本發(fā)明涉及健康狀態(tài)預(yù)測(cè)領(lǐng)域，尤其涉及一種用于scada系統(tǒng)的健康狀態(tài)預(yù)測(cè)方法。

背景技術(shù)：

1、隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，大規(guī)模服務(wù)器集群已經(jīng)成為現(xiàn)代企業(yè)進(jìn)行業(yè)務(wù)處理和數(shù)據(jù)存儲(chǔ)的主要方式之一，然而由于服務(wù)器集群運(yùn)行環(huán)境的復(fù)雜性以及日益增長(zhǎng)的業(yè)務(wù)需求，服務(wù)器集群管理成本逐漸升高，管理員需要花費(fèi)大量精力進(jìn)行監(jiān)控和管理，傳統(tǒng)的服務(wù)器監(jiān)控方法往往只能提供靜態(tài)的指標(biāo)，比如cpu使用率、內(nèi)存占用等，難以反映服務(wù)器集群的動(dòng)態(tài)變化，這種監(jiān)控方式往往只能在出現(xiàn)問(wèn)題時(shí)才能發(fā)現(xiàn)異常情況，無(wú)法及時(shí)預(yù)測(cè)服務(wù)器集群的未來(lái)狀態(tài)，給管理員帶來(lái)了很大的困擾，因此如何實(shí)現(xiàn)對(duì)服務(wù)器集群健康狀態(tài)的準(zhǔn)確監(jiān)控和預(yù)測(cè)成為了一個(gè)熱門(mén)的研究方向。

2、而近年來(lái)，深度學(xué)習(xí)技術(shù)在服務(wù)器集群健康狀態(tài)預(yù)測(cè)方面取得了顯著的進(jìn)展，深度學(xué)習(xí)模型能夠從大規(guī)模的監(jiān)控?cái)?shù)據(jù)中提取關(guān)鍵特征，建立對(duì)服務(wù)器集群健康狀態(tài)的動(dòng)態(tài)建模，從而實(shí)現(xiàn)對(duì)未來(lái)狀態(tài)的預(yù)測(cè)，同時(shí)針對(duì)服務(wù)器集群的整體健康管理需求，采用遷移學(xué)習(xí)技術(shù)在預(yù)訓(xùn)練的深度學(xué)習(xí)模型的基礎(chǔ)上，通過(guò)微調(diào)模型的權(quán)重參數(shù)，使其適用于新的任務(wù)，新的數(shù)據(jù)集，從而提高模型的性能可以快速構(gòu)建適用于新服務(wù)器的預(yù)測(cè)模型，同時(shí)還可以利用已有的模型知識(shí)，提高新模型的訓(xùn)練效率和預(yù)測(cè)精度。

3、此外，由于深度學(xué)習(xí)模型中的參數(shù)設(shè)置對(duì)于模型的性能和魯棒性起著至關(guān)重要的作用，進(jìn)而參數(shù)優(yōu)化也成為了一個(gè)熱門(mén)的研究方向，貝葉斯超參數(shù)優(yōu)化技術(shù)可以在多個(gè)參數(shù)設(shè)置中選擇最優(yōu)的配置，從而提高了模型的性能和魯棒性，綜上所述，深度學(xué)習(xí)、遷移學(xué)習(xí)和參數(shù)優(yōu)化技術(shù)的發(fā)展，為服務(wù)器集群健康預(yù)測(cè)系統(tǒng)的研究和應(yīng)用提供了更加廣闊的空間和機(jī)遇。

4、例如，中國(guó)專(zhuān)利cn116627766a公開(kāi)了一種應(yīng)用服務(wù)器健康檢查方法及裝置，包括：獲取通過(guò)由負(fù)載均衡設(shè)備發(fā)起模擬交易來(lái)對(duì)目標(biāo)應(yīng)用的各服務(wù)器進(jìn)行健康檢查，得到的各服務(wù)器中的目標(biāo)服務(wù)器的健康檢查參數(shù)數(shù)據(jù)；根據(jù)健康檢查參數(shù)數(shù)據(jù)生成特征向量；將特征向量輸入到預(yù)設(shè)的服務(wù)器健康檢查模型中，得到服務(wù)器健康檢查模型輸出的目標(biāo)服務(wù)器的健康檢查結(jié)果。

