CN107579846A - 一种云计算故障数据检测方法及系统 - Google Patents

一种云计算故障数据检测方法及系统 Download PDF

Info

Publication number
CN107579846A
CN107579846A CN201710729189.1A CN201710729189A CN107579846A CN 107579846 A CN107579846 A CN 107579846A CN 201710729189 A CN201710729189 A CN 201710729189A CN 107579846 A CN107579846 A CN 107579846A
Authority
CN
China
Prior art keywords
fault
training data
cloud computing
data
category
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.)
Granted
Application number
CN201710729189.1A
Other languages
English (en)
Other versions
CN107579846B (zh
Inventor
姜瑛
刘诚诚
李凌宇
刘英莉
丁家满
汪海涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201710729189.1A priority Critical patent/CN107579846B/zh
Publication of CN107579846A publication Critical patent/CN107579846A/zh
Application granted granted Critical
Publication of CN107579846B publication Critical patent/CN107579846B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及一种云计算故障数据检测方法及系统,属于云故障检测领域。本发明包括:云计算故障训练数据处理步骤,对云计算故障训练数据集中的数据进行处理,得到每条故障训练数据的隶属度、每个故障类别的故障特征权重;待检测云计算数据所属故障类别判断步骤,根据故障训练数据的处理结果并结合云计算故障训练数据集扩充规则判断待检测云计算数据所属类别;云计算故障训练数据集扩充步骤,将满足云计算故障训练数据集扩充规则的待检测云计算数据及其类别信息加入故障训练数据扩充集。本发明有助于完善故障训练数据模型,识别新的故障。

