存储故障分析系统及其方法技术方案

本申请涉及智能化分析技术领域，更具体地，涉及一种存储故障分析系统及其方法，包括：运行状态监控模块，日志获取模块，运行数据排列模块，运行时序特征提取模块，日志语义理解模块，封装语义匹配融合模块，以及故障类型划分模块，其综合利用被诊断存储模块在预定时间段内多个预定时间点的运行状态数据（温度、电压、电流和传输速率）和被诊断存储模块的错误日志，并结合深度学习和人工智能技术自动地对存储系统中的故障进行识别和分类，以提高存储故障分析的效率和准确性。故障分析的效率和准确性。故障分析的效率和准确性。

【技术实现步骤摘要】
存储故障分析系统及其方法


[0001]本申请涉及智能化分析
，并且更具体地，涉及一种存储故障分析系统及其方法。

技术介绍

[0002]存储故障分析是一种检测和诊断存储系统中出现的故障的方法。进行存储故障分析可以帮助存储管理员快速定位和解决故障，提高存储系统的可靠性和性能，减少数据丢失和服务中断的风险。
[0003]现有的存储故障分析方案缺乏自动化的故障分析工具，导致存储管理员需要手动收集和分析大量的故障数据，耗时耗力，且容易出错。因此，期待一种优化的解决方案。

