铁路数据中心关键性能指标趋势预测方法、异常识别方法技术

本发明专利技术公开了一种铁路数据中心关键性能指标趋势预测方法、异常识别方法，其中方法包括：获取铁路数据中心各IT设备的运维数据，提取多项整体关键性能指标的时间序列，构建整体关键性能指标矩阵；将整体关键性能指标矩阵输入基于CNN网络的趋势特征提取子网络，得到一维趋势特征向量；将一维趋势特征向量输入基于LSTM网络的关键性能指标预测子网络，并将预测结果分别输入多个独立的全连接层，分别得到各项整体关键性能指标的预测结果。本发明专利技术能够对铁路数据中心关键性能指标进行高准确率预测，并进行异常风险识别，减少铁路数据中心发生故障的可能性，提高铁路数据中心可靠性，大大较少运维人员的运维难度。少运维人员的运维难度。少运维人员的运维难度。

【技术实现步骤摘要】
铁路数据中心关键性能指标趋势预测方法、异常识别方法


[0001]本专利技术涉及智能运维
，尤其涉及一种铁路数据中心关键性能指标趋势预测方法、异常识别方法及系统。

技术介绍

[0002]近年来，随着我国铁路信息化飞速发展，构建铁路数据中心已经成为了趋势和主流。数据中心是否正常运行，直接关系到整个铁路系统能否正常运转，为保证数据中心的稳定运行，需要有专门的运维工程师对数据中心的可靠性进行保障，随着人工智能算法的普及，机器学习和深度学习的方法也开始在运维场景中得到应用，这就是人工智能运维的出现。数据中心运维数据预测主要是根据数据中心在运维过程中产生的海量历史运维数据，预测数据中心在未来的运维数据。
[0003]已经有多种方法进行运维数据预测，主要对运维数据中的某关键性能指标进行预测，可以大致分为两类，基于传统技术和基于人工智能的技术。在传统方法中，主要采用统计方法。包括多元线性回归、指数平滑和差分整合移动平均自回归(ARIMA)算法。然而由于运维数据的非线性特性，上述技术在运维数据预测中的表现并不理想。在人工智能方法中，卷积神经网络(CNN)网络和长短期记忆(LSTM)是运维数据预测中最广泛使用的深度学习技术。CNN模型可以过滤掉输入数据的噪声并提取数据中的趋势特征，然而CNN更适合处理空间自相关数据，对于具有复杂和长时间的时间依赖关系的运维数据不大理想；LSTM模型由于其特殊的架构设计可以有效地捕获序列模式信息，然而LSTM模型只利用了在训练集中提供的特征，对运维数据趋势特征提取较弱。目前，采用CNN或LSTM的运维数据预测方法均存在各自的缺点，影响了预测精度。