5、基于上述方案其通過(guò)深度森林模型來(lái)訓(xùn)練出服務(wù)器健康檢查模型，深度森林模型需要同時(shí)訓(xùn)練多個(gè)決策樹(shù)，進(jìn)而增加了訓(xùn)練的復(fù)雜性，同時(shí)該方法較為單一且預(yù)測(cè)準(zhǔn)確度有待考量。

6、中國(guó)專(zhuān)利cn114860540a公開(kāi)了一種云數(shù)據(jù)中心服務(wù)器健康度評(píng)估方法，包括采集服務(wù)器設(shè)定時(shí)間的各項(xiàng)指標(biāo)數(shù)據(jù)得到服務(wù)器實(shí)時(shí)數(shù)據(jù)的最終特征集合；對(duì)最終特征集合進(jìn)行降維可視化，分析數(shù)據(jù)樣本的分布情況得到故障樣本的樣本簇?cái)?shù)量獲取待評(píng)估服務(wù)器的健康度將待評(píng)估服務(wù)器的健康度與設(shè)定的閾值比較，如果健康度大于閾值，則判斷待評(píng)估服務(wù)器為正常，否則認(rèn)為待評(píng)估服務(wù)器將要發(fā)生故障，進(jìn)行故障告警。

7、基于上述方案其主要是通過(guò)分類(lèi)劃分健康和故障樣本，只能對(duì)該服務(wù)器是否存在故障給出判斷，而無(wú)法對(duì)多個(gè)服務(wù)器的性能給出故障趨勢(shì)預(yù)測(cè)。

8、中國(guó)專(zhuān)利cn112070283a公開(kāi)了一種基于機(jī)器學(xué)習(xí)的服務(wù)器運(yùn)行健康度預(yù)測(cè)方法及系統(tǒng)，根據(jù)構(gòu)建的基于支持向量機(jī)的服務(wù)器狀態(tài)預(yù)測(cè)模型和故障報(bào)警信息，對(duì)服務(wù)器排查故障，并提供基于機(jī)器學(xué)習(xí)的服務(wù)器運(yùn)行健康度預(yù)測(cè)系統(tǒng)，實(shí)現(xiàn)服務(wù)器健康狀態(tài)的預(yù)測(cè)，從而實(shí)現(xiàn)服務(wù)器的故障預(yù)警。

9、基于上述方案其使用bp神經(jīng)網(wǎng)絡(luò)結(jié)合支持向量機(jī)的機(jī)器學(xué)習(xí)方法進(jìn)行狀態(tài)預(yù)測(cè)，支持向量機(jī)算法較為經(jīng)典，而bp神經(jīng)網(wǎng)絡(luò)主要用于分類(lèi)和回歸問(wèn)題，對(duì)于序列數(shù)據(jù)的處理能力較弱，在處理時(shí)序數(shù)據(jù)時(shí)，需要將時(shí)間作為獨(dú)立的輸入特征輸入網(wǎng)絡(luò)，這會(huì)導(dǎo)致輸入維度過(guò)高，訓(xùn)練難度增加，并且無(wú)法捕捉到序列之間的時(shí)序關(guān)系。

10、針對(duì)相關(guān)技術(shù)中的問(wèn)題，目前尚未提出有效的解決方案。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明為了解決上述問(wèn)題，提出了一種用于scada系統(tǒng)的健康狀態(tài)預(yù)測(cè)方法，實(shí)現(xiàn)準(zhǔn)確捕捉服務(wù)器集群的健康狀態(tài)，并在出現(xiàn)異常情況時(shí)發(fā)出預(yù)警的目的。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、一種用于scada系統(tǒng)的健康狀態(tài)預(yù)測(cè)方法，該健康狀態(tài)預(yù)測(cè)方法包括以下步驟：

4、基于應(yīng)用數(shù)據(jù)構(gòu)建控制系統(tǒng)狀態(tài)評(píng)測(cè)模型，并利用遷移算法與控制系統(tǒng)狀態(tài)評(píng)測(cè)模型構(gòu)建服務(wù)器集群相應(yīng)的狀態(tài)預(yù)測(cè)模型群；

5、根據(jù)客戶端發(fā)送需求提取需求服務(wù)器對(duì)應(yīng)的應(yīng)用數(shù)據(jù)并輸入至狀態(tài)預(yù)測(cè)模型群，獲取控制系統(tǒng)健康狀態(tài)的預(yù)測(cè)結(jié)果；

6、基于預(yù)測(cè)結(jié)果對(duì)控制系統(tǒng)健康狀態(tài)進(jìn)行打分，并利用打分結(jié)果生成告警提醒，客戶端根據(jù)提醒執(zhí)行服務(wù)器狀態(tài)調(diào)整操作。