技术实现思路

[0004]本申请要解决的技术问题为，提供一种存储故障分析系统及其方法，以提高存储故障分析的效率和准确性。
[0005]本申请的实施例提供了一种存储故障分析系统及其方法，其综合利用被诊断存储模块在预定时间段内多个预定时间点的运行状态数据（温度、电压、电流和传输速率）和被诊断存储模块的错误日志，并结合深度学习和人工智能技术自动地对存储系统中的故障进行识别和分类，以提高存储故障分析的效率和准确性。
[0006]第一方面，提供了一种存储故障分析系统，其包括：运行状态监控模块，用于获取被诊断存储模块在预定时间段内多个预定时间点的运行状态数据，其中，所述运行状态数据包括温度、电压、电流和传输速率；日志获取模块，用于获取所述被诊断存储模块的错误日志；运行数据排列模块，用于将所述多个预定时间点的运行状态数据按照时间维度和样本维度排列为运行状态数据时序输入矩阵；运行时序特征提取模块，用于将所述运行状态数据时序输入矩阵通过作为过滤器的卷积神经网络模型以得到运行状态时序关联特征向量；日志语义理解模块，用于对所述错误日志进行分词处理后通过包含词嵌入层的语义编码器以得到错误日志语义理解特征向量；封装语义匹配融合模块，用于融合所述运行状态时序关联特征向量和所述错误日志语义理解特征向量以得到分类特征向量；以及故障类型划分模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被诊断存储模块的故障类型标签。
[0007]在上述存储故障分析系统中，所述运行时序特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述
作为过滤器的卷积神经网络模型的最后一层的输出为所述运行状态时序关联特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述运行状态数据时序输入矩阵。
[0008]在上述存储故障分析系统中，所述日志语义理解模块，包括：分词单元，用于对所述错误日志进行分词处理以将所述错误日志转化为由多个词组成的词序列；嵌入编码单元，用于使用所述包含词嵌入层的语义编码器的词嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及，上下文编码单元，用于使用所述包含词嵌入层的语义编码器的转化器对所述词向量的序列进行基于全局的上下文语义编码以获得所述错误日志语义理解特征向量。
[0009]在上述存储故障分析系统中，所述上下文编码单元，包括：向量构造子单元，用于将所述词向量的序列进行一维排列以得到全局词特征向量；自注意子单元，用于计算所述全局词特征向量与所述词向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述词向量的序列中各个词向量进行加权以得到所述错误日志语义理解特征向量。
[0010]在上述存储故障分析系统中，所述封装语义匹配融合模块，用于：以如下优化公式融合所述运行状态时序关联特征向量和所述错误日志语义理解特征向量以得到分类特征向量；其中，所述优化公式为：其中，表示所述运行状态时序关联特征向量，表示所述错误日志语义理解特征向量，和分别表示向量的一范数和二范数，和分别为权重和偏置超参数，表示所述运行状态时序关联特征向量和所述错误日志语义理解特征向量之间的按位置距离矩阵，且为单位矩阵，表示按位置点乘，表示矩阵相乘，表示按位置加法，表示按位置减法，表示所述分类特征向量。
[0011]在上述存储故障分析系统中，所述故障类型划分模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
[0012]在上述存储故障分析系统中，还包括：用于对所述作为过滤器的卷积神经网络模型、所述包含词嵌入层的语义编码器和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练运行状态监控单元，用于获取训练被诊断存储模块在预定时间段内多个预定时间点的训练运行状态数据；训练日志获取单元，用于获取所述训练被诊断存储模块的训练错误日志；训练运行数据排列单元，用于将所述多个预定时间点的训练运行状态数据按
照时间维度和样本维度排列为训练运行状态数据时序输入矩阵；训练运行时序特征提取单元，用于将所述训练运行状态数据时序输入矩阵通过所述作为过滤器的卷积神经网络模型以得到训练运行状态时序关联特征向量；训练日志语义理解单元，用于对所述训练错误日志进行分词处理后通过所述包含词嵌入层的语义编码器以得到训练错误日志语义理解特征向量；训练融合单元，用于融合所述训练运行状态时序关联特征向量和所述训练错误日志语义理解特征向量以得到训练分类特征向量；分类损失单元，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；以及训练单元，用于基于所述分类损失函数值并以梯度下降的反向传播对所述作为过滤器的卷积神经网络模型、所述包含词嵌入层的语义编码器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行特征分布的跨域注意力转移优化。
[0013]在上述存储故障分析系统中，对所述分类器的权重矩阵进行特征分布的跨域注意力转移优化，包括：以如下转移优化公式对所述分类器的权重矩阵进行特征分布的跨域注意力转移优化以得到优化后的权重矩阵；其中，所述转移优化公式为：其中，是所述权重矩阵，的尺度为,、到是所述权重矩阵的各个行向量，表示特征向量的二范数，表示所述权重矩阵的第行第列的特征值，是对所述权重矩阵的每个行向量的求和值排列得到的行向量，表示矩阵的转置，表示矩阵相乘，和均表示单层卷积操作，是所述优化后的权重矩阵。
[0014]第二方面，提供了一种存储故障分析方法，其包括：获取被诊断存储模块在预定时间段内多个预定时间点的运行状态数据，其中，所述运行状态数据包括温度、电压、电流和传输速率；获取所述被诊断存储模块的错误日本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种存储故障分析系统，其特征在于，包括：运行状态监控模块，用于获取被诊断存储模块在预定时间段内多个预定时间点的运行状态数据，其中，所述运行状态数据包括温度、电压、电流和传输速率；日志获取模块，用于获取所述被诊断存储模块的错误日志；运行数据排列模块，用于将所述多个预定时间点的运行状态数据按照时间维度和样本维度排列为运行状态数据时序输入矩阵；运行时序特征提取模块，用于将所述运行状态数据时序输入矩阵通过作为过滤器的卷积神经网络模型以得到运行状态时序关联特征向量；日志语义理解模块，用于对所述错误日志进行分词处理后通过包含词嵌入层的语义编码器以得到错误日志语义理解特征向量；封装语义匹配融合模块，用于融合所述运行状态时序关联特征向量和所述错误日志语义理解特征向量以得到分类特征向量；以及故障类型划分模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被诊断存储模块的故障类型标签；所述存储故障分析系统用于对所述作为过滤器的卷积神经网络模型、所述包含词嵌入层的语义编码器和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练运行状态监控单元，用于获取训练被诊断存储模块在预定时间段内多个预定时间点的训练运行状态数据；训练日志获取单元，用于获取所述训练被诊断存储模块的训练错误日志；训练运行数据排列单元，用于将所述多个预定时间点的训练运行状态数据按照时间维度和样本维度排列为训练运行状态数据时序输入矩阵；训练运行时序特征提取单元，用于将所述训练运行状态数据时序输入矩阵通过所述作为过滤器的卷积神经网络模型以得到训练运行状态时序关联特征向量；训练日志语义理解单元，用于对所述训练错误日志进行分词处理后通过所述包含词嵌入层的语义编码器以得到训练错误日志语义理解特征向量；训练融合单元，用于融合所述训练运行状态时序关联特征向量和所述训练错误日志语义理解特征向量以得到训练分类特征向量；分类损失单元，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；以及训练单元，用于基于所述分类损失函数值并以梯度下降的反向传播对所述作为过滤器的卷积神经网络模型、所述包含词嵌入层的语义编码器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行特征分布的跨域注意力转移优化；其中，对所述分类器的权重矩阵进行特征分布的跨域注意力转移优化，包括：以如下转移优化公式对所述分类器的权重矩阵进行特征分布的跨域注意力转移优化以得到优化后的权重矩阵；其中，所述转移优化公式为：
其中，是所述权重矩阵，的尺度为，、到是所述权重矩阵的各个行向量，表示特征向量的二范数，表示所述权重矩阵的第行第列的特征值，是对所述权重矩阵的每个行向量的求和值排列得到的行向量，表示矩阵的转置，表示矩阵相乘，和均表示单层卷积操作，是所述优化后的权重矩阵。2.根据权利要求1所述的存储故障分析系统，其特征在于，所述运行时序特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述运行状态时序关联特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述运行状态数据时序输入矩阵。3.根据权利要求2所述的存储故障分析系统，其特征在于，所述日志语义理解模块，包括：分词单元，用于对所述错误日志进行分词处理以将所述错误日志转化为由多个词组成的词序列；嵌入编码单元，用于使用所述包含词嵌入层的语义编码器的词嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及上下文编码单元，用于使用所述包含词嵌入层的语义编码器的转化器对所述词向量的序列进行基于全局的上下文语义编码以获得所述错误日志语义理解特征向量。4.根据权利要求3所述的存储故障分析系统，其特征在于，所述上下文编码单元，包括：向量构造子单元，用于将所述词向量的序列进行一维排列以得到全局词特征向量；自注意子单元，用于计算所述全局词特征向量与所述词向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计...

【专利技术属性】
技术研发人员：王建东，曾德，
申请(专利权)人：湖南惟储信息技术有限公司，
类型：发明
国别省市：