System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机领域,具体而言,涉及一种边缘设备的排障方法、装置、电子设备及存储介质。
技术介绍
1、在我国大力推动制造业数字化、智能化转型的大背景下,制造业中各细分行业对工厂数字化、智能化转型的需求与日俱增。而在对制造工厂的数字化、智能化升级过程中,对各种感知设备的算力服务使用量增长迅速。因此,对于大量边端一体机所提供的算力服务的稳定性的需要变得非常迫切。因为在工业场景下,边端的网络及服务器部署环境非常开放,且非常容易遇到的一些突发状况,这些不确定因素将直接导致为感知端设备提供算力的边端一体机的服务稳定性无法保障且故障频发。那么,针对如此复杂的工业边端环境,对出现故障的边端算力设备提供无人值守且智能的排障服务显得非常重要,这种自动排障服务不仅能有效保证产线生产的稳定性,同时还能有效减少运维人力成本,并且最重要的是提供了7×24小时的保障服务,能保证故障响应的即时性、连续性。
2、目前针对工业边端设备所提供算力服务稳定性方面的故障主要有两个最主要的故障类型,一是宕机类故障,二是非宕机类故障。由于处理这两种故障类型甚至其中的每个细分故障的方法都是不一样的,因此,需要对这些不同的故障类型通过相应的故障类型日志数据进行详细区分,并且在出现这些故障的时候要能进行精准的故障识别,再通过识别出的故障类型选择相应的故障排除手段进行自动的排障工作。
3、目前已有的技术方法主要有以下两种:
4、1)日志关键字检索法。此方法先建立关键词数据库,再通过对日志关键词进行提取,并对关键词在数据库中进行检索比对,找出
5、2)统计分析法。通过统计大量数据,根据不同类型数据的阈值,再综合判断故障类型。
6、然而,现有技术存在的缺点如下:
7、1)日志关键字检索法。这种方法优点是建设简单,但是对日志关键词提取的难度比较大,因为边端设备一体机可能使用不同的操作系统,关键词提取很难适应所有类型的日志。同时,针对同一种故障可能会出现种类繁多的不同类型的日志信息,穷举所有日志耗时耗力,一旦漏掉日志,很大程度上提升了漏判的概率,提升了服务的不稳定性概率。
8、2)统计分析法。这种方法需要有非常丰富的运维专家设置大量的前置条件,耗费人力的同时,对每个参与的运维专家能力的要求都非常高,一旦某一人或一些人能力相对较弱,每个人对系统贡献的经验参差不齐,那么系统发现故障的能力会受到大幅影响,不仅故障判断不准确,而且还有可能会引发新的故障,最终导致排障服务稳定性较弱。
技术实现思路
1、为了解决上述技术问题或者至少部分地解决上述技术问题,本专利技术提供了一种边缘设备的排障方法、装置、电子设备及存储介质。
2、第一方面,本专利技术提供了一种边缘设备的排障方法,所述方法包括:
3、获取边缘设备的故障日志数据对应的至少一要素编码,其中,所述要素编码用于预测所述边缘设备发生故障对应的故障类型;
4、通过将所述至少一要素编码输入目标故障类型预测模型,输出所述边缘设备对应的故障类型,其中,所述目标故障类型预测模型是利用所述边缘设备的历史故障日志数据对应的要素编码训练基于多层感知机的初始模型得到,且所述历史故障日志数据对应的故障类型为已知;
5、根据所述边缘设备的故障类型对所述边缘设备进行排障。
6、可选地,所述获取边缘设备的故障日志数据对应的至少一要素编码包括:
7、获取所述边缘设备的故障日志数据;
8、识别所述故障日志数据中的至少一要素信息;
9、通过查询预设字典列表,查询每个要素信息对应的要素编码。
10、可选地,在通过查询预设字典列表,查询每个要素信息对应的要素编码之前,所述方法还包括:
11、识别各历史故障日志数据中的至少一要素信息;
12、针对所述至少一要素信息中的目标类型要素,由各历史故障日志数据中与所述目标类型要素关联的目标要素信息建立目标要素字典;
13、确定所述目标要素字典的大小以及各个目标要素信息在所述目标要素字典中的索引值;
14、利用字典编码规则,根据所述目标类型要素、所述目标要素信息对应的索引值及所述目标要素字典的大小,计算各个目标要素信息对应的编码值;
15、根据所有历史故障日志数据对应的目标要素信息和编码值构建预设字典列表。
16、可选地,在通过将所述至少一要素编码输入目标故障类型预测模型,输出所述边缘设备对应的故障类型之前,所述方法还包括:
