CN116192608A - 云手机故障预测方法、装置以及设备 - Google Patents
云手机故障预测方法、装置以及设备 Download PDFInfo
- Publication number
- CN116192608A CN116192608A CN202310092230.4A CN202310092230A CN116192608A CN 116192608 A CN116192608 A CN 116192608A CN 202310092230 A CN202310092230 A CN 202310092230A CN 116192608 A CN116192608 A CN 116192608A
- Authority
- CN
- China
- Prior art keywords
- mobile phone
- sample
- cloud mobile
- cloud
- historical
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 239000013598 vector Substances 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims description 50
- 230000015654 memory Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000012407 engineering method Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
- H04M1/72406—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality by software upgrading or downloading
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Telephone Function (AREA)
Abstract
本公开提供了一种云手机故障预测方法、装置以及设备,涉及人工智能技术领域,具体为深度学习技术领域,可应用于云手机资源管理或运维平台中。该方法的一具体实施方式包括:获取云手机在当前时间段内的特征向量序列;将特征向量序列输入至云手机故障预测模型,得到云手机在未来时间段内的故障率。该实施方式能够提前对可能出现故障的云手机进行预警,以便运维工作可以在云手机出现故障之前介入,降低云手机的故障率,保障云手机服务的可靠性和稳定性。
Description
技术领域
本公开涉及人工智能技术领域,具体为深度学习技术领域,可应用于云手机资源管理或运维平台中。
背景技术
云手机作为一种新型应用,可以基于ARM(Advanced RISC Machines,高级精简指令集机器)服务器架构以及虚拟化技术,通过在云端虚拟的原生手机实例,面向用户在游戏、移动办公、广告、人工智能物联网、工业互联网等场景下提供高效的稳定服务。然而,随着云手机业务的发展,面对数百万云手机资源实例的管理,云手机出现故障成为了日常不可避免的问题,这不仅增加了云手机的运维工作难度,而且会严重影响服务稳定和产品使用体验。
目前,云手机服务异常检测方法通常是由运维人员或者开发人员定义一个时间窗口,在这个时间窗口中,若一直监听不到云手机的服务心跳,则预警云手机出现了故障。
发明内容
本公开实施例提出了一种云手机故障预测方法、装置、设备、存储介质以及程序产品。
第一方面,本公开实施例提出了一种云手机故障预测模型训练方法,包括:获取样本云手机在第一历史时间段内的样本特征向量序列;获取样本云手机在第二历史时间段内的样本故障标签,其中,第二历史时间段在第一历史时间段之后;将样本特征向量序列作为输入,将样本故障标签作为输出,对长短期记忆网络LSTM进行训练,得到云手机故障预测模型。
第二方面,本公开实施例提出了一种云手机故障预测方法,包括:获取云手机在当前时间段内的特征向量序列;将特征向量序列输入至云手机故障预测模型,得到云手机在未来时间段内的故障率,其中,云手机故障预测模型是采用第一方面所述的方法训练得到的。
第三方面,本公开实施例提出了一种云手机故障预测模型训练装置,包括:第一获取模块,被配置成获取样本云手机在第一历史时间段内的样本特征向量序列;第二获取模块,被配置成获取样本云手机在第二历史时间段内的样本故障标签,其中,第二历史时间段在第一历史时间段之后;训练模块,被配置成将样本特征向量序列作为输入,将样本故障标签作为输出,对长短期记忆网络LSTM进行训练,得到云手机故障预测模型。
