CN111400114A - 基于深度递归网络大数据计算机***故障检测方法及*** - Google Patents
基于深度递归网络大数据计算机***故障检测方法及*** Download PDFInfo
- Publication number
- CN111400114A CN111400114A CN202010152991.0A CN202010152991A CN111400114A CN 111400114 A CN111400114 A CN 111400114A CN 202010152991 A CN202010152991 A CN 202010152991A CN 111400114 A CN111400114 A CN 111400114A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- detection
- computer system
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2294—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing by remote test
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明属于计算机***故障检测技术领域,公开了一种基于深度递归网络大数据计算机***故障检测方法及***,所述基于深度递归网络大数据计算机***故障检测***包括:网络连接状态检测模块、***检测模块、数据特征提取模块、中央处理模块、数学模型建立模块、模型训练模块、故障检测模块、数据分析对比模块、故障预警模块、数据储存模块、无线信号传输模块、终端模块、显示模块。本发明可以快速、准确检测出计算机***运行的故障;本发明能够实现远程查看或者控制计算机运行***,方便对计算机***进行控制。同时当计算机运行***出现故障时,能够及时提醒工作人员进行修复,保障计算机***的正常运行。
Description
技术领域
本发明属于计算机***故障检测技术领域,尤其涉及一种基于深度递归网络大数据计算机***故障检测方法及***。
背景技术
目前,计算机***中的硬件或者软件中机械方面、电子线路、电子元件、程序运行等方面发生的故障或者受损,必须进行维护称为计算机故障。大数据计算***随着自身规模和结构复杂性的日益增大,其整体***性能受到了多方面的影响。某个状态节点发生故障,其它与其有联系的节点也将受到波及而不能正常运行。同时,如果这个故障不能及时地检测出来,将会不断蔓延甚至导致整个***的瘫痪。为了实现上述的功能,计算机***故障检测***发挥着关键性的作用。但是现有的计算机***故障检测***不能快速、准确检测出计算机***运行的故障,并且不能及时提醒工作人员相应的故障信息,具有滞后性;同时现有的计算机***故障检测***只能工作人员现场监控,不能实现远程监测控制。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有的计算机***故障检测***不能快速、准确检测出计算机***运行的故障,并且不能及时提醒工作人员相应的故障信息,具有滞后性。
(2)现有的计算机***故障检测***只能工作人员现场监控,不能实现远程监测控制。
发明内容
针对现有技术存在的问题,本发明提供了一种基于深度递归网络大数据计算机***故障检测方法及***。
本发明是这样实现的,一种基于深度递归网络大数据计算机***故障检测方法,所述基于深度递归网络大数据计算机***故障检测方法包括:
步骤一,通过检测程序检测计算机网络连接状态;通过检测程序对计算机***的运行状态进行检测,获取***检测数据,并对检测数据进行预处理:
(I)利用***检测传感器分别获取计算机***中硬件和软件的运行数据;
(II)对获取的计算机***中硬件和软件的运行数据进行预处理;预处理完成后,选择确定的数据信号,并进行数据的分解;
(III)计算出分解数据的高频系数,并且对分解的数据设定一个阈值进行量化处理;量化处理完成后,进行***检测数据的重构。
步骤二,通过数据特征提取算法对步骤一预处理后的检测数据进行数据特征的提取:(1)根据预设特征提取算法提取所述计算机***故障检测数据的第一数据特征组;
(2)根据预设聚类算法对所述计算机***故障检测数据进行处理得到多个第一数据分组,对所述多个第一数据分组进行特征提取得到所述计算机***故障检测数据的第二数据特征组;
