CN115510927A - 故障检测方法、装置及设备 - Google Patents
故障检测方法、装置及设备 Download PDFInfo
- Publication number
- CN115510927A CN115510927A CN202110618469.1A CN202110618469A CN115510927A CN 115510927 A CN115510927 A CN 115510927A CN 202110618469 A CN202110618469 A CN 202110618469A CN 115510927 A CN115510927 A CN 115510927A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- information entropy
- fusion
- monitoring
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 117
- 230000004927 fusion Effects 0.000 claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 230000006872 improvement Effects 0.000 description 9
- 239000000523 sample Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Abstract
本发明公开了一种故障检测方法、装置及设备，该方法包括：根据预设的多个维度，对监测数据进行分解，得到分解数据；其中，监测数据是通过对待检测设备进行监测得到的；对分解数据进行去噪处理，得到去噪处理后的分解数据，以及对去噪处理后的分解数据进行融合，得到融合数据；分别根据融合数据中各类别数据的数据量占融合数据总数据量的比值以及监测数据中各类别数据的数据量占监测数据总数据量的比值，确定融合数据对应的信息熵以及监测数据对应的信息熵；根据融合数据对应的信息熵以及监测数据对应的信息熵，确定待检测设备是否为故障设备。
Description
技术领域
本发明涉及检测领域，尤其涉及一种故障检测方法、装置及设备。
背景技术
随着虚拟化技术、存储技术的迅速发展以及互联网的成功，计算资源比以往任何时候都更便宜、更强大、更普及，云计算也随之产生。在云计算中，用户可以按需通过互联网租用以及释放资源(如CPU、存储空间等)。由于成本低、便捷性高，云计算的应用领域越来越广泛，相应地，人们对云计算服务的可用性有了较高的要求，希望能获得不间断地云计算服务。由于无法彻底避免提供云计算服务的设备发生故障，因此，只能在提供云计算服务的设备故障后，尽快检测出该故障的设备，并对该设备进行修复，以减少该设备故障的时间以及减小因该设备故障影响的范围。
相关技术中，提出了一种基于性能数据的故障检测方法，可以根据提供云计算服务的设备故障时的性能数据(如CPU、内存、硬盘、日志等)建立故障检测模型，并以此模型来检测云计算系统中的设备是否为故障设备。
虽然相关技术可以从云计算系统中检测出故障设备，但是，相关技术使用的模型是直接根据已知故障设备或人工标注的故障设备的性能数据训练而来，因此，相关技术使用的模型没有识别未知类型故障的能力，由于云计算系统是动态多变的，因此，云计算系统中容易出现相关技术中的模型无法识别的故障，此时，相关技术识别故障设备的准确率较低。
发明内容
本发明实施例提供一种故障检测方法、装置及设备，以解决相关技术识别故障设备的准确率较低的问题。
为了解决上述技术问题，本发明是这样实现的：
第一方面，提供了一种故障检测方法，所述方法包括：
根据预设的多个维度，对监测数据进行分解，得到分解数据；其中，所述监测数据是通过对待检测设备进行监测得到的；
对所述分解数据进行去噪处理，得到去噪处理后的分解数据，以及对所述去噪处理后的分解数据进行融合，得到融合数据；
分别根据所述融合数据中各类别数据的数据量占所述融合数据总数据量的比值以及所述监测数据中各类别数据的数据量占所述监测数据总数据量的比值，确定所述融合数据对应的信息熵以及所述监测数据对应的信息熵；
根据所述融合数据对应的信息熵以及所述监测数据对应的信息熵，确定所述待检测设备是否为故障设备。
第二方面，提供了一种故障检测装置，所述装置包括：
分解模块，用于根据预设的多个维度，对监测数据进行分解，得到分解数据；其中，所述监测数据是通过对待检测设备进行监测得到的；
去噪模块，用于对所述分解数据进行去噪处理，得到去噪处理后的分解数据，以及对所述去噪处理后的分解数据进行融合，得到融合数据；
