基于Pytorch和神经网络的云数据中心故障检测

发布时间：2021-01-03 21:37

　　随着现代科技的迅猛发展,数据中心已经成为信息化社会的IT基础设施,存储管理大量关键数据.当前,数据中心的管理大多是依靠经验丰富的专业运维人员使用计算机自动监测机房设备各项指标,并对设备做出多次检查,耗时且繁琐.深度学习和人工智能技术当前吸引了越来越多的注意力,并在互联网和工业领域取得了许多成功应用.本文设计了基于门控循环单元的深度学习框架对云数据中心机房设备故障进行自动化的诊断,并联合时序信息基于过去设备的运行状态信息对未来状态进行预测.其中,序列数据以固定时间窗分割后输入双向GRU单元层,使网络学习到数据点的前后时间依赖关系.在GRU层输出基础上,我们添加了自注意力层和embedding层,让神经网络能够学习到对故障预测更有效的特征并进一步对特征进行降维.最后,多层感知机被用于对降维后的数据进行分类.基于真实数据集的实验结果显示,本文提出的基于GRU的深度学习框架相比LSTM, SVM和KNN等常用模型能够更准确地检测出云数据中心故障. 

【文章来源】：计算机系统应用. 2020年11期

【文章页数】：7 页

【参考文献】：
期刊论文
[1]Fault diagnosis based on dial-test data in datacenter networks[J]. QI Xiaogang,WANG Bingchun,LIU Lifang.  Journal of Systems Engineering and Electronics. 2019(05)
[2]混合供电数据中心能耗优化研究进展[J]. 宋杰,孙宗哲,刘慧,鲍玉斌,于戈.  计算机学报. 2018(12)
[3]基于拓扑图元信息融合的电网故障诊断模型[J]. 徐彪,尹项根,张哲,陈国炎,杨雯.  电工技术学报. 2018(03)
[4]计及可信度的变结构贝叶斯网络电网故障诊断[J]. 罗孝辉,童晓阳.  电网技术. 2015(09)
[5]面向数据中心网络的分层式故障诊断算法[J]. 宣恒农,张润驰,左苗,刘田田.  电子学报. 2014(12)
[6]基于协同式专家系统及多智能体技术的电网故障诊断方法[J]. 赵伟,白晓民,丁剑,方竹,李再华.  中国电机工程学报. 2006(20)



本文编号：2955530