(3)根据所述第一数据特征组和所述第二数据特征组分析确定所述计算机***故障检测数据的目标数据特征。
步骤三,通过中央处理器控制模型建立程序根据提取的检测数据特征建立检测计算机***的递归神经网络数学模型,并通过模型训练程序将预处理后的数据通过建立的递归神经网络数学模型进行训练。
步骤四,通过故障检测程序利用步骤三训练好的递归神经网络数学模型进行计算机***故障的检测:1)按计算机***预设的检测周期向故障检测程序节点发送第一检测指令;
2)当接收到与所述第一检测指令对应的计算机***的GPU设备信息时,向所述节点发送第二检测指令;
3)当接收到与所述第二检测指令对应的异常信息时,利用递归神经网络数学模型将所述GPU设备信息与预先生成的设备文件信息进行匹配;
4)若所述GPU设备信息与所述设备文件信息不匹配,则确定所述计算机***存在故障。
步骤五,通过分析对比程序对检测到的***故障进行对比分析,并对计算机后期运行状态进行预测;通过指示灯和报警器对计算机***故障和异常网络连接状态进行预警。
进一步,步骤五之后,还需进行:步骤1,通过云服务器存储计算机网络连接状态、***检测数据、递归神经网络数学模型、故障检测结果以及预警信息;
步骤2,通过无线信号收发器实现数据的传输;
步骤3,通过移动终端接收云服务器发送的数据,并对计算机***故障检测***进行远程控制;
步骤4,通过高清显示屏显示计算机网络连接状态、***检测数据、递归神经网络数学模型、故障检测结果以及预警信息。
进一步,步骤一中,所述步骤(II)的对获取的计算机***中硬件和软件的运行数据进行预处理的方法,包括:
在计算机***中硬件和软件的运行数据中选取多个数据点作为第一数据组;所述第一数据组中的每个数据点包括一第一坐标值和一第二坐标值;
将数据点根据第一坐标值分为子点组,并计算各个子点组内的各个数据点的第二坐标值之差,并通过计算得到各个数据点的局部离群点因子;
利用离群点去噪将各个子点组内的异常的数据点移除;
对离群点去噪后的所有数据点进行拟合并移除偏差较大的数据点,并输出去噪后数据组。
进一步,所述各个数据点的局部离群点因子的计算方法如下:
进一步,步骤二中,所述步骤(3)的根据所述第一数据特征组和所述第二数据特征组分析确定所述计算机***故障检测数据的目标数据特征的步骤,具体包括:
将所述第一数据特征组和所述第二特征数据组中包含的所有数据特征作为所述目标数据特征输出;
按照第一预设权重系数对所述第一数据特征组和所述第二数据特征组中包含的所有数据特征进行特征权重值计算;
将大于第一预设权重值的特征权重值对应的数据特征确定为所述目标数据特征。
进一步,步骤四中,所述步骤3)的计算机***的设备文件信息的生成过程,包括:
判断所述节点是否满足预先设置的检测条件;
当所述节点满足预先设置的检测条件时,向所述节点发送第二检测指令,以获取所述节点的初始设备信息;
依据预先设置的格式转换规则对所述初始设备信息进行格式转换,得到所述节点的计算机***的设备文件信息。
进一步,步骤五中,所述通过分析对比程序对检测到的***故障进行对比分析,并对计算机后期运行状态进行预测的方法,具体包括:
根据递归神经网络数学模型训练的结果对***故障检测结果进行判断,并对计算机后期运行状态进行预测;
根据数据特征提取模块提取的特征数据,进行标注说明;根据提取的特征数据,建立曲线拟合的模型;
根据建立的曲线拟合模型,对采集的数据进行分类,并进行数据结论的预测。
本发明的另一目的在于提供一种实施所述的基于深度递归网络大数据计算机***故障检测方法的基于深度递归网络大数据计算机***故障检测***,所述基于深度递归网络大数据计算机***故障检测***包括:
网络连接状态检测模块、***检测模块、数据特征提取模块、中央处理模块、数学模型建立模块、模型训练模块、故障检测模块、数据分析对比模块、故障预警模块、数据储存模块、无线信号传输模块、终端模块、显示模块。
网络连接状态检测模块,与中央处理模块连接,用于通过检测程序检测计算机网络连接状态;
***检测模块,与中央处理模块连接,用于通过检测程序对计算机***的运行状态进行检测,获取***检测数据,并对检测数据进行预处理;
数据特征提取模块,与中央处理模块连接,用于通过数据特征提取算法对预处理后的检测数据进行数据特征的提取;
中央处理模块,与网络连接状态检测模块、***检测模块、数据特征提取模块、数据分析对比模块、数学模型建立模块、模型训练模块、故障检测模块、故障预警模块、数据储存模块、无线信号传输模块、终端模块、显示模块连接,用于通过中央处理器控制各个模块的正常运行;