信息熵确定模块，用于分别根据所述融合数据中各类别数据的数据量占所述融合数据总数据量的比值以及所述监测数据中各类别数据的数据量占所述监测数据总数据量的比值，确定所述融合数据对应的信息熵以及所述监测数据对应的信息熵；
故障设备确定模块，用于根据所述融合数据对应的信息熵以及所述监测数据对应的信息熵，确定所述待检测设备是否为故障设备。
第三方面，提供了一种设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述第一方面所述的方法的步骤。
第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方法的步骤。
本发明实施例提供的上述至少一个技术方案可以达到如下技术效果：
在检测设备是否为故障设备时，可以先通过对该待检测设备的监测得到监测数据，以及对该监测数据进行分解、去噪以及融合，得到融合数据，然后，确定监测数据以及融合数据的信息熵，并根据监测数据以及融合数据的信息熵来确定该检测数据是否为故障数据。由于不再基于通过已知故障设备的性能数据训练的模型来检测故障设备，而是可以通过监测数据的信息熵以及监测数据对应的去噪后的融合数据的信息熵来检测故障设备，因此，可以有效识别未知类型的故障，从而有效解决现有技术的问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明一个实施例提供的故障检测方法的流程示意图；
图2为本发明一个实施例提供的故障检测方法的一个应用场景图；
图3为本发明一个实施例提供的故障检测装置300的模块组成示意图；
图4为本发明一个实施例提供的故障检测设备的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下结合附图，详细说明本发明各实施例提供的技术方案。
请参见图1，图1为本发明一个实施例提供的故障检测方法的流程示意图，如图1所示，该方法包括以下步骤：
步骤102：根据预设的多个维度，对监测数据进行分解，得到分解数据；其中，监测数据是通过对待检测设备进行监测得到的。
步骤104：对分解数据进行去噪处理，得到去噪处理后的分解数据，以及对去噪处理后的分解数据进行融合，得到融合数据。
步骤106：分别根据融合数据中各类别数据的数据量占融合数据总数据量的比值以及监测数据中各类别数据的数据量占监测数据总数据量的比值，确定融合数据对应的信息熵以及监测数据对应的信息熵。
步骤108：根据融合数据对应的信息熵以及监测数据对应的信息熵，确定待检测设备是否为故障设备。
在本发明实施例中，待检测设备可以为云计算系统中用于提供云计算服务的设备。其中，若云计算系统是由设备集群，如服务器集群，组成的，则待检测设备可以为设备集群中的节点，如服务器集群中的节点。
在本发明实施例中，可以对待检测设备进行监测，获得监测数据。其中，在对待检测设备进行监测时，可以以预设的周期进行周期性的监测。
在一个实施例中，待检测设备的监测数据可以至少包括以下之一：待检测设备的设备性能数据、通过待检测设备的接口访问的虚拟资源数据，以及虚拟资源数据的承载设备的设备性能数据。其中，设备性能数据可以至少包括以下之一：内存数据、CPU数据、硬盘数据、设备编号以及设备型号。
在一个示例中，在对待检测设备进行监测时，可以利用数据采集探针、存储虚拟化控制工具以及SNMP(Simple Network Management Protocol，简单网络管理协议)协议来进行采集。
其中，可以通过存储虚拟化控制工具以及SNMP协议来获取待检测设备的设备性能数据；可以通过存储虚拟化控制工具采集待检测设备的日志，并结合部署的主动式数据采集探针，如VMware vSphere接口开发数据源探针，来实现对通过待检测设备的接口访问的虚拟资源数据，即云计算系统资源池内的虚拟资源(计算资源、存储资源、网络资源)，以及虚拟资源的承载设备，即承载虚拟资源的主机设备、网络设备等设备的设备性能数据。
在通过对待检测设备的监测得到监测数据后，可以根据预设的多个维度，对监测数据进行分解，得到分解数据。
在一个实施例中，分解数据可以包括大小不同的变化域以及与各变换域对应的干扰数据，其中，干扰数据用于表征其对应的变换域被所在维度的数据干扰的程度。
在一个示例中，在根据预设的多个维度对监测数据进行分解时，监测数据可以表示为：
s(t)＝f(t)+δ*e(t)
其中，f(t)表示分解得到的大小不同的变化域；e(t)表示与f(t)对应的干扰数据，并用于表征其对应的变换域，即f(t)，被所在维度的数据干扰的程度；δ用于表示e(t)对应的干扰系数，用于对干扰数据进行限制。
