1.本技术涉及计算机
技术领域：
：，尤其涉及一种故障预测模型训练方法、设备故障确定方法、装置及设备。
背景技术：
：：2.电子设备(例如，服务器)可以提供数据计算、数据存储、运行程序等多种服务。为了防止电子设备因内存故障导致宕机而影响服务，可以对电子设备进行宕机预测。3.在相关技术中，可以收集电子设备的日志信息和设备信息，并通过日志信息和设备信息，对电子设备进行宕机预测。设备信息可以包括电子设备的厂商、所在位置等。然而，由于日志信息和设备信息在宕机之前可能不会有明显的变化，导致对电子设备进行宕机预测的准确性较差。技术实现要素：4.本技术的多个方面提供一种故障预测模型训练方法、设备故障确定方法、装置及设备，用以提高对电子设备进行宕机预测的准确性。5.第一方面，本技术实施例提供一种故障预测模型训练方法，包括：6.从多个电子设备获取多条初始数据，所述初始数据包括：设备信息、所述电子设备中内存的内存信息和数据采样时刻，所述内存信息包括内存故障信息和内存性能信息；7.根据所述设备信息和所述数据采样时刻，分别对每个电子设备对应的初始数据进行特征统计得到多条统计数据；8.根据所述多个电子设备的宕机信息，确定所述多条统计数据的标注结果，所述标注结果用于指示所述统计数据的采集时刻与所述电子设备宕机时刻之间的待宕机时长；9.根据所述多条统计数据和每条统计数据对应的标注结果进行模型训练，得到目标模型，所述目标模型用于确定电子设备在未来时段内是否因内存故障导致宕机。10.在一种可能的实施方式中，根据所述设备信息和所述数据采样时刻，分别对每个电子设备对应的初始数据进行特征统计得到多条统计数据，包括：11.根据所述电子设备信息，确定每个电子设备对应的初始数据；12.针对每个电子设备，根据所述数据采样时刻和预设的时间窗口，将所述电子设备对应的初始数据划分为多个数据组，一个数据组中初始数据的数据采样时刻位于对应的时间窗口内；13.分别对每个数据组中的初始数据进行特征统计，以得到所述电子设备对应的统计数据，一个数据组对应一条统计数据。14.在一种可能的实施方式中，所述内存故障信息包括：各故障类型对应的报错次数和故障位置；15.针对所述多个数据组中的任意一个数据组；对所述数据组中的初始数据进行特征统计，得到所述数据组对应的统计数据，包括：16.对所述数据组中各故障类型对应的报错次数进行特征统计，得到各故障类型对应的报错统计值；17.对所述数据组中的内存性能信息进行特征统计，得到内存性能统计值；18.对所述数据组中的故障位置进行统计，得到所述内存中各块在所述数据组对应的时间窗口内的故障次数统计值；19.其中，所述数据组对应的统计数据包括：所述各故障类型对应的报错统计值、所述内存性能统计值和所述故障次数统计值。20.在一种可能的实施方式中，所述宕机信息中包括宕机时刻；针对任意一个电子设备对应的任意一条统计数据；根据所述电子设备的宕机信息，确定所述统计数据的标注结果，包括：21.根据所述统计数据对应的初始数据中的数据采样时刻，确定所述统计数据的采集时刻；22.获取所述采集时刻和所述宕机时刻之间的初始时长；23.按照预设时间单位，对所述初始时长进行取整处理，得到所述待宕机时长，所述待宕机时长为所述预设时间单位的整数倍；24.确定所述统计数据的标注结果包括所述待宕机时长。25.在一种可能的实施方式中，所述宕机信息中包括宕机标识和宕机时刻，或者所述宕机信息中包括未宕机标识；26.针对任意一个电子设备对应的任意一条统计数据；根据所述电子设备的宕机信息，确定所述统计数据的标注结果，包括：27.若所述宕机信息中包括所述宕机标识和所述宕机时刻，则根据所述统计数据对应的初始数据中的数据采样时刻，确定采集时刻；获取所述采集时刻和所述宕机时刻之间的初始时长；按照预设时间单位，对所述初始时长进行取整处理，得到所述待宕机时长，所述待宕机时长为所述预设时间单位的整数倍；确定所述统计数据的标注结果包括所述待宕机时长；28.若所述宕机信息中包括所述未宕机标识，则确定所述统计数据的标识结果为未宕机或者所述待宕机时长大于或等于预设时长。29.在一种可能的实施方式中，根据所述多条统计数据和每条统计数据对应的标注结果进行模型训练，得到目标模型，包括：30.根据所述多条统计数据和每条统计数据对应的标注结果，在所述多条统计数据中确定m条正样本数据和n条负样本数据，所述正样本数据对应的标注结果所指示的待宕机时长小于或等于预设时长，所述负样本数据对应的标注结果中所指示的待宕机时长大于所述预设时长，所述m和所述n分别为正整数；31.根据所述m和所述n，在所述m条正样本数据中确定多条第一正样本数据，以及在所述n条负样本数据中确定多条第一负样本数据，所述第一正样本数据的数量和所述第一负样本数据的数量的差值在预设范围内；32.根据所述多条第一正样本数据、所述多条第一负样本数据、所述多条第一正样本数据对应的标注结果和所述多条第一负样本数据对应的标注结果进行模型训练，得到所述目标模型。33.在一种可能的实施方式中，根据所述多条第一正样本数据、所述多条第一负样本数据、所述多条第一正样本数据对应的标注结果和所述多条第一负样本数据对应的标注结果进行模型训练，得到所述目标模型，包括：34.根据所述多条第一正样本数据、所述多条第一负样本数据、所述多条第一正样本数据对应的标注结果和所述多条第一负样本数据对应的标注结果进行第一次模型训练，得到中间模型，以及确定所述统计数据中各数据特征的重要程度；35.根据所述统计数据中各数据特征的重要程度从高到底的顺序进行排列，并在所述多条第一正样本中保留前k个数据特征的特征值，得到多条第二正样本数据，以及在所述多条第一负样本中保留前k个数据特征的特征值，得到多条第二负样本数据；36.根据所述多条第二正样本数据、所述多条第二负样本数据、所述多条第二正样本数据对应的标注结果和所述多条第二负样本数据对应的标注结果，对所述中间模型进行第二次模型训练，得到所述目标模型。37.在一种可能的实施方式中，所述第一正样本数据和所述第一负样本数据中分别包括多个数据特征；38.根据所述多条第一正样本数据、所述多条第一负样本数据、所述多条第一正样本数据对应的标注结果和所述多条第一负样本数据对应的标注结果进行第一次模型训练，得到中间模型，包括：39.根据所述多条第一正样本数据中各数据特征的特征值、以及所述多条第一负样本数据中各数据特征的特征值，在所述多个数据特征中确定第一数据特征；其中，在所述第一正样本中所述第一数据特征对应的特征值、与所述第一负样本中所述第一数据特征对应的特征值的差异度大于或等于第二阈值；40.根据所述第一数据特征，更新所述多条第一正样本数据和所述多条第一负样本数据，更新后的多条第一正样本数据和更新后的多条第一负样本数据中包括所述第一数据特征的特征值；41.根据更新后的多条第一正样本数据、更新后的多条第一负样本数据、更新后的多条第一正样本数据对应的标注结果和更新后的多条第一负样本数据对应的标注结果进行模型训练，得到所述中间模型。42.在一种可能的实施方式中，根据所述m和所述n，在所述m条正样本数据中确定多条第一正样本数据，以及在所述n条负样本数据中确定多条第一负样本数据，包括：43.若所述m大于所述n，且所述m与所述n的差值大于或等于第一阈值，则对所述m条正样本数据进行下采样，并将下采样处理后的正样本数据确定为所述多条第一正样本数据，以及将所述n条负样本数据确定为所述多条第一负样本数据；或者，44.若所述n大于所述m，且所述n与所述m的差值大于或等于所述第一阈值，则对所述n条负样本数据进行下采样，并将下采样处理后的负样本数据确定为所述多条第一负样本数据，以及将所述m条正样本数据确定为所述多条第一正样本数据。45.第二方面，本技术实施例提供一种设备故障确定方法，包括：46.从电子设备获取多条初始数据，所述初始数据包括：设备信息、所述电子设备中内存的内存信息和数据采样时刻，所述内存信息包括内存故障信息和内存性能信息；47.根据所述数据采样时刻，对所述多条初始数据进行特征统计得到多条统计数据；48.通过目标模型对所述多条统计数据进行处理，得到电子设备在未来时段内是否因内存故障导致宕机；其中，所述目标模型为根据第一方面任一项所述的方法训练得到的。49.在一种可能的实施方式中，所述内存故障信息包括：各故障类型对应的报错次数和故障位置；50.根据所述数据采样时刻，对所述多条初始数据进行特征统计得到多条统计数据，包括：51.根据预设的时间窗口，将所述多条初始数据划分为多个数据组，一个数据组中初始数据的数据采样时刻位于对应的时间窗口内；52.针对所述多个数据组中的任意一个数据组，对所述数据组中各故障类型对应的报错次数进行特征统计，得到各故障类型对应的报错统计值；53.对所述数据组中的内存性能信息进行特征统计，得到内存性能统计值；54.对所述数据组中的故障位置进行统计，得到所述内存中各块在所述数据组对应的时间窗口内的故障次数统计值；55.其中，所述数据组对应的统计数据包括：所述各故障类型对应的报错统计值、所述内存性能统计值和所述故障次数统计值。56.第三方面，本技术实施例提供一种模型训练装置，包括：获取模块、统计模块、确定模块和训练模块，其中，57.所述获取模块用于，从多个电子设备获取多条初始数据，所述初始数据包括：设备信息、所述电子设备中内存的内存信息和数据采样时刻，所述内存信息包括内存故障信息和内存性能信息；58.所述统计模块用于，根据所述设备信息和所述数据采样时刻，分别对每个电子设备对应的初始数据进行特征统计得到多条统计数据；59.所述确定模块用于，根据所述多个电子设备的宕机信息，确定所述多条统计数据的标注结果，所述标注结果用于指示所述统计数据的采集时刻与所述电子设备宕机时刻之间的待宕机时长；60.所述训练模块用于，根据所述多条统计数据和每条统计数据对应的标注结果进行模型训练，得到目标模型，所述目标模型用于确定电子设备在未来时段内是否因内存故障导致宕机。61.在一种可能的实施方式中，所述统计模块具体用于：62.根据所述电子设备信息，确定每个电子设备对应的初始数据；63.针对每个电子设备，根据所述数据采样时刻和预设的时间窗口，将所述电子设备对应的初始数据划分为多个数据组，一个数据组中初始数据的数据采样时刻位于对应的时间窗口内；64.分别对每个数据组中的初始数据进行特征统计，以得到所述电子设备对应的统计数据，一个数据组对应一条统计数据。65.在一种可能的实施方式中，所述内存故障信息包括：各故障类型对应的报错次数和故障位置；所述统计模块具体用于：66.对所述数据组中各故障类型对应的报错次数进行特征统计，得到各故障类型对应的报错统计值；67.对所述数据组中的内存性能信息进行特征统计，得到内存性能统计值；68.对所述数据组中的故障位置进行统计，得到所述内存中各块在所述数据组对应的时间窗口内的故障次数统计值；69.其中，所述数据组对应的统计数据包括：所述各故障类型对应的报错统计值、所述内存性能统计值和所述故障次数统计值。70.在一种可能的实施方式中，所述宕机信息中包括宕机时刻；针对任意一个电子设备对应的任意一条统计数据；所述确定模块具体用于：71.根据所述统计数据对应的初始数据中的数据采样时刻，确定所述统计数据的采集时刻；72.获取所述采集时刻和所述宕机时刻之间的初始时长；73.按照预设时间单位，对所述初始时长进行取整处理，得到所述待宕机时长，所述待宕机时长为所述预设时间单位的整数倍；74.确定所述统计数据的标注结果包括所述待宕机时长。75.在一种可能的实施方式中，所述宕机信息中包括宕机标识和宕机时刻，或者所述宕机信息中包括未宕机标识；76.针对任意一个电子设备对应的任意一条统计数据；所述确定模块具体用于：77.若所述宕机信息中包括所述宕机标识和所述宕机时刻，则根据所述统计数据对应的初始数据中的数据采样时刻，确定采集时刻；获取所述采集时刻和所述宕机时刻之间的初始时长；按照预设时间单位，对所述初始时长进行取整处理，得到所述待宕机时长，所述待宕机时长为所述预设时间单位的整数倍；确定所述统计数据的标注结果包括所述待宕机时长；78.若所述宕机信息中包括所述未宕机标识，则确定所述统计数据的标识结果为未宕机或者所述待宕机时长大于或等于预设时长。79.在一种可能的实施方式中，所述训练模块具体用于：80.根据所述多条统计数据和每条统计数据对应的标注结果，在所述多条统计数据中确定m条正样本数据和n条负样本数据，所述正样本数据对应的标注结果所指示的待宕机时长小于或等于预设时长，所述负样本数据对应的标注结果中所指示的待宕机时长大于所述预设时长，所述m和所述n分别为正整数；81.根据所述m和所述n，在所述m条正样本数据中确定多条第一正样本数据，以及在所述n条负样本数据中确定多条第一负样本数据，所述第一正样本数据的数量和所述第一负样本数据的数量的差值在预设范围内；82.根据所述多条第一正样本数据、所述多条第一负样本数据、所述多条第一正样本数据对应的标注结果和所述多条第一负样本数据对应的标注结果进行模型训练，得到所述目标模型。83.在一种可能的实施方式中，所述训练模块具体用于：84.根据所述多条第一正样本数据、所述多条第一负样本数据、所述多条第一正样本数据对应的标注结果和所述多条第一负样本数据对应的标注结果进行第一次模型训练，得到中间模型，以及确定所述统计数据中各数据特征的重要程度；85.根据所述统计数据中各数据特征的重要程度从高到底的顺序进行排列，并在所述多条第一正样本中保留前k个数据特征的特征值，得到多条第二正样本数据，以及在所述多条第一负样本中保留前k个数据特征的特征值，得到多条第二负样本数据；86.根据所述多条第二正样本数据、所述多条第二负样本数据、所述多条第二正样本数据对应的标注结果和所述多条第二负样本数据对应的标注结果，对所述中间模型进行第二次模型训练，得到所述目标模型。87.在一种可能的实施方式中，所述第一正样本数据和所述第一负样本数据中分别包括多个数据特征；所述训练模块具体用于：88.根据所述多条第一正样本数据中各数据特征的特征值、以及所述多条第一负样本数据中各数据特征的特征值，在所述多个数据特征中确定第一数据特征；其中，在所述第一正样本中所述第一数据特征对应的特征值、与所述第一负样本中所述第一数据特征对应的特征值的差异度大于或等于第二阈值；89.根据所述第一数据特征，更新所述多条第一正样本数据和所述多条第一负样本数据，更新后的多条第一正样本数据和更新后的多条第一负样本数据中包括所述第一数据特征的特征值；90.根据更新后的多条第一正样本数据、更新后的多条第一负样本数据、更新后的多条第一正样本数据对应的标注结果和更新后的多条第一负样本数据对应的标注结果进行模型训练，得到所述中间模型。91.在一种可能的实施方式中，所述训练模块具体用于：92.若所述m大于所述n，且所述m与所述n的差值大于或等于第一阈值，则对所述m条正样本数据进行下采样，并将下采样处理后的正样本数据确定为所述多条第一正样本数据，以及将所述n条负样本数据确定为所述多条第一负样本数据；或者，93.若所述n大于所述m，且所述n与所述m的差值大于或等于所述第一阈值，则对所述n条负样本数据进行下采样，并将下采样处理后的负样本数据确定为所述多条第一负样本数据，以及将所述m条正样本数据确定为所述多条第一正样本数据。