基于加速模糊c均值聚类的计量主站故障定位方法及装置制造方法及图纸

本发明专利技术公开一种基于加速模糊c均值聚类的计量主站故障定位方法及装置，所述方法包括：调用加速后的所述模糊c均值聚类算法对所述异常数据集进行处理，持续迭代直至关于所述异常数据集的聚类集合小于预设阈值或迭代次数达到设定上限，得到聚类后的聚类集合和隶属度集合；根据所述聚类集合和所述隶属度集合，得到故障类型与故障特征互相对应的分类结果；将所述分类结果与所述日志的正常数据比较，定位故障区域。采用本发明专利技术，通过采用KCN网络加速FCM聚类网络的迭代速度，保证数据分类和故障定位的准度与速度。的准度与速度。的准度与速度。

【技术实现步骤摘要】
基于加速模糊c均值聚类的计量主站故障定位方法及装置


[0001]本专利技术涉及网络监测
，尤其涉及一种基于加速模糊c均值聚类的计量主站故障定位方法及装置。

技术介绍

[0002]现有的计量自动化主站系统故障定位技术包括基于测试的故障定位技术、基于人工智能的故障定位技术以及基于模型的故障定位技术。测试法假定系统为白盒，在系统出现故障时通过测试系统的输出或其他相关条件来定位故障；人工智能法通过分析历史故障以及运行时观察到的现象进行故障原因分析，基于案例给出对应的方案；模型法通过建立系统内结构与事件之间的联系来反应行为，最常用的就是基于日志信息来进行故障定位。
[0003]测试法只能进行简单的失效模型检测，且需要系统发生故障时可以停止运行进入测试阶段，计量运维人员也多采用经验检测法，其检测准确度受主观影响，依赖于运维人员的处理能力，因此不符合现有对准确度和效率的需求。人工智能法中神经网络的训练时间过长，对于不在训练集中的数据无法给出理想的结果，因此不适用于实时定位故障。模型法中，获取到的日志数据数量十分庞大，其中还包含部分无效的信息，现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于加速模糊c均值聚类的计量主站故障定位方法，其特征在于，包括：采集计量主站的日志数据，保留故障特征完整的异常数据形成不冗余的异常数据集；根据KCN聚类网络中含学习速率的迭代规则加速模糊c均值聚类算法的聚类过程；调用加速后的所述模糊c均值聚类算法对所述异常数据集进行处理，持续迭代直至关于所述异常数据集的聚类集合小于预设阈值或迭代次数达到设定上限，得到聚类后的聚类集合和隶属度集合；根据所述聚类集合和所述隶属度集合，得到故障类型与故障特征互相对应的分类结果；将所述分类结果与所述日志的正常数据比较，定位故障区域。2.如权利要求1所述基于加速模糊c均值聚类的计量主站故障定位方法，其特征在于，所述根据KCN聚类网络中含学习速率的迭代规则加速模糊c均值聚类算法的聚类过程，具体包括：根据模糊收敛算子和模糊c均值聚类算法的聚类集合对学习速率进行定义；根据所述学习速率的定义更新KCN聚类网络的迭代规则；将所述KCN聚类网络的迭代规则取代所述模糊c均值聚类算法的迭代规则。3.如权利要求1所述基于加速模糊c均值聚类的计量主站故障定位方法，其特征在于，所述模糊c均值聚类算法的目标函数与异常数据和各个聚类的差值、对应隶属度有关。4.如权利要求1所述基于加速模糊c均值聚类的计量主站故障定位方法，其特征在于，所述加速后的所述模糊c均值聚类算法，运行过程具体包括:根据所述异常数据集初始化聚类集合、模糊参数，并计算初始隶属度集合；根据KCN聚类网络中含学习速率的迭代规则、模糊c均值聚类算法隶属度集合迭代规则进行迭代至满足收敛条件。5.如权利要求1所述基于加速模糊c均值聚类的计量主站故障定位方法，其特征在于，所述故障类型包括进程异常、资源使用异常和服务器负载异常，所述故障特征包括数据流量、tcp连接数和服务器CPU占用率。6.一种基于加速...

【专利技术属性】
技术研发人员：孙勇，冯浩洋，招景明，吴敏，刘日荣，蔡乾乾，黄家嘉，姜晓，马键，黄友朋，
申请(专利权)人：广东电网有限责任公司计量中心，
类型：发明
国别省市：