在本实施例中，在对s(t)进行适当尺度的分解得到不同大小的变换域时，干扰因子e(t)的小波系数相对较大，这样采用阈值消除干扰数据e(t)对应的小波系数，进而消除干扰以实现对分解数据的去噪处理。
在本实施例中，在对分解数据进行去噪处理时，可以根据预设的干扰消除公式，以及干扰阈值，对分解数据中与变换域对应的干扰数据进行处理。
在一个示例中，预设的干扰消除公式可以为：
其中，wj,k为噪声的小波系数。
通过预设的干扰消除公式可以获得干扰系数δ的值，并可以通过干扰系数δ来对干扰数据进行限制和消除，以实现对去噪。
在对分解数据进行去噪处理后，可以得到去噪处理后的分解数据。然后，可以对得到的去噪处理后的分解数据进行融合，得到融合数据。
在一个实施例中，在对去噪处理后的分解数据进行融合时，可以对应着上述分解过程，根据去噪处理后的分解数据对应的维度来进行数据融合。由于根据已知的多个维度来对数据进行对应融合为现有技术，因此，本实施例在此不再赘述。
在得到融合数据后，可以分别根据融合数据中各类别数据的数据量占融合数据总数据量的比值以及监测数据中各类别数据的数据量占监测数据总数据量的比值，来确定融合数据对应的信息熵以及监测数据对应的信息熵。
在本发明实施例中，信息熵表示某信息出现的概率，该信息越是确定，则信息熵越低，反之亦然。所以，信息熵可以用来确定信息不确定性程度。
标定：IS＝(U,A,V,f)为信息系统，其中，U表示非空有限集，称为论域；A为有限属性集；V＝Ua∈AVa，VA为属性a的值域；f:U×A→V为信息函数。对于
a∈A,f(x,a)∈Va，任意属性子集B属于A决定一个二元不可区分关系IND(B)，表示为：
IND(B)构成了U的一个划分，称为U上的一个知识，其中每个等价类称为一个知识粒。
标定：IS＝(U,A,V,f)为信息系统，U/A＝(X1,X2,...,Xm)，则A的信息熵，表示为：
其中，
由上述内容可知，信息熵的计算与特征值数量和具体数据没有关系，只需要得到每个分类类别对应的概率，并可以根据得到的概率来求出当前状态下的信息熵。
在一个示例中，在分别根据融合数据中各类别数据的数据量占融合数据总数据量的比值以及监测数据中各类别数据的数据量占监测数据总数据量的比值，确定融合数据对应的信息熵以及监测数据对应的信息熵时，可以根据融合数据中各类别数据的数据量占融合数据总数据量的比值和最大似然估计法确定融合数据对应的信息熵，以及根据监测数据中各类别数据的数据量占监测数据总数据量的比值和最大似然估计法确定监测数据对应的信息熵。
在得到融合数据对应的信息熵以及监测数据对应的信息熵后，可以确定待检测设备是否为故障设备。
在一个发明实施例中，在融合数据对应的信息熵大于监测数据对应的信息熵的情况下，可以确定待检测数据为故障设备；在融合数据对应的信息熵不大于监测数据对应的信息熵的情况下，可以确定待检测数据不为故障设备。
在一个示例中，考虑到故障会随着服务器节点信息传递而传播，因此，需要将可疑点进行隔离处理。云计算环境由服务器集群构成，若在监测过程中将每个可疑节点立即隔离，则易造成服务器集群瘫痪。因此，可以利用邻居协作的方式对可疑节点进一步确认。
在本示例中，在融合数据对应的信息熵大于监测数据对应的信息熵的情况下，可以确定待检测设备是否在预设时间内响应指定设备发送的消息，其中，指定设备与待检测设备的距离小于预设的距离阈值。当待检测设备在预设时间内未响应指定设备发送的消息的情况时，可以确定待检测设备为故障设备。
在本发明实施例中，在确定待检测设备是否为故障设备之后，还可以进一步进行故障诊断，得到具体故障类型。
在一个发明实施例中，可以根据决策树算法以及融合数据，来确定待检测设备的故障类型。
其中，在根据决策树算法以及融合数据，来确定待检测设备的故障类型之前，还可以先使用线性函数对融合数据进行线性拟合，以及将无法进行线性拟合的融合数据映射到高维特征空间，建立高维特征拟合模型，并通过求解高维特征拟合模型的拉格朗日对偶值得到目标函数，然后，根据目标函数对无法进行线性拟合的融合数据进行拟合，删除此次拟合失败的融合数据，得到目标融合数据。
在一个示例中，在确定故障类型之前，可以先除去不需要和重复的数据，可以假定训练样本为(xi,yi),i＝1,2,...,然后，svm回归可以使用线性函数对融合数据进行拟合，对于无法用线性函数拟合的融合数据，可以映射到高维特征空间，在高维特征空间中建立线性模型f(x,r)＝(rgo(x))+b，其中，o(x)是将样本点映射到高维空间的非线性变换，r为与o(x)对应的预先设置的系数值。SVM可以表示为：
yi-f(xi,w)≤ε+ξi,i＝1,2,...