94.第四方面，本技术实施例提供一种设备故障确定装置，包括：获取模块、统计模块和处理模块，其中，95.所述获取模块用于，从电子设备获取多条初始数据，所述初始数据包括：设备信息、所述电子设备中内存的内存信息和数据采样时刻，所述内存信息包括内存故障信息和内存性能信息；96.所述统计模块用于，根据所述数据采样时刻，对所述多条初始数据进行特征统计得到多条统计数据；97.所述处理模块用于，通过目标模型对所述多条统计数据进行处理，得到电子设备在未来时段内是否因内存故障导致宕机；其中，所述目标模型为根据第一方面任一项所述的方法训练得到的。98.在一种可能的实施方式中，所述内存故障信息包括：各故障类型对应的报错次数和故障位置；所述统计模块具体用于：99.根据预设的时间窗口，将所述多条初始数据划分为多个数据组，一个数据组中初始数据的数据采样时刻位于对应的时间窗口内；100.针对所述多个数据组中的任意一个数据组，对所述数据组中各故障类型对应的报错次数进行特征统计，得到各故障类型对应的报错统计值；101.对所述数据组中的内存性能信息进行特征统计，得到内存性能统计值；102.对所述数据组中的故障位置进行统计，得到所述内存中各块在所述数据组对应的时间窗口内的故障次数统计值；103.其中，所述数据组对应的统计数据包括：所述各故障类型对应的报错统计值、所述内存性能统计值和所述故障次数统计值。104.第五方面，本技术实施例提供一种电子设备，包括：存储器和处理器；105.所述存储器存储计算机执行指令；106.所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行第一方面任一项所述的故障预测模型训练方法。107.第六方面，本技术实施例提供一种电子设备，包括：存储器和处理器；108.所述存储器存储计算机执行指令；109.所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行第二方面任一项所述的设备故障确定方法。110.第七方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当所述计算机执行指令被处理器执行时用于实现第一方面任一项所述的故障预测模型训练方法。111.第八方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当所述计算机执行指令被处理器执行时用于实现第二方面所述的设备故障确定方法。112.第九方面，本技术实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面任一项所示的故障预测模型训练方法。113.第十方面，本技术实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第二方面任一项所示的设备故障确定方法。114.本技术实施例提供一种故障预测模型训练方法、设备故障确定方法、装置及设备，可以从多个电子设备获取多条初始数据，初始数据中可以包括设备信息、电子设备中内存的内存信息和数据采样时刻，内存信息包括内存故障信息和内存性能信息。可以根据设备信息和数据采样时刻，分别对每个电子设备对应的初始数据进行特征统计得到多条统计数据，并且可以根据多个电子设备的宕机信息，确定多条统计数据的标注结果。模型训练设备可以在多条统计数据中确定正样本数据和负样本数据，进而可以根据正样本数据和负样本数据的数量确定多条第一正样本数据和多条第一负样本数据，可以根据多条第一正样本数据、多条第一负样本数据、多条第一正样本数据对应的标注结果和多条第一负样本数据对应的标注结果进行模型训练，得到目标模型。由于进行模型训练所使用的样本数据中包括内存性能信息和内存故障信息，在电子设备因内存故障而发生宕机之前，电子设备的内存性能信息和内存故障信息通常会有较为明显的变化；样本数据为一个时段内的统计数据，统计数据可以明显的反映出数据变化；标注结果中包括距离宕机时刻的待宕机时长，从而可以使得训练完成后的目标模型可以准确地预测未来第几天可能会发生宕机。提升了目标模型的预测准确性，使得通过目标模型可以准确的预测电子设备在未来时段是否会因内存故障而导致宕机。附图说明115.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：116.图1为本技术示例性实施例提供的一种应用场景的示意图；117.图2为本技术示例性实施例提供的一种故障预测模型训练方法的流程示意图；118.图3a为本技术示例性实施例提供的时间窗口的示意图一；119.图3b为本技术示例性实施例提供的时间窗口的示意图二；120.图4为本技术示例性实施例提供的另一种故障预测模型训练方法的流程示意图；121.图5为本技术示例性实施例提供的双列直插式内存模块的结构示意图；122.图6为本技术示例性实施例提供的一种故障预测模型训练方法的过程示意图；123.图7为本技术示例性实施例提供的一种设备故障确定方法的过程示意图；124.图8为本技术示例性实施例提供的一种模型训练装置的结构示意图；125.图9为本技术示例性实施例提供的一种设备故障确定装置的结构示意图；126.图10为本技术示例性实施例提供的一种电子设备的结构示意图。具体实施方式127.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。128.图1为本技术示例性实施例提供的一种应用场景的示意图。请参见图1，包括模型训练设备和多个电子设备。例如，多个电子设备可以包括电子设备-1、电子设备-2、……、电子设备-n。模型训练设备和任意一个电子设备之间可以进行通信。模型训练设备可以从多个电子设备获取初始数据，并根据从多个电子设备获取的初始数据进行模型训练，以得到目标模型。129.在得到目标模型之后，可以将目标模型设置在电子设备或者故障预测设备，电子设备或者故障预测设备可以通过目标模型对电子设备进行故障预测，以判断电子设备在未来时段内是否会引内存故障而发生宕机。130.在相关技术中，可以收集电子设备的日志信息和设备信息，并通过日志信息和设备信息，对电子设备进行宕机预测。然而，由于日志信息和设备信息在宕机之前可能不会有明显的变化，导致对电子设备进行宕机预测的准确性较差。131.在本技术实施例中，可以通过训练得到的目标模型对电子设备进行宕机预测。进行模型训练所使用的样本数据中包括内存性能信息和内存故障信息，在电子设备因内存故障而发生宕机之前，电子设备的内存性能信息和内存故障信息通常会有较为明显的变化，并且样本数据为一个时段内的统计数据(例如，平均值、最大值、方差等)，统计数据可以明显的反映出数据变化，因此，根据上述样本数据可以训练得到精确的目标模型，使得根据该目标模型可以提高对电子设备进行宕机预测的准确性。132.下面，通过具体实施例对本技术所示的技术方案进行详细说明。需要说明的是，下面几个实施例可以单独存在，也可以相互结合，对于相同或相似的内容，在不同的实施例中不再重复说明。133.在本技术的技术方案中，可以包括2个过程，分别为故障预测模型训练的过程、设备故障确定的过程。下面，结合图2，首先对故障预测模型训练的过程进行说明。134.图2为本技术示例性实施例提供的一种故障预测模型训练方法的流程示意图。请参见图2，该方法可以包括：135.s201、从多个电子设备获取多条初始数据。136.本技术实施例的执行主体可以为模型训练设备，也可以为设置在模型训练设备中的模型训练装置。模型训练装置可以通过软件实现，也可以通过软件和硬件的结合实现。例如，模型训练设备可以为电脑、服务器等设备。137.初始数据是指从电子设备中获取的相关信息。初始数据可以包括设备信息、电子设备中内存的内存信息和数据采样时刻。138.设备信息可以包括电子设备的厂商、编号、所在城市、上线时间、电子设备中内存的制造商等。139.内存信息可以包括内存故障信息和内存性能信息。140.可以通过在电子设备上部署记录故障的标准工具，以记录内存故障。例如，记录故障的标准工具可以为mcelog、内核日志(kernellog)等。141.内存故障可以包括可矫正的错误(correctablememoryerror)、内存清理错误(memoryscrubbingerror)、页面脱机错误(badpageofflining)、内存读取错误(memoryreaderror)、无法纠正的内存错误(uncorrectablememoryerror)、内存写入错误(memorywriteerror)等故障。142.内存性能信息可以包括：最近访问的活跃内存(mem_active)、用于原始磁盘块的临时存储(mem_buffers)、从磁盘读取的文件的页高速缓存(mem_cached)、等待写回磁盘的内存(mem_dirty)、最近没有被访问的非活跃内存(mem_inactive)、所有可用的内存(mem_memtotal)、被锁定的内存(mem_mlocked)、当前未使用的交换空间(mem_swapfree)、无法调出的内存(mem_unevictable)、内存占用率、内存的读取速度等。143.数据采样时刻是指电子设备采集初始数据的时刻。例如，数据采样时刻可以为2022/06/0910:30。144.模型训练设备可以通过无线网络或有线网络，与多个电子设备建立连接，进而可以从多个电子设备中获取初始数据。145.s202、根据设备信息和数据采样时刻，分别对每个电子设备对应的初始数据进行特征统计得到多条统计数据。146.在一可选实施例，可以通过如下方式得到多条统计数据：根据电子设备信息，确定每个电子设备对应的初始数据；针对每个电子设备，根据数据采样时刻和预设的时间窗口，将电子设备对应的初始数据划分为多个数据组，一个数据组中初始数据的数据采样时刻位于对应的时间窗口内；分别对每个数据组中的初始数据进行特征统计，以得到电子设备对应的统计数据，一个数据组对应一条统计数据。147.时间窗口可以是滑动时间窗口，滑动时间窗口可以是一个连续的时间窗口，也可以包括多个小的时间窗口。148.下面，结合图3a-图3b，对时间窗口进行说明。149.图3a为本技术示例性实施例提供的时间窗口的示意图一。请参见图3a，若设定时间窗口为滑动时间窗口，窗口的时长为连续的l小时，滑动的时长为20min，则时间窗口1可以为10:00至11:00之间连续的1小时；若滑动步长为20min，则可以得到时间窗口2。时间窗口2为10:20至11:20之间连续的1小时；再次滑动20min，则可以得到时间窗口3。时间窗口3为10:40至11:40之间连续的1小时。150.图3b为本技术示例性实施例提供的时间窗口的示意图二。请参见图3b，若设定时间窗口为滑动时间窗口，包括两个小的时间窗口(时长为10min)，滑动步长为5min，则时间窗口1可以包括时间窗口1-1和时间窗口1-2，时间窗口1-1为2022/05/0910:35-2022/05/0910:45之间的10min，时间窗口1-2为022/05/1010:35-2022/05/1010:45之间的10min；若滑动5min，则可以得到时间窗口2。时间窗口2可以包括时间窗口2-1和时间窗口2-2，时间窗口2-1为2022/05/0910:40-2022/05/0910:50之间的10min，时间窗口2-2为2022/05/1010:40-2022/05/1010:50之间的10min。151.特征统计可以包括求和、差分、方差等统计方式。当特征统计为求和、方差等统计方式时，时间窗口可以如图3a所示。当特征统计为差分统计方式时，时间窗口可以如图3b所示。152.由于设备信息中可以包括电子设备的编号，因此模型训练设备可以根据设备信息，在多条初始数据中确定每个电子设备对应的初始数据。153.例如，若模型训练设备根据设备信息在1000条初始数据中可以确定电子设备-1对应的150条初始数据，若预设的时间窗口为1小时，每条初始数据有对应的数据采样时刻，则可以根据数据采样时刻和预设的时长窗口，将电子设备-1对应的150条初始数据划分为多个数据组。例如，若时间窗口-1为2022/05/0910:00-2022/05/0911:00的1小时，初始数据-1的数采样时刻为2022/05/0910:00、初始数据-2的数采样时刻为2022/05/0910:30、初始数据-3的数采样时刻为2022/05/0911:00，则可以将初始数据-1、初始数据-2和初始数据-3划分为一个数据组。154.假设可以得到50个数据组，每个数据组中包括3个初始数据，则针对任意一个数据组，可以对数据组中包括的3个初始数据，进行求和、平均值、差分、方差等统计，以得到该数据组对应的统计数据。155.s203、根据多个电子设备的宕机信息，确定多条统计数据的标注结果。156.宕机信息是指电子设备发生宕机时的相关信息。例如，宕机信息可以包括宕机时刻。157.标注结果可以用于指示统计数据的采集时刻与电子设备宕机时刻之间的待宕机时长。标注结果可以通过数字表示。例如，若统计数据的采集时刻为2022/05/0910:30，宕机时刻为2022/05/1210:30，则标记结果可以为-3，表示该统计数据的采集时刻位于电子设备宕机时刻之前的第3天。158.可选的，针对任意一个电子设备对应的任意一条统计数据，确定统计数据的标注结果可以包括如下2种方式：159.方式1：对于任意一条统计数据，均采用统计数据的采集时刻与电子设备宕机时刻之间的待宕机时长进行标注。160.在一可选实施例中，可以通过如下方式确定统计数据的标注结果：根据统计数据对应的初始数据中的数据采样时刻，确定采集时刻；获取采集时刻和宕机时刻之间的初始时长；按照预设时间单位，对初始时长进行取整处理，得到待宕机时长，待宕机时长为预设时间单位的整数倍；确定统计数据的标注结果包括待宕机时长。161.取整处理可以包括向上取整和向下取整。例如，若采集时刻和宕机时刻之间的初始时长为1天15小时，预设时间单位为1天，则可以对初始时长进行向上取整，得到为2天；若采集时刻和宕机时刻之间的初始时长为1天2小时，则可以对初始时长进行向下取整，得到为1天。162.例如，若数据组1中包括如表1中的初始数据1、初始数据2、初始数据3、初始数据4，数据组1的统计数据如表3中所示，则可以将初始数据1对应的数据采样时刻2022/05/0910:00，确定为采集时刻。若确定电子设备-1的宕机时刻为2022/05/1213:27，预设时间单位为天，则可以确定采集时刻2022/05/0910:00与宕机时刻2022/05/1213:27之间的初始时长为3天3小时27分钟，则可以对初始时长进行向下取整，得到待宕机时长为3天，则可以确定数据组1对应的任意一条统计数据的标注结果均为-3。其中，“3”表示待宕机时长，“时长表示该统计数据的采集时刻位于宕机时刻之前。163.方式2：根据宕机标识和宕机时刻进行标注，或者根据未宕机标识进行标注。164.宕机信息中可以包括宕机标识和宕机时刻，或者宕机信息中可以包括未宕机标识。165.可选的，在该种方式下确定统计数据的标注结果，可以包括如下2种情况：166.