Description

一种云计算故障数据检测方法及系统
技术领域
本发明涉及一种云计算故障数据检测方法及系统,属于云故障检测领域。
背景技术
故障检测主要研究如何对系统中出现的故障进行检测、分离和识别,即判断故障是否发生,定位故障发生的位置和种类,以确定故障的大小和发生的时间等。近年来,云计算的应用技术越来越广泛,然而大量的恶意攻击和其自身的复杂性与大规模性使得系统及其上的各种软硬件经常发生故障,引起部分甚至所有服务的失效。云计算故障检测技术已经成为该领域的研究热点。饶翔等提出一种基于故障注入测试的故障特征提取方法,首先过滤噪声日志;然后构造故障识别器识别不同故障的早期特征;最后为每类故障构造限状态追踪器追踪该故障的后期传播状态,从而在故障被识别出来后持续跟踪故障传播状态。张丹伟等提出一种基于模拟退火算法的隐马尔科夫模型用于故障数据检测,首先利用模拟退火算法全局寻优的特性求解隐马尔科夫模型的初始参数,解决传统隐马尔科夫模型对初始参数敏感的问题;然后用改进的隐马尔科夫模型对故障数据进行检测,使结果达到全局最优,提高了检测精度。SongFu等提出了一种云环境下基于贝叶斯与决策树的主动故障管理方法,首先利用贝叶斯模型预测出故障点,系统管理员对其进行标记,然后利用标记的数据点构建决策树,最后对未标记的数据点进行故障预测,但决策树存在过学习问题,对预测结果有较大的影响。Chirag N.Modil等人将贝叶斯和基于Snort的检测系统用于云平台的故障检测,首先利用Snort采集云环境的网络数据,然后利用贝叶斯进行分类,实验结果表明,此系统降低了误检率。
目前,针对云计算故障数据检测的方法,主要是通过数据的采集,建立故障训练数据训练模型,然后对待检测云计算数据进行检测,并没有充分考虑训练数据的内在联系,且故障类型库的更新不够及时,将影响新故障的有效识别。
发明内容
针对上述问题,本发明提供了一种云计算故障数据检测方法及系统,有助于判断云计算平台发生哪些故障,为故障恢复提供支持。
本发明的技术方案是:一种云计算故障数据检测方法,包括:
云计算故障训练数据处理步骤,对云计算故障训练数据集中的数据进行处理,得到每条故障训练数据的隶属度、每个故障类别的故障特征权重;
待检测云计算数据所属故障类别判断步骤,根据故障训练数据的处理结果并结合云计算故障训练数据集扩充规则判断待检测云计算数据所属类别;
云计算故障训练数据集扩充步骤,将满足云计算故障训练数据集扩充规则的待检测云计算数据及其类别信息加入故障训练数据扩充集。
所述方法的具体步骤如下:
Step1:云计算故障训练数据处理;
Step1.1:输入含m个故障类别且每个故障类别含有n个故障训练数据的云计算故障训练数据集D={D1,…,Di,…,Dm},Di={xi1,…,xij,…,xin},xij=[xij1,…,xijl,…,xijp,ci], i=1,2,…,m,j=1,2,…,n,l=1,2,…p,其中Di表示属于第i个故障类别的故障训练数据, xij表示Di中第j条故障训练数据,xijl表示Di中第j条故障训练数据的第l个故障特征,ci表示xij所属故障类别,m表示故障类别数,n表示Di中故障训练数据个数,p 表示故障训练数据的故障特征数;
Step1.2:利用基于密度聚类的思想将D中每个故障类别的故障训练数据分别构建成一个最小球,计算最小球的球中心ai和半径Ri,并结合故障训练数据在最小球中的位置,按照不同规则确定故障训练数据的隶属度msij,其中ai表示D中第i个故障类别的故障训练数据构建最小球的球中心,Ri表示D中第i个故障类别的故障训练数据构建最小球的半径,msij表示Di中第j条故障训练数据的隶属度;
Step1.3:根据云计算故障训练数据故障特征的模糊熵值来计算每个故障类别的特征权重wi,wi={wi1,…,wil,…,wip},并将wi存入w,w={w1,…,wi,…,wm},其中w表示 D中故障训练数据的故障特征权重集合,wi表示Di中故障训练数据的故障特征权重, wil表示第i个故障类别第l个故障特征的权重;
Step2:待检测云计算数据所属故障类别判断;其中待检测云计算数据集用U表示,U={u1,…,uq,…,ue},uq={uq1,…,uql,…,uqp},其中uq表示待检测云计算数据集U 中第q个云计算数据,uql表示U中第q个云计算数据中第l个故障特征,q=1,2,…,e, e表示待检测云计算数据个数;
Step2.1:判断q是否小于等于e:如果是,提取uq,并根据公式计算uq与D中故障训练数据的加权欧式距离d(xij),并根据距离点排序,构建一个集合distanceSet;否则,执行Step3;
Step2.2:提取distanceSet中k个最小距离对应的故障训练数据,并设置阈值σ1,σ2,其中k小于等于n×m;
Step2.3:根据k个故障训练数据中隶属度最大值Max_ms对应故障训练数据的类别信息和云计算故障训练数据集扩充规则来确定待检测云计算数据的类别;其中云计算故障训练数据集扩充规则为:①根据Max_ms大于阈值σ1且待检测云计算数据与Max_ms对应故障训练数据所属故障类别的理想故障训练数据的距离小于匹配阈值ρ来确定将该待检测云计算数据及其类别信息加入已知故障类别扩充集 known_fault;②根据Max_ms小于阈值σ2来确定待检测云计算数据为未知故障类别并将该数据和其类别信息加入未知故障类别扩充集Unknown_fault;q++,执行 Step2.1;
Step3:云计算故障训练数据集扩充,将满足云计算故障训练集扩充规则的known_fault_set和Unknown_fault_set存入云计算故障训练数据扩充集Ext_D,其中 Ext_D用于扩充云计算故障训练数据集D。
所述故障训练数据的隶属度,计算方法为:
1)初始化:i=1,球中心集Centroids为空,最小球半径集Radious为空,隶属度集ms为空;
2)判断i是否小于等于m:如果是,提取Di中的故障训练数据,令j=1,并执行3);否则,输出Centroids、Radious和ms,并执行Step1.3;
3)判断j是否小于等于n:如果是,执行4);否则,令j=1,并执行6);
4)根据公式(1)计算xij与Di中其他故障训练数据之间的欧式距离distance(xij,xir),将distance(xij,xir)存入dj,并对dj升序排列,dj表示Di中第j个故障训练数据与Di中其他数据距离的集合;
其中xirl表示Di中第r个故障训练数据的第l个故障特征,r≠j且r=1,2,…,n,n为Di中的故障训练数据个数;
5)提取距离集dj中前K个值(K≤n-1),计算K个值的倒数和zij及z=z+zij,并将zij存入zi,其中z表示zij的累加,zi表示Di中故障训练数据距离集前K个值倒数和集;j++,执行3);
6)判断j是否小于等于n:如果是,执行7);否则,对Gi降序排列,Gi为Di中故障训练数据的密度集,并执行8);
7)根据公式(2)计算Di中xij的密度density(xij),并将density(xij)存入Gi;j++,执行6);
8)提取Gi中最大密度所对应的故障训练数据xmax,计算xmax与Di中其他故障训练数据的欧式距离,获得最小距离对应的故障训练数据xmin
9)根据公式(3)计算得到球中心ai,并将球中心ai存入球中心集Centroids;
ai=0.6*xmax+0.4*xmin(3)
10)计算ai与Di中故障训练数据的欧式距离,并求距离平均值aver(Di),设置最小球半径调节系数coefR,根据公式(4)计算最小球半径Ri,将Ri存入Radious;令 j=1,并执行11);
其中,n表示Di中故障训练数据的个数,并将Ri存入最小球半径集Radious中;
11)判断j是否小于等于n:如果是,执行12);否则,将msi存入ms, msi={msi1,…,msij,…,msin},其中msi表示Di中故障训练数据的隶属度集合,i++,并执行2);
12)根据公式(5)计算xij与球中心ai的欧式距离distance(ai,xij);
其中ail为故障类别i的球中心的第l个故障特征;
13)判断distance(ai,xij)是否小于Ri:如果是,执行14);否则,执行15);
14)根据公式(6)计算xij的隶属度msij,并存入msi;j++,并执行11);
15)根据公式(7)计算xij的隶属度msij,并存入msi;j++,并执行11);
所述故障特征的权重,计算方法为:
1)初始化:i=1,故障特征权重集w为空,理想故障训练数据集id为空;
2)判断i是否小于等于m:如果是,执行3);否则,输出w和id, id={id1,…,idi,…,idm},其中id为D中每个故障类别的理想故障训练数据的集合,并执行Step2;
3)提取Di中的故障训练数据,根据公式(8)计算第i个故障类别的理想故障训练数据idi,idi={idi1,…,idil,…,idip},并将idi存入id;其中idi表示Di中故障训练数据的理想故障训练数据,idil表示Di中故障训练数据的理想故障训练数据的第l个故障特征;令j=1,并执行4);
4)判断j是否小于等于n:如果是,获取Di中的第j个云计算故障训练数据xij,令l=1,并执行5);否则,令l=1,并执行7);
5)判断l是否小于等于p:如果是,执行6);否则,将sij存入si,sij={siml(i,j),…,siml(i,j),…,simp(i,j)},其中si表示Di中每个故障训练数据的故障特征与idi对应的故障特征的相似度集,j++,执行4);
6)根据公式(9)计算xij第l个故障特征与理想故障训练数据idi第l个故障特征的相似度siml(i,j),并将其存入sij,其中sij表示Di中第j个故障训练数据的故障特征与 idi中对应故障特征的相似度集合;l++,执行5);
7)判断l是否小于等于p:如果是,执行8);否则,令l=1,并执行9);
8)根据si和公式(10)计算Di中故障训练数据第l个故障特征的模糊熵值H(l)和Hsum=Hsum+1/H(l),其中Hsum表示故障特征模糊熵值倒数的累加;l++,执行7);
9)判断l是否小于等于p:如果是,执行10);否则,将wi存入w, wi={wi1,…,wil,…,wip},i++,执行2);
10)根据公式(11)计算Di中故障训练数据第l个故障特征的权重wil,并将wil存入wi;l++,执行9);
所述判断待检测云计算数据的类别的方法:
1)初始化:v=1,Max_ms=0;
2)判断v是否小于等于k:如果是,提取第v个近邻故障训练数据的隶属度msv;否则,执行4);
3)判断msv是否大于等于Max_ms:如果是,将msv的值赋给Max_ms,并获取该故障训练数据的类别信息;否则,v++,并执行2);
4)判断Max_ms是否大于σ1:如果是,提取Max_ms对应故障训练数据所属故障类别的最小球半径Rs,设置匹配阈值ρ=2Rs,执行5);否则,执行7);
5)根据公式(12)计算uq与Max_ms对应故障训练数据所属故障类别的理想故障训练数据idMax_ms的相似度dsim;
其中,idMax_msl表示Max_ms对应故障训练数据所属故障类别的理想故障训练数据idMax_ms的第l个故障特征;
6)判断dsim是否小于等于ρ:如果是,将uq所属的故障类别判断为Max_ms 对应故障训练数据的类别,并将uq及其类别信息加入已知故障类别扩充集 known_fault_set,并执行9);否则,执行8);
7)判断Max_ms是否小于σ2:如果是,将uq所属的故障类别判断未知故障类别,并将uq及其类别信息加入未知故障类别扩充集Unknown_fault_set,并执行9);否则,执行8);
8)将uq所属的故障类别判断为Max_ms对应故障训练数据的类别;
9)输出uq的类别信息。
所述σ1=0.94,σ2=0.4,k=2。
所述K=3。
一种云计算故障数据检测系统,包括:
云计算故障训练数据处理装置,用于对云计算故障训练数据集中的数据进行处理,得到每条故障训练数据的隶属度、每个故障类别的故障特征权重;
待检测云计算数据所属故障类别判断装置,用于根据故障训练数据的处理结果并结合云计算故障训练数据集扩充规则判断待检测云计算数据所属类别;
云计算故障训练数据集扩充装置,用于将满足云计算故障训练数据集扩充规则的待检测云计算数据及其类别信息加入故障训练数据扩充集。
本发明的有益效果是:
(1)本发明定义了基于密度聚类思想的隶属度,充分考虑类中故障训练数据与故障训练数据之间的关系,有助于减小云计算故障训练数据集中野值或噪声数据对分类的影响;
(2)本发明通过计算故障训练数据特征的权重,有助于区别故障特征的重要程度;
(3)本发明定义了云计算故障训练数据集扩充规则,有助于完善故障训练数据模型,识别新的故障;
(4)通过检测云计算故障数据,有助于判断云平台发生哪些故障及故障发生的位置并为故障恢复做准备。
附图说明
图1是本发明的流程图;
图2为图1中步骤S1中S1.2的具体流程;
图3为图1中步骤S1中S1.3的具体流程;
图4为图1中步骤S2中S2.3的具体流程。
具体实施方式
下面结合附图和实施例,对本发明作进一步说明,但本发明的内容并不限于所述范围。
实施例1:如图1-4所示,一种云计算故障数据检测方法,包括:
云计算故障训练数据处理步骤,对云计算故障训练数据集中的数据进行处理,得到每条故障训练数据的隶属度、每个故障类别的故障特征权重;
待检测云计算数据所属故障类别判断步骤,根据故障训练数据的处理结果并结合云计算故障训练数据集扩充规则判断待检测云计算数据所属类别;
云计算故障训练数据集扩充步骤,将满足云计算故障训练数据集扩充规则的待检测云计算数据及其类别信息加入故障训练数据扩充集。
一种云计算故障数据检测系统,包括:
云计算故障训练数据处理装置,用于对云计算故障训练数据集中的数据进行处理,得到每条故障训练数据的隶属度、每个故障类别的故障特征权重;
待检测云计算数据所属故障类别判断装置,用于根据故障训练数据的处理结果并结合云计算故障训练数据集扩充规则判断待检测云计算数据所属类别;
云计算故障训练数据集扩充装置,用于将满足云计算故障训练数据集扩充规则的待检测云计算数据及其类别信息加入故障训练数据扩充集。
实施例2:如图1-4所示,云计算故障训练数据集D如表1所示,
表1
云计算数据集U如表2所示,
表2
本实例使用云计算故障数据作为故障训练数据集D。该D是有2个故障类别10 个故障训练数据且每个数据有4个故障特征组成,其中类别1为云计算网络故障、类别2为云计算IO端口故障,4个故障特征分别为cpu使用率、硬盘使用率,IO端口使用率以及网络使用量;D={D1,…Di,…,Dm},Di={xi1,…,xij,…,xin}, xij=[xij1,…,xijl,…,xijp,ci],i=1,.2,…,m,j=1,2,…,n,l=1,2,…,p,其中Di为故障类别i 的故障训练数据,xij为故障类别i中第j条故障训练数据,xijl为故障类别i中第j条故障训练数据的第l个故障特征,m为故障类别数,n为对应故障类别中故障训练数据数,p为故障训练数据的特征数,ci为故障训练数据的类别。
本实例中待检测云计算数据集U由4条数据组成,U={u1,…,uq,…,ue}, ue=[uq1,…,uql,…,uqp],其中uq表示U中第q条待检测云计算数据,uql表示U中第q 条待检测云计算数据的第l个故障特征,q表示待检测云计算数据的个数,p表示待检测云计算数据的故障特征数。
该方法检测待检测云计算数据集中的故障数据,对故障数据进行分类并将满足故障训练数据集扩充规则的故障数据加入故障训练数据集。
云计算故障检测方法的具体步骤如下:
Step1:云计算故障训练数据处理;
Step1.1:输入含m个类的云计算故障训练数据集D:
本实例中,输入2个故障类别的云计算故障训练数据集D,且每类故障有5个故障训练数据,每个故障训练数据共4个故障特征。其中D={D1,D2},
D1={x11,x12,x13,x14,x15},
x11=[x111,x112,x113,x114,c1]=
[0.012515664,0.18907768,0.0061000003,7.6761626E-7,1],
x12=[x121,x122,x123,x124,c1]=
[0.011292338,0.18902111,0.0061000003,7.6723273E-7,1],
x13=[x131,x132,x133,x134,c1]=[0.010025084,0.18909907,0.0061000003,2.558721E-7,1],
x14=[x141,x142,x143,x144,c1]=[0.021276593,0.18881398,0.0061000003,2.558721E-7,1],
x15=[x151,x152,x153,x154,c1]=[0.036204755,0.18909341,0.006100003,7.6723273E-7,1],
D2={x21,x22,x23,x24,x25},
x21=[x211,x212,x213,x214,c2]=[0.11500001,0.2757709,0.6922,5.12E-7,2],
x22=[x221,x222,x223,x224,c2]=[0.115143955,0.27486098,0.6906,7.6761626E-7,2],
x23=[x231,x232,x233,x234,c2]=[0.11779451,0.2758971,0.6932,8.995503E-7,2],
x24=[x241,x242,x243,x244,c2]=[0.12094766,0.27608985,0.6944,2.558721E-7,2],
x25=[x251,x252,x253,x254,c2]=[0.016250014,0.2723512,0.701,2.5574423E-7,2]。
Step1.2:利用基于密度聚类的思想将D中每个故障类别分别构建成一个最小球,计算每个故障类别的球中心ai和最小球半径Ri,并结合故障训练数据在最小球中的位置,按照不同规则确定故障训练数据的隶属度msij
具体方法:
1)初始化:i=1,centroids为空,Radious为空,ms为空;