7、優(yōu)選的，基于應(yīng)用數(shù)據(jù)構(gòu)建控制系統(tǒng)狀態(tài)評(píng)測(cè)模型，并利用遷移算法與控制系統(tǒng)狀態(tài)評(píng)測(cè)模型構(gòu)建服務(wù)器集群相應(yīng)的狀態(tài)預(yù)測(cè)模型群包括以下步驟：

8、在各服務(wù)器內(nèi)部署時(shí)庫(kù)數(shù)據(jù)采集器獲取控制系統(tǒng)對(duì)應(yīng)的應(yīng)用數(shù)據(jù)，并將各服務(wù)器內(nèi)的應(yīng)用數(shù)據(jù)整合為服務(wù)集群應(yīng)用數(shù)據(jù)；

9、對(duì)服務(wù)集群應(yīng)用數(shù)據(jù)執(zhí)行預(yù)處理，并將處理完成服務(wù)集群應(yīng)用數(shù)據(jù)存儲(chǔ)至?xí)r序庫(kù)；

10、選取任一組服務(wù)器對(duì)應(yīng)的應(yīng)用數(shù)據(jù)作為模型參數(shù)，與狀態(tài)預(yù)測(cè)算法結(jié)合構(gòu)建控制系統(tǒng)狀態(tài)評(píng)測(cè)模型；

11、基于控制系統(tǒng)狀態(tài)評(píng)測(cè)模型應(yīng)用遷移算法構(gòu)建各服務(wù)器狀態(tài)預(yù)測(cè)模型，將各服務(wù)器狀態(tài)預(yù)測(cè)模型集成得到服務(wù)器集群相應(yīng)的狀態(tài)預(yù)測(cè)模型群。

12、優(yōu)選的，控制系統(tǒng)對(duì)應(yīng)的應(yīng)用數(shù)據(jù)包括服務(wù)集群健康數(shù)據(jù)與控制系統(tǒng)進(jìn)程數(shù)據(jù)；

13、其中，服務(wù)集群健康數(shù)據(jù)包括服務(wù)集群運(yùn)行處理器利用率與服務(wù)集群的內(nèi)存占用率；

14、控制系統(tǒng)進(jìn)程數(shù)據(jù)包括系統(tǒng)進(jìn)程中處理器利用率與系統(tǒng)進(jìn)程的內(nèi)存占用率。

15、優(yōu)選的，選取任一組服務(wù)器對(duì)應(yīng)的應(yīng)用數(shù)據(jù)作為模型參數(shù)，與狀態(tài)預(yù)測(cè)算法結(jié)合構(gòu)建控制系統(tǒng)狀態(tài)評(píng)測(cè)模型包括以下步驟：

16、基于預(yù)設(shè)的選取要求確定控制系統(tǒng)狀態(tài)評(píng)測(cè)模型的學(xué)習(xí)框架，并根據(jù)學(xué)習(xí)框架定義控制系統(tǒng)狀態(tài)評(píng)測(cè)模型架構(gòu)，評(píng)測(cè)模型架構(gòu)包括雙向依賴(lài)網(wǎng)絡(luò)層、特征映射層、依賴(lài)學(xué)習(xí)網(wǎng)絡(luò)層、全連接層與門(mén)控遞歸單元層；

17、應(yīng)用尋優(yōu)算法尋找控制系統(tǒng)狀態(tài)評(píng)測(cè)模型架構(gòu)內(nèi)待尋優(yōu)的超參數(shù)，并定義超參數(shù)的搜索空間；

18、在超參數(shù)搜索空間內(nèi)應(yīng)用優(yōu)化算法進(jìn)行超參數(shù)尋優(yōu)，并將尋優(yōu)結(jié)果與性能指標(biāo)結(jié)合選取超參數(shù)的最優(yōu)組合確定控制系統(tǒng)狀態(tài)評(píng)測(cè)模型的架構(gòu)；

19、基于控制系統(tǒng)狀態(tài)評(píng)測(cè)模型架構(gòu)選取任一組服務(wù)器對(duì)應(yīng)的應(yīng)用數(shù)據(jù)作為模型輸入?yún)?shù)，獲取控制系統(tǒng)狀態(tài)評(píng)測(cè)模型。