情况1：宕机信息中包括宕机标识和宕机时刻。167.在该种情况下，可以确定根据统计数据对应的初始数据中的数据采样时刻，确定采集时刻；获取采集时刻和宕机时刻之间的初始时长；按照预设时间单位，对初始时长进行取整处理，得到待宕机时长，待宕机时长为预设时间单位的整数倍；确定统计数据的标注结果包括待宕机时长。待宕机时长小于预设时长。168.例如，若预设时长为15天，若数据组1中包括如表1中的初始数据1、初始数据2、初始数据3、初始数据4，数据组1的统计数据如表3中所示，则可以将初始数据1对应的数据采样时刻2022/05/0910:00，确定为采集时刻。若确定电子设备-1的宕机时刻为2022/05/1523:17，预设时间单位为天，则可以确定采集时刻2022/05/0910:00与宕机时刻2022/05/1523:17之间的初始时长为6天13小时17分钟，则可以对初始时长进行向上取整，得到待宕机时长为7天。则可以确定数据组1对应的任意一条统计数据的标注结果均为-7。169.情况2：宕机信息中包括未宕机标识。170.在该种情况下，可以确定统计数据的标识结果为未宕机。未宕机标识指示在电子设备中采样初始数据之后的预设时长内，电子设备未发生宕机。预设时长可以为10天、15天等。171.在一可选实施例中，可以在任意一个电子设备中设置标志位，以记录该电子设备是否在预设时长内发生过宕机，并根据标志位确定未宕机标识和宕机标识。若标志位为0，则可以确定未宕机标识为0，表示该电子设备在预设时长内没有发生宕机；若标志位为1，则可以确定宕机标识为1，表示该电子设备在预设时长内发生过宕机。在下一个预设时长开始时，可以将标志位由1重置为0，以便标记下一个预设时长内是否发生过宕机。172.例如，若电子设备-1的宕机信息中包括未宕机标识0，则可以确定电子设备-1对应的统计数据的标识结果均为“未宕机”。173.可选的，还可以确定统计数据的标识结果为待宕机时长，待宕机时长大于或等于预设时长。174.例如，若预设时长为15天，若数据组1中包括如表1中的初始数据1、初始数据2、初始数据3、初始数据4，数据组1的统计数据如表3中所示，则可以将初始数据1对应的数据采样时刻2022/05/0910:00，确定为采集时刻。若确定电子设备-1的宕机时刻为2022/05/2615:34，预设时间单位为天，则可以确定采集时刻2022/05/0910:00与宕机时刻2022/05/2615:34之间的初始时长为17天5小时34分钟，则可以对初始时长进行向下取整，得到待宕机时长为17天。则可以确定数据组1对应的任意一条统计数据的标注结果均为-17。由于标注结果为-17，预设时长为15，绝对值17大于15，则大于15的标注结果，均表示在15天内不会发生宕机。175.s204、根据多条统计数据和每条统计数据对应的标注结果进行模型训练，得到目标模型。176.目标模型可以用于确定电子设备在未来时段内是否因内存故障导致宕机。177.在一可选实施例中，模型训练设备可以在多条统计数据中确定正样本数据和负样本数据，并在正样本数据中确定第一样本数据，在负样本数据中确定第一负样本数据，进而可以根据第一样本数据和第一负样本数据、以及对应的标注结果进行模型训练，得到目标模型。178.可选的，可以根据多条统计数据和每条统计数据对应的标注结果，在多条统计数据中确定m条正样本数据和n条负样本数据，m和n分别为正整数。179.正样本数据是指未来时段内会电子设备发生宕机的样本数据。正样本数据对应的标注结果所指示的待宕机时长小于或等于预设时长。例如，若预设时长为15天，统计数据1的标注结果为-3，则可以确定待宕机时长为3天，待宕机时长3天小于预设时长15天，则可以将统计数据-1确定为正样本数据。180.负样本数据是指未来时段内电子设备不会发生宕机的样本数据。负样本数据对应的标注结果中所指示的待宕机时长大于预设时长。例如，若预设时长为15天，统计数据2的标注结果为-17，则可以确定待宕机时长为17天，待宕机时长17天小于预设时长15天，则可以将统计数据2确定为负样本数据。181.若统计数据对应的标注结果为-1至-14之间的任意一个值，则可以将该统计数据确定为正样本数据。若统计数据对应的标注结果为“未宕机”或者绝对值大于等于15的任意一个值，则可以将该统计数据确定为负样本数据。假设，根据每条统计数据对应的标注结果，在多条统计数据中可以确定100条正样本数据和500条负样本数据，则m为100，n为500。182.由于正负样本数据的数量相差较大，不利于训练目标模型，则可以根据m和n，在m条正样本数据中确定多条第一正样本数据，以及在n条负样本数据中确定多条第一负样本数据，第一正样本数据的数量和第一负样本数据的数量的差值在预设范围内。183.例如，若正样本数据的数量m为100，负样本数据的数量n为500，预设范围为50，由于m小于n，则可以将100条正样本数据均确定为第一正样本数据，可以在500条负样本数据中确定150条第一负样本数据。则第一正样本数据的数量为100，第一负样本数据的数量为150，两者的差值符合预设范围50。184.确定多条第一正样本数据、多条第一负样本数据之后，则可以根据多条第一正样本数据、多条第一负样本数据、多条第一正样本数据对应的标注结果和多条第一负样本数据对应的标注结果进行模型训练，得到目标模型。该目标模型可以称为故障预测模型。通过该目标模型可以对电子设备进行故障预测，即可以通过该目标模型预测电子设备是否会因内存故障而导致宕机。185.在模型训练中，可以采用集成学习算法进行训练，以得到目标模型。例如，集成学习算法可以为极端梯度增强算法(extremegradientboosting，xgboost)、轻量的梯度提升机(lightgradientboostingmachine，lightgbm)、随机森林等算法。186.在本技术实施例中，模型训练设备可以从多个电子设备获取多条初始数据，初始数据中可以包括设备信息、电子设备中内存的内存信息和数据采样时刻，内存信息包括内存故障信息和内存性能信息。模型训练设备可以根据设备信息和数据采样时刻，分别对每个电子设备对应的初始数据进行特征统计得到多条统计数据，并且可以根据多个电子设备的宕机信息，确定多条统计数据的标注结果。模型训练设备可以在多条统计数据中确定正样本数据和负样本数据，进而可以根据正样本数据和负样本数据的数量确定多条第一正样本数据和多条第一负样本数据，可以根据多条第一正样本数据、多条第一负样本数据、多条第一正样本数据对应的标注结果和多条第一负样本数据对应的标注结果进行模型训练，得到目标模型。由于进行模型训练所使用的样本数据中包括内存性能信息和内存故障信息，在电子设备因内存故障而发生宕机之前，电子设备的内存性能信息和内存故障信息通常会有较为明显的变化；样本数据为一个时段内的统计数据，统计数据可以明显的反映出数据变化；标注结果中包括距离宕机时刻的待宕机时长，从而可以使得训练完成后的目标模型可以准确地预测未来第几天可能会发生宕机。综合以上3点，提升了目标模型的预测准确性。187.下面，结合图4，对故障预测模型训练方法进行进一步详细说明。图4为本技术示例性实施例提供的另一种故障预测模型训练方法的流程示意图。请参见图4，该方法可以包括：188.s401、从多个电子设备获取多条初始数据。189.模型训练设备可以通过无线网络或有线网络，与多个电子设备建立连接，进而可以从多个电子设备中获取初始数据。初始数据可以包括设备信息、电子设备中内存的内存信息和数据采样时刻。190.s402、根据电子设备信息，确定每个电子设备对应的初始数据。191.针对任意一个电子设备，由于设备信息中可以包括电子设备的编号，因此模型训练设备可以根据设备信息，在多条初始数据中确定每个电子设备对应的初始数据。192.在确定得到电子设备对应的初始数据之后，对电子设备对应的初始数据进行特征统计，对每个电子设备对应的初始数据进行特征统计的过程相同，下面，以对任意一个电子设备对应的初始数据进行特征统计的过程为例进行说明。193.s403、根据数据采样时刻和预设的时间窗口，将电子设备对应的初始数据划分为多个数据组。194.假设可以根据电子设备信息，在初始数据中确定电子设备-1对应的8条初始数据，且每条初始数据的数据采样时刻，如表1所示：195.表1196.初始数据数据采样时刻初始数据12022/05/0910:00初始数据22022/05/0910:20初始数据32022/05/0910:40初始数据42022/05/0911:00初始数据52022/05/1010:00初始数据62022/05/1010:20初始数据72022/05/1010:40初始数据82022/05/1011:00197.在进行求和、方差等统计时，若设定预设的时间窗口1为连续的1h，则可以根据数据采样时刻和预设的时间窗口1，将电子设备-1对应的初始数据划分为2个数据组，分别记为数据组1和数据组2。数据组1中可以包括初始数据1、初始数据2、初始数据3、初始数据4，该4个初始数据的数据采样时刻均位于2022/05/0910:00-2022/05/0911:00的1h内；数据组2中可以包括初始数据5、初始数据6、初始数据7、初始数据8，该4个初始数据的数据采样时刻均位于2022/05/1010:00-2022/05/1011:00的1h内。198.在进行差分(例如，一阶差分、二阶差分等)统计时，若设定预设的时间窗口2包括2个10min的时间窗口，分别为2022/05/0910:35-2022/05/0910:45和2022/05/1010:35-2022/05/1010:45，则可以根据数据采样时刻和预设的时间窗口2确定数据组3，则数据组3中可以包括初始数据3和初始数据7。199.确定3个数据组之后，则可以对该3个数据组中的初始数据进行特征统计，以得到电子设备-1对应的3个统计数据，一个数据组对应一条统计数据。200.s404、分别对每个数据组中的初始数据进行特征统计，以得到电子设备对应的统计数据。201.可选的，可以对初始数据进行预处理，再进行特征统计。预处理可以包括剔除一些大部分电子设备上都无法采集到的数据、或者对于某些偶尔缺失的数据可以使用0代替。202.在一可选实施例中，可以通过如下方式对初始数据进行特征统计：对数据组中各故障类型对应的报错次数进行特征统计，得到各故障类型对应的报错统计值；对数据组中的内存性能信息进行特征统计，得到内存性能统计值；对数据组中的故障位置进行统计，得到内存中各块在数据组对应的时间窗口内的故障次数统计值；其中，数据组对应的统计数据包括：各故障类型对应的报错统计值、内存性能统计值和故障次数统计值。203.故障位置可以是由从动态随机存取存储器(dynamicrandom-accessmemory，dram)故障日志中，解析出来的发生dram故障的详细物理位置。204.下面，结合图5，对故障位置进行详细说明。205.图5为本技术示例性实施例提供的双列直插式内存模块的结构示意图。一个电子设备的内存中可以包括24个双列直插式内存模块(dual-inline-memory-modules，dimm)。请参见图5，对于任意一个dimm，dimm具有2个内存列(rank)，分别为rank-1和rank-2。每个rank中包括16块(bank)。例如，rank-2中可以包括bank2-1、bank2-2、bank2-3、……、bank2-16。rank-1和rank-2中总共有32个bank。每次访问内存时，仅访问32个bank中的一个。206.一般情况下，每个bank中有217217行(row)和210210列(column，col)。可以使用元组《dimm，rank，bank，row，col》表示一个电子设备中内存的哪个位置发生dram故障，或者也可以通过元组《dimm，rank，bank》表示一个电子设备中内存的哪个位置发生dram故障。如图3中，若dimm1，rank1，bank2-1中的第1行第3列发生过5次dram故障，则故障位置可以记为《dimm1，rank1，bank2-1，1，3》，故障次数为5次。对于任意一个bank，bank的故障次数等于该bank内所有位置发生dram故障的故障次数之和。例如，若在故障位置《dimm1，rank1，bank2-1，1，3》处，发生过5次dram故障；在故障位置《dimm1，rank1，bank2-1，1，2》处，发生过3次dram故障，则《dimm1，rank1，bank2-1》中总共发生过8次dram故障。207.例如，假设表1中各个初始数据包括的数据内容如表2所示：208.表2209.[0210][0211]若数据组1中包括初始数据1、初始数据2、初始数据3、初始数据4；数组2中包括初始数据5、初始数据6、初始数据7、初始数据8，数据组3中可以包括初始数据3、初始数据7；则可以对该3个数据组中的初始数据进行统计，得到的统计数据可以如表3所示，其中，在表3中，各bank均位于dimm1，rank1中，为了便于描述，表3中省略了dimm1，rank1：[0212]表3[0213][0214][0215]在实际工作中，获得的统计数据可能具有不同的属性、数量级和单位，导致无法对不同的统计数据进行训练。为了消除不同的统计数据之间存在的差异，便于后续的模型训练，可以对统计数据进行归一化处理。归一化处理是指将统计数据按比例缩放，使统计数据处于相同的数据区间和范围。例如，可以对各类统计数据进行归一化处理，将各类统计数据变为(0，1)之间的小数。[0216]s405、根据多个电子设备的宕机信息，确定多条统计数据的标注结果。[0217]需要说明的是，步骤s405的具体执行过程可以参见步骤s203，此处不再进行赘述。[0218]s406、根据多条统计数据和每条统计数据对应的标注结果，在多条统计数据中确定m条正样本数据和n条负样本数据。[0219]标注结果可以用数字表示，数字的绝对值表示待宕机时长。正样本数据对应的标注结果所指示的待宕机时长小于或等于预设时长，负样本数据对应的标注结果中所指示的待宕机时长大于预设时长。例如，若标注结果为-3。则“3”表示待宕机时长为3天，“‑”表示该统计数据的采集时刻位于宕机时刻之前。[0220]例如，若预设时长为15天，则可以在多条统计数据中，将标注结果为-1至-14之间的多条统计数据确定为正样本数据；将标注结果为“未宕机”或者标注结果为绝对值大于等于15的多条统计数据确定为负样本数据。[0221]s407、根据m和n，在m条正样本数据中确定多条第一正样本数据，以及在n条负样本数据中确定多条第一负样本数据。[0222]可选的，若正样本数据的数量为m，负样本数据的数量为n，则可以根据m和n，在m条正样本数据中确定多条第一正样本数据，以及在n条负样本数据中确定多条第一负样本数据，以使第一正样本数据的数量和第一负样本数据的数量的差值在预设范围内。[0223]确定多条第一正样本数据和多条第一负样本数据，可以包括如下2种情况：[0224]情况1：若m大于n，且m与n的差值大于或等于第一阈值。