其中，||w||2代表与模型复杂度相关的因素，Cf 0为惩罚系数，控制对超出误差样本的惩罚程度，ε为不敏感函数，其取值大小影响支持向量的数目，ξi、
为松弛变量，表示样本偏离ε不敏感区域的程度。
通过求解上述模型的拉格朗日对偶问题，得到目标函数。由于该内容可以基于现有技术来实现，因此，本发明实施例对此不再赘述。
在得到目标函数后，可以根据目标函数对无法进行线性拟合的融合数据进行拟合，删除此次拟合失败的融合数据，得到目标融合数据。
在得到目标融合数据后，可以根据决策树算法以及目标融合数据，来确定待检测设备的故障类型。
例如，可以如图2所示，根据决策树算法以及目标融合数据，来分别根据响应时间(秒)、宽带使用率、存储器使用率、平均负载率、MIPS(Million Instructions Per Second，单字长定点指令平均执行速度)负载率、RAM(random access memory，随机存取存储器)负载率以及对应的预设阈值，来进一步判断故障类型是服务器无法启动、服务器死机、还是服务器频繁重启。
在检测设备是否为故障设备时，可以先通过对该待检测设备的监测得到监测数据，以及对该监测数据进行分解、去噪以及融合，得到融合数据，然后，确定监测数据以及融合数据的信息熵，并根据监测数据以及融合数据的信息熵来确定该检测数据是否为故障数据。由于不再基于通过已知故障设备的性能数据训练的模型来检测故障设备，而是可以通过监测数据的信息熵以及监测数据对应的去噪后的融合数据的信息熵来检测故障设备，因此，可以有效识别未知类型的故障，从而有效解决现有技术的问题。
对应上述故障检测方法，本发明实施例还提供了一种故障检测装置，图3为本发明实施例提供的故障检测模块300组成示意图，如图3所示，该故障检测装置300包括：
分解模块301，用于根据预设的多个维度，对监测数据进行分解，得到分解数据；其中，所述监测数据是通过对待检测设备进行监测得到的；
去噪模块302，用于对所述分解数据进行去噪处理，得到去噪处理后的分解数据，以及对所述去噪处理后的分解数据进行融合，得到融合数据；
信息熵确定模块303，用于分别根据所述融合数据中各类别数据的数据量占所述融合数据总数据量的比值以及所述监测数据中各类别数据的数据量占所述监测数据总数据量的比值，确定所述融合数据对应的信息熵以及所述监测数据对应的信息熵；
故障设备确定模块304，用于根据所述融合数据对应的信息熵以及所述监测数据对应的信息熵，确定所述待检测设备是否为故障设备。。
可选的，所述监测数据至少包括以下之一：所述待检测设备的设备性能数据、通过所述待检测设备的接口访问的虚拟资源数据，以及所述虚拟资源数据的承载设备的设备性能数据；其中，所述设备性能数据至少包括以下之一：内存数据、CPU数据、硬盘数据、设备编号、设备型号。
可选的，所述分解数据包括大小不同的变换域，以及与各变换域对应的干扰数据；所述干扰数据用于表征其对应的变换域被所在维度的数据干扰的程度；
所述去噪模块302用于：
根据预设的干扰消除公式，以及干扰阈值，对所述分解数据中与所述变换域对应的干扰数据进行处理。
可选的，所述信息熵确定模块303用于：
根据所述融合数据中各类别数据的数据量占所述融合数据总数据量的比值和最大似然估计法确定所述融合数据对应的信息熵，以及根据所述监测数据中各类别数据的数据量占所述监测数据总数据量的比值和最大似然估计法确定所述监测数据对应的信息熵。
可选的，所述故障设备确定模块304用于：
在所述融合数据对应的信息熵大于所述监测数据对应的信息熵的情况下，确定所述待检测数据为故障设备；
在所述融合数据对应的信息熵不大于所述监测数据对应的信息熵的情况下，确定所述待检测数据不为故障设备。
可选的，所述故障设备确定模块304进一步用于：
在所述融合数据对应的信息熵大于所述监测数据对应的信息熵的情况下，确定所述待检测设备是否在预设时间内响应指定设备发送的消息；其中，所述指定设备与所述待检测设备的距离小于预设的距离阈值；
当所述待检测设备在预设时间内未响应指定设备发送的消息的情况时，确定所述待检测设备为故障设备。
可选的，所述装置还包括(图3中未示出)：
故障类型确定模块305，用于在确定所述待检测设备是否为故障设备之后，根据决策树算法以及所述融合数据，确定所述待检测设备的故障类型。
可选的，所述装置还包括(图3中未示出)：
拟合模块306，用于在所述根据决策树算法以及所述融合数据，确定所述待检测设备的故障类型之前，使用线性函数对所述融合数据进行线性拟合；
目标函数获取模块307，用于将无法进行线性拟合的所述融合数据映射到高维特征空间，建立高维特征拟合模型，并通过求解所述高维特征拟合模型的拉格朗日对偶值得到目标函数；
