CN112070283A - 一种基于机器学习的服务器运行健康度预测方法及系统 - Google Patents

一种基于机器学习的服务器运行健康度预测方法及系统 Download PDF

Info

Publication number
CN112070283A
CN112070283A CN202010856825.9A CN202010856825A CN112070283A CN 112070283 A CN112070283 A CN 112070283A CN 202010856825 A CN202010856825 A CN 202010856825A CN 112070283 A CN112070283 A CN 112070283A
Authority
CN
China
Prior art keywords
server
machine learning
output
state
learning
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
Application number
CN202010856825.9A
Other languages
English (en)
Inventor
陈宇航
杨明杰
王琼
闫润珍
巫乾军
王小龙
董清泉
俞俊
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.)
Nari Technology Co Ltd
Information and Telecommunication Branch of State Grid Gansu Electric Power Co Ltd
Original Assignee
Nari Technology Co Ltd
Information and Telecommunication Branch of State Grid Gansu Electric Power Co Ltd
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 Nari Technology Co Ltd, Information and Telecommunication Branch of State Grid Gansu Electric Power Co Ltd filed Critical Nari Technology Co Ltd
Priority to CN202010856825.9A priority Critical patent/CN112070283A/zh
Publication of CN112070283A publication Critical patent/CN112070283A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明公开了一种基于机器学习的服务器运行健康度预测方法及系统，该预测方法包括如下步骤：根据构建的基于支持向量机的服务器状态预测模型和故障报警信息，对服务器排查故障，并提供基于机器学习的服务器运行健康度预测系统，实现服务器健康状态的预测，从而实现服务器的故障预警，为运维人员提供决策辅助，预留问题应对时间，实现对数据中心服务器的“主动式”运维。提升信息系统稳定性，保障业务系统运行连续稳定，延长服务器使用寿命。