[0225]在该种情况下，可以对m条正样本数据进行下采样，并将下采样处理后的正样本数据确定为多条第一正样本数据，以及将n条负样本数据确定为多条第一负样本数据。[0226]第一阈值可以依据训练目标模型的需求而确定。例如，第一阈值可以为50。[0227]下采样通常适用于正负样本数据的数量相差较大，而且小样本数据不足的情况。下采样就是在大样本数据中取出一部分样本数据，以使正负样本数据的数量相当。[0228]例如，若正样本数据的数量m为1000，负样本数据的数量n为600，第一阈值为50，预设范围为50，由于m大于n，且m与n的差值为400，大于第一阈值50，则可以对该1000条正样本数据进行下采样，确定640条第一正样本数据；可以将600条负样本数据均确定为600条第一负样本数据。则第一正样本数据的数量640和第一负样本数据的数量600之间的差值为40，处于预设范围50之内。[0229]情况2：若n大于m，且n与m的差值大于或等于第一阈值[0230]在该种情况下，可以对n条负样本数据进行下采样，并将下采样处理后的负样本数据确定为多条第一负样本数据，以及将m条正样本数据确定为多条第一正样本数据。[0231]例如，若正样本数据的数量m为700，负样本数据的数量n为900，第一阈值为50，预设范围为50，由于n大于m，且n与m的差值为200，大于或等于第一阈值50，则可以对该900条负样本数据进行下采样，确定742条第一负样本数据；可以将700条正样本数据均确定为700条第一正样本数据。则第一正样本数据的数量700和第一负样本数据的数量742之间的差值为42，处于预设范围50之内。[0232]s408、根据多条第一正样本数据中各数据特征的特征值、以及多条第一负样本数据中各数据特征的特征值，在多个数据特征中确定第一数据特征。[0233]第一数据特征是指在第一正样本数据和第一负样本数据中具有显著差异的数据特征。在第一正样本中第一数据特征对应的特征值、与第一负样本中第一数据特征对应的特征值的差异度大于或等于第二阈值。[0234]第二阈值可以依据第一数据特征对应的特征值而设定。例如，若第一数据特征为内存占用率，则可以将第二阈值设定为20％；若第一数据特征为bank发生故障的总次数，则可以将第二阈值设定为100。[0235]可选的，确定第一数据特征时，可以使用假设检验进行特征选择。假设检验是一种统计推断方法，可以用于判断第一正样本数据和第一负样本数据之间的差异是由于抽样误差引起的还是由于本质差别造成的。例如，假设检验可以为卡方检验、f检验等。[0236]假设某条第一正样本数据和某条第一负样本数据中包括的各数据如表4：[0237]表4[0238][0239]若使用假设检验对该第一正样本数据和该第一负样本数据进行特征选择，则选择出的第一数据特征可以包括：内存读取错误的次数、页面脱机错误的次数、内存占用率的次数、内存的读取速度、bank发生故障的总次数。由于内存清理错误的次数在第一正样本数据中为259次、在第一负样本数据中为236次，没有显著的差异，因此内存清洗错误的次数不能作为第一数据特征。[0240]s409、根据第一数据特征，更新多条第一正样本数据和多条第一负样本数据。[0241]在一可选实施例中，根据第一数据特征，更新多条第一样本数据和多条第一负样本数据，即保留多条第一样本数据和多条第一负样本数据中的第一数据特征，去除非第一数据特征，则更新后的多条第一正样本数据和更新后的多条第一负样本数据中包括第一数据特征的特征值。[0242]例如，若第一正样本数据和第一负样本数据如表4所示，选择出的第一数据特征包括内存读取错误的次数、页面脱机错误的次数、内存占用率的次数、内存的读取速度、bank发生故障的总次数，则可以保留第一正样本数据和第一负样本数据中的内存读取错误的次数、页面脱机错误的次数、内存占用率的次数、内存的读取速度、bank发生故障的总次数，去除内存清理错误的次数。则更新后的第一正样本数据和第一负样本数据如表5所示：[0243]表5[0244][0245]s410、根据多条第一正样本数据、多条第一负样本数据、多条第一正样本数据对应的标注结果和多条第一负样本数据对应的标注结果进行第一次模型训练，得到中间模型，以及确定统计数据中各数据特征的重要程度。[0246]例如，若更新后的第一正样本数据和第一负样本数据如表5所示，且第一正样本数据中各数据的标注结果为-3，第一负样本数据中各数据的标注结果为-21，则可以根据表5中的第一正样本数据和第一负样本数据、以及分别对应的标注结果，进行模型训练，得到中间模型。[0247]中间模型可以确定各数据特征的重要程度。可选的，可以通过1-10之间的数值表示不同等级的重要程度。数值越大，表示数据特征的重要程度越高。[0248]例如，中间模型确定的各数据特征的重要程度可以如表6所示：[0249]表6[0250]各数据特征重要程度内存读取错误的次数3页面脱机错误的次数1内存占用率的平均值6内存的读取速度2bank发生故障的总次数8[0251]需要说明的是，在实际工作中，第一正样本数据和第一负样本数据的数量可能仍然相差较大，则在进行模型训练的过程中，可以采用焦点损失(focalloss)函数替代交叉熵损失函数，以提升模型的训练效果。其中，focalloss函数是一种处理正负样本数据比例严重失衡的损失函数。[0252]s411、对各数据特征的重要程度从高到底的顺序进行排列，并确定多条第二正样本数据和多条第二负样本数据。[0253]在一可选实施例中，可以对各数据特征的重要程度从高到底的顺序进行排列，并在多条第一正样本数据中保留前k个数据特征的特征值，得到多条第二正样本数据，以及在多条第一负样本数据中保留前k个数据特征的特征值，得到多条第二负样本数据。[0254]例如，若各数据特征的重要程度如表6所示，则可以按照从高到底的顺序，对各数据特征的重要程度进行排列，则可以得到如表7所示：[0255]表7[0256][0257][0258]若设定k为3，则可以确定前3个数据特征分别为：bank发生故障的总次数、内存占用率的平均值、内存读取错误的次数。若假设第一正样本数据和第一负样本数据如表5所述，则可以在第一正样本数据中保留该3个数据特征的特征值，得到多条第二正样本数据，以及在多条第一负样本数据中保留该3个数据特征的特征值，得到多条第二负样本数据。则第二正样本数据和第二负样本数据可以如表8所示：[0259]表8[0260][0261]s412、根据多条第二正样本数据、多条第二负样本数据、多条第二正样本数据对应的标注结果和多条第二负样本数据对应的标注结果，对中间模型进行第二次模型训练，得到目标模型。[0262]由于第二正样本数据和第二负样本数据是在第一正样本数据和第一负样本数据中确定的，则第一正样本数据和第一负样本数据对应的标注结果，即为第二正样本数据和第二负样本数据对应的标注结果。[0263]例如，若第二正样本数据和第二负样本数据如表8所示，第二正样本数据对应的标注结果为-3，第二负样本数据对应的标注结果为-17，则可以根据该第二正样本数据和第二负样本数据、以及分别对应的标注结果，对中间模型进行第二次模型训练，得到目标模型。[0264]在实际工作中，进行模型训练时，目标模型中包括了成百上千的参数。对于有些参数，可以通过模型训练进行优化，但也有一部分参数无法通过训练来进行优化，可以将这部分参数称为超参数。可选的，对于无法在目标模型进行优化的超参数，则可以使用其他算法对超参数进行调优。例如，可以使用网格搜索、随机搜索、贝叶斯优化等算法对超参数进行调优。[0265]在本技术实施例中，模型训练设备可以多个电子设备获取多条初始数据，并根据电子设备信息，确定每个电子设备对应的初始数据，进而可以根据数据采样时刻和预设的时间窗口，将电子设备对应的初始数据划分为多个数据组。模型训练设备可以分别对每个数据组中的初始数据进行特征统计，以得到电子设备对应的统计数据，并根据多个电子设备的宕机信息，确定多条统计数据的标注结果。模型训练设备可以根据标注结果在多条统计数据中确定多条正样本数据和多条负样本数据，并在多条正样本数据中确定多条第一正样本数据、以及在多条负样本数据中确定多条第一负样本数据。还可以在多条第一正样本数据和多条第一负样本数据中的多个数据特征中确定第一数据特征，并根据第一数据特征，更新多条第一正样本数据和多条第一负样本数据，进而根据更新后的多条第一正样本数据、更新后的多条第一负样本数据、更新后的多条第一正样本数据对应的标注结果和更新后的多条第一负样本数据对应的标注结果进行模型训练，得到中间模型以及确定各数据特征的重要程度。模型训练设备可以对各数据特征的重要程度从高到底的顺序进行排列，确定前k个数据特征，并根据前k个数据特征在多条第一正样本数据中确定多条第二正样本数据、以及在多条第一负样本中确定多条第二负样本数据，进而根据多条第二正样本数据、多条第二负样本数据、多条第二正样本数据对应的标注结果和多条第二负样本数据对应的标注结果，对中间模型进行第二次模型训练，得到目标模型。由于进行模型训练所使用的样本数据中包括内存性能信息和内存故障信息，在电子设备因内存故障而发生宕机之前，电子设备的内存性能信息和内存故障信息通常会有较为明显的变化；样本数据为一个时段内的统计数据，统计数据可以明显的反映出数据变化；可以根据中间模型输出的前k个数据特征进行二次训练，提高模型的训练效果，综合以上3点，根据上述故障预测模型训练方法可以训练得到精确的目标模型，使得通过该目标模型可以提高对电子设备进行宕机预测的准确性。[0266]下面，结合图6，通过具体示例，对上述故障预测模型训练方法进行详细说明。[0267]图6为本技术示例性实施例提供的一种故障预测模型训练方法的过程示意图。请参见图6，包括过程1、过程2和过程3。[0268]请参见过程1，模型训练设备可以从多个电子设备中获取多条初始数据。例如，多条初始数据可以包括初始数据-1、初始数据-2、初始数据-3、……、初始数据-p。[0269]对于任意一个初始数据，初始数据可以包括设备信息、电子设备中内存的内存信息和数据采样时刻，内存信息包括内存故障信息和内存性能信息。模型训练设备可以根据设备信息，确定对各个电子设备对应的初始数据，并针对任意一个电子设备，可以根据数据采样时刻和预设的时间窗口，将该电子设备对应的初始数据划分为多个数据组。如图6所示，假设p个初始数据中包括了w个电子设备对应的初始数据，则可以根据数据采样时刻和预设的时间窗口，分别对该w个电子设备对应的初始数据进行划分，假设总共可以得到q个数据组，则该q个数据组中包括了w个电子设备分别对应的数据组。[0270]对于任意一个数据组，数据组中可以包括多个初始数据。例如，数据组-1中可以包括初始数据-1、初始数据-2和初始数据-3。可以对每个数据组中的初始数据进行求和、方差、差分等特征统计，以得到对应的统计数据。由于统计数据与数据组一一对应，因此统计数据中包括w个电子设备分别对应的统计数据。则可以根据该w个电子设备分别对应的宕机信息，确定各个统计数据对应的标注结果。例如，统计数据-1的标注结果可以为-3，表示该统计数据对应的采集时刻位于电子设备宕机时刻之前的第3天。[0271]请参见过程2，可以每条统计数据对应的标注结果，在多条统计数据中确定m条正样本数据和n条负样本数据。若正样本数据和负样本数据的数量相差太大，则可以对数量多的样本数据进行下采样，在m条正样本数据中确定多条第一正样本数据，以及在n条负样本数据中确定多条第一负样本数据，以使第一正样本数据的数量和第一负样本数据的数量比较均衡。[0272]可选的，还可以通过假设检验，根据多条第一正样本数据中各数据特征的特征值、以及多条第一负样本数据中各数据特征的特征值，在多个数据特征中确定具有显著差异的第一数据特征。可以根据第一数据特征，更新多条第一样本数据和多条第一负样本数据，即保留多条第一样本数据和多条第一负样本数据中的第一数据特征，去除非第一数据特征，以得到更新后的多条第一正样本数据和多条第一负样本数据。[0273]根据更新后的多条第一正样本数据、更新后的多条第一负样本数据、更新后的多条第一正样本数据对应的标注结果和更新后的多条第一负样本数据对应的标注结果进行模型训练，得到中间模型。中间模型可以确定各数据特征的重要程度。可以对各数据特征的重要程度从高到底的顺序进行排列，确定前k个数据特征。[0274]请参见过程3，可以根据前k个数据特征，在更新后的多条第一正样本数据中保留前k个数据特征的特征值，以得到多条第二正样本数据，以及在多条更新后的多条第一负样本数据中保留前k个数据特征的特征值，以得到多条第二负样本数据。例如，若更新后的多条第一正样本数据中包括10个数据特征的特征值，若设定k为3，确定的前3个数据特征分别为数据特征-1、数据特征-2、数据特征-3，则可以在该10个数据特征中保留数据特征-1、数据特征-2、数据特征-3分别对应的特征值，去除其他7个数据特征对应的特征值，以得到第二正样本数据。则第二正样本数据包括数据特征-1、数据特征-2、数据特征-3分别对应的特征值。[0275]可以根据多条第二正样本数据、多条第二负样本数据、多条第二正样本数据对应的标注结果和多条第二负样本数据对应的标注结果，对中间模型进行第二次模型训练，得到目标模型。[0276]在本技术实施例中，模型训练设备可以从多个电子设备获取多条初始数据，并根据电子设备信息，确定每个电子设备对应的初始数据，进而可以根据数据采样时刻和预设的时间窗口，将电子设备对应的初始数据划分为多个数据组。模型训练设备可以别对每个数据组中的初始数据进行特征统计得到多条统计数据，并且可以根据多个电子设备的宕机信息，确定多条统计数据的标注结果。模型训练设备可以在多条统计数据中确定正样本数据和负样本数据，进而可以根据正样本数据和负样本数据的数量确定多条第一正样本数据和多条第一负样本数据。模型训练设备通过假设检验确定第一数据特征，并根据第一数据特征更新多条第一正样本数据和多条第一负样本数据，进而根据更新后的多条第一正样本数据、更新后的多条第一负样本数据、更新后的多条第一正样本数据对应的标注结果和更新后的多条第一负样本数据对应的标注结果进行模型训练，得到中间模型以及确定各数据特征的重要程度。确定前k个数据特征，并根据前k个数据特征在多条第一正样本数据中确定多条第二正样本数据、以及在多条第一负样本中确定多条第二负样本数据。可以根据多条第二正样本数据、多条第二负样本数据、多条第二正样本数据对应的标注结果和多条第二负样本数据对应的标注结果，对中间模型进行第二次模型训练，得到目标模型。由于进行模型训练所使用的样本数据中包括内存性能信息和内存故障信息，在电子设备因内存故障而发生宕机之前，电子设备的内存性能信息和内存故障信息通常会有较为明显的变化；样本数据为一个时段内的统计数据，统计数据可以明显的反映出数据变化；可以根据中间模型输出的前k个数据特征进行二次训练，提高模型的训练效果，综合以上3点，根据上述故障预测模型训练方法可以训练得到精确的目标模型，使得通过该目标模型可以提高对电子设备进行宕机预测的准确性。[0277]训练得到目标模型之后，则可以通过目标模型对多个电子设备进行预测，以确定多个电子设备在未来时段内是否因内存故障导致宕机。