CN117009127A - 火电厂云端系统的软件升级方法及系统 - Google Patents

火电厂云端系统的软件升级方法及系统 Download PDF

Info

Publication number
CN117009127A
CN117009127A CN202311070022.0A CN202311070022A CN117009127A CN 117009127 A CN117009127 A CN 117009127A CN 202311070022 A CN202311070022 A CN 202311070022A CN 117009127 A CN117009127 A CN 117009127A
Authority
CN
China
Prior art keywords
collapse
defect prediction
data sequence
sample
system operation
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
CN202311070022.0A
Other languages
English (en)
Inventor
赖祥彬
黄顺来
罗来明
朱龙祥
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.)
Avionics Chengdu Technology Co ltd
Original Assignee
Avionics Chengdu Technology 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 Avionics Chengdu Technology Co ltd filed Critical Avionics Chengdu Technology Co ltd
Priority to CN202311070022.0A priority Critical patent/CN117009127A/zh
Publication of CN117009127A publication Critical patent/CN117009127A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0793—Remedial or corrective actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G06F8/65—Updates
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Security & Cryptography (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明实施例提供了一种火电厂云端系统的软件升级方法及系统，基于样本系统运行崩溃数据的崩溃联动特征向量及崩溃联动特征向量与编码器和取样网络单元的先验对应信息，构建编码器及取样网络单元；将编码器及取样网络单元与多层感知机进行融合，生成初始化系统缺陷预测网络；基于初始化系统缺陷预测网络，对样本系统运行崩溃数据序列进行设定轮次的去相关处理，对去相关处理后的样本系统运行崩溃数据序列进行系统缺陷预测，生成收敛后的系统缺陷预测网络；根据收敛后的系统缺陷预测网络对待检测系统运行崩溃数据序列进行系统缺陷预测，生成最终系统缺陷预测结果并对火电厂云端系统进行升级修复，由此提高后续对火电厂云端系统的升级效率。

Description

火电厂云端系统的软件升级方法及系统
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种火电厂云端系统的软件升级方法及系统。
背景技术
随着环境问题的日益凸显、人功智能技术的革新，国家对火电行业的重视，极大推动火电行业的技术创新和发展，而现实火电生产中，厂级监控信息系统、承担着电厂的数据管理工作，目前的数据监控模式存在着一些弊端，生产数据侧重于监控，而忽视了分析挖掘，没能充分挖掘数据中隐藏的缺陷，鉴于以上问题，如何基于火电厂云端系统运行过程中，充分挖掘系统运行崩溃数据，及时找到缺陷并进行系统升级修复，是当前亟待解决的技术问题。
发明内容
有鉴于此，本发明实施例的目的在于提供一种火电厂云端系统的软件升级方法及系统，基于样本系统运行崩溃数据的崩溃联动特征向量及崩溃联动特征向量与编码器和取样网络单元的先验对应信息，构建编码器及取样网络单元；将编码器及取样网络单元与多层感知机进行融合，生成初始化系统缺陷预测网络；基于初始化系统缺陷预测网络，对样本系统运行崩溃数据序列进行设定轮次的去相关处理，对去相关处理后的样本系统运行崩溃数据序列进行系统缺陷预测，生成收敛后的系统缺陷预测网络；根据收敛后的系统缺陷预测网络对待检测系统运行崩溃数据序列进行系统缺陷预测，生成最终系统缺陷预测结果并对火电厂云端系统进行升级修复，由此提高后续对火电厂云端系统的升级效率。
依据本发明实施例的一个方面，提供一种火电厂云端系统的软件升级方法及系统，所述方法包括：
获取火电厂云端系统的样本系统运行崩溃数据序列，提取所述样本系统运行崩溃数据序列中各个样本系统运行崩溃数据的崩溃特征向量，确定所述崩溃特征向量的崩溃上下游环节数据，生成崩溃联动特征向量，并基于所述样本系统运行崩溃数据序列的崩溃联动特征向量及所述崩溃联动特征向量与编码器和取样网络单元的先验对应信息，配置相应级联数量的编码器及取样网络单元，将所述编码器及取样网络单元与设定的去相关网络单元及多层感知机进行融合，生成初始化系统缺陷预测网络；
基于所述初始化系统缺陷预测网络，对所述样本系统运行崩溃数据序列进行设定轮次的去相关处理，生成目标样本崩溃数据序列，并对所述目标样本崩溃数据序列进行系统缺陷预测，生成所述目标样本崩溃数据序列的系统缺陷预测结果，对所述系统缺陷预测结果进行缺陷预测误差值确定，生成缺陷预测误差值，并判断所述缺陷预测误差值是否大于设定误差值，如果所述缺陷预测误差值大于所述设定误差值，则更新所述初始化系统缺陷预测网络的网络权重信息，并返回所述基于所述初始化系统缺陷预测网络，对所述样本系统运行崩溃数据序列进行设定轮次的去相关处理的步骤，直至所述缺陷预测误差值不大于设定误差值时，生成收敛后的所述系统缺陷预测网络；
获取上传的待检测系统运行崩溃数据序列，根据收敛后的所述系统缺陷预测网络对所述待检测系统运行崩溃数据序列进行系统缺陷预测，生成所述待检测系统运行崩溃数据序列的最终系统缺陷预测结果，基于所述最终系统缺陷预测结果对火电厂云端系统进行升级修复。
一种可替代的实施方式，所述对所述样本系统运行崩溃数据序列进行设定轮次的去相关处理，生成目标样本崩溃数据序列，包括：
对所述样本系统运行崩溃数据序列执行设定轮次的编码和取样，生成候选系统运行崩溃数据序列；
对所述候选系统运行崩溃数据序列进行去相关处理，生成目标样本崩溃数据序列。
一种可替代的实施方式，所述对所述样本系统运行崩溃数据序列执行设定轮次的编码和取样，生成候选系统运行崩溃数据序列，包括：
配置设定数量的神经元阵列；
提取所述样本系统运行崩溃数据序列中的样本系统运行崩溃数据，生成所述样本系统运行崩溃数据的运行崩溃点阵列；
根据每个所述神经元阵列与所述运行崩溃点阵列进行编码，生成编码描述序列；
对所述编码描述序列中的编码描述数据进行聚类，生成多个聚类编码描述；
提取每个所述聚类编码描述内崩溃时域特征值中的异常特征值，并将所述异常特征值代替所对应的聚类编码描述的崩溃时域特征值，生成候选系统运行崩溃数据序列。
一种可替代的实施方式，所述提取所述样本系统运行崩溃数据序列中的样本系统运行崩溃数据，生成所述样本系统运行崩溃数据的运行崩溃点阵列，包括：
获取所述样本系统运行崩溃数据序列中的样本系统运行崩溃数据，对所述样本系统运行崩溃数据进行启发式搜索，生成启发样本系统运行崩溃数据；
对所述启发样本系统运行崩溃数据进行运行崩溃点提取，生成所述样本系统运行崩溃数据的运行崩溃点阵列。
一种可替代的实施方式，所述对所述目标样本崩溃数据序列进行系统缺陷预测，生成所述目标样本崩溃数据序列的系统缺陷预测结果，包括：
基于设定分类器对所述目标样本崩溃数据序列进行计算，生成所述目标样本崩溃数据序列的缺陷预测热力图；
基于所述缺陷预测热力图大小，确定所述目标样本崩溃数据序列的系统缺陷预测结果。
一种可替代的实施方式，所述基于设定分类器对所述目标样本崩溃数据序列进行计算，生成所述目标样本崩溃数据序列的缺陷预测热力图，包括：
将所述目标样本崩溃数据序列进行整理，并对所述目标样本崩溃数据序列中的每一个崩溃点进行目标轮次的特征转换，生成特征转换崩溃点；
对所述特征转换崩溃点进行缺陷预测，生成目标预测缺陷；
对所述目标预测缺陷进行热力值计算，生成所述目标样本崩溃数据序列的缺陷预测热力图。
一种可替代的实施方式，所述提取所述样本系统运行崩溃数据序列中各个样本系统运行崩溃数据的崩溃特征向量，包括：
对所述样本系统运行崩溃数据进行运行崩溃点提取，生成样本系统运行崩溃数据运行崩溃点阵列；
设定设定的滑动窗口对所述样本系统运行崩溃数据运行崩溃点阵列进行提取；
计算所述滑动窗口对内崩溃点关联特征，确定所述样本系统运行崩溃数据的崩溃特征向量。
依据本发明实施例的另一方面，提供一种火电厂云端系统的软件升级方法系统，所述系统包括：
第一生成单元，用于获取样本系统运行崩溃数据序列，提取所述样本系统运行崩溃数据序列中各个样本系统运行崩溃数据的崩溃特征向量，确定所述崩溃特征向量的崩溃上下游环节数据，生成崩溃联动特征向量，并基于所述样本系统运行崩溃数据序列的崩溃联动特征向量及所述崩溃联动特征向量与编码器和取样网络单元的先验对应信息，配置相应级联数量的编码器及取样网络单元，将所述编码器及取样网络单元与设定的去相关网络单元及多层感知机进行融合，生成初始化系统缺陷预测网络；
第二生成单元，用于基于所述初始化系统缺陷预测网络，对所述样本系统运行崩溃数据序列进行设定轮次的去相关处理，生成目标样本崩溃数据序列，并对所述目标样本崩溃数据序列进行系统缺陷预测，生成所述目标样本崩溃数据序列的系统缺陷预测结果，对所述系统缺陷预测结果进行缺陷预测误差值确定，生成缺陷预测误差值，并判断所述缺陷预测误差值是否大于设定误差值，如果所述缺陷预测误差值大于所述设定误差值，则更新所述初始化系统缺陷预测网络的网络权重信息，直至所述缺陷预测误差值不大于设定误差值时，生成收敛后的所述系统缺陷预测网络；
升级修复单元，用于获取上传的待检测系统运行崩溃数据序列，根据收敛后的所述系统缺陷预测网络对所述待检测系统运行崩溃数据序列进行系统缺陷预测，生成所述待检测系统运行崩溃数据序列的最终系统缺陷预测结果，基于所述最终系统缺陷预测结果对火电厂云端系统进行升级修复。
依据本发明实施例的另一方面，提供一种电子设备，包括存储器和处理器；所述存储器，用于存储程序；所述处理器，用于执行所述程序，实现以上任一项所述的火电厂云端系统的软件升级方法的各个步骤。
依据本发明实施例的另一方面，提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现以上任一项所述的火电厂云端系统的软件升级方法的各个步骤。
为使本发明实施例的上述目的、特征和优点能更明显易懂，下面将结合实施例，并配合所附附图，作详细说明。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以依据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的服务器的组件示意图；
图2示出了本发明实施例所提供的火电厂云端系统的软件升级方法及系统的流程示意图；
图3示出了本发明实施例所提供的依据火电厂云端系统的软件升级系统的功能模块框图。
具体实施方式
为了使本技术领域的学员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、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。依据本发明中的实施例，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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1示出了服务器100的示例性组件示意图。服务器100可以包括一个或多个处理器104，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。服务器100还可以包括任何存储介质106，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储介质106可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储介质都可以使用任何技术来存储信息。进一步地，任何存储介质可以提供信息的易失性或非易失性保留。进一步地，任何存储介质可以表示服务器100的固定或可移除部件。在一种情况下，当处理器104执行被存储在任何存储介质或存储介质的组合中的相关联的指令时，服务器100可以执行相关联指令的任一操作。服务器100还包括用于与任何存储介质交互的一个或多个驱动单元108，诸如硬盘驱动单元、光盘驱动单元等。
服务器100还包括输入/输出110(I/O)，其用于接收各种输入(经由输入单元112)和用于提供各种输出(经由输出单元114))。一个具体输出机构可以包括呈现设备116和相关联的图形用户接口(GUI)118。服务器100还可以包括一个或多个网络接口120，其用于经由一个或多个通信单元122与其他设备交换数据。一个或多个通信总线124将上文所描述的部件耦合在一起。
通信单元122可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信单元122可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器100等的任何组合。
图2示出了本发明实施例提供的火电厂云端系统的软件升级方法及系统的流程示意图，该火电厂云端系统的软件升级方法及系统可由图1中所示的服务器100执行，该火电厂云端系统的软件升级方法及系统的详细步骤介绍如下。
步骤S110，获取火电厂云端系统的样本系统运行崩溃数据序列，提取所述样本系统运行崩溃数据序列中各个样本系统运行崩溃数据的崩溃特征向量，确定所述崩溃特征向量的崩溃上下游环节数据，生成崩溃联动特征向量，并基于所述样本系统运行崩溃数据序列的崩溃联动特征向量及所述崩溃联动特征向量与编码器和取样网络单元的先验对应信息，配置相应级联数量的编码器及取样网络单元，将所述编码器及取样网络单元与设定的去相关网络单元及多层感知机进行融合，生成初始化系统缺陷预测网络；
步骤S120，基于所述初始化系统缺陷预测网络，对所述样本系统运行崩溃数据序列进行设定轮次的去相关处理，生成目标样本崩溃数据序列，并对所述目标样本崩溃数据序列进行系统缺陷预测，生成所述目标样本崩溃数据序列的系统缺陷预测结果，对所述系统缺陷预测结果进行缺陷预测误差值确定，生成缺陷预测误差值，并判断所述缺陷预测误差值是否大于设定误差值，如果所述缺陷预测误差值大于所述设定误差值，则更新所述初始化系统缺陷预测网络的网络权重信息，并返回所述基于所述初始化系统缺陷预测网络，对所述样本系统运行崩溃数据序列进行设定轮次的去相关处理的步骤，直至所述缺陷预测误差值不大于设定误差值时，生成收敛后的所述系统缺陷预测网络；
步骤S130，获取上传的待检测系统运行崩溃数据序列，根据收敛后的所述系统缺陷预测网络对所述待检测系统运行崩溃数据序列进行系统缺陷预测，生成所述待检测系统运行崩溃数据序列的最终系统缺陷预测结果，基于所述最终系统缺陷预测结果对火电厂云端系统进行升级修复。
基于以上步骤，本实施例基于样本系统运行崩溃数据的崩溃联动特征向量及崩溃联动特征向量与编码器和取样网络单元的先验对应信息，构建编码器及取样网络单元；将编码器及取样网络单元与多层感知机进行融合，生成初始化系统缺陷预测网络；基于初始化系统缺陷预测网络，对样本系统运行崩溃数据序列进行设定轮次的去相关处理，对去相关处理后的样本系统运行崩溃数据序列进行系统缺陷预测，生成收敛后的系统缺陷预测网络；根据收敛后的系统缺陷预测网络对待检测系统运行崩溃数据序列进行系统缺陷预测，生成最终系统缺陷预测结果并对火电厂云端系统进行升级修复，由此提高后续对火电厂云端系统的升级效率。
一种可替代的实施方式，所述对所述样本系统运行崩溃数据序列进行设定轮次的去相关处理，生成目标样本崩溃数据序列，包括：
对所述样本系统运行崩溃数据序列执行设定轮次的编码和取样，生成候选系统运行崩溃数据序列；
对所述候选系统运行崩溃数据序列进行去相关处理，生成目标样本崩溃数据序列。
一种可替代的实施方式，所述对所述样本系统运行崩溃数据序列执行设定轮次的编码和取样，生成候选系统运行崩溃数据序列，包括：
配置设定数量的神经元阵列；
提取所述样本系统运行崩溃数据序列中的样本系统运行崩溃数据，生成所述样本系统运行崩溃数据的运行崩溃点阵列；
根据每个所述神经元阵列与所述运行崩溃点阵列进行编码，生成编码描述序列；
对所述编码描述序列中的编码描述数据进行聚类，生成多个聚类编码描述；
提取每个所述聚类编码描述内崩溃时域特征值中的异常特征值，并将所述异常特征值代替所对应的聚类编码描述的崩溃时域特征值，生成候选系统运行崩溃数据序列。
一种可替代的实施方式，所述提取所述样本系统运行崩溃数据序列中的样本系统运行崩溃数据，生成所述样本系统运行崩溃数据的运行崩溃点阵列，包括：
获取所述样本系统运行崩溃数据序列中的样本系统运行崩溃数据，对所述样本系统运行崩溃数据进行启发式搜索，生成启发样本系统运行崩溃数据；
对所述启发样本系统运行崩溃数据进行运行崩溃点提取，生成所述样本系统运行崩溃数据的运行崩溃点阵列。
一种可替代的实施方式，所述对所述目标样本崩溃数据序列进行系统缺陷预测，生成所述目标样本崩溃数据序列的系统缺陷预测结果，包括：
基于设定分类器对所述目标样本崩溃数据序列进行计算，生成所述目标样本崩溃数据序列的缺陷预测热力图；
基于所述缺陷预测热力图大小，确定所述目标样本崩溃数据序列的系统缺陷预测结果。
一种可替代的实施方式，所述基于设定分类器对所述目标样本崩溃数据序列进行计算，生成所述目标样本崩溃数据序列的缺陷预测热力图，包括：
将所述目标样本崩溃数据序列进行整理，并对所述目标样本崩溃数据序列中的每一个崩溃点进行目标轮次的特征转换，生成特征转换崩溃点；
对所述特征转换崩溃点进行缺陷预测，生成目标预测缺陷；
对所述目标预测缺陷进行热力值计算，生成所述目标样本崩溃数据序列的缺陷预测热力图。
一种可替代的实施方式，所述提取所述样本系统运行崩溃数据序列中各个样本系统运行崩溃数据的崩溃特征向量，包括：
对所述样本系统运行崩溃数据进行运行崩溃点提取，生成样本系统运行崩溃数据运行崩溃点阵列；
设定设定的滑动窗口对所述样本系统运行崩溃数据运行崩溃点阵列进行提取；
计算所述滑动窗口对内崩溃点关联特征，确定所述样本系统运行崩溃数据的崩溃特征向量。
图3示出了本发明实施例提供的依据火电厂云端系统的软件升级系统200的功能模块图，该依据火电厂云端系统的软件升级系统200实现的功能可以对应上述方法执行的步骤。该依据火电厂云端系统的软件升级系统200可以理解为上述服务器100，或服务器100的处理器，也可以理解为独立于上述服务器100或处理器之外的在服务器100控制下实现本发明功能的组件，如图3所示，下面分别对该依据火电厂云端系统的软件升级系统200的各个功能模块的功能进行详细阐述。
第一生成单元210，用于获取样本系统运行崩溃数据序列，提取所述样本系统运行崩溃数据序列中各个样本系统运行崩溃数据的崩溃特征向量，确定所述崩溃特征向量的崩溃上下游环节数据，生成崩溃联动特征向量，并基于所述样本系统运行崩溃数据序列的崩溃联动特征向量及所述崩溃联动特征向量与编码器和取样网络单元的先验对应信息，配置相应级联数量的编码器及取样网络单元，将所述编码器及取样网络单元与设定的去相关网络单元及多层感知机进行融合，生成初始化系统缺陷预测网络；
第二生成单元220，用于基于所述初始化系统缺陷预测网络，对所述样本系统运行崩溃数据序列进行设定轮次的去相关处理，生成目标样本崩溃数据序列，并对所述目标样本崩溃数据序列进行系统缺陷预测，生成所述目标样本崩溃数据序列的系统缺陷预测结果，对所述系统缺陷预测结果进行缺陷预测误差值确定，生成缺陷预测误差值，并判断所述缺陷预测误差值是否大于设定误差值，如果所述缺陷预测误差值大于所述设定误差值，则更新所述初始化系统缺陷预测网络的网络权重信息，直至所述缺陷预测误差值不大于设定误差值时，生成收敛后的所述系统缺陷预测网络；
升级修复单元230，用于获取上传的待检测系统运行崩溃数据序列，根据收敛后的所述系统缺陷预测网络对所述待检测系统运行崩溃数据序列进行系统缺陷预测，生成所述待检测系统运行崩溃数据序列的最终系统缺陷预测结果，基于所述最终系统缺陷预测结果对火电厂云端系统进行升级修复。
一种可替代的实施方式，所述第二生成单元220，具体还用于：
对所述样本系统运行崩溃数据序列执行设定轮次的编码和取样，生成候选系统运行崩溃数据序列；
对所述候选系统运行崩溃数据序列进行去相关处理，生成目标样本崩溃数据序列。
一种可替代的实施方式，所述第二生成单元220，具体还用于：
配置设定数量的神经元阵列；
提取所述样本系统运行崩溃数据序列中的样本系统运行崩溃数据，生成所述样本系统运行崩溃数据的运行崩溃点阵列；
根据每个所述神经元阵列与所述运行崩溃点阵列进行编码，生成编码描述序列；
对所述编码描述序列中的编码描述数据进行聚类，生成多个聚类编码描述；
提取每个所述聚类编码描述内崩溃时域特征值中的异常特征值，并将所述异常特征值代替所对应的聚类编码描述的崩溃时域特征值，生成候选系统运行崩溃数据序列。
一种可替代的实施方式，所述第二生成单元220，具体还用于：
获取所述样本系统运行崩溃数据序列中的样本系统运行崩溃数据，对所述样本系统运行崩溃数据进行启发式搜索，生成启发样本系统运行崩溃数据；
对所述启发样本系统运行崩溃数据进行运行崩溃点提取，生成所述样本系统运行崩溃数据的运行崩溃点阵列。
一种可替代的实施方式，所述第二生成单元220，具体还用于：
基于设定分类器对所述目标样本崩溃数据序列进行计算，生成所述目标样本崩溃数据序列的缺陷预测热力图；
基于所述缺陷预测热力图大小，确定所述目标样本崩溃数据序列的系统缺陷预测结果。
一种可替代的实施方式，所述第二生成单元220，具体还用于：
将所述目标样本崩溃数据序列进行整理，并对所述目标样本崩溃数据序列中的每一个崩溃点进行目标轮次的特征转换，生成特征转换崩溃点；
对所述特征转换崩溃点进行缺陷预测，生成目标预测缺陷；
对所述目标预测缺陷进行热力值计算，生成所述目标样本崩溃数据序列的缺陷预测热力图。
一种可替代的实施方式，所述第一生成单元210，具体还用于：
对所述样本系统运行崩溃数据进行运行崩溃点提取，生成样本系统运行崩溃数据运行崩溃点阵列；
设定设定的滑动窗口对所述样本系统运行崩溃数据运行崩溃点阵列进行提取；
计算所述滑动窗口对内崩溃点关联特征，确定所述样本系统运行崩溃数据的崩溃特征向量。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征时，能够以其它的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

Claims (10)

1.一种火电厂云端系统的软件升级方法，其特征在于，所述方法包括：
获取火电厂云端系统的样本系统运行崩溃数据序列，提取所述样本系统运行崩溃数据序列中各个样本系统运行崩溃数据的崩溃特征向量，确定所述崩溃特征向量的崩溃上下游环节数据，生成崩溃联动特征向量，并基于所述样本系统运行崩溃数据序列的崩溃联动特征向量及所述崩溃联动特征向量与编码器和取样网络单元的先验对应信息，配置相应级联数量的编码器及取样网络单元，将所述编码器及取样网络单元与设定的去相关网络单元及多层感知机进行融合，生成初始化系统缺陷预测网络；
基于所述初始化系统缺陷预测网络，对所述样本系统运行崩溃数据序列进行设定轮次的去相关处理，生成目标样本崩溃数据序列，并对所述目标样本崩溃数据序列进行系统缺陷预测，生成所述目标样本崩溃数据序列的系统缺陷预测结果，对所述系统缺陷预测结果进行缺陷预测误差值确定，生成缺陷预测误差值，并判断所述缺陷预测误差值是否大于设定误差值，如果所述缺陷预测误差值大于所述设定误差值，则更新所述初始化系统缺陷预测网络的网络权重信息，并返回所述基于所述初始化系统缺陷预测网络，对所述样本系统运行崩溃数据序列进行设定轮次的去相关处理的步骤，直至所述缺陷预测误差值不大于设定误差值时，生成收敛后的所述系统缺陷预测网络；
获取上传的待检测系统运行崩溃数据序列，根据收敛后的所述系统缺陷预测网络对所述待检测系统运行崩溃数据序列进行系统缺陷预测，生成所述待检测系统运行崩溃数据序列的最终系统缺陷预测结果，基于所述最终系统缺陷预测结果对火电厂云端系统进行升级修复。
2.根据权利要求1所述的火电厂云端系统的软件升级方法，其特征在于，所述对所述样本系统运行崩溃数据序列进行设定轮次的去相关处理，生成目标样本崩溃数据序列，包括：
对所述样本系统运行崩溃数据序列执行设定轮次的编码和取样，生成候选系统运行崩溃数据序列；
对所述候选系统运行崩溃数据序列进行去相关处理，生成目标样本崩溃数据序列。
3.根据权利要求2所述的火电厂云端系统的软件升级方法，其特征在于，所述对所述样本系统运行崩溃数据序列执行设定轮次的编码和取样，生成候选系统运行崩溃数据序列，包括：
配置设定数量的神经元阵列；
提取所述样本系统运行崩溃数据序列中的样本系统运行崩溃数据，生成所述样本系统运行崩溃数据的运行崩溃点阵列；
根据每个所述神经元阵列与所述运行崩溃点阵列进行编码，生成编码描述序列；
对所述编码描述序列中的编码描述数据进行聚类，生成多个聚类编码描述；
提取每个所述聚类编码描述内崩溃时域特征值中的异常特征值，并将所述异常特征值代替所对应的聚类编码描述的崩溃时域特征值，生成候选系统运行崩溃数据序列。
4.根据权利要求3所述的火电厂云端系统的软件升级方法，其特征在于，所述提取所述样本系统运行崩溃数据序列中的样本系统运行崩溃数据，生成所述样本系统运行崩溃数据的运行崩溃点阵列，包括：
获取所述样本系统运行崩溃数据序列中的样本系统运行崩溃数据，对所述样本系统运行崩溃数据进行启发式搜索，生成启发样本系统运行崩溃数据；
对所述启发样本系统运行崩溃数据进行运行崩溃点提取，生成所述样本系统运行崩溃数据的运行崩溃点阵列。
5.根据权利要求1所述的火电厂云端系统的软件升级方法，其特征在于，所述对所述目标样本崩溃数据序列进行系统缺陷预测，生成所述目标样本崩溃数据序列的系统缺陷预测结果，包括：
基于设定分类器对所述目标样本崩溃数据序列进行计算，生成所述目标样本崩溃数据序列的缺陷预测热力图；
基于所述缺陷预测热力图大小，确定所述目标样本崩溃数据序列的系统缺陷预测结果。
6.根据权利要求5所述的火电厂云端系统的软件升级方法，其特征在于，所述基于设定分类器对所述目标样本崩溃数据序列进行计算，生成所述目标样本崩溃数据序列的缺陷预测热力图，包括：
将所述目标样本崩溃数据序列进行整理，并对所述目标样本崩溃数据序列中的每一个崩溃点进行目标轮次的特征转换，生成特征转换崩溃点；
对所述特征转换崩溃点进行缺陷预测，生成目标预测缺陷；
对所述目标预测缺陷进行热力值计算，生成所述目标样本崩溃数据序列的缺陷预测热力图。
7.根据权利要求1至6中任意一项所述的火电厂云端系统的软件升级方法，其特征在于，所述提取所述样本系统运行崩溃数据序列中各个样本系统运行崩溃数据的崩溃特征向量，包括：
对所述样本系统运行崩溃数据进行运行崩溃点提取，生成样本系统运行崩溃数据运行崩溃点阵列；
设定设定的滑动窗口对所述样本系统运行崩溃数据运行崩溃点阵列进行提取；
计算所述滑动窗口对内崩溃点关联特征，确定所述样本系统运行崩溃数据的崩溃特征向量。
8.一种火电厂云端系统的软件升级系统，其特征在于，包括：
第一生成单元，用于获取样本系统运行崩溃数据序列，提取所述样本系统运行崩溃数据序列中各个样本系统运行崩溃数据的崩溃特征向量，确定所述崩溃特征向量的崩溃上下游环节数据，生成崩溃联动特征向量，并基于所述样本系统运行崩溃数据序列的崩溃联动特征向量及所述崩溃联动特征向量与编码器和取样网络单元的先验对应信息，配置相应级联数量的编码器及取样网络单元，将所述编码器及取样网络单元与设定的去相关网络单元及多层感知机进行融合，生成初始化系统缺陷预测网络；
第二生成单元，用于基于所述初始化系统缺陷预测网络，对所述样本系统运行崩溃数据序列进行设定轮次的去相关处理，生成目标样本崩溃数据序列，并对所述目标样本崩溃数据序列进行系统缺陷预测，生成所述目标样本崩溃数据序列的系统缺陷预测结果，对所述系统缺陷预测结果进行缺陷预测误差值确定，生成缺陷预测误差值，并判断所述缺陷预测误差值是否大于设定误差值，如果所述缺陷预测误差值大于所述设定误差值，则更新所述初始化系统缺陷预测网络的网络权重信息，直至所述缺陷预测误差值不大于设定误差值时，生成收敛后的所述系统缺陷预测网络；
升级修复单元，用于获取上传的待检测系统运行崩溃数据序列，根据收敛后的所述系统缺陷预测网络对所述待检测系统运行崩溃数据序列进行系统缺陷预测，生成所述待检测系统运行崩溃数据序列的最终系统缺陷预测结果，基于所述最终系统缺陷预测结果对火电厂云端系统进行升级修复。
9.一种电子设备，其特征在于，包括存储器和处理器；所述存储器，用于存储程序；所述处理器，用于执行所述程序，实现权利要求1至7中任一项所述的火电厂云端系统的软件升级方法的各个步骤。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至7中任一项所述的火电厂云端系统的软件升级方法的各个步骤。
CN202311070022.0A 2023-08-23 2023-08-23 火电厂云端系统的软件升级方法及系统 Pending CN117009127A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311070022.0A CN117009127A (zh) 2023-08-23 2023-08-23 火电厂云端系统的软件升级方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311070022.0A CN117009127A (zh) 2023-08-23 2023-08-23 火电厂云端系统的软件升级方法及系统

Publications (1)

Publication Number Publication Date
CN117009127A true CN117009127A (zh) 2023-11-07

Family

ID=88570947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311070022.0A Pending CN117009127A (zh) 2023-08-23 2023-08-23 火电厂云端系统的软件升级方法及系统

Country Status (1)

Country Link
CN (1) CN117009127A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118381737A (zh) * 2024-04-22 2024-07-23 天津智玲珑数据科技有限公司 一种应用于云服务平台的数据存储方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105224463A (zh) * 2015-10-28 2016-01-06 南京大学 一种基于崩溃栈数据的软件缺陷代码定位方法
US20190370104A1 (en) * 2018-05-30 2019-12-05 Microsoft Technology Licensing, Llc Preemptive crash data capture
CN111385140A (zh) * 2018-12-28 2020-07-07 卡巴斯基实验室股份制公司 生成监控网络物理系统的数据以早期确定异常的系统和方法
US20220108191A1 (en) * 2020-10-01 2022-04-07 Sap Se Machine-learned model for duplicate crash dump detection
WO2023010916A1 (zh) * 2021-08-06 2023-02-09 中兴通讯股份有限公司 软件自动修复方法、系统、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105224463A (zh) * 2015-10-28 2016-01-06 南京大学 一种基于崩溃栈数据的软件缺陷代码定位方法
US20190370104A1 (en) * 2018-05-30 2019-12-05 Microsoft Technology Licensing, Llc Preemptive crash data capture
CN111385140A (zh) * 2018-12-28 2020-07-07 卡巴斯基实验室股份制公司 生成监控网络物理系统的数据以早期确定异常的系统和方法
US20220108191A1 (en) * 2020-10-01 2022-04-07 Sap Se Machine-learned model for duplicate crash dump detection
WO2023010916A1 (zh) * 2021-08-06 2023-02-09 中兴通讯股份有限公司 软件自动修复方法、系统、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118381737A (zh) * 2024-04-22 2024-07-23 天津智玲珑数据科技有限公司 一种应用于云服务平台的数据存储方法及系统

Similar Documents

Publication Publication Date Title
CN112136143B (zh) 使用神经网络的时间序列数据依赖的动态发现
JP7229308B2 (ja) 時系列データに対する普遍的敵対的攻撃から防御するための方法およびシステム
CN117009127A (zh) 火电厂云端系统的软件升级方法及系统
CN111108481A (zh) 故障分析方法及相关设备
CN111104242A (zh) 基于深度学习的操作系统的异常日志的处理方法及装置
CN111882087A (zh) 设备维保处理方法、装置、计算机系统及可读存储介质
CN116795886A (zh) 用于销售数据的数据分析引擎及方法
CN111459796A (zh) 自动化测试方法、装置、计算机设备和存储介质
CN113377484A (zh) 弹窗处理方法及装置
CN112529024A (zh) 一种样本数据的生成方法、装置及计算机可读存储介质
CN111373406A (zh) 使用问题匹配的先验知识提取的加速仿真设置过程
CN116926241B (zh) 一种免疫细胞培养控制方法及系统
CN115757900B (zh) 应用人工智能模型的用户需求分析方法及系统
CN114385398A (zh) 一种请求响应状态确定方法、装置、设备和存储介质
US20220383137A1 (en) Enterprise Market Volatility Predictions through Synthetic DNA and Mutant Nucleotides
CN113535815A (zh) 适于电子商务的业务操作行为大数据挖掘方法及系统
CN113051479A (zh) 文件处理、推荐信息生成方法、装置、设备及存储介质
CN117031421B (zh) 雷达信号模拟系统的异常分析方法及系统
US20240259408A1 (en) Test case-based anomaly detection within a computing environment
Li et al. SCIF-ARF: Container Anomaly Prediction for Container Cloud Platforms
CN117200203B (zh) 应用于电力系统的运行优化方法及系统
CN116629252B (zh) 基于物联网的远程参数自适应性配置方法及系统
CN118313486B (zh) 模型构建方法、装置、系统、电子设备及程序产品
US11823064B2 (en) Enterprise market volatility prediction through synthetic DNA and mutant nucleotides
US11823065B2 (en) Enterprise market volatility predictions through synthetic DNA and mutant nucleotides

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