[發明專利]一種判斷存儲容量變化量異常的方法、系統及存儲介質

有效

• 申請號: 202010063254.3
• 申請日: 2020-01-19
• 公開（公告）號: CN111221479B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 李鵬;胡漢頂
• 申請（專利權）人: 蘇州浪潮智能科技有限公司
• 主分類號: G06F3/06
• 分類號: G06F3/06;G06N3/04;G06N3/06;G06N3/08
• 代理公司: 濟南舜源專利事務所有限公司 37205
• 代理人: 李舜江

1.一種判斷存儲容量變化量異常的方法，其特征在于，包括以下步驟：

S1：數據采集與預處理的步驟；

S1.1：從客戶數據中心每隔一定時間提取存儲容量數據，對提取后的存儲容量數據進行預處理，預處理操作為清洗存儲容量數據中的無效數據和重復數據；

S1.2：針對預處理后的存儲容量數據，使用ni表示i時刻存儲容量的大小，單位是GB；用表示i時刻相比較i-1時刻的存儲容量變化量的大小，即=n_i-n_i-1，得到變化量值；

S2：搭建模型的步驟：

S2.1：模型輸入層的搭建步驟是，

選取文本窗口，本文選擇窗口長度為j，輸入時，每次選擇j個數據點作為輸入序列，即輸入節點是j；

S2.2：模型隱藏層的搭建步驟是，

采用單層循環神經網絡，通過LSTM細胞交互結構，接收輸入層的一組時序數據，對該組時序數據進行神經網絡訓練；輸出層是對應于輸入序列的下一個時間點的預測結果，即輸出節點是1，同時將結果再次反饋給隱藏層使其不斷地進行訓練以優化結構；

S3：數據預測的步驟：

在預測集中適用于訓練集同樣的窗口大小獲取輸入序列數據，即窗口長度為l，第一次輸入一組窗口內的數據后一次向后滑動窗口，每一滑動距離是1，直至滑動結束；將每一個滑窗得到的存儲量變化序列數據中的前維數據送入訓練好的預測模型，可得到預測出下一個時間點的數據，然后統計各個序列數據預測的結果與真實結果的差值，找出其中的最大值和最小值，計算最終的允許合理誤差范圍；

S4：結果異常的判斷步驟，

選擇歷史數據，每天固定間隔采取數據，選取窗口長度之外的數據進行模型訓練，使用訓練好的模型預測訓練集計算誤差范圍；測試時，窗口長度之內的數據送入預測模型，然后將得到的結果與實際值計算誤差，對比誤差是否在合理范圍內，若不在合理范圍內則提醒運維人員出現異常。

2.根據權利要求1所述的一種判斷存儲容量變化量異常的方法，其特征在于，所述步驟S1.2中，采集一個月的數量進行方法實驗，得到30*12個時間點的數據；用表示i時刻相比較i-1時刻的存儲容量變化量的大小，即=n_i-n_i-1，共得到30*12-1=359變化量值。

3.根據權利要求2所述的一種判斷存儲容量變化量異常的方法，其特征在于，所述步驟S2.2中，節點數是5或10或15或20或25。

4.一種判斷存儲容量變化量異常的系統，其特征在于，包括：

數據采集與預處理模塊，該模塊中，

首先，從客戶數據中心每隔一定時間提取存儲容量數據，對提取后的存儲容量數據進行預處理，預處理操作為清洗存儲容量數據中的無效數據和重復數據；

其次，針對預處理后的存儲容量數據，使用ni表示i時刻存儲容量的大小，單位是GB；用表示i時刻相比較i-1時刻的存儲容量變化量的大小，即=n_i-n_i-1，得到變化量值；

搭建模型模塊，該模塊中，

首先，搭建模型輸入層，選取文本窗口，本文選擇窗口長度為j，輸入時，每次選擇j個數據點作為輸入序列，即輸入節點是j；

其次，搭建模型隱藏層，采用單層循環神經網絡，通過LSTM細胞交互結構，接收輸入層的一組時序數據，對該組時序數據進行神經網絡訓練；輸出層是對應于輸入序列的下一個時間點的預測結果，即輸出節點是1，同時將結果再次反饋給隱藏層使其不斷地進行訓練以優化結構；

數據預測模塊，該模塊中，在預測集中適用于訓練集同樣的窗口大小獲取輸入序列數據，即窗口長度為l，第一次輸入一組窗口內的數據后一次向后滑動窗口，每一滑動距離是1，直至滑動結束；將每一個滑窗得到的存儲量變化序列數據中的前維數據送入訓練好的預測模型，可得到預測出下一個時間點的數據，然后統計各個序列數據預測的結果與真實結果的差值，找出其中的最大值和最小值，計算最終的允許合理誤差范圍；

結果異常的判斷模塊，該模塊中，選擇歷史數據，每天固定間隔采取數據，選取窗口長度之外的數據進行模型訓練，使用訓練好的模型預測訓練集計算誤差范圍；測試時，窗口長度之內的數據送入預測模型，然后將得到的結果與實際值計算誤差，對比誤差是否在合理范圍內，若不在合理范圍內則提醒運維人員出現異常。