[發明專利]一種邊緣云故障檢測的方法

在審

• 申請號: 202011322704.2
• 申請日: 2020-11-23
• 公開（公告）號: CN112286749A
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 鄧小紅;胡濤;王前慧
• 申請（專利權）人: 四川長虹電器股份有限公司
• 主分類號: G06F11/22
• 分類號: G06F11/22;G06N3/04
• 代理公司: 成都虹橋專利事務所(普通合伙) 51124
• 代理人: 吳中偉

本發明涉及邊緣云的故障檢測方法，為實現邊緣云的故障在線檢測，提供了一種邊緣云故障檢測的方法，包括步驟1、根據時間序列收集邊緣云的運行數據；步驟2、對收集的數據進行預處理；步驟3、將步驟2中預處理后的數據進行CNN?LSTM模型訓練得到檢測模型；步驟4、使用檢測模型對待檢測數據進行處理得到檢測結果。采用上述步驟可以對邊緣云故障進行在線檢測，根據檢測結果可以及早的發現并處理一些邊緣云故障，從而降低邊緣云故障所產生的代價，節約成本。

技術領域

本發明涉及邊緣云故障檢測方法，具體是一種邊緣云故障檢測的方法。

背景技術

隨著數以十億計的“物”被整合到互聯網上，隨之而來的是云服務帶寬臃腫、服務質量降低。為了減輕基于云計算應用程序帶來的延遲、帶寬和服務質量的問題，邊緣計算被提了出來。邊緣計算的目的就是為了將資源從集中的云計算中心分散到網絡邊緣，并利用這些資源來提高應用程序的性能。邊緣計算相關技術發展迅速，已成為物聯網和內容交付應用程序服務的核心技術。但是，由于有限的邊緣云故障的轉移機制，使得處理邊緣云故障需要付出巨大的代價，因此如何緩解邊緣云的故障成為了一大難題，而在緩解邊緣云的故障步驟中，如何實現邊緣云的故障在線檢測是亟待解決的問題之一。

發明內容

為了實現邊緣云故障在線檢測，本發明提供了一種邊緣云故障檢測的方法。

本發明解決上述問題所采用的技術方案是：

一種邊緣云故障檢測的方法，包括：

步驟1、根據時間序列收集邊緣云的運行數據；

步驟2、對收集的數據進行預處理；

步驟3、將步驟2中預處理后的數據進行CNN-LSTM模型訓練得到檢測模型；

步驟4、使用檢測模型對待檢測數據進行處理得到檢測結果。

進一步地，所述運行數據包括CPU信息、硬件信息、邊緣云設備信息及內容傳輸數據。

進一步地，所述時間序列為邊緣云運行時的時間片段。

進一步地，所述步驟2包括對收集的數據進行歸一化處理、對數據進行故障和非故障標記及對缺少的樣本數據進行插值處理。

進一步地，所述CNN-LSTM模型由一層卷積神經網絡單元和兩層長短時記憶網絡單元組成。

進一步地，所述步驟3包括

步驟301、將步驟2處理好的數據分為訓練數據及測試數據；

步驟302、將訓練數據輸入CNN的輸入層，進行卷積神經網絡訓練，得到最大池化數據；

步驟303、將最大池化數據輸入LSTM訓練，通過兩層長短時記憶網絡單元訓練得到初始化模型；

步驟304、將測試數據輸入初始化模型中獲得檢測結果，并根據檢測結果對模型的參數進行修改優化，得到檢測模型。

進一步地，所述步驟3在邊緣云設備上完成。

本發明相比于現有技術具有的有益效果是：通過建立、訓練檢測模型對邊緣云相關數據執行整理、分析，以便及早的發現并處理一些邊緣云故障，從而降低邊緣云故障所產生的代價，節約成本。同時，由于邊緣云計算設備具有能源效率較低的網絡延時，隱私保護更好，允許基于深度學習的卷積神經網絡部署在低端處理器上，減少了將數據上傳到基于云的gpu的需要，大大的加強了部署基于深度學習的卷積神經網絡的靈活性。

附圖說明

圖1為本發明實施例的流程圖。

具體實施方式