[发明专利]可用性及故障预测方法、装置、电子设备和介质

说明书

本公开涉及计算机技术领域，提供了可用性及故障预测方法、装置、电子设备和介质。该方法包括：获取训练数据，将上述训练数据进行转化得到初始数据；基于上述初始数据确定初始规则库，并对上述初始规则库进行参数优化得到目标规则库；根据预设激活权重计算公式对上述目标规则库中的规则进行计算得到激活权重；根据测试数据和上述激活权重，确定异常信息。该实施方式可以获取训练数据，将训练数据进行转化得到初始数据，基于初始数据确定初始规则库，并对初始规则库进行参数优化得到目标规则库，将测试数据输入目标规则库，确定异常信息，当出现由具体健康问题对应异常输出时，能够提供明确的决策依据，即告诉使用者，异常输出的原因。

技术领域

本公开涉及计算机技术领域，尤其涉及一种可用性及故障预测方法、装置、电子设备和介质。

背景技术

网络技术和军事领域复杂装备系统的迅猛发展使得网络环境覆盖了大部分军事需求，相比之下，传统的维护保障手段和模式耗时费力，特别是复杂装备的健康诊断，依赖专家能力和经验，无法应对装备快速精确诊断场景，对智能化的网络健康诊断需求愈加强烈，基于规则约束的人工智能技术为装备领域、尤其是装备健康诊断过程中的故障原因定位提供了全新的技术支撑，因此，结合装备保障实际需求，构建完善完备的装备网络健康诊断方法，对信息化条件下装备网络及时诊断定位具有重要意义。

现有的网络入侵检测主要包括误用入侵检测和异常入侵检测，误用入侵检测很大程度上依赖对已知入侵行为特征的记录统计，以模式匹配的方式取用数据库中的现有数据与规则，对已知类型的行为可以做出快速准确的判断，而对于未知行为束手无策。而异常入侵检测通过判别是否属于正常行为特征来确定未知行为。网络入侵行为方式层出不穷，这一技术作为入侵检测的另一重大领域，具有重要的研究价值与意义。

机器学习是健康异常检测的首选，现有的可用性及故障预测大部分采用有监督学习方式，对数据集进行类别标注，输入分类模型进行训练，得到具有较高准确度的分类模型并投入使用，模型可以对待检测的流量数据进行分类，但是这一检测方式需要大量的已知类型的流量样本投入训练，这不仅对数据的要求极高，手工标注也对人力资源的消耗提出了很大的挑战，而聚类等无监督学习方法无需标记，模型根据特征自行划分类簇，聚类的结果具有不确定性，但是充分运用了样本的每一特征，根据聚类模型内部的划分类簇规则可以发现流量样本的异常，及时判定非健康状态，同时这也对特征的选择提出了较高的要求。由此，亟需一种更好的方案。

发明内容

有鉴于此，本公开实施例提供了一种可用性及故障预测方法、装置、电子设备和介质。

本公开实施例的第一方面，提供了一种可用性及故障预测方法，包括：获取训练数据，将上述训练数据进行转化得到初始数据；基于上述初始数据确定初始规则库，并对上述初始规则库进行参数优化得到目标规则库；根据预设激活权重计算公式对上述目标规则库中的规则进行计算得到激活权重；根据测试数据和上述激活权重，确定异常信息。

在一些实施例的一些可选的实现方式中，上述获取训练数据，将上述训练数据进行转化得到初始数据，包括：获取训练数据，并确定上述训练数据的参考值；基于预设匹配规则对上述训练数据的参考值进行匹配，确定训练数据的语义值。

在一些实施例的一些可选的实现方式中，上述基于上述初始数据确定初始规则库，包括：基于上述初始数据，通过预设规则库结构生成上述初始规则库。

在一些实施例的一些可选的实现方式中，上述对上述初始规则库进行参数优化得到目标规则库，包括：基于优化学习模型对上述初始规则库进行参数优化得到目标规则库。

在一些实施例的一些可选的实现方式中，上述根据测试数据和上述激活权重，确定异常信息，包括：根据上述测试数据和上述激活权重从上述目标规则库中的规则确定目标规则；根据上述目标规则，确定异常信息。