数学模型建立模块,与中央处理模块连接,用于通过模型建立程序根据提取的检测数据特征建立检测计算机***的递归神经网络数学模型;
模型训练模块,与中央处理模块连接,用于通过模型训练程序将预处理后的数据通过建立的递归神经网络数学模型进行训练;
故障检测模块,与中央处理模块连接,用于通过故障检测程序利用训练好的递归神经网络数学模型进行计算机***故障的检测;
分析对比模块,与中央处理模块连接,用于通过分析对比程序对检测到的***故障进行对比分析,并对计算机后期运行状态进行预测;
故障预警模块,与中央处理模块连接,用于通过指示灯和报警器对计算机***故障和异常网络连接状态进行预警;
数据储存模块,与中央处理模块连接,用于通过云服务器存储计算机网络连接状态、***检测数据、递归神经网络数学模型、故障检测结果以及预警信息;
无线信号传输模块,与中央处理模块连接,用于通过无线信号收发器实现数据的传输;
终端模块,与中央处理模块连接,用于通过移动终端接收云服务器发送的数据,并对计算机***故障检测***进行远程控制;
显示模块,与中央处理模块连接,用于通过高清显示屏显示计算机网络连接状态、***检测数据、递归神经网络数学模型、故障检测结果以及预警信息。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施所述的基于深度递归网络大数据计算机***故障检测方法。
本发明的另一目的在于提供一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行所述的基于深度递归网络大数据计算机***故障检测方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:
(1)本发明通过设置有数据采集模块,获取计算机***中硬件运行数据,软件检测模块利用检测程序对软件的运行状态进行检测;数据特征提取模块根据获取的数据,利用相应的数据特征提取算法获取相应的数据特征;网络连接状态检测模块利用相应的检测程序,检测计算机网络连接状态;结果显示模块通过利用显示屏,显示相关的数据信息,报警模块通过利用指示灯、报警器进行报警;数据储存模块利用相应的储存器,对相应的数据进行储存;数学模型建立模块根据采集的数据,建立检测计算机***的递归神经网络数学模型,故障检测模块将采集的数据通过建立的递归神经网络数学模型进行训练;数据分析对比模块根据训练的结果和采集的数据进行判断,并且对计算机后期运行状态进行预测;无线信号传输模块通过无线信号收发器与远程移动终端连接,实现相应的远程查看控制。本发明可以快速、准确检测出计算机***运行的故障;本发明能够实现远程查看或者控制计算机运行***,方便对计算机***进行控制。同时当计算机运行***出现故障时,能够及时提醒工作人员进行修复,保障计算机***的正常运行。
(2)本发明中数据采集模块对信号进行去噪,能够有效对非平稳信号进行处理,防止信号的丢失。
(3)本发明中数据分析对比模块根据训练的结果和采集的数据进行判断,并且对计算机后期运行状态进行预测;根据预测结果,可以及时采取相应的措施,确保计算机***的正常运行。
附图说明
图1是本发明实施例提供的基于深度递归网络大数据计算机***故障检测方法流程图。
图2是本发明实施例提供的基于深度递归网络大数据计算机***故障检测***结构示意图;
图中:1、网络连接状态检测模块;2、***检测模块;3、数据特征提取模块;4、中央处理模块;5、数学模型建立模块;6、模型训练模块;7、故障检测模块;8、数据分析对比模块;9、故障预警模块;10、数据储存模块;11、无线信号传输模块;12、终端模块;13、显示模块。
图3是本发明实施例提供的通过检测程序对计算机***的运行状态进行检测,获取***检测数据,并对检测数据进行预处理的方法流程图。
图4是本发明实施例提供的通过数据特征提取算法对预处理后的检测数据进行数据特征的提取的方法流程图。
图5是本发明实施例提供的通过故障检测程序利用训练好的递归神经网络数学模型进行计算机***故障的检测的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于深度递归网络大数据计算机***故障检测方法及***,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的基于深度递归网络大数据计算机***故障检测方法包括以下步骤:
S101,通过检测程序检测计算机网络连接状态;通过检测程序对计算机***的运行状态进行检测,获取***检测数据,并对检测数据进行预处理。
