[發明專利]一種云計算故障數據檢測方法及系統

有效

• 申請號: 201710729189.1
• 申請日: 2017-08-23
• 公開（公告）號: CN107579846B
• 公開（公告）日: 2020-07-10
• 發明（設計）人: 姜瑛;劉誠誠;李凌宇;劉英莉;丁家滿;汪海濤
• 申請（專利權）人: 昆明理工大學
• 主分類號: H04L12/24
• 分類號: H04L12/24;H04L12/26;H04L29/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種云計算故障數據檢測方法，其特征在于：包括：

云計算故障訓練數據處理步驟，對云計算故障訓練數據集中的數據進行處理，得到每條故障訓練數據的隸屬度、每個故障類別的故障特征權重；

待檢測云計算數據所屬故障類別判斷步驟，根據故障訓練數據的處理結果并結合云計算故障訓練數據集擴充規則判斷待檢測云計算數據所屬類別；

云計算故障訓練數據集擴充步驟，將滿足云計算故障訓練數據集擴充規則的待檢測云計算數據及其類別信息加入故障訓練數據擴充集；

所述方法的具體步驟如下：

Step1：云計算故障訓練數據處理；

Step1.1：輸入含m個故障類別且每個故障類別含有n個故障訓練數據的云計算故障訓練數據集D＝{D₁,…,D_i,…,D_m}，D_i＝{x_i1,…,x_ij,…,x_in}，x_ij＝[x_ij1,…,x_ijl,…,x_ijp,c_i]，i＝1,2,…,m，j＝1,2,…,n，l＝1,2,…p，其中D_i表示屬于第i個故障類別的故障訓練數據，x_ij表示D_i中第j條故障訓練數據，x_ijl表示D_i中第j條故障訓練數據的第l個故障特征，c_i表示x_ij所屬故障類別，m表示故障類別數，n表示D_i中故障訓練數據個數，p表示故障訓練數據的故障特征數；

Step1.2：利用基于密度聚類的思想將D中每個故障類別的故障訓練數據分別構建成一個最小球，計算最小球的球中心a_i和半徑R_i，并結合故障訓練數據在最小球中的位置，按照不同規則確定故障訓練數據的隸屬度ms_ij，其中a_i表示D中第i個故障類別的故障訓練數據構建最小球的球中心，R_i表示D中第i個故障類別的故障訓練數據構建最小球的半徑，ms_ij表示D_i中第j條故障訓練數據的隸屬度；

Step1.3：根據云計算故障訓練數據故障特征的模糊熵值來計算每個故障類別的特征權重w_i，w_i＝{w_i1,…,w_il,…,w_ip}，并將w_i存入w，w＝{w₁,…,w_i,…,w_m},其中w表示D中故障訓練數據的故障特征權重集合，w_i表示D_i中故障訓練數據的故障特征權重，w_il表示第i個故障類別第l個故障特征的權重；

Step2：待檢測云計算數據所屬故障類別判斷；其中待檢測云計算數據集用U表示，U＝{u₁,…,u_q,…,u_e}，uq＝{u_q1,…,u_ql,…,u_qp}，其中u_q表示待檢測云計算數據集U中第q個云計算數據，u_ql表示U中第q個云計算數據中第l個故障特征，q＝1,2,…,e，e表示待檢測云計算數據個數；

Step2.1：判斷q是否小于等于e：如果是，提取u_q，并根據公式計算u_q與D中故障訓練數據的加權歐式距離d(x_ij)，并根據距離點排序，構建一個集合distanceSet；否則，執行Step3；

Step2.2：提取distanceSet中k個最小距離對應的故障訓練數據，并設置閾值σ₁，σ₂，其中k小于等于n×m；

Step2.3：根據k個故障訓練數據中隸屬度最大值Max_ms對應故障訓練數據的類別信息和云計算故障訓練數據集擴充規則來確定待檢測云計算數據的類別；其中云計算故障訓練數據集擴充規則為：①根據Max_ms大于閾值σ₁且待檢測云計算數據與Max_ms對應故障訓練數據所屬故障類別的理想故障訓練數據的距離小于匹配閾值ρ來確定將該待檢測云計算數據及其類別信息加入已知故障類別擴充集known_fault；②根據Max_ms小于閾值σ₂來確定待檢測云計算數據為未知故障類別并將該數據和其類別信息加入未知故障類別擴充集Unknown_fault；q++，執行Step2.1；

Step3：云計算故障訓練數據集擴充，將滿足云計算故障訓練集擴充規則的known_fault_set和Unknown_fault_set存入云計算故障訓練數據擴充集Ext_D，其中Ext_D用于擴充云計算故障訓練數據集D。