[发明专利]一种基于卷积神经网络的信息系统故障诊断方法及装置

说明书

技术领域

本发明涉及信息系统运行维护领域，特别涉及一种基于卷积神经网络的信息系统故障诊断方法及装置。

背景技术

随着云计算、大数据的发展和应用，信息服务无处不在，已经完全融入到人们生产和生活之中，因此要求信息系统能够可靠地提供各类服务。信息系统运行时积累了大量数据，可以很好地反映信息系统的运行状态，为故障时的智能诊断提供了重要的基础。

智能故障诊断是一个传统的研究领域，在各行各业都有着一定的研究和实践。在信息系统故障诊断方面，也开展了这方面的研究和探索。目前，现有技术支持向量机、BP神经网络(BP，Back Propagation，反向传播)和决策树等机器学习方法在信息通信故障诊断中已经得到了一定的研究和应用。但这些方法存在预测精度低，且需要人工选取特征从而导致主观性强等问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于卷积神经网络的信息系统故障诊断方法，以避免因人为因素而产生的误差，提高故障诊断精准度。其具体方案如下：

一种基于卷积神经网络的信息系统故障诊断方法，包括：

获取运行监控数据；

利用所述运行监控数据，创建运行监控数据矩阵；

将所述运行监控数据矩阵输入到故障诊断模型，得到诊断结果，其中，所述故障诊断模型为利用历史运行监控数据矩阵和运行状态标签，对卷积神经网络进行训练，得到所述故障诊断模型。

优选的，所述利用所述运行监控数据，创建运行监控数据矩阵的过程包括：

将所述运行监控数据按照信息的类型进行排列，创建所述运行监控数据矩阵。

优选的，所述获取运行监控数据的过程包括：

获取所述信息系统的运行数据；

将所述运行数据进行归一化处理，得到所述运行监控数据。

优选的，所述故障诊断模型的获得过程包括：

预先创建所述卷积神经网络；

利用反向传播算法、所述历史运行监控数据矩阵和所述运行状态标签对所述卷积神经网络进行训练，得到所述故障诊断模型。

优选的，所述卷积神经网络包括:

依次连接的输入层、第一特征提取层、第一特征映射层、第二特征提取层、第二特征映射层、卷积层和输出层。

优选的，所述第一特征提取层和所述第二特征提取层中的卷积核均为5×5的卷积核，所述卷积层中的卷积核为3×3的卷积核，所述输出层为全连接层。

本发明还公开了一种基于卷积神经网络的信息系统故障诊断装置，包括：

数据获取模块，用于获取运行监控数据；

矩阵创建模块，用于利用所述运行监控数据，得到运行监控数据矩阵；

故障诊断模块，用于将所述运行监控数据矩阵输入到故障诊断模型，得到诊断结果，其中，所述故障诊断模型为利用历史运行监控数据矩阵和运行状态标签，对卷积神经网络进行训练，得到所述故障诊断模型，所述运行状态标签为通过用户对信息系统运行故障的状态进行记录得到的。

优选的，所述运行监控数据矩阵获取模块具体用于将所述运行监控数据按照信息的类型进行排列，组成所述运行监控数据矩阵。

优选的，所述运行监控数据获取模块包括：

数据获取单元，用于获取所述信息系统的运行数据；

归一化处理单元，用于将所述运行数据进行归一化处理，得到所述运行监控数据。

优选的，所述故障诊断模块包括：

网络创建单元，用于预先创建所述卷积神经网络；

模型训练单元，用于利用反向传播算法、所述历史运行监控数据矩阵和所述运行状态标签对所述卷积神经网络进行训练，得到所述故障诊断模型。

本发明中，基于卷积神经网络的信息系统故障诊断方法，包括：获取运行监控数据；利用运行监控数据，创建运行监控数据矩阵；将运行监控数据矩阵输入到故障诊断模型，得到诊断结果，其中，故障诊断模型为利用历史运行监控数据矩阵和运行状态标签，对卷积神经网络进行训练，得到故障诊断模型。可见，本发明中利用卷积神经网络创建故障诊断模型，对运行监控数据进行故障诊断，得出诊断结果，使得用户利用诊断结果可以对信息系统进行维护，使用卷积神经网络提升了对于特征的抽取能力和分类能力，能够更有效的诊断出系统的故障，避免了人为因素的干扰，提升了诊断的准确度，且对故障诊断模型的复用提升诊断效率，为信息系统的安全运行提供了支持。

附图说明