S102,通过数据特征提取算法对预处理后的检测数据进行数据特征的提取;通过中央处理器控制所述计算机***故障检测***的正常运行。
S103,通过模型建立程序根据提取的检测数据特征建立检测计算机***的递归神经网络数学模型;通过模型训练程序将预处理后的数据通过建立的递归神经网络数学模型进行训练。
S104,通过故障检测程序利用训练好的递归神经网络数学模型进行计算机***故障的检测;通过分析对比程序对检测到的***故障进行对比分析,并对计算机后期运行状态进行预测。
S105,通过指示灯和报警器对计算机***故障和异常网络连接状态进行预警;通过云服务器存储计算机网络连接状态、***检测数据、递归神经网络数学模型、故障检测结果以及预警信息。
S106,通过无线信号收发器实现数据的传输;通过移动终端接收云服务器发送的数据,并对计算机***故障检测***进行远程控制。
S107,通过高清显示屏显示计算机网络连接状态、***检测数据、递归神经网络数学模型、故障检测结果以及预警信息。
如图2所示,本发明实施例提供的基于深度递归网络大数据计算机***故障检测***包括:网络连接状态检测模块1、***检测模块2、数据特征提取模块3、中央处理模块4、数学模型建立模块5、模型训练模块6、故障检测模块7、数据分析对比模块8、故障预警模块9、数据储存模块10、无线信号传输模块11、终端模块12、显示模块13。
网络连接状态检测模块1,与中央处理模块4连接,用于通过检测程序检测计算机网络连接状态;
***检测模块2,与中央处理模块4连接,用于通过检测程序对计算机***的运行状态进行检测,获取***检测数据,并对检测数据进行预处理;
数据特征提取模块3,与中央处理模块4连接,用于通过数据特征提取算法对预处理后的检测数据进行数据特征的提取;
中央处理模块4,与网络连接状态检测模块1、***检测模块2、数据特征提取模块3、数学模型建立模块5、模型训练模块6、故障检测模块7、数据分析对比模块8、故障预警模块9、数据储存模块10、无线信号传输模块11、终端模块12、显示模块13连接,用于通过中央处理器控制各个模块的正常运行;
数学模型建立模块5,与中央处理模块4连接,用于通过模型建立程序根据提取的检测数据特征建立检测计算机***的递归神经网络数学模型;
模型训练模块6,与中央处理模块4连接,用于通过模型训练程序将预处理后的数据通过建立的递归神经网络数学模型进行训练;
故障检测模块7,与中央处理模块4连接,用于通过故障检测程序利用训练好的递归神经网络数学模型进行计算机***故障的检测;
分析对比模块8,与中央处理模块4连接,用于通过分析对比程序对检测到的***故障进行对比分析,并对计算机后期运行状态进行预测;
故障预警模块9,与中央处理模块4连接,用于通过指示灯和报警器对计算机***故障和异常网络连接状态进行预警;
数据储存模块10,与中央处理模块4连接,用于通过云服务器存储计算机网络连接状态、***检测数据、递归神经网络数学模型、故障检测结果以及预警信息;
无线信号传输模块11,与中央处理模块4连接,用于通过无线信号收发器实现数据的传输;
终端模块12,与中央处理模块4连接,用于通过移动终端接收云服务器发送的数据,并对计算机***故障检测***进行远程控制;
显示模块13,与中央处理模块4连接,用于通过高清显示屏显示计算机网络连接状态、***检测数据、递归神经网络数学模型、故障检测结果以及预警信息。
下面结合具体实施例对本发明作进一步描述。
实施例1
本发明实施例提供的基于深度递归网络大数据计算机***故障检测方法如图1所示,作为优选实施例,如图3所示,本发明实施例提供的通过检测程序对计算机***的运行状态进行检测,获取***检测数据,并对检测数据进行预处理的方法包括:
S201,利用***检测传感器分别获取计算机***中硬件和软件的运行数据。
S202,对获取的计算机***中硬件和软件的运行数据进行预处理;预处理完成后,选择确定的数据信号,并进行数据的分解。
S203,计算出分解数据的高频系数,并且对分解的数据设定一个阈值进行量化处理;量化处理完成后,进行***检测数据的重构。
本发明实施例提供的步骤S202的对获取的计算机***中硬件和软件的运行数据进行预处理的方法,包括:
在计算机***中硬件和软件的运行数据中选取多个数据点作为第一数据组;所述第一数据组中的每个数据点包括一第一坐标值和一第二坐标值;
将数据点根据第一坐标值分为子点组,并计算各个子点组内的各个数据点的第二坐标值之差,并通过计算得到各个数据点的局部离群点因子;
利用离群点去噪将各个子点组内的异常的数据点移除;
对离群点去噪后的所有数据点进行拟合并移除偏差较大的数据点,并输出去噪后数据组。