20、優(yōu)選的，基于控制系統(tǒng)狀態(tài)評(píng)測(cè)模型架構(gòu)選取任一組服務(wù)器對(duì)應(yīng)的應(yīng)用數(shù)據(jù)作為模型輸入?yún)?shù)，獲取控制系統(tǒng)狀態(tài)評(píng)測(cè)模型包括以下步驟：

21、基于控制系統(tǒng)狀態(tài)評(píng)測(cè)模型架構(gòu)從時(shí)序庫(kù)內(nèi)選取任一組服務(wù)器對(duì)應(yīng)的應(yīng)用數(shù)據(jù)作為模型輸入?yún)?shù)輸入至特征映射層；

22、將特征映射層的輸出結(jié)果按照正反向時(shí)間表示，并將正反向時(shí)間表示結(jié)果輸入至雙向依賴(lài)網(wǎng)絡(luò)層獲取序列數(shù)據(jù)；

23、將序列數(shù)據(jù)輸入至依賴(lài)學(xué)習(xí)網(wǎng)絡(luò)層連接獲取輸出序列，并將輸出序列輸入至門(mén)控遞歸單元層內(nèi)得到任一組服務(wù)器對(duì)應(yīng)的控制系統(tǒng)狀態(tài)輸出結(jié)果；

24、將狀態(tài)輸出結(jié)果輸入至全連接層執(zhí)行映射操作獲取狀態(tài)預(yù)測(cè)結(jié)果，并基于狀態(tài)預(yù)測(cè)結(jié)果確定控制系統(tǒng)狀態(tài)評(píng)測(cè)模型的架構(gòu)得到控制系統(tǒng)狀態(tài)評(píng)測(cè)模型。

25、優(yōu)選的，將特征映射層的輸出結(jié)果按照正反向時(shí)間表示，并將正反向時(shí)間表示結(jié)果輸入至雙向依賴(lài)網(wǎng)絡(luò)層獲取序列數(shù)據(jù)包括以下步驟：

26、將特征映射層的輸出結(jié)果表示為正向時(shí)間與反向時(shí)間，并將正向時(shí)間與反向時(shí)間分別輸入至雙向依賴(lài)網(wǎng)絡(luò)層的正向?qū)W習(xí)層與反向?qū)W習(xí)層；

27、利用正向?qū)W習(xí)層與反向?qū)W習(xí)層更新獲取正向與反向候選單元狀態(tài)，并基于正向與反向候選單元狀態(tài)獲取雙向依賴(lài)網(wǎng)絡(luò)層的輸出結(jié)果得到序列數(shù)據(jù)。

28、優(yōu)選的，序列數(shù)據(jù)的計(jì)算公式為：

29、

30、式中，表示雙向依賴(lài)網(wǎng)絡(luò)層的輸出結(jié)果，表示t時(shí)刻的反向輸出門(mén)，表示t時(shí)刻反向候選單元狀態(tài)，表示t時(shí)刻正向候選單元狀態(tài)。

31、優(yōu)選的，將狀態(tài)輸出結(jié)果輸入至全連接層執(zhí)行映射操作獲取狀態(tài)預(yù)測(cè)結(jié)果，并基于狀態(tài)預(yù)測(cè)結(jié)果確定控制系統(tǒng)狀態(tài)評(píng)測(cè)模型的架構(gòu)得到控制系統(tǒng)狀態(tài)評(píng)測(cè)模型包括以下步驟：

32、將狀態(tài)輸出結(jié)果輸入至全連接層，利用權(quán)重矩陣與偏置向量對(duì)狀態(tài)輸出結(jié)果執(zhí)行映射操作得到狀態(tài)預(yù)測(cè)結(jié)果；

33、基于狀態(tài)預(yù)測(cè)結(jié)果與預(yù)設(shè)的狀態(tài)結(jié)果之間平方差的平均值評(píng)估控制系統(tǒng)狀態(tài)評(píng)測(cè)模型效果，若評(píng)測(cè)效果滿足預(yù)設(shè)要求，則將當(dāng)前的架構(gòu)作為控制系統(tǒng)狀態(tài)評(píng)測(cè)模型的架構(gòu)；

34、若評(píng)測(cè)效果未滿足預(yù)設(shè)要求，則重新選取超參數(shù)的最優(yōu)組合調(diào)整控制系統(tǒng)狀態(tài)評(píng)測(cè)模型的架構(gòu)，將評(píng)測(cè)效果滿足預(yù)設(shè)要求后的架構(gòu)作為控制系統(tǒng)狀態(tài)評(píng)測(cè)模型。

