CN111695501A - 一种基于操作系统内核调用数据的设备软故障检测方法 - Google Patents

Abstract

本发明提供了一种基于操作系统内核调用数据的设备软故障检测方法，对受测设备注入ESD干扰信号，收集受测设备操作系统在ESD干扰信号注入的前后过程中的系统内核调用数据，将系统内核调用数据构建为图信号数据模型，对图信号数据进行预处理，使用基于搬运问题的相似度度量算法来比较ESD干扰注入前后系统内核调用数据的自相似性变化；或者针对某操作系统构建面向系统内核调用数据的长短时异构运算模型，并采用随机梯度下降的方法训练所述模型，将经过预处理的受测设备的图信号数据输入所述模型，输出检测结果。智能检测ESD引起的电路系统软故障，为电子设备进一步的EMC优化整改提供指导意见，提高电子设备的EMC可靠性与产品研发效率。

Description

一种基于操作系统内核调用数据的设备软故障检测方法

技术领域

本发明属于电磁兼容检测技术领域，具体涉及一种基于操作系统内核调用数据的设备软故障检测方法。

背景技术

电磁兼容性是衡量电子产品可靠性的关键指标，而对于静电释放(Electro-Static discharge,ESD)现象的研究是该领域下的重要组成部分。ESD干扰具有瞬间高电流、高电压且分布广泛的特征，是电子设备故障的主要诱因之一。系统级ESD干扰除了引起不可逆的硬故障(物理损毁或慢性失效)以外，还会额外引发大量的软故障。由ESD引起的电子设备软故障具有发生过程隐蔽难以捕捉、诱发机理多变难以回溯的特点，因此，如何观测电子设备的ESD软故障，并进一步探明其发生机理与设备的响应特性，是目前研究的热点和难点。

发明内容

本发明提供了一种基于操作系统内核调用数据的设备软故障检测方法，解决目前缺乏对电子产品ESD软故障进行检测与定位技术的问题。

本发明提供的一种基于操作系统内核调用数据的设备软故障检测方法，所述方法为：对受测设备注入ESD干扰信号，收集受测设备操作系统在ESD干扰信号注入的前后过程中的系统内核调用数据，将系统内核调用数据构建为图信号数据模型，采用基于递归衰减的采样窗函数方法对图信号数据进行预处理，使用基于搬运问题的相似度度量算法来比较ESD干扰注入前后系统内核调用数据的自相似性变化，当相似度距离大于先验值时，即可认为受测设备在ESD注入下发生了软故障；或者针对某操作系统构建面向系统内核调用数据的长短时异构运算模型，并采用随机梯度下降的方法训练所述模型，将经过预处理的受测设备的图信号数据输入所述模型，可直接输出受测设备某一部位受到了某一等级的ESD干扰。

优选的，所述操作系统为基于Linux的操作系统。

优选的，所述操作系统嵌入内核采集模块，通过内核采集模块采集系统内核调用数据，并通过同步数字串口将系统内核调用数据传送给逻辑分析仪，再由逻辑分析仪上传至计算机进行处理分析。

优选的，采用基于递归衰减的采样窗函数方法对图信号数据进行预处理的方法为：采用可变长度的采样窗函数F_W(t)获取图信号数据，通过随采样窗同步生长的递归衰减函数Ge(t)对不同时间的图信号数据进行权值分配，其公式如公式(4)所示，其中T₀是指窗函数的时间宽度，σ是指高斯模型函数的畸变参数：

优选的，所述的基于搬运问题的相似度度量算法，如公式(1)—(3)，

P＝f_p(m),Q＝f_q(m)m＝1,2,3....(1)

P,Q分别对应受测设备在ESD注入前后的内核调用特征向量，内核调用特征向量由内核函数调用频率与特征参数拼接获得，f_i,j表示P向量中i元素与Q向量中j元素的数值距离，d_i,j表示向量中i，j元素的空间距离，通过公式(2)中的线性规划将所述两段内核调用特征向量间的最小趋同开销作为两者间的相似性度量，当相似度距离大于先验值时，即可认为受测设备在ESD注入下发生了软故障。

