一种基于模型联动的预警方法及系统与流程

1.本发明属于计算机技术领域，具体而言属于一种基于模型联动的预警方法及系统。


背景技术：

2.对于计算监控软件来讲，能及时的判断出即将出现的风险，并提前预警是非常重要功能，能防止故障连续影响造成雪崩。对于时序数据而言，在传统的预警方式上，主要是两种特别普遍，一种是基于阈值的固定规则预警，这种方式取决于两个前提条件，一是针对哪些时序数据必须预先知道，二是要明确阈值本身。第二种方式是基于特定的时序做时序预测模型，这种方式相对于第一种，不需要定义阈值，因此减少了很多工作，并且相较于第一种方式，准确度也得到了提高。
3.但是对于第二种方式来说，是需要一个比较好的预测模型的，在计算机软件环境中，单时间线或者指定多时间线的预测模型，在预测准确性上往往达不到理想的期望值，导致传统的时序算法预测结果，只能参考，没办法在生产环境里使用。除此以外，在遇到异常时，传统的预测算法是无法对异常的原因做出解释的，这样一来就无法有效地规避下一次异常。
4.有鉴于此，特提出本发明。


技术实现要素：

5.本发明的第一目的在于提供一种基于模型联动的预警方法，此种方法在相较于原有的预警算法增加了lr模型，通过lstm模型和lr模型的联动，既提高了预警的精准度，又可以在发生异常情况后判断出该异常发生的原因，这一功能是现有技术所不具备的。
6.本发明的第二目的在于提供一种基于模型联动的预警系统，该系统基于上述方法所设计，也即是说本系统的设计为上述方法的实现提供了底层的支持。
7.为了实现本发明的上述目的，特采用以下技术方案：
8.本发明的方法包括如下步骤：
9.对持续上报的时间序列进行聚类获得n个集合，同时收集未持续上报的时间序列转化为二元向量；
10.对所述n个集合里的时间序列进行lstm模型训练；lstm模型训练结束后，根据所述二元向量进行lr模型训练；
11.使用lstm模型和lr模型进行预测得到预测结果和影响因子，结合所述预测结果和所述影响因子完成预警。
12.优选的，所述聚类的方法包括如下步骤：收集预警周期t内持续上报的时间序列，使用聚类算法进行聚类。所述聚类算法包括dtw和gmm。
13.至于聚类，这是一个将物理或抽象对象的集合分成由类似的对象组成的多个类的过程，由聚类所生成的集合是一组数据对象的集合，这些对象与同一个集合中的对象彼此
相似，而与其他集合中的对象相异。
14.优选的，所述生成二元向量的方法包括如下步骤：根据所述预警周期t内未持续上报的时间序列生成映射，并将所述映射转换为二元向量；
15.其中，所述未持续上报是相对于上述聚合所使用的持续上报的时间序列而言的，在将持续上报的时间序列聚合后，剩余的未聚合的即是未持续上报的时间序列，将其收集起来作为key值，将这些时间序列的上报与否作为value值，value值为[0|1]序列的形式，1代表该时间序列已经上报，0代表该时间序列未上报。得到key和value值之后生成map，进而转化为一个二元零一向量。
[0016]
优选的，所述lr模型训练的方法包括如下步骤：以所述二元向量为x值，以异常数据为y值，对每一个完成lstm模型训练的集合进行lr模型训练。
[0017]
其中这里的异常数据通常使用的是最近一次发生故障的异常数据，采用这样的方式，可以有效的控制此异常数据的可信度，以进一步实现更为精确的预警结果和异常分析。
[0018]
优选的，所述预测的方法包括如下步骤：根据所述lstm模型训练的结果，再次使用lstm模型对新数据进行预测获得预测结果；
[0019]
根据所述lr模型训练的结果，使用lr模型对新数据进行预测获得影响因子；
[0020]
所述新数据优选为下一个预警周期t的数据，其也是可以为任意一个时间段的数据，也即是说本方法中经过一次模型训练，即可满足日后的检测需求，但是为了检测预警的准确度还是选择只对下一个预警周期的数据进行预警，对其他的数据预警之前需经过其他数据的模型训练。
[0021]
本发明公开的预警系统包括：
[0022]
序列选择模块：对持续上报的时间序列进行聚类获得n个集合，同时收集未持续上报的时间序列转化为二元向量；
[0023]
模型训练模块：对所述n个集合里的时间序列进行lstm模型训练；lstm模型训练结束后，根据所述二元向量进行lr模型训练；
[0024]
序列预测模块：使用lstm模型和lr模型进行预测得到预测结果和影响因子，结合所述预测结果和所述影响因子完成预警。
[0025]
并且本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，所述程序执行时实现上述方法的步骤。
[0026]
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
[0027]
与现有技术相比，本发明的有益效果在于：
[0028]
(1)通过lstm模型与lr模型的联动，预警效果相较于现有技术大大提高，预警准确率提升了8.6％。
[0029]
(2)提供了预测结果的影响因子分析，在出现异常时，可以对本次异常产生的原因进行分析，这也是现有技术所无法做到的。
附图说明
[0030]
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明
的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0031]
图1为本发明实施例提供的预警方法流程示意图；
[0032]
图2为本发明实施例提供的预警系统示意图；
