[发明专利]一种基于神经网络模型的服务器监测方法和装置

权利要求书

1.一种基于神经网络模型的服务器监测方法，其特征在于，包括：

获取待测服务器的电磁波数据信息；其中，所述电磁波数据信息包括电磁波频率、波长、幅度和波形；

将所述电磁波数据信息输入至训练好的神经网络模型，获得所述待测服务器的监测结果；其中，所述电磁波频率、所述波长、所述幅度和所述波形均作为神经元；所述训练好的神经网络模型包括输入层、隐层和输出层；所述输入层、所述隐层和所述输出层依次连接；所述训练好的神经网络模型还包含若干层神经网络，每层神经网络包括一层卷积层和一层最大化池化层；所述卷积层的输入矩阵和输出矩阵均包括样本数维度、位置信息维度、电磁波频率维度、波长维度、幅度维度和波形维度。

2.如权利要求1所述的一种基于神经网络模型的服务器监测方法，其特征在于，在所述将所述电磁波数据输入至训练好的神经网络模型之前，还包括：

对所述电磁波数据进行预处理，具体地：

通过小波阈值法对所述电磁波数据进行去噪处理，选取软阈值系数为：

其中，γ为小波系数，θ为预定义的阈值。

3.如权利要求1所述的一种基于神经网络模型的服务器监测方法，其特征在于，所述隐层的各神经元接收到的输入信号为：

其中，α_h为所述隐层第h个神经元接收到的输入信号，v_ih为第i个输入神经元与所述隐层第h个神经元的连接参数。

4.如权利要求3所述的一种基于神经网络模型的服务器监测方法，其特征在于，所述输出层的各神经元接收到的输入信号为：

其中，β_j为输出层中第j个神经元接收到的输入信号，w_hj为第h个隐层神经元与第j个输出神经元的连接参数，b_h为第h个隐层神经元的输出。

5.如权利要求1至4任意一项所述的一种基于神经网络模型的服务器监测方法，其特征在于，所述卷积层的输出信号具体为：

其中，Y^e(c，d)为第e层卷积层的输出信号，(c，d)为神经元在电磁波中的位置，Y^e－1为第e层卷积层的输入信号，w^e－1为e－1层的卷积参数矩阵，第e层卷积层有K个电磁波卷积，f为卷积核的大小，s_o为卷积步长，t为偏差量，r为卷积核最小值，k为卷积层最小值。

6.如权利要求5所述的一种基于神经网络模型的服务器监测方法，其特征在于，所述最大化池化层的输出信号具体为：

其中，为第e层最大化池化层的输出信号，g为预设参数。

7.如权利要求1所述的一种基于神经网络模型的服务器监测方法，其特征在于，所述在所述将所述电磁波数据输入至训练好的神经网络模型之前，还包括：

构建单层神经网络模型；其中，所述单层神经网络模型的输出值y为：

w_i为所述单层神经网络模型第i个神经元与输出层之间的连接参数，x_i为模型中第i个神经元的属性，θ为一预设值，所述单层神经网络模型的神经元包括所述电磁波频率、所述波长、所述幅度和所述波形；

获取训练集，根据所述训练集，调整所述单层神经网络模型第i个神经元与输出层之间的连接参数w_i：

w_i←w_i+△w_i；

其中，所述训练集为所述待测服务器同型号服务器的历史电磁波数据信息,η为学习率，为所述服务器的状态值，△w_i为连接参数与实际状态值之间的差值，y为单层神经网络模型的输出值；

根据通过误差逆传播算法迭代更新所述单层神经网络模型第i个神经元与输出层之间的连接参数和所述单层神经网络模型的输出值，获得所述训练好的神经网络模型。