CN116319386A - 可用性及故障预测方法、装置、电子设备和介质 - Google Patents
可用性及故障预测方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN116319386A CN116319386A CN202310555022.3A CN202310555022A CN116319386A CN 116319386 A CN116319386 A CN 116319386A CN 202310555022 A CN202310555022 A CN 202310555022A CN 116319386 A CN116319386 A CN 116319386A
- Authority
- CN
- China
- Prior art keywords
- rule base
- initial
- data
- training data
- determining
- 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
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
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H04L41/0677—Localisation of faults
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本公开涉及计算机技术领域,提供了可用性及故障预测方法、装置、电子设备和介质。该方法包括:获取训练数据,将上述训练数据进行转化得到初始数据;基于上述初始数据确定初始规则库,并对上述初始规则库进行参数优化得到目标规则库;根据预设激活权重计算公式对上述目标规则库中的规则进行计算得到激活权重;根据测试数据和上述激活权重,确定异常信息。该实施方式可以获取训练数据,将训练数据进行转化得到初始数据,基于初始数据确定初始规则库,并对初始规则库进行参数优化得到目标规则库,将测试数据输入目标规则库,确定异常信息,当出现由具体健康问题对应异常输出时,能够提供明确的决策依据,即告诉使用者,异常输出的原因。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种可用性及故障预测方法、装置、电子设备和介质。
背景技术
网络技术和军事领域复杂装备系统的迅猛发展使得网络环境覆盖了大部分军事需求,相比之下,传统的维护保障手段和模式耗时费力,特别是复杂装备的健康诊断,依赖专家能力和经验,无法应对装备快速精确诊断场景,对智能化的网络健康诊断需求愈加强烈,基于规则约束的人工智能技术为装备领域、尤其是装备健康诊断过程中的故障原因定位提供了全新的技术支撑,因此,结合装备保障实际需求,构建完善完备的装备网络健康诊断方法,对信息化条件下装备网络及时诊断定位具有重要意义。
现有的网络入侵检测主要包括误用入侵检测和异常入侵检测,误用入侵检测很大程度上依赖对已知入侵行为特征的记录统计,以模式匹配的方式取用数据库中的现有数据与规则,对已知类型的行为可以做出快速准确的判断,而对于未知行为束手无策。而异常入侵检测通过判别是否属于正常行为特征来确定未知行为。网络入侵行为方式层出不穷,这一技术作为入侵检测的另一重大领域,具有重要的研究价值与意义。
机器学习是健康异常检测的首选,现有的可用性及故障预测大部分采用有监督学习方式,对数据集进行类别标注,输入分类模型进行训练,得到具有较高准确度的分类模型并投入使用,模型可以对待检测的流量数据进行分类,但是这一检测方式需要大量的已知类型的流量样本投入训练,这不仅对数据的要求极高,手工标注也对人力资源的消耗提出了很大的挑战,而聚类等无监督学习方法无需标记,模型根据特征自行划分类簇,聚类的结果具有不确定性,但是充分运用了样本的每一特征,根据聚类模型内部的划分类簇规则可以发现流量样本的异常,及时判定非健康状态,同时这也对特征的选择提出了较高的要求。由此,亟需一种更好的方案。
发明内容
有鉴于此,本公开实施例提供了一种可用性及故障预测方法、装置、电子设备和介质。
本公开实施例的第一方面,提供了一种可用性及故障预测方法,包括:获取训练数据,将上述训练数据进行转化得到初始数据;基于上述初始数据确定初始规则库,并对上述初始规则库进行参数优化得到目标规则库;根据预设激活权重计算公式对上述目标规则库中的规则进行计算得到激活权重;根据测试数据和上述激活权重,确定异常信息。
在一些实施例的一些可选的实现方式中,上述获取训练数据,将上述训练数据进行转化得到初始数据,包括:获取训练数据,并确定上述训练数据的参考值;基于预设匹配规则对上述训练数据的参考值进行匹配,确定训练数据的语义值。