2)判断i是否小于等于m:1<2,提取D1中的故障训练数据,令j=1;
3)判断j是否小于等于n:1<5,执行4),否则,执行6);
4)根据欧氏距离公式计算x11与D1中其他故障训练数据之间的欧式距离distance(x11,x1r),r=2,3,4,5,将distance(x11,x1r)存入距离集d1,d1={distance(x11,x12),distance(x11,x13),distance(x11,x14),distance(x11,x15)}={0.0012246332,0.0024906719,0.0087648967,0.0236890962};并对d1升序排列, d1={0.0012246332,0.0024906719,0.0087648967,0.0236890962};
5)提取d1中前3个值{0.0012246332,0.0024906719,0.0087648967},计算其倒数和z11=1332.16054,z=z11=1332.16054,并将z11存入z1,z1={z11}={1332.16054};j++,执行3);
3)判断j是否小于等于n:2<5,执行4);
4)根据欧氏距离公式计算x12与D1中其他故障训练数据之间的欧式距离distance(x12,x1r),r=1,3,4,5,将distance(x12,x1r)存入距离集d2,d2={distance(x12,x11),distance(x12,x13),distance(x12,x14),distance(x12,x15)}={0.0012246332,0.0012696498,0.0099864033,0.0249125219},并对d2进行升序排列, d2={0.0012246332,0.0012696498,0.0099864033,0.0249125219};
5)提取d2中前3个值{0.0012246332,0.0012696498,0.0099864033},计算其倒数和z12=1704.32586;z=z11+z12=3036.48641,并将z12存入z1, z1={z11,z12}={1332.16054,1704.32586};j++,执行3);
3)判断j是否小于等于n:3<5,执行4)
4)根据欧氏距离公式计算x13与D1中其他故障训练数据之间的欧式距离distance(x13,x1r),r=1,2,4,5,并将distance(x13,x1r)存入距离集d3,d3={distance(x13,x11),distance(x13,x12),distance(x13,x14),distance(x13,x15)}={0.0024906719,0.0012696498,0.0112551202,0.0261796716},并对d3进行升序排列, d3={0.0012696498,0.0024906719,0.0112551202,0.0261796716};
5)提取d3中前3个值{0.0012696498,0.0024906719,0.0112551202},计算其倒数和z13=1277.96526,将z13存入z1,z1={z11,z12,z13}={1332.16054,1704.32586,1277.96526}, z=z11+z12+z13=4314.45167;j++,执行3);
3)判断j是否小于等于n:4<5,执行4);
4)根据欧氏距离公式计算x14与D1中其他故障训练数据之间的欧式距离distance(x14,x1r),r=1,2,3,5,将distance(x14,x1r)存入距离集d4,d4={distance(x14,x11),distance(x14,x12),distance(x14,x13),distance(x14,x15)}={0.0087648967,0.0099864033,0.0112551202,0.0149307770},对d4进行升序排列, d4={0.0087648967,0.0099864033,0.0112551202,0.0149307770};
5)提取d4中前3个值{0.0087648967,0.0099864033,0.0112551202},计算其倒数和z14=303.07607,将z14存入z1,z1={z11,z12,z13,z14}= {1332.16054,1704.32586,1277.96526,303.07607},z=z11+z12+z13+z14=4617.52775;j++,执行3);
3)判断j是否小于等于n:5=5,执行4);
4)根据欧氏距离公式计算x15与D1中其他故障训练数据之间的欧式距离distance(x15,x1r),r=1,2,3,4,将distance(x15,x1r)存入距离集d5,d5={distance(x15,x11),distance(x15,x12),distance(x15,x13),distance(x15,x14)}={0.0236890962,0.0249125219,0.0261796716,0.0149307770},并对d5进行升序排列, d5={0.0149307770,0.0236890962,0.0249125219,0.0261796716};
5)提取d4中前3个值{0.0149307770,0.0236890962,0.0249125219},计算其倒数和z15=149.32972,将z15存入z1,z1={z11,z12,z13,z14,z15}={1332.16054,1704.32586,1277.96526,303.07607,149.32972},z=z11+z12+z13+z14+z15=4766.85747;j++,执行3);
3)判断j是否小于等于n:6>5,令j=1,并执行6);
6)判断j是否小于等于n:1<5,执行7);
7)根据公式计算D1中x11的密度density(x11)=0.27946,并存入 G1={density(x11)}={0.279463},j++,执行6);
6)判断j是否小于等于n:2<5,执行7);
7)根据公式计算D1中x12的密度density(x12)=0.35753,并存入G1={density(x11),density(x12)}={0.27946,0.35753},j++,执行6);
6)判断j是否小于等于n:3<5,执行7);
7)根据公式计算D1中x13的密度density(x13)=0.26809,并存入 G1={density(x11),density(x12),density(x13)}={0.27946,0.35753,0.26809},j++,执行6);
6)判断j是否小于等于n:4<5,执行7);
7)根据公式计算D1中x14的密度density(x14)=0.06357,并存入 G1={density(x11),density(x12),density(x13),density(x14)}={0.27946,0.35753,0.26809,0.0635 7},j++,执行6);
6)判断j是否小于等于n:5=5,执行7);
7)根据公式计算D1中x15的密度density(xij)=0.03132,并存入 G1={density(x11),density(x12),density(x13),density(x14),density(x15)}={0.27946,0.35753,0.2 6809,0.06357,0.03132},j++,执行6);
6)判断j是否小于等于n:6>5,对G1降序排列,G1={density(x12),density(x11),density(x13),density(x14),density(x15)}={0.35753,0.27946,0.26809,0.06357,0.03132},执行8);
8)提取G1中最大密度(G1中第一个值)所对应的云计算故障训练数据xmax; xmax=x12=[0.011292338,0.18902111,0.0061000003,7.6723273E-7,1],计算xmax与D1中其他故障训练数据的欧氏距离dmax, dmax={distance(x12,x11),distance(x12,x13),distance(x12,x14),distance(x12,x15)}={0.001224,0.0 0126,0.00998,0.02491},并获取dmax最小值对应的云计算故障训练数据xmin; xmin=x11=[0.010025084,0.18909907,0.0061000003,2.558721E-7,1];
9)根据公式ai=0.6*xmax+0.4*xmin计算得到球中心a1=0.6*x12+0.4*x11; a1=[0.0117816684,0.189043738,0.0061000003,7.67386142E-7,1],并存入Centroids;Centroids={[0.0117816684,0.189043738,0.0061000003,7.67386142E-7,1]}
10)计算a1与D1中故障训练数据的欧式距离 {7.347799E-4,4.89853E-4,0.0017574557,0.0094977040,0.0244231371},并计算距离的平均值aver(D1)=0.007380586,令最小球半径调节系数coefR=0.13,根据公式计算最小球半径R1=0.0059872134。并存入Radious中; Radious={0.0059872134};令j=1,并执行11);
11)判断j是否小于等于n:1<5,执行12);
12)根据公式计算数据x11与球中心a1的欧式距离distance(a1,x11)=7.34779E-4;
13)判断数据x11与球中心a1的欧式距离是否小于R1:7.34779E-4<0.0059872134,执行14);
14)根据公式计算x11的隶属度ms11,并存入ms1,ms11=0.868828203,ms1={ms11}={0.868828203},j++.执行11);
11)判断j是否小于等于n:2<5,执行12);
12)根据公式计算数据x12与球中心a1的欧式距离distance(a1,x12)=4.89853E-4;
13)判断数据x12与球中心a1的欧式距离是否小于R1:4.89853E-4<0.0059872134,执行14);
14)根据公式计算x12的隶属度ms12,并存入ms1,ms12=0.909245343,ms1={ms11,ms12}={0.868828203,0.909245343},j++.执行11);
11)判断j是否小于等于n:3<5,执行12);
12)根据公式计算数据x13与球中心a1的欧式距离distance(a1,x13)=0.0017574557;
13)判断数据x13与球中心a1的欧式距离是否小于R1: 0.0017574557<0.0059872134,执行14);
14)根据公式计算x13的隶属度ms13,并存入ms1,ms13=0.727690516,ms1={ms11,ms12,ms13}={0.868828203,0.909245343,0.727690516},j++,执行11);
11)判断j是否小于等于n:4<5,执行12);
12)根据公式计算数据x14与球中心a1的欧式距离distance(a1,x14)=0.0094977040;
13)判断数据x14与球中心a1的欧式距离是否小于R1: 0.0094977040>0.0059872134,执行15);
15)根据公式计算x14的隶属度ms14,并存入ms1,ms14=0.398600716,ms1={ms11,ms12,ms13,ms14}={0.868828203,0.909245343,0.727690516,0.398600716},j++,执行11);
11)判断j是否小于等于n:5=5,执行12);
12)根据公式计算数据x15与球中心a1的欧式距离distance(a1,x15)=0.0244231371;
13)判断数据x15与球中心a1的欧式距离是否小于R1: 0.0244231371>0.0059872134,执行15);
15)根据公式计算x15的隶属度ms15,并将 ms15存入ms1,ms15=0.390463653,ms1={ms11,ms12,ms13,ms14,ms15}= {0.868828203,0.909245343,0.727690516,0.398600716,0.390463653},j++,执行11);
11)判断j是否小于等于n:6>5,将ms1存入ms,ms={ms1}=
{{ms11,ms12,ms13,ms14,ms15}}={{0.868828203,0.909245343,0.727690516,0.398600716,0.390463653} },i++,执行2);
2)判断i是否小于等于m:2=2,提取D2中的故障训练数据,令j=1;
3)判断j是否小于等于n:1<5,执行4);
4)根据欧式距离公式计算x21与D2中其他故障训练数据之间的欧式距离distance(x21,x2r),r=2,3,4,5,将distance(x21,x2r)存入d1, d1={distance(x21,x22),distance(x21,x23),distance(x21,x24),distance(x21,x25)}={0.0018462596, 0.0029707165,0.0063495094,0.0992002825};并对d1进行升序排列,d1={0.0018462596, 0.0029707165,0.0063495094,0.0992002825};
5)提取d1中前3个值{0.0018462596,0.0029707165,0.0063495094},计算其倒数和z21=1035.74723;z=z21=1035.74723;并将z21存入z2,z2={1035.74723};j++,执行3);
3)判断j是否小于等于n:2<5,执行4);
4)根据欧氏距离公式计算x22与D2中其他故障训练数据之间的欧式距离distance(x22,x2r),r=1,3,4,5,将distance(x22,x2r)存入d2, d2={distance(x22,x21),distance(x22,x23),distance(x22,x24),distance(x22,x25)}={0.0018462596, 0.003854735,0.007045077,0.0994709533};并对d2进行升序排, d2={0.0018462596,0.003854735,0.007045077,0.0994709533};
5)提取d2中前3个值{0.0018462596,0.003854735,0.007045077},计算其倒数和z22=942.99988;z=z21+z22=1978.74711;并将z22存入z2中,z2={1035.74723,942.99988};j++,执行3);
3)判断j是否小于等于n:3<5,执行4);
4)根据欧氏距离公式计算x23与D2中其他故障训练数据之间的欧式距离distance(x23,x2r),将distance(x23,x2r)存入d3, d3={distance(x23,x21),distance(x23,x22),distance(x23,x24),distance(x23,x25)}={0.0029707165,0.0038547355,0.0033792762,0.1019053387};并对d3进行升序排列, d3={0.0029707165,0.0038547355,0.0033792762,0.1019053387};
5)提取d3中前3个值{0.0029707165,0.0038547355,0.0033792762},计算其倒数和z23=891.96164;z=z21+z22+z23=2870.70875;将z23存入z2中,z2={1035.74723,942.99988,891.96164};j++,执行3);
3)判断j是否小于等于n:4<5,执行4);
4)根据欧氏距离公式计算x24与D2中其他故障训练数据之间的欧式距离distance(x24,x2r),将distance(x24,x2r)存入d4, d4={distance(x24,x21),distance(x24,x22),distance(x24,x23),distance(x24,x25)}={0.0063495094,0.0070450772,0.0033792762,0.1049720657};并对d4进行升序排列, d4={0.0033792762,0.0063495094,0.0070450772,0.1049720657};
5)提取d4中前3个值{0.0033792762,0.0063495094,0.0070450772},计算其倒数和z24=595.35692;z=z21+z22+z23+z24=3466.06568;将z24存入z2中, z2={1035.74723,942.99988,891.96164,595.35692};j++,执行3);
3)判断j是否小于等于n:5=5,执行4);
4)根据欧氏距离公式计算x25与D2中其他故障训练数据之间的欧式距离distance(x25,x2r),将distance(x25,x2r)存入d5, d5={distance(x25,x21),distance(x25,x22),distance(x25,x23),distance(x25,x24)}={0.0992002825,0.0994709533,0.1019053387,0.1049720657};并对d5进行升序排列, d5={0.0992002825,0.0994709533,0.1019053387,0.1049720657};