本发明实施例提供的各个数据点的局部离群点因子的计算方法如下:
实施例2
本发明实施例提供的基于深度递归网络大数据计算机***故障检测方法如图1所示,作为优选实施例,如图4所示,本发明实施例提供的通过数据特征提取算法对预处理后的检测数据进行数据特征的提取的方法包括:
S301,根据预设特征提取算法提取所述计算机***故障检测数据的第一数据特征组。
S302,根据预设聚类算法对所述计算机***故障检测数据进行处理得到多个第一数据分组,对所述多个第一数据分组进行特征提取得到所述计算机***故障检测数据的第二数据特征组。
S303,根据所述第一数据特征组和所述第二数据特征组分析确定所述计算机***故障检测数据的目标数据特征。
本发明实施例提供的步骤S303的根据所述第一数据特征组和所述第二数据特征组分析确定所述计算机***故障检测数据的目标数据特征的步骤,具体包括:
将所述第一数据特征组和所述第二特征数据组中包含的所有数据特征作为所述目标数据特征输出;
按照第一预设权重系数对所述第一数据特征组和所述第二数据特征组中包含的所有数据特征进行特征权重值计算;
将大于第一预设权重值的特征权重值对应的数据特征确定为所述目标数据特征。
实施例3
本发明实施例提供的基于深度递归网络大数据计算机***故障检测方法如图1所示,作为优选实施例,如图5所示,本发明实施例提供的通过故障检测程序利用训练好的递归神经网络数学模型进行计算机***故障的检测的方法包括:
S401,按计算机***预设的检测周期向故障检测程序节点发送第一检测指令。
S402,当接收到与所述第一检测指令对应的计算机***的GPU设备信息时,向所述节点发送第二检测指令。
S403,当接收到与所述第二检测指令对应的异常信息时,利用递归神经网络数学模型将所述GPU设备信息与预先生成的设备文件信息进行匹配。
S404,若所述GPU设备信息与所述设备文件信息不匹配,则确定所述计算机***存在故障。
本发明实施例提供的步骤S403的计算机***的设备文件信息的生成过程,包括:
判断所述节点是否满足预先设置的检测条件;
当所述节点满足预先设置的检测条件时,向所述节点发送第二检测指令,以获取所述节点的初始设备信息;
依据预先设置的格式转换规则对所述初始设备信息进行格式转换,得到所述节点的计算机***的设备文件信息。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于深度递归网络大数据计算机***故障检测方法,其特征在于,所述基于深度递归网络大数据计算机***故障检测方法包括:
步骤一,通过检测程序检测计算机网络连接状态;通过检测程序对计算机***的运行状态进行检测,获取***检测数据,并对检测数据进行预处理:
(I)利用***检测传感器分别获取计算机***中硬件和软件的运行数据;
(II)对获取的计算机***中硬件和软件的运行数据进行预处理;预处理完成后,选择确定的数据信号,并进行数据的分解;
(III)计算出分解数据的高频系数,并且对分解的数据设定一个阈值进行量化处理;量化处理完成后,进行***检测数据的重构;
步骤二,通过数据特征提取算法对步骤一预处理后的检测数据进行数据特征的提取:(1)根据预设特征提取算法提取所述计算机***故障检测数据的第一数据特征组;
(2)根据预设聚类算法对所述计算机***故障检测数据进行处理得到多个第一数据分组,对所述多个第一数据分组进行特征提取得到所述计算机***故障检测数据的第二数据特征组;
(3)根据所述第一数据特征组和所述第二数据特征组分析确定所述计算机***故障检测数据的目标数据特征;
步骤三,通过中央处理器控制模型建立程序根据提取的检测数据特征建立检测计算机***的递归神经网络数学模型,并通过模型训练程序将预处理后的数据通过建立的递归神经网络数学模型进行训练;
步骤四,通过故障检测程序利用步骤三训练好的递归神经网络数学模型进行计算机***故障的检测:1)按计算机***预设的检测周期向故障检测程序节点发送第一检测指令;
2)当接收到与所述第一检测指令对应的计算机***的GPU设备信息时,向所述节点发送第二检测指令;
3)当接收到与所述第二检测指令对应的异常信息时,利用递归神经网络数学模型将所述GPU设备信息与预先生成的设备文件信息进行匹配;
4)若所述GPU设备信息与所述设备文件信息不匹配,则确定所述计算机***存在故障;
步骤五,通过分析对比程序对检测到的***故障进行对比分析,并对计算机后期运行状态进行预测;通过指示灯和报警器对计算机***故障和异常网络连接状态进行预警。