在一些实施例的一些可选的实现方式中,上述基于上述初始数据确定初始规则库,包括:基于上述初始数据,通过预设规则库结构生成上述初始规则库。
在一些实施例的一些可选的实现方式中,上述对上述初始规则库进行参数优化得到目标规则库,包括:基于优化学习模型对上述初始规则库进行参数优化得到目标规则库。
在一些实施例的一些可选的实现方式中,上述根据测试数据和上述激活权重,确定异常信息,包括:根据上述测试数据和上述激活权重从上述目标规则库中的规则确定目标规则;根据上述目标规则,确定异常信息。
在一些实施例的一些可选的实现方式中,上述基于优化学习模型对上述初始规则库进行参数优化得到目标规则库,包括:将待优化参数输入初始规则库对应的系统,确定估计输出结果;将上述待优化参数输入目标系统,确定观测结果;根据上述观测结果和上述输出结果确定目标规则库。
在一些实施例的一些可选的实现方式中,上述将上述训练数据进行转化得到初始数据,包括:确定上述训练数据对应的流量阈值;在上述训练数据对应的流量数值大于上述流量阈值的情况下,将上述训练数据转化为上述流量阈值对应的初始数据。
本公开实施例的第二方面,提供了一种可用性及故障预测装置,包括:数据获取单元,被配置成获取训练数据,将上述训练数据进行转化得到初始数据;规则确定单元,被配置成基于上述初始数据确定初始规则库,并对上述初始规则库进行参数优化得到目标规则库;可用性及故障预测单元,被配置成将测试数据输入上述目标规则库,确定异常信息。
本公开实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本公开涉及计算机技术领域,提供了可用性及故障预测方法、装置、电子设备和介质。该方法包括:获取训练数据,将上述训练数据进行转化得到初始数据;基于上述初始数据确定初始规则库,并对上述初始规则库进行参数优化得到目标规则库;根据预设激活权重计算公式对上述目标规则库中的规则进行计算得到激活权重;根据测试数据和上述激活权重,确定异常信息。该实施方式可以获取训练数据,将训练数据进行转化得到初始数据,基于初始数据确定初始规则库,并对初始规则库进行参数优化得到目标规则库,将测试数据输入目标规则库,确定异常信息,当出现由具体健康问题对应异常输出时,能够提供明确的决策依据,即告诉使用者,异常输出的原因。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是根据本公开的一些实施例的可用性及故障预测方法的一个应用场景的示意图;
图2是根据本公开的可用性及故障预测方法的一些实施例的流程图;
图3是根据本公开的可用性及故障预测方法的一些实施例的隶属函数示意图;
图4是根据本公开的可用性及故障预测方法的一些实施例的优化学习模型示意图;
图5是根据本公开的可用性及故障预测装置的一些实施例的结构示意图;
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。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。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
图1是根据本公开的一些实施例的可用性及故障预测方法的一个应用场景的示意图。
在图1的应用场景中,计算设备101可以获取训练数据102。然后,计算设备101可以根据训练数据102,进行转化得到初始数据103。之后,计算设备101可以根据初始数据103,确定初始规则库104,接着,对上述初始规则库104进行参数优化得到目标规则库105。进而,根据预设激活权重计算公式对上述目标规则库105中的规则进行计算得到激活权重。最后,计算设备101可以根据测试数据和上述激活权重,确定异常信息,如附图标记106所示。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备101为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备101体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
图2是根据本公开的可用性及故障预测方法的一些实施例的流程图。图2的可用性及故障预测方法可以由图1的计算设备101执行。如图2所示,该可用性及故障预测方法包括:
步骤S201,获取训练数据,将训练数据进行转化得到初始数据。
在一些实施例中,获取训练数据,将训练数据进行转化得到初始数据,包括:获取训练数据,并确定训练数据的参考值,基于预设匹配规则对训练数据的参考值进行匹配,确定训练数据的语义值。
