[发明专利]一种基于深度学习的系统状态诊断方法

说明书

本发明公开了一种基于深度学习的系统状态诊断方法，涉及信息处理和人工智能的技术领域，包括：获取系统的历史日志信息作为训练数据；利用训练数据训练对抗生成网络中的判别器和生成器；混合训练数据和噪声数据后输入训练好的生成器中生成日志序列；对日志序列预处理后分类，获得类型特征，并添加进预处理后的日志序列中；对标注类型特征的日志序列学习时空特征，获得系统正常状态下日志信息的类别出现的顺序，并预测下一时间出现的日志信息的类型分布概率，划分置信区间；获取系统的实时日志信息，比较实时日志信息的真实类型特征和置信区间，获得系统的当前状态。本发明对系统状态进行诊断时，可以实时获取系统的当前状态，实时性高，结果准确。

技术领域

本发明涉及信息处理和人工智能的技术领域，更具体地，涉及一种基于深度学习的系统状态诊断方法。

背景技术

系统日志为诊断当前系统状态提供了重要的利用资源，而手动检测日志异常耗时，并且在实际操作中容易出错，在需要实时作出判断的场景下难以实施。而随着机器学习理论的发展和不断完善，在各种判断和分析场景下深度学习的表现都取得了超越人类智能的成绩，因此从高性能、低成本和高性价比的角度出发考虑，系统状态诊断开始被机器学习替代。其中，深度学习模型总是默认数据在类型上会有一个均衡的分布，因此均衡的数据能够让模型有更好的性能表现。但实际场景中，数据却总是呈现不平衡分布的状况，难以满足理想状况下的数据分布要求，进而影响对诊断的判断。

2019年2月15日公开的中国专利申请CN109343990A提供了一种基于深度学习的云计算系统自动化故障检测方法，该方法基于聚类将格式和内容相似的日志进行聚集，进而提取日志模式；将每个模式作为一个词，并将离散模式集作为一个文档，从而得到低维度特征空间；使用递归神经网络处理标记数据以得到跨序列的依赖性，从而生成信号以检测云计算系统异常。该发明使用递归神经网络处理标记数据，虽然考虑到短期与长期数据对数据分析与挖掘的影响，但存在实时性差的缺陷，并且依赖标记后的日志数据，数据分布区域稀疏，分类效果差，进而使诊断结果不准确。

发明内容

本发明为克服上述现有技术对系统状态诊断精度低的缺陷，提供一种基于深度学习的系统状态诊断方法，可以实时获取系统的当前状态，实时性高，结果准确。

为解决上述技术问题，本发明的技术方案如下：

本发明提供了一种基于深度学习的系统状态诊断方法，包括：

S1：获取系统的历史日志信息作为训练数据；

S2：将训练数据输入预设的对抗生成网络中，训练对抗生成网络中的判别器和生成器，获得训练好的判别器和生成器；

S3：将训练数据和噪声数据混合后输入训练好的生成器中，生成日志序列；

S4：对日志序列进行预处理，获得预处理后的日志序列；

S5：对预处理后的日志序列进行分类，获得类型特征，并将类型特征添加进预处理后的日志序列中，获得标注类型特征的日志序列；

S6：对标注类型特征的日志序列学习时空特征，获得系统正常状态下日志信息的类别出现的顺序；

S7：根据日志信息的类别出现的顺序，预测下一时间出现的日志信息的类型分布概率，基于分布概率划分置信区间；

S8：获取系统的实时日志信息，对实时日志信息进行处理，获得实时日志信息的真实类型特征；

S9：比较实时日志信息的真实类型特征和置信区间，获得系统的当前状态。

优选地，所述步骤S1中，获取系统的历史日志信息作为训练数据时，需要对系统的历史日志信息进行分割，具体为：

设置滑动窗口，滑动窗口大小为a，每次沿历史日志信息的时序方向移动b个单位，将历史日志信息分割成一系列上下文集合，将所述上下文集合作为训练数据。