一种基于LSTM的电网服务器运行状态预测装置专利检索-大数据资料储存系统专利检索查询-专利查询网

一种基于LSTM的电网 服务器运行状态预测装置

阅读：541发布：2020-05-08

专利汇可以提供一种基于LSTM的电网服务器运行状态预测装置专利检索，专利查询，专利分析的服务。并且一种基于LSTM的电网服务器运行状态预测装置，涉及深度学习大数据领域，为了解决现有的实时监测系统无法完成服务器的评估及预警的问题。本发明的服务器数据监测模块，用于获取服务器参数指标，提取监测数据，构造训练集；监测数据是指CPU、内存条及硬盘的使用率数据；服务器数据预处理模块，用于将服务器数据监测模块获取的监测数据进行归一化处理后，再进行特征选择；服务器运行状态预测模块，用于构建LSTM模型对特征选择后的监测数据进行大数据深度学习处理分析，以完成电网服务器运行状态的预测评估及预警。有益效果为解决了现有方法中因使用单一模型而使得监测数据信息超出计算能力而导致预测精度降低或难以预测的问题。，下面是一种基于LSTM的电网服务器运行状态预测装置专利的具体信息内容。

权利要求

1.一种基于LSTM的电网服务器运行状态预测装置，其特征在于，该预测装置包括服务器数据监测模块(1)、服务器数据预处理模块(2)和服务器运行状态预测模块(3)；
服务器数据监测模块(1)，用于获取服务器参数指标，提取监测数据，构造训练集；
所述监测数据是指CPU、内存条及硬盘的使用率数据；
服务器数据预处理模块(2)，用于将服务器数据监测模块(1)获取的监测数据进行归一化处理后，再进行特征选择；
服务器运行状态预测模块(3)，用于构建LSTM模型对特征选择后的监测数据进行大数据深度学习处理分析，以完成电网服务器运行状态的预测评估及预警。
2.根据权利要求1所述的一种基于LSTM的电网服务器运行状态预测装置，其特征在于，构建的LSTM模型输出维度为64，输入激活函数为tanh，输出激活函数为tanh，tanh为双曲正切函数；门激活函数为σ，σ为sigmoid函数；LSTM模型结构为1层LSTM+1层DENSE层的神经网络模型。
3.根据权利要求2所述的一种基于LSTM的电网服务器运行状态预测装置，其特征在于，所述LSTM模型采用BPTT 算法对特征选择后的监测数据进行大数据深度学习处理分析；
BPTT算法通过以下步骤实现的；
步骤一、按照前向计算方法公式计算LSTM细胞的输出值；其中，前向计算方法公式为公式(1)至公式(5)；
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)    (1)
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)    (2)
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc)    (3)
Ot＝σ(Wxoxt+Whoht-1+Wcoct+bo)    (4)
ht＝ottanh(ct)    (5)
式中：i为输入门，f为遗忘门，c为细胞状态，O为输出门；W为对应的权重系数矩阵；比如Wxf表示输入层到遗忘门的权重系数矩阵；b为对应的偏置项；σ为sigmoid函数；tanh为双曲正切激活函数；x为输入层的给定序列，即在正常情况下，CPU、内存条及硬盘的使用率；h为隐藏层序列，即为电网服务器运行状态的预测评估及预警结果；t为现在时刻，t-1为上一时刻；
x与h的关系式如下：ht＝tanh(Wxhxt+Whhht-1+bh)；
步骤二、反向计算每个LSTM细胞的误差项，包括按时间和网络层级2个反向传播方向；
步骤三、根据相应的误差项，计算每个权重的梯度；
步骤四、应用基于梯度的优化算法更新权重。

说明书全文

一种基于LSTM的电网 服务器运行状态预测装置

技术领域

[0001] 本发明涉及深度学习大数据领域。

背景技术

[0002] 在智能电网系统中，大数据产生于整个系统的各个环节；尤其是监控中心，每天都会产生海量数据信息；国内很多公司和企业的数据中心维护的数据量都非常的大，缺少专业的运维人员，非专业人士对运维技术的掌握与理解又不是很到位；在很多时候服务器出现一些问题后，往往力不从心，从问题的发生到正确定位问题需要较长的时间。

[0003] 目前，在相关技术中，实时监控并不能提前发现问题，只能被动应对。

发明内容

[0004] 本发明的目的是为了解决现有的实时监测系统无法完成服务器的评估及预警的问题,提出了一种基于LSTM的电网服务器运行状态预测装置。

[0005] 本发明所述的一种基于LSTM的电网服务器运行状态预测装置包括服务器数据监测模块、服务器数据预处理模块和服务器运行状态预测模块；

[0006] 服务器数据监测模块，用于获取服务器参数指标，提取监测数据，构造训练集；

[0007] 所述监测数据是指CPU、内存条及硬盘的使用率数据；

[0008] 服务器数据预处理模块，用于将服务器数据监测模块获取的监测数据进行归一化处理后，再进行特征选择；

[0009] 服务器运行状态预测模块，用于构建LSTM模型对特征选择后的监测数据进行大数据深度学习处理分析，以完成电网服务器运行状态的预测评估及预警。

[0010] 本发明的有益效果是通过服务器数据监测模块获取服务器参数指标，提取监测数据，构造训练集；经过服务器数据预处理模块进行归一化处理后，再进行特征选择；最终通过服务器运行状态预测模块构建LSTM模型对特征选择后的监测数据进行大数据深度学习处理分析，实现对电网服务器监测数据进行精确预测；解决了现有方法中因使用单一模型而使得监测数据信息超出计算能力而导致预测精度降低或难以预测的问题，本发明具有动态、自适应变换的效果；还可通过灵活选取阈值，简化计算复杂度，降低了预测算法的实现成本以及减少了人工的投入使用，使操作更加灵活简变化。附图说明