[0033]
图3为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
[0034]
下面将结合附图和具体实施方式对本发明的技术方案进行清楚、完整地描述，但是本领域技术人员将会理解，下列所描述的实施例是本发明一部分实施例，而不是全部的实施例，仅用于说明本发明，而不应视为限制本发明的范围。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0035]
为了更加清晰的对本发明中的技术方案进行阐述，下面以具体实施例的形式进行说明。
[0036]
实施例
[0037]
参照图1所示，本实施例提供了一种基于模型联动的预警方法，其包括如下步骤：
[0038]
s1-1：对持续上报的时间序列进行聚类获得n个集合，同时收集未持续上报的时间序列转化为二元向量；
[0039]
s1-2：对所述n个集合里的时间序列进行lstm模型训练；lstm模型训练结束后，根据所述二元向量进行lr模型训练；
[0040]
s1-3：使用lstm模型和lr模型进行预测得到预测结果和影响因子，结合所述预测结果和所述影响因子完成预警。
[0041]
其中，所述聚类的方法包括如下步骤：
[0042]
收集预警周期t内持续上报的时间序列，使用聚类算法进行聚类，所述聚类算法包括dtw和gmm。
[0043]
其中所述生成二元向量的方法包括如下步骤：
[0044]
根据所述预警周期t内未持续上报的时间序列生成映射，并将所述映射转换为二元向量；
[0045]
其中，所述映射的key值为所述未持续上报的时间序列，value值为零一序列，所述零一序列中，零代表未上报，一代表已上报。
[0046]
其中所述lr模型训练的方法包括如下步骤：
[0047]
以所述二元向量为x值，以异常数据为y值，对每一个完成lstm模型训练的集合进行lr模型训练。
[0048]
其中所述预测的方法包括如下步骤：
[0049]
根据所述lstm模型训练的结果，再次使用lstm模型对新数据进行预测获得预测结果；
[0050]
根据所述lr模型训练的结果，使用lr模型对新数据进行预测获得影响因子；
[0051]
所述新数据为下一个预警周期t的数据。
[0052]
如图2所示，本实施例还提供了一种基于模型联动的预警系统，其包括：
[0053]
序列选择模块2-1：对持续上报的时间序列进行聚类获得n个集合，同时收集未持
续上报的时间序列转化为二元向量；
[0054]
模型训练模块2-2：对所述n个集合里的时间序列进行lstm模型训练；lstm模型训练结束后，根据所述二元向量进行lr模型训练；
[0055]
序列预测模块2-3：使用lstm模型和lr模型进行预测得到预测结果和影响因子，结合所述预测结果和所述影响因子完成预警。
[0056]
图3是本发明公开的一种计算机设备的结构示意图。参考图3所示，该计算机设备包括：输入装置63、输出装置64、存储器62和处理器61；所述存储器62，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器61执行，使得所述一个或多个处理器61实现如上述实施例提供的预警方法；其中输入装置63、输出装置64、存储器62和处理器61可以通过总线或者其他方式连接，图3中以通过总线连接为例。
[0057]
存储器62作为一种计算设备可读写存储介质，可用于存储软件程序、计算机可执行程序，如本技术实施例所述的方法对应的程序指令；存储器62可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等；此外，存储器62可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件或其他非易失性固态存储器件；在一些实例中，存储器62可进一步包括相对于处理器61远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0058]
输入装置63可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入；输出装置64可包括显示屏等显示设备。
[0059]
处理器61通过运行存储在存储器62中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理。
[0060]
上述提供的计算机设备可用于执行上述实施例提供的预警方法，具备相应的功能和有益效果。
[0061]
本技术实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的预警方法，存储介质是任何的各种类型的存储器设备或存储设备，存储介质包括：安装介质，例如cd-rom、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如dram、ddr ram、sram、edo ram，兰巴斯(rambus)ram等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等；存储介质可以还包括其它类型的存储器或其组合；存储介质包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
[0062]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。