具体的,针对模块选取不同参数作为输入,利用专家知识处理参数,专家知识往往以语义的形式表达,具有模糊性,而实际的测试保障过程中可以通过传感器得到导弹电流、电压等参数,想要利用专家知识处理相关参数,需要先设定语义值及其参考值,再计算匹配度完成数值到语义值的转换。
在完成语义值和参考值的设定后,可以进行匹配度αi k的计算,具体计算为:
当x≤A或x≥A时,xi对于Ai,1或Ai,Ji的匹配度为1,对其他参考值的匹配度均为0,
在一些实施例中,将训练数据进行转化得到初始数据,包括:确定训练数据对应的流量阈值,在训练数据对应的流量数值大于流量阈值的情况下,将训练数据转化为流量阈值对应的初始数据。
此外,在装备网络故障诊断过程中,往往包含定性信息和定量信息。数据流量过大是一种定性信息的模糊判断,可以用一个模糊值将数据流量数值映射到数据量“大”,例如在军事装备网络健康诊断系统中对于数据流量,定义一个“非常大”的隶属函数,参见图3,其中a→b,数据流量逐渐增大,到达b后定义为“非常大”,根据测量得到的噪声电压,即可转化为上述语义表达方式,在这种情况下,输入xi的参考值Ai,q(i=1,2,…,M;q=1,2,…,Qi)为模糊形式的语义值,采用基于隶属函数的方法,把以上形式的定量输入信息xi转化为Ai,q的置信度αi,q,即
式中:0≤αi,q≤1,τ表示匹配函数,令τi=τ(xi,Ai,q),且τi表示匹配度,如果xi完全属于第q个语义值,则τ(xi,Ai,q)=1,基于归一化的匹配度τi和置信度εi,产生置信度αi,q。由于ε的存在,αi,q可能不等于1。
步骤S202,基于初始数据确定初始规则库,并对初始规则库进行参数优化得到目标规则库。
一些实施例中,对初始规则库进行参数优化得到目标规则库,包括:基于优化学习模型对初始规则库进行参数优化得到目标规则库。
具体的,置信规则库规则的一般表达形式为:
Rk:If x1 is A1k∩x2 is A2k∩…∩xm is Amk
Then{(D1,β1,k),…,(DN,βN,k)}
式中:xi(i=1,2,…,M)表示第k条规则Rk中第i个前提属性,Ai k(i=1,2,…,M;k=1,2,…,L)表示第k(k=1,2,…,L)条规则中第i个前提属性的参考值,M为第k条规则中的前提属性数目,L是置信规则库中置信规则的数量,Ai k∈Ai,Ai={Ai,j,j=1,2,…,Ji}表示第i个前提属性的Ji个参考值组成的集合,θk(k=1,2,…,L)表示第k条规则的权重,反映第k条规则相对于BRB中其他规则的重要度,δi(i=1,2,…,M)表示第i个前提属性的权重,反映了第i个前提属性相对于其他前提属性的重要度,βj,k(j=1,2,…,N;k=1,2,…,L)表示第k条规则中对第j个输出结果Dj的置信度。
在实际应用中,置信规则库中的前提属性权重、规则权重、结果置信度均由系统专家根据经验设定,具有一定的主观性。为了选取置信规则库的最优参数,可以引入置信规则库参数优化的基本思想。
进一步的,一些实施例中,基于优化学习模型对初始规则库进行参数优化得到目标规则库,包括:将待优化参数输入初始规则库对应的系统,确定估计输出结果,将待优化参数输入目标系统,确定观测结果,根据观测结果和输出结果确定目标规则库。
具体的,参见图4,其中,BRB系统由一系列置信规则(beliefrule)组成,此外,为了获得性能更好的置信规则库,将前项属性A及后项属性D的参考值纳入优化范围,添加到上述优化学习模型中,利用matlab中的Fmincon函数对初始置信规则库的参数进行优化,Fmincon是用于求解非线性多元函数最小值的matlab函数,优化工具箱提供Fmincon函数用于对有约束优化问题进行求解。
步骤S203,根据预设激活权重计算公式对上述目标规则库中的规则进行计算得到激活权重。
一些实施例中,将测试数据输入目标规则库,确定异常信息,包括:根据预设激活权重计算公式对目标规则库中的规则进行计算得到激活权重。
置信规则库的推理首先需要计算激活权重,然后使用证据推理算法集成激活的规则,激活权重ωk指根据匹配度、规则权重及属性权重计算出的规则对输入的参考程度,激活权重计算方法为:
式中:βj为后项Dj的置信度。
步骤204,根据测试数据和上述激活权重,确定异常信息
一些实施例中,根据测试数据和激活权重从目标规则库中的规则,确定目标规则,将测试数据输入上述目标规则确定异常信息
