[发明专利]基于神经霍克斯过程的云边端系统故障预测方法

说明书

本发明公开了基于神经霍克斯过程的云边端系统故障预测方法，将故障时间和故障类型分别以向量进行表示，然后通过向量求和得到故障的初始表示；基于图神经网络对故障的初始表示进行处理，将故障类型之间的相互影响关系附加于故障向量上，从而得到最终的故障向量表示；基于霍克斯过程建立故障预测模型，并通过数据驱动的方法对模型参数优化；最后，基于霍克斯故障预测模型对图神经网络输出的故障向量表示进行预测。本发明采用上述方法，准确建模故障类型之间相互影响关系，故障表示更加丰富和准确，对未来云边端系统中故障预测更加准确。

技术领域

本发明涉及机器学习技术领域，尤其是涉及基于神经霍克斯过程的云边端系统故障预测方法。

背景技术

云边端系统是一种新型的云计算系统，由“云”、“边”和“端”三部分构成，“云”为云计算中的中心节点，“边”为云计算的边缘测，“端”为终端设备，例如手机、摄像头等。在云边端系统中，设备众多，网络拓扑错综复杂，因此系统的运行过程中可能会产生多种类型的故障，这些故障之间往往具有联系，前一时刻发生的某类故障可能会引发后一时刻另一类型故障，例如某一设备内存的访问错误可能会引发进程的终止等。为了保证系统的正常运行，需根据历史上的故障提前预判可能发生的故障并予以修复。

系统中故障检测问题的研究比较广泛，常用方法是采用霍克斯过程解决，如文献-面向故障间格兰杰因果发现的霍克斯过程研究。通过霍克斯过程建立历史事件对未来事件的激励函数，利用似然函数对故障间的关系建模，并使用EM或爬山法等优化方法对模型参数进行优化。这种方法存在以下两个问题：(1)忽视了故障之间的的特征，这就造成了无法正确建模故障之间的联系；(2)建立在假设故障依赖于特定的分布的基础上的，然而实际云边端系统中故障往往并不服从特定的分布，这就使得现有方法对于故障的预测往往出现偏差。

发明内容

针对上述问题，本发明旨在提出一种基于数据驱动的神经霍克斯过程用于故障检测，这种方法基于故障的特征，根据大量历史数据学习故障之间的关联，从而提供更加准确高效地故障预测。

基于神经霍克斯过程的云边端系统故障预测方法，将故障时间和故障类型进行向量表示，然后通过向量求和得到故障的初始表示；基于图神经网络对故障的初始表示进行处理，将故障类型之间的相互影响关系附加于故障向量上，从而得到最终的故障向量表示；基于霍克斯过程建立故障预测模型，并通过数据驱动的方法对模型参数优化；基于故障预测模型对图神经网络输出的故障向量表示进行预测。

进一步的，使用时间编码技术来实现对故障时间的表示，对于一个故障(a_i,t_i)，其时间编码为d维向量，其中第j维的值为

式中，a_i表示故障类型，t_i表示故障时间；ω_j为参数，用于将时间戳转换为相位。

进一步的，图神经网络通过对历史故障序列学习得到，历史故障序列为故障的初始表示的集合；

H＝{h₁,h₂,…,h_i,…,h_n}

式中，H表示历史故障序列；h_i表示第i个故障的初始表示；

以故障为节点，故障之间的关系为边，建立全连接图，作为图神经网络的输入；使用l表示图神经网络的当前层，第l+1层网络中的节点i的表示通过第l层网络节点i的邻域节点表示计算得到；

式中，N_i表示节点i的邻居集合；σ表示sigmoid激活函数；||表示拼接操作；a、W是图神经网络的参数；表示第l层网络节点i的表示；