2.如权利要求1所述的基于深度递归网络大数据计算机***故障检测方法,其特征在于,步骤五之后,还需进行:步骤1,通过云服务器存储计算机网络连接状态、***检测数据、递归神经网络数学模型、故障检测结果以及预警信息;
步骤2,通过无线信号收发器实现数据的传输;
步骤3,通过移动终端接收云服务器发送的数据,并对计算机***故障检测***进行远程控制;
步骤4,通过高清显示屏显示计算机网络连接状态、***检测数据、递归神经网络数学模型、故障检测结果以及预警信息。
3.如权利要求1所述的基于深度递归网络大数据计算机***故障检测方法,其特征在于,步骤一中,所述步骤(II)的对获取的计算机***中硬件和软件的运行数据进行预处理的方法,包括:
在计算机***中硬件和软件的运行数据中选取多个数据点作为第一数据组;所述第一数据组中的每个数据点包括一第一坐标值和一第二坐标值;
将数据点根据第一坐标值分为子点组,并计算各个子点组内的各个数据点的第二坐标值之差,并通过计算得到各个数据点的局部离群点因子;
利用离群点去噪将各个子点组内的异常的数据点移除;
对离群点去噪后的所有数据点进行拟合并移除偏差较大的数据点,并输出去噪后数据组。
5.如权利要求1所述的基于深度递归网络大数据计算机***故障检测方法,其特征在于,步骤二中,所述步骤(3)的根据所述第一数据特征组和所述第二数据特征组分析确定所述计算机***故障检测数据的目标数据特征的步骤,具体包括:
将所述第一数据特征组和所述第二特征数据组中包含的所有数据特征作为所述目标数据特征输出;
按照第一预设权重系数对所述第一数据特征组和所述第二数据特征组中包含的所有数据特征进行特征权重值计算;
将大于第一预设权重值的特征权重值对应的数据特征确定为所述目标数据特征。
6.如权利要求1所述的基于深度递归网络大数据计算机***故障检测方法,其特征在于,步骤四中,所述步骤3)的计算机***的设备文件信息的生成过程,包括:
判断所述节点是否满足预先设置的检测条件;
当所述节点满足预先设置的检测条件时,向所述节点发送第二检测指令,以获取所述节点的初始设备信息;
依据预先设置的格式转换规则对所述初始设备信息进行格式转换,得到所述节点的计算机***的设备文件信息。
7.如权利要求1所述的基于深度递归网络大数据计算机***故障检测方法,其特征在于,步骤五中,所述通过分析对比程序对检测到的***故障进行对比分析,并对计算机后期运行状态进行预测的方法,具体包括:
根据递归神经网络数学模型训练的结果对***故障检测结果进行判断,并对计算机后期运行状态进行预测;
根据数据特征提取模块提取的特征数据,进行标注说明;根据提取的特征数据,建立曲线拟合的模型;
根据建立的曲线拟合模型,对采集的数据进行分类,并进行数据结论的预测。
8.一种实施如权利要求1~7任意一项所述的基于深度递归网络大数据计算机***故障检测方法的基于深度递归网络大数据计算机***故障检测***,其特征在于,所述基于深度递归网络大数据计算机***故障检测***包括:
网络连接状态检测模块、***检测模块、数据特征提取模块、中央处理模块、数学模型建立模块、模型训练模块、故障检测模块、数据分析对比模块、故障预警模块、数据储存模块、无线信号传输模块、终端模块、显示模块;
网络连接状态检测模块,与中央处理模块连接,用于通过检测程序检测计算机网络连接状态;
***检测模块,与中央处理模块连接,用于通过检测程序对计算机***的运行状态进行检测,获取***检测数据,并对检测数据进行预处理;
数据特征提取模块,与中央处理模块连接,用于通过数据特征提取算法对预处理后的检测数据进行数据特征的提取;
中央处理模块,与网络连接状态检测模块、***检测模块、数据特征提取模块、数据分析对比模块、数学模型建立模块、模型训练模块、故障检测模块、故障预警模块、数据储存模块、无线信号传输模块、终端模块、显示模块连接,用于通过中央处理器控制各个模块的正常运行;
数学模型建立模块,与中央处理模块连接,用于通过模型建立程序根据提取的检测数据特征建立检测计算机***的递归神经网络数学模型;
模型训练模块,与中央处理模块连接,用于通过模型训练程序将预处理后的数据通过建立的递归神经网络数学模型进行训练;
故障检测模块,与中央处理模块连接,用于通过故障检测程序利用训练好的递归神经网络数学模型进行计算机***故障的检测;
分析对比模块,与中央处理模块连接,用于通过分析对比程序对检测到的***故障进行对比分析,并对计算机后期运行状态进行预测;
故障预警模块,与中央处理模块连接,用于通过指示灯和报警器对计算机***故障和异常网络连接状态进行预警;
