[发明专利]基于神经网络的故障告警方法、系统、计算机设备及介质

说明书

本发明实施例提供了一种基于神经网络的故障告警方法，包括：所述方法包括：获取目标设备的运行数据，所述运行数据至少包括第一运行数据和第二运行数据，所述第一运行数据包括所述目标设备中的多个目标组件的异常监测数据，所述第二运行数据包括所述多个目标组件的使用率数据；根据所述运行数据，定义预定时间节点的参数向量；根据所述参数向量和长短期记忆网络模型，计算生成每个目标组件的故障告警标识；及根据所述每个目标组件的故障告警标识输出故障告警信息。本发明实施例可以根据目标设备的多个目标组件的异常监测数据和使用率数据，基于长短期记忆网络模型得到每个目标组件的故障告警信息，具有较高的故障告警准确性和自动化程度。

技术领域

本发明实施例涉及神经网络领域，尤其涉及一种基于神经网络的故障告警方法、系统、计算机可读存储介质。

背景技术

随着互联网的发展，以云服务为核心的网络集群占据了越来越重要的位置。在基于云的服务中，正常运行时间应该是最为重要的运维指标之一。服务如果频繁地中断，不仅会导致正常使用的中断，还会对用户体验带来负面影响。因此，为了提供稳定的云服务，维持网络集群中各类设备(如，服务器、交换机等)始终处于有效运行状态，成为了重要的课题之一。

基于上述课题，业界提供了故障告警信息管理概念，主要目的在于当设备发生故障时，可以识别并预测相关故障发生的概率，从而排除故障以保证整个集群的安全、可靠运行。目前，本发明人所了解的一种故障告警信息管理方法为：基于关联性模型算法计算故障发生概率，并根据计算出的概率执行告警操作。然而，现在网络设备越来越复杂，各种设备之间的性能差异大，基于关联性模型算法的故障预测成功率很低，且需要大量的人工操作。因此，在较少人工介入的前提下，如何提升故障告警的准确性，即如何提高故障预测成功率和预测自动化程度，成为了当下需要解决的问题之一。

发明内容

有鉴于此，有必要提供一种基于神经网络的故障告警方法、系统、计算机设备及计算机可读存储介质，以解决当前故障预测成功率低和预测自动化程度低的问题。

为实现上述目的，本发明实施例提供了基于神经网络的故障告警方法，所述方法包括：

获取目标设备的运行数据，所述运行数据至少包括第一运行数据和第二运行数据，所述第一运行数据包括所述目标设备中的多个目标组件的异常监测数据，所述第二运行数据包括所述多个目标组件的使用率数据；

根据所述运行数据，定义预定时间节点的参数向量；

根据所述参数向量和长短期记忆网络模型，计算生成每个目标组件的故障告警标识；及

根据所述每个目标组件的故障告警标识输出故障告警信息。

进一步地，还包括：根据所述目标设备的历史运行数据训练所述长短期记忆网络模型。

进一步地，所述每个目标组件的故障告警标识预先与非零数值建立有一一对应的映射关系，所述根据所述参数向量和长短期记忆网络模型，生成每个目标组件的故障告警标识的步骤，包括：

根据所述参数向量和所述长短期记忆网络模型，计算所述每个目标组件的故障发生概率；及

根据所述每个目标组件的故障发生概率，生成相应的非零数值或零值，所述非零数值表示与所述非零数值对应的目标组件预测会出现故障事件，所述零值表示所述每个目标组件预测均不会出现故障事件。

进一步地，所述根据所述每个目标组件的故障发生概率，生成相应的非零数值或零值的步骤，包括：

判断所述多个目标组件中的第一组件的故障发生概率是否大于预设值；

如果所述多个目标组件中的第一组件的故障发生概率大于预设值时，在所述预设时间节点插入与所述第一组件对应的第一非零数值。

进一步地，所述根据所述每个目标组件的故障发生概率，生成相应的非零数值或零值的步骤，包括：