5)提取d5中前3个值{0.0992002825,0.0994709533,0.1019053387},计算其倒数和z25=29.94683,z=z21+z22+z23+z24+z25=3496.01251,并将z25存入z2中,z2={1035.74723,942.99988,891.96164,595.35692,29.94683};j++,执行3);
3)判断j是否小于等于n:6>5,令j=1,并执行6);
6)判断j是否小于等于n:1<5,执行7);
7)根据公式计算D2中x21的密度density(x21)=0.29626,并将density(x21)存入G2,G2={density(x21)}={0.29626},j++,执行6);
6)判断j是否小于等于n:2<5,执行7);
7)根据公式计算D2中x22的密度density(x22)=0.2697358426,并将density(x22)存入G2,G1={density(x21),density(x22)}={0.29626,0.26973},j++,执行6);
6)判断j是否小于等于n:3<5,执行7);
7)根据公式计算D2中x23的密度density(x23)=0.255136856,并将density(x23)存入G2,G2={density(x21),density(x22),density(x23)}={0.2962653114,0.2697358426,0.2551368564},j++,执行6);
6)判断j是否小于等于n:4<5,执行7);
7)根据公式计算D1中x24的密度density(x24)=0.1702959928并将density(x24)存入G2,G2={density(x21),density(x22),density(x23),density(x24)}={0.2962653114,0.2697358426,0.2551368564,0.1702959928},j++,执行6);
6)判断j是否小于等于n:5=5,执行7);
7)根据公式计算D1中x25的密度density(x25)=0.0085659965,并将density(x25)存入G2,G2={density(x21),density(x22),density(x23),density(x24),density(x25)}={0.2962653114,0.2697358426,0.2551368564,0.1702959928,0.0085659965} ,j++,执行6);
6)判断j是否小于等于n:6>5,对G2降序排列, G2={density(x21),density(x22),density(x23),density(x24),density(x25)}={0.2962653114,0.269 7358426,0.2551368564,0.1702959928,0.0085659965},并执行8);
8)提取G2中最大密度(G2中第一个值)所对应的云计算故障训练数据xmax; xmax=x21=[0.11500001,0.2757709,0.6922,5.12E-7,2],计算xmax与D2中其他故障训练数据的欧氏距离dmax,dmax={distance(x21,x21),distance(x21,x2),distance(x21,x24), distance(x21,x25)}={0.0018462596,0.00297071655,0.00634950940,0.09920028255},并获取dmax中最小距离对应的云计算故障训练数据xmin, xmim=x22=[0.115143955,0.27486098,0.6906,7.6761626E-7,2];
9)根据公式ai=0.6*xmax+0.4*xmin计算得到球中心a2=0.6*x21+0.4*x22; a2=[0.115057588,0.275406932,0.69156,6.14246504E-7,2],并存入Centroids中;Centroids={a1,a2}={[0.0117816684,0.189043738,0.0061000003,7.67386142E-7,1],[0.011 7816684,0.189043738,0.0061000003,7.67386142E-7,2]}
10)计算a2与D2中故障训练数据的欧式距离{7.38503E-4, 0.0011077557,0.0032280964,0.0065745665,0.0993045204},并计算距离的平均值 aver(D2)=0.0221906886,令最小球半径调节系数coefR=0.13,根据公式计算最小球半径R2=0.0180013335。并存入Radious; Radious={R1,R2}={0.0059872134,0.0180013335};令j=1,并执行11);
11)判断j是否小于等于n:1<5,执行12);
12)根据公式计算数据x21与球中心a2的欧式距离distance(a2,x21)=7.38503E-4;
13)判断数据x21与球中心a2的欧式距离是否小于R2:7.38503E-4<0.0180013335,执行14);
14)根据公式计算x21的隶属度ms21,并存入ms2,ms21=0.952710122,ms2={ms21}={0.952710122},j++,执行11);
11)判断j是否小于等于n:2<5,执行12);
12)根据公式计算数据x22与球中心a2的欧式距离distance(a2,x22)=0.0011077557;
13)判断数据x22与球中心a2的欧式距离是否小于R2: 0.0011077557<0.0180013335,执行14);
14)根据公式计算x22的隶属度ms22,并存入ms2,ms22=0.930435882,ms2={ms11,ms12}={0.952710122,0.930435882},j++,执行11);
11)判断j是否小于等于n:3<5,执行12);
12)根据公式计算数据x23与球中心a2的欧式距离distance(a2,x23)=0.0032280964;
13)判断数据x23与球中心a2的欧式距离是否小于R2: 0.0032280964<0.0180013335,执行14);
14)根据公式计算x23的隶属度ms23,并存入ms2,ms23=0.817530864,ms2={ms21,ms22,ms23}={0.952710122,0.930435882,0.817530864},j++,执行11);
11)判断j是否小于等于n:4<5,执行12);
12)根据公式计算数据x24与球中心a2的欧式距离distance(a2,x24)=0.00657456654;
13)判断数据x24与球中心a2的欧式距离是否小于R2: 0.00657456654<0.0180013335,执行15);
15)根据公式计算x24的隶属度ms24,并存入ms2,ms24=0.678974937,ms2={ms21,ms22,ms23,ms24}={0.952710122,0.930435882,0.817530864,0.678974937},j++,执行11);
11)判断j是否小于等于n:5=5,执行12);
12)根据公式计算数据x25与球中心a2的欧式距离distance(a2,x25)=0.0993045204;
13)判断数据x25与球中心a2的欧式距离是否小于R2: 0.0993045204>0.0180013335,执行15);
15)根据公式计算x25的隶属度ms25,并存入ms2,ms25=0.369924,ms2={ms21,ms22,ms23,ms24,ms25}={0.952710122,0.930435882,0.817530864,0.678974937,0.369924},j++.执行11);
11)判断j是否小于等于n:6>5,将ms2存入ms,ms={ms1, ms2}={{ms11,ms12,ms13,ms14,ms15},{ms21,ms22,ms23,ms24,ms25}}={{0.868828203,0.909245 343,0.727690516,0.398600716,0.390463653},{0.952710122,0.930435882,0.817530864,0 .678974937,0.369924}},i++,执行2);
2)判断i是否小于等于m:3>2,输出Centroids、Radious和ms,并执行Step1.3;Centroids={a1,a2}={[0.0117816684,0.189043738,0.0061000003,7.67386142E-7,1],[0.01 17816684,0.189043738,0.0061000003,7.67386142E-7,2]};Radious={R1,R2}={0.0059872134,0.0180013335};ms={ms1ms2}={{ms11,ms12,ms13,ms14,ms15}, {ms21,ms22,ms23,ms24,ms25}}={{0.868828203,0.909245343,0.727690516,0.398600716,0.390463653},{0.952710122,0.930435882,0.817530864,0.678974937,0.369924}};
Step1.3:根据云计算故障训练数据故障特征的模糊熵值来计算每个故障类别的特征权重wi,wi={wi1,…,wil,…,wip},并将wi存入w,w={w1,…,wi,…,wm};
具体的方法:
1)初始化:i=1,w为空,id为空;
2)判断i是否小于等于2:1<2,执行3);
3)提取D1中的故障训练数据,根据公式计算第1个故障类别的理想故障训练数据id1=[id11,id12,id13,id14],并将id1存入id;令j=1,并执行4);
id1=[0.018262887,0.18902105,0.00607462079,0.00000056276518,1],
id={id1}={[0.018262887,0.18902105,0.00607462079,0.00000056276518,1]};
4)判断j是否小于等于5:1<5,获取x11= [0.012515664,0.18907768,0.0061037003,7.6761626E-7,2],令l=1,并执行5);
5)判断l是否小于等于4:1<4,执行6);
6)根据相似度公式计算x11的第1故障特征x111与理想故障训练数据id1的第1个故障特征id11的相似度sim1(1,1)=0.99991155,并将其存入s11,s11={sim1(1,1)}={0.99991155};l++,执行5);
5)判断l是否小于等于4:2<4,执行6);
6)根据相似度公式计算x11的第2故障特征x112与理想故障训练数据id1的第2个故障特征id12的相似度sim2(1,1)=0.999989294,并将其存入s11,s11={sim1(1,1),sim2(1,1)}={0.99991155,0.999989294};l++,执行5);
5)判断l是否小于等于4:3<4,执行6);
6)根据相似度公式计算x11的第3故障特征x113与理想故障训练数据id1的第3个故障特征id13的相似度sim3(1,1)=0.99999969882,并将其存入s11,s11={sim1(1,1),sim2(1,1),sim3(1,1)}={0.99991155,0.999989294, 0.99999969882};l++,执行5);
5)判断l是否小于等于4:4=4,执行6);
6)根据相似度公式计算x11的第4故障特征x114与理想故障训练数据id1的第4个故障特征id14的相似度sim4(1,1)=0.999999898,并将其存入s11,s11={sim1(1,1),sim2(1,1),sim3(1,1),sim4(1,1}={0.99991155, 0.999989294,0.99999969882,0.999999898};l++,执行5);
5)判断l是否小于等于4:5>4,将s11存入s1,s1={s11};j++,执行4);
4)判断j是否小于等于5:2<5,获取x12= [0.011292338,0.18902111,0.0060902003,7.6723273E-7,1];令l=1,并执行5);
5)判断l是否小于等于4:1<4,执行6);
6)根据相似度公式计算x12的第1故障特征x121与理想故障训练数据id1的第1个故障特征id11的相似度sim1(1,2)=0.999896987,并将其存入s12,s12={sim1(1,2)}={0.999896987};l++,执行5);
5)判断l是否小于等于4:2<4,执行6);
6)根据相似度公式计算x12的第2故障特征x122与理想故障训练数据id1的第2个故障特征id12的相似度sim2(1,2)=0.999999989,并将其存入s12,s12={sim1(1,2),sim2(1,2)}={0.999896987,0.999999989};l++,执行5);
5)判断l是否小于等于4:3<4,执行6);
6)根据相似度公式计算x12的第3故障特征x123与理想故障训练数据id1的第3个故障特征id13的相似度sim3(1,2)=0.99999982574,并将其存入s12,s12={sim1(1,2),sim2(1,2),sim3(1,2)}={0.999896987,0.999999989, 0.99999982574};l++,执行5);
5)判断l是否小于等于4:4=4,执行6);
6)根据相似度公式计算x12的第4故障特征x124与理想故障训练数据id1的第4个故障特征id14的相似度sim4(1,2)=0.999999898,并将其存入s12,s12={sim1(1,2),sim2(1,2),sim3(1,2),sim4(1,2)}={0.999896987,0.999999989,0.99999982574,0.999999898};l++,执行5);
5)判断l是否小于等于4:5>4,将s12存入s1,s1={s11,s12},j++,执行4);
4)判断j是否小于等于5:3<5,获取x13=[0.010025084,0.18909907,0.0061072803,2.558721E-7,1];令l=1,并执行5);
5)判断l是否小于等于4:1<4,执行6);
6)根据相似度公式计算x13的第1故障特征x131与理想故障训练数据id1的第1个故障特征id11的相似度sim1(1,3)=0.999883478,并将其存入s13,s13={sim1(1,3)}={0.999883478};l++,执行5);
5)判断l是否小于等于4:2<4,执行6);
6)根据相似度公式计算x13的第2故障特征x132与理想故障训练数据id1的第2个故障特征id12的相似度sim2(1,3)=0.999985249,并将其存入s13,s13={sim1(1,3),sim2(1,3)}={0.999883478,0.999985249};l++,执行5);
5)判断l是否小于等于4:3<4,执行6);
6)根据相似度公式计算x13的第3故障特征x133与理想故障训练数据id1的第3个故障特征id13的相似度sim3(1,3)=0.99999978425,并将其存入s13,s13={sim1(1,3),sim2(1,3),sim3(1,3)}={0.999883478, 0.999985249,0.99999978425};l++,执行5);
5)判断l是否小于等于4:4=4,执行6);
6)根据相似度公式计算x13的第4故障特征x134与理想故障训练数据id1的第4个故障特征id14的相似度sim4(1,3)=0.999999847,并将其存入s13,s13={sim1(1,3),sim2(1,3),sim3(1,3),sim4(1,3)}={0.999883478, 0.999985249,0.99999978425,0.999999847};l++,执行5);
5)判断l是否小于等于4:5>4,将s13存入s1,s1={s11,s12,s13},j++,执行4);
4)判断j是否小于等于5:4<5,获取x14= {0.021276593,0.18881398,0.0061000003,2.558721E-7,1};令l=1,并执行5);
5)判断l是否小于等于4:1<4,执行6);
6)根据相似度公式计算x14的第1故障特征x141与理想故障训练数据id1的第1个故障特征id11的相似度sim1(1,4)=0.999940418,并将其存入s14,s14={sim1(1,4)}={0.999940418};l++,执行5);
5)判断l是否小于等于4:2<4,执行6);
6)根据相似度公式计算x14的第2故障特征x142与理想故障训练数据id1的第2个故障特征id12的相似度sim2(1,4)=0.99996088,并将其存入s14,s14={sim1(1,4),sim2(1,4)}={0.999940418,0.99996088};l++,执行5);
5)判断l是否小于等于4:3<4,执行6);
6)根据相似度公式计算x14的第3故障特征x143与理想故障训练数据id1的第3个故障特征id13的相似度sim3(1,4)=0.99999955275,并将其存入s14,s14={sim1(1,4),sim2(1,4),sim3(1,4)}={0.999940418,0.99996088, 0.99999955275};l++,执行5);
5)判断l是否小于等于4:4=4,执行6);
6)根据相似度公式计算x14的第4故障特征x144与理想故障训练数据id1的第4个故障特征id14的相似度sim4(1,4)=0.999999847,并将其存入s14,s14={sim1(1,4),sim2(1,4),sim3(1,4),sim4(1,4)}={0.999940418,0.99996088,0.99999955275,0.999999847};l++,执行5);
5)判断l是否小于等于4:5>4,将s14存入s1,s1={s11,s12,s13,s14},j++,执行4);
