本發(fā)明屬于計算機故障診斷，尤其涉及基于循環(huán)神經網絡的服務器硬件故障預警系統(tǒng)及方法。

背景技術：

1、服務器的硬件故障是指服務器系統(tǒng)的硬件如元器件、集成電路等發(fā)生實質性的故障。在大規(guī)模數據中心和企業(yè)級服務器環(huán)境中，硬件故障是一項常見而嚴重的問題。硬件故障不僅會導致服務器停機和數據丟失，還會造成生產損失和維護成本的增加。

2、現有的服務器硬件故障預警系統(tǒng)往往存在以下挑戰(zhàn)和限制：第一，許多預警系統(tǒng)依賴于靜態(tài)規(guī)則和預設的閾值來判斷硬件故障，缺乏對系統(tǒng)動態(tài)變化的適應性。第二，一些預警系統(tǒng)采用簡單的算法，如閾值判斷或規(guī)則引擎，無法對復雜的故障模式和時序數據進行有效處理。第三，服務器工作參數的時序數據通常具有復雜的特性，包括周期性變化、趨勢變化和異常突發(fā)，需要更復雜的分析方法來處理。第四，預警系統(tǒng)的準確性和可靠性直接影響到故障的及時發(fā)現和處理，簡單的算法和規(guī)則可能導致誤報率較高或漏報現象。

3、現有的對服務器硬件故障進行預警的系統(tǒng)包括基于閾值的靜態(tài)規(guī)則系統(tǒng)：許多預警系統(tǒng)采用固定的閾值來監(jiān)測服務器工作參數，一旦超過設定的閾值就觸發(fā)預警。這種方法簡單直觀，但缺乏靈活性和適應性，無法應對復雜的故障模式。

4、基于統(tǒng)計模型的預測系統(tǒng)：采用統(tǒng)計模型和時間序列分析方法來預測服務器工作參數的變化趨勢和異常情況。雖然這些方法能夠一定程度上提高預測的準確性，但對復雜的時序數據和異常模式處理能力有限。

5、因此，現有的服務器硬件故障預警系統(tǒng)存在的誤報率較高或漏報現象，缺乏靈活性和適應性，無法應對復雜的故障模式，準確率低是目前亟需解決的技術問題。

技術實現思路

1、本發(fā)明的目的在于提供通過一個掛載一個國產服務器的軟件故障預診斷方法及系統(tǒng)，在軟件故障出現之前進行預測，提高服務器軟件診斷效率，以實現在軟件故障出現之前進行軟件和服務器維護處理，降低軟件故障出現的概率。

2、第一方面，提供基于循環(huán)神經網絡的服務器硬件故障預警方法，包括以下步驟：

3、s1：構建服務器硬件故障預警模型；

4、s2：對服務器各關鍵組件的時序工作數據進行實時采集，并對采集的時序工作數據進行數據預處理，并輸入至服務器硬件故障預警模型進行訓練；

5、s3：通過服務器硬件故障預警模型提取各組件的時序工作數據的故障特征；

6、s4：對服務器硬件故障預警模型提取的各組件的時序工作數據的故障特征初始化權重和閾值；

7、s5：對各組件的時序工作數據的故障特征的權重和閾值進行優(yōu)化；

8、s6：輸入實時工作數據至服務器硬件故障預警模型，實時輸出服務器硬件故障預測結果。

9、優(yōu)選的，在步驟s1中構建的服務器硬件故障預警模型包括輸入層、隱藏層和輸出層，其給定序列輸入學習數據為：

10、x＝{x1+x2+···+xt}；

11、其中，x1、x2···xt為時間序列數據，t為輸入學習數據的展開長度；

12、在時間t中的循環(huán)單元的公式為：

13、st＝f(w*s(t-1)，u*xt)；

14、其中，st為隱藏層，t為循環(huán)單元時刻；s(t-1)當前時間的st前一個時間步的隱藏層，st需要使用前一個時間步的s(t-1)，f為封裝的前饋神經網絡，w和u分別為s(t-1)和xt。

