CN109656818A - 一种软件密集系统故障预测方法 - Google Patents
一种软件密集系统故障预测方法 Download PDFInfo
- Publication number
- CN109656818A CN109656818A CN201811477290.3A CN201811477290A CN109656818A CN 109656818 A CN109656818 A CN 109656818A CN 201811477290 A CN201811477290 A CN 201811477290A CN 109656818 A CN109656818 A CN 109656818A
- Authority
- CN
- China
- Prior art keywords
- software
- model
- feature
- feature vector
- hardware
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3604—Software analysis for verifying properties of programs
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Debugging And Monitoring (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种软件密集系统故障预测方法,其中,包括:步骤一、构建特征向量;步骤二、通过获得的特征向量,训练时间序列预测法模型,并输出时间序列预测法模型的特征向量,用训练好的时间序列预测法模型对下一时刻系统硬件信息进行预测;步骤三、构建基于随机深林算法的故障预测模型,将步骤二中得到时间序列预测法模型的特征向量,输入随机森林模型中,得到软件故障的预测结果。本发明方法不依赖于人工确认及个人分析经验,通过实际观测数据进行智能预测,预测结果更为客观。
Description
技术领域
本发明涉及一种软件测试技术,特别涉及一种软件密集系统故障预测方法。
背景技术
随着软件复杂度日益提高,代码量不断增长,软件系统正朝着复杂化、系列化的方向发展,软件密集系统成为发展的潮流和趋势。因此,以典型的软件密集系统为对象,从软件密集系统的软件静态结构、软硬件交互及运行时行为等方面,对软件进行科学、细致的静态分析,结合软件密集系统软硬件交互及运行时行为,探索软硬件结合的失效机理,从而定量化地预测系统故障,能极大提高复杂软件系统的安全性、可靠性,具有极大现实意义。
软件密集系统的出现给系统的安全性、可靠性和稳定性带来了空前的挑战,必须要寻找一种有效的方法去预测此类系统的故障,以进行提前预防和处理。然而,目前还未形成可行的软件密集系统的故障预测体系。传统的预测方法使用大量人工筛选的特征和专家经验对可能发生的故障进行预测,这种方法具有大量误报和缺陷,已经不适用于当下软件密集系统故障预测的要求,更不能满足未来软件高速发展的要求。
发明内容
本发明的目的在于提供一种软件密集系统故障预测方法,用于解决上述现有技术的问题。
本发明一种软件密集系统故障预测方法,其中,包括:步骤一、构建特征向量;步骤二、通过获得的特征向量,训练时间序列预测法模型,并输出时间序列预测法模型的特征向量,用训练好的时间序列预测法模型对下一时刻系统硬件信息进行预测;步骤三、构建基于随机深林算法的故障预测模型,包括:根据软件特征工程获取的软硬件特征和故障间的映射关系作为分类依据,在两者间添加分类器作为中间映射层,每种故障对应一个分类器,使用所有分类器的集合构建一个随机森林分类模型,模型的输入为软件系统的软硬件特征向量,输出为系统时候发生以及发生何种故障的预测结果,当要对软件系统进行故障预测的时候,将步骤二中得到时间序列预测法模型的特征向量,输入随机森林模型中,得到软件故障的预测结果。
根据本发明的软件密集系统故障预测方法的一实施例,其中,构建特征向量包括:特征选择,包括:以软件系统的过程文档、源代码、可执行文件与该软件执行的硬件环境为输入,基于Petri网的软硬件失效机理分析与基于信息增益方法提取出与系统故障密切相关的软件特征与硬件特征,构建表征系统故障的特征向量;
主特征提取,包括:对从特征选择中的得到的特征向量进行主特征提取,首先,通过软件系统动静态信息的过程,软件静态分析及系统运行时日志,获取软件密集系统的软硬件信息的特征向量,用R(S,H)表示;S=(s1,s2,...,sn),其中s1,s2表示软件的一条特性;H=(h1,h2,...,hn),其中h1,h2表示硬件的信息,此时获得的故障系统完整特征向量信息为:
R(S,H)=(s1,s2,...,sn,h1,h2,...,hn);
提取出R(S,H)中最能表征系统故障的特征,得到新的表示硬件信息的特征向量:
X=(f1,f2,...,fm)。
根据本发明的软件密集系统故障预测方法的一实施例,其中,构使用信息增益方法构建表征系统故障的特征向量的算法包括:a.每一轮使用信息增益的方法,选出一组特征和阈值,并对用该特征与阈值对样本进行分类;b.分别对每一分类计算残差,并将这些残差合并;c.在下一轮中,对剩余的残差继续使用信息增益的方法选取特征,如此循环迭代。
根据本发明的软件密集系统故障预测方法的一实施例,其中,构使用基于信息增益和梯度提升决策树算法以及主成分分析的特征选择方法对得到的预测特征向量R(S,H)进行特征选择,提取出R(S,H)中最能表征系统故障的特征,得到新的表示硬件信息的特征向量:
X=(f1,f2,...,fm)。
根据本发明的软件密集系统故障预测方法的一实施例,其中,构步骤二具体包括:首先,使用软件静态分析方法及系统运行时日志文件信息得到系统的软件特征向量和硬件特征向量;其次,将软硬件特征向量合并,得到系统特征向量,对系统特征向量进行降维,对降维后的数据进行归一化操作生成适合用于训练预测模型的特征向量数据。
根据本发明的软件密集系统故障预测方法的一实施例,其中,构步骤二中还包括用处理好的数据训练一个预测下一时刻系统硬件信息的LSTM模型,用训练好的LSTM模型对下一时刻系统硬件信息进行预测。
根据本发明的软件密集系统故障预测方法的一实施例,其中,构(1)使用LSTM模型进行基于时间序列的硬件特征量化预测进行模型调优包括:权重初始化:使用小型随机数值进行初始化,改变权重初始化方法会影响到激活函数;学习率:用超大或超小的学习率进行试验,随着epoch降低学习率;激活函数:隐含层选择rectifier作为激活函数,在输出层上,选择sigmoid或tanh作为激活输出;网络拓扑:尝试一个隐藏层包含很多个神经元,尝试每层只有少量神经元的深度网络;Batches和Epochs;正则化:在训练期间随机跳过神经元,激活特定神经元分类,尝试在输入层、隐藏层和输出中不同的dropout百分比测试模型;早停。
根据本发明的软件密集系统故障预测方法的一实施例,其中,构利用随机森林进行故障预测的算法包括:a.从N个样本集中有放回地随机选择n个样本作为本决策树的数据集;b.从所有特征中选择m个输入特征,且m小于M,在决策树的节点上进行分裂时,根据信息增益最大的特征分裂;c.每棵树分裂下去,直到该节点的所有训练样例都属于同一类。
根据本发明的软件密集系统故障预测方法的一实施例,其中,构LSTM模型调优包括:a.最大特征数:随机森林允许单个决策树使用特征的最大数量;b.树的个数:随机森林利用最大投票数或平均值来预测;c.最小叶子取样,将最小叶子节点数目设置为大于50。
根据本发明的软件密集系统故障预测方法的一实施例,其中,构还包括步骤四、通过具体实例验证预测模型的有效性。
附图说明
图1所示为软件密集系统故障预测方法的流程图;
图2所示为基于信息增益和GBDT的密集型系统故障的特征选择示意图;
图3所示为基于时间序列的硬件特征化预测流程图;
图4所示为随机森林进行故障预测流程图;
图5所示为构建随机森林的算法流程图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
图1所示为软件密集系统故障预测方法的流程图,图2所示为基于信息增益和GBDT的密集型系统故障的特征选择示意图,如图1以及图2所示,
本发明软件密集系统故障预测方法包括:
步骤一:特征向量的构建,包括:
机器学习技术的输入必须是量化描述的特征向量,因此研究对软件密集系统进行动静态分析的方法,提取出形式化、简洁化、精确化地特征向量用于训练故障预测模型,是必须要解决的关键技术问题。使用软件密集系统动静态分析技术,可以获取系统原始的系统静态特征和动态特征,然后,使用基于信息增益和梯度提升决策树算法(GBDT)的特征选择技术构建与故障对应的特征向量。但是此时得到的特征向量数据量过大,而针对某一种故障的预测时,往往是不需要使用全部的信息。所以针对不同的故障,我们对原始信息进行降维操作得到每个故障的主特征。
步骤一特征向量的构建,具体包括:
1、特征选择,包括:
从软件系统的软件信息中进行特征选择得到特征向量是一个难点,下面是本发明进行特征选择的过程:以软件系统的过程文档、源代码、可执行文件与该软件执行的硬件环境(CPU、内存、I/O外设等)为输入,基于Petri网的软硬件失效机理分析与基于信息增益方法提取出与系统故障密切相关的软件特征与硬件特征,构建表征系统故障的特征向量。
使用信息增益方法构建表征系统故障特征的算法流程如下所示:
a.每一轮使用信息增益的方法,选出一组特征和阈值,并对用该特征与阈值对样本进行分类;
b.分别对每一分类计算残差,并将这些残差合并;
c.在下一轮中,对剩余的残差继续使用信息增益的方法选取特征,如此循环迭代。
2.主特征提取
对从(1)中的得到的特征向量进行主特征提取,。主特征提取技术是一个难点,下面介绍主特征提取的完整步骤。首先,如图2所示,通过软件系统动静态信息的过程,软件静态分析及系统运行时日志,获取软件密集系统的软硬件信息,即特征向量,用R(S,H)表示。S=(s1,s2,...,sn),其中s1,s2表示软件的某条特性。H=(h1,h2,...,hn),其中h1,h2表示硬件的信息。此时获得的故障系统完整特征向量信息为:
R(S,H)=(s1,s2,...,sn,h1,h2,...,hn)
因为R(S,H)的维度较大,将其作为训练数据时,不利于下文故障预测模型的训练,为进一步抽象及利用数据中的信息,需要用主特征分析技术对得到的特征向量进行降维。具体做法是:使用基于信息增益和梯度提升决策树算法(GBDT)以及主成分分析(PCA)的特征选择技术对得到的预测特征向量R(S,H)进行特征选择,提取出R(S,H)中最能表征系统故障的特征。得到新的表示硬件信息的特征向量:
X=(f1,f2,...,fm);
步骤二基于步骤一的特征向量训练预测模型,包括:
图3所示为基于时间序列的硬件特征化预测流程图,如图3所示,预测模型使用的是基于循环神经网络RNN的时间序列预测算法(LSTM)。时间序列预测法(LSTM)是一种历史资料延伸预测,是以时间数列所能反映的事物内在的发展过程和规律性,进行引伸外推,借以预测下一段时间或以后若干年内可能达到的水平。LSTM允许历史信息的输入,保证信息存储和流通。通过设置记忆存储单元和门控保持信息的流通和筛检,能够获取序列数据的中长期依赖。通过步骤一获得的特征向量,训练LSTM模型,然后用训练好的模型结合当前时刻的软件系统特征可以很好的预测未来时刻软件系统的特征。LSTM模型能很好的适应本项目中对硬件特征量化预测的需求。
首先,使用软件静态分析技术及系统运行时日志文件信息得到系统的软件特征向量和硬件特征向量。其次,将软、硬件特征向量合并,得到系统特征向量。接下来,经过数据清洗和归一化过程。该过程中使用步骤一中主特征提取技术对系统特征向量进行降维(因为直接从软件,硬件中提取的特征维度过高,不利用接下来信息的提取和利用以及模型的训练),然后,对降维后的数据进行归一化等操作生成适合用于训练预测模型的特征向量数据。下一步用处理好的数据训练一个预测下一时刻系统硬件信息的LSTM模型。最后,用训练好的LSTM模型对下一时刻系统硬件信息进行预测。
(1)使用LSTM模型进行基于时间序列的硬件特征量化预测,可从如下方面进行模型调优:
a.权重初始化:使用小型随机数值进行初始化,改变权重初始化方法会影响到激活函数。
b.学习率:用超大或超小的学习率进行试验,尝试随着epoch降低学习率。
c.激活函数:隐含层选择rectifier作为激活函数。在输出层上,选择sigmoid或tanh作为激活输出。
d.网络拓扑:尝试一个隐藏层包含很多个神经元,尝试每层只有少量神经元的深度网络,尝试将以上结合起来。
e.Batches和Epochs:Batch的大小限定了梯度以及多久更新权重。LSTM对batch大小敏感,调整batch策略对训练影响巨大。
f.正则化:在训练期间随机跳过神经元,激活特定神经元分类。尝试在输入层、隐藏层和输出中不同的dropout百分比测试模型。
g.早停:早停是一种遏制训练数据过拟合的正则化手段,要求在每一个epoch中监控训练模型的表现并验证数据集。一旦验证数据集的表现开始下降,训练就可以停止。
具体来说,步骤二基于步骤一的特征向量训练LSTM预测模型,LSTM预测模型的训练集构成为:步骤一中前20个时刻得到的特征向量作为输入,第21个时刻得到的特征向量作为输出,以此类推,构建完整训练集用于训练lstm预测模型。故步骤二中预测模型的输出为特征向量。
步骤三、构建基于随机深林算法的故障预测模型