数据储存模块,与中央处理模块连接,用于通过云服务器存储计算机网络连接状态、***检测数据、递归神经网络数学模型、故障检测结果以及预警信息;
无线信号传输模块,与中央处理模块连接,用于通过无线信号收发器实现数据的传输;
终端模块,与中央处理模块连接,用于通过移动终端接收云服务器发送的数据,并对计算机***故障检测***进行远程控制;
显示模块,与中央处理模块连接,用于通过高清显示屏显示计算机网络连接状态、***检测数据、递归神经网络数学模型、故障检测结果以及预警信息。
9.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求1~7任意一项所述的基于深度递归网络大数据计算机***故障检测方法。
10.一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1~7任意一项所述的基于深度递归网络大数据计算机***故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010152991.0A CN111400114A (zh) | 2020-03-06 | 2020-03-06 | 基于深度递归网络大数据计算机***故障检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010152991.0A CN111400114A (zh) | 2020-03-06 | 2020-03-06 | 基于深度递归网络大数据计算机***故障检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111400114A true CN111400114A (zh) | 2020-07-10 |
Family
ID=71434132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010152991.0A Pending CN111400114A (zh) | 2020-03-06 | 2020-03-06 | 基于深度递归网络大数据计算机***故障检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111400114A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112433917A (zh) * | 2020-12-12 | 2021-03-02 | 广东宏达通信有限公司 | 一种新型大数据采集及处理的机房服务器 |
CN113568814A (zh) * | 2021-08-07 | 2021-10-29 | 东营金邦管道工程有限公司 | 一种计算机故障报警*** |
CN116434685A (zh) * | 2023-04-27 | 2023-07-14 | 江苏锦花电子股份有限公司 | 一种基于大数据的液晶屏异常显示监管***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103901882A (zh) * | 2014-04-15 | 2014-07-02 | 北京交通大学 | 一种列车动力***在线监控故障诊断的***及其方法 |
CN103902798A (zh) * | 2012-12-27 | 2014-07-02 | 纽海信息技术(上海)有限公司 | 数据预处理方法 |
CN110021386A (zh) * | 2017-07-27 | 2019-07-16 | 北大医疗信息技术有限公司 | 特征提取方法及特征提取装置、设备、存储介质 |
CN110502399A (zh) * | 2019-08-23 | 2019-11-26 | 广东浪潮大数据研究有限公司 | 故障检测方法及装置 |
CN110806743A (zh) * | 2019-12-05 | 2020-02-18 | 成都天玙兴科技有限公司 | 基于人工智能的设备故障检测与预警***及方法 |
-
2020
- 2020-03-06 CN CN202010152991.0A patent/CN111400114A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902798A (zh) * | 2012-12-27 | 2014-07-02 | 纽海信息技术(上海)有限公司 | 数据预处理方法 |
CN103901882A (zh) * | 2014-04-15 | 2014-07-02 | 北京交通大学 | 一种列车动力***在线监控故障诊断的***及其方法 |