优选的，面向系统内核调用数据的长短时异构运算模型的长短时记忆的信息来源于图信号数据模型G(V,E)，其中V是所有系统内核调用函数的合集，即图信号数据模型中的节点，E是系统内核调用函数间调用关系的合集，即图信号数据模型中节点间的连接关系；所述面向系统内核调用数据的长短时异构运算模型通过GCN模型提取图信号的频谱特征，即短时记忆，通过GAT模型提取图信号网络中节点间的邻域特征，即长时记忆，将长短时记忆的输出拼接后形成输出矩阵h_i进行多层堆叠，每一层网络的输出矩阵作为输入参与下一层网络的长时记忆运算，最后对所述面向系统内核调用数据的长短时异构运算模型进行随机梯度下降训练，从而确定最优的长周期记忆函数R_e、卷积核集成函数ζ(X,K,n)和全连接层FC的参数集。

优选的，所述检测方法进一步还包括对受测设备注入的ESD干扰信号进行定位的方法，所述定位方法为：

S1、计算图信号数据模型中所有节点的交叉点权值cw；

S2、依次移除图信号数据模型中所有cw值小于或等于cwmin的节点，并移除这些节点与其邻接点的连边，此时剩下的图信号数据中可能又出现一些新的cw值小于或等于cwmin的节点，再把这些节点与其邻接点的连边移除，重复此操作直不再有cw值小于或等于cwmin的节点为止，被移除的节点的集合，称为cw-壳，余下的节点的集合称为cw-核；

S3、继续剥壳操作，重复步骤1、2，直至图信号数据模型中所有节点都被移除，通过cw-壳分解算法能够确定所有节点在网络中所处的层级，并给出节点的重要性排序，处于高层级排序排在前面的节点即为异常内核函数。

本发明的有益效果：

本发明的检测方法可以在不同干扰参数与环境条件下检测ESD引起的电路系统软故障并进一步诊断其产生原因与发展过程，这就可以为电子设备进一步的EMC优化整改提供指导意见，提高电子设备的EMC可靠性与产品研发效率。

附图说明

图1为本发明设备软故障检测方法的原理图；

图2为本发明内核采集模块采集数据的原理图；

图3为本发明内核采集模块的软件流程图；

图4为本发明图信号数据模型示意图；

图5为本发明ESD注入流程图以及递归衰减采样窗处理方式示意图，

图6为本发明面向系统内核调用数据的长短时异构运算模型架构图。

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，以下结合附图及实施例，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于解释本发明，不能理解为对本发明具体保护范围的限定。

实施例一

参照图1，本实施例提供了一种基于操作系统内核调用数据的设备软故障检测方法，所述方法为：对受测设备注入ESD干扰信号，收集受测设备操作系统在ESD干扰信号注入的前后过程中的系统内核调用数据，将系统内核调用数据构建为图信号数据模型，采用基于递归衰减的采样窗函数方法对图信号数据进行预处理，使用基于搬运问题的相似度度量算法来比较ESD干扰注入前后系统内核调用数据的自相似性变化，具体算法如公式(1)—(3)，

P＝f_p(m),Q＝f_q(m)m＝1,2,3....(1)

P,Q分别对应受测设备在ESD注入前后的内核调用特征向量，内核调用特征向量由内核函数调用频率与特征参数拼接获得，f_i,j表示P向量中i元素与Q向量中j元素的数值距离，d_i,j表示向量中i，j元素的空间距离，通过公式(2)中的线性规划将所述两段内核调用特征向量间的最小趋同开销作为两者间的相似性度量，当相似度距离大于先验值时，即可认为受测设备在ESD注入下发生了软故障。

具体的，对受测设备注入ESD干扰信号，为了尽可能多的激发受测设备的软故障，本实施例会使用多种干扰源类型作为干扰输入，如静电释放模拟器，传输线脉冲发生器等(如表1所示)，同时，还可以灵活选择ESD注入方式和注入的参数(如电压等级、耦合方式、注入部位等)。

表1 拟采用的干扰源及注入方式

本实施例所述受测设备的操作系统为基于Linux的操作系统，对于以Linux为代表的现代操作系统，其针对底层硬件的控制与数据交互都是通过调用操作系统内核函数的方式实现的，这就说明，受测设备内操作系统的内核调用数据记录也就是系统硬件运行的完整记录。如图2、3所示，本发明通过设计内核采集模块程序的方式实现系统内核调用数据的采集，每当受测设备处理器完成一次内核调用操作，内核采集模块就读取此次系统调用过程中涉及的处理器现场信息(如程序指针SP，内核栈地址LR等)并输出。所述处理器现场信息以数据帧的形式通过专门设置的同步数字串口输出给带协议解析功能的逻辑分析仪，再由逻辑分析仪上传至计算机进行处理分析。