第四方面,本公开实施例提出了一种云手机故障预测装置,包括:获取模块,被配置成获取云手机在当前时间段内的特征向量序列;预测模块,被配置成将特征向量序列输入至云手机故障预测模型,得到云手机在未来时间段内的故障率,其中,云手机故障预测模型是采用第三方面所述的装置训练得到的。
第五方面,本公开实施例提出了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法或第二方面中任一实现方式描述的方法。
第六方面,本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法或第二方面中任一实现方式描述的方法。
第七方面,本公开实施例提出了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法或第二方面中任一实现方式描述的方法。
本公开实施例提供的云手机故障预测方法,为了提高云手机故障的运维效率,降低云手机故障对服务的影响,利用云手机故障预测模型预测云手机在未来一段时间出现故障的概率,能够提前对可能出现故障的云手机进行预警,以便运维工作可以在云手机出现故障之前介入,降低云手机的故障率,保障云手机服务的可靠性和稳定性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开的云手机故障预测模型训练方法的一个实施例的流程图;
图2是云手机故障预测模型的结构图;
图3是根据本公开的云手机故障预测模型训练方法的又一个实施例的流程图;
图4是根据本公开的云手机故障预测方法的一个实施例的流程图;
图5是云手机故障预测模型的训练预测流程图;
图6是云手机故障预测模型的应用架构图;
图7是根据本公开的云手机故障预测模型训练装置的一个实施例的结构示意图;
图8是根据本公开的云手机故障预测装置的一个实施例的结构示意图;
图9是用来实现本公开实施例的云手机故障预测模型训练方法或云手机故障预测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的云手机故障预测模型训练方法的一个实施例的流程图。该云手机故障预测模型训练方法包括以下步骤:
步骤101,获取样本云手机在第一历史时间段内的样本特征向量序列。
在本实施例中,云手机故障预测模型训练方法的执行主体可以获取样本云手机在第一历史时间段内的样本特征向量序列。
通常,上述执行主体是云服务器,其上搭建有大量云手机。云手机是虚拟手机,其应用在云服务器上运行,产生的数据也保存在云服务器上。样本云手机可以是云服务器上搭建的至少部分云手机,因此,上述执行主体能够从其保存的数据中采集样本云手机在第一历史时间段内的历史特征数据,并根据数据特征工程的方法对历史特征数据进行处理,得到样本特征向量序列[X1,X2…Xt]。其中,历史特征数据可以包括云手机物理设备性能相关特征数据和云手机服务监听特征数据。云手机物理设备性能相关特征数据可以包括但不限于以下至少一项:内存使用率C、磁盘使用率D和网络延迟N(单位毫秒)等。云手机服务监听特征数据可以包括服务距离上一次心跳的时间S(单位秒)。
由于本申请利用LSTM(Long Short-Term Memory,长短期记忆网络)训练云手机故障预测模型,因此,样本特征向量序列[X1,X2…Xt]的t值依赖LSTM的输入神经元的个数。由于样本特征向量序列本质上属于时间序列,而作为一种特殊的循环神经网络,LSTM非常适合应用于时间序列的预测。LSTM与一般的前馈神经网络不同,LSTM可以利用时间序列对输入进行分析。简而言之,当使用前馈神经网络时,神经网络会认为T时刻输入的内容与T+1时刻输入的内容完全无关。而LSTM合理运用T时刻或之前的输入来处理T+n时刻显然可以更加合理的运用输入的信息。此外,LSTM还能够克服传统循环神经网络在反向传播中遇到的梯度爆炸和衰减的缺点。通过在隐藏层加入记忆单元,将时间序列的短长期特征相互关联,控制有价值信息的删除和存储,以此构成记忆网络。其中,LSTM的每个神经单元都包含输入门、输出门和遗忘门。存储单元在整个神经元的中心,主要负责不同时刻神经元状态值的传递和输出。
步骤102,获取样本云手机在第二历史时间段内的样本故障标签。
在本实施例中,上述执行主体可以获取样本云手机在第二历史时间段内的样本故障标签。
通常,样本云手机在第二历史时间段内发生故障,其样本故障标签的值为1;样本云手机在第二历史时间段内未发生故障,其样本故障标签的值为0。其中,第二历史时间段是在紧接着第一历史时间段之后的一个时间段。例如,第一历史时间段是过去六个月,第二历史时间段是过去六个月之后的一个小时。
需要说明的是,基于样本特征向量序列和样本故障标签,可以生成训练样本。其中,样本特征向量序列是模型的输入,样本故障标签是模型的期望输出。
