[发明专利]基于深度递归网络大数据计算机系统故障检测方法及系统

权利要求书

1.一种基于深度递归网络大数据计算机系统故障检测方法，其特征在于，所述基于深度递归网络大数据计算机系统故障检测方法包括：

步骤一，通过检测程序检测计算机网络连接状态；通过检测程序对计算机系统的运行状态进行检测，获取系统检测数据，并对检测数据进行预处理：

(I)利用系统检测传感器分别获取计算机系统中硬件和软件的运行数据；

(II)对获取的计算机系统中硬件和软件的运行数据进行预处理；预处理完成后，选择确定的数据信号，并进行数据的分解；

(III)计算出分解数据的高频系数，并且对分解的数据设定一个阈值进行量化处理；量化处理完成后，进行系统检测数据的重构；

步骤二，通过数据特征提取算法对步骤一预处理后的检测数据进行数据特征的提取：(1)根据预设特征提取算法提取所述计算机系统故障检测数据的第一数据特征组；

(2)根据预设聚类算法对所述计算机系统故障检测数据进行处理得到多个第一数据分组，对所述多个第一数据分组进行特征提取得到所述计算机系统故障检测数据的第二数据特征组；

(3)根据所述第一数据特征组和所述第二数据特征组分析确定所述计算机系统故障检测数据的目标数据特征；

步骤三，通过中央处理器控制模型建立程序根据提取的检测数据特征建立检测计算机系统的递归神经网络数学模型，并通过模型训练程序将预处理后的数据通过建立的递归神经网络数学模型进行训练；

步骤四，通过故障检测程序利用步骤三训练好的递归神经网络数学模型进行计算机系统故障的检测：1)按计算机系统预设的检测周期向故障检测程序节点发送第一检测指令；

2)当接收到与所述第一检测指令对应的计算机系统的GPU设备信息时，向所述节点发送第二检测指令；

3)当接收到与所述第二检测指令对应的异常信息时，利用递归神经网络数学模型将所述GPU设备信息与预先生成的设备文件信息进行匹配；

4)若所述GPU设备信息与所述设备文件信息不匹配，则确定所述计算机系统存在故障；

步骤五，通过分析对比程序对检测到的系统故障进行对比分析，并对计算机后期运行状态进行预测；通过指示灯和报警器对计算机系统故障和异常网络连接状态进行预警。

2.如权利要求1所述的基于深度递归网络大数据计算机系统故障检测方法，其特征在于，步骤五之后，还需进行：步骤1，通过云服务器存储计算机网络连接状态、系统检测数据、递归神经网络数学模型、故障检测结果以及预警信息；

步骤2，通过无线信号收发器实现数据的传输；

步骤3，通过移动终端接收云服务器发送的数据，并对计算机系统故障检测系统进行远程控制；

步骤4，通过高清显示屏显示计算机网络连接状态、系统检测数据、递归神经网络数学模型、故障检测结果以及预警信息。

3.如权利要求1所述的基于深度递归网络大数据计算机系统故障检测方法，其特征在于，步骤一中，所述步骤(II)的对获取的计算机系统中硬件和软件的运行数据进行预处理的方法，包括：

在计算机系统中硬件和软件的运行数据中选取多个数据点作为第一数据组；所述第一数据组中的每个数据点包括一第一坐标值和一第二坐标值；

将数据点根据第一坐标值分为子点组，并计算各个子点组内的各个数据点的第二坐标值之差，并通过计算得到各个数据点的局部离群点因子；

利用离群点去噪将各个子点组内的异常的数据点移除；

对离群点去噪后的所有数据点进行拟合并移除偏差较大的数据点，并输出去噪后数据组。

4.如权利要求3所述的基于深度递归网络大数据计算机系统故障检测方法，其特征在于，所述各个数据点的局部离群点因子的计算方法如下：

式中，R_m为局部离群点因子；f_m是数据点m的可达密度，且其中m遍历满足1≤m≤n的所有整数；a_ml是子数据点的可达距离；k是子点组点数量阈值。