Description

一种基于机器学习的服务器运行健康度预测方法及系统
技术领域
本发明涉及一种服务器运行健康度预测方法及系统，尤其涉及一种基于机器学习的服务器运行健康度预测方法及系统。
背景技术
随着公司信息化水平的不断提高，业务数据逐渐积累，计算资源需求不断增长，数据中心已成为电力业务的重要支撑。作为数据中心的核心计算设备，服务器的负载与数量也在日益增长。服务器的正常运行是业务系统正常运行的根本保证，因此对服务器的运维工作尤为重要。
目前对于服务器的健康状态监控是应用I6000系统对运行参数及当前状态的监控。这种运维方式是实时监控，是一种“被动式”运维，即运维人员在服务器出现问题后，通过监控系统的报警才能得知服务器告警或故障状态，继而才能进行维护动作，而此时对业务系统的运行和服务器自身均已造成相当程度的损失。
发明内容
发明目的：本发明的目的为提供一种实现服务器健康状态的预测、为运维人员提供决策辅助的基于机器学习的服务器运行健康度预测方法，本发明的第二目的为提供基于机器学习的服务器运行健康度预测系统。
技术方案：本发明的基于机器学习的服务器运行健康度预测方法，包括如下步骤：
根据构建的基于支持向量机的服务器状态预测模型和故障报警信息，对服务器排查故障。
基于支持向量机的服务器状态预测模型的构建包括如下步骤：
(1)对采集的运维数据基于灰色关联分析的选取特征量；
(2)根据选取的特征量构建基于BP神经网络的状态模型；
(3)根据状态模型构建基于支持向量机的服务器状态预测模型。
进一步地，步骤(1)中，在选取特征量前先对采集的运维数据中非零字段数据存在负值的信息进行剔除，并按照设定规则进行字段编码处理。
步骤(1)中，特征量为关联度系数和关联度，关联度系数和关联度的选取包括如下步骤：
(a)对数据清洗后的运维数据进行参数的无量纲化；
(b)基于灰色关联分析计算关联度系数和关联度。
优选的，步骤(b)中，令X0＝{x0(1),x0(2),...,x0(n)}为数据序列，Xi＝{xi(1),xi(2),...,xi(n)}为比较序列，两序列之间的关联度系数
Figure BDA0002646688690000021
Figure BDA0002646688690000022
的计算公式如下：
Figure BDA0002646688690000023
式中，|x0(k)-xi(k)|为第k点x0(k)与xi(k)的绝对差；
Figure BDA0002646688690000024
为两级最小绝对差；
Figure BDA0002646688690000025
为两级最大绝对差；
ρ为分辨率系数，0<ρ<1，一般取0.5。
步骤(b)中，令X0＝{x0(1),x0(2),...,x0(n)}为数据序列，Xi＝{xi(1),xi(2),...,xi(n)}为比较序列，Xi序列与X0序列的关联度
Figure BDA0002646688690000026
Figure BDA0002646688690000027
一般认为，当关联度小于0.6时，数据列与比较序列关联度小。
步骤(3)中，状态模型的构建包括如下步骤：
(a)给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值和最大学习次数M；
(b)随机选取第k个特征量的输入样本x0(k)＝(x1(k),x2(k),…,xq(k))及对应期望输出y(k)＝(y1(k),y2(k),…,yn(k))，
(c)计算隐含层各神经元的输入和输出，并得到整个网络的最终输出yp(k)；
(d)利用网络期望输出yo(k)和实际输出yp(k)，计算误差函数e对输出层的各神经元的偏导δo(k)α；
(e)利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数计算隐含层各神经元的偏导数δh(k)；
(f)利用输出层各神经元的δo(k)和输入层各神经元的输入修正连接权值ωho(k)；
(g)利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权值；
(h)利用网络期望输出yo(k)和实际输出yp(k)，依据全局误差计算公式，得到全局误差E；
(i)当误差E达到预设精度值或学习次数大于设定的最大次数M，则结束BP神经网络模型训练；否则，选取下一个学习样本及对应的期望输出，返回到(c)，进入下一轮学习。
步骤(h)中，全局误差的计算公式如下：
Figure BDA0002646688690000031
式中，E为全局误差，m为学习次数，q为样本数。
步骤(3)中，具体包括如下步骤：(a)取数据清洗后的70％-90％运维数据作为状态模型训练集，10％-30％数据作为状态模型测试集，给定训练集
＝{(x1,y1),(x2,y2),..,(xn,yn)}，为保证模型的鲁棒性，多次随机分配状态模型训练集和测试集进行训练，其中，x1、x2、xn为输入向量，y1、y2、yn为状态；
(b)求解二次规划问题，计算公式如下，
Figure BDA0002646688690000032
Figure BDA0002646688690000033
αi为参数向量α中位置i所在的分量，αj为参数向量α中位置j所在的分量；
求得使L达到最小值时，参数向量α对应的值为
Figure BDA0002646688690000034
其中，α*为参数向量α*的最佳值；
(c)通过参数向量α*，计算权值向量w*与偏置向量b*，
Figure BDA0002646688690000041
Figure BDA0002646688690000042
(d)构造判决边界g(x)＝(w*·x)+b*＝0，求得决策函数f(x)＝sgn(g(x))；根据决策函数输出结果，分析得出服务器健康度预测结果，其中x为训练集样本。
本发明的基于机器学习的服务器运行健康度预测系统，包括故障排查模块，故障排查模块用于根据构建的基于支持向量机的服务器状态预测模型和故障报警信息，对服务器排查故障。
