基于CNN深度算法改进及故障预测研究

发布时间：2024-02-22 02:33

　　传统的故障研究,大多使用规则事件分析、关联分析等方法分析关键指标、详细记录,极大地依赖于专业工作者的手动提取。现有网络系统中数据总量激增,且有丰富的可挖掘信息,而日志的半结构化的特性造成自动处理困难。针对这一问题,提出了一种基于深度学习的网络故障预测方法。该方法利用滑动窗口从日志数据中获取训练集和测试集需要的样本文本,利用卷积神经网络算法(convolutional neural networks,CNN)实现对当前序列和日志标签的故障分析。在此基础上,使用随机梯度下降方法优化训练模型,优化时通过检测目标函数值随时间的学习曲线来选择学习率。实验使用的是一套故障预测系统,包含原始数据预处理、预测模型的搭建和基于数据样本的模型训练。在模型做成后,测试不同滑动窗口大小下的预测性能,并进行对比研究。实验结果表明,与传统算法相比,改进后的预测方法在各项分析指标上具有较好的准确性。

【文章页数】：6 页

【部分图文】：

图1故障预测算法改进示意图

为了挖掘更多的信息量，在输入序列和日志标签联系的基础上，基于输入序列和输出序列进行建模，预测出新的信息源即输出序列，利用I2、Ia、I1实现故障预测。算法改进示意图如图1所示。(2）随机梯度下降优化算法的改进。

图2数据处理流程

(2）数据预处理：如前所述，直接采集初始时的日志像文本一样包含内容项多，不是可以直接用作卷积神经网络输入的格式化数据，因此会基于原始数据进行处理以保留对象信息。制作出清洗后日志的单词词典，在此基础上实现样本的提取，做后期的训练和测试。预处理数据主要为三个部分：数据清洗、字典构建和....

图3卷积神经网络示意图

用日志数据对模型进行大量训练和测试，实现最优化。与传统CNN不同的是，文中除了CNN特有的三层处理外还包括针对文本处理的词嵌入层。卷积神经网络示意图如图3所示。(1）词嵌入层。

图5CNN训练和测试流程示意图

在预处理样本中采取若干个独立的小批量样本，分别计算各自的梯度，通过这些样本均值算出梯度的无偏估计值。1.4实验

本文编号：3906263