步骤103,将样本特征向量序列作为输入,将样本故障标签作为输出,对长短期记忆网络LSTM进行训练,得到云手机故障预测模型。
在本实施例中,上述执行主体可以将样本特征向量序列作为输入,将样本故障标签作为输出,对LSTM进行训练,得到云手机故障预测模型。
通常,将样本特征向量序列[X1,X2…Xt]输入至LSTM,可以学习得到样本故障率。基于样本故障率与样本故障标签的差异,对LSTM的参数进行调整,使得差异足够小,即可得到云手机故障预测模型。其中,样本故障率是LSTM预测的样本云手机在第二历史时间段内发生故障的概率。
由于样本特征向量序列本质上属于时间序列,而作为一种特殊的循环神经网络,LSTM非常适合应用于时间序列的预测。它能够克服传统循环神经网络在反向传播中遇到的梯度爆炸和衰减的缺点。通过在隐藏层加入记忆单元,将时间序列的短长期特征相互关联,控制有价值信息的删除和存储,以此构成记忆网络。其中,LSTM的每个神经单元都包含输入门、输出门和遗忘门。存储单元在整个神经元的中心,主要负责不同时刻神经元状态值的传递和输出。
这里,基于LSTM训练云手机故障预测模型,利用LSTM对短长期有价值特征信息的记忆优势,在云手机服务心跳数据特征的基础之上,进一步融合影响云手机运行状态的物理设备内存占用、磁盘占用和网络延时等数据特征,设计了如图2所示的云手机故障预测模型的结构图,包含输入层、LSTM网络层和分类输出层。其中,输入层、LSTM网络层和分类输出层中都使用Sigmoid作为激活函数,产生0~1之间的值。Sigmoid可以用于隐层神经元输出,取值范围为(0,1),它可以将一个实数映射到(0,1)的区间,可以用来做二分类。
本公开实施例提供的云手机故障预测模型训练方法,为了提高云手机故障的运维效率,降低云手机故障对服务的影响,基于LSTM训练云手机故障预测模型,利用云手机故障预测模型预测云手机在未来一段时间出现故障的概率,能够提前对可能出现故障的云手机进行预警,以便运维工作可以在云手机出现故障之前介入,降低云手机的故障率,保障云手机服务的可靠性和稳定性。
继续参考图3,其示出了根据本公开的云手机故障预测模型训练方法的又一个实施例的流程图。该云手机故障预测模型训练方法包括以下步骤:
步骤301,采集样本云手机在第一历史时间段内的历史特征数据。
在本实施例中,云手机故障预测模型训练方法的执行主体可以采集样本云手机在第一历史时间段内的历史特征数据。其中,历史特征数据可以包括云手机物理设备性能相关特征数据和云手机服务监听特征数据。云手机物理设备性能相关特征数据可以包括但不限于以下至少一项:内存使用率C、磁盘使用率D和网络延迟N(单位毫秒)等。云手机服务监听特征数据可以包括服务距离上一次心跳的时间S(单位秒)。
步骤302,每隔预设时长为一个采样点,对历史特征数据进行预处理,生成每个采样点的历史特征向量。
在本实施例中,上述执行主体可以每隔预设时长为一个采样点,对历史特征数据进行预处理,生成每个采样点的历史特征向量。其中,预处理可以包括但不限于以下至少一项:统计、数据清洗和归一化等。
例如,每隔一分钟为一个采样点,对样本云手机过去六个月的历史特征数据进行统计和数据清洗,然后对得到的每个特征向量进行Min-Max标准化处理归一化,这样每分钟可以生成一个样本特征向量Xt=(Ct,Dt,Nt,St)。其中,Ct为内存使用率C的特征向量,Dt为磁盘使用率D的特征向量,Nt为网络延迟N的特征向量,St为服务距离上一次心跳的时间S的特征向量。
步骤303,基于每个采样点的历史特征向量,生成样本特征向量序列。
在本实施例中,上述执行主体可以基于每个采样点的历史特征向量,生成样本特征向量序列。
通常,基于n个样本特征向量Xt,最终生成样本特征向量序列[X1,X2…Xn]。通过采样历史特征数据进行预处理,使得生成样本特征向量序列更加规范,便于后续数据处理。
步骤304,获取样本云手机在第二历史时间段内的样本故障标签。
在本实施例中,步骤304的具体操作已在图1所示的实施例中步骤102中进行了详细的介绍,在此不再赘述。
步骤305,将样本特征向量序列输入至LSTM,得到样本云手机在第二历史时间段内的样本故障率。
在本实施例中,上述执行主体可以将样本特征向量序列输入至LSTM,得到样本云手机在第二历史时间段内的样本故障率。其中,样本故障率是LSTM预测的样本云手机在第二历史时间段内发生故障的概率。
通常,基于样本特征向量序列,对LSTM进行前向传播,得到样本云手机在第二历史时间段内的样本故障率。
步骤306,基于样本故障标签和样本故障率,计算二元交叉熵损失函数。
在本实施例中,上述执行主体可以基于样本故障标签和样本故障率,计算二元交叉熵损失函数Binary Cross-Entroy。