[0011] 图1为具体实施方式一所述的一种基于LSTM的电网服务器运行状态预测装置的结构框图；

[0012] 图2为具体实施方式二中LSTM细胞结构示意图。

具体实施方式

[0013] 具体实施方式一：结合图1说明本实施方式，本实施方式所述的一种基于LSTM的电网服务器运行状态预测装置包括服务器数据监测模块1、服务器数据预处理模块2和服务器运行状态预测模块3；

[0014] 服务器数据监测模块1，用于获取服务器参数指标，提取监测数据，构造训练集；

[0015] 所述监测数据是指CPU、内存条及硬盘的使用率数据；

[0016] 服务器数据预处理模块2，用于将服务器数据监测模块1获取的监测数据进行归一化处理后，再进行特征选择；

[0017] 服务器运行状态预测模块3，用于构建LSTM模型对特征选择后的监测数据进行大数据深度学习处理分析，以完成电网服务器运行状态的预测评估及预警。

[0018] 在本实施方式中，LSTM为长短期记忆递归神经网络；通过服务器数据监测模块1获取服务器参数指标，提取监测数据，构造训练集；经过服务器数据预处理模块2进行归一化处理后，再进行特征选择；最终通过服务器运行状态预测模块3构建LSTM模型对特征选择后的监测数据进行大数据深度学习处理分析，实现对电网服务器监测数据进行精确预测；；解决了现有方法中因使用单一模型而使得监测数据信息超出计算能力而导致预测精度降低或难以预测的问题，本实施方式所述的电网服务器运行状态预测装置具有动态、自适应变换的效果；还可通过灵活选取阈值，简化计算复杂度，降低了预测算法的实现成本以及减少了人工的投入使用，使操作更加灵活简变化。

[0019] 具体实施方式二：结合图2说明本实施方式，本实施方式是对具体实施方式一所述的一种基于LSTM的电网服务器运行状态预测装置进一步限定，在本实施方式中，构建的LSTM模型输出维度为64，输入激活函数为tanh，输出激活函数为tanh，tanh为双曲正切函数；门激活函数为σ，σ为sigmoid函数；LSTM模型结构为1层LSTM+1层DENSE层的神经网络模型。

[0020] 在本实施方式中，LSTM层输出维度即LSTM层所包含细胞个数，细胞个数越多，内部参数越多。

[0021] 在本实施方式中，DENSE层为隐藏层，通过LSTM独特的单元结构，深入挖掘出时间序列中的固有规律，将LSTM层与DENSE层相结合，来实现电网服务器CPU数据的运行状态预测，最终实现电网服务器时间序列分析预测。

[0022] 具体实施方式三：本实施方式是对具体实施方式二所述的一种基于LSTM的电网服务器运行状态预测装置进一步限定，在本实施方式中，所述LSTM模型采用BPTT算法对特征选择后的监测数据进行大数据深度学习处理分析；

[0023] BPTT算法通过以下步骤实现的；

[0024] 步骤一、按照前向计算方法公式计算LSTM细胞的输出值；其中，前向计算方法公式为公式(1)至公式(5)；

[0025] it＝σ(Wxixt+Whiht-1+Wcict-1+bi) (1)

[0026] ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf) (2)

[0027] ct＝ftct-1+it tanh(Wxcxt+Whcht-1+bc) (3)

[0028] Ot＝σ(Wxoxt+Whoht-1+Wcoct+bo) (4)

[0029] ht＝ot tanh(ct) (5)

[0030] 式中：i为输入门，f为遗忘门，c为细胞状态，O为输出门；W为对应的权重系数矩阵；比如Wxf表示输入层到遗忘门的权重系数矩阵；b为对应的偏置项；σ为sigmoid函数；tanh为双曲正切激活函数；x为输入层的给定序列，即在正常情况下，CPU、内存条及硬盘的使用率；
h为隐藏层序列，即为电网服务器运行状态的预测评估及预警结果；t为现在时刻，t-1为上一时刻；

[0031] x与h的关系式如下：ht＝tanh(Wxhxt+Whhht-1+bh)；

[0032] 步骤二、反向计算每个LSTM细胞的误差项，包括按时间和网络层级2个反向传播方向；

[0033] 步骤三、根据相应的误差项，计算每个权重的梯度；

[0034] 步骤四、应用基于梯度的优化算法更新权重。

标题	发布/更新时间	阅读量
一种基于边缘计算的综合传感网测试平台	2020-05-08	212
一种电池管理方法、装置、电池及云服务器	2020-05-08	381
芯片测试方法、装置、电子设备及计算机可读介质	2020-05-08	155
UWB与GPS一体化定位方法及系统	2020-05-11	395
业务访问方法和装置	2020-05-08	697
大数据量Excel文件导出方法、装置、计算机设备及存储介质	2020-05-08	182
视频处理方法、装置和电子设备	2020-05-08	568
一种并行消息处理方法、系统及相关装置	2020-05-08	976
可视化数据大屏实现方法和实现系统	2020-05-08	253
一种植物适宜生长区域评价方法和设备	2020-05-08	10

一种基于LSTM的电网服务器运行状态预测装置

一种基于LSTM的电网服务器运行状态预测装置

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：