一种基于人工智能的多模态数据管理系统及方法技术方案

本发明专利技术涉及数据安全管理技术领域，具体为一种基于人工智能的多模态数据管理系统及方法，包括获取云平台中各个服务器节点的历史故障数据，基于服务器节点有效的网络数据，对当前时段服务器节点的网络数据进行评估，得到当前时段服务器节点对应预测的网络数据；获取服务器节点对应的故障发生阈值，选取预测故障发生值大于故障发生阈值对应的服务器节点；获取云平台中各个历史时段对应的出现故障的服务器节点，并记为故障服务器节点；基于两两服务器节点之间关联程度值，获取当前时段的故障危险服务器节点对应的故障关联服务器节点，并对故障危险服务器节点和故障关联服务器节点采取相应措施。取相应措施。取相应措施。

【技术实现步骤摘要】
一种基于人工智能的多模态数据管理系统及方法


[0001]本专利技术涉及数据安全管理
，具体为一种基于人工智能的多模态数据管理系统及方法。

技术介绍

[0002]多模态数据是指来自于不同传感器、不同模式的数据，如图像、音频、文本等，对多模态数据管理的有益效果有以下几点：1.丰富的数据呈现：多模态数据管理可以有效的将不同形式的数据如图像、音频、文本等结合在一起，对数据信息呈现上会有更加立体和丰富的效果，不仅仅可以增强数据传递的效果，而且还可以将数据更加清晰和具体的呈现出来，2.提高模型的准确性，在某些特定任务当中，多模态数据管理可以利用多种数据的不同特性，从而有助于更加全面地描述数据，从而可以提高模型的准确度，3.数据的支持，多模态数据管理可以提供对数据的支持，使得数据更加易于管理，对于某些任务而言，有时需要对不同形式的数据进行整合，这时，多模态数据管理可以直接将不同形式的数据进行整合，提高了数据整合使用的效率，4.应用的灵活性，多模态数据管理不仅仅适用于一种场合，而是对多种场合都适应，对于数据的管理使得可以更加灵活的处理方式去处理大大小小的数据，同时也可以满足各种有效场景需求，有较大的适用性，目前来说，在对服务器的故障进行预测上，主要是对服务器的历史故障数据进行获取，并根据获取的服务器的历史故障数据，找出服务器出现故障的规律，并以此对服务器故障进行预测，但是这种方法较为常规，仅能根据服务器自身情况，对服务器发生故障进行预测，没有考虑到实际上不同服务器之间可能存在着关联性。

