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！

申请/专利权人：国富瑞(福建)信息技术产业园有限公司

摘要：一种基于深度递归网络的大数据计算机系统故障检测方法，涉及故障检测技术领域，包括以下步骤：获得运行时序特征和流量时序特征，将运行时序特征和流量时序特征分为可量化特征和不可量化特征，构建可量化特征和不可量化特征的时序特征盘，并获得两者的可视特征图，在可视特征图中获得可视特征点，结合历史数据获得异常特征点集合，根据异常特征点集合构建深度递归网络模型，利用所构建的深度递归网络模型对计算机系统是否存在故障进行检测；通过本发明的技术方案，能够直观地获得计算机系统处于故障状态时各类特征的可视特征点的分布情况，有利于根据历史数据初步判断计算机系统是否存在故障。

主权项：1.一种基于深度递归网络的大数据计算机系统故障检测方法，其特征在于，包括以下步骤：步骤S1：对计算机系统的运行数据和流量数据进行采集，获得计算机系统的运行时序特征和流量时序特征；步骤S2：将所获得的运行时序特征和流量时序特征分为可量化特征和不可量化特征，并获得不可量化特征的标准时序特征，分别构建可量化特征和不可量化特征的时序特征盘，并获得两者的可视特征图；步骤S3：在可视特征图中分别获得可量化特征和不可量化特征的可视特征点，并结合历史数据获得异常特征点集合，根据所获得的异常特征点集合构建深度递归网络模型，获得计算机系统的当前运行数据和当前流量数据，所述当前运行数据包括硬件性能指标、软件性能指标、网络性能指标，所述当前流量数据包括数据包信息、连接和流量模式、服务质量指标，利用所构建的深度递归网络模型对计算机系统是否存在故障进行检测，生成故障信号并反馈；分别构建可量化特征和不可量化特征的时序特征盘，并获得两者的可视特征图的过程包括：对于可量化特征，获得该可量化特征的特征数量，根据所获得的特征数量构建相应的正多边形，将该可量化特征的每项特征分别对应正多边形的一个顶点，在正多边形的中心与各个顶点之间分别建立相应特征的坐标轴以获得该可量化特征的时序特征盘，将该可量化特征的各项特征的数字分别输入至相应的坐标轴以获得坐标点，将所获得的多个坐标点依次进行连接以获得该可量化特征的可视特征图形；对于不可量化特征，采取同样的方法构建该不可量化特征的时序特征盘，将不可量化特征与其相应的标准时序特征进行比较，获得两者的文本相似度，将所获得的文本相似度分别输入至相应的坐标轴以获得坐标点，采取同样的方法获得该不可量化特征可视特征图；在可视特征图中分别获得可量化特征和不可量化特征的可视特征点，并结合历史数据获得异常特征点集合的过程包括：获得各个可视特征图的中心，将可视特征图的中心作为可量化特征和不可量化特征的可视特征点，通过可视特征点在时序特征盘内的位置来反映不同特征之间的差异；获得计算机系统的历史数据，所述历史数据是指被检测为故障的运行数据和流量数据，采取同样的方法获得历史数据的可视特征点，根据各项历史数据的可视特征点获得异常特征点集合，所述异常特征点集合内包含有不同时间段、不同特征的时序特征盘以及可视特征图、可视特征点；根据所获得的异常特征点集合构建深度递归网络模型的过程包括：选择深度递归网络模型作为初始的故障检测模型，利用所获得的异常特征点集合对初始的故障检测模型进行训练和评估，通过学习其中可视特征点在时序特征盘中的分布位置与历史数据的对应关系以获得最新的故障检测模型，故障检测模型用于获得所输入的运行数据和流量数据的时序特征盘和可视特征点，并对其是否存在故障进行检测；获得计算机系统的当前运行数据和当前流量数据，利用所构建的深度递归网络模型对计算机系统是否存在故障进行检测，生成故障信号并反馈的过程包括：获得计算机系统的当前运行数据和当前流量数据，将当前运行数据和当前流量数据输入至最新的故障检测模型，通过所述最新的故障检测模型对当前运行数据和当前流量数据中的各类特征进行提取，并获得各类特征的当前可视特征点，将所获得的当前可视特征点与相应时间段、相同特征的异常特征点集合进行比较；根据异常特征点集合获得各类特征的异常特征区，将各类特征的当前可视特征点与其相应的异常特征区进行比较，根据比较结果获得存在故障的各类特征，生成相应的故障信号并反馈至相关人员处。

全文数据：

权利要求：

百度查询： 国富瑞(福建)信息技术产业园有限公司 一种基于深度递归网络的大数据计算机系统故障检测方法