[0278]可选的，在使用目标模型对多个电子设备进行预测时，将目标模型部署在故障预测设备中，故障预测设备可以获取多个电子设备的初始数据，并通过目标模型对各个电子设备进行预测；也可以将目标模型部署在各个电子设备中，以通过目标模型对各个电子设备进行预测。[0279]下面，结合图7，对设备故障确定方法进行说明。[0280]图7为本技术示例性实施例提供的一种设备故障确定方法的过程示意图。请参见图6，该方法可以包括：[0281]s701、从电子设备获取多条初始数据。[0282]初始数据中可以包括：设备信息、电子设备中内存的内存信息和数据采样时刻，内存信息中可以包括内存故障信息和内存性能信息，内存故障信息中可以包括各故障类型对应的报错次数和故障位置。[0283]可选的，从电子设备中获取初始数据可以包括如下2种方式：[0284]方式1：实时地方式获取初始数据。[0285]例如，若设定数据采样频率为15分钟/次，则每隔15分钟，各个电子设备可以进行一次采样，获得初始数据，并向模型训练设备发送初始数据，以使模型训练设备获取多个电子设备的初始数据。[0286]方式2：周期性地方式获取初始数据。[0287]例如，若设定数据采样频率为15分钟/次，发送周期为1h，则每隔15分钟，各个电子设备可以进行一次采样，并每隔1h，向模型训练设备发送初始数据，以使模型训练设备获取多个电子设备的初始数据。[0288]s702、根据数据采样时刻，对多条初始数据进行特征统计得到多条统计数据。[0289]在一可选实施例中，可以通过如下方式得到多条统计数据：根据预设的时间窗口，将多条初始数据划分为多个数据组，一个数据组中初始数据的数据采样时刻位于对应的时间窗口内；针对多个数据组中的任意一个数据组，对数据组中各故障类型对应的报错次数进行特征统计，得到各故障类型对应的报错统计值；对数据组中的内存性能信息进行特征统计，得到内存性能统计值；对数据组中的故障位置进行统计，得到内存中各块在数据组对应的时间窗口内的故障次数统计值。[0290]其中，数据组对应的统计数据包括：各故障类型对应的报错统计值、内存性能统计值和故障次数统计值。[0291]需要说明的是，步骤s702的具体执行过程可以参见步骤s202或者步骤s402-s404，此处不再进行赘述。[0292]s703、通过目标模型对多条统计数据进行处理，得到电子设备在未来时段内是否因内存故障导致宕机。[0293]目标模型是通过上述图2和图4所示实施例中的故障预测模型训练方法训练得到的。[0294]针对任意一个电子设备，获得该电子设备对应的多条统计数据之后，则可以通过目标模型对该多条统计数据进行处理，确定该多条统计数据对应的前k个数据特征，进而根据该前k个数据特征以及对应的特征值，预测该电子设备在未来时段内是否因内存故障导致宕机。[0295]可以设定未来时段为15天，可以通过目标模型预测任意一个电子设备在未来15天之内，可能因内存故障导致的宕机事件。[0296]例如，若设定k为3，未来时段为15天，若通过目标模型对多条统计数据进行处理后，确定该多条统计数据对应的前3个数据特征分别为：bank发生故障的总次数、内存占用率的平均值、内存读取错误的次数。若对应的特征值与标注结果为-8的第一正样本数据中对应的特征值相当，则可以确定输出的预测结果为8，表示该电子设备可能会在未来第8天发生因内存故障导致的宕机事件。[0297]若对应的特征值与标注结果为-17的第一负样本数据中对应的特征值相当，则可以确定预测结果为17，表示该电子设备可能会在未来第17天发生因内存故障导致的宕机事件。[0298]可选的，由于设定该目标模型预测的未来时段为15天，则若预测结果大于15，则可以进一步输出预测结果为“不会宕机”或者“发生宕机事件的概率很小”，用于表示在未来15天之内不会发生内存故障导致的宕机事件。[0299]在本技术实施例中，对于任意一个电子设备，可以从电子设备获取多条初始数据，并根据数据采样时刻，对多条初始数据进行特征统计得到多条统计数据，进而可以通过目标模型对多条统计数据进行处理，得到电子设备在未来时段内是否因内存故障导致宕机。若确定统计数据的数据特征以及对应的特征值与第一正样本数据中对应的特征值相当，则可以根据第一正样本数据的标注结果，确定预测结果为在未来时段内第几天可能会发生因内存故障导致的宕机事件；若确定统计数据的数据特征以及对应的特征值与第一负样本数据中对应的特征值相当，则可以根据第一负样本数据的标注结果，确定预测结果为在未来时段内不会发生因内存故障导致的宕机事件。由于可以通过目标模型预测电子设备在未来时段内第几天会发生因内存故障导致的宕机事件，因此对电子设备进行宕机预测的准确性。[0300]图8为本技术示例性实施例提供的一种模型训练装置的结构示意图，请参见图8，该模型训练装置包括：获取模块11、统计模块12、确定模块13和训练模块14，其中，[0301]所述获取模块11用于，从多个电子设备获取多条初始数据，所述初始数据包括：设备信息、所述电子设备中内存的内存信息和数据采样时刻，所述内存信息包括内存故障信息和内存性能信息；[0302]所述统计模块12用于，根据所述设备信息和所述数据采样时刻，分别对每个电子设备对应的初始数据进行特征统计得到多条统计数据；[0303]所述确定模块13用于，根据所述多个电子设备的宕机信息，确定所述多条统计数据的标注结果，所述标注结果用于指示所述统计数据的采集时刻与所述电子设备宕机时刻之间的待宕机时长；[0304]所述训练模块14用于，根据所述多条统计数据和每条统计数据对应的标注结果进行模型训练，得到目标模型，所述目标模型用于确定电子设备在未来时段内是否因内存故障导致宕机。[0305]本技术实施例提供的模型训练装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。[0306]在一种可能的实施方式中，所述统计模块12具体用于：[0307]根据所述电子设备信息，确定每个电子设备对应的初始数据；[0308]针对每个电子设备，根据所述数据采样时刻和预设的时间窗口，将所述电子设备对应的初始数据划分为多个数据组，一个数据组中初始数据的数据采样时刻位于对应的时间窗口内；[0309]分别对每个数据组中的初始数据进行特征统计，以得到所述电子设备对应的统计数据，一个数据组对应一条统计数据。[0310]在一种可能的实施方式中，所述内存故障信息包括：各故障类型对应的报错次数和故障位置；所述统计模块12具体用于：[0311]对所述数据组中各故障类型对应的报错次数进行特征统计，得到各故障类型对应的报错统计值；[0312]对所述数据组中的内存性能信息进行特征统计，得到内存性能统计值；[0313]对所述数据组中的故障位置进行统计，得到所述内存中各块在所述数据组对应的时间窗口内的故障次数统计值；[0314]其中，所述数据组对应的统计数据包括：所述各故障类型对应的报错统计值、所述内存性能统计值和所述故障次数统计值。[0315]在一种可能的实施方式中，所述宕机信息中包括宕机时刻；针对任意一个电子设备对应的任意一条统计数据；所述确定模块13具体用于：[0316]根据所述统计数据对应的初始数据中的数据采样时刻，确定所述统计数据的采集时刻；[0317]获取所述采集时刻和所述宕机时刻之间的初始时长；[0318]按照预设时间单位，对所述初始时长进行取整处理，得到所述待宕机时长，所述待宕机时长为所述预设时间单位的整数倍；[0319]确定所述统计数据的标注结果包括所述待宕机时长。[0320]在一种可能的实施方式中，所述宕机信息中包括宕机标识和宕机时刻，或者所述宕机信息中包括未宕机标识；[0321]针对任意一个电子设备对应的任意一条统计数据；所述确定模块13具体用于：[0322]若所述宕机信息中包括所述宕机标识和所述宕机时刻，则根据所述统计数据对应的初始数据中的数据采样时刻，确定采集时刻；获取所述采集时刻和所述宕机时刻之间的初始时长；按照预设时间单位，对所述初始时长进行取整处理，得到所述待宕机时长，所述待宕机时长为所述预设时间单位的整数倍；确定所述统计数据的标注结果包括所述待宕机时长；[0323]若所述宕机信息中包括所述未宕机标识，则确定所述统计数据的标识结果为未宕机或者所述待宕机时长大于或等于预设时长。[0324]在一种可能的实施方式中，所述训练模块14具体用于：[0325]根据所述多条统计数据和每条统计数据对应的标注结果，在所述多条统计数据中确定m条正样本数据和n条负样本数据，所述正样本数据对应的标注结果所指示的待宕机时长小于或等于预设时长，所述负样本数据对应的标注结果中所指示的待宕机时长大于所述预设时长，所述m和所述n分别为正整数；[0326]根据所述m和所述n，在所述m条正样本数据中确定多条第一正样本数据，以及在所述n条负样本数据中确定多条第一负样本数据，所述第一正样本数据的数量和所述第一负样本数据的数量的差值在预设范围内；[0327]根据所述多条第一正样本数据、所述多条第一负样本数据、所述多条第一正样本数据对应的标注结果和所述多条第一负样本数据对应的标注结果进行模型训练，得到所述目标模型。[0328]在一种可能的实施方式中，所述训练模块14具体用于：[0329]根据所述多条第一正样本数据、所述多条第一负样本数据、所述多条第一正样本数据对应的标注结果和所述多条第一负样本数据对应的标注结果进行第一次模型训练，得到中间模型，以及确定所述统计数据中各数据特征的重要程度；[0330]根据所述统计数据中各数据特征的重要程度从高到底的顺序进行排列，并在所述多条第一正样本中保留前k个数据特征的特征值，得到多条第二正样本数据，以及在所述多条第一负样本中保留前k个数据特征的特征值，得到多条第二负样本数据；[0331]根据所述多条第二正样本数据、所述多条第二负样本数据、所述多条第二正样本数据对应的标注结果和所述多条第二负样本数据对应的标注结果，对所述中间模型进行第二次模型训练，得到所述目标模型。[0332]在一种可能的实施方式中，所述第一正样本数据和所述第一负样本数据中分别包括多个数据特征；所述训练模块14具体用于：[0333]根据所述多条第一正样本数据中各数据特征的特征值、以及所述多条第一负样本数据中各数据特征的特征值，在所述多个数据特征中确定第一数据特征；其中，在所述第一正样本中所述第一数据特征对应的特征值、与所述第一负样本中所述第一数据特征对应的特征值的差异度大于或等于第二阈值；[0334]根据所述第一数据特征，更新所述多条第一正样本数据和所述多条第一负样本数据，更新后的多条第一正样本数据和更新后的多条第一负样本数据中包括所述第一数据特征的特征值；[0335]根据更新后的多条第一正样本数据、更新后的多条第一负样本数据、更新后的多条第一正样本数据对应的标注结果和更新后的多条第一负样本数据对应的标注结果进行模型训练，得到所述中间模型。[0336]在一种可能的实施方式中，所述训练模块14具体用于：[0337]若所述m大于所述n，且所述m与所述n的差值大于或等于第一阈值，则对所述m条正样本数据进行下采样，并将下采样处理后的正样本数据确定为所述多条第一正样本数据，以及将所述n条负样本数据确定为所述多条第一负样本数据；或者，[0338]若所述n大于所述m，且所述n与所述m的差值大于或等于所述第一阈值，则对所述n条负样本数据进行下采样，并将下采样处理后的负样本数据确定为所述多条第一负样本数据，以及将所述m条正样本数据确定为所述多条第一正样本数据。[0339]本技术实施例提供的模型训练装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。[0340]图8实施例中所示的模型训练装置也可以称为故障预测模型装置，该模型训练装置为服务器中的装置，也可以为终端设备(例如，电脑)中的装置。[0341]图9为本技术示例性实施例提供的一种设备故障确定装置的结构示意图，请参见图9，该设备故障确定装置包括：获取模块21、统计模块22和处理模块23，其中，[0342]所述获取模块21用于，从电子设备获取多条初始数据，所述初始数据包括：设备信息、所述电子设备中内存的内存信息和数据采样时刻，所述内存信息包括内存故障信息和内存性能信息；[0343]所述统计模块22用于，根据所述数据采样时刻，对所述多条初始数据进行特征统计得到多条统计数据；[0344]所述处理模块23用于，通过目标模型对所述多条统计数据进行处理，得到电子设备在未来时段内是否因内存故障导致宕机；其中，所述目标模型为根据权利要求1-9任一项所述的方法训练得到的。[0345]本技术实施例提供的设备故障确定装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。[0346]在一种可能的实施方式中，所述内存故障信息包括：各故障类型对应的报错次数和故障位置；所述统计模块22具体用于：[0347]根据预设的时间窗口，将所述多条初始数据划分为多个数据组，一个数据组中初始数据的数据采样时刻位于对应的时间窗口内；[0348]针对所述多个数据组中的任意一个数据组，对所述数据组中各故障类型对应的报错次数进行特征统计，得到各故障类型对应的报错统计值；[0349]对所述数据组中的内存性能信息进行特征统计，得到内存性能统计值；[0350]对所述数据组中的故障位置进行统计，得到所述内存中各块在所述数据组对应的时间窗口内的故障次数统计值；[0351]其中，所述数据组对应的统计数据包括：所述各故障类型对应的报错统计值、所述内存性能统计值和所述故障次数统计值。[0352]本技术实施例提供的设备故障确定装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。[0353]图9实施例中所示的设备故障确定装置可以为服务器中的装置，也可以为终端设备(例如，电脑)中的装置。[0354]本技术示例性实施例提供一种电子设备的结构示意图，请参见图10，该电子设备30可以包括处理器31和存储器32。示例性地，处理器31、存储器32，各部分之间通过总线33相互连接。[0355]所述存储器32存储计算机执行指令；[0356]所述处理器31执行所述存储器32存储的计算机执行指令，使得所述处理器31执行如上述方法实施例所示的故障预测模型训练方法。[0357]图10实施例中所示的电子设备可以为模型训练设备，也可以为故障预测设备。[0358]相应地，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当所述计算机执行指令被处理器执行时用于实现上述方法实施例所述的故障预测模型训练方法或者设备故障确定方法。[0359]相应地，本技术实施例还可提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时，可实现上述方法实施例所示的故障预测模型训练方法或者设备故障确定方法。[0360]本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。[0361]本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0362]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。[0363]这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0364]在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。[0365]内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。[0366]计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。[0367]还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。[0368]以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。当前第1页12当前第1页12
