一种基于支持向量机的多类服务器故障预测方法技术

本发明专利技术涉及一种基于支持向量机的多类服务器故障预测方法，包括：将服务器各个故障类型分别与各个特征进行相关度计算，将相关度值最大的几个特征选定为该故障类型的重要特征；构建各个故障类型的数据集，数据集包括故障类型及其重要特征；基于各个数据集分别对各个基于支持向量机的故障预测模型进行训练；基于故障预测模型参数集使用基于支持向量机模型对实时采集到的数据进行故障预测，得到每类故障发生的概率，根据设置的阈值，判断故障未来是否发生；对每类故障所取的特征进行选择，避免无效特征对故障判断的干扰，提高故障判断的准确率；在训练使用支持向量机多分组找最优模型参数，可以充分利用采集到的数据集，提高故障预测的准确性。预测的准确性。预测的准确性。

【技术实现步骤摘要】
一种基于支持向量机的多类服务器故障预测方法


[0001]本专利技术涉及服务器故障预测领域，尤其涉及一种基于支持向量机的多类服务器故障预测方法。

技术介绍

[0002]军用服务器对服务器的可靠性要求高，一旦出现故障就会带来很大的损失。在服务器故障发生之前对其进行预测，然后告知未来多久会发生此故障，可以提前做出反应，更换零部件或者提前检查预测到的故障所在位置。
[0003]目前，军用服务器的故障预测方法相关的文献几乎没有，服务器故障预测的文章有少量的，大多是关于超级计算机的故障预测，超算的故障预测要么关于计算节点的故障预测，要么是单个部件级的预测。关于计算节点的预测，就是把由多块CPU及GPU组成的服务器节点，看作一个整体，只能判断该节点是故障还是正常两种状态；而部件级的故障判断只能判断某个部件的故障，如磁盘故障、网络故障、CPU故障、内存故障等。

技术实现思路

[0004]本专利技术针对现有技术中存在的技术问题，提供一种基于支持向量机的多类服务器故障预测方法，解决现有技术中故障预测的准确性低的问题。r/>[0005]根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于支持向量机的多类服务器故障预测方法，其特征在于，所述故障预测方法包括：步骤1，将服务器各个故障类型分别与各个特征进行相关度计算，将相关度值最大的设定数量个特征选定为该故障类型的重要特征；构建各个故障类型的数据集，所述数据集包括故障类型及其重要特征；步骤2，基于各个数据集分别对各个基于支持向量机的故障预测模型进行训练，得到训练完成的各个故障类型的故障预测模型参数集；步骤3，基于所述故障预测模型参数集使用基于支持向量机模型对实时采集到的数据进行故障预测，得到每类故障发生的概率，根据设置的阈值，判断故障未来是否发生。2.根据权利要求1所述的故障预测方法，其特征在于，所述步骤1包括：步骤101，获取所有特征和故障类型，并进行数据清洗和归一化处理；步骤102，将单个故障类型与所有特征进行相关度计算，选择各个故障类型的重要特征；步骤103，构建所述数据集。3.根据权利要求1或2所述的故障预测方法，其特征在于，所述步骤102包括：步骤10201，计算相关度值：T＝(H+D)/2；其中，T表示特征与故障的相关度值，H表示特征与故障的互信息值，D表示特征与故障的距离度量值；步骤10202，将各个特征按照所述相关度值递减排序；步骤10203，按照排序将特征和对应的故障类型输入支持向量机进行训练和预测，采用序列前向选择算法，根据所述向量机输出的准确率选择得到所述重要特征。4.根据权利要求1所述的故障预测方法，其特征在于，所述度量距离值的计算过程包括：对于数据集[x
ij
,y
k
]中的N个特征样本，其中，x
ij
表示特征样本，i表示样本序号数，j表示属性维度，y
k
表示第k种故障类型；第k类样本对应的j属性值的平均值为：L为第k类样本个数，i＝m，m+1，...m+L
‑
1；计算第k类样本对应的属性j的类内距离为：属性j对应的...

【专利技术属性】
技术研发人员：刘宗宝，谭智敏，陈卓，万永清，邵聪，程帆，蒋志翔，程智鹏，
申请(专利权)人：北京深海智科技术有限公司，
类型：发明
国别省市：