[发明专利]一种运维管控平台故障特征提取方法

说明书

一种运维管控平台故障特征提取方法，其特点是，包括：主成分分析特征提取和二次特征选择等内容。基于主成分分析特征提取能将高维空间样本变换为低维空间样本，在特征维度降低的同时降低特征属性的冗余度，并保留了主要的分类信息，大大降低了分类器的计算复杂度，缩短了训练时间；又因为在此特征提取过程中嵌入二次特征选择功能，基于关联规则特征选择，结合启发式序列后向搜索策略对评估结果进行排序，进而确定特征子集的关键特征，使特征属性具有最大关联—最小冗余，即可以最大程度提高属性特征与类属性关联度，且降低属性与属性之间的冗余，显著提高管控故障分类精度。该方法科学合理，适用性强，可广泛适用于各种故障分类管控平台。

技术领域

本发明涉及信息系统运维管控故障特征提取技术领域，是一种运维管控平台故障特征提取方法。

背景技术

信息系统管控平台为了获取系统运行状况和运行趋势等信息，对硬件设备、软件应用进行实时远程的监控。管控平台对设备监控需要在网络环境下进行，在网络环境下，数据传输通常会为数据流带来对应的特征，这些特征是实现数据识别的重要基础。当管控设备进行监控时，会收集到大量的故障信息，特征提取与选择技术是对这些进行故障信息进行分类识别的基础。特征提取与选择技术可以实现多属性、高冗余的信息环境下关键监控特征的选取。

在信息系统智能管控平台中，为加强系统的集中管理和统一监控，通过实现网络、安全设备的全网监控，提供精准的故障判断及处理建议，提高人员解决故障的能力及效率。为了实现这一目标，用特征提取与选择技术确定监控故障数据的关键特征，每个故障类型可能包含许多个特征，从中选取最能代表此类故障类型的关键特征。特征提取与选择技术的优势在于进行故障类型识别分类的过程中，在降低数据冗余前提下，大大提高故障识别的精确度。相比于其他技术更能准确地选取最能代表此类故障类型的关键特征。

通过特征提取与选择技术，实现对故障类型的有效识别分类，从而对故障进行快速高效的分析和处理，及时向管理人员进行快速报警，实现24小时的无人连续监控。

运维管控平台故障数据中含有较多特征的数据，这些数据称为高维数据。基于高维数据的部分特征对故障类型进行自动分类，但某些故障数据中的特征对分类结果的贡献并不大。此外，由于特征之间存在一定的相关性及冗余，使分类过程中产生较大的时间、空间开销，造成故障分类效果不佳。高维数据的冗余特征在很大程度上影响着分类器的性能，尤其是采用全部数据特征作为决策函数的标准有监督学习分类算法。因而，对于基于有监督学习的分类器，在分类之前先对其原始数据特征进行提取或特征选择，减少数据的冗余性，能够有效提升分类器的泛化能力。目前，管控平台故障分类的故障统计特征可以达到上百种。为了提升分类算法效率与准确率，有效减少原始数据的规模与特征间的冗余，需要对原始高维数据的特征进行特征选择和提取。特征选择是从原始数据特征中选择出一个最优特征子集，这个特征子集能够最大程度上代表原始数据的分布特性；特征提取是通过映射原理，将高维的数据样本通过变换映射为低维样本，映射后形成新的样本特征组合，这种组合不仅维度降低且由于是映射变换亦能够充分代表原始特征。

发明内容

本发明的目的是，克服当数据间相似的依赖性很强时，单纯采用特征选择方法冗余信息去除不充分的问题，提供一种科学合理，适用性强，能够在确定特征子集的情况下，更加有效的去除数据冗余，同时取得较好分类精度的运维管控平台故障特征提取方法。

本发明的目的是由以下技术方案来实现的：一种运维管控平台故障特征提取方法，其特征是，它包括的内容有：

1)主成分分析特征提取