4)判断j是否小于等于5:5=5,获取x15=[0.036204755,0.18909341,0.0061008203,7.6723273E-7,1];令l=1,并执行5);
5)判断l是否小于等于4:1<4,执行6);
6)根据相似度公式计算x15的第1故障特征x151与理想故障训练数据id1的第1个故障特征id11的相似度sim1(1,5)=0.999511255,并将其存入s15,s15={sim1(1,5)}={0.999511255};l++,执行5);
5)判断l是否小于等于4:2<4,执行6);
6)根据相似度公式计算x15的第2故障特征x152与理想故障训练数据id1的第2个故障特征id12的相似度sim2(1,5)=0.99998632,并将其存入s15,s15={sim1(1,5),sim2(1,5)}={0.999511255,0.99998632};l++,执行5);
5)判断l是否小于等于4:3<4,执行6);
6)根据相似度公式计算x15的第3故障特征x153与理想故障训练数据id1的第3个故障特征id13的相似度sim3(1,5)=0.99999980694,并将其存入s15,s15={sim1(1,5),sim2(1,5),sim3(1,5)}={0.999511255, 0.99998632,0.99999980694};l++,执行5);
5)判断l是否小于等于4:4=4,执行6);
6)根据相似度公式计算x15的第4故障特征x154与理想故障训练数据id1的第4个故障特征id14的相似度sim4(1,5)=0.999999898,并将其存入s15,s15={sim1(1,5),sim2(1,5),sim3(1,5),sim4(1,5)}={0.999511255, 0.99998632,0.99999980694,0.999999898};l++,执行5);
5)判断l是否小于等于4:5>4,将s15存入s1,j++,并执行4);
s1={s11,s12,s13,s14,s15}
={{sim1(1,1),sim2(1,1),sim3(1,1),sim4(1,1)},
{sim1(1,2),sim2(1,2),sim3(1,2),sim4(1,2)},
{sim1(1,3),sim2(1,3),sim3(1,3),sim4(1,3)},
{sim1(1,4),sim2(1,4),sim3(1,4),sim4(1,4)},
{sim1(1,5),sim2(1,5),sim3(1,5),sim4(1,5)}}
={{0.99991155,0.999989294,0.99999969882,0.999999898},
{0.999896987,0.999999989,0.99999982574,0.999999898},
{0.999883478,0.999985249,0.99999978425,0.999999847},
{0.999940418,0.99996088,0.99999955275,0.999999847},
{0.999511255,0.99998632,0.99999980694,0.9999998981}};
4)判断j是否小于等于5:6>5,令l=1,并执行7);
7)判断l是否小于等于p:1<4,执行8);
8)根据s1和公式计算D1中数据故障特征的模糊熵值H(1)=0.0034693421,并计算Hsum=1/H(1), Hsum=288.2390955,l++,并执行7);
7)判断l是否小于等于p:2<4,执行8);
8)根据s1和公式计算D1中数据故障特征的模糊熵值H(2)=0.000397521,并计算 Hsum=1/H(1)+1/H(2)=2803.8299605,l++,并执行7);
7)判断l是否小于等于p:3<4,执行8);
8)根据s1和公式计算D1中数据故障特征的模糊熵值H(3)=0.0000092943,并计算 Hsum=1/H(1)+1/H(2)+1/H(3)=110395.7295805,l++,并执行7);
7)判断l是否小于等于p:4=4,执行8);
8)根据s1和公式计算D1中数据故障特征的模糊熵值H(4)=0.00000450297,并计算 Hsum=1/H(1)+1/H(2)+1/H(3)+1/H(4)=332471.3515605,l++,并执行7);
7)判断l是否小于等于p:5>4,令l=1,并执行9);
9)判断l是否小于等于p:1<4,执行10);
10)根据公式计算D1中数据故障特征的权重w11=0.0008132927,并将w11存入w1,w1={w11}={0.0008669591};l++,执行9);
9)判断l是否小于等于p:2<4,执行10);
10)根据公式计算D1中数据故障特征的权重w12=0.0075663387,并将w12存入w1,w1={w11,w12}={0.0008669591,0.0075663387};l++,执行9);
9)判断l是否小于等于p:3<4,执行10);
10)根据公式计算D1中数据故障特征的权重w13=0.323612543,并将w13存入w1,w1={w11,w12,w13}={0.0008669591,0.0075663387,0.323612543};l++,执行9);
9)判断l是否小于等于p:4=4,执行10);
10)根据公式计算D1中数据故障特征的权重w14=0.667954159,并将w14存入w1,w1={w11,w12,w13,w14}={0.0008669591,0.0075663387,0.323612543,0.667954159};l++,执行9);
9)判断l是否小于等于p:5>4,将w1存入w, w={w1}={{0.0008669591,0.0075663387,0.323612543,0.667954159}},将id1存入id, id={[id1]}={[0.018262887,0.18902105,0.00607462079,0.00000056276518,1]},i++,执行2);
2)判断i是否小于等于2:2=2,执行3);
3)提取D1中的故障训练数据数据,根据公式计算数据的均值id2=[id21,id22,id23,id24],并将id1存入id;
id2=[0.09702723,0.274994006,0.69428,0.00000053815658,2],
id={id1,id2}={[0.018262887,0.18902105,0.00607462079,0.00000056276518,1],[0.09 702723,0.274994006,0.69428,0.00000053815658,2]};
4)判断j是否小于等于5:1<5,获取x21=[0.11500001,0.2757709,0.6922,5.12E-7,2];令l=1,并执行5);
5)判断l是否小于等于4:1<4,执行6);
6)根据相似度公式计算x21的第1故障特征x211与理想故障训练数据id2的第1个故障特征id21的相似度sim1(2,1)=0.998092822,并将其存入s21,s21={sim1(2,1)}={0.998092822};l++,执行5);
5)判断l是否小于等于4:2<4,执行6);
6)根据相似度公式计算x21的第2故障特征x212与理想故障训练数据id2的第2个故障特征id22的相似度sim2(2,1)=0.999786034,并将其存入s21,s21={sim1(2,1),sim2(2,1)}={0.999786034,0.999989294};l++,执行5);
5)判断l是否小于等于4:3<4,执行6);
6)根据相似度公式计算x21的第3故障特征x213与理想故障训练数据id2的第3个故障特征id23的相似度sim3(2,1)=0.99855702,并将其存入s21,s21={sim1(2,1),sim2(2,1),sim3(2,1)}={0.999786034,0.999989294,0.99855702}; l++,执行5);
5)判断l是否小于等于4:4=4,执行6);
6)根据相似度公式计算x21的第4故障特征x214与理想故障训练数据id2的第4个故障特征id24的相似度sim4(2,1)=0.999999987,并将其存入s21,s21={sim1(2,1),sim2(2,1),sim3(2,1),sim4(2,1)}={0.999786034,0.999989294,0.99855702,0.999999987};l++,执行5);
5)判断l是否小于等于4:5>4,将s21存入s2,s2={s21},j++,执行4);
4)判断j是否小于等于5:2<5,获取x22= [0.115143955,0.27486098,0.6906,7.6761626E-7,2];令l=1,并执行5);
5)判断l是否小于等于4:1<4,执行6);
6)根据相似度公式计算x22的第1故障特征x221与理想故障训练数据id2的第1个故障特征id21的相似度sim1(2,2)=0.998076226,并将其存入s22,s22={sim1(2,2)}={0.998076226};l++,执行5);
5)判断l是否小于等于4:2<4,执行6);
6)根据相似度公式计算x22的第2故障特征x222与理想故障训练数据id2的第2个故障特征id22的相似度sim2(2,2)=0.999963427,并将其存入s22,s22={sim1(2,2),sim2(2,2)}={0.998076226,0.999963427};l++,执行5);
5)判断l是否小于等于4:3<4,执行6);
6)根据相似度公式计算x22的第3故障特征x223与理想故障训练数据id2的第3个故障特征id23的相似度sim3(2,2)=0.997448566,并将其存入s22,s22={sim1(1,2),sim2(1,2),sim3(2,2)}={0.998076226,0.999963427, 0.997448566};l++,执行5);
5)判断l是否小于等于4:4=4,执行6);
6)根据相似度公式计算x22的第4故障特征x224与理想故障训练数据id2的第4个故障特征id24的相似度sim4(2,2)=0.999999885,并将其存入s22,s22={sim1(1,2),sim2(1,2),sim3(1,2),sim4(2,2)}={0.998076226,0.999963427,0.997448566,0.999999885};l++,执行5);
5)判断l是否小于等于4:5>4,将s22存入s2,s2={s21,s22},j++,执行4);
4)判断j是否小于等于5:3<5,获取x23= {0.11779451,0.2758971,0.6932,8.995503E-7,2};令l=1,并执行5);
5)判断l是否小于等于4:1<4,执行6);
6)根据相似度公式计算x23的第1故障特征x231与理想故障训练数据id2的第1个故障特征id21的相似度sim1(2,3)=0.997766875,并将其存入s23,s23={sim1(2,3)}={0.997766875};l++,执行5);
5)判断l是否小于等于4:2<4,执行6);
6)根据相似度公式计算x23的第2故障特征x232与理想故障训练数据id2的第2个故障特征id22的相似度sim2(2,3)=0.999751216,并将其存入s23,s23={sim1(2,3),sim2(2,3)}={0.997766875,0.999751216};l++,执行5);
5)判断l是否小于等于4:3<4,执行6);
6)根据相似度公式计算x23的第3故障特征x233与理想故障训练数据id2的第3个故障特征id23的相似度sim3(2,3)=0.99925048,并将其存入s23,s23={sim1(2,3),sim2(2,3),sim3(2,3)}={0.997766875,0.999751216,0.99925048}; l++,执行5);
5)判断l是否小于等于4:4=4,执行6);
6)根据相似度公式计算x23的第4故障特征x234与理想故障训练数据id2的第4个故障特征id24的相似度sim4(2,3)=0.999999819,并将其存入s23,s23={sim1(2,3),sim2(2,3),sim3(2,3),sim4(2,3)}={0.997766875,0.999751216,0.99925048,0.999999819};l++,执行5);
5)判断l是否小于等于4:5>4,将s23存入s2,s2={s21,s22,s23},j++,执行4);
4)判断j是否小于等于5:4<5,获取 x24={0.12094766,0.27608985,0.6944,2.558721E-7,2};令l=1,并执行5);
5)判断l是否小于等于4:1<4,执行6);
6)根据相似度公式计算x24的第1故障特征x241与理想故障训练数据id2的第1个故障特征id21的相似度sim1(2,4)=0.997389566,并将其存入s24,s24={sim1(2,4)}={0.997389566};l++,执行5);
5)判断l是否小于等于4:2<4,执行6);
6)根据相似度公式计算x24的第2故障特征x242与理想故障训练数据id2的第2个故障特征id22的相似度sim2(2,4)=0.999698003,并将其存入s24,s24={sim1(2,4),sim2(2,4)}={0.997389566,0.999698003};l++,执行5);
5)判断l是否小于等于4:3<4,执行6);
6)根据相似度公式计算x24的第3故障特征x243与理想故障训练数据id2的第3个故障特征id23的相似度sim3(2,4)=0.999916676,并将其存入s24,s24={sim1(2,4),sim2(2,4),sim3(2,4)}={0.997389566,0.999698003, 0.999916676};l++,执行5);
5)判断l是否小于等于4:4=4,执行6);
6)根据相似度公式计算x24的第4故障特征x244与理想故障训练数据id2的第4个故障特征id24的相似度sim4(2,4)=0.999999859,并将其存入s24,s24={sim1(2,4),sim2(2,4),sim3(2,4),sim4(2,4)}={0.997389566,0.999698003,0.999916676,0.999999859};l++,执行5);
5)判断l是否小于等于4:5>4,将s24存入s2,s2={s21,s22,s23,s24},j++,执行4);
4)判断j是否小于等于5:5=5,获取x24= {0.016250014,0.2723512,0.701,2.5574423E-7,2};令l=1,并执行5);
5)判断l是否小于等于4:1<4,执行6);
6)根据相似度公式计算x25的第1故障特征x251与理想故障训练数据id2的第1个故障特征id21的相似度sim1(2,5)=0.995414376,并将其存入s25,s25={sim1(2,5)}={0.995414376};l++,执行5);
5)判断l是否小于等于4:2<4,执行6);
6)根据相似度公式计算x25的第2故障特征x252与理想故障训练数据id2的第2个故障特征id22的相似度sim2(2,5)=0.999276475,并将其存入s25,s25={sim1(2,5),sim2(2,5)}={0.995414376,0.999276475};l++,执行5);
5)判断l是否小于等于4:3<4,执行6);
6)根据相似度公式计算x25的第3故障特征x253与理想故障训练数据id2的第3个故障特征id23的相似度sim3(2,5)=0.995300818,并将其存入s25,s25={sim1(2,5),sim2(2,5),sim3(2,5)}={0.995414376, 0.999276475,0.995300818};l++,执行5);
5)判断l是否小于等于4:4=4,执行6);
6)根据相似度公式计算x25的第4故障特征x254与理想故障训练数据id2的第4个故障特征id24的相似度sim4(2,5)=0.999999859,并将其存入s25,s25={sim1(2,5),sim2(2,5),sim3(2,5),sim4(2,5)}={0.995414376, 0.999276475,0.995300818,0.999999859};l++,执行5);
5)判断l是否小于等于4:5>4,将s25存入s2,j++,并执行4);
s2={s21,s22,s23,s24,s25}
={{sim1(2,1),sim2(2,1),sim3(2,1),sim4(2,1)},
{sim1(2,2),sim2(2,2),sim3(2,2),sim4(2,2)},
{sim1(2,3),sim2(2,3),sim3(2,3),sim4(2,3)},
{sim1(2,4),sim2(2,4),sim3(2,4),sim4(2,4)},
{sim1(2,5),sim2(2,5),sim3(2,5),sim4(2,5)}}
={{0.998092822,0.999786034,0.99855702,0.999999987},
{0.998076226,0.99996342,0.997448566,0.999999885},
{0.997766875,0.999751216,0.99925048,0.999999819},
{0.997389566,0.999698003,0.999916676,0.999999859},
{0.995414376,0.999276475,0.995300818,0.999999859}};
4)判断j是否小于等于5:6>5,令l=1,并执行7);
7)判断l是否小于等于p:1<4,执行8);
8)根据s2和公式计算D2中数据故障特征的模糊熵值H(1)=0.03954918,并计算Hsum=1/H(1)=25.2849743, l++,并执行7);
7)判断l是否小于等于p:2<4,执行8);
