
[0018]设置硬件故障k0；k0代表任一硬件故障；
[0019]以故障预测时间为因变量，所述故障预测时间为硬件故障k0的预测时间；以环境温度、环境湿度、环境静电程度、环境洁净度、计算机使用按键个性化按压力度为自变量，构建第一预测模型：
[0020][0021]其中，u0、u1、u2、u3、u4、u5为第一预测模型的回归系数，为误差因子，用于表达计算机异常使用操作对于故障预测时间的影响情况；c1、c2、c3、c4、c5代表环境温度、环境湿度、环境静电程度、环境洁净度、计算机使用按键个性化按压力度；t0代表故障预测时间；
[0022]本申请中，故障预测时间一般设置为一个区间，即以公式中得出的故障预测时间为起点，自定义设置一个时间区间，例如故障预测时间为120，设置时间区间为p，则故障预测时间为[120,120+p]；
[0023]利用集成学习思想对第一预测模型进行处理：
[0024]获取故障预测时间作为预测值，获取实际故障时间作为实际值，获取β个数据样本，β为可设置常数，对预测值符合实际值的数据样本定义为高样本，对预测值不符合实际值的数据样本定义为低样本；
[0025]本技术方案，即是通过不断迭代，使得获取的数据样本中的低样本数量逐渐减少，从而达到提高数据精度。
[0026]所述数据样本中包括计算机使用数据，所述计算机使用数据包括计算机使用环境因素数据与计算机系统故障数据；
[0027]构建硬件故障预测模型：
[0028]构建损失函数L(y,f(x))，以均方差函数作为损失函数，设置最大迭代次数T和回归树的最大深度；f(x)为第一预测模型；
[0029]初始化一个使损失函数最小的弱学习器f0；
[0030]迭代训练弱学习器；
[0031]对每一个数据样本i，分别计算其负梯度r
ti
：
[0032][0033]利用负梯度r
ti
拟合一棵回归树,得到第t棵回归树，其对应的叶子结点区域为R
tj
；x
i
为数据样本取值，y
i
为x
i
对应的损失函数；f(x)＝f
t
‑1(x)表示在本轮计算中的f(x)使用的是上一轮强学习器f
t
‑1(x)下的第一预测模型；t表示迭代次数；指微分；
[0034]计算最佳拟合值c
tj
：
[0035][0036]其中，i、j为标号，取值都是1～β；c为损失函数后面加的常数；
[0037]所述最佳拟合值指在每一个叶子结点区域里的样本中使损失函数最小的输出值，即拟合叶子结点区域最好的输出值；
[0038]将弱学习器加入到已经训练完成的模型中，得到新的强学习器：
[0039][0040]其中，I用于与c
tj
组合，表示本轮的决策树拟合函数；J表示叶子区域；
[0041]f
t
(x)代表第t轮迭代得出的强学习器；
[0042]循环完成后，得到最终的强学习器作为新的预测模型，即硬件故障预测模型，其输出硬件故障k0的预测时间。
[0043]利用集成学习的方式能够不断提高预测精度，在每个节点(不一定是叶子节点)都会得到一个预测值，但衡量最好的标准不是最大熵，而是最小化均方差，即误差平方和除以N。预测的错误率越高，均方差越大，通过最小化均方差能够找到最靠谱的分支依据。分支直到每个叶子节点上都唯一或者达到预设的终止条件(即设置的迭代次数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算机系统故障的人工智能检测方法，其特征在于：该方法包括以下步骤：S1、获取计算机最后一次运行的软件程序数据，获取计算机工作环境数据；S2、构建系统故障预测模型，确定计算机系统故障类别，所述计算机系统故障类别包括硬件故障与软件故障；S3、对计算机系统故障的各硬件故障概率与各软件故障概率计算分析；S4、获取概率数据，按照从大到小的顺序进行排序，发送至维修端口，维修人员可根据概率数据顺序进行测试维修。2.根据权利要求1所述的一种计算机系统故障的人工智能检测方法，其特征在于：构建硬件故障类型集合A＝k1、k2、
…
、k
m
；其中k1、k2、
…
、k
m
分别代表硬件故障中的一种；获取计算机使用环境因素；在使用环境因素中进行选择，选择与硬件故障相关系数高的环境因素作为硬件故障预测模型训练特征；所述硬件故障预测模型训练特征包括：环境温度、环境湿度、环境静电程度、环境洁净度、计算机使用按键个性化按压力度；设置硬件故障k0；k0代表任一硬件故障；以故障预测时间为因变量，所述故障预测时间为硬件故障k0的预测时间；以环境温度、环境湿度、环境静电程度、环境洁净度、计算机使用按键个性化按压力度为自变量，构建第一预测模型：其中，u0、u1、u2、u3、u4、u5为第一预测模型的回归系数，为误差因子，用于表达计算机异常使用操作对于故障预测时间的影响情况；c1、c2、c3、c4、c5代表环境温度、环境湿度、环境静电程度、环境洁净度、计算机使用按键个性化按压力度；t0代表故障预测时间；利用集成学习思想对第一预测模型进行处理：获取故障预测时间作为预测值，获取实际故障时间作为实际值，获取β个数据样本，β为可设置常数，对预测值符合实际值的数据样本定义为高样本，对预测值不符合实际值的数据样本定义为低样本；所述数据样本中包括计算机使用数据，所述计算机使用数据包括计算机使用环境因素数据与计算机系统故障数据；构建硬件故障预测模型：构建损失函数L(y,f(x))，以均方差函数作为损失函数，设置最大迭代次数T和回归树的最大深度；f(x)为第一预测模型；初始化一个使损失函数最小的弱学习器f0；迭代训练弱学习器；对每一个数据样本i，分别计算其负梯度r
ti
：利用负梯度r
ti
拟合一棵回归树,得到第t棵回归树，其对应的叶子结点区域为R
tj
；x
i
为数据样本取值，y
i
为x
i
对应的损失函数；f(x)＝f
t
‑1(x)表示在本轮计算中的f(x)使用的是上
一轮强学习器f
t
‑1(x)下的第一预测模型；t表示迭代次数；指微分；计算最佳拟合值c
tj
：其中，i、j为标号，取值都是1～β；c为损失函数后面加的常数；所述最佳拟合值指在每一个叶子结点区域里的样本中使损失函数最小的输出值，即拟合叶子结点区域最好的输出值；将弱学习器加入到已经训练完成的模型中，得到新的强学习器：其中，I用于与c
tj
组合，表示本轮的决策树拟合函数；J表示叶子区域；f
t
(x)代表第t轮迭代得出的强学习器；循环完成后，得到最终的强学习器作为新的预测模型，即硬件故障预测模型，其输出硬件故障k0的预测时间。3.根据权利要求2所述的一种计算机系统故障的人工智能检测方法，其特征在于：根据计算机使用数据与硬件故障预测模型，获取计算机的各个硬件故障的预测时间，在计算机系统故障时，获取计算机工作时间，构建硬件故障概率公式：P0＝|v0‑
l0|*e0其中，P0为对应l0的硬件故障的概率，v0为计算机工作时间，l0为任一硬件故障预测时间，e0为影响因子...

【专利技术属性】
技术研发人员：刘影，
申请(专利权)人：淮北仕欧网络科技有限公司，
类型：发明
国别省市：