论文部分内容阅读
当今社会科技发展非常迅速,在人们的生产生活中,网络系统已经无处不在,人们利用网络可以提高工作的效率,可以丰富日常生活,网络为人类的生产生活带来了重大的改变,做出了重要的贡献。正是由于网络的人们的作用越来越大,网络的自身的规模也是越来越大,结构越来越复杂,数据量也是非常地庞大,所以当网络发生故障时,维修的难度也会加大,如果网络从发生故障到恢复正常工作的时间很久,就会给人类带来重大的损失,因此如何减少网络故障导致的损失成为人们研究的重要课题。近年来针对故障预测技术的研究越来越多,故障预测技术能够提前发现网络可能发生的故障,能够让人们提前为维修网络故障做准备,减少网络恢复工作的时间,从而减少因网络故障导致的损失。但大多数是针对告警数据这样的结构化数据,而像日志这样的非结构化数据研究的不多,而日志是系统每时每刻都在产生的数据,因此其中隐藏了大量的反映系统运行状态的信息,具有很好的研究价值,因此本文提出了一种基于混合神经网络的故障预测技术,主要内容如下:1.数据预处理,由于本文采用的日志是非结构化的,并不像结构化的数据一样非常“干净”,非结构化的日志会有一些无用的符号和信息,在将日志输入到预测模型之前需要对网络日志进行预处理,清洗掉无用的数据,利用滑动窗口提取样本,并通过词嵌入层将日志转换成故障预测模型可以识别的矩阵向量形式。2.基于卷积神经网络的故障预测。卷积神经网络包含卷积层、池化层和全连接层,卷积神经网络具有很好的特征提取能力,本文利用卷积神经网络对日志数据进行特征提取并对网络的未来的运行状态是否会出现故障进行预测。3.基于卷积-长短时记忆网络的混合神经网络的故障预测。为了验证混合神经网络预测模型的性能是否比单一的基于卷积神经网络的预测性能高,本文在基于卷积神经网络的故障预测模型的基础上引入了长短期记忆网络,长短期记忆网络对序列具有很好的预测能力,本文利用基于卷积-长短期记忆网络的混合神经网络对网络的运行状态进行预测,并比较基于卷积神经网络和卷积神经网络-长短期记忆网络两种故障预测模型的性能。