技术实现思路

[0003]本专利技术的目的在于提供一种基于人工智能的多模态数据管理系统及方法，以解决上述
技术介绍
中提出的问题。
[0004]为了解决上述技术问题，本专利技术提供如下技术方案：一种基于人工智能的多模态数据管理方法，方法包括：
[0005]步骤S100：获取云平台中各个服务器节点的历史故障数据，从历史故障数据中提取出各个历史时段中服务器节点对应的网络数据；对服务器节点中各个历史时段对应的网络数据进行筛选，获取有效的网络数据；基于服务器节点有效的网络数据，对当前时段服务器节点的网络数据进行评估，得到当前时段服务器节点对应预测的网络数据；
[0006]步骤S200：基于当前时段服务器节点对应预测的网络数据，计算当前时段各个服务器节点对应的预测故障发生值；获取服务器节点对应的故障发生阈值，选取预测故障发生值大于故障发生阈值对应的服务器节点，记为故障危险服务器节点；
[0007]步骤S300：获取云平台中各个历史时段对应的出现故障的服务器节点，并记为故障服务器节点；基于历史时段中各个服务器节点对应的故障危险服务器节点，对故障服务器节点进行划分，并对任意两两服务器节点之间的关联程度进行评估，得到两两服务器节
点之间关联程度值；
[0008]步骤S400：基于两两服务器节点之间关联程度值，获取当前时段的故障危险服务器节点对应的故障关联服务器节点，并对故障危险服务器节点和故障关联服务器节点采取相应措施。
[0009]进一步的，步骤S100包括：
[0010]步骤S101：对各个历史时段中服务器节点对应的网络数据进行记录汇集；网络塑胶包括峰值流量、网络丢包率；得到各个历史时段中服务器节点对应的网络数据集合X＝{(C1,F1),(C2,F2),...,(C
r
,F
r
)}；其中，C1、C2、...、C
r
分别为第1、2、...、r个历史时段中服务器节点对应的峰值流量；F1、F2、...、F
r
分别为第1、2、...、r个历史时段中服务器节点对应的网络丢包率；
[0011]步骤S102：获取网络数据集合中各个网络数据对应的历史时段与当前时段之间距离的时长；获取网络数据集合X中与当前时段距离时间最近的历史时段中服务器节点对应的网络丢包率记为标准网络丢包率F
a
；计算服务器节点中各个历史时段的网络丢包率与标准网络丢包率之间的传输单元差异值ε＝|F
‑
F
a
|，其中，F为服务器节点对应的网络丢包率；获取传输单元差异值阈值；获取传输单元差异值大于传输差异值阈值对应的网络丢包率，并记为疑似有效网络丢包率，获取疑似有效网络丢包率对应的历史时段与当前时段之间距离的时长T
e
；当时长T
e
大于距离时长阈值T
et
，对疑似有效网络丢包率进行去除，将服务器节点的网络数据集合X中保留的网络丢包率，记为有效网络丢包率；获取各个有效最大传输节点对应的历史时段与当前时段之间距离的时长；获取服务器节点各个有效最大传输节点对应的历史时段与当前时段之间距离最短的时长T
a
；计算有效最大传输节点的历史时段对应的时间影响因数其中，T为有效网络丢包率对应的历史时段与当前时段之间距离的时长；
[0012]步骤S103：计算当前时段中服务器节点对应的预测网络丢包率F
o
：
[0013][0014]其中，F
i
为第i个有效网络丢包率；T
xi
为第i个有效网络丢包率对应的历史时段对应的时间影响因数；j为服务器节点的网络数据集合X中有效网络丢包率的总个数。
[0015]进一步的，步骤S200包括：
[0016]步骤S201：计算网络数据集合X中两两相邻时段之间服务器节点的峰值流量变化比例其中，v
w
为第w个时段服务器节点对应的峰值流量变化比例；C
w+1
为网络数据集合X中服务器节点的第w+1个历史时段对应峰值流量；C
w
为网络数据集合X中服务器节点的第w个历史时段对应峰值流量；对服务器节点各个历史时段对应的峰值流量进行记录汇集，得到服务器节点对应的峰值流量变化比例集合Y＝{v1、v2、...、v
m
}；其中，m＝r
‑
1；v1、v2、...、v
m
分别为第1、2、...、m个历史时段服务器节点对应的峰值流量变化比例；
[0017]步骤S202：获取服务器节点对应的峰值流量变化比例阈值范围；对各个峰值流量变化比例阈值范围内的峰值流量变化比例的个数进行汇集；获取峰值变化比例阈值范围对应的个数阈值；将峰值流量变化比例个数大于个数阈值的峰值流量变化比例阈值范围进行
保留，并将保留的各个峰值流量变化比例阈值范围下的峰值流量变化比例进行汇集，得到有效峰值流量变化比例集合D＝{v1、v2、...、v
e
}；其中，v1、v2、...、v
e
分别为服务器节点对应的第1、2、...、e个有效峰值流量变化比例；获取与当前时段距离时间最短的历史时段中服务器节点对应的峰值流量C
e
；计算当前时段服务器节点对应的预测峰值流量C
o
：
[0018][0019]其中，C
G
