[发明专利]一种基于机器学习预测内存故障的方法，设备及可读存储介质

说明书

本发明提供一种基于机器学习预测内存故障的方法，设备及可读存储介质，采集不同厂商、不同型号内存相关数据集；使用随机森林算法对数据集进行训练建模；用生成的训练模型，对内存进行故障预测。将机器学习与内存测试进行融合来实现对内存测试，进而能够提前预测内存故障，降低服务器风险。

技术领域

本发明涉及内存故障测试领域，尤其涉及一种基于机器学习预测内存故 障的方法，设备及可读存储介质。

背景技术

随着大数据时代的到来，作为计算平台核心的服务器，其可靠性、稳定 性正接受着种种考验。内存作为服务器的核心组成部分，承担着存放当前正 在使用的，或随时要的程序和数据的重要作用，如果内存发生故障，会导致 程序不能正常运行甚至宕机，这将使服务器的可靠性会下降，甚至给用户带 来损失。

机器学习是对能通过经验自动改进的计算机算法的研究。针对经验E和 一系列的任务T和一定表现的衡量P，如果随着经验E的积累，针对定义好 的任务T可以提高表现P，就说明机器具有学习能力。

如何将机器学习与内存测试进行融合来实现对内存测试，进而能够提前 预测内存故障，降低服务器风险是当前丞待解决的技术问题。

发明内容

为了克服上述现有技术中的不足，本发明提供一种基于机器学习预测内 存故障的方法，方法包括：

S1：采集不同厂商、不同型号内存相关数据集；

S2：使用随机森林算法对数据集进行训练建模；

S3：用生成的训练模型，对内存进行故障预测。

优选地，步骤S1还包括：

S11，通过InspurDiagLogCollect模块采集不同厂商、不同型号的内存相 关信息，形成训练数据集；

S12，根据得到的数据集定义内存特征值。

优选地，步骤S2还包括：

S21，数据预处理，使用sklearn中的preproccessing库来进行数据预处理；

S22，创建预测模型，使用sklearn中的监督式学习RandomForestClassifier 算法创建模型；

S23：模型评估，使用sklearn中metrics模块对模型进行评估。

优选地，步骤S3还包括：

S31，将故障预测软件部署到服务器；

S32，通过InspurDiagLogCollect模块采集被测服务器内存信息，上传到 故障预测服务器；

S33，故障预测软件通过步骤S22生成的预测模型对被测服务器内存健康 状态进行评估。

优选地，步骤S11还包括：

在操作系统下执行sh run.sh运行InspurDiagLogCollect模块，InspurDiagLogCollect模块自动收集服务器上CPU信息、DISK信息、MEM信 息；

执行完成后会生成一个包含CPU信息、DISK信息、MEM信息的日志文 件压缩包；

在日志文件压缩包中，收集内存信息，形成内存信息数据集。

优选地，内存信息数据集的特征值包括：最低电压，最高电压，配置电 压，内存类型，内存运行速度，内存厂商，Bios版本信息以及内存命中率。

一种基于机器学习预测内存故障方法的设备，包括：

存储器，用于存储计算机程序及基于机器学习预测内存故障方法；