这里,云手机故障预测模型可以预测云手机在未来时间段内是否发生故障,属于二元分类器。而训练二元分类器时,往往会使用Binary Cross-Entroy作为损失函数。其中,Binary Cross-Entroy是二分类问题中常用的一个损失函数,其公式如下:
其中,N为训练样本数,yi为第i个训练样本的样本故障标签,其值为0或1,p(yi)为使用第i个训练样本预测的样本故障率。Binary Cross-Entroy可以用来评判二元分类器的预测结果的好坏程度。也就是说,对于标签y为1的情况,如果预测值p(y)趋近于1,那么Binary Cross-Entroy的值应当趋近于0。反之,如果预测值p(y)趋近于0,那么BinaryCross-Entroy的值应当非常大。
步骤307,通过自适应矩估计优化器迭代更新LSTM的模型参数直至二元交叉熵损失函数收敛,得到云手机故障预测模型。
在本实施例中,上述执行主体可以通过Adam(adaptive moment estimation,自适应矩估计)优化器迭代更新LSTM的模型参数直至二元交叉熵损失函数收敛,得到云手机故障预测模型。
通常,基于二元交叉熵损失函数,对LSTM进行反向传播,得到梯度,并利用Adam优化器基于梯度更新LSTM的模型参数。经过多轮训练,直至得到预测精度满足需求的云手机故障预测模型。其中,Adam是一种可以替代传统随机梯度下降过程的一阶优化算法,它能基于训练数据迭代地更新神经网络权重。Adam与传统随机梯度下降不同。传统随机梯度下降保持单一的学习率更新所有的权重,学习率在训练过程中并不会改变。而Adam通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率。
从图3中可以看出,与图1对应的实施例相比,本实施例中的云手机故障预测方法的流程图突出了样本特征向量序列生成步骤和模型训练步骤。由此,本实施例描述的方案融合服务心跳数据、内存使用率、磁盘使用率和网络延时等更多的特征属性,通过Adam优化器训练计算更合理的模型参数,使得最终模型的短期预测结果更加精确、时效性更强。
进一步参考图4,其示出了根据本公开的云手机故障预测方法的一个实施例的流程图。该云手机故障预测方法包括以下步骤:
步骤401,获取云手机在当前时间段内的特征向量序列。
在本实施例中,云手机故障预测方法的执行主体可以获取云手机在当前时间段内的特征向量序列。
通常,实时采集云手机的特征数据,并根据数据特征工程的方法对特征数据进行处理,得到特征向量序列。其中,特征数据可以包括云手机物理设备性能相关特征数据和云手机服务监听特征数据。云手机物理设备性能相关特征数据可以包括但不限于以下至少一项:内存使用率C、磁盘使用率D和网络延迟N(单位毫秒)等。云手机服务监听特征数据可以包括服务距离上一次心跳的时间S(单位秒)。
通常,每隔预设时长为一个采样点,对特征数据进行预处理,生成每个采样点的特征向量。基于每个采样点的特征向量,可以生成特征向量序列。例如,每隔一分钟为一个采样点,对云手机在当前时间段内的特征数据进行统计和数据清洗,然后对得到的每个特征向量进行Min-Max标准化处理归一化,这样每分钟可以生成一个特征向量。基于每个采样点的特征向量,生成特征向量序列。
步骤402,将特征向量序列输入至云手机故障预测模型,得到云手机在未来时间段内的故障率。
在本实施例中,上述执行主体可以将特征向量序列输入至云手机故障预测模型,得到云手机在未来时间段内的故障率。其中,云手机故障预测模型是采用图1或图3所示的方法训练得到的,这里不再赘述。
本公开实施例提供的云手机故障预测方法,为了提高云手机故障的运维效率,降低云手机故障对服务的影响,利用云手机故障预测模型预测云手机在未来一段时间出现故障的概率,能够提前对可能出现故障的云手机进行预警,以便运维工作可以在云手机出现故障之前介入,降低云手机的故障率,保障云手机服务的可靠性和稳定性,最终保障了更优质的产品使用体验。
为了便于理解,图5示出了云手机故障预测模型的训练预测流程图。如图5所示,采集样本云手机在第一历史时间段内的历史特征数据,作为训练数据集。对训练数据集进行数据预处理,得到处理后的数据集。利用处理后的数据集进行模型训练和模型验证,得到预测模型。采集云手机在当前时间段内的实时数据。将实时数据输入至预测模型,得到预测结果。
为了便于理解,图6示出了云手机故障预测模型的应用架构图。如图6所示,云手机基于ARM架构服务器(IAAS),面向用户提供服务。ARM云手机运维管理平台的监控中心实时采集云手机的特征数据,并根据数据特征工程的方法对特征数据进行处理,得到特征向量序列。将特征向量序列输入至故障预测服务中的预测模型,得到云手机在未来时间段内的故障率。
