一种基于神经网络模型的服务器监测方法和装置制造方法及图纸

本发明专利技术提供了一种基于神经网络模型的服务器监测方法和装置，所述方法包括：获取待测服务器的电磁波数据信息，包括电磁波频率、波长、幅度和波形；输入至训练好的神经网络模型，获得待测服务器的监测结果；电磁波频率、所述波长、所述幅度和所述波形均作为神经元；神经网络模型包括输入层、隐层和输出层并依次连接，同时还包含若干层神经网络，每层神经网络包括卷积层和最大化池化层；输入矩阵和输出矩阵均包括样本数维度、位置信息维度、电磁波频率维度、波长维度、幅度维度和波形维度。相比于现有技术，无需在服务器外部接线，或通过服务器的操作系统或人工介入，无需与服务器交互，可实时地在线监测服务器运行状态，并提高了监测的准确性。测的准确性。测的准确性。

【技术实现步骤摘要】
一种基于神经网络模型的服务器监测方法和装置


[0001]本专利技术涉及电磁波数据领域，尤其涉及一种基于神经网络模型的服务器监测方法和装置。

技术介绍

[0002]随着信息技术的发展，提供信息服务或产品的系统、应用的类型和数量日渐增多，例如政府办公系统、财务管理系统、协同远程办公以及人力资源管理系统等。各系统相互关联，与企业、政府、单位或各机构的业务联系越来越密切。而这些信息系统都是基于服务器运行的，因此，服务器的安全、运行状态愈发得到重视，如何确保服务器正常持续运行，实时了解服务器的状态并及时排除风险成为了亟需解决的问题。
[0003]目前，对服务器运行状态的监测需要对服务器进行接入，主要通过接入服务器的带外口，基于服务器BMC芯片抓取信息进行监测；或通过服务器的操作系统，抓取信息进行监测。但是这些方法的准确性、实时性较差，无法实时获取服务器的运行状态，并且一定程度上需要人工的介入。

