[发明专利]一种用于故障预测神经网络模型的训练方法与设备

说明书

本申请通过一种用于故障预测神经网络模型的训练方法与设备，首先获取被监控点的历史指标数据集，其中，所述历史指标数据集由在不同历史时间点采集到的所述被监控点的监控指标数据组成，接着基于预设周期，对所述历史指标数据集进行处理，以确定训练集及测试集，然后基于所述训练集训练神经网络，直至所述神经网络输出的输出误差符合第一预设阈值，基于所述测试集测试所述神经网络，若准确率符合第二预设阈值，获得训练好的被监控点故障预测神经网络模型。通过该方法获得经过训练的神经网络模型，用于对被监控的计算机运行状态或者业务状态进行故障预测，可让运维人员提前介入，有效预防故障异常的发生或及时消除故障，可有效增大MTBF或减少MTTR。

技术领域

本申请涉及计算机数据处理技术领域，尤其涉及一种用于故障预测神经网络模型的训练的技术。

背景技术

目前在对各类计算机特别是大量用于数据运算、存储服务器的日常运维实践中，监控指标广泛地应用于对计算机服务器健康状态进行监控，例如：CPU使用率、内存使用率等，也应用于对在计算机服务器上运行的业务的状态进行监控，例如：每分钟的业务量、单位时间内网卡的流入及流出数据量等。

现有技术是通过设置监控指标的固定阈值和/或者动态阈值的方法，离线或实时判断监控指标是否异常，但是，这些方法都只能发现正在或者已经发生的异常，属于一种事后监控手段，不能够在异常发生之前，提前预测。

发明内容

本申请的目的是提供一种用于故障预测神经网络模型的训练方法与设备，用以解决现有技术中不能够在被监控的计算机运行状态异常发生之前，提前预测的技术问题。

根据本申请的一个方面，提供了一种用于故障预测神经网络模型的训练方法，其中，所述方法包括：

获取被监控点的历史指标数据集，其中，所述历史指标数据集由在不同历史时间点采集到的所述被监控点的监控指标数据组成；

基于预设周期，对所述历史指标数据集进行处理，以确定训练集及测试集；

基于所述训练集训练神经网络，直至所述神经网络输出的输出误差符合第一预设阈值，基于所述测试集测试所述神经网络，若准确率符合第二预设阈值，获得训练好的被监控点故障预测神经网络模型。

可选地，其中，所述基于预设周期，对所述历史指标数据集进行处理，以确定训练集及测试集包括：

基于预设周期，确定采样数量N；

遍历所述历史指标数据集中的历史指标数据，构建不同时间点的历史指标数据序列，其中，所述不同时间点的历史指标数据序列是由该时间点前的N个历史指标数据组成；

将不同时间点的历史指标数据确定为该时间点对应的历史指标数据序列的真值标注；

基于所述历史指标数据序列及所述真值标注，确定所述训练集及测试集，其中，所述训练集及测试集中的样本包括不同时间点的历史指标数据序列及对应的真值标注。

可选地，其中，在构建不同时间点的历史指标数据序列之前，所述方法还包括：

对所述历史指标数据集进行预处理，以消除异常历史指标数据的影响。

可选地，其中，所述神经网络是LSTM神经网络，所述LSTM神经网络的结构包括：

1个输入层；

2个LSTM隐含层；

1个全连接输出层。

可选地，其中，所述输出误差包括均方误差。

可选地，其中，所述方法还包括：

获取当前时间点的指标数据序列，其中，所述当前时间点的指标数据序列由当前时间点前的N个历史指标数据组成；