进一步参考图7,作为对上述各图所示方法的实现,本公开提供了一种云手机故障预测模型训练装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的云手机故障预测模型训练装置700可以包括:第一获取模块701、第二获取模块702和训练模块703。其中,第一获取模块701,被配置成获取样本云手机在第一历史时间段内的样本特征向量序列;第二获取模块702,被配置成获取样本云手机在第二历史时间段内的样本故障标签,其中,第二历史时间段在第一历史时间段之后;训练模块703,被配置成将样本特征向量序列作为输入,将样本故障标签作为输出,对长短期记忆网络LSTM进行训练,得到云手机故障预测模型。
在本实施例中,云手机故障预测模型训练装置700中:第一获取模块701、第二获取模块702和训练模块703的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101-103的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,第一获取模块701进一步被配置成:采集样本云手机在第一历史时间段内的历史特征数据;每隔预设时长为一个采样点,对历史特征数据进行预处理,生成每个采样点的历史特征向量,其中,预处理包括以下至少一项:统计、数据清洗和归一化;基于每个采样点的历史特征向量,生成样本特征向量序列。
在本实施例的一些可选的实现方式中,训练模块703进一步被配置成:将样本特征向量序列输入至LSTM,得到样本云手机在第二历史时间段内的样本故障率;基于样本故障标签和样本故障率,计算二元交叉熵损失函数;通过自适应矩估计优化器迭代更新LSTM的模型参数直至二元交叉熵损失函数收敛,得到云手机故障预测模型。
在本实施例的一些可选的实现方式中,历史特征数据包括云手机物理设备性能相关特征数据和云手机服务监听特征数据,云手机物理设备性能相关特征数据包括以下至少一项:内存使用率、磁盘使用率和网络延迟,云手机服务监听特征数据包括服务距离上一次心跳的时间。
在本实施例的一些可选的实现方式中,LSTM包括输入层、LSTM网络层和分类输出层。
进一步参考图8,作为对上述各图所示方法的实现,本公开提供了一种云手机故障预测装置的一个实施例,该装置实施例与图4所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,本实施例的云手机故障预测装置800可以包括:获取模块801和预测模块802。其中,获取模块801,被配置成获取云手机在当前时间段内的特征向量序列;预测模块802,被配置成将特征向量序列输入至云手机故障预测模型,得到云手机在未来时间段内的故障率,其中,云手机故障预测模型是采用图8所示的装置训练得到的。
在本实施例中,云手机故障预测装置800中:获取模块801和预测模块802的具体处理及其所带来的技术效果可分别参考图4对应实施例中的步骤401-402的相关说明,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如云手机故障预测方法或云手机故障预测模型训练方法。例如,在一些实施例中,云手机故障预测方法或云手机故障预测模型训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM903并由计算单元901执行时,可以执行上文描述的云手机故障预测方法或云手机故障预测模型训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行云手机故障预测方法或云手机故障预测模型训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以是分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开提供的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种云手机故障预测模型训练方法,包括:
获取样本云手机在第一历史时间段内的样本特征向量序列;
获取所述样本云手机在第二历史时间段内的样本故障标签,其中,所述第二历史时间段在所述第一历史时间段之后;
将所述样本特征向量序列作为输入,将所述样本故障标签作为输出,对长短期记忆网络LSTM进行训练,得到云手机故障预测模型。
2.根据权利要求1所述的方法,其中,所述获取样本云手机在第一历史时间段内的样本特征向量序列,包括:
采集所述样本云手机在所述第一历史时间段内的历史特征数据;
每隔预设时长为一个采样点,对所述历史特征数据进行预处理,生成每个采样点的历史特征向量,其中,所述预处理包括以下至少一项:统计、数据清洗和归一化;
基于每个采样点的历史特征向量,生成所述样本特征向量序列。