15、優(yōu)選的，步驟s2中的對數據進行預處理的過程如下：

16、s21：對采集的時序工作數據進行數據清洗處理，清理的數據包括重復數據、無效數據：

17、s22：對清洗處理后的時序工作數據進行數據轉化處理；

18、s23：對數據轉化處理后的時序工作數據進行數據歸一化處理。

19、優(yōu)選的，步驟s4中對提取的各組件的時序工作數據的故障特征初始化權重和閾值的過程即對各組件的故障特征賦予預設的初始權重和閾值。

20、優(yōu)選的，步驟s5對各組件的時序工作數據的故障特征的權重和閾值進行優(yōu)化的具體過程如下：

21、s51：設置模型的學習率、迭代次數和誤差精度；

22、s52：初始化各故障特征的的權重和閾值；

23、s53：計算當前時間步的隱含層的輸入和輸出；

24、s54：計算當前時間步的輸出層的輸入和輸出；

25、s55：計算當前時間步的全局誤差；

26、s56：基于下一個時間步，執(zhí)行步驟s53，判斷全局誤差是否小于誤差精度，若是，輸出當前權重和閾值，若否，更新當前權重和閾值后重新執(zhí)行步驟s53。

27、優(yōu)選的，步驟s6中的服務器硬件故障預測結果包括服務器硬件正常和服務器硬件故障，服務器硬件故障的數據包括故障類別對應的嚴重程度，嚴重程度包括輕級、中級和重級。

28、優(yōu)選的，在步驟s5后，還要對服務器故障預測模型的預測性進行評估，評估指標包括故障檢測率、誤報率、虛報率和漏報率；

29、其中故障檢測率是指某一類別中預測正確的數量占同類別的總數量的比例；誤報率表示某類別故障被預測稱其他故障的數量的比例；虛報率指的是示正常樣本被診斷為某類故障的百分比；漏報率是指某類故障被診斷為無故障的百分比。

30、第二方面，提供基于循環(huán)神經網絡的服務器硬件故障預警系統(tǒng)，用于實現任意一項所述的基于循環(huán)神經網絡的服務器硬件故障預警方法，包括數據采集模塊、模型構建模塊、模型優(yōu)化模塊和預警模塊；

31、所述數據采集模塊，用于采集服務器各關鍵組件的時序工作數據；

32、所述模型構建模塊，用于構建服務器硬件故障預測模型；

33、所述模型優(yōu)化模塊，用于對構建的服務器硬件故障預測模型的各項參數進行優(yōu)化；

34、所述預警模塊，用于基于服務器硬件故障預測模型輸出的服務器硬件故障預測結果，對存在硬件故障時進行預警處理；

35、構建的服務器硬件故障預測模型為循環(huán)神經網絡模型。

36、優(yōu)選的，所述預警模塊的預警信息包括故障類型、故障的嚴重程度以及相應的故障處理建議。

37、本發(fā)明的有益效果包括：

38、本發(fā)明提供的基于循環(huán)神經網絡的服務器硬件故障預警系統(tǒng)及方法，構建服務器硬件故障預警模型；對服務器各關鍵組件的時序工作數據進行實時采集，并對采集的時序工作數據進行數據預處理，輸入至服務器硬件故障預警模型進行訓練；提取各組件的時序工作數據的故障特征；對服務器硬件故障預警模型提取的各組件的時序工作數據的故障特征初始化權重和閾值；對各組件的時序工作數據的故障特征的權重和閾值進行優(yōu)化；輸入實時工作數據至服務器硬件故障預警模型，實時輸出服務器硬件故障預測結果。

39、提供了更精準的服務器故障預測能力，并且能夠更及時地得到硬件故障結果，具備動態(tài)適應能力，能夠對相關參數進行動態(tài)調整，增強了靈活性和實用性。由于系統(tǒng)能夠實時采集、處理和分析服務器工作參數的時序數據，并通過智能算法進行預測，能夠提供更高準確性和更及時的預警通知，有效降低了誤報率和漏報率。預測結果包括故障類型、故障的嚴重程度以及相應的故障處理建議，幫助管理員快速響應和處理故障，提高了系統(tǒng)的可靠性和穩(wěn)定性。