图3所示为构建基于随机深林算法的故障预测模型的流程图,如图3所示,软件故障预测技术中,基于特征工程获取的特征和故障的对应关系作为分类的基础,每种故障对应多个软硬件特征,单独对每种故障训练分类器进行预测。软件故障预测技术以未来信息预测未来发生故障概率。以简单高效而著称的随机森林在预测问题上有广泛的应用。根据软件特征工程获取的软硬件特征和故障间的映射关系作为分类依据,在两者间添加分类器作为中间映射层,每种故障对应一个分类器,使用所有分类器的集合构建一个随机森林分类模型,模型的输入为软件系统的软硬件特征向量,输出为系统时候发生以及发生何种故障的预测结果。当要对软件系统进行故障预测的时候,将步骤二中得到的特征向量输入步骤三得到的随机森林模型中,得到软件故障的预测结果。
图4所示为随机森林进行故障预测流程图,图5所示为构建随机森林的算法流程图,如图4以及图5所示,
(1)下面是构建单个棵决策树的算法:
a.从N个样本集(共有N的训练样本)中有放回地随机选择n个样本作为本决策树的数据集。
b.从所有特征中选择m个输入特征,且m远小于M(M是图4中第一步:软件特征工程之后得到的特征数),在决策树的节点上进行分裂时,根据信息增益最大的特征分裂。
c.每棵树都一直这样分裂下去,直到该节点的所有训练样例都属于同一类。
2)模型调优
a.最大特征数:随机森林允许单个决策树使用特征的最大数量。可采取简单地选取所有特征,每颗树都可以利用他们。另一种可采用百分比形式。
b.树的个数:随机森林利用最大投票数或平均值来预测。在计算允许的前提下,使用尽可能高的值,会使得性能更好。
c.最小叶子取样:较小的叶子使模型更容易捕捉训练数据中的噪声。一般偏向于将最小叶子节点数目设置为大于50。
步骤四通过具体实例验证预测模型的有效性
使用一个雷达实例进行验证。雷达在航空航天、气象等行业担负着重要角色,如果因为故障导致任务失败或推迟,将会造成巨大的损失。我们选取雷达系统作为实例,验证软件密集系统故障预测方法的可用性。具体预测过程如下:
1.我们将雷达程序进行仿真测试时,一方面,通过代码静态度量的方式,计算并获取软件的静态特征,如表1所示;
表1静态特征列表
特征向量 | 特征值 |
模块圈复杂度平均值 | 8.97 |
模块圈复杂度最大值 | 140 |
模块圈复杂度大于20的比例 | 9.46% |
模块平均行数 | 48.59 |
模块最大行数 | 711 |
模块总行数 | 49380 |
另一方面,通过人为的方式,进行以每0.5小时为一个周期的方式进行日志数据的采集,记录的信息包括雷达计算机的硬件等指标数值和与外设的通信时延等,周期为系统运行的0~4小时的数据,表2所示:
表2硬件特征向量历史样本
2.通过上述记录的信息,采用本发明提出的“基于时间序列的硬件特征量化预测方法预测硬件特征值”预测方法,进行系统运行6小时、12小时、24小时、36小时后的特征指标向量值的预测,特征向量预测值如表3所示;
表3硬件特征向量预测值
3.根据本发明预测的6小时、12小时、24小时、36小时的系统运行时特征向量的变化趋势,并结合软件复杂度信息,可以得出最终的故障分类结果为:预计系统运行6小时、12小时时均不会发生故障,24小时可能发生“滤波器频繁切换导致目标丢失”故障,到了36小时会发生“秒脉冲同步信号中断导致雷达死机”和“搜索门限过低目标点迹过多导致雷达死机”两种故障,此时,将会导致雷达系统处于瘫痪的状态。
本发明方法不依赖于人工确认及个人分析经验,通过实际观测数据进行智能预测,预测结果更为客观。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种软件密集系统故障预测方法,其特征在于,包括:
步骤一、构建特征向量;
步骤二、通过获得的特征向量,训练时间序列预测法模型,并输出时间序列预测法模型的特征向量,用训练好的时间序列预测法模型对下一时刻系统硬件信息进行预测;
步骤三、构建基于随机深林算法的故障预测模型,包括:
根据软件特征工程获取的软硬件特征和故障间的映射关系作为分类依据,在两者间添加分类器作为中间映射层,每种故障对应一个分类器,使用所有分类器的集合构建一个随机森林分类模型,模型的输入为软件系统的软硬件特征向量,输出为系统时候发生以及发生何种故障的预测结果,当要对软件系统进行故障预测的时候,将步骤二中得到时间序列预测法模型的特征向量,输入随机森林模型中,得到软件故障的预测结果。
2.如权利要求1所述的软件密集系统故障预测方法,其特征在于,构建特征向量包括:
特征选择,包括:
以软件系统的过程文档、源代码、可执行文件与该软件执行的硬件环境为输入,基于Petri网的软硬件失效机理分析与基于信息增益方法提取出与系统故障密切相关的软件特征与硬件特征,构建表征系统故障的特征向量;
主特征提取,包括:对从特征选择中的得到的特征向量进行主特征提取,首先,通过软件系统动静态信息的过程,软件静态分析及系统运行时日志,获取软件密集系统的软硬件信息的特征向量,用R(S,H)表示;S=(s1,s2,...,sn),其中s1,s2表示软件的一条特性;H=(h1,h2,...,hn),其中h1,h2表示硬件的信息,此时获得的故障系统完整特征向量信息为:
R(S,H)=(s1,s2,...,sn,h1,h2,...,hn);
提取出R(S,H)中最能表征系统故障的特征,得到新的表示硬件信息的特征向量:
X=(f1,f2,...,fm)。
3.如权利要求1所述的软件密集系统故障预测方法,其特征在于,使用信息增益方法构建表征系统故障的特征向量的算法包括:
a.每一轮使用信息增益的方法,选出一组特征和阈值,并对用该特征与阈值对样本进行分类;
b.分别对每一分类计算残差,并将这些残差合并;
c.在下一轮中,对剩余的残差继续使用信息增益的方法选取特征,如此循环迭代。
4.如权利要求1所述的软件密集系统故障预测方法,其特征在于,使用基于信息增益和梯度提升决策树算法以及主成分分析的特征选择方法对得到的预测特征向量R(S,H)进行特征选择,提取出R(S,H)中最能表征系统故障的特征,得到新的表示硬件信息的特征向量:
X=(f1,f2,...,fm)。
5.如权利要求1所述的软件密集系统故障预测方法,其特征在于,步骤二具体包括:首先,使用软件静态分析方法及系统运行时日志文件信息得到系统的软件特征向量和硬件特征向量;其次,将软硬件特征向量合并,得到系统特征向量,对系统特征向量进行降维,对降维后的数据进行归一化操作生成适合用于训练预测模型的特征向量数据。
6.如权利要求4所述的软件密集系统故障预测方法,其特征在于,步骤二中还包括用处理好的数据训练一个预测下一时刻系统硬件信息的LSTM模型,用训练好的LSTM模型对下一时刻系统硬件信息进行预测。
7.如权利要求5所述的软件密集系统故障预测方法,其特征在于,
(1)使用LSTM模型进行基于时间序列的硬件特征量化预测进行模型调优包括:
权重初始化:使用小型随机数值进行初始化,改变权重初始化方法会影响到激活函数;
学习率:用超大或超小的学习率进行试验,随着epoch降低学习率;
激活函数:隐含层选择rectifier作为激活函数,在输出层上,选择sigmoid或tanh作为激活输出;
网络拓扑:尝试一个隐藏层包含很多个神经元,尝试每层只有少量神经元的深度网络;
Batches和Epochs;
正则化:在训练期间随机跳过神经元,激活特定神经元分类,尝试在输入层、隐藏层和输出中不同的dropout百分比测试模型;
早停。
8.如权利要求1所述的软件密集系统故障预测方法,其特征在于,利用随机森林进行故障预测的算法包括:
a.从N个样本集中有放回地随机选择n个样本作为本决策树的数据集;
b.从所有特征中选择m个输入特征,且m小于M,在决策树的节点上进行分裂时,根据信息增益最大的特征分裂;
c.每棵树分裂下去,直到该节点的所有训练样例都属于同一类。
9.如权利要求7所述的软件密集系统故障预测方法,其特征在于,LSTM模型调优包括:
a.最大特征数:随机森林允许单个决策树使用特征的最大数量;
b.树的个数:随机森林利用最大投票数或平均值来预测;
c.最小叶子取样,将最小叶子节点数目设置为大于50。
10.如权利要求1所述的软件密集系统故障预测方法,其特征在于,还包括步骤四、通过具体实例验证预测模型的有效性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811477290.3A CN109656818B (zh) | 2018-12-05 | 2018-12-05 | 一种软件密集系统故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811477290.3A CN109656818B (zh) | 2018-12-05 | 2018-12-05 | 一种软件密集系统故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109656818A true CN109656818A (zh) | 2019-04-19 |