技术领域：
：，尤其涉及一种故障预测模型训练方法、设备故障确定方法、装置及设备。
背景技术：
：：2.电子设备(例如，服务器)可以提供数据计算、数据存储、运行程序等多种服务。为了防止电子设备因内存故障导致宕机而影响服务，可以对电子设备进行宕机预测。3.在相关技术中，可以收集电子设备的日志信息和设备信息，并通过日志信息和设备信息，对电子设备进行宕机预测。设备信息可以包括电子设备的厂商、所在位置等。然而，由于日志信息和设备信息在宕机之前可能不会有明显的变化，导致对电子设备进行宕机预测的准确性较差。技术实现要素：4.本技术的多个方面提供一种故障预测模型训练方法、设备故障确定方法、装置及设备，用以提高对电子设备进行宕机预测的准确性。5.第一方面，本技术实施例提供一种故障预测模型训练方法，包括：6.从多个电子设备获取多条初始数据，所述初始数据包括：设备信息、所述电子设备中内存的内存信息和数据采样时刻，所述内存信息包括内存故障信息和内存性能信息；7.根据所述设备信息和所述数据采样时刻，分别对每个电子设备对应的初始数据进行特征统计得到多条统计数据；8.根据所述多个电子设备的宕机信息，确定所述多条统计数据的标注结果，所述标注结果用于指示所述统计数据的采集时刻与所述电子设备宕机时刻之间的待宕机时长；9.根据所述多条统计数据和每条统计数据对应的标注结果进行模型训练，得到目标模型，所述目标模型用于确定电子设备在未来时段内是否因内存故障导致宕机。10.在一种可能的实施方式中，根据所述设备信息和所述数据采样时刻，分别对每个电子设备对应的初始数据进行特征统计得到多条统计数据，包括：11.根据所述电子设备信息，确定每个电子设备对应的初始数据；12.针对每个电子设备，根据所述数据采样时刻和预设的时间窗口，将所述电子设备对应的初始数据划分为多个数据组，一个数据组中初始数据的数据采样时刻位于对应的时间窗口内；13.分别对每个数据组中的初始数据进行特征统计，以得到所述电子设备对应的统计数据，一个数据组对应一条统计数据。14.在一种可能的实施方式中，所述内存故障信息包括：各故障类型对应的报错次数和故障位置；15.针对所述多个数据组中的任意一个数据组；对所述数据组中的初始数据进行特征统计，得到所述数据组对应的统计数据，包括：16.对所述数据组中各故障类型对应的报错次数进行特征统计，得到各故障类型对应的报错统计值；17.对所述数据组中的内存性能信息进行特征统计，得到内存性能统计值；18.对所述数据组中的故障位置进行统计，得到所述内存中各块在所述数据组对应的时间窗口内的故障次数统计值；19.其中，所述数据组对应的统计数据包括：所述各故障类型对应的报错统计值、所述内存性能统计值和所述故障次数统计值。20.在一种可能的实施方式中，所述宕机信息中包括宕机时刻；针对任意一个电子设备对应的任意一条统计数据；根据所述电子设备的宕机信息，确定所述统计数据的标注结果，包括：21.根据所述统计数据对应的初始数据中的数据采样时刻，确定所述统计数据的采集时刻；22.获取所述采集时刻和所述宕机时刻之间的初始时长；23.按照预设时间单位，对所述初始时长进行取整处理，得到所述待宕机时长，所述待宕机时长为所述预设时间单位的整数倍；24.确定所述统计数据的标注结果包括所述待宕机时长。25.在一种可能的实施方式中，所述宕机信息中包括宕机标识和宕机时刻，或者所述宕机信息中包括未宕机标识；26.针对任意一个电子设备对应的任意一条统计数据；根据所述电子设备的宕机信息，确定所述统计数据的标注结果，包括：27.若所述宕机信息中包括所述宕机标识和所述宕机时刻，则根据所述统计数据对应的初始数据中的数据采样时刻，确定采集时刻；获取所述采集时刻和所述宕机时刻之间的初始时长；按照预设时间单位，对所述初始时长进行取整处理，得到所述待宕机时长，所述待宕机时长为所述预设时间单位的整数倍；确定所述统计数据的标注结果包括所述待宕机时长；28.若所述宕机信息中包括所述未宕机标识，则确定所述统计数据的标识结果为未宕机或者所述待宕机时长大于或等于预设时长。29.在一种可能的实施方式中，根据所述多条统计数据和每条统计数据对应的标注结果进行模型训练，得到目标模型，包括：30.根据所述多条统计数据和每条统计数据对应的标注结果，在所述多条统计数据中确定m条正样本数据和n条负样本数据，所述正样本数据对应的标注结果所指示的待宕机时长小于或等于预设时长，所述负样本数据对应的标注结果中所指示的待宕机时长大于所述预设时长，所述m和所述n分别为正整数；31.根据所述m和所述n，在所述m条正样本数据中确定多条第一正样本数据，以及在所述n条负样本数据中确定多条第一负样本数据，所述第一正样本数据的数量和所述第一负样本数据的数量的差值在预设范围内；32.根据所述多条第一正样本数据、所述多条第一负样本数据、所述多条第一正样本数据对应的标注结果和所述多条第一负样本数据对应的标注结果进行模型训练，得到所述目标模型。33.在一种可能的实施方式中，根据所述多条第一正样本数据、所述多条第一负样本数据、所述多条第一正样本数据对应的标注结果和所述多条第一负样本数据对应的标注结果进行模型训练，得到所述目标模型，包括：34.根据所述多条第一正样本数据、所述多条第一负样本数据、所述多条第一正样本数据对应的标注结果和所述多条第一负样本数据对应的标注结果进行第一次模型训练，得到中间模型，以及确定所述统计数据中各数据特征的重要程度；35.根据所述统计数据中各数据特征的重要程度从高到底的顺序进行排列，并在所述多条第一正样本中保留前k个数据特征的特征值，得到多条第二正样本数据，以及在所述多条第一负样本中保留前k个数据特征的特征值，得到多条第二负样本数据；36.根据所述多条第二正样本数据、所述多条第二负样本数据、所述多条第二正样本数据对应的标注结果和所述多条第二负样本数据对应的标注结果，对所述中间模型进行第二次模型训练，得到所述目标模型。37.在一种可能的实施方式中，所述第一正样本数据和所述第一负样本数据中分别包括多个数据特征；38.根据所述多条第一正样本数据、所述多条第一负样本数据、所述多条第一正样本数据对应的标注结果和所述多条第一负样本数据对应的标注结果进行第一次模型训练，得到中间模型，包括：39.根据所述多条第一正样本数据中各数据特征的特征值、以及所述多条第一负样本数据中各数据特征的特征值，在所述多个数据特征中确定第一数据特征；其中，在所述第一正样本中所述第一数据特征对应的特征值、与所述第一负样本中所述第一数据特征对应的特征值的差异度大于或等于第二阈值；40.根据所述第一数据特征，更新所述多条第一正样本数据和所述多条第一负样本数据，更新后的多条第一正样本数据和更新后的多条第一负样本数据中包括所述第一数据特征的特征值；41.根据更新后的多条第一正样本数据、更新后的多条第一负样本数据、更新后的多条第一正样本数据对应的标注结果和更新后的多条第一负样本数据对应的标注结果进行模型训练，得到所述中间模型。42.在一种可能的实施方式中，根据所述m和所述n，在所述m条正样本数据中确定多条第一正样本数据，以及在所述n条负样本数据中确定多条第一负样本数据，包括：43.若所述m大于所述n，且所述m与所述n的差值大于或等于第一阈值，则对所述m条正样本数据进行下采样，并将下采样处理后的正样本数据确定为所述多条第一正样本数据，以及将所述n条负样本数据确定为所述多条第一负样本数据；或者，44.若所述n大于所述m，且所述n与所述m的差值大于或等于所述第一阈值，则对所述n条负样本数据进行下采样，并将下采样处理后的负样本数据确定为所述多条第一负样本数据，以及将所述m条正样本数据确定为所述多条第一正样本数据。45.第二方面，本技术实施例提供一种设备故障确定方法，包括：46.从电子设备获取多条初始数据，所述初始数据包括：设备信息、所述电子设备中内存的内存信息和数据采样时刻，所述内存信息包括内存故障信息和内存性能信息；47.根据所述数据采样时刻，对所述多条初始数据进行特征统计得到多条统计数据；48.通过目标模型对所述多条统计数据进行处理，得到电子设备在未来时段内是否因内存故障导致宕机；其中，所述目标模型为根据第一方面任一项所述的方法训练得到的。49.在一种可能的实施方式中，所述内存故障信息包括：各故障类型对应的报错次数和故障位置；50.根据所述数据采样时刻，对所述多条初始数据进行特征统计得到多条统计数据，包括：51.根据预设的时间窗口，将所述多条初始数据划分为多个数据组，一个数据组中初始数据的数据采样时刻位于对应的时间窗口内；52.针对所述多个数据组中的任意一个数据组，对所述数据组中各故障类型对应的报错次数进行特征统计，得到各故障类型对应的报错统计值；53.对所述数据组中的内存性能信息进行特征统计，得到内存性能统计值；54.对所述数据组中的故障位置进行统计，得到所述内存中各块在所述数据组对应的时间窗口内的故障次数统计值；55.其中，所述数据组对应的统计数据包括：所述各故障类型对应的报错统计值、所述内存性能统计值和所述故障次数统计值。56.第三方面，本技术实施例提供一种模型训练装置，包括：获取模块、统计模块、确定模块和训练模块，其中，57.所述获取模块用于，从多个电子设备获取多条初始数据，所述初始数据包括：设备信息、所述电子设备中内存的内存信息和数据采样时刻，所述内存信息包括内存故障信息和内存性能信息；58.所述统计模块用于，根据所述设备信息和所述数据采样时刻，分别对每个电子设备对应的初始数据进行特征统计得到多条统计数据；59.所述确定模块用于，根据所述多个电子设备的宕机信息，确定所述多条统计数据的标注结果，所述标注结果用于指示所述统计数据的采集时刻与所述电子设备宕机时刻之间的待宕机时长；60.所述训练模块用于，根据所述多条统计数据和每条统计数据对应的标注结果进行模型训练，得到目标模型，所述目标模型用于确定电子设备在未来时段内是否因内存故障导致宕机。61.在一种可能的实施方式中，所述统计模块具体用于：62.根据所述电子设备信息，确定每个电子设备对应的初始数据；63.针对每个电子设备，根据所述数据采样时刻和预设的时间窗口，将所述电子设备对应的初始数据划分为多个数据组，一个数据组中初始数据的数据采样时刻位于对应的时间窗口内；64.分别对每个数据组中的初始数据进行特征统计，以得到所述电子设备对应的统计数据，一个数据组对应一条统计数据。65.在一种可能的实施方式中，所述内存故障信息包括：各故障类型对应的报错次数和故障位置；所述统计模块具体用于：66.对所述数据组中各故障类型对应的报错次数进行特征统计，得到各故障类型对应的报错统计值；67.对所述数据组中的内存性能信息进行特征统计，得到内存性能统计值；68.对所述数据组中的故障位置进行统计，得到所述内存中各块在所述数据组对应的时间窗口内的故障次数统计值；69.其中，所述数据组对应的统计数据包括：所述各故障类型对应的报错统计值、所述内存性能统计值和所述故障次数统计值。70.在一种可能的实施方式中，所述宕机信息中包括宕机时刻；针对任意一个电子设备对应的任意一条统计数据；所述确定模块具体用于：71.根据所述统计数据对应的初始数据中的数据采样时刻，确定所述统计数据的采集时刻；72.获取所述采集时刻和所述宕机时刻之间的初始时长；73.按照预设时间单位，对所述初始时长进行取整处理，得到所述待宕机时长，所述待宕机时长为所述预设时间单位的整数倍；74.确定所述统计数据的标注结果包括所述待宕机时长。75.在一种可能的实施方式中，所述宕机信息中包括宕机标识和宕机时刻，或者所述宕机信息中包括未宕机标识；76.针对任意一个电子设备对应的任意一条统计数据；所述确定模块具体用于：77.若所述宕机信息中包括所述宕机标识和所述宕机时刻，则根据所述统计数据对应的初始数据中的数据采样时刻，确定采集时刻；获取所述采集时刻和所述宕机时刻之间的初始时长；按照预设时间单位，对所述初始时长进行取整处理，得到所述待宕机时长，所述待宕机时长为所述预设时间单位的整数倍；确定所述统计数据的标注结果包括所述待宕机时长；78.若所述宕机信息中包括所述未宕机标识，则确定所述统计数据的标识结果为未宕机或者所述待宕机时长大于或等于预设时长。79.在一种可能的实施方式中，所述训练模块具体用于：80.根据所述多条统计数据和每条统计数据对应的标注结果，在所述多条统计数据中确定m条正样本数据和n条负样本数据，所述正样本数据对应的标注结果所指示的待宕机时长小于或等于预设时长，所述负样本数据对应的标注结果中所指示的待宕机时长大于所述预设时长，所述m和所述n分别为正整数；81.根据所述m和所述n，在所述m条正样本数据中确定多条第一正样本数据，以及在所述n条负样本数据中确定多条第一负样本数据，所述第一正样本数据的数量和所述第一负样本数据的数量的差值在预设范围内；82.根据所述多条第一正样本数据、所述多条第一负样本数据、所述多条第一正样本数据对应的标注结果和所述多条第一负样本数据对应的标注结果进行模型训练，得到所述目标模型。83.在一种可能的实施方式中，所述训练模块具体用于：84.根据所述多条第一正样本数据、所述多条第一负样本数据、所述多条第一正样本数据对应的标注结果和所述多条第一负样本数据对应的标注结果进行第一次模型训练，得到中间模型，以及确定所述统计数据中各数据特征的重要程度；85.根据所述统计数据中各数据特征的重要程度从高到底的顺序进行排列，并在所述多条第一正样本中保留前k个数据特征的特征值，得到多条第二正样本数据，以及在所述多条第一负样本中保留前k个数据特征的特征值，得到多条第二负样本数据；86.根据所述多条第二正样本数据、所述多条第二负样本数据、所述多条第二正样本数据对应的标注结果和所述多条第二负样本数据对应的标注结果，对所述中间模型进行第二次模型训练，得到所述目标模型。87.在一种可能的实施方式中，所述第一正样本数据和所述第一负样本数据中分别包括多个数据特征；所述训练模块具体用于：88.根据所述多条第一正样本数据中各数据特征的特征值、以及所述多条第一负样本数据中各数据特征的特征值，在所述多个数据特征中确定第一数据特征；其中，在所述第一正样本中所述第一数据特征对应的特征值、与所述第一负样本中所述第一数据特征对应的特征值的差异度大于或等于第二阈值；89.