[发明专利]基于机器学习预测CPU故障的方法及系统

说明书

本发明实施例公开了基于机器学习预测CPU故障的方法及系统，方法包括获取不同CPU的特征信息，形成训练数据集；对所述训练数据集，结合输入标签值，利用监督式学习算法进行训练建模，得到CPU故障的预测模型；利用所述预测模型，对CPU进行故障预测。本发明基于机器学习算法，建立服务器CPU故障的预测模型，利用该模型对CPU进行故障预测，提前获知CPU的健康状况，便于及时采取相关的应对措施，降低风险和危害。

技术领域

本发明涉及计算机技术领域,具体地说是基于机器学习预测CPU故障的方法及系统。

背景技术

随着大数据时代的到来，作为计算平台核心的服务器，其可靠性、稳定性正接受着种种考验。CPU作为服务器的核心组成部分，承担着解释计算机指令以及处理计算机软件中的数据的重要作用，如果CPU发生故障，将导致服务器的可靠性会下降，甚至给用户带来损失。

现有技术中，缺乏对CPU故障预测的相关技术，只能在CPU实际出现故障时采取相应的应对措施。对重要服务器上的CPU通常根据往常的经验，根据CPU的工作时长，定期的进行维护或更换，成本较高。且在CPU发生意外故障时，往往对用户造成巨大损失。

发明内容

本发明实施例中提供了基于机器学习预测CPU故障的方法及系统，以解决现有技术中缺乏对CPU故障进行预测，使用成本高的问题。

为了解决上述技术问题，本发明实施例公开了如下技术方案：

本发明第一方面提供了基于机器学习预测CPU故障的方法，包括以下步骤：

获取不同CPU的特征信息，形成训练数据集；

对所述训练数据集，结合输入标签值，利用监督式学习算法进行训练建模，得到CPU故障的预测模型；

利用所述预测模型，对CPU进行故障预测。

结合第一方面，在第一方面第一种可能的实现方式中，所述获取不同CPU的特征信息，形成训练数据集的具体过程为：

在操作系统下运行信息采集工具，获取服务器上CPU的特征信息；

生成日志文件，将所述特征信息存储在日志文件中，作为训练数据集；

根据所述训练数据集，定义特征值。

结合第一方面，在第一方面第一种可能的实现方式中，信息采集工具支持远程采集和本地采集，远程采集时通过输入目标服务器的BMC IP，获取远程服务器的CPU特征信息。

结合第一方面，在第一方面第二种可能的实现方式中，对所述训练数据集，结合输入标签值，利用监督式学习算法进行训练建模，得到CPU故障的预测模型的具体过程为：

利用sklearn中的preproccessing库进行数据的预处理；

结合输入标签值，对预处理过的数据利用sklearn中的监督式学习算法创建模型。

结合第一方面，在第一方面第二种可能的实现方式中，创建预测模型后还包括步骤：利用sklearn中的metrics模块对模型进行评估，得到预测模型。

结合第一方面，在第一方面第二种可能的实现方式中，对数据进行的预处理包括对定量特征二值化和对定性特征独热编码。

结合第一方面，在第一方面第三种可能的实现方式中，利用所述预测模型，对CPU进行故障预测的具体过程为：

将所述预测模型部署到故障预测服务器上；

运行信息采集工具，获取待预测服务器的CPU特征信息，并上传至故障预测服务器；

根据所述预测模型，对待预测服务器的CPU健康状态进行评估，得到CPU的故障预测结果。