买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜南京航空航天大学申请的专利基于IFA-BP-Adaboost的云数据中心故障检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115081525B 。

龙图腾网通过国家知识产权局官网在2025-04-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210679446.6，技术领域涉及：G06F18/214；该发明授权基于IFA-BP-Adaboost的云数据中心故障检测方法是由王美奇;庄毅;许涛;顾晶晶设计研发完成，并于2022-06-16向国家知识产权局提交的专利申请。

本基于IFA-BP-Adaboost的云数据中心故障检测方法在说明书摘要公布了：本发明公开了一种基于IFA‑BP‑Adaboost的云数据中心故障检测方法，包括：采集云数据中心系统故障特征信息，获得监测数据集；对监测数据集进行特征提取，得到训练样本集；确定BP神经网络结构，初始化训练样本权值分布；使用IFA算法计算神经网络的初始最优权值和阈值，构建若干IFA‑BP神经网络；对上一步构建的神经网络进行训练，并计算网络的权重；根据计算的权重动态构建基于IFA‑BP‑AdaBoost的云数据中心故障检测模型；对目标系统采集的监测数据进行特征提取，输入到训练好的故障检测模型中，判断是否出现故障。本发明方法能够在不影响系统运行的情况下进行故障检测，出现故障时及时地做出故障响应。

本发明授权基于IFA-BP-Adaboost的云数据中心故障检测方法在权利要求书中公布了：1.一种基于IFA-BP-Adaboost的云数据中心故障检测方法，其特征在于，所述方法包括以下步骤：步骤1，监测云数据中心系统的运行状态，采集故障特征信息，获得监测数据集；故障特征信息F为一个四元组：F＝Fcpu,FNetworks,FStorage,FIO1其中，Fcpu表示云数据中心的计算资源属性，Fcpu＝x1,x2,x3，x1表示用户级别的CPU使用率，x2表示系统级别的CPU使用率，x3表示空闲CPU百分比；FNetworks表示云数据中心的网络资源属性，FNetworks＝x4,x5,x6,x7，x4表示接收时产生错误的数据包数，x5表示每秒接收的包数，x6表示每秒发送的包数，x7表示发送时产生错误的数据包数；FStorage表示云数据中心的存储资源属性，FStorage＝x8,x9,x10,x11，x8表示目前内存的使用率，x9表示可用的空闲内存，x10表示已经使用的内存，x11表示每秒从磁盘或虚拟内存置换到内存的字节数；FIo表示云数据中心的IO资源属性，FIo＝x12,x13,x14，x12表示每秒向磁盘设备请求数据的总次数，x13表示每秒向磁盘设备的读请求次数，x14表示每秒向磁盘设备的写请求次数步骤2，利用主成分分析法对监测数据集进行特征提取，得到训练样本集；步骤3，确定用于云数据中心故障检测的BP神经网络的结构，初始化训练样本的权值分布；步骤4，使用改进萤火虫算法IFA计算BP神经网络的初始最优权值和阈值，构建若干IFA-BP神经网络；萤火虫行为与BP神经网络优化问题的对应关系如表1所示：表1萤火虫行为与BP神经网络优化问题的对应关系 优化的具体步骤如下：步骤4.1，初始化IFA的基本参数，设置萤火虫种群数目Num，每一个萤火虫代表BP神经网络初始权值和阈值的一个候选解；设置萤火虫的最大吸引度β0，β0表示最大荧光亮度处萤火虫的吸引度大小；设置光强吸收系数γ，该系数体现荧光受距离及传播媒介影响而减弱的特性，步长因子α，最大迭代次数Gmax，最大最小wmax和最小权重wmin，BP神经网络误差函数作为适应度函数，适应度值越小，BP神经网络质量越好；步骤4.2，对步骤3构建的BP神经网络的输出层的阈值、隐含层的阈值、输出层与隐含层的权值和隐含层与输入层的权值分别进行编码，形成萤火虫个体；步骤4.3，对每个萤火虫的位置进行随机初始化，即初始化BP神经网络权值和阈值，计算萤火虫个体适应度值，将该适应度值作为萤火虫各自的最大荧光亮度I0；步骤4.4，根据式2计算萤火虫个体的荧光亮度I： 其中，rij为萤火虫i和萤火虫j之间的距离，xik,xjk分别为萤火虫i、j在空间中的第k个分量，d为空间维数；计算萤火虫个体的相互吸引度β如式4，相互吸引度β决定了萤火虫移动的距离； 其中β0为最大荧光亮度位置的吸引度大小，即r＝0处的吸引度大小；步骤4.5，若萤火虫j的荧光亮度大于萤火虫i的荧光亮度，则萤火虫i被萤火虫j吸引并向萤火虫j移动，即萤火虫j取值方案下的BP神经网络优于萤火虫i取值方案下的BP神经网络，根据式5更新萤火虫i的位置；xit+1＝wxit+βxjt-xit+αrand-125其中，xit+1代表萤火虫i在t+1次移动后的位置，αrand-12为随机扰动项，α为步长因子，rand为[0,1]上服从均匀分布的随机数，w为惯性权重；步骤4.6，萤火虫个体位置更新后，重新计算各萤火虫个体的适应度值，对萤火虫个体的适应度值进行升序排列，找到适应度值最小的萤火虫个体，即找到此次迭代下最优的BP神经网络的初始权值和阈值的取值方案，然后判断当前迭代次数是否达到最大迭代次数Gmax或者设定的搜索精度，若达到则转向步骤4.7，否则转向步骤4.4；步骤4.7，将适应度值最小的萤火虫个体作为最亮的萤火虫个体，即BP神经网络的初始权值和阈值的最优取值方案；最后将IFA优化结果代入BP神经网络，确定初始权值和阈值，初始化M个IFA-BP神经网络；步骤5，使用训练样本集对各IFA-BP神经网络进行训练，根据Adaboost算法计算各IFA-BP神经网络的权重；具体包括：步骤5.1，使用带有权值分布的数据训练IFA-BP神经网络，将训练后的IFA-BP神经网络作为弱分类器，记为gmx，m＝1,…,M，训练数据在当前弱分类器gmx下的误差率errm如式6： 其中，wmi为第i个训练数据对应的权值，fi为实例数据，li为该实例数据对应的标签；步骤5.2，根据式7计算弱分类器gmx的权重am： 步骤5.3，根据式8更新训练数据集权值分布： 其中，Zm为归一化因子； 步骤6，根据各IFA-BP神经网络的权重动态构建基于IFA-BP-AdaBoost的云数据中心故障检测模型；具体如下：将各IFA-BP神经网络弱分类器通过权重am合并构成IFA-BP-AdaBoost强分类器G，计算公式如式10，所得G即为基于IFA-BP-AdaBoost的云数据中心故障检测模型； 步骤7，对目标系统采集的监测数据进行特征提取，输入到训练好的IFA-BP-AdaBoost云数据中心故障检测模型中，分析判断是否出现故障。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京航空航天大学，其通讯地址为：210016 江苏省南京市秦淮区御道街29号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。