根据所述第一数据特征，更新所述多条第一正样本数据和所述多条第一负样本数据，更新后的多条第一正样本数据和更新后的多条第一负样本数据中包括所述第一数据特征的特征值；90.根据更新后的多条第一正样本数据、更新后的多条第一负样本数据、更新后的多条第一正样本数据对应的标注结果和更新后的多条第一负样本数据对应的标注结果进行模型训练，得到所述中间模型。91.在一种可能的实施方式中，所述训练模块具体用于：92.若所述m大于所述n，且所述m与所述n的差值大于或等于第一阈值，则对所述m条正样本数据进行下采样，并将下采样处理后的正样本数据确定为所述多条第一正样本数据，以及将所述n条负样本数据确定为所述多条第一负样本数据；或者，93.若所述n大于所述m，且所述n与所述m的差值大于或等于所述第一阈值，则对所述n条负样本数据进行下采样，并将下采样处理后的负样本数据确定为所述多条第一负样本数据，以及将所述m条正样本数据确定为所述多条第一正样本数据。94.第四方面，本技术实施例提供一种设备故障确定装置，包括：获取模块、统计模块和处理模块，其中，95.所述获取模块用于，从电子设备获取多条初始数据，所述初始数据包括：设备信息、所述电子设备中内存的内存信息和数据采样时刻，所述内存信息包括内存故障信息和内存性能信息；96.所述统计模块用于，根据所述数据采样时刻，对所述多条初始数据进行特征统计得到多条统计数据；97.所述处理模块用于，通过目标模型对所述多条统计数据进行处理，得到电子设备在未来时段内是否因内存故障导致宕机；其中，所述目标模型为根据第一方面任一项所述的方法训练得到的。98.在一种可能的实施方式中，所述内存故障信息包括：各故障类型对应的报错次数和故障位置；所述统计模块具体用于：99.根据预设的时间窗口，将所述多条初始数据划分为多个数据组，一个数据组中初始数据的数据采样时刻位于对应的时间窗口内；100.针对所述多个数据组中的任意一个数据组，对所述数据组中各故障类型对应的报错次数进行特征统计，得到各故障类型对应的报错统计值；101.对所述数据组中的内存性能信息进行特征统计，得到内存性能统计值；102.对所述数据组中的故障位置进行统计，得到所述内存中各块在所述数据组对应的时间窗口内的故障次数统计值；103.其中，所述数据组对应的统计数据包括：所述各故障类型对应的报错统计值、所述内存性能统计值和所述故障次数统计值。104.第五方面，本技术实施例提供一种电子设备，包括：存储器和处理器；105.所述存储器存储计算机执行指令；106.所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行第一方面任一项所述的故障预测模型训练方法。107.第六方面，本技术实施例提供一种电子设备，包括：存储器和处理器；108.所述存储器存储计算机执行指令；109.所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行第二方面任一项所述的设备故障确定方法。110.第七方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当所述计算机执行指令被处理器执行时用于实现第一方面任一项所述的故障预测模型训练方法。111.第八方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当所述计算机执行指令被处理器执行时用于实现第二方面所述的设备故障确定方法。112.第九方面，本技术实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面任一项所示的故障预测模型训练方法。113.第十方面，本技术实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第二方面任一项所示的设备故障确定方法。114.本技术实施例提供一种故障预测模型训练方法、设备故障确定方法、装置及设备，可以从多个电子设备获取多条初始数据，初始数据中可以包括设备信息、电子设备中内存的内存信息和数据采样时刻，内存信息包括内存故障信息和内存性能信息。可以根据设备信息和数据采样时刻，分别对每个电子设备对应的初始数据进行特征统计得到多条统计数据，并且可以根据多个电子设备的宕机信息，确定多条统计数据的标注结果。模型训练设备可以在多条统计数据中确定正样本数据和负样本数据，进而可以根据正样本数据和负样本数据的数量确定多条第一正样本数据和多条第一负样本数据，可以根据多条第一正样本数据、多条第一负样本数据、多条第一正样本数据对应的标注结果和多条第一负样本数据对应的标注结果进行模型训练，得到目标模型。由于进行模型训练所使用的样本数据中包括内存性能信息和内存故障信息，在电子设备因内存故障而发生宕机之前，电子设备的内存性能信息和内存故障信息通常会有较为明显的变化；样本数据为一个时段内的统计数据，统计数据可以明显的反映出数据变化；标注结果中包括距离宕机时刻的待宕机时长，从而可以使得训练完成后的目标模型可以准确地预测未来第几天可能会发生宕机。提升了目标模型的预测准确性，使得通过目标模型可以准确的预测电子设备在未来时段是否会因内存故障而导致宕机。附图说明115.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：116.图1为本技术示例性实施例提供的一种应用场景的示意图；117.图2为本技术示例性实施例提供的一种故障预测模型训练方法的流程示意图；118.图3a为本技术示例性实施例提供的时间窗口的示意图一；119.图3b为本技术示例性实施例提供的时间窗口的示意图二；120.图4为本技术示例性实施例提供的另一种故障预测模型训练方法的流程示意图；121.图5为本技术示例性实施例提供的双列直插式内存模块的结构示意图；122.图6为本技术示例性实施例提供的一种故障预测模型训练方法的过程示意图；123.图7为本技术示例性实施例提供的一种设备故障确定方法的过程示意图；124.图8为本技术示例性实施例提供的一种模型训练装置的结构示意图；125.图9为本技术示例性实施例提供的一种设备故障确定装置的结构示意图；126.图10为本技术示例性实施例提供的一种电子设备的结构示意图。具体实施方式127.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。128.图1为本技术示例性实施例提供的一种应用场景的示意图。请参见图1，包括模型训练设备和多个电子设备。例如，多个电子设备可以包括电子设备-1、电子设备-2、……、电子设备-n。模型训练设备和任意一个电子设备之间可以进行通信。模型训练设备可以从多个电子设备获取初始数据，并根据从多个电子设备获取的初始数据进行模型训练，以得到目标模型。129.在得到目标模型之后，可以将目标模型设置在电子设备或者故障预测设备，电子设备或者故障预测设备可以通过目标模型对电子设备进行故障预测，以判断电子设备在未来时段内是否会引内存故障而发生宕机。130.在相关技术中，可以收集电子设备的日志信息和设备信息，并通过日志信息和设备信息，对电子设备进行宕机预测。然而，由于日志信息和设备信息在宕机之前可能不会有明显的变化，导致对电子设备进行宕机预测的准确性较差。131.在本技术实施例中，可以通过训练得到的目标模型对电子设备进行宕机预测。进行模型训练所使用的样本数据中包括内存性能信息和内存故障信息，在电子设备因内存故障而发生宕机之前，电子设备的内存性能信息和内存故障信息通常会有较为明显的变化，并且样本数据为一个时段内的统计数据(例如，平均值、最大值、方差等)，统计数据可以明显的反映出数据变化，因此，根据上述样本数据可以训练得到精确的目标模型，使得根据该目标模型可以提高对电子设备进行宕机预测的准确性。132.下面，通过具体实施例对本技术所示的技术方案进行详细说明。需要说明的是，下面几个实施例可以单独存在，也可以相互结合，对于相同或相似的内容，在不同的实施例中不再重复说明。133.在本技术的技术方案中，可以包括2个过程，分别为故障预测模型训练的过程、设备故障确定的过程。下面，结合图2，首先对故障预测模型训练的过程进行说明。134.图2为本技术示例性实施例提供的一种故障预测模型训练方法的流程示意图。请参见图2，该方法可以包括：135.s201、从多个电子设备获取多条初始数据。136.本技术实施例的执行主体可以为模型训练设备，也可以为设置在模型训练设备中的模型训练装置。模型训练装置可以通过软件实现，也可以通过软件和硬件的结合实现。例如，模型训练设备可以为电脑、服务器等设备。137.初始数据是指从电子设备中获取的相关信息。初始数据可以包括设备信息、电子设备中内存的内存信息和数据采样时刻。138.设备信息可以包括电子设备的厂商、编号、所在城市、上线时间、电子设备中内存的制造商等。139.内存信息可以包括内存故障信息和内存性能信息。140.可以通过在电子设备上部署记录故障的标准工具，以记录内存故障。例如，记录故障的标准工具可以为mcelog、内核日志(kernellog)等。141.内存故障可以包括可矫正的错误(correctablememoryerror)、内存清理错误(memoryscrubbingerror)、页面脱机错误(badpageofflining)、内存读取错误(memoryreaderror)、无法纠正的内存错误(uncorrectablememoryerror)、内存写入错误(memorywriteerror)等故障。142.内存性能信息可以包括：最近访问的活跃内存(mem_active)、用于原始磁盘块的临时存储(mem_buffers)、从磁盘读取的文件的页高速缓存(mem_cached)、等待写回磁盘的内存(mem_dirty)、最近没有被访问的非活跃内存(mem_inactive)、所有可用的内存(mem_memtotal)、被锁定的内存(mem_mlocked)、当前未使用的交换空间(mem_swapfree)、无法调出的内存(mem_unevictable)、内存占用率、内存的读取速度等。143.数据采样时刻是指电子设备采集初始数据的时刻。例如，数据采样时刻可以为2022/06/0910:30。144.模型训练设备可以通过无线网络或有线网络，与多个电子设备建立连接，进而可以从多个电子设备中获取初始数据。145.s202、根据设备信息和数据采样时刻，分别对每个电子设备对应的初始数据进行特征统计得到多条统计数据。146.在一可选实施例，可以通过如下方式得到多条统计数据：根据电子设备信息，确定每个电子设备对应的初始数据；针对每个电子设备，根据数据采样时刻和预设的时间窗口，将电子设备对应的初始数据划分为多个数据组，一个数据组中初始数据的数据采样时刻位于对应的时间窗口内；分别对每个数据组中的初始数据进行特征统计，以得到电子设备对应的统计数据，一个数据组对应一条统计数据。147.时间窗口可以是滑动时间窗口，滑动时间窗口可以是一个连续的时间窗口，也可以包括多个小的时间窗口。148.下面，结合图3a-图3b，对时间窗口进行说明。149.图3a为本技术示例性实施例提供的时间窗口的示意图一。请参见图3a，若设定时间窗口为滑动时间窗口，窗口的时长为连续的l小时，滑动的时长为20min，则时间窗口1可以为10:00至11:00之间连续的1小时；若滑动步长为20min，则可以得到时间窗口2。时间窗口2为10:20至11:20之间连续的1小时；再次滑动20min，则可以得到时间窗口3。时间窗口3为10:40至11:40之间连续的1小时。150.图3b为本技术示例性实施例提供的时间窗口的示意图二。请参见图3b，若设定时间窗口为滑动时间窗口，包括两个小的时间窗口(时长为10min)，滑动步长为5min，则时间窗口1可以包括时间窗口1-1和时间窗口1-2，时间窗口1-1为2022/05/0910:35-2022/05/0910:45之间的10min，时间窗口1-2为022/05/1010:35-2022/05/1010:45之间的10min；若滑动5min，则可以得到时间窗口2。时间窗口2可以包括时间窗口2-1和时间窗口2-2，时间窗口2-1为2022/05/0910:40-2022/05/0910:50之间的10min，时间窗口2-2为2022/05/1010:40-2022/05/1010:50之间的10min。151.特征统计可以包括求和、差分、方差等统计方式。当特征统计为求和、方差等统计方式时，时间窗口可以如图3a所示。当特征统计为差分统计方式时，时间窗口可以如图3b所示。152.由于设备信息中可以包括电子设备的编号，因此模型训练设备可以根据设备信息，在多条初始数据中确定每个电子设备对应的初始数据。153.例如，若模型训练设备根据设备信息在1000条初始数据中可以确定电子设备-1对应的150条初始数据，若预设的时间窗口为1小时，每条初始数据有对应的数据采样时刻，则可以根据数据采样时刻和预设的时长窗口，将电子设备-1对应的150条初始数据划分为多个数据组。例如，若时间窗口-1为2022/05/0910:00-2022/05/0911:00的1小时，初始数据-1的数采样时刻为2022/05/0910:00、初始数据-2的数采样时刻为2022/05/0910:30、初始数据-3的数采样时刻为2022/05/0911:00，则可以将初始数据-1、初始数据-2和初始数据-3划分为一个数据组。154.假设可以得到50个数据组，每个数据组中包括3个初始数据，则针对任意一个数据组，可以对数据组中包括的3个初始数据，进行求和、平均值、差分、方差等统计，以得到该数据组对应的统计数据。155.s203、根据多个电子设备的宕机信息，确定多条统计数据的标注结果。156.宕机信息是指电子设备发生宕机时的相关信息。例如，宕机信息可以包括宕机时刻。157.标注结果可以用于指示统计数据的采集时刻与电子设备宕机时刻之间的待宕机时长。标注结果可以通过数字表示。例如，若统计数据的采集时刻为2022/05/0910:30，宕机时刻为2022/05/1210:30，则标记结果可以为-3，表示该统计数据的采集时刻位于电子设备宕机时刻之前的第3天。158.可选的，针对任意一个电子设备对应的任意一条统计数据，确定统计数据的标注结果可以包括如下2种方式：159.方式1：对于任意一条统计数据，均采用统计数据的采集时刻与电子设备宕机时刻之间的待宕机时长进行标注。160.在一可选实施例中，可以通过如下方式确定统计数据的标注结果：根据统计数据对应的初始数据中的数据采样时刻，确定采集时刻；获取采集时刻和宕机时刻之间的初始时长；按照预设时间单位，对初始时长进行取整处理，得到待宕机时长，待宕机时长为预设时间单位的整数倍；确定统计数据的标注结果包括待宕机时长。161.取整处理可以包括向上取整和向下取整。例如，若采集时刻和宕机时刻之间的初始时长为1天15小时，预设时间单位为1天，则可以对初始时长进行向上取整，得到为2天；若采集时刻和宕机时刻之间的初始时长为1天2小时，则可以对初始时长进行向下取整，得到为1天。