3.根据权利要求2所述的方法,其中,所述将所述样本特征向量序列作为输入,将所述样本故障标签作为输出,对长短期记忆网络LSTM进行训练,得到云手机故障预测模型,包括:
将所述样本特征向量序列输入至所述LSTM,得到所述样本云手机在所述第二历史时间段内的样本故障率;
基于所述样本故障标签和所述样本故障率,计算二元交叉熵损失函数;
通过自适应矩估计优化器迭代更新所述LSTM的模型参数直至所述二元交叉熵损失函数收敛,得到所述云手机故障预测模型。
4.根据权利要求2或3所述的方法,其中,所述历史特征数据包括云手机物理设备性能相关特征数据和云手机服务监听特征数据,所述云手机物理设备性能相关特征数据包括以下至少一项:内存使用率、磁盘使用率和网络延迟,所述云手机服务监听特征数据包括服务距离上一次心跳的时间。
5.根据权利要求1-4中任一项所述的方法,其中,所述LSTM包括输入层、LSTM网络层和分类输出层。
6.一种云手机故障预测方法,包括:
获取云手机在当前时间段内的特征向量序列;
将所述特征向量序列输入至云手机故障预测模型,得到所述云手机在未来时间段内的故障率,其中,所述云手机故障预测模型是采用权利要求1-5中任一项所述的方法训练得到的。
7.一种云手机故障预测模型训练装置,包括:
第一获取模块,被配置成获取样本云手机在第一历史时间段内的样本特征向量序列;
第二获取模块,被配置成获取所述样本云手机在第二历史时间段内的样本故障标签,其中,所述第二历史时间段在所述第一历史时间段之后;
训练模块,被配置成将所述样本特征向量序列作为输入,将所述样本故障标签作为输出,对长短期记忆网络LSTM进行训练,得到云手机故障预测模型。
8.根据权利要求7所述的装置,其中,所述第一获取模块进一步被配置成:
采集所述样本云手机在所述第一历史时间段内的历史特征数据;
每隔预设时长为一个采样点,对所述历史特征数据进行预处理,生成每个采样点的历史特征向量,其中,所述预处理包括以下至少一项:统计、数据清洗和归一化;
基于每个采样点的历史特征向量,生成所述样本特征向量序列。
9.根据权利要求8所述的装置,其中,所述训练模块进一步被配置成:
将所述样本特征向量序列输入至所述LSTM,得到所述样本云手机在所述第二历史时间段内的样本故障率;
基于所述样本故障标签和所述样本故障率,计算二元交叉熵损失函数;
通过自适应矩估计优化器迭代更新所述LSTM的模型参数直至所述二元交叉熵损失函数收敛,得到所述云手机故障预测模型。
10.根据权利要求8或9所述的装置,其中,所述历史特征数据包括云手机物理设备性能相关特征数据和云手机服务监听特征数据,所述云手机物理设备性能相关特征数据包括以下至少一项:内存使用率、磁盘使用率和网络延迟,所述云手机服务监听特征数据包括服务距离上一次心跳的时间。
11.根据权利要求7-10中任一项所述的装置,其中,所述LSTM包括输入层、LSTM网络层和分类输出层。
12.一种云手机故障预测装置,包括:
获取模块,被配置成获取云手机在当前时间段内的特征向量序列;
预测模块,被配置成将所述特征向量序列输入至云手机故障预测模型,得到所述云手机在未来时间段内的故障率,其中,所述云手机故障预测模型是采用权利要求7-11中任一项所述的装置训练得到的。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法或权利要求6所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法或权利要求6所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法或权利要求6所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310092230.4A CN116192608A (zh) | 2023-01-18 | 2023-01-18 | 云手机故障预测方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310092230.4A CN116192608A (zh) | 2023-01-18 | 2023-01-18 | 云手机故障预测方法、装置以及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116192608A true CN116192608A (zh) | 2023-05-30 |
Family
