[发明专利]一种基于机器学习的大数据平台故障诊断方法及系统

权利要求书

1.一种基于机器学习的大数据平台故障诊断方法，其特征是所述方法进行建模，建立故障诊断模型；

所述方法在故障诊断模型的训练阶段：获取训练样本，将有标记的训练样本输入机器学习模型，判断当前大数据平台属于的故障类型，对训练样本数据进行归一化处理，通过最小化模型分类错误来优化模型参数，从而得到最优的故障诊断模型；

所述方法在故障诊断模型的工作阶段：将不带标记的样本输入到故障诊断模型，计算当前大数据平台的故障类型。

2.根据权利要求1所述的方法，其特征是所述方法在故障诊断模型的训练阶段，具体方法如下：

S11数据处理，采集大数据平台中的系统信息、软件服务的监控信息，检索系统运行日志，以及局域网内的网络信息包括流量大小、网络连通情况；

S12特征预处理，对采集到的频域数据、时域数据、时频数据进行预处理，以使其适用于机器学习和模型学习；

S13故障诊断模型建模，采用深度卷积神经网络模型，通过softmax函数来完成故障分类，利用卷积提取特征，利用池化去除特征中德冗余信息，降低特征的维度。

3.根据权利要求2所述的方法，其特征是所述方法在故障诊断模型的工作阶段，利用TANd分类器对大数据平台产品进行故障诊断，具体方法如下：

S21将预处理后的故障数据和常规数据组合构成训练集，根据训练集生成TANd分类器模型；

S22利用生成的TANd分类器模型对大数据平台产品进行故障诊断。

4.根据权利要求3所述的方法，其特征是所述TANd分类器模型计算不同属性质之间的条件信息函数，在属性间条件弧，建立一个有向无环图。

5.一种基于机器学习的大数据平台故障诊断系统，其特征是所述系统进行建模，建立故障诊断模型；

所述系统在故障诊断模型的训练阶段：获取训练样本，将有标记的训练样本输入机器学习模型，判断当前大数据平台属于的故障类型，对训练样本数据进行归一化处理，通过最小化模型分类错误来优化模型参数，从而得到最优的故障诊断模型；

所述系统在故障诊断模型的工作阶段：将不带标记的样本输入到故障诊断模型，计算当前大数据平台的故障类型。

6.根据权利要求5所述的系统，其特征是所述系统在故障诊断模型的训练阶段，具体包括：

数据处理模块，采集大数据平台中的系统信息、软件服务的监控信息，检索系统运行日志，以及局域网内的网络信息包括流量大小、网络连通情况；

特征预处理模块，对采集到的频域数据、时域数据、时频数据进行预处理，以使其适用于机器学习和模型学习；

故障诊断模型建模模块，采用深度卷积神经网络模型，通过softmax函数来完成故障分类，利用卷积提取特征，利用池化去除特征中德冗余信息，降低特征的维度。

7.根据权利要求6所述的系统，其特征是所述系统在故障诊断模型的工作阶段，利用TANd分类器对大数据平台产品进行故障诊断，具体包括：

数据组合模块：将预处理后的故障数据和常规数据组合构成训练集，根据训练集生成TANd分类器模型；

诊断处理模块：利用生成的TANd分类器模型对大数据平台产品进行故障诊断。

8.根据权利要求7所述的系统，其特征是所述TANd分类器模型计算不同属性质之间的条件信息函数，在属性间条件弧，建立一个有向无环图。