8)根据s2和公式计算 D2中数据故障特征的模糊熵值H(2)=0.005841478;并计算 Hsum=1/H(1)+1/H(2)=196.4744967,l++,并执行7);
7)判断l是否小于等于p:3<4,执行8);
8)根据s2和公式计算D1中数据故障特征的模糊熵值H(3)=0.02846794,并计算 Hsum=1/H(1)+1/H(2)+1/H(3)=231.60173106,l++,并执行7);
7)判断l是否小于等于p:4=4,执行8);
8)根据s2和公式计算D1中数据故障特征的模糊熵值H(4)=0.0000043085724571,并计算 Hsum=1/H(1)+1/H(2)+1/H(3)+1/H(4)=232327.03703106,l++,并执行7);
7)判断l是否小于等于p:5>4,令l=1,并执行9);
9)判断l是否小于等于p:1<4,执行10);
10)根据公式计算D1中数据故障特征的权重w21=0.0001088335,并将w21存入w2,w2={w21}={0.0001088335};l++,执行9);
9)判断l是否小于等于p:2<4,执行10);
10)根据公式计算D1中数据故障特征的权重w22=0.0007368471,并将w22存入w2,w2={w21,w22}={0.0001088335,0.0007368471};l++,执行9);
9)判断l是否小于等于p:3<4,执行10);
10)根据公式计算D1中数据故障特征的权重w23=0.0001511973,并将w23存入w2,w2={w21,w22,w23}={0.0001088335,0.0007368471,0.0001511973};l++,执行9);
9)判断l是否小于等于p:4=4,执行10);
10)根据公式计算D1中数据故障特征的权重w24=0.9990031219,并将w24存入w2,w2={w21,w22,w23,w24}={0.0001088335,0.0007368471,0.0001511
973,0.9990031219};l++,执行9);
9)判断l是否小于等于p:5>4,将w2存入w, w={w1,w2}={{0.0008669591,0.0075663387,0.323612543,0.667954159},{0.000108
8335,0.0007368471,0.0001511973,0.9990031219}},将id2存入id, id={id1,id2}={[0.018262887,0.18902105,0.00607462079,0.00000056276518,1],[0.09702723,0.274994006,0.69428,0.00000053815658,2]};i++,执行2);
2)判断i是否小于等于2:3>2,输出w,id;
w={w1,w2}={{0.0008669591,0.0075663387,0.323612543,0.667954159},{0.0001088 335,0.0007368471,0.0001511973,0.9990031219}},
id={id1,id2}={[0.018262887,0.18902105,0.00607462079,0.00000056276518,1],[0.09 702723,0.274994006,0.69428,0.00000053815658,2]};执行Step2;
Step2:待检测云计算数据所属故障类别判断;本实例中待检测云计算数据共有 4条,u={u1,u2,u3,u4},
u1=[u11,u12,u13,u14]=[0.026282847,0.18866992,0.0062,2.5574423E-7],
u2=[u21,u22,u23,u24]=[0.015037596,0.1886217,0.0062,2.5574423E-7],
u3=[u31,u32,u33,u34]=[0.11403507,0.2764418,0.6969,7.3443284E-6],
u4=[u41,u42,u43,u44]=[0.11485642,0.275886,0.6931,2.558721E-6];
Step2.1:判断q是否小于等于e:1<4,提取 u1=[0.026282847,0.18866992,0.0062,2.5574423E-7],并根据公式计算u1与D中故障训练数据加权欧式距离,并根据距离升序排列,构建一个集合distanceSet={d(x14),d(x15),d(x11), d(x12),d(x13),(x22),d(x21),d(x25),d(x23),d(x24)}={1.20822E-15,8.01818E-15,2.80384E-14,3.9 5144E-14,5.70885E-14,5.95285E-09,6.0217E-09,6.06502E-09,6.10912E-09,6.11781E-09 };
Step2.2:提取distanceSet中2个最小距离 {d(x14),d(x15)}={1.20822E-15,8.01818E-15}对应的故障训练数据 x14=[0.021276593,0.18881398,0.0061000003,2.558721E-7,1],x15=[0.036204755, 0.18909341,0.0061000003,7.6723273E-7,1],并设置阈值σ1=0.94,σ2=0.4;
Step2.3:根据k个故障训练数据中隶属度最大值Mas_ms对应故障训练数据的类别信息和云计算故障训练数据集扩充规则来确定待检测云计算数据的类别;其中云计算故障训练数据集扩充规则为:①根据Max_ms大于阈值σ1且待检测云计算数据与Max_ms对应故障训练数据所属故障类别的理想故障训练数据的距离小于匹配阈值ρ来确定将该待检测云计算数据及其类别信息加入已知故障类别扩充集 known_fault;②根据Max_ms小于阈值σ2来确定待检测云计算数据为未知故障类别并将该数据和其类别信息加入未知故障类别扩充集Unknown_fault;q++,执行 Step2.1;
具体方法:
1)初始化:v=1,Max_ms=0;
2)判断v是否小于等于2:1<2,提取第1个近邻数据x14对应的隶属度ms1= ms14=0.398600716;
3)判断msv是否大于等于Max_ms:0.398600716>0,将ms1的值赋给Max_ms, Max_ms=0.398600716;并获取近邻数据x14类别信息:2;
2)判断v是否小于等于2:2=2,提取第2个近邻数据x15对应的隶属度 ms2=ms15=0.390463653;
3)判断msv是否大于等于Max_ms:0.390463653<0.398600716,执行2);
2)判断v是否小于等于2:3>2,并执行4);
4)判断Max_ms是否大于σ1:0.398600716<0.94,执行7);
7)判断Max_ms是否小于σ2:0.398600716<0.4,将u1所属故障类别判断为其他未知故障类别,并将u1及其类别信息加入未知故障类别扩充集Unknown_fault_set={0.026282847,0.18866992,0.0062,2.5574423E-7,未知故障},执行 9);
9)输出u1的类别信息:未知故障;
Step2.1:判断q是否小于等于e:2<4,提取 u2=[0.015037596,0.1886217,0.0062,2.5574423E-7],并根据公式计算u2与D中故障训练数据加权欧式距离,并根据距离距离升序排列,构建一个集合 distanceSet={d(x11),d(x12),d(x13),d(x14),d(x15),d(x22),d(x21),d(x23),d(x25),d(x24)}={8.02192E- 17,2.68889E-16,1.01730E-15,2.19965E-15,1.54420E-13,5.98954E-09,6.05856E-09,6.103 08E-09,6.10836E-09,6.15725E-09};
Step2.2:提取distanceSet中2个最小距离{d(x11),d(x12)}={8.02192E-17,2.68889E-16} 对应的故障训练数据数据 x11=[0.012515664,0.18907768,0.0061000003,7.6761626E-7,1],x12=[0.011292338, 0.18902111,0.0061000003,7.6723273E-7,1],并设置阈值σ1=0.94,σ2=0.4;
Step2.3:根据k个故障训练数据中隶属度最大值Mas_ms对应故障训练数据的类别信息和云计算故障训练数据集扩充规则来确定待检测云计算数据的类别;其中云计算故障训练数据集扩充规则为:①根据Max_ms大于阈值σ1且待检测云计算数据与Max_ms对应故障训练数据所属故障类别的理想故障训练数据的距离小于匹配阈值ρ来确定将该待检测云计算数据及其类别信息加入已知故障类别扩充集 known_fault;②根据Max_ms小于阈值σ2来确定待检测云计算数据为未知故障类别并将该数据和其类别信息加入未知故障类别扩充集Unknown_fault;q++,执行 Step2.1;
具体方法:
1)初始化:v=1,Max_ms=0;
2)判断v是否小于等于2:1<2,提取第1个近邻数据x11的隶属度ms1= ms11=0.868828203;
3)判断msv是否大于等于Max_ms:0.868828203>0,将ms1的值赋给Max_ms, Max_ms=0.868828203;并获取近邻数据x11类别信息:1;v++,执行2)
2)判断v是否小于等于2:2=2,提取第2个近邻数据x12对应的隶属度ms2= ms12=0.909245343;
3)判断msv是否大于等于Max_ms:0.909245343<0.868828203,将ms2的值赋给Max_ms,Max_ms=0.909245343;并获取近邻数据x12类别信息:1;v++,执行2);
2)判断v是否小于等于2:3>2,执行4);
4)判断Max_ms是否大于σ1:0.909245343<0.94,执行7);
7)判断Max_ms是否小于σ2:0.909245343>0.4,执行8);
8)将u2所属的故障类别判断为Max_ms对应故障训练数据x12的故障类别,u2的类别信息:1;
9)输出u2的类别信息:1;
Step2.1:判断q是否小于等于e:3<4,提取 u3=[0.11403507,0.2764418,0.6969,7.3443284E-6],并根据公式
计算u1与D中故障训练数据加权欧式距离,并根据距离距离升序排列,构建一个集合distanceSet={d(x21),d(x23),d(x24),d(x22),d(x25),d(x11),d(x15),d(x12),d(x13), d(x14)}={1.45892E-17,.49629E-17,3.95257E-17,6.43113E-17,1.11425E-12,0.023865727, 0.023867025,0.023868685,0.023877599,0.023882437};
Step2.2:提取distanceSet中2个最小距离{d(x21), d(x23)}={1.45892E-17,1.49629E-17}对应的故障训练数据 x21=[0.11500001,0.2757709,0.6922,5.12E-7,2],x23=[0.11779451,0.275897,1,0.6932, 8.995503E-7,2],并设置阈值σ1=0.94,σ2=0.4;
Step2.3:根据k个故障训练数据中隶属度最大值Mas_ms对应故障训练数据的类别信息和云计算故障训练数据集扩充规则来确定待检测云计算数据的类别;其中云计算故障训练数据集扩充规则为:①根据Max_ms大于阈值σ1且待检测云计算数据与Max_ms对应故障训练数据所属故障类别的理想故障训练数据的距离小于匹配阈值ρ来确定将该待检测云计算数据及其类别信息加入已知故障类别扩充集 known_fault;②根据Max_ms小于阈值σ2来确定待检测云计算数据为未知故障类别并将该数据和其类别信息加入未知故障类别扩充集Unknown_fault;q++,执行 Step2.1;
具体方法:
1)初始化:v=1,Max_ms=0;
2)判断v是否小于等于2:1<2,提取第1个近邻数据x21的隶属度ms1=ms21=0.952710122;
3)判断msv是否大于等于Max_ms:0.952710122>0,将ms1的值赋给Max_ms, Max_ms=0.952710122;并获取近邻数据x21类别信息:2;
2)判断v是否小于等于2:2=2,提取第2个近邻数据x23对应的隶属度 ms2=ms23=0.817530864;
3)判断msv是否大于等于Max_ms:0.817530864<0.952710122,执行2);
2)判断v是否小于等于2:3>2,执行4);
4)判断Max_ms是否大于σ1:0.952710122>0.94,提取Max_ms对应故障训练数据所属故障类别c2的最小球半径Rs=R2,Rs=0.0180013335,执行5);
5)计算u3与Max_ms对应故障训练数据x21所对应故障类别的理想故障训练数据idMax_ms=id2={[0.09702723,0.274994006,0.69428,0.00000053815658,2]}的欧式距离dsim=0.0172692552,设置匹配阈值ρ=2R2=0.036002667;
6)判断dsim是否小于ρ:0.0172692552<0.033600266,将u3所属的故障类别判断为Max_ms对应故障训练数据x21的故障类别,u3的故障类别:2;并将u3及类别信息加入已知故障类别扩充集 known_fault_set={0.11403507,0.2764418,0.6969,7.3443284E-6,2},并执行9);
9)输出u3的类别信息:2;
Step2.1:判断q是否小于等于e:4=4,提取 u4=[0.11485642,0.275886,0.6931,2.558721E-6],并根据公式计算u1与D中故障训练数据加权欧式距离,并根据距离距离升序排列,构建一个集合distanceSet={d(x24),d(x21),d(x23),d(x22),d(x25),d(x11),d(x15),d(x12),d(x13),d(x14)}={6.93820E-15,1.00659E-14,1.06183E-14,1.51979E-14,3.70178E-12,2.33471E-02,2.3347 9E-02,2.33500E-02,2.33588E-02,2.33633E-02};
Step2.2:提取distanceSet中2个最小距离{d(x24),d(x21)}={1.45892E-17,1.49629E-17} 对应的故障训练数据x24=[0.12094766,0.27608985,0.6944,2.558721E-7,2], x21=[0.11779451,0.2758971,
0.6932,8.995503E-7,2],并设置阈值σ1=0.94,σ2=0.4;
Step2.3:根据k个故障训练数据中隶属度最大值Mas_ms对应故障训练数据的类别信息和云计算故障训练数据集扩充规则来确定待检测云计算数据的类别;其中云计算故障训练数据集扩充规则为:①根据Max_ms大于阈值σ1且待检测云计算数据与Max_ms对应故障训练数据所属故障类别的理想故障训练数据的距离小于匹配阈值ρ来确定将该待检测云计算数据及其类别信息加入已知故障类别扩充集 known_fault;②根据Max_ms小于阈值σ2来确定待检测云计算数据为未知故障类别并将该数据和其类别信息加入未知故障类别扩充集Unknown_fault;q++,执行 Step2.1;
具体方法:
1)初始化:v=1,Max_ms=0;
2)判断v是否小于等于2:1<2,提取第1个近邻数据x24的隶属度ms1=ms24=0.678974937;
3)判断msv是否大于等于Max_ms:0.678974937>0,将ms1的值赋给Max_ms, Max_ms=0.678974937;并获取近邻数据x24类别信息:2;v++,执行2);
2)判断v是否小于等于2:2=2,提取第2个近邻数据x21对应的隶属度 ms2=ms21=0.952710122;
3)判断msv是否大于等于Max_ms:0.952710122>0.678974937,将ms2的值赋给Max_ms,Max_ms=0.952710122;并获取近邻数据x21类别信息:2;v++,执行2);
2)判断v是否小于等于2:3>2,执行4);
4)判断Max_ms是否大于σ1:0.952710122>0.94,提取Max_ms对应故障训练数据所属故障类别的最小球半径Rs=R2,Rs=0.0180013335,设匹配阈值ρ=2R2=0.036002667,并执行5);
5)计算u4与Max_ms对应故障训练数据x21所对应故障类别的理想故障训练数据idMax_ms=id2={[0.09702723,0.274994006,0.69428,0.00000053815658,2]}的欧式距离dsim=0.0515581936;
6)判断dsim是否小于ρ:0.0515581936>0.033600266,执行8);
8)将u4所属的故障类别判断为Max_ms对应故障训练数据x21的故障类别,u4的类别信息:2;
9)输出u4的类别信息:2;
Step2.1:判断q是否小于等于e:5>4,执行Step3;
Step3:将known_fault_set和Unknown_fault_set存入云计算故障训练数据扩充集 Ext_D,Ext_D={{0.026282847,0.18866992,0.0062,2.5574423E-7,未知},{0.11403507,0.2764418,0.6969,7.3443284E-6,2}}。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (8)