删除模块308，用于根据所述目标函数对所述无法进行线性拟合的所述融合数据进行拟合，删除此次拟合失败的所述融合数据，得到目标融合数据；
所述故障类型确定模块305用于：
根据决策树算法以及所述融合数据中的所述目标融合数据，确定所述待检测设备的故障类型。
本实施例在检测设备是否为故障设备时，可以先通过对该待检测设备的监测得到监测数据，以及对该监测数据进行分解、去噪以及融合，得到融合数据，然后，确定监测数据以及融合数据的信息熵，并根据监测数据以及融合数据的信息熵来确定该检测数据是否为故障数据。由于不再基于通过已知故障设备的性能数据训练的模型来检测故障设备，而是可以通过监测数据的信息熵以及监测数据对应的去噪后的融合数据的信息熵来检测故障设备，因此，可以有效识别未知类型的故障，从而有效解决现有技术的问题。
对应上述故障检测方法，本发明实施例还提供了一种故障检测设备，图4为本发明一个实施例提供的故障检测设备的硬件结构示意图。
该故障检测设备可以为上述实施例提供的用于检测故障的终端设备或服务器等。
故障检测设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器401和存储器402，存储器402中可以存储有一个或一个以上存储应用程序或数据。其中，存储器402可以是短暂存储或持久存储。存储在存储器402的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对故障检测设备中的一系列计算机可执行指令。更进一步地，处理器401可以设置为与存储器402通信，在故障检测设备上执行存储器402中的一系列计算机可执行指令。故障检测设备还可以包括一个或一个以上电源403，一个或一个以上有线或无线网络接口404，一个或一个以上输入输出接口405，一个或一个以上键盘406。
具体在本实施例中，故障检测设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对故障检测设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行上述实施例。
本实施例中的故障检测设备在检测设备是否为故障设备时，可以先通过对该待检测设备的监测得到监测数据，以及对该监测数据进行分解、去噪以及融合，得到融合数据，然后，确定监测数据以及融合数据的信息熵，并根据监测数据以及融合数据的信息熵来确定该检测数据是否为故障数据。由于不再基于通过已知故障设备的性能数据训练的模型来检测故障设备，而是可以通过监测数据的信息熵以及监测数据对应的去噪后的融合数据的信息熵来检测故障设备，因此，可以有效识别未知类型的故障，从而有效解决现有技术的问题。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明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，本发明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。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种故障检测方法，其特征在于，所述方法包括：
根据预设的多个维度，对监测数据进行分解，得到分解数据；其中，所述监测数据是通过对待检测设备进行监测得到的；
对所述分解数据进行去噪处理，得到去噪处理后的分解数据，以及对所述去噪处理后的分解数据进行融合，得到融合数据；
分别根据所述融合数据中各类别数据的数据量占所述融合数据总数据量的比值以及所述监测数据中各类别数据的数据量占所述监测数据总数据量的比值，确定所述融合数据对应的信息熵以及所述监测数据对应的信息熵；
根据所述融合数据对应的信息熵以及所述监测数据对应的信息熵，确定所述待检测设备是否为故障设备。
2.根据权利要求1所述的方法，其特征在于，所述监测数据至少包括以下之一：所述待检测设备的设备性能数据、通过所述待检测设备的接口访问的虚拟资源数据，以及所述虚拟资源数据的承载设备的设备性能数据；其中，所述设备性能数据至少包括以下之一：内存数据、CPU数据、硬盘数据、设备编号、设备型号。
3.根据权利要求1所述的方法，其特征在于，所述分解数据包括大小不同的变换域，以及与各变换域对应的干扰数据；所述干扰数据用于表征其对应的变换域被所在维度的数据干扰的程度；
所述对所述分解数据进行去噪处理，包括：
根据预设的干扰消除公式，以及干扰阈值，对所述分解数据中与所述变换域对应的干扰数据进行处理。