ID=86436016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310092230.4A Pending CN116192608A (zh) | 2023-01-18 | 2023-01-18 | 云手机故障预测方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116192608A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112631888A (zh) * | 2020-12-30 | 2021-04-09 | 航天信息股份有限公司 | 分布式系统的故障预测方法、装置、存储介质及电子设备 |
WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
CN114840402A (zh) * | 2022-04-30 | 2022-08-02 | 济南浪潮数据技术有限公司 | 一种云主机故障预测方法、装置及介质 |
CN115423041A (zh) * | 2022-09-29 | 2022-12-02 | 缀初网络技术(上海)有限公司 | 一种基于深度学习的边缘云故障预测方法及系统 |
-
2023
- 2023-01-18 CN CN202310092230.4A patent/CN116192608A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
CN112631888A (zh) * | 2020-12-30 | 2021-04-09 | 航天信息股份有限公司 | 分布式系统的故障预测方法、装置、存储介质及电子设备 |
CN114840402A (zh) * | 2022-04-30 | 2022-08-02 | 济南浪潮数据技术有限公司 | 一种云主机故障预测方法、装置及介质 |
CN115423041A (zh) * | 2022-09-29 | 2022-12-02 | 缀初网络技术(上海)有限公司 | 一种基于深度学习的边缘云故障预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657269A (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN114418093B (zh) | 训练路径表征模型、输出信息的方法和装置 | |
CN115456167A (zh) | 轻量级模型训练方法、图像处理方法、装置及电子设备 | |
CN115202847A (zh) | 任务的调度方法和装置 | |
CN113657249B (zh) | 训练方法、预测方法、装置、电子设备以及存储介质 | |
CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
CN116962272B (zh) | 一种网络指标的异常检测方法、装置、设备及存储介质 | |
CN114494747A (zh) | 模型的训练方法、图像处理方法、装置、电子设备及介质 | |
CN113379153A (zh) | 用于预测电力负荷的方法、预测模型训练方法及装置 | |
CN115601042A (zh) | 信息识别方法、装置、电子设备及存储介质 | |
CN115719093A (zh) | 一种分布式训练方法、装置、系统、存储介质及电子设备 | |
CN115600607A (zh) | 一种日志检测方法、装置、电子设备及介质 | |
CN116192608A (zh) | 云手机故障预测方法、装置以及设备 | |
CN115312042A (zh) | 用于处理音频的方法、装置、设备以及存储介质 | |
CN113313049A (zh) | 超参数的确定方法、装置、设备、存储介质以及计算机程序产品 | |
CN113010571A (zh) | 数据检测方法、装置、电子设备、存储介质和程序产品 | |
CN115860055B (zh) | 性能确定方法、性能优化方法、装置、电子设备以及介质 | |
CN113344405A (zh) | 基于知识图谱生成信息的方法、装置、设备、介质和产品 | |
CN117667488A (zh) | 人工智能算力集群的异常定位方法、装置、设备及介质 | |
CN118134590A (zh) | 一种信息传输方法、装置、设备及存储介质 | |
CN115482422A (zh) | 深度学习模型的训练方法、图像处理方法和装置 | |
CN115131709A (zh) | 视频类别预测方法、视频类别预测模型的训练方法及装置 | |
CN114861831A (zh) | 一种基于指标集合的新型嫌疑分类模型训练方法和设备 |
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 |