[发明专利]模型训练方法、状态预测方法、装置、设备及存储介质

说明书

本申请实施例公开了系统异常预测模型训练方法、系统状态预测方法、装置、设备及存储介质，所述方法包括：获取样本特征；根据设定的权重参数初始化所述系统异常预测模型；通过所述系统异常预测模型对所述样本特征进行处理，得到预测能量；基于所述预测能量构建目标函数；在反向传播中，通过所述目标函数更新所述系统异常预测模型的权重参数。如此，能够对系统运行状态的异常情况进行预测。

技术领域

本申请涉及计算机技术领域，尤其涉及一种系统异常预测模型训练方法、系统状态预测方法、装置、设备及计算机存储介质。

背景技术

随着大数据技术的发展，当今的分布式计算集群的规模正在变的越来越大，分布式系统的复杂性也随之增加。由于分布式集群的节点数很多，虽然每个节点发生故障的概率低，但是整个集群发生故障的概率却不低，例如一个大型的集群很有可能每天都会有硬盘损坏，这些故障对于一个大型复杂系统的稳定运行有着极大的影响，甚至可能会造成严重的后果。从而对于大规模系统而言，为了能够有效减少故障带来的损失，需要能够尽早的发现并解决问题，因此，如何对系统运行状态的异常情况进行预测，已经成为维护系统正常运行时需要面对的难题。

发明内容

本申请实施例提供一种系统异常预测模型训练方法、系统状态预测方法、装置、设备及计算机存储介质，能够对系统运行状态的异常情况进行预测。

为达到上述目的，本申请实施例的技术方案是这样实现的：

第一方面，本申请实施例提供一种系统异常预测模型训练方法，所述方法包括：

获取样本特征；

根据设定的权重参数初始化所述系统异常预测模型；

通过所述系统异常预测模型对所述样本特征进行处理，得到预测能量；

基于所述预测能量构建目标函数；

在反向传播中，通过所述目标函数更新所述系统异常预测模型的权重参数。

在一些实施例中，所述获取样本特征，包括：

获取日志序列，对所述日志序列进行处理得到向量序列；

对所述向量序列进行特征提取，得到样本特征。

在一些实施例中，所述通过所述系统异常预测模型对所述样本特征进行处理，得到预测能量，包括：

基于所述样本特征以及所述系统异常预测模型的第一子模型的第一解码器，获取第一输出序列；

基于所述样本特征以及所述系统异常预测模型的第一子模型的第二解码器，获取第二输出序列；

基于所述第一输出序列、所述第二输出序列以及所述样本特征，获取第三输出序列。

在一些实施例中，所述基于所述第一输出序列、所述第二输出序列以及所述样本特征，获取第三输出序列，包括：

基于所述第一输出序列以及所述样本特征，确定第一重建误差；

基于所述第二输出序列以及所述样本特征，确定第二重建误差；

将所述第一重建误差、所述第二重建误差以及所述第一子模型中的编码器最后一个时间步的隐藏空间向量拼接，得到第三输出序列。

在一些实施例中，所述通过所述系统异常预测模型对所述样本特征进行处理，得到预测能量，包括：

利用所述系统异常预测模型的第二子模型，对所述第三输出序列进行聚类，得到K个簇，K为正整数；

基于所述第m个簇内的样本，确定所述第m个簇的均值和协方差；

基于所述均值和协方差，确定样本的预测能量。