4.根据权利要求1所述的方法，其特征在于，所述分别根据所述融合数据中各类别数据的数据量占所述融合数据总数据量的比值以及所述监测数据中各类别数据的数据量占所述监测数据总数据量的比值，确定所述融合数据对应的信息熵以及所述监测数据对应的信息熵，包括：
根据所述融合数据中各类别数据的数据量占所述融合数据总数据量的比值和最大似然估计法确定所述融合数据对应的信息熵，以及根据所述监测数据中各类别数据的数据量占所述监测数据总数据量的比值和最大似然估计法确定所述监测数据对应的信息熵。
5.根据权利要求1所述的方法，其特征在于，所述根据所述融合数据对应的信息熵以及所述监测数据对应的信息熵，确定所述待检测设备是否为故障设备，包括：
在所述融合数据对应的信息熵大于所述监测数据对应的信息熵的情况下，确定所述待检测数据为故障设备；
在所述融合数据对应的信息熵不大于所述监测数据对应的信息熵的情况下，确定所述待检测数据不为故障设备。
6.根据权利要求5所述的方法，其特征在于，所述在所述融合数据对应的信息熵大于所述监测数据对应的信息熵的情况下，确定所述待检测数据为故障设备，包括：
在所述融合数据对应的信息熵大于所述监测数据对应的信息熵的情况下，确定所述待检测设备是否在预设时间内响应指定设备发送的消息；其中，所述指定设备与所述待检测设备的距离小于预设的距离阈值；
当所述待检测设备在预设时间内未响应指定设备发送的消息的情况时，确定所述待检测设备为故障设备。
7.根据权利要求1所述的方法，其特征在于，在确定所述待检测设备是否为故障设备之后，所述方法还包括：
根据决策树算法以及所述融合数据，确定所述待检测设备的故障类型。
8.根据权利要求7所述的方法，其特征在于，所述根据决策树算法以及所述融合数据，确定所述待检测设备的故障类型之前，所述方法还包括：
使用线性函数对所述融合数据进行线性拟合；
将无法进行线性拟合的所述融合数据映射到高维特征空间，建立高维特征拟合模型，并通过求解所述高维特征拟合模型的拉格朗日对偶值得到目标函数；
根据所述目标函数对所述无法进行线性拟合的所述融合数据进行拟合，删除此次拟合失败的所述融合数据，得到目标融合数据；
所述根据决策树算法以及所述融合数据，确定所述待检测设备的故障类型，包括：
根据决策树算法以及所述融合数据中的所述目标融合数据，确定所述待检测设备的故障类型。
9.一种故障检测装置，其特征在于，所述装置包括：
分解模块，用于根据预设的多个维度，对监测数据进行分解，得到分解数据；其中，所述监测数据是通过对待检测设备进行监测得到的；
去噪模块，用于对所述分解数据进行去噪处理，得到去噪处理后的分解数据，以及对所述去噪处理后的分解数据进行融合，得到融合数据；
信息熵确定模块，用于分别根据所述融合数据中各类别数据的数据量占所述融合数据总数据量的比值以及所述监测数据中各类别数据的数据量占所述监测数据总数据量的比值，确定所述融合数据对应的信息熵以及所述监测数据对应的信息熵；
故障设备确定模块，用于根据所述融合数据对应的信息熵以及所述监测数据对应的信息熵，确定所述待检测设备是否为故障设备。
10.一种设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110618469.1A CN115510927B (zh) | 2021-06-03 | 2021-06-03 | 故障检测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110618469.1A CN115510927B (zh) | 2021-06-03 | 2021-06-03 | 故障检测方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115510927A true CN115510927A (zh) | 2022-12-23 |
| CN115510927B CN115510927B (zh) | 2024-04-12 |
Family
ID=84499925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110618469.1A Active CN115510927B (zh) | 2021-06-03 | 2021-06-03 | 故障检测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115510927B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102495343A (zh) * | 2011-12-30 | 2012-06-13 | 重庆大学 | 基于超声与紫外信息融合的局部放电检测识别方法及系统 |