35、優(yōu)選的，基于控制系統(tǒng)狀態(tài)評(píng)測(cè)模型應(yīng)用遷移算法構(gòu)建各服務(wù)器狀態(tài)預(yù)測(cè)模型，將各服務(wù)器狀態(tài)預(yù)測(cè)模型集成得到服務(wù)器集群相應(yīng)的狀態(tài)預(yù)測(cè)模型群包括以下步驟：

36、基于控制系統(tǒng)狀態(tài)評(píng)測(cè)模型獲取服務(wù)器對(duì)應(yīng)的特征輸出值，并根據(jù)特征輸出值提取權(quán)重與偏置；

37、應(yīng)用遷移算法將權(quán)重與偏置遷移至各服務(wù)器對(duì)應(yīng)的目標(biāo)域特征網(wǎng)絡(luò)中，作為初始權(quán)重與偏置；

38、應(yīng)用深度特征網(wǎng)絡(luò)提取各服務(wù)器對(duì)應(yīng)應(yīng)用數(shù)據(jù)的參數(shù)特征，計(jì)算特征輸出值與參數(shù)特征之間的最大均值化差異得到遷移誤差；

39、將遷移誤差最小化作為優(yōu)化目標(biāo)與梯度下降迭代法結(jié)合生成偏置梯度，更新控制系統(tǒng)狀態(tài)評(píng)測(cè)模型的權(quán)重與偏置得到各服務(wù)器相應(yīng)的狀態(tài)預(yù)測(cè)模型；

40、獲取全部服務(wù)器的狀態(tài)預(yù)測(cè)模型集成得到服務(wù)器集群相應(yīng)的狀態(tài)預(yù)測(cè)模型群。

41、優(yōu)選的，最大均值化差異的計(jì)算公式為：

42、

43、式中，表示最大均值化差異，g1表示特征輸出值，表示參數(shù)特征，||||g表示求取范數(shù)，表示求取特征輸出值的均值，n表示特征輸出值個(gè)數(shù)，i表示當(dāng)前服務(wù)器編號(hào)，表示參數(shù)特征的均值，m表示參數(shù)特征個(gè)數(shù)，j表示待遷移的服務(wù)器編號(hào)。

44、本發(fā)明的有益效果為：

45、1、本發(fā)明綜合監(jiān)控系統(tǒng)和進(jìn)程的性能數(shù)據(jù)，包括cpu使用率和內(nèi)存占用等存儲(chǔ)在時(shí)序庫(kù)中，以便后續(xù)的模型訓(xùn)練和預(yù)測(cè)使用，同時(shí)采用多種不同類(lèi)型的循環(huán)神經(jīng)網(wǎng)絡(luò)算法，對(duì)服務(wù)器集群的健康狀態(tài)進(jìn)行建模，從而提高了模型的性能和泛化能力，使得能夠準(zhǔn)確地捕捉服務(wù)器集群的健康狀態(tài)，進(jìn)一步提高模型的性能和魯棒性。

46、2、本發(fā)明通過(guò)貝葉斯超參數(shù)優(yōu)化方法對(duì)深度學(xué)習(xí)模型的關(guān)鍵參數(shù)進(jìn)行調(diào)整，以選擇最優(yōu)配置，同時(shí)引入遷移學(xué)習(xí)技術(shù)，將已有的監(jiān)控?cái)?shù)據(jù)和模型遷移到其他的服務(wù)器上，并結(jié)合其他服務(wù)器的監(jiān)控?cái)?shù)據(jù)進(jìn)行訓(xùn)練，進(jìn)而快速構(gòu)建適用于其他服務(wù)器的預(yù)測(cè)模型，使得既可以減少其他服務(wù)器上的數(shù)據(jù)量，又可以利用已有的模型知識(shí)提高新模型的訓(xùn)練效率和預(yù)測(cè)精度。

47、3、本發(fā)明將控制系統(tǒng)狀態(tài)評(píng)測(cè)模型部署在服務(wù)端，響應(yīng)客戶端的預(yù)測(cè)請(qǐng)求，預(yù)測(cè)未來(lái)系統(tǒng)和相關(guān)進(jìn)程的性能情況，通過(guò)準(zhǔn)確捕捉服務(wù)器集群的健康狀態(tài)，并在出現(xiàn)異常情況時(shí)發(fā)出預(yù)警，對(duì)于保障服務(wù)器集群的穩(wěn)定運(yùn)行和提高業(yè)務(wù)可靠性具有重要意義。