技术实现思路

[0004]本专利技术提供了一种铁路数据中心关键性能指标趋势预测方法、异常识别方法，以解决现有的运维数据预测方法精度不高的问题。
[0005]第一方面，提供了一种铁路数据中心关键性能指标趋势预测方法，包括：
[0006]获取铁路数据中心各IT设备的运维数据，提取多项整体关键性能指标的时间序列，构建整体关键性能指标矩阵；
[0007]将整体关键性能指标矩阵输入基于CNN网络的趋势特征提取子网络，得到一维趋势特征向量；
[0008]将一维趋势特征向量输入基于LSTM网络的关键性能指标预测子网络，并将预测结果分别输入多个独立的全连接层，分别得到各项整体关键性能指标的预测结果。
[0009]进一步地，整体关键性能指标矩阵通过如下方法得到：
[0010]通过下式将各IT设备的各项关键性能指标汇总成对应的整体关键性能指标，
[0011][0012]其中，Y
k
表示第k项整体关键性能指标，表示第i个IT设备的第k项关键性能指标数值，n为IT设备总数；
[0013]以各项整体关键性能指标时间序列为列进行横向拼接，得到整体关键性能指标矩阵。
[0014]进一步地，趋势特征提取子网络包括卷积层、最大池化层和flatten层，卷积层采用多个行长度为关键性能指标总数、列长度为p的卷积核对整体关键性能指标矩阵进行卷积运算，得到多个相同长度的一维矩阵；最大池化层对卷积层的输出进行最大池化处理；flatten层将最大池化层的输出转换成一维向量，即得到一维趋势特征向量，其中p与预设值。
[0015]进一步地，每个独立的全连接层对应一个关键性能指标预测子网络预测结果与一项整体关键性能指标的关系函数，用于根据关键性能指标预测子网络预测结果转换得到对应整体关键性能指标的预测结果。
[0016]进一步地，整体关键性能指标至少包括CPU占用率、内存使用率、网络以及磁盘IO中的两种。
[0017]第二方面，提供了一种铁路数据中心异常识别方法，包括：
[0018]基于铁路数据中心历史故障发生时的各项整体关键性能指标数值及对应的故障类型构建历史故障数据集；
[0019]基于历史故障数据集构建CART决策树故障分类模型；
[0020]将采用如上所述的铁路数据中心关键性能指标趋势预测方法预测的各项整体关键性能指标的预测结果输入CART决策树故障分类模型；
[0021]CART决策树故障分类模型将各项整体关键性能指标的预测结果划分到对应叶子节点，该叶子节点对应的故障类型即为预测故障类型。
[0022]进一步地，所述基于历史故障数据集构建CART决策树故障分类模型包括：
[0023]A：从根节点开始，对于当前节点的历史故障数据集的各项整体关键性能指标，将其数值进行排序，依次取相邻两样本数值的中位数为切分点，分别计算各切分点对应基尼系数；
[0024]B：在计算出的各项整体关键性能指标的各个划分点对应的基尼系数中，选择基尼系数最小的整体关键性能指标及其对应的切分点作为最优特征和最优切分点；然后根据最优特征和最优切分点，将当前节点的历史故障数据集划分为两个数据集D1和D2，同时生成当前节点的两个子节点，左节点的数据集为D1，右节点的数据集为D2；
[0025]C：对左右两个子节点递归调用步骤A～B，直至达到终止条件，生成CART决策树故障分类模型。
[0026]进一步地，终止条件包括：
[0027]对于当前节点的数据集，若样本个数小于最低样本个数阈值或所有故障类型已经得到划分，则当前节点停止递归；
[0028]计算当前节点的数据集的基尼系数，如果基尼系数小于基尼系数阈值，则当前节点停止递归。
[0029]第三方面，提供了一种铁路数据中心关键性能指标趋势预测系统，包括：
[0030]存储器，其存储有计算机程序；
[0031]处理器，用于执行所述计算机程序时实现如上所述的铁路数据中心关键性能指标趋势预测方法的步骤。
[0032]第四方面，提供了一种铁路数据中心异常识别系统，包括：
[0033]存储器，其存储有计算机程序；
[0034]处理器，用于执行所述计算机程序时实现如上所述的铁路数据中心异常识别方法的步骤。
[0035]有益效果
[0036]本专利技术提出了一种铁路数据中心关键性能指标趋势预测方法、异常识别方法，首先基于铁路数据中心的多项整体关键性能指标的时间序列构建整体关键性能指标矩阵，然后利用基于CNN网络的趋势特征提取子网络提取出包括运维数据趋势特征的一维趋势特征向量，然后采用基于LSTM网络的关键性能指标预测子网络对具有长时间依赖关系的运维数据进行预测，最后通过多个独立的全连接层分别对关键性能指标预测子网络的预测结果进行处理，得到各项整体关键性能指标的预测结果。同时，基于预测结果和预先构建的CART决策树故障分类模型实现铁路数据中心异常风险的识别，以供铁路数据中心实现实时异常故障风险预警。本专利技术能够对铁路数据中心运维数据进行高准确率预测，并进行异常风险识别及预警，减少铁路数据中心发生故障的可能性，提高铁路数据中心可靠性，大大较少运维人员的运维难度，提高整个运维体系的自动化、智能化。
附图说明
[0037]为了更清楚地说明本专利技术实施例或现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种铁路数据中心关键性能指标趋势预测方法，其特征在于，包括：获取铁路数据中心各IT设备的运维数据，提取多项整体关键性能指标的时间序列，构建整体关键性能指标矩阵；将整体关键性能指标矩阵输入基于CNN网络的趋势特征提取子网络，得到一维趋势特征向量；将一维趋势特征向量输入基于LSTM网络的关键性能指标预测子网络，并将预测结果分别输入多个独立的全连接层，分别得到各项整体关键性能指标的预测结果。2.根据权利要求1所述的铁路数据中心关键性能指标趋势预测方法，其特征在于，整体关键性能指标矩阵通过如下方法得到：通过下式将各IT设备的各项关键性能指标汇总成对应的整体关键性能指标，其中，Y
k
表示第k项整体关键性能指标，表示第i个IT设备的第k项关键性能指标数值，n为IT设备总数；以各项整体关键性能指标时间序列为列进行横向拼接，得到整体关键性能指标矩阵。3.根据权利要求1所述的铁路数据中心关键性能指标趋势预测方法，其特征在于，趋势特征提取子网络包括卷积层、最大池化层和flatten层，卷积层采用多个行长度为关键性能指标总数、列长度为p的卷积核对整体关键性能指标矩阵进行卷积运算，得到多个相同长度的一维矩阵；最大池化层对卷积层的输出进行最大池化处理；flatten层将最大池化层的输出转换成一维向量，即得到一维趋势特征向量，其中p与预设值。4.根据权利要求1所述的铁路数据中心关键性能指标趋势预测方法，其特征在于，每个独立的全连接层对应一个关键性能指标预测子网络预测结果与一项整体关键性能指标的关系函数，用于根据关键性能指标预测子网络预测结果转换得到对应整体关键性能指标的预测结果。5.根据权利要求1所述的铁路数据中心关键性能指标趋势预测方法，其特征在于，整体关键性能指标至少包括CPU占用率、内存使用率、网络以及磁盘IO中的两种。6.一种铁路数据中心异常识别方法，其特征在于，包括：基于铁路数据中心历史故障发生时的各项整体关键性能指标数值及对...

【专利技术属性】
技术研发人员：龙军，刘世震，齐倩倩，
申请(专利权)人：中南大学，
类型：发明
国别省市：