CN109656818B CN109656818B (zh) | 2022-02-15 |
Family
ID=66112498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811477290.3A Active CN109656818B (zh) | 2018-12-05 | 2018-12-05 | 一种软件密集系统故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109656818B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178554A (zh) * | 2019-12-19 | 2020-05-19 | 北京无线电测量研究所 | 一种设备健康管理方法、系统及雷达 |
CN112488142A (zh) * | 2019-09-12 | 2021-03-12 | 中移(苏州)软件技术有限公司 | 一种雷达故障的预测方法、装置及存储介质 |
CN112995104A (zh) * | 2019-12-16 | 2021-06-18 | 海信集团有限公司 | 一种通信设备及网络安全预测方法 |
CN113407428A (zh) * | 2021-06-22 | 2021-09-17 | 贵州理工学院 | 人工智能系统的可靠性评估方法、装置和计算机设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8612802B1 (en) * | 2011-01-31 | 2013-12-17 | Open Invention Network, Llc | System and method for statistical application-agnostic fault detection |
CN107862375A (zh) * | 2017-10-30 | 2018-03-30 | 北京计算机技术及应用研究所 | 一种两阶段的设备故障诊断方法 |
-
2018
- 2018-12-05 CN CN201811477290.3A patent/CN109656818B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8612802B1 (en) * | 2011-01-31 | 2013-12-17 | Open Invention Network, Llc | System and method for statistical application-agnostic fault detection |
CN107862375A (zh) * | 2017-10-30 | 2018-03-30 | 北京计算机技术及应用研究所 | 一种两阶段的设备故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
TARIQUL ISLAM: "Predicting Application Failure in Cloud: A Machine Learning Approach", 《2017 IEEE 1ST INTERNATIONAL CONFERENCE ON COGNITIVE COMPUTING》 * |
刘孝良: "基于半监督学习的随机森林算法研究与应用", 《CNKI优秀硕士学位论文全文库》 * |
杨祎玥: "基于深度循环神经网络的时间序列预测模型", 《计算机技术与发展》 * |
管 飞: "一种航天测控系统软件故障分析框架", 《测控技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488142A (zh) * | 2019-09-12 | 2021-03-12 | 中移(苏州)软件技术有限公司 | 一种雷达故障的预测方法、装置及存储介质 |
CN112995104A (zh) * | 2019-12-16 | 2021-06-18 | 海信集团有限公司 | 一种通信设备及网络安全预测方法 |
CN112995104B (zh) * | 2019-12-16 | 2022-05-20 | 海信集团有限公司 | 一种通信设备及网络安全预测方法 |
CN111178554A (zh) * | 2019-12-19 | 2020-05-19 | 北京无线电测量研究所 | 一种设备健康管理方法、系统及雷达 |