17、根据字典编码规则确定各历史故障日志数据对应的要素编码;
18、依据各历史故障日志数据对应的故障类型,对各要素编码进行标注,得到历史标注数据;
19、利用所述标注数据训练基于多层感知机模型的初始模型,得到所述目标故障类型预测模型。
20、可选地,所述利用所述标注数据训练基于多层感知机模型的初始模型,得到所述目标故障类型预测模型包括:
21、通过将所述标注数据输入所述多层感知机的输入层,并从所述多层感知机的输出层输出预测结果,其中,所述输入层包含的神经元数量与所述至少一要素编码的数据维度相同,所述输出层的神经元数量与各历史故障日志数据对应的故障类型的数量相同;
22、通过反向传播的方式,利用所述预测结果,对所述多层感知机的权重参数和偏置项进行修正,直到所述多层感知机的损失达到最小,得到修正后的目标权重参数和目标偏置项;
23、将基于所述目标权重参数和所述目标偏置项的多层感知机模型作为所述目标故障类型预测模型。
24、可选地,所述通过将所述至少一要素编码输入目标故障类型预测模型,输出所述边缘设备对应的故障类型,包括:
25、将所述至少一要素编码输入所述目标故障预测模型,经过所述多层感知机中隐藏层的学习,通过所述多层感知机的输出层输出所述至少一要素编码对应任一故障类型的预测概率值;
26、将多个预测概率值中的最大值对应的故障类型作为所述边缘设备发生故障的故障类型。
27、可选地,所述根据所述边缘设备的故障类型对所述边缘设备进行排障至少包括以下之一:
28、当预测出所述边缘设备对应第一故障类型时,启用冗余边缘设备接管所述边缘设备的服务,其中,所述第一故障类型属于宕机故障类型;
29、当预测出所述边缘设备对应第二故障类型时,降低所述边缘设备的负载,其中,所述第二故障类型属于非宕机故障类型。
30、第二方面,本专利技术提供了一种边缘设备的排障装置,所述装置包括:
31、获取模块,用于获取边缘设备的故障日志数据对应的至少一要素编码,其中,所述要素编码用于预测所述边缘设备发生故障对应的故障类型;
32、学习模块,用于通过将所述至少一要素编码输入目标故障类型预测模型,输出所述边缘设备对应的故障类型,其中,本文档来自技高网...
【技术保护点】
1.一种边缘设备的排障方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述获取边缘设备的故障日志数据对应的至少一要素编码包括:
3.根据权利要求2所述的方法,其特征在于,在通过查询预设字典列表,查询每个要素信息对应的要素编码之前,所述方法还包括:
4.根据权利要求1所述的方法,其特征在于,在通过将所述至少一要素编码输入目标故障类型预测模型,输出所述边缘设备对应的故障类型之前,所述方法还包括:
5.根据权利要求4所述的方法,其特征在于,所述利用所述标注数据训练基于多层感知机模型的初始模型,得到所述目标故障类型预测模型包括:
6.根据权利要求1所述的方法,其特征在于,所述通过将所述至少一要素编码输入目标故障类型预测模型,输出所述边缘设备对应的故障类型,包括:
7.根据权利要求1所述的方法,其特征在于,所述根据所述边缘设备的故障类型对所述边缘设备进行排障至少包括以下之一:
8.一种边缘设备的排障装置,其特征在于,所述装置包括:
9.一种电子设备,其特征在于,包括处
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种边缘设备的排障方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述获取边缘设备的故障日志数据对应的至少一要素编码包括:
3.根据权利要求2所述的方法,其特征在于,在通过查询预设字典列表,查询每个要素信息对应的要素编码之前,所述方法还包括:
4.根据权利要求1所述的方法,其特征在于,在通过将所述至少一要素编码输入目标故障类型预测模型,输出所述边缘设备对应的故障类型之前,所述方法还包括:
5.根据权利要求4所述的方法,其特征在于,所述利用所述标注数据训练基于多层感知机模型的初始模型,得到所述目标故障类型预测模型包括:
6....
【专利技术属性】
技术研发人员:唐萍峰,宋志刚,高莎,艾思岐,
申请(专利权)人:国器智眸重庆科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。