有益效果：与现有技术相比，本发明具有如下显著优点：改善目前的数据中心服务器运维现状，本发明依据大数据思维，从大量历史运行数据中挖掘规律，运用机器学习中的BP神经网络算法建立服务器运行参数与健康状态的模型，并运用支持向量机(SVM)算法构建服务器健康状态的预测模型。挖掘参数关系，实现服务器健康状态的预测，从而实现服务器的故障预警，为运维人员提供决策辅助，预留问题应对时间，实现对数据中心服务器的“主动式”运维。
附图说明
图1为本发明的健康度预测方法示意图；
图2为本发明的健康度预测方法流程图。
具体实施方式
下面结合实施例对本发明的技术方案作进一步说明。
如图1和图2所示，本发明的基于机器学习的服务器运行健康度预测系统，包括特征量选取模块、模型构建模块和故障排查模块，特征量选取模块用于对采集的运维数据进行数据清洗，并对数据清洗后的运维数据基于灰色关联分析的选取特征量，模型构建模块用于根据选取的特征量构建基于BP神经网络的状态模型，根据基于BP神经网络的状态模型构建基于支持向量机的服务器状态预测模型，故障排查模块用于根据构建的基于支持向量机的服务器状态预测模型和故障报警信息，对服务器排查故障。
本发明基于机器学习的服务器运行健康度预测方法，包括如下步骤：
步骤1：数据预处理
对采集的运维数据进行数据清洗，主要对数据进行异常值剔除和字段编码处理。对部分非零字段数据存在负值的信息进行自动剔除，并按照设定规则进行字段编码处理。
步骤2：基于灰色关联分析的特征量选取
S1.首先进行参数的无量纲化。
S2.继而计算关联度系数。令X0＝{x0(1),x0(2),...,x0(n)}为数据序列，Xi＝{xi(1),xi(2),...,xi(n)}为比较序列，两序列之间的关联度系数为：
Figure BDA0002646688690000051
其中：
|x0(k)-xi(k)|为第k点x0(k)与xi(k)的绝对差；
Figure BDA0002646688690000052
为两级最小绝对差；
Figure BDA0002646688690000053
为两级最大绝对差；
ρ为分辨率系数，0<ρ<1，一般取0.5。
Xi序列与X0序列的关联度γi为：
Figure BDA0002646688690000054
一般认为，当关联度小于0.6时，数据列与比较序列关联度小。
步骤3：基于BP神经网络的服务器运行参数与状态模型
S1，网络初始化
给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值和最大学习次数M。
S2，随机选取第k个输入样本及对应期望输出
d0(k)＝(d1(k),d2(k),…,dq(k))
x(k)＝(x1(k),x2(k),…,xn(k))
S3，计算隐含层各神经元的输入和输出
S4，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导δo(k)α
S5,利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)
S6，利用输出层各神经元的δo(k)和输入层各神经元的输入修正连接权值ωho(k)
S7，利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权
S8，计算全局误差
Figure BDA0002646688690000061
S9，判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数，则结束BP神经网络模型训练。否则，选取下一个学习样本及对应的期望输出，返回到S3，进入下一轮学习。
步骤4：基于支持向量机(SVM)的服务器状态预测模型构建
S1：取经过数据处理后的80％数据作为模型训练集，20％数据作为模型测试集，给定训练集＝{(x1,y1),(x2,y2),..,(xn,yn)}，为保证模型的鲁棒性，多次随机分配模型训练集和测试集进行训练。
S2：求解二次规划问题，
Figure BDA0002646688690000062
Figure BDA0002646688690000063
解得
Figure BDA0002646688690000064
S3:计算参数W，并选取一个正分量
Figure BDA0002646688690000065
计算b
Figure BDA0002646688690000066
Figure BDA0002646688690000067
S4：构造判决边界：g(x)＝(w*·x)+b*＝0，由此求得决策函数
f(x)＝sgn(g(x))
根据决策函数输出结果，分析得出服务器健康度预测结果。
步骤5：服务器健康度打分机制
根据步骤4和步骤5模型训练结合，根据不同指标所占评分比重不同，对服务器状态进行打分，分值范围为0-100，0-60规定为危险状态，60-80规定为关注状态，80-100规定为健康状态。
步骤6：服务器健康度状态运维辅助
运维人员根据健康度数值和故障报警信息，对服务器状态进行判断，对于60分状态以下的服务器需要及时排查故障，对于60-80分状态的服务器要持续关注，防止故障进一步恶化。为运维人员提供决策辅助，实现对数据中心服务器的“主动式”运维。
本发明的基于机器学习的服务器运行健康度预测系统，包括故障排查模块，故障排查模块用于根据构建的基于支持向量机的服务器状态预测模型和故障报警信息，对服务器排查故障。
软件发明可存储在计算机可读取存储介质中的说明，请保存下面的模板：
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于机器学习的服务器运行健康度预测方法，其特征在于，包括如下步骤：
根据构建的基于支持向量机的服务器状态预测模型和故障报警信息，对服务器排查故障。
2.根据权利要求1所述基于机器学习的服务器运行健康度预测方法，其特征在于：所述基于支持向量机的服务器状态预测模型的构建包括如下步骤：
(1)对采集的运维数据基于灰色关联分析的选取特征量；
(2)根据选取的特征量构建基于BP神经网络的状态模型；
(3)根据状态模型构建基于支持向量机的服务器状态预测模型。
3.根据权利要求2所述基于机器学习的服务器运行健康度预测方法，其特征在于：步骤(1)中，在选取特征量前先对采集的运维数据中非零字段数据存在负值的信息进行剔除，并按照设定规则进行字段编码处理。
4.根据权利要求2所述基于机器学习的服务器运行健康度预测方法，其特征在于，步骤(1)中，所述特征量为关联度系数和关联度，所述关联度系数和关联度的选取包括如下步骤：
(a)对数据清洗后的运维数据进行参数的无量纲化；
(b)基于灰色关联分析计算关联度系数和关联度。
5.根据权利要求4所述基于机器学习的服务器运行健康度预测方法，其特征在于，步骤(b)中，令X0＝{x0(1),x0(2),...,x0(n)}为数据序列，Xi＝{xi(1),xi(2),...,xi(n)}为比较序列，两序列之间的关联度系数
Figure FDA0002646688680000011
Figure FDA0002646688680000012
的计算公式
如下：
Figure FDA0002646688680000013
式中，|x0(k)-xi(k)|为第k点x0(k)与xi(k)的绝对差；
Figure FDA0002646688680000014
为两级最小绝对差；
Figure FDA0002646688680000015
为两级最大绝对差；
ρ为分辨率系数，0<ρ<1。
6.根据权利要求4所述基于机器学习的服务器运行健康度预测方法，其特征在于，步骤(b)中，令X0＝{x0(1),x0(2),...,x0(n)}为数据序列，Xi＝{xi(1),xi(2),...,xi(n)}为比较序列，Xi序列与X0序列的关联度
Figure FDA0002646688680000021
Figure FDA0002646688680000022
7.根据权利要求2所述基于机器学习的服务器运行健康度预测方法，其特征在于，步骤(2)中，所述状态模型的构建包括如下步骤：
(a)给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值和最大学习次数M；
(b)随机选取第k个特征量的输入样本x0(k)＝(x1(k),x2(k),…,xq(k))及对应期望输出y(k)＝(y1(k),y2(k),…,yn(k))，
(c)计算隐含层各神经元的输入和输出，以及整个网络的最终输出yp(k)；
(d)利用网络期望输出yo(k)和实际输出yp(k)，计算误差函数e对输出层的各神经元的偏导δo(k)α；
(e)利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数计算隐含层各神经元的偏导数δh(k)；
(f)利用输出层各神经元的δo(k)和输入层各神经元的输入修正连接权值ωho(k)；
(g)利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权值；
(h)利用网络期望输出yo(k)和实际输出yp(k)，依据全局误差计算公式，得到全局误差E；
(i)当误差E达到预设精度值或学习次数大于设定的最大次数M，则结束BP神经网络模型训练；否则，选取下一个学习样本及对应的期望输出，返回到(c)，进入下一轮学习。
8.根据权利要求7所述基于机器学习的服务器运行健康度预测方法，其特征在于，步骤(h)中，所述全局误差的计算公式如下：
Figure FDA0002646688680000031
式中，E为全局误差，m为学习次数，q为样本数。
9.根据权利要求2所述基于机器学习的服务器运行健康度预测方法，其特征在于，步骤(3)具体包括如下步骤：
(a)取数据清洗后的70％-90％运维数据作为状态模型训练集，10％-30％数据作为状态模型测试集，给定训练集＝{(x1,y1),(x2,y2),..,(xn,yn)}，随机分配状态模型训练集和测试集进行训练，其中，x1、x2、xn为输入向量，y1、y2、yn为状态；
(b)求解二次规划问题，计算公式如下，
Figure FDA0002646688680000032
s.t.∑iαiαj＝0，αi是非负数，αi为参数向量α中位置i所在的分量，αj为参数向量α中位置j所在的分量；
求得使L达到最小值时，参数向量α对应的值为
Figure FDA0002646688680000033
其中，α*为参数向量α*的最佳值；
(c)通过参数向量α*，计算权值向量W*与偏置向量b*，
Figure FDA0002646688680000034
Figure FDA0002646688680000035
(d)构造判决边界g(x)＝(w*·x)+b*＝0，求得决策函数f(x)＝sgn(g(x))；根据决策函数输出结果，分析得出服务器健康度预测结果，其中x为训练集样本。
10.一种基于机器学习的服务器运行健康度预测系统，其特征在于：包括故障排查模块，所述故障排查模块用于根据构建的基于支持向量机的服务器状态预测模型和故障报警信息，对服务器排查故障。
CN202010856825.9A 2020-08-24 2020-08-24 一种基于机器学习的服务器运行健康度预测方法及系统 Pending CN112070283A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010856825.9A CN112070283A (zh) 2020-08-24 2020-08-24 一种基于机器学习的服务器运行健康度预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010856825.9A CN112070283A (zh) 2020-08-24 2020-08-24 一种基于机器学习的服务器运行健康度预测方法及系统

Publications (1)

Publication Number Publication Date
CN112070283A true CN112070283A (zh) 2020-12-11

Family

ID=73659933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010856825.9A Pending CN112070283A (zh) 2020-08-24 2020-08-24 一种基于机器学习的服务器运行健康度预测方法及系统

Country Status (1)

Country Link
CN (1) CN112070283A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113704071A (zh) * 2021-07-30 2021-11-26 济南浪潮数据技术有限公司 一种服务器健康状况预测的方法、装置、设备及可读介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978611A (zh) * 2015-07-06 2015-10-14 东南大学 一种基于灰色关联分析的神经网络光伏发电出力预测方法
US20200125465A1 (en) * 2018-10-23 2020-04-23 Gluesys, Co, Ltd. Automatic prediction system for server failure and method of automatically predicting server failure

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978611A (zh) * 2015-07-06 2015-10-14 东南大学 一种基于灰色关联分析的神经网络光伏发电出力预测方法
US20200125465A1 (en) * 2018-10-23 2020-04-23 Gluesys, Co, Ltd. Automatic prediction system for server failure and method of automatically predicting server failure

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
文岚;张娜;: "基于BP神经网络的广西人才需求预测实证分析", 中小企业管理与科技(下旬刊), no. 02 *
晁增福;邢小宁;: "基于BP神经网络模型的阿克苏市城市需水量预测", 能源与环境, no. 04, pages 24 - 25 *
曲方;安文超;李迎业;李忠群;: "基于GRA-SVM方法的煤与瓦斯突出预测模型研究", 中国煤炭, no. 11, pages 102 - 106 *
高宏力;刘庆杰;黄柏权;赵敏;吴希曦;寿云;: "数控机床故障预测与健康管理系统关键技术", 计算机集成制造系统, no. 10 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113704071A (zh) * 2021-07-30 2021-11-26 济南浪潮数据技术有限公司 一种服务器健康状况预测的方法、装置、设备及可读介质

Similar Documents

Publication Publication Date Title
CN111124840A (zh) 业务运维中告警的预测方法、装置与电子设备
CN105989441A (zh) 模型参数调整方法和装置
JP2018116693A5 (zh)
CN111814964A (zh) 基于空气质量状况预报的空气污染处理方法及存储介质
CN111612128A (zh) 一种sf6高压断路器状态主动预警方法及装置
US20240061562A1 (en) Machine Learning-Based Interactive Visual Monitoring Tool for High Dimensional Data Sets Across Multiple KPIs
CN112639833A (zh) 可自适应神经网络
JP2014203228A (ja) プロジェクト管理支援システム
US20210088986A1 (en) Assistance device, learning device, and plant operation condition setting assistance system
CN111126631A (zh) 网络健康判定方法及装置
CN113031983A (zh) 一种基于深度强化学习的软件智能升级方法及装置
CN112070283A (zh) 一种基于机器学习的服务器运行健康度预测方法及系统
US20180114173A1 (en) Cognitive service request dispatching
CN116383048A (zh) 软件质量信息处理方法及装置
US11494654B2 (en) Method for machine failure prediction using memory depth values
CN109977030B (zh) 一种深度随机森林程序的测试方法及设备
CN108429771B (zh) 基于突变理论的软件定义网络安全状态评估方法及装置
CN113822441B (zh) 决策模型训练方法、装置、终端设备及存储介质
US20230120977A1 (en) Technology change confidence rating
CN113934862B (zh) 社区安全风险预测方法、装置、电子设备及介质
EP4075297A1 (en) Machine learning-based interactive visual monitoring tool for high dimensional data sets across multiple kpis
CN113377595B (zh) 故障诊断方法、装置、电子设备和存储介质
CN115494397A (zh) 一种基于bp神经网络的ups状态评估方法、装置及存储介质
CN110765486B (zh) 一种资产故障识别方法
CN111565118A (zh) 基于多观测维度hmm的虚拟化网元故障分析方法及系统

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