CN111178554B (zh) * | 2019-12-19 | 2023-08-11 | 北京无线电测量研究所 | 一种设备健康管理方法、系统及雷达 |
CN113407428A (zh) * | 2021-06-22 | 2021-09-17 | 贵州理工学院 | 人工智能系统的可靠性评估方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109656818B (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784881B (zh) | 网络异常流量检测方法、模型及系统 | |
Lin et al. | Dynamic sampling approach to training neural networks for multiclass imbalance classification | |
US10783433B1 (en) | Method for training and self-organization of a neural network | |
US10657447B1 (en) | Automated model building search space reduction | |
CN109656818A (zh) | 一种软件密集系统故障预测方法 | |
Ren et al. | Knowledge-maximized ensemble algorithm for different types of concept drift | |
CN109034194B (zh) | 基于特征分化的交易欺诈行为深度检测方法 | |
CN109800875A (zh) | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 | |
CN109447099B (zh) | 一种基于pca降维的多分类器融合方法 | |
CN111310814A (zh) | 利用不平衡正负样本对业务预测模型训练的方法及装置 | |
CN107292097B (zh) | 基于特征组的中医主症选择方法 | |
US20200167593A1 (en) | Dynamic reconfiguration training computer architecture | |
CN111368926B (zh) | 图像筛选方法、装置和计算机可读存储介质 | |
Pratama et al. | Scalable teacher forcing network for semi-supervised large scale data streams | |
Gao et al. | Machine learning for credit card fraud detection | |
CN112148997A (zh) | 一种用于灾害事件检测的多模态对抗模型的训练方法和装置 | |
CN110956543A (zh) | 异常交易检测的方法 | |
WO2022169954A1 (en) | Deep neural network learning with controllable rules | |
CN112613032B (zh) | 基于系统调用序列的主机入侵检测方法及装置 | |
Tambwekar et al. | Estimation and applications of quantiles in deep binary classification | |
CN114254686A (zh) | 对抗样本的识别方法及装置 | |
Modarres et al. | Making AdaBoost Less Prone to Overfitting on Noisy Datasets | |
KR20220108678A (ko) | 순환신경망 기반의 장단기 기억신경망을 통한 부정맥 분류 방법 | |
CN113076544A (zh) | 基于深度学习模型压缩的漏洞检测方法、系统及移动设备 | |
Li et al. | Evaluating forecasting algorithm of realistic datasets based on machine learning |
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 |