| US20140189436A1 (en) * | 2013-01-02 | 2014-07-03 | Tata Consultancy Services Limited | Fault detection and localization in data centers |
| CN104330255A (zh) * | 2014-11-04 | 2015-02-04 | 徐州隆安光电科技有限公司 | 一种基于多传感器信息融合的齿轮故障诊断方法 |
| US20160189050A1 (en) * | 2013-08-05 | 2016-06-30 | Abb Technology Ag | Method for condition monitoring of a distributed drive-train |
| CN106249101A (zh) * | 2016-06-30 | 2016-12-21 | 湖南大学 | 一种智能配电网故障辨识方法 |
| WO2017063530A1 (zh) * | 2015-10-15 | 2017-04-20 | 阿里巴巴集团控股有限公司 | 动作信息识别方法和系统 |
| CN107007278A (zh) * | 2017-04-25 | 2017-08-04 | 中国科学院苏州生物医学工程技术研究所 | 基于多参数特征融合的自动睡眠分期方法 |
| CN107083957A (zh) * | 2017-05-25 | 2017-08-22 | 电子科技大学 | 钻井液随钻信号的泵冲干扰消除方法及系统 |
| CN107316321A (zh) * | 2017-06-22 | 2017-11-03 | 电子科技大学 | 多特征融合目标跟踪方法及基于信息熵的权值自适应方法 |
| CN108984376A (zh) * | 2018-05-31 | 2018-12-11 | 阿里巴巴集团控股有限公司 | 一种系统异常检测方法、装置及设备 |
| CN109063886A (zh) * | 2018-06-12 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种异常检测方法、装置以及设备 |
| US20200233735A1 (en) * | 2019-01-22 | 2020-07-23 | International Business Machines Corporation | Performance anomaly detection |
| CN112036087A (zh) * | 2020-09-02 | 2020-12-04 | 哈尔滨工程大学 | 一种多策略融合的核动力关键设备故障诊断方法及系统 |
-
2021
- 2021-06-03 CN CN202110618469.1A patent/CN115510927B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102495343A (zh) * | 2011-12-30 | 2012-06-13 | 重庆大学 | 基于超声与紫外信息融合的局部放电检测识别方法及系统 |
| US20140189436A1 (en) * | 2013-01-02 | 2014-07-03 | Tata Consultancy Services Limited | Fault detection and localization in data centers |
| US20160189050A1 (en) * | 2013-08-05 | 2016-06-30 | Abb Technology Ag | Method for condition monitoring of a distributed drive-train |
| CN104330255A (zh) * | 2014-11-04 | 2015-02-04 | 徐州隆安光电科技有限公司 | 一种基于多传感器信息融合的齿轮故障诊断方法 |
| WO2017063530A1 (zh) * | 2015-10-15 | 2017-04-20 | 阿里巴巴集团控股有限公司 | 动作信息识别方法和系统 |
| CN106249101A (zh) * | 2016-06-30 | 2016-12-21 | 湖南大学 | 一种智能配电网故障辨识方法 |
| CN107007278A (zh) * | 2017-04-25 | 2017-08-04 | 中国科学院苏州生物医学工程技术研究所 | 基于多参数特征融合的自动睡眠分期方法 |