CN110021386A (zh) * | 2017-07-27 | 2019-07-16 | 北大医疗信息技术有限公司 | 特征提取方法及特征提取装置、设备、存储介质 |
CN110502399A (zh) * | 2019-08-23 | 2019-11-26 | 广东浪潮大数据研究有限公司 | 故障检测方法及装置 |
CN110806743A (zh) * | 2019-12-05 | 2020-02-18 | 成都天玙兴科技有限公司 | 基于人工智能的设备故障检测与预警***及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112433917A (zh) * | 2020-12-12 | 2021-03-02 | 广东宏达通信有限公司 | 一种新型大数据采集及处理的机房服务器 |
CN113568814A (zh) * | 2021-08-07 | 2021-10-29 | 东营金邦管道工程有限公司 | 一种计算机故障报警*** |
CN116434685A (zh) * | 2023-04-27 | 2023-07-14 | 江苏锦花电子股份有限公司 | 一种基于大数据的液晶屏异常显示监管***及方法 |
CN116434685B (zh) * | 2023-04-27 | 2023-12-08 | 江苏锦花电子股份有限公司 | 一种基于大数据的液晶屏异常显示监管***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112436968B (zh) | 一种网络流量的监测方法、装置、设备及存储介质 | |
CN111400114A (zh) | 基于深度递归网络大数据计算机***故障检测方法及*** | |
WO2017087440A1 (en) | Anomaly fusion on temporal casuality graphs | |
CN112820066B (zh) | 基于对象的报警处理方法、装置、设备及存储介质 | |
CN109544870B (zh) | 用于智能监控***的报警判断方法与智能监控*** | |
CN116070802B (zh) | 一种基于数据孪生的智能监控运维方法和*** | |
CN111339074A (zh) | 阈值生成方法、装置、设备和存储介质 | |
WO2022194147A1 (zh) | 目标对象监控方法和监控设备 | |
CN111708687B (zh) | 一种设备异常指标确定方法、装置、设备和存储介质 | |
CN104574729B (zh) | 一种报警方法、装置及*** | |
CN114445663A (zh) | 检测对抗样本的方法、装置及计算机程序产品 | |
CN117129815B (zh) | 一种基于物联网的多劣化绝缘子综合检测方法和*** | |
CN115766401B (zh) | 工业告警信息解析方法、装置、电子设备与计算机介质 | |
CN110007171A (zh) | 变压器在线监测数据误报警的筛查方法及*** | |
CN113702764B (zh) | 一种架空线缆断线监测与判别方法 | |
CN115877128A (zh) | 一种轨道车辆电缆终端的异常检测方法及装置 | |
CN109699041A (zh) | 一种rru通道故障诊断处理方法及rru设备 | |
CN111965609A (zh) | 雷达可靠度评估方法、装置、电子设备及可读存储介质 | |
CN115546677B (zh) | 基建现场信息处理方法、装置、设备和计算机可读介质 | |
US9311210B1 (en) | Methods and apparatus for fault detection | |
CN115620496B (zh) | 应用于输电线路的故障报警方法、装置、设备和介质 | |
CN118227416A (zh) | 设备故障信息生成方法、装置、设备和计算机可读介质 | |
CN117475680A (zh) | 无人机巡检预警方法、装置、控制器、***及存储介质 | |
CN114942364A (zh) | 一种基于知识图谱技术的变电站故障诊断方法与*** | |
CN117274892A (zh) | 设备巡检方法、装置、终端及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |