[发明专利]一种基于LDA的软件故障专家系统的构建方法

权利要求书

1.一种基于LDA的软件故障专家系统的构建方法，所述LDA为潜在狄利克雷分布，其特征在于：其步骤如下：

步骤1、搜集大量与被诊断软件相关的故障案例，筛选出合适的案例集；根据被诊断软件所有可能发生的原因、现象以及故障所在位置、故障严酷度，对案例集中的案例逐条进行失效模式与影响分析即FMEA分析；

步骤2、对FEMA形式案例集文本数据进行迭代，利用LDA算法分别构建故障属性主题模型：故障现象主题模型、故障原因主题模型、故障措施主题模型；

步骤3、针对待输入的故障症状信息，结合LDA算法构建症状主题模型；

步骤4、实现症状主题模型与故障属性主题模型的语义关联推理评分算法；

步骤5、整合步骤2～4，完成推理子系统的构建；

步骤6、利用Hadoop技术完成存储子系统的构建，实现对案例文本数据和LDA主题模型数据存储，以及推理评分数据存取；

步骤7、基于Spring MVC框架，构建服务子系统，实现客户端与后端的数据交互；

步骤8、整合存储子系统、推理子系统以及服务子系统，完成专家系统的构建；

通过上述步骤，可以完成对基于LDA的软件故障专家系统的构建，对于被诊断对象中的故障症状，通过建立症状主题模型，完成与故障属性主题模型的语义关联推理，获取按推理评分排序的故障相关信息作为诊断结果，从而完成软件故障诊断。

2.根据权利要求1所述的一种基于LDA的软件故障专家系统的构建方法，其特征在于：在步骤1中所述的“FMEA分析”，是指一种系统化的可靠性分析方法，它自下而上，通过对被诊断系统各组成部分潜在的各种故障模式及其对系统功能的影响分析，提出采取的预防改进措施，以提高产品的可靠性，它在保证产品可靠性方面起着重要的作用。

3.根据权利要求1所述的一种基于LDA的软件故障专家系统的构建方法，其特征在于：在步骤3中所述的“针对待输入的故障症状信息，结合LDA算法构建症状主题模型”，其作法如下：使用基于向量的建模方法构建症状主题模型，将故障症状表示为一个k维向量pu＝<z1，z2，z3，z4…zk>；与故障案例的特征向量定义相同，pu表示故障症状的特征向量，k表示通过LDA算法建模后的主题个数，zk表示该故障症状在第k主题上的生成概率；需要注意的是，症状主题模型的生成方式与案例主题模型有所不同；症状主题模型无法直接从LDA模型中生成，这是由于症状信息都是对故障现象的描述，不具备故障原因与故障措施属性信息；因此，需要联合案例的故障属性信息对故障症状主题模型进行构建：首先定义故障属性向量αi用于表示不同故障属性对应的评分权值，α1对应故障现象的评分权值，α2对应故障原因的评分权值，α3对应故障措施的评分权值，该向量能在新的故障属性类型加入时被动态扩展；由此，故障症状对故障属性能描述为一个故障属性向量Cu，i＝<c1，…，cα>，其中cα为该症状与第α故障属性信息的关联相似度，该值能通过计算文本与之对应的主题概率分布求得；症状的故障属性向量模型能描述为：

z k = Σ n = 1 N θ k Σ k = 1 α c u , i α i N ; ]]>

其中θk代表了文档中第k个主题的比重，n表示该故障症状曾对比分析过的案例个数；上述公式使用了每一个被分析过的故障属性向量乘以该属性预先定义的权值αi，得到该故障症状信息在第k主题分量上的值zk，由此计算得出k维向量pu＝<z1，z2，z3，z4…zk>，从而构建故障症状主题模型。