摘要
传统的故障研究,大多使用规则事件分析、关联分析等方法分析关键指标、详细记录,极大地依赖于专业工作者的手动提取.现有网络系统中数据总量激增,且有丰富的可挖掘信息,而日志的半结构化的特性造成自动处理困难.针对这一问题,提出了一种基于深度学习的网络故障预测方法.该方法利用滑动窗口从日志数据中获取训练集和测试集需要的样本文本,利用卷积神经网络算法(convolutional neural networks,CNN)实现对当前序列和日志标签的故障分析.在此基础上,使用随机梯度下降方法优化训练模型,优化时通过检测目标函数值随时间的学习曲线来选择学习率.实验使用的是一套故障预测系统,包含原始数据预处理、预测模型的搭建和基于数据样本的模型训练.在模型做成后,测试不同滑动窗口大小下的预测性能,并进行对比研究.实验结果表明,与传统算法相比,改进后的预测方法在各项分析指标上具有较好的准确性.
国家科技期刊平台
NSTL
维普
万方数据