为有效峰值流量变化比本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的多模态数据管理方法，其特征在于，所述方法包括：步骤S100：获取云平台中各个服务器节点的历史故障数据，从所述历史故障数据中提取出各个历史时段中服务器节点对应的网络数据；对服务器节点中各个历史时段对应的网络数据进行筛选，获取有效的网络数据；基于服务器节点有效的网络数据，对当前时段服务器节点的网络数据进行评估，得到当前时段服务器节点对应预测的网络数据；步骤S200：基于当前时段服务器节点对应预测的网络数据，计算当前时段各个服务器节点对应的预测故障发生值；获取服务器节点对应的故障发生阈值，选取预测故障发生值大于故障发生阈值对应的服务器节点，记为故障危险服务器节点；步骤S300：获取云平台中各个历史时段对应的出现故障的服务器节点，并记为故障服务器节点；基于历史时段中各个服务器节点对应的故障危险服务器节点，对故障服务器节点进行划分，并对任意两两服务器节点之间的关联程度进行评估，得到两两服务器节点之间关联程度值；步骤S400：基于两两服务器节点之间关联程度值，获取当前时段的故障危险服务器节点对应的故障关联服务器节点，并对故障危险服务器节点和故障关联服务器节点采取相应措施。2.根据权利要求1所述的一种基于人工智能的多模态数据管理方法，其特征在于，所述步骤S100包括：步骤S101：对各个历史时段中服务器节点对应的网络数据进行记录汇集；所述网络塑胶包括峰值流量、网络丢包率；得到各个历史时段中服务器节点对应的网络数据集合X＝{(C1,F1),(C2,F2),...,(C
r
,F
r
)}；其中，C1、C2、...、C
r
分别为第1、2、...、r个历史时段中服务器节点对应的峰值流量；F1、F2、...、F
r
分别为第1、2、...、r个历史时段中服务器节点对应的网络丢包率；步骤S102：获取网络数据集合中各个网络数据对应的历史时段与当前时段之间距离的时长；获取网络数据集合X中与当前时段距离时间最近的历史时段中服务器节点对应的网络丢包率记为标准网络丢包率F
a
；计算服务器节点中各个历史时段的网络丢包率与标准网络丢包率之间的传输单元差异值ε＝|F
‑
F
a
|，其中，F为服务器节点对应的网络丢包率；获取传输单元差异值阈值；获取传输单元差异值大于传输差异值阈值对应的网络丢包率，并记为疑似有效网络丢包率，获取疑似有效网络丢包率对应的历史时段与当前时段之间距离的时长T
e
；当时长T
e
大于距离时长阈值T
et
，对疑似有效网络丢包率进行去除，将服务器节点的网络数据集合X中保留的网络丢包率，记为有效网络丢包率；获取各个有效最大传输节点对应的历史时段与当前时段之间距离的时长；获取服务器节点各个有效最大传输节点对应的历史时段与当前时段之间距离最短的时长T
a
；计算有效最大传输节点的历史时段对应的时间影响因数其中，T为有效网络丢包率对应的历史时段与当前时段之间距离的时长；步骤S103：计算当前时段中服务器节点对应的预测网络丢包率F
o
：其中，F
i
为第i个有效网络丢包率；T
xi
为第i个有效网络丢包率对应的历史时段对应的
时间影响因数；j为服务器节点的网络数据集合X中有效网络丢包率的总个数。3.根据权利要求2所述的一种基于人工智能的多模态数据管理方法，其特征在于，所述步骤S200包括：步骤S201：计算网络数据集合X中两两相邻时段之间服务器节点的峰值流量变化比例其中，v
w
为第w个时段服务器节点对应的峰值流量变化比例；C
w+1
为网络数据集合X中服务器节点的第w+1个历史时段对应峰值流量；C
w
为网络数据集合X中服务器节点的第w个历史时段对应峰值流量；对服务器节点各个历史时段对应的峰值流量进行记录汇集，得到服务器节点对应的峰值流量变化比例集合Y＝{v1、v2、...、v
m
}；其中，m＝r
‑
1；v1、v2、...、v
m
分别为第1、2、...、m个历史时段服务器节点对应的峰值流量变化比例；步骤S202：获取服务器节点对应的峰值流量变化比例阈值范围；对各个峰值流量变化比例阈值范围内的峰值流量变化比例的个数进行汇集；获取峰值变化比例阈值范围对应的个数阈值；将峰值流量变化比例个数大于个数阈值的峰值流量变化比例阈值范围进行保留，并将保留的各个峰值流量变化比例阈值范围下的峰值流量变化比例进行汇集，得到有效峰值流量变化比例集合D＝{v1、v2、...、v
e
}；其中，v1、v2、...、v
e
分别为服务器节点对应的第1、2、...、e个有效峰值流量变化比例；获取与当前时段距离时间最短的历史时段中服务器节点对应的峰值流量C
e
；计算当前时段服务器节点对应的预测峰值流量C
o
：其中，C
G
为有效峰值流量变化比例集合D中第G个有效峰值流量变化比例；e为有效峰值流量变化比例集合D中有效峰值流量总个数；步骤S203：计算当前时段各个服务器节点对应的预测故障发生值P:选取预测故障发生值大于故障发生阈值对应的服务器节点，记为故障危险服务器节点。4.根据权利要求1所述的一种基于人工智能的多模态数据管理方法，其特征在于，所...

【专利技术属性】
技术研发人员：张巍，
申请(专利权)人：兴容上海信息技术股份有限公司，
类型：发明
国别省市：