技术实现思路

[0004]本专利技术提供了一种基于神经网络模型的服务器监测方法和装置，提高了服务器监测的准确性。
[0005]为了解决上述技术问题，本专利技术实施例提供了一种基于神经网络模型的服务器监测方法，包括：
[0006]获取待测服务器的电磁波数据信息；其中，所述电磁波数据信息包括电磁波频率、波长、幅度和波形；
[0007]将所述电磁波数据信息输入至训练好的神经网络模型，获得所述待测服务器的监测结果；其中，所述电磁波频率、所述波长、所述幅度和所述波形均作为神经元；所述神经网络模型包括输入层、隐层和输出层；所述输入层、所述隐层和所述输出层依次连接；所述神经网络模型还包含若干层神经网络，每层神经网络包括一层卷积层和一层最大化池化层；所述卷积层的输入矩阵和输出矩阵均包括样本数维度、位置信息维度、电磁波频率维度、波长维度、幅度维度和波形维度。
[0008]作为优选方案，在所述将所述电磁波数据输入至训练好的神经网络模型之前，还包括：
[0009]对所述电磁波数据进行预处理，具体地：
[0010]通过小波阈值法对所述电磁波数据进行去噪处理，选取软阈值系数为：
[0011][0012]其中，γ为小波系数，θ为预定义的阈值。
[0013]作为优选方案，所述隐层的各神经元接收到的输入信号为：
[0014][0015]其中，α
h
为所述隐层第h个神经元接收到的输入信号，v
ih
为第i个输入神经元与所述隐层第h个神经元的连接参数。
[0016]作为优选方案，所述输出层的各神经元接收到的输入信号为：
[0017][0018]其中，β
j
为输出层中第j个神经元接收到的输入信号，w
hj
为第h个隐层神经元与第j个输出神经元的连接参数，b
h
为第h个隐层神经元的输出。
[0019]作为优选方案，所述卷积层的输出信号具体为：
[0020][0021]其中，Y
e
(c，d)为第e层卷积层的输出信号，(c，d)为神经元在电磁波中的位置，Y
e－1
为第e层卷积层的输入信号，w
e－1
为e－1层的卷积参数矩阵，第e层卷积层有K个电磁波卷积，f为卷积核的大小，s
o
为卷积步长，t为偏差量，r为卷积核最小值，k为卷积层最小值。
[0022]作为优选方案，所述最大化池化层的输出信号具体为：
[0023][0024]其中，为第e层最大化池化层的输出信号，g为预设参数。
[0025]作为优选方案，所述在所述将所述电磁波数据输入至训练好的神经网络模型之前，还包括：
[0026]构建单层神经网络模型；其中，所述单层神经网络模型的输出值y为：
[0027][0028]w
i
为所述单层神经网络模型第i个神经元与输出层之间的连接参数，x
i
为模型中第i个神经元的属性，θ为一预设值，所述单层神经网络模型的神经元包括所述电磁波频率、所述波长、所述幅度和所述波形。
[0029]获取训练集，根据所述训练集，调整所述单层神经网络模型第i个神经元与输出层之间的连接参数w
i
：
[0030]w
i
←
w
i
+
△
w
i
；
[0031][0032]其中，所述训练集为所述待测服务器同型号服务器的历史电磁波数据信息,η为学习率，为所述服务器的状态值，
△
w
i
为连接参数与实际状态值之间的差值，y为单层神经网络模型的输出值；
[0033]根据通过误差逆传播算法迭代更新所述单层神经网络模型第i个神经元与输出层之间的连接参数和所述单层神经网络模型的输出值，获得所述训练好的神经网络模型。
[0034]相应的，本专利技术实施例还提供了一种基于神经网络模型的服务器监测装置，包括数据获取模块和监测模块，其中，
[0035]所述数据获取模块用于获取待测服务器的电磁波数据信息；所述电磁波数据信息
包括电磁波频率、波长、幅度和波形；
[0036]所述监测模块用于将所述电磁波数据信息输入至训练好的神经网络模型，获得所述待测服务器的监测结果；其中，所述电磁波频率、所述波长、所述幅度和所述波形均作为神经元；所述神经网络模型包括输入层、隐层和输出层；所述输入层、所述隐层和所述输出层依次连接；所述神经网络模型还包含若干层神经网络，每层神经网络包括一层卷积层和一层最大化池化层；所述卷积层的输入矩阵和输出矩阵均包括样本数维度、位置信息维度、电磁波频率维度、波长维度、幅度维度和波形维度。
[0037]作为优选方案，所述服务器监测装置还包括预处理模块，所述预处理模块用于在所述将所述电磁波数据输入至训练好的神经网络模型之前，对所述电磁波数据进行预处理，具体地
[0038]通过小波阈值法对所述电磁波数据进行去噪处理，选取软阈值系数为：
[0039][0040]其中，γ为小波系数，θ为预定义的阈值。
[0041]作为优选方案，所述隐层的各神经元接收到的输入信号为：
[0042][0043]其中，α
h
为所述隐层第h个神经元接收到的输入信号，v
ih
为所述隐层第i个输入神经元与第h个神经元的连接参数。
[0044]相比于现有技术，本专利技术实施例具有如下有益效果：
[0045]本专利技术实施例提供了一种基于神经网络模型的服务器监测方法和装置，所述方法包括：获取待测服务器的电磁波数据信息；所述电磁波数据信息包括电磁波频率、波长、幅度和波形；将所述电磁波数据信息输入至训练好的神经网络模型，获得所述待测服务器的监测结果；其中，所述电磁波频率、所述波长、所述幅度和所述波形均作为神经元；所述训练好的神经网络模型包括输入层、隐层和输出层；所述输入层、所述隐层和所述输出层依次连接本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络模型的服务器监测方法，其特征在于，包括：获取待测服务器的电磁波数据信息；其中，所述电磁波数据信息包括电磁波频率、波长、幅度和波形；将所述电磁波数据信息输入至训练好的神经网络模型，获得所述待测服务器的监测结果；其中，所述电磁波频率、所述波长、所述幅度和所述波形均作为神经元；所述训练好的神经网络模型包括输入层、隐层和输出层；所述输入层、所述隐层和所述输出层依次连接；所述训练好的神经网络模型还包含若干层神经网络，每层神经网络包括一层卷积层和一层最大化池化层；所述卷积层的输入矩阵和输出矩阵均包括样本数维度、位置信息维度、电磁波频率维度、波长维度、幅度维度和波形维度。2.如权利要求1所述的一种基于神经网络模型的服务器监测方法，其特征在于，在所述将所述电磁波数据输入至训练好的神经网络模型之前，还包括：对所述电磁波数据进行预处理，具体地：通过小波阈值法对所述电磁波数据进行去噪处理，选取软阈值系数为：其中，γ为小波系数，θ为预定义的阈值。3.如权利要求1所述的一种基于神经网络模型的服务器监测方法，其特征在于，所述隐层的各神经元接收到的输入信号为：其中，α
h
为所述隐层第h个神经元接收到的输入信号，v
ih
为第i个输入神经元与所述隐层第h个神经元的连接参数。4.如权利要求3所述的一种基于神经网络模型的服务器监测方法，其特征在于，所述输出层的各神经元接收到的输入信号为：其中，β
j
为输出层中第j个神经元接收到的输入信号，w
hj
为第h个隐层神经元与第j个输出神经元的连接参数，b
h
为第h个隐层神经元的输出。5.如权利要求1至4任意一项所述的一种基于神经网络模型的服务器监测方法，其特征在于，所述卷积层的输出信号具体为：其中，Y
e
(c，d)为第e层卷积层的输出信号，(c，d)为神经元在电磁波中的位置，Y
e－1
为第e层卷积层的输入信号，w
e－1
为e－1层的卷积参数矩阵，第e层卷积层有K个电磁波卷积，f为卷积核的大小，s
o
为卷积步长，t为偏差量，r为卷积核最小值，k为卷积层最小值。6.如权利要求5所述的一种基于神经网络模型的服务器监测方法，其特征在于，所述最大化池化层的输出信号具体为：
其中，为第e层最大化池化层的输出信号，g为预设参数。7.如权利要求1所述的一种基于神经网络模型的服务器监测方法，其特征在于，所述在所述将所述电磁波数据输入至训练...

【专利技术属性】
技术研发人员：肖飞龙，
申请(专利权)人：广州云新信息技术有限公司，
类型：发明
国别省市：