本公开涉及计算机技术领域,提供了可用性及故障预测方法、装置、电子设备和介质。该方法包括:获取训练数据,将上述训练数据进行转化得到初始数据;基于上述初始数据确定初始规则库,并对上述初始规则库进行参数优化得到目标规则库;根据预设激活权重计算公式对上述目标规则库中的规则进行计算得到激活权重;根据测试数据和上述激活权重,确定异常信息。该实施方式可以获取训练数据,将训练数据进行转化得到初始数据,基于初始数据确定初始规则库,并对初始规则库进行参数优化得到目标规则库,将测试数据输入目标规则库,确定异常信息,当出现由具体健康问题对应异常输出时,能够提供明确的决策依据,即告诉使用者,异常输出的原因。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图5是根据本公开的可用性及故障预测装置的一些实施例的结构示意图。如图3所示,该可用性及故障预测装置包括:数据获取单元501、规则确定单元502、权重计算单元503和异常确定单元504。其中,数据获取单元501,被配置成获取训练数据,将训练数据进行转化得到初始数据,规则确定单元502,被配置成基于初始数据确定初始规则库,并对初始规则库进行参数优化得到目标规则库,权重计算单元503,被配置成根据预设激活权重计算公式对上述目标规则库中的规则进行计算得到激活权重;异常确定单元504,被配置成根据测试数据和上述激活权重,确定异常信息。
在一些实施例的一些可选的实现方式中,数据获取单元501,被进一步配置成:获取训练数据,并确定训练数据的参考值,基于预设匹配规则对训练数据的参考值进行匹配,确定训练数据的语义值。
在一些实施例的一些可选的实现方式中,规则确定单元502,被进一步配置成:基于初始数据,通过预设规则库结构生成初始规则库。
在一些实施例的一些可选的实现方式中,规则确定单元502,被进一步配置成:基于优化学习模型对初始规则库进行参数优化得到目标规则库。
在一些实施例的一些可选的实现方式中,权重计算单元503,被进一步配置成:根据上述测试数据和上述激活权重从上述目标规则库中的规则确定目标规则;根据上述目标规则,确定异常信息。
在一些实施例的一些可选的实现方式中,规则确定单元502,被进一步配置成:将待优化参数输入初始规则库对应的系统,确定估计输出结果,将待优化参数输入目标系统,确定观测结果,根据观测结果和输出结果确定目标规则库。
在一些实施例的一些可选的实现方式中,数据获取单元501,被进一步配置成:确定训练数据对应的流量阈值,在训练数据对应的流量数值大于流量阈值的情况下,将训练数据转化为流量阈值对应的初始数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
下面参考图6,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备101)600的结构示意图。图6示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606,包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607,包括例如磁带、硬盘等的存储装置608,以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的,也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取训练数据,将上述训练数据进行转化得到初始数据;基于上述初始数据确定初始规则库,并对上述初始规则库进行参数优化得到目标规则库;根据预设激活权重计算公式对上述目标规则库中的规则进行计算得到激活权重;根据测试数据和上述激活权重,确定异常信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括数据获取单元、规则确定单元权重计算单元和异常确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,数据获取单元还可以被描述为“获取训练数据的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种可用性及故障预测方法,其特征在于,包括:
获取训练数据,将所述训练数据进行转化得到初始数据;
基于所述初始数据确定初始规则库,并对所述初始规则库进行参数优化得到目标规则库;
根据预设激活权重计算公式对所述目标规则库中的规则进行计算得到激活权重;
根据测试数据和所述激活权重,确定异常信息。
2.根据权利要求1所述的可用性及故障预测方法,其特征在于,所述获取训练数据,将所述训练数据进行转化得到初始数据,包括:
获取训练数据,并确定所述训练数据的参考值;
基于预设匹配规则对所述训练数据的参考值进行匹配,确定训练数据的语义值。
3.根据权利要求1所述的可用性及故障预测方法,其特征在于,所述基于所述初始数据确定初始规则库,包括:
基于所述初始数据,通过预设规则库结构生成所述初始规则库。
4.根据权利要求1所述的可用性及故障预测方法,其特征在于,所述对所述初始规则库进行参数优化得到目标规则库,包括:
基于优化学习模型对所述初始规则库进行参数优化得到目标规则库。
5.根据权利要求1所述的方法,其特征在于,所述根据测试数据和所述激活权重,确定异常信息,包括:
根据所述测试数据和所述激活权重从所述目标规则库中的规则确定目标规则;
根据所述目标规则,确定异常信息。
6.根据权利要求4所述的方法,其特征在于,所述基于优化学习模型对所述初始规则库进行参数优化得到目标规则库,包括:
将待优化参数输入初始规则库对应的系统,确定估计输出结果;
将所述待优化参数输入目标系统,确定观测结果;
根据所述观测结果和所述输出结果确定目标规则库。
7.根据权利要求1所述的方法,其特征在于,所述将所述训练数据进行转化得到初始数据,包括:
确定所述训练数据对应的流量阈值;
在所述训练数据对应的流量数值大于所述流量阈值的情况下,将所述训练数据转化为所述流量阈值对应的初始数据。
8.一种可用性及故障预测装置,其特征在于,包括:
数据获取单元,被配置成获取训练数据,将所述训练数据进行转化得到初始数据;
规则确定单元,被配置成基于所述初始数据确定初始规则库,并对所述初始规则库进行参数优化得到目标规则库;
权重计算单元,被配置成根据预设激活权重计算公式对所述目标规则库中的规则进行计算得到激活权重;
异常确定单元,被配置成根据测试数据和所述激活权重,确定异常信息。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可以在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310555022.3A CN116319386A (zh) | 2023-05-17 | 2023-05-17 | 可用性及故障预测方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310555022.3A CN116319386A (zh) | 2023-05-17 | 2023-05-17 | 可用性及故障预测方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116319386A true CN116319386A (zh) | 2023-06-23 |
Family
ID=86781864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310555022.3A Pending CN116319386A (zh) | 2023-05-17 | 2023-05-17 | 可用性及故障预测方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116319386A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106656981A (zh) * | 2016-10-21 | 2017-05-10 | 东软集团股份有限公司 | 网络入侵检测方法和装置 |
CN110224990A (zh) * | 2019-07-17 | 2019-09-10 | 浙江大学 | 一种基于软件定义安全架构的入侵检测系统 |
CN111259551A (zh) * | 2020-01-17 | 2020-06-09 | 中国人民解放军火箭军工程大学 | 一种基于置信规则库的惯组故障预测方法 |
US20210266781A1 (en) * | 2018-08-29 | 2021-08-26 | Carleton University | Enabling wireless network personalization using zone of tolerance modeling and predictive analytics |
WO2021258348A1 (zh) * | 2020-06-24 | 2021-12-30 | 深圳市欢太科技有限公司 | 异常流量检测方法和系统、及计算机存储介质 |
US20220021695A1 (en) * | 2018-11-09 | 2022-01-20 | NEC Laboratories Europe GmbH | Method and system for adaptive network intrusion detection |
CN114578792A (zh) * | 2022-03-11 | 2022-06-03 | 西北工业大学 | 一种多智能体故障诊断方法及系统 |
-
2023
- 2023-05-17 CN CN202310555022.3A patent/CN116319386A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106656981A (zh) * | 2016-10-21 | 2017-05-10 | 东软集团股份有限公司 | 网络入侵检测方法和装置 |
US20210266781A1 (en) * | 2018-08-29 | 2021-08-26 | Carleton University | Enabling wireless network personalization using zone of tolerance modeling and predictive analytics |
US20220021695A1 (en) * | 2018-11-09 | 2022-01-20 | NEC Laboratories Europe GmbH | Method and system for adaptive network intrusion detection |
CN110224990A (zh) * | 2019-07-17 | 2019-09-10 | 浙江大学 | 一种基于软件定义安全架构的入侵检测系统 |
CN111259551A (zh) * | 2020-01-17 | 2020-06-09 | 中国人民解放军火箭军工程大学 | 一种基于置信规则库的惯组故障预测方法 |
WO2021258348A1 (zh) * | 2020-06-24 | 2021-12-30 | 深圳市欢太科技有限公司 | 异常流量检测方法和系统、及计算机存储介质 |
CN114578792A (zh) * | 2022-03-11 | 2022-06-03 | 西北工业大学 | 一种多智能体故障诊断方法及系统 |
Non-Patent Citations (1)
Title |
---|
刘兆政等: "基于置信规则库的机载导弹故障诊断", 空军工程大学学报, vol. 21, no. 3, pages 25 - 30 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11595415B2 (en) | Root cause analysis in multivariate unsupervised anomaly detection | |
JP2022514508A (ja) | 機械学習モデルの解説可能性ベースの調節 | |
CN110807515A (zh) | 模型生成方法和装置 | |
CN111046027B (zh) | 时间序列数据的缺失值填充方法和装置 | |
CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
CN114265979B (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
CN110705255B (zh) | 检测语句之间的关联关系的方法和装置 | |
CN115085196B (zh) | 电力负荷预测值确定方法、装置、设备和计算机可读介质 | |
CN113765928B (zh) | 物联网入侵检测方法、设备及介质 | |
CN115357470B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN111368973A (zh) | 用于训练超网络的方法和装置 | |
CN111783810A (zh) | 用于确定用户的属性信息的方法和装置 | |
KR20230031889A (ko) | 네트워크 토폴로지에서의 이상 탐지 | |
WO2023134188A1 (zh) | 指标确定方法、装置、电子设备和计算机可读介质 | |
CN111353601A (zh) | 用于预测模型结构的延时的方法和装置 | |
CN115034596A (zh) | 一种风险传导预测方法、装置、设备和介质 | |
CN114780338A (zh) | 主机信息处理方法、装置、电子设备和计算机可读介质 | |
CN110825589A (zh) | 用于微服务系统的异常检测方法及其装置和电子设备 | |
CN112486784A (zh) | 诊断和优化数据分析系统的方法、设备和介质 | |
CN117236805B (zh) | 电力设备控制方法、装置、电子设备和计算机可读介质 | |
CN110490132B (zh) | 数据处理方法和装置 | |
CN116827971A (zh) | 基于区块链的碳排放数据存储与传输方法、装置与设备 | |
CN115277261B (zh) | 基于工控网络病毒的异常机器智能识别方法、装置、设备 | |
CN115618065A (zh) | 一种数据处理方法及相关设备 | |
CN116319386A (zh) | 可用性及故障预测方法、装置、电子设备和介质 |
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 |