[发明专利]一种基于深度学习的云主机故障智能预测方法

权利要求书

1.一种基于深度学习的云主机故障智能预测方法，其特征在于，所述方法包括以下步骤：

步骤1：采集多维度的数据源，所述数据源包括实时数据和历史数据；

步骤2：对多维度的数据源进行降维分析，确定核心指标变量；

步骤3：构建故障智能预测模型，进行历史数据的离线训练和实时数据的在线训练；

步骤4：输出云主机智能预警信息，评估故障智能预测模型预测效果；

所述步骤3具体步骤如下：

步骤3.1：将历史数据的核心指标变量的时序数据按照时间片段T进行划分，得到

其中，所述X_m表示多个维度核心指标变量的综合指标变量，χ_m表示每个核心指标变量在时刻t的值，M表示核心指标变量维度的个数，n表示第n天，m表示第m个核心指标变量；

步骤3.2：计算每个时间片段T内，每个核心指标变量的均值方差Std m＝||{x m，t}-Avg m||2；

步骤3.3：计算一天内均值Avg m的方差，Std m的均值；

步骤3.4：整合每个核心指标变量的Avg m、Std m、Avg m的方差、Std m的均值构成测试集；

步骤3.5：将测试集中的特征输入到故障智能预测模型，结合网管系统输出的云主机真实告警信息作为标签进行训练；

步骤3.6：将实时数据的核心指标变量输入到故障智能预测模型，得到云主机故障标签。

2.根据权利要求1所述的基于深度学习的云主机故障智能预测方法，其特征在于：通过在云主机部署Probe探针程序获取实时数据，包括云主机的CPU、内存、磁盘、进程、网络相关指标数据。

3.根据权利要求1所述的基于深度学习的云主机故障智能预测方法，其特征在于：通过在云桌面导出历史数据，包括云主机的CPU、内存、磁盘、进程、网络相关指标数据。

4.根据权利要求1所述的云主机故障智能预测方法，其特征在于：所述时间片段T为1小时。

5.根据权利要求4所述的基于深度学习的云主机故障智能预测方法，其特征在于：所述步骤4具体步骤如下：

步骤4.1：基于云主机故障标签输出云主机智能预警信息；

步骤4.2：通过对云主机智能预警信息和网关系统数据的真实告警信息进行对比，评估故障智能预测模型预测效果。