1.一种云计算故障数据检测方法,其特征在于:包括:
云计算故障训练数据处理步骤,对云计算故障训练数据集中的数据进行处理,得到每条故障训练数据的隶属度、每个故障类别的故障特征权重;
待检测云计算数据所属故障类别判断步骤,根据故障训练数据的处理结果并结合云计算故障训练数据集扩充规则判断待检测云计算数据所属类别;
云计算故障训练数据集扩充步骤,将满足云计算故障训练数据集扩充规则的待检测云计算数据及其类别信息加入故障训练数据扩充集。
2.根据权利要求1所述的云计算故障数据检测方法,其特征在于:所述方法的具体步骤如下:
Step1:云计算故障训练数据处理;
Step1.1:输入含m个故障类别且每个故障类别含有n个故障训练数据的云计算故障训练数据集D={D1,…,Di,…,Dm},Di={xi1,…,xij,…,xin},xij=[xij1,…,xijl,…,xijp,ci],i=1,2,…,m,j=1,2,…,n,l=1,2,…p,其中Di表示属于第i个故障类别的故障训练数据,xij表示Di中第j条故障训练数据,xijl表示Di中第j条故障训练数据的第l个故障特征,ci表示xij所属故障类别,m表示故障类别数,n表示Di中故障训练数据个数,p表示故障训练数据的故障特征数;
Step1.2:利用基于密度聚类的思想将D中每个故障类别的故障训练数据分别构建成一个最小球,计算最小球的球中心ai和半径Ri,并结合故障训练数据在最小球中的位置,按照不同规则确定故障训练数据的隶属度msij,其中ai表示D中第i个故障类别的故障训练数据构建最小球的球中心,Ri表示D中第i个故障类别的故障训练数据构建最小球的半径,msij表示Di中第j条故障训练数据的隶属度;
Step1.3:根据云计算故障训练数据故障特征的模糊熵值来计算每个故障类别的特征权重wi,wi={wi1,…,wil,…,wip},并将wi存入w,w={w1,…,wi,…,wm},其中w表示D中故障训练数据的故障特征权重集合,wi表示Di中故障训练数据的故障特征权重,wil表示第i个故障类别第l个故障特征的权重;
Step2:待检测云计算数据所属故障类别判断;其中待检测云计算数据集用U表示,U={u1,…,uq,…,ue},uq={uq1,…,uql,…,uqp},其中uq表示待检测云计算数据集U中第q个云计算数据,uql表示U中第q个云计算数据中第l个故障特征,q=1,2,…,e,e表示待检测云计算数据个数;
Step2.1:判断q是否小于等于e:如果是,提取uq,并根据公式计算uq与D中故障训练数据的加权欧式距离d(xij),并根据距离点排序,构建一个集合distanceSet;否则,执行Step3;
Step2.2:提取distanceSet中k个最小距离对应的故障训练数据,并设置阈值σ1,σ2,其中k小于等于n×m;
Step2.3:根据k个故障训练数据中隶属度最大值Max_ms对应故障训练数据的类别信息和云计算故障训练数据集扩充规则来确定待检测云计算数据的类别;其中云计算故障训练数据集扩充规则为:①根据Max_ms大于阈值σ1且待检测云计算数据与Max_ms对应故障训练数据所属故障类别的理想故障训练数据的距离小于匹配阈值ρ来确定将该待检测云计算数据及其类别信息加入已知故障类别扩充集known_fault;②根据Max_ms小于阈值σ2来确定待检测云计算数据为未知故障类别并将该数据和其类别信息加入未知故障类别扩充集Unknown_fault;q++,执行Step2.1;
Step3:云计算故障训练数据集扩充,将满足云计算故障训练集扩充规则的known_fault_set和Unknown_fault_set存入云计算故障训练数据扩充集Ext_D,其中Ext_D用于扩充云计算故障训练数据集D。
3.根据权利要求2所述的云计算故障数据检测方法,其特征在于:所述故障训练数据的隶属度,计算方法为:
1)初始化:i=1,球中心集Centroids为空,最小球半径集Radious为空,隶属度集ms为空;
2)判断i是否小于等于m:如果是,提取Di中的故障训练数据,令j=1,并执行3);否则,输出Centroids、Radious和ms,并执行Step1.3;
3)判断j是否小于等于n:如果是,执行4);否则,令j=1,并执行6);
4)根据公式(1)计算xij与Di中其他故障训练数据之间的欧式距离distance(xij,xir),将distance(xij,xir)存入dj,并对dj升序排列,dj表示Di中第j个故障训练数据与Di中其他数据距离的集合;
<mrow> <mi>d</mi> <mi>i</mi> <mi>s</mi> <mi>tan</mi> <mi>c</mi> <mi>e</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>r</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> <mi>l</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>r</mi> <mi>l</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中xirl表示Di中第r个故障训练数据的第l个故障特征,r≠j且r=1,2,…,n,n为Di中的故障训练数据个数;
5)提取距离集dj中前K个值(K≤n-1),计算K个值的倒数和zij及z=z+zij,并将zij存入zi,其中z表示zij的累加,zi表示Di中故障训练数据距离集前K个值倒数和集;j++,执行3);
6)判断j是否小于等于n:如果是,执行7);否则,对Gi降序排列,Gi为Di中故障训练数据的密度集,并执行8);
7)根据公式(2)计算Di中xij的密度density(xij),并将density(xij)存入Gi;j++,执行6);
<mrow> <mi>d</mi> <mi>e</mi> <mi>n</mi> <mi>s</mi> <mi>i</mi> <mi>t</mi> <mi>y</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <msub> <mi>z</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mi>z</mi> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
8)提取Gi中最大密度所对应的故障训练数据xmax,计算xmax与Di中其他故障训练数据的欧式距离,获得最小距离对应的故障训练数据xmin
9)根据公式(3)计算得到球中心ai,并将球中心ai存入球中心集Centroids;
ai=0.6*xmax+0.4*xmin(3)
10)计算ai与Di中故障训练数据的欧式距离,并求距离平均值aver(Di),设置最小球半径调节系数coefR,根据公式(4)计算最小球半径Ri,将Ri存入Radious;令j=1,并执行11);
<mrow> <msub> <mi>R</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <mi>a</mi> <mi>v</mi> <mi>e</mi> <mi>r</mi> <mrow> <mo>(</mo> <msub> <mi>D</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> <msup> <mi>n</mi> <mrow> <mi>c</mi> <mi>o</mi> <mi>e</mi> <mi>f</mi> <mi>R</mi> </mrow> </msup> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
其中,n表示Di中故障训练数据的个数,并将Ri存入最小球半径集Radious中;
11)判断j是否小于等于n:如果是,执行12);否则,将msi存入ms,msi={msi1,…,msij,…,msin},其中msi表示Di中故障训练数据的隶属度集合,i++,并执行2);
12)根据公式(5)计算xij与球中心ai的欧式距离distance(ai,xij);
<mrow> <mi>d</mi> <mi>i</mi> <mi>s</mi> <mi>tan</mi> <mi>c</mi> <mi>e</mi> <mrow> <mo>(</mo> <msub> <mi>a</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>a</mi> <mrow> <mi>i</mi> <mi>l</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> <mi>l</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
其中ail为故障类别i的球中心的第l个故障特征;
13)判断distance(ai,xij)是否小于Ri:如果是,执行14);否则,执行15);
14)根据公式(6)计算xij的隶属度msij,并存入msi;j++,并执行11);
<mrow> <msub> <mi>ms</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mn>0.6</mn> <mo>*</mo> <mrow> <mo>(</mo> <mfrac> <mrow> <mn>1</mn> <mo>-</mo> <mi>d</mi> <mi>i</mi> <mi>s</mi> <mi>tan</mi> <mi>c</mi> <mi>e</mi> <mrow> <mo>(</mo> <msub> <mi>a</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>/</mo> <msub> <mi>R</mi> <mi>i</mi> </msub> </mrow> <mrow> <mn>1</mn> <mo>+</mo> <mi>d</mi> <mi>i</mi> <mi>s</mi> <mi>tan</mi> <mi>c</mi> <mi>e</mi> <mrow> <mo>(</mo> <msub> <mi>a</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>/</mo> <msub> <mi>R</mi> <mi>i</mi> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>+</mo> <mn>0.4</mn> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
15)根据公式(7)计算xij的隶属度msij,并存入msi;j++,并执行11);
<mrow> <msub> <mi>ms</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mn>0.4</mn> <mo>*</mo> <mrow> <mo>(</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <mrow> <mo>(</mo> <mi>d</mi> <mi>i</mi> <mi>s</mi> <mi>tan</mi> <mi>c</mi> <mi>e</mi> <mo>(</mo> <msub> <mi>a</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>R</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
4.根据权利要求2所述的云计算故障数据检测方法,其特征在于:所述故障特征的权重,计算方法为:
1)初始化:i=1,故障特征权重集w为空,理想故障训练数据集id为空;
2)判断i是否小于等于m:如果是,执行3);否则,输出w和id,id={id1,…,idi,…,idm},其中id为D中每个故障类别的理想故障训练数据的集合,并执行Step2;
3)提取Di中的故障训练数据,根据公式(8)计算第i个故障类别的理想故障训练数据idi,idi={idi1,…,idil,…,idip},并将idi存入id;其中idi表示Di中故障训练数据的理想故障训练数据,idil表示Di中故障训练数据的理想故障训练数据的第l个故障特征;令j=1,并执行4);
<mrow> <msub> <mi>id</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mn>2</mn> </mrow> </msub> <mo>+</mo> <mo>...</mo> <mo>+</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>+</mo> <mo>...</mo> <mo>+</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>n</mi> </mrow> </msub> </mrow> <mi>n</mi> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
4)判断j是否小于等于n:如果是,获取Di中的第j个云计算故障训练数据xij,令l=1,并执行5);否则,令l=1,并执行7);
5)判断l是否小于等于p:如果是,执行6);否则,将sij存入si,sij={siml(i,j),…,siml(i,j),…,simp(i,j)},其中si表示Di中每个故障训练数据的故障特征与idi对应的故障特征的相似度集,j++,执行4);
6)根据公式(9)计算xij第l个故障特征与理想故障训练数据idi第l个故障特征的相似度siml(i,j),并将其存入sij,其中sij表示Di中第j个故障训练数据的故障特征与idi中对应故障特征的相似度集合;l++,执行5);
<mrow> <msub> <mi>sim</mi> <mi>l</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mo>|</mo> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> <mi>l</mi> </mrow> <mn>2</mn> </msubsup> <mo>-</mo> <msubsup> <mi>id</mi> <mrow> <mi>i</mi> <mi>l</mi> </mrow> <mn>2</mn> </msubsup> <mo>|</mo> <mo>)</mo> </mrow> <mrow> <mn>1</mn> <mo>/</mo> <mn>2</mn> </mrow> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
7)判断l是否小于等于p:如果是,执行8);否则,令l=1,并执行9);
8)根据si和公式(10)计算Di中故障训练数据第l个故障特征的模糊熵值H(l)和Hsum=Hsum+1/H(l),其中Hsum表示故障特征模糊熵值倒数的累加;l++,执行7);
<mrow> <mi>H</mi> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>sim</mi> <mi>l</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <msub> <mi>logsim</mi> <mi>l</mi> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>+</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>sim</mi> <mi>l</mi> </msub> <mo>(</mo> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>sim</mi> <mi>l</mi> </msub> <mo>(</mo> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>
9)判断l是否小于等于p:如果是,执行10);否则,将wi存入w,wi={wi1,…,wil,…,wip},i++,执行2);
10)根据公式(11)计算Di中故障训练数据第l个故障特征的权重wil,并将wil存入wi;l++,执行9);
<mrow> <msub> <mi>w</mi> <mrow> <mi>i</mi> <mi>l</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <mn>1</mn> <mo>/</mo> <mi>H</mi> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> <msub> <mi>H</mi> <mrow> <mi>s</mi> <mi>u</mi> <mi>m</mi> </mrow> </msub> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
5.根据权利要求2所述的云计算故障数据检测方法,其特征在于:所述判断待检测云计算数据的类别的方法:
1)初始化:v=1,Max_ms=0;
2)判断v是否小于等于k:如果是,提取第v个近邻故障训练数据的隶属度msv;否则,执行4);
3)判断msv是否大于等于Max_ms:如果是,将msv的值赋给Max_ms,并获取该故障训练数据的类别信息;否则,v++,并执行2);
4)判断Max_ms是否大于σ1:如果是,提取Max_ms对应故障训练数据所属故障类别的最小球半径Rs,设置匹配阈值ρ=2Rs,执行5);否则,执行7);
5)根据公式(12)计算uq与Max_ms对应故障训练数据所属故障类别的理想故障训练数据idMax_ms的相似度dsim;
<mrow> <mi>d</mi> <mi>s</mi> <mi>i</mi> <mi>m</mi> <mo>=</mo> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mrow> <mi>q</mi> <mi>l</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>id</mi> <mrow> <mi>M</mi> <mi>a</mi> <mi>x</mi> <mo>_</mo> <mi>m</mi> <mi>s</mi> <mi>l</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>
其中,idMax_msl表示Max_ms对应故障训练数据所属故障类别的理想故障训练数据idMax_ms的第l个故障特征;
6)判断dsim是否小于等于ρ:如果是,将uq所属的故障类别判断为Max_ms对应故障训练数据的类别,并将uq及其类别信息加入已知故障类别扩充集known_fault_set,并执行9);否则,执行8);
7)判断Max_ms是否小于σ2:如果是,将uq所属的故障类别判断未知故障类别,并将uq及其类别信息加入未知故障类别扩充集Unknown_fault_set,并执行9);否则,执行8);
8)将uq所属的故障类别判断为Max_ms对应故障训练数据的类别;
9)输出uq的类别信息。
6.根据权利要求2或5所述的云计算故障数据检测方法,其特征在于:所述σ1=0.94,σ2=0.4,k=2。
7.根据权利要求3所述的云计算故障数据检测方法,其特征在于:所述K=3。
8.一种云计算故障数据检测系统,其特征在于:包括:
云计算故障训练数据处理装置,用于对云计算故障训练数据集中的数据进行处理,得到每条故障训练数据的隶属度、每个故障类别的故障特征权重;
待检测云计算数据所属故障类别判断装置,用于根据故障训练数据的处理结果并结合云计算故障训练数据集扩充规则判断待检测云计算数据所属类别;
云计算故障训练数据集扩充装置,用于将满足云计算故障训练数据集扩充规则的待检测云计算数据及其类别信息加入故障训练数据扩充集。
CN201710729189.1A 2017-08-23 2017-08-23 一种云计算故障数据检测方法及系统 Active CN107579846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710729189.1A CN107579846B (zh) 2017-08-23 2017-08-23 一种云计算故障数据检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710729189.1A CN107579846B (zh) 2017-08-23 2017-08-23 一种云计算故障数据检测方法及系统