| CN107083957A (zh) * | 2017-05-25 | 2017-08-22 | 电子科技大学 | 钻井液随钻信号的泵冲干扰消除方法及系统 |
| CN107316321A (zh) * | 2017-06-22 | 2017-11-03 | 电子科技大学 | 多特征融合目标跟踪方法及基于信息熵的权值自适应方法 |
| CN108984376A (zh) * | 2018-05-31 | 2018-12-11 | 阿里巴巴集团控股有限公司 | 一种系统异常检测方法、装置及设备 |
| CN109063886A (zh) * | 2018-06-12 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种异常检测方法、装置以及设备 |
| US20200233735A1 (en) * | 2019-01-22 | 2020-07-23 | International Business Machines Corporation | Performance anomaly detection |
| CN112036087A (zh) * | 2020-09-02 | 2020-12-04 | 哈尔滨工程大学 | 一种多策略融合的核动力关键设备故障诊断方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 程莹 等: ""云环境下服务器故障自适应诊断算法研究"", 《软件导刊》, vol. 17, no. 9, pages 72 - 76 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115510927B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109214632B (zh) | 一种风险控制方法及设备 | |
| CN113297396B (zh) | 基于联邦学习的模型参数更新方法、装置及设备 | |
| CN114819614A (zh) | 数据处理方法、装置、系统及设备 | |
| CN115712866A (zh) | 数据处理方法、装置及设备 | |
| CN111753328B (zh) | 隐私数据的泄露风险检测方法及系统 | |
| CN111538925B (zh) | 统一资源定位符url指纹特征的提取方法及装置 | |
| CN115545572B (zh) | 一种业务风控的方法、装置、设备及存储介质 | |
| CN112491816A (zh) | 业务数据处理方法及装置 | |
| CN115567371B (zh) | 一种异常检测方法、装置、设备及可读存储介质 | |
| CN110443007B (zh) | 一种多媒体数据的溯源检测方法、装置及设备 | |
| CN115510927B (zh) | 故障检测方法、装置及设备 | |
| CN116402165A (zh) | 一种算子检测的方法、装置、存储介质以及电子设备 | |
| CN116664514A (zh) | 数据处理方法、装置及设备 | |
| CN107368281B (zh) | 一种数据处理方法及装置 | |
| CN115618748A (zh) | 一种模型优化的方法、装置、设备及存储介质 | |
| CN114638998A (zh) | 模型更新方法、装置、系统及设备 | |
| KR102216281B1 (ko) | 딥 러닝 칩을 검출하는 방법, 장치, 전자 기기 및 컴퓨터 저장 매체 | |
| CN115034367A (zh) | 一种模型部署的方法及装置 | |
| CN111242195B (zh) | 模型、保险风控模型训练方法、装置及电子设备 | |
| CN109325127B (zh) | 一种风险识别方法和装置 | |
| CN115828171B (zh) | 一种端云协同执行业务的方法、装置、介质及设备 | |
| US20180197092A1 (en) | Predictive analytics for failure detection | |
| CN115795342B (zh) | 一种业务场景分类的方法、装置、存储介质及电子设备 | |
| CN113220801B (zh) | 一种结构化数据分类方法、装置、设备及介质 | |
| CN115545938B (zh) | 一种执行风险识别业务的方法、装置、存储介质及设备 |
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 |