[發(fā)明專(zhuān)利]基于融合學(xué)習(xí)和假設(shè)檢驗(yàn)的內(nèi)存回收趨勢(shì)預(yù)警裝置及方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210042623.X
• 申請(qǐng)日: 2022-01-14
• 公開(kāi)（公告）號(hào): CN114398235A
• 公開(kāi)（公告）日: 2022-04-26
• 發(fā)明（設(shè)計(jì)）人: 金勇;吳澤君;雷發(fā)林;王艷華;苑志云;李國(guó)瑩;簡(jiǎn)擁軍;高陽(yáng)
• 申請(qǐng)（專(zhuān)利權(quán)）人: 建信金融科技有限責(zé)任公司
• 主分類(lèi)號(hào): G06F11/30
• 分類(lèi)號(hào): G06F11/30;G06F9/50;G06F12/02;G06N3/04;G06N3/08
• 代理公司: 北京潤(rùn)平知識(shí)產(chǎn)權(quán)代理有限公司 11283
• 代理人: 何智超

1.一種基于融合學(xué)習(xí)和假設(shè)檢驗(yàn)的內(nèi)存回收趨勢(shì)預(yù)警裝置，其特征在于，所述裝置包括：

特征工程模塊，用于通過(guò)關(guān)聯(lián)分析確定與監(jiān)測(cè)量存在相關(guān)關(guān)系的變量；所述監(jiān)測(cè)量為內(nèi)存回收事件；

融合學(xué)習(xí)模塊，用于根據(jù)所確定的變量的歷史值和融合學(xué)習(xí)模型得到所述變量的預(yù)測(cè)值；以及

趨勢(shì)預(yù)警模塊，用于根據(jù)M-K檢驗(yàn)方法對(duì)所述變量的預(yù)測(cè)值進(jìn)行檢測(cè)，根據(jù)檢測(cè)結(jié)果對(duì)所述監(jiān)測(cè)量進(jìn)行預(yù)警。

2.根據(jù)權(quán)利要求1所述的裝置，其特征在于，所述特征工程模塊包括：

變量提取子模塊，用于從數(shù)據(jù)文件中提取變量；

數(shù)據(jù)切片子模塊，用于根據(jù)預(yù)設(shè)粒度將提取的變量進(jìn)行時(shí)間切片；以及

相關(guān)性分析子模塊，用于通過(guò)關(guān)聯(lián)分析從時(shí)間切片后的變量中確定與監(jiān)測(cè)量存在相關(guān)關(guān)系的變量。

3.根據(jù)權(quán)利要求1所述的裝置，其特征在于，所述融合學(xué)習(xí)模型包括：多維多步LSTM模型和XGBoost模型；

所述多維多步LSTM模型的輸入?yún)?shù)的維度和與監(jiān)測(cè)量存在相關(guān)關(guān)系的變量的數(shù)量相關(guān)，所述多維多步LSTM模型輸出的變量的預(yù)測(cè)值的步數(shù)為多個(gè)；

所述XGBoost模型輸入?yún)?shù)的維度和與監(jiān)測(cè)量存在相關(guān)關(guān)系的變量的數(shù)量相關(guān)，所述XGBoost模型輸出的變量的預(yù)測(cè)值為時(shí)間序列；

對(duì)應(yīng)的，所述變量的預(yù)測(cè)值通過(guò)所述多維多步LSTM模型的預(yù)測(cè)值和所述XGBoost模型的預(yù)測(cè)值經(jīng)過(guò)融合后得到。

4.根據(jù)權(quán)利要求3所述的裝置，其特征在于，所述多維多步LSTM模型通過(guò)以下步驟得到；

構(gòu)建LSTM模型和確定所述LSTM模型中的參數(shù)，所述參數(shù)包括：總維度數(shù)量、網(wǎng)絡(luò)層數(shù)、Dropout、損失函數(shù)、迭代次數(shù)、學(xué)習(xí)率、激活函數(shù)；

對(duì)所述LSTM模型進(jìn)行訓(xùn)練，包括：

獲取訓(xùn)練樣本，將所述訓(xùn)練樣本分為訓(xùn)練集和測(cè)試集；

采用所述訓(xùn)練集對(duì)所述LSTM模型進(jìn)行訓(xùn)練，采用所述測(cè)試集對(duì)訓(xùn)練后的LSTM模型進(jìn)行驗(yàn)證，若驗(yàn)證通過(guò)，則將訓(xùn)練后的LSTM模型作為所述融合學(xué)習(xí)模型。

5.根據(jù)權(quán)利要求3所述的裝置，其特征在于，所述趨勢(shì)預(yù)警模塊包括：

預(yù)警計(jì)算子模塊，用于將所述變量的預(yù)測(cè)值根據(jù)時(shí)序得到檢驗(yàn)序列；

異常告警子模塊，用于在根據(jù)M-K檢驗(yàn)方法確定所述檢驗(yàn)序列為上升趨勢(shì)的情況下對(duì)所述監(jiān)測(cè)量進(jìn)行預(yù)警。

6.根據(jù)權(quán)利要求5所述的裝置，其特征在于，所述趨勢(shì)預(yù)警模塊還用于將所述檢驗(yàn)序列中的第一個(gè)預(yù)測(cè)值所對(duì)應(yīng)的時(shí)間作為所述預(yù)警的發(fā)生時(shí)間。

7.一種基于融合學(xué)習(xí)和假設(shè)檢驗(yàn)的內(nèi)存回收趨勢(shì)預(yù)警方法，其特征在于，所述方法包括：

通過(guò)關(guān)聯(lián)分析確定與監(jiān)測(cè)量存在相關(guān)關(guān)系的變量，所述監(jiān)測(cè)量為內(nèi)存回收事件；

根據(jù)所確定的變量的歷史值和融合學(xué)習(xí)模型得到所述變量的預(yù)測(cè)值；

根據(jù)M-K檢驗(yàn)方法對(duì)所述變量的預(yù)測(cè)值進(jìn)行檢測(cè)，根據(jù)檢測(cè)結(jié)果對(duì)所述監(jiān)測(cè)量進(jìn)行預(yù)警。

8.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述通過(guò)關(guān)聯(lián)分析確定與監(jiān)測(cè)量存在相關(guān)關(guān)系的變量，包括：

從數(shù)據(jù)文件中提取變量；

根據(jù)預(yù)設(shè)粒度將提取的變量進(jìn)行時(shí)間切片；

通過(guò)關(guān)聯(lián)分析從時(shí)間切片后的變量中確定與監(jiān)測(cè)量存在相關(guān)關(guān)系的變量。

9.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述融合學(xué)習(xí)模型包括：多維多步LSTM模型和XGBoost模型；

所述多維多步LSTM模型的輸入?yún)?shù)的維度和與監(jiān)測(cè)量存在相關(guān)關(guān)系的變量的數(shù)量相關(guān)，所述多維多步LSTM模型輸出的變量的預(yù)測(cè)值的步數(shù)為多個(gè)；

所述XGBoost模型輸入?yún)?shù)的維度和與監(jiān)測(cè)量存在相關(guān)關(guān)系的變量的數(shù)量相關(guān)，所述XGBoost模型輸出的變量的預(yù)測(cè)值為時(shí)間序列；

對(duì)應(yīng)的，所述變量的預(yù)測(cè)值通過(guò)所述多維多步LSTM模型的預(yù)測(cè)值和所述XGBoost模型的預(yù)測(cè)值經(jīng)過(guò)融合后得到。