由于系统内核调用数据是以调用关系为纽带进行关联的，因此，本实施例采用复杂网络这一数据模型构建由逻辑分析仪收集的系统调用数据，即将系统内核调用数据构建为图信号数据模型。具体的，参照图4，系统内核调用数据组成的复杂网络中，每一个节点就是一个内核函数，节点之间的连接线是系统内核调用函数间的调用关系。由于检测中会不断读取受测设备输出的系统内核调用数据，该复杂网络中节点间的链接权重也会不断动态变化，因此构成了一个动态复杂网络，即图信号。Linux系统普遍具有500～2000个内核函数，这些节点与节点间的连接关系构成了一个高度复杂的图信号数据模型。

本实施例采用基于递归衰减的采样窗函数方法对图信号数据进行预处理，在具体实施过程中，本实施例采用基于ESD注入前后对比的方法，也就是在采集系统内核调用数据过程的时间中点向受测设备注入ESD干扰，比如图5(a)所示的，在360s的数据读取周期的时间中点处即180s时向受测设备施加ESD，然后对比电磁干扰前后的设备运行过程。通过以上操作，数据采集过程被ESD注入分割为前后两部分，即注入前的“正常运行过程”与注入后的“异常-恢复过程”，通过对比两者间的差异可以发现图信号数据模型相对ESD注入参数的变化规律与时间演变特性。

当数据采集时间积累到一定程度后，系统内核调用数据会呈现统计层面的稳定性，但是很多时候也需要兼顾图信号的短时拓扑特性，所以本实施例采用基于递归衰减的采样窗函数方法来处理，如图5(b)所示。通过采样窗函数FW(t)获取内核调用图信号，通过随采样窗同步生长的递归衰减函数Ge(t)对不同时间的图信号数据进行权值分配，其定义如公式(4)所示，其中T₀是指窗函数的时间宽度，σ是指高斯模型函数的畸变参数：

通过施加随时间同步的递归衰减采样窗，可以在保持数据统计完整性的同时，平抑因数据累积导致的数据饱和现象，公式(4)中Ge(t)选取高斯函数作为核函数，从而平衡历史数据对实时检测的影响。

在发现ESD引起的设备软故障后，需要进一步定位在电磁干扰注入后图信号数据模型中出现明显特征变化的内核函数或函数群。本发明采用了现有的cw-壳分解算法，识别出具有高扩散能力和高更迭速度的节点，其计算过程按以下步骤求解：

S1、计算图信号数据模型中所有节点的交叉点权值cw；

S2、依次移除图信号数据模型中所有cw值小于或等于cwmin的节点，并移除这些节点与其邻接点的连边，此时剩下的图信号数据中可能又出现一些新的cw值小于或等于cwmin的节点，再把这些节点与其邻接点的连边移除，重复此操作直不再有cw值小于或等于cwmin的节点为止，被移除的节点的集合，称为cw-壳，余下的节点的集合称为cw-核；

S3、继续剥壳操作，重复步骤1、2，直至图信号数据模型中所有节点都被移除，节点的cw值越大，表明节点越接近cw-壳分解的最内层，影响力越大，通过cw-壳分解算法能够确定所有节点在网络中所处的层级，并给出节点的重要性排序，识别网络的中心节点，处于高层级排序排在前面的节点即为异常内核函数。

通过以上步骤确定系统在电磁干扰响应状态下的异常内核函数，最后通过分析异常内核函数的功能代码及实测波形的方式反演回溯软故障的作用对象及发生机理。

实施例二

参照图6，首先针对Linux操作系统构建面向系统内核调用数据的长短时异构运算模型，并采用随机梯度下降的方法训练所述模型，将经过预处理的受测设备的图信号数据输入所述模型，可直接输出受测设备某一部位受到了某一等级的ESD干扰。

本实施例对受测设备注入ESD干扰信号，以及收集受测设备操作系统在ESD干扰信号注入的前后过程中的系统内核调用数据，将系统内核调用数据构建为图信号数据模型，还有采用基于递归衰减的采样窗函数方法对图信号数据进行预处理的方法与实施例一相同，不再赘述。

本实施例与实施例一的不同之处就在于，基于深度学习网络，将长短时记忆机制与随机梯度下降方法相结合，构建面向系统内核调用数据的长短时异构运算模型，并训练该模型和优化模型参数，实现对待测设备的智能化在线检测。所述的面向系统内核调用数据的长短时异构运算模型的长短时记忆的信息来源于图信号数据模型G(V,E)，其中V是所有系统内核调用函数的合集，即图信号数据模型中的节点，E是系统内核调用函数间调用关系的合集，即图信号数据模型中节点间的连接关系。

所述面向系统内核调用数据的长短时异构运算模型通过GCN模型提取图信号的频谱特征，即短时记忆f_s(X,A)。基于图信号频谱特征的图卷积网络(Graph ConvolutionalNetwork,GCN)模型如公式(5)—(6)定义，X代表作为输入的系统调用图，矩阵

与A分别是X的度矩阵与邻接矩阵；

与W^l分别代表模型中第l隐藏层中的迭代矩阵与权值训练矩阵；σ为每一层的激活函数。该模型以代表图频谱信息的卷积核

为基础并结合逐层网络的训练迭代，获得可训练参数矩阵W。由于图卷积网络表示各个节点对图信号变化的贡献度，因此，适合用作图信号短时记忆的载体。

f(X)＝H^l+1＝σ(KH^lW^l) (5)

为了解决基于图特征谱的卷积核在经过多次迭代后节点特征趋同的短板，本实施例通过在多重计算核尺度下进行卷积再融合的方式提高模型对子图或节点的表征能力，其计算原理如公式(7)所示。其中Γ(·)表示拼接节点的特征向量；K^m是选择的卷积核种类及深度，表征对图信号节点K阶临域的进行信息汇聚。

本实施例通过GAT模型提取图信号网络中节点间的邻域特征，即长时记忆

相较基于频谱的卷积网络，基于注意力的网络模型(Graph Attention Network,GAT)是根据节点的邻域结构来定义图特征，其模型定义如公式(8)所示，其指导思路是逐个计算特定节点与相邻节点的注意力系数α_ij，其中

是对相邻两节点特征向量的拼接(其中W是可训练参数矩阵)，k∈N_i代表主节点周围的邻域节点。在获得每个顶点的注意力系数的基础上通过公式(9)计算所有顶点的注意力系数加权，通过激活函数σ激活后获得每个节点中融合了邻域节点信息的新特征值。

最后，将长短时记忆的输出拼接后形成输出矩阵h_i进行多层堆叠，每一层网络的输出矩阵作为输入参与下一层网络的长时记忆运算，构成如图6所示的多层计算架构。在图6中GAT架构的模型用于长时记忆的获取

时序上第S步采集到的网络注意力系数)，其算子计算结果按照采样时序存储在对应的记忆体中，侧重对图信号的时间域统计特征的提取。将在I₁-I_K时间点采集到的网络数据样本组成集和函数Re，并通过与参数向量V_k叉乘构成记忆函数Ls，即长时记忆(如公式10所示)，其中K表示时需采集的深度。使用基于卷积核的GCN架构用于获取图卷积特征向量(f_S)，然后通过卷积核集成函数ζ(如公式7所示)实现对特定结构或空间域连续性的感知，即短时记忆(如公式11所示)，其中σ表示ReLu激活函数。通过将长时记忆与短时记忆拼接成输出向量h并逐层迭代，最后通过全连接层FC输出结果，如ESD干扰下受影响的硬件模块和ESD干扰的等级。

本发明对所述面向系统内核调用数据的长短时异构运算模型进行随机梯度下降训练，从而确定最优的长周期记忆函数中的与参数向量V_k、卷积核集成函数ζ(X,K,n)和全连接层FC的参数集。

H_n＝σ·ζ_i(X,K,n)，i∈|I| (公式11)

Claims (7)

1.一种基于操作系统内核调用数据的设备软故障检测方法，其特征在于，所述方法为：对受测设备注入ESD干扰信号，收集受测设备操作系统在ESD干扰信号注入的前后过程中的系统内核调用数据，将系统内核调用数据构建为图信号数据模型，采用基于递归衰减的采样窗函数方法对图信号数据进行预处理，使用基于搬运问题的相似度度量算法来比较ESD干扰注入前后系统内核调用数据的自相似性变化，当相似度距离大于先验值时，即可认为受测设备在ESD注入下发生了软故障；或者针对某操作系统构建面向系统内核调用数据的长短时异构运算模型，并采用随机梯度下降的方法训练所述模型，将经过预处理的受测设备的图信号数据输入所述模型，可直接输出受测设备某一部位受到了某一等级的ESD干扰。

2.根据权利要求1所述的基于操作系统内核调用数据的设备软故障检测方法，其特征在于：所述操作系统为基于Linux的操作系统。

3.根据权利要求2所述的基于操作系统内核调用数据的设备软故障检测方法，其特征在于：所述受测设备操作系统嵌入内核采集模块，通过内核采集模块采集系统内核调用数据，并通过同步数字串口将系统内核调用数据传送给逻辑分析仪，再由逻辑分析仪上传至计算机进行处理分析。

4.根据权利要求3所述的基于操作系统内核调用数据的设备软故障检测方法，其特征在于，采用基于递归衰减的采样窗函数方法对图信号数据进行预处理的方法为：采用可变长度的采样窗函数F_W(t)获取图信号数据，通过随采样窗同步生长的递归衰减函数Ge(t)对不同时间的图信号数据进行权值分配，其公式如公式(4)所示，其中T₀是指窗函数的时间宽度，σ是指高斯模型函数的畸变参数：

5.根据权利要求4所述的基于操作系统内核调用数据的设备软故障检测方法，其特征在于：所述的基于搬运问题的相似度度量算法，如公式(1)—(3)，

P＝f_p(m),Q＝f_q(m)m＝1,2,3....(1)

P,Q分别对应受测设备在ESD注入前后的内核调用特征向量，内核调用特征向量由内核函数调用频率与特征参数拼接获得，f_i,j表示P向量中i元素与Q向量中j元素的数值距离，d_i,j表示向量中i，j元素的空间距离，通过公式(2)中的线性规划将所述两段内核调用特征向量间的最小趋同开销作为两者间的相似性度量，当相似度距离大于先验值时，即可认为受测设备在ESD注入下发生了软故障。

6.根据权利要求4所述的基于操作系统内核调用数据的设备软故障检测方法，其特征在于：面向系统内核调用数据的长短时异构运算模型的长短时记忆的信息来源于图信号数据模型G(V,E)，其中V是所有系统内核调用函数的合集，即图信号数据模型中的节点，E是系统内核调用函数间调用关系的合集，即图信号数据模型中节点间的连接关系；所述面向系统内核调用数据的长短时异构运算模型通过GCN模型提取图信号的频谱特征，即短时记忆，通过GAT模型提取图信号网络中节点间的邻域特征，即长时记忆，将长短时记忆的输出拼接后形成输出矩阵h_i进行多层堆叠，每一层网络的输出矩阵作为输入参与下一层网络的长时记忆运算，最后对所述面向系统内核调用数据的长短时异构运算模型进行随机梯度下降训练，从而确定最优的长周期记忆函数R_e、卷积核集成函数ζ(X,K,n)和全连接层FC的参数集。

7.根据权利要求5所述的基于操作系统内核调用数据的设备软故障检测方法，其特征在于，所述检测方法进一步还包括对受测设备注入的ESD干扰信号进行定位的方法，所述定位方法为：

S1、计算图信号数据模型中所有节点的交叉点权值cw；

S2、依次移除图信号数据模型中所有cw值小于或等于cwmin的节点，并移除这些节点与其邻接点的连边，此时剩下的图信号数据中可能又出现一些新的cw值小于或等于cwmin的节点，再把这些节点与其邻接点的连边移除，重复此操作直不再有cw值小于或等于cwmin的节点为止，被移除的节点的集合，称为cw-壳，余下的节点的集合称为cw-核；

S3、继续剥壳操作，重复步骤1、2，直至图信号数据模型中所有节点都被移除，通过cw-壳分解算法能够确定所有节点在网络中所处的层级，并给出节点的重要性排序，处于高层级排序排在前面的节点即为异常内核函数。

Images