Publications (2)

Publication Number Publication Date
CN107579846A true CN107579846A (zh) 2018-01-12
CN107579846B CN107579846B (zh) 2020-07-10

Family

ID=61034495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710729189.1A Active CN107579846B (zh) 2017-08-23 2017-08-23 一种云计算故障数据检测方法及系统

Country Status (1)

Country Link
CN (1) CN107579846B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108828438A (zh) * 2018-04-18 2018-11-16 国网江西省电力有限公司电力科学研究院 断路器状态评价方法
CN109495297A (zh) * 2018-11-05 2019-03-19 中国电子科技集团公司第二十八研究所 基于启发式强化学习的韧性云环境故障注入方法
CN109921938A (zh) * 2019-03-15 2019-06-21 昆明理工大学 一种云计算环境下故障检测方法
CN110705581A (zh) * 2019-07-18 2020-01-17 浙江运达风电股份有限公司 一种基于改进的隐马尔可夫模型的变桨轴承故障识别方法
CN110704221A (zh) * 2019-09-02 2020-01-17 西安交通大学 一种基于数据增强的数据中心故障预测方法
WO2020119711A1 (zh) * 2018-12-13 2020-06-18 中兴通讯股份有限公司 一种根因定位方法、服务器和存储介质
CN114239734A (zh) * 2021-12-21 2022-03-25 中国人民解放军63963部队 一种分布式车载健康管理系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2672668A1 (en) * 2012-06-06 2013-12-11 Juniper Networks, Inc. Creating searchable and global database of user visible process traces
CN103957116A (zh) * 2014-03-31 2014-07-30 昆明理工大学 一种云故障数据的决策方法及系统
US9363626B2 (en) * 2014-01-27 2016-06-07 City University Of Hong Kong Determining faulty nodes within a wireless sensor network

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2672668A1 (en) * 2012-06-06 2013-12-11 Juniper Networks, Inc. Creating searchable and global database of user visible process traces
US9363626B2 (en) * 2014-01-27 2016-06-07 City University Of Hong Kong Determining faulty nodes within a wireless sensor network
CN103957116A (zh) * 2014-03-31 2014-07-30 昆明理工大学 一种云故障数据的决策方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘淑英: "容错云计算网络中自适应故障检测方案研究", 《计算机应用研究》 *
王焘: "云环境下基于统计监测的分布式软件系统故障检测技术研究", 《计算机学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108828438A (zh) * 2018-04-18 2018-11-16 国网江西省电力有限公司电力科学研究院 断路器状态评价方法
CN109495297A (zh) * 2018-11-05 2019-03-19 中国电子科技集团公司第二十八研究所 基于启发式强化学习的韧性云环境故障注入方法
CN109495297B (zh) * 2018-11-05 2021-02-02 中国电子科技集团公司第二十八研究所 基于启发式强化学习的韧性云环境故障注入方法
WO2020119711A1 (zh) * 2018-12-13 2020-06-18 中兴通讯股份有限公司 一种根因定位方法、服务器和存储介质
CN109921938A (zh) * 2019-03-15 2019-06-21 昆明理工大学 一种云计算环境下故障检测方法
CN110705581A (zh) * 2019-07-18 2020-01-17 浙江运达风电股份有限公司 一种基于改进的隐马尔可夫模型的变桨轴承故障识别方法
CN110704221A (zh) * 2019-09-02 2020-01-17 西安交通大学 一种基于数据增强的数据中心故障预测方法
CN110704221B (zh) * 2019-09-02 2020-10-27 西安交通大学 一种基于数据增强的数据中心故障预测方法
CN114239734A (zh) * 2021-12-21 2022-03-25 中国人民解放军63963部队 一种分布式车载健康管理系统
CN114239734B (zh) * 2021-12-21 2023-09-12 中国人民解放军63963部队 一种分布式车载健康管理系统

Also Published As

Publication number Publication date
CN107579846B (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN107579846B (zh) 一种云计算故障数据检测方法及系统
CN106817248B (zh) 一种apt攻击检测方法
CN108520272B (zh) 一种改进苍狼算法的半监督入侵检测方法
CN110225055B (zh) 一种基于knn半监督学习模型的网络流量异常检测方法与系统
CN110070141A (zh) 一种网络入侵检测方法
WO2019179403A1 (zh) 基于序列宽深学习的欺诈交易检测方法
CN114021799A (zh) 风电场日前风电功率预测方法及系统
CN110460605A (zh) 一种基于自动编码的异常网络流量检测方法
WO2021189830A1 (zh) 样本数据优化方法、装置、设备及存储介质
CN108601026B (zh) 基于随机抽样一致性的感知数据错误化攻击检测方法
CN111800430B (zh) 一种攻击团伙识别方法、装置、设备及介质
CN111835707B (zh) 一种基于改进后的支持向量机的恶意程序识别方法
CN109886284B (zh) 基于层次化聚类的欺诈检测方法及系统
CN112560596B (zh) 一种雷达干扰类别识别方法及系统
CN110334508B (zh) 一种主机序列入侵检测方法
CN112738092A (zh) 一种日志数据增强方法、分类检测方法及系统
CN109902754A (zh) 一种高效的半监督多层次入侵检测方法及系统
CN114581694A (zh) 一种基于改进的支持向量机的网络安全态势评估方法
CN116563690A (zh) 一种无人机传感器类不平衡数据异常检测方法及检测系统
CN115577357A (zh) 一种基于堆叠集成技术的Android恶意软件检测方法
CN115987552A (zh) 一种基于深度学习的网络入侵检测方法
CN113343123B (zh) 一种生成对抗多关系图网络的训练方法和检测方法
CN108763926B (zh) 一种具有安全免疫能力的工业控制系统入侵检测方法
Zhang et al. A new outlier detection algorithm based on fast density peak clustering outlier factor.
CN112422546A (zh) 一种基于变邻域算法和模糊聚类的网络异常检测方法

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
GR01 Patent grant
GR01 Patent grant