162.例如，若数据组1中包括如表1中的初始数据1、初始数据2、初始数据3、初始数据4，数据组1的统计数据如表3中所示，则可以将初始数据1对应的数据采样时刻2022/05/0910:00，确定为采集时刻。若确定电子设备-1的宕机时刻为2022/05/1213:27，预设时间单位为天，则可以确定采集时刻2022/05/0910:00与宕机时刻2022/05/1213:27之间的初始时长为3天3小时27分钟，则可以对初始时长进行向下取整，得到待宕机时长为3天，则可以确定数据组1对应的任意一条统计数据的标注结果均为-3。其中，“3”表示待宕机时长，“时长表示该统计数据的采集时刻位于宕机时刻之前。163.方式2：根据宕机标识和宕机时刻进行标注，或者根据未宕机标识进行标注。164.宕机信息中可以包括宕机标识和宕机时刻，或者宕机信息中可以包括未宕机标识。165.可选的，在该种方式下确定统计数据的标注结果，可以包括如下2种情况：166.情况1：宕机信息中包括宕机标识和宕机时刻。167.在该种情况下，可以确定根据统计数据对应的初始数据中的数据采样时刻，确定采集时刻；获取采集时刻和宕机时刻之间的初始时长；按照预设时间单位，对初始时长进行取整处理，得到待宕机时长，待宕机时长为预设时间单位的整数倍；确定统计数据的标注结果包括待宕机时长。待宕机时长小于预设时长。168.例如，若预设时长为15天，若数据组1中包括如表1中的初始数据1、初始数据2、初始数据3、初始数据4，数据组1的统计数据如表3中所示，则可以将初始数据1对应的数据采样时刻2022/05/0910:00，确定为采集时刻。若确定电子设备-1的宕机时刻为2022/05/1523:17，预设时间单位为天，则可以确定采集时刻2022/05/0910:00与宕机时刻2022/05/1523:17之间的初始时长为6天13小时17分钟，则可以对初始时长进行向上取整，得到待宕机时长为7天。则可以确定数据组1对应的任意一条统计数据的标注结果均为-7。169.情况2：宕机信息中包括未宕机标识。170.在该种情况下，可以确定统计数据的标识结果为未宕机。未宕机标识指示在电子设备中采样初始数据之后的预设时长内，电子设备未发生宕机。预设时长可以为10天、15天等。171.在一可选实施例中，可以在任意一个电子设备中设置标志位，以记录该电子设备是否在预设时长内发生过宕机，并根据标志位确定未宕机标识和宕机标识。若标志位为0，则可以确定未宕机标识为0，表示该电子设备在预设时长内没有发生宕机；若标志位为1，则可以确定宕机标识为1，表示该电子设备在预设时长内发生过宕机。在下一个预设时长开始时，可以将标志位由1重置为0，以便标记下一个预设时长内是否发生过宕机。172.例如，若电子设备-1的宕机信息中包括未宕机标识0，则可以确定电子设备-1对应的统计数据的标识结果均为“未宕机”。173.可选的，还可以确定统计数据的标识结果为待宕机时长，待宕机时长大于或等于预设时长。174.例如，若预设时长为15天，若数据组1中包括如表1中的初始数据1、初始数据2、初始数据3、初始数据4，数据组1的统计数据如表3中所示，则可以将初始数据1对应的数据采样时刻2022/05/0910:00，确定为采集时刻。若确定电子设备-1的宕机时刻为2022/05/2615:34，预设时间单位为天，则可以确定采集时刻2022/05/0910:00与宕机时刻2022/05/2615:34之间的初始时长为17天5小时34分钟，则可以对初始时长进行向下取整，得到待宕机时长为17天。则可以确定数据组1对应的任意一条统计数据的标注结果均为-17。由于标注结果为-17，预设时长为15，绝对值17大于15，则大于15的标注结果，均表示在15天内不会发生宕机。175.s204、根据多条统计数据和每条统计数据对应的标注结果进行模型训练，得到目标模型。176.目标模型可以用于确定电子设备在未来时段内是否因内存故障导致宕机。177.在一可选实施例中，模型训练设备可以在多条统计数据中确定正样本数据和负样本数据，并在正样本数据中确定第一样本数据，在负样本数据中确定第一负样本数据，进而可以根据第一样本数据和第一负样本数据、以及对应的标注结果进行模型训练，得到目标模型。178.可选的，可以根据多条统计数据和每条统计数据对应的标注结果，在多条统计数据中确定m条正样本数据和n条负样本数据，m和n分别为正整数。179.正样本数据是指未来时段内会电子设备发生宕机的样本数据。正样本数据对应的标注结果所指示的待宕机时长小于或等于预设时长。例如，若预设时长为15天，统计数据1的标注结果为-3，则可以确定待宕机时长为3天，待宕机时长3天小于预设时长15天，则可以将统计数据-1确定为正样本数据。180.负样本数据是指未来时段内电子设备不会发生宕机的样本数据。负样本数据对应的标注结果中所指示的待宕机时长大于预设时长。例如，若预设时长为15天，统计数据2的标注结果为-17，则可以确定待宕机时长为17天，待宕机时长17天小于预设时长15天，则可以将统计数据2确定为负样本数据。181.若统计数据对应的标注结果为-1至-14之间的任意一个值，则可以将该统计数据确定为正样本数据。若统计数据对应的标注结果为“未宕机”或者绝对值大于等于15的任意一个值，则可以将该统计数据确定为负样本数据。假设，根据每条统计数据对应的标注结果，在多条统计数据中可以确定100条正样本数据和500条负样本数据，则m为100，n为500。182.由于正负样本数据的数量相差较大，不利于训练目标模型，则可以根据m和n，在m条正样本数据中确定多条第一正样本数据，以及在n条负样本数据中确定多条第一负样本数据，第一正样本数据的数量和第一负样本数据的数量的差值在预设范围内。183.例如，若正样本数据的数量m为100，负样本数据的数量n为500，预设范围为50，由于m小于n，则可以将100条正样本数据均确定为第一正样本数据，可以在500条负样本数据中确定150条第一负样本数据。则第一正样本数据的数量为100，第一负样本数据的数量为150，两者的差值符合预设范围50。184.确定多条第一正样本数据、多条第一负样本数据之后，则可以根据多条第一正样本数据、多条第一负样本数据、多条第一正样本数据对应的标注结果和多条第一负样本数据对应的标注结果进行模型训练，得到目标模型。该目标模型可以称为故障预测模型。通过该目标模型可以对电子设备进行故障预测，即可以通过该目标模型预测电子设备是否会因内存故障而导致宕机。185.在模型训练中，可以采用集成学习算法进行训练，以得到目标模型。例如，集成学习算法可以为极端梯度增强算法(extremegradientboosting，xgboost)、轻量的梯度提升机(lightgradientboostingmachine，lightgbm)、随机森林等算法。186.在本技术实施例中，模型训练设备可以从多个电子设备获取多条初始数据，初始数据中可以包括设备信息、电子设备中内存的内存信息和数据采样时刻，内存信息包括内存故障信息和内存性能信息。模型训练设备可以根据设备信息和数据采样时刻，分别对每个电子设备对应的初始数据进行特征统计得到多条统计数据，并且可以根据多个电子设备的宕机信息，确定多条统计数据的标注结果。模型训练设备可以在多条统计数据中确定正样本数据和负样本数据，进而可以根据正样本数据和负样本数据的数量确定多条第一正样本数据和多条第一负样本数据，可以根据多条第一正样本数据、多条第一负样本数据、多条第一正样本数据对应的标注结果和多条第一负样本数据对应的标注结果进行模型训练，得到目标模型。由于进行模型训练所使用的样本数据中包括内存性能信息和内存故障信息，在电子设备因内存故障而发生宕机之前，电子设备的内存性能信息和内存故障信息通常会有较为明显的变化；样本数据为一个时段内的统计数据，统计数据可以明显的反映出数据变化；标注结果中包括距离宕机时刻的待宕机时长，从而可以使得训练完成后的目标模型可以准确地预测未来第几天可能会发生宕机。综合以上3点，提升了目标模型的预测准确性。187.下面，结合图4，对故障预测模型训练方法进行进一步详细说明。图4为本技术示例性实施例提供的另一种故障预测模型训练方法的流程示意图。请参见图4，该方法可以包括：188.s401、从多个电子设备获取多条初始数据。189.模型训练设备可以通过无线网络或有线网络，与多个电子设备建立连接，进而可以从多个电子设备中获取初始数据。初始数据可以包括设备信息、电子设备中内存的内存信息和数据采样时刻。190.s402、根据电子设备信息，确定每个电子设备对应的初始数据。191.针对任意一个电子设备，由于设备信息中可以包括电子设备的编号，因此模型训练设备可以根据设备信息，在多条初始数据中确定每个电子设备对应的初始数据。192.在确定得到电子设备对应的初始数据之后，对电子设备对应的初始数据进行特征统计，对每个电子设备对应的初始数据进行特征统计的过程相同，下面，以对任意一个电子设备对应的初始数据进行特征统计的过程为例进行说明。193.s403、根据数据采样时刻和预设的时间窗口，将电子设备对应的初始数据划分为多个数据组。194.假设可以根据电子设备信息，在初始数据中确定电子设备-1对应的8条初始数据，且每条初始数据的数据采样时刻，如表1所示：195.表1196.初始数据数据采样时刻初始数据12022/05/0910:00初始数据22022/05/0910:20初始数据32022/05/0910:40初始数据42022/05/0911:00初始数据52022/05/1010:00初始数据62022/05/1010:20初始数据72022/05/1010:40初始数据82022/05/1011:00197.在进行求和、方差等统计时，若设定预设的时间窗口1为连续的1h，则可以根据数据采样时刻和预设的时间窗口1，将电子设备-1对应的初始数据划分为2个数据组，分别记为数据组1和数据组2。数据组1中可以包括初始数据1、初始数据2、初始数据3、初始数据4，该4个初始数据的数据采样时刻均位于2022/05/0910:00-2022/05/0911:00的1h内；数据组2中可以包括初始数据5、初始数据6、初始数据7、初始数据8，该4个初始数据的数据采样时刻均位于2022/05/1010:00-2022/05/1011:00的1h内。198.在进行差分(例如，一阶差分、二阶差分等)统计时，若设定预设的时间窗口2包括2个10min的时间窗口，分别为2022/05/0910:35-2022/05/0910:45和2022/05/1010:35-2022/05/1010:45，则可以根据数据采样时刻和预设的时间窗口2确定数据组3，则数据组3中可以包括初始数据3和初始数据7。199.确定3个数据组之后，则可以对该3个数据组中的初始数据进行特征统计，以得到电子设备-1对应的3个统计数据，一个数据组对应一条统计数据。200.s404、分别对每个数据组中的初始数据进行特征统计，以得到电子设备对应的统计数据。201.可选的，可以对初始数据进行预处理，再进行特征统计。预处理可以包括剔除一些大部分电子设备上都无法采集到的数据、或者对于某些偶尔缺失的数据可以使用0代替。202.在一可选实施例中，可以通过如下方式对初始数据进行特征统计：对数据组中各故障类型对应的报错次数进行特征统计，得到各故障类型对应的报错统计值；对数据组中的内存性能信息进行特征统计，得到内存性能统计值；对数据组中的故障位置进行统计，得到内存中各块在数据组对应的时间窗口内的故障次数统计值；其中，数据组对应的统计数据包括：各故障类型对应的报错统计值、内存性能统计值和故障次数统计值。203.故障位置可以是由从动态随机存取存储器(dynamicrandom-accessmemory，dram)故障日志中，解析出来的发生dram故障的详细物理位置。204.下面，结合图5，对故障位置进行详细说明。205.图5为本技术示例性实施例提供的双列直插式内存模块的结构示意图。一个电子设备的内存中可以包括24个双列直插式内存模块(dual-inline-memory-modules，dimm)。请参见图5，对于任意一个dimm，dimm具有2个内存列(rank)，分别为rank-1和rank-2。每个rank中包括16块(bank)。例如，rank-2中可以包括bank2-1、bank2-2、bank2-3、……、bank2-16。rank-1和rank-2中总共有32个bank。每次访问内存时，仅访问32个bank中的一个。206.一般情况下，每个bank中有217217行(row)和210210列(column，col)。可以使用元组《dimm，rank，bank，row，col》表示一个电子设备中内存的哪个位置发生dram故障，或者也可以通过元组《dimm，rank，bank》表示一个电子设备中内存的哪个位置发生dram故障。如图3中，若dimm1，rank1，bank2-1中的第1行第3列发生过5次dram故障，则故障位置可以记为《dimm1，rank1，bank2-1，1，3》，故障次数为5次。对于任意一个bank，bank的故障次数等于该bank内所有位置发生dram故障的故障次数之和。例如，若在故障位置《dimm1，rank1，bank2-1，1，3》处，发生过5次dram故障；在故障位置《dimm1，rank1，bank2-1，1，2》处，发生过3次dram故障，则《dimm1，rank1，bank2-1》中总共发生过8次dram故障。207.例如，假设表1中各个初始数据包括的数据内容如表2所示：208.表2209.[0210][0211]若数据组1中包括初始数据1、初始数据2、初始数据3、初始数据4；数组2中包括初始数据5、初始数据6、初始数据7、初始数据8，数据组3中可以包括初始数据3、初始数据7；则可以对该3个数据组中的初始数据进行统计，得到的统计数据可以如表3所示，其中，在表3中，各bank均位于dimm1，rank1中，为了便于描述，表3中省略了dimm1，rank1：[0212]表3[0213][0214][0215]在实际工作中，获得的统计数据可能具有不同的属性、数量级和单位，导致无法对不同的统计数据进行训练。为了消除不同的统计数据之间存在的差异，便于后续的模型训练，可以对统计数据进行归一化处理。归一化处理是指将统计数据按比例缩放，使统计数据处于相同的数据区间和范围。例如，可以对各类统计数据进行归一化处理，将各类统计数据变为(0，1)之间的小数。[0216]s405、根据多个电子设备的宕机信息，确定多条统计数据的标注结果。[0217]需要说明的是，步骤s405的具体执行过程可以参见步骤s203，此处不再进行赘述。[0218]s406、根据多条统计数据和每条统计数据对应的标注结果，在多条统计数据中确定m条正样本数据和n条负样本数据。[0219]标注结果可以用数字表示，数字的绝对值表示待宕机时长。正样本数据对应的标注结果所指示的待宕机时长小于或等于预设时长，负样本数据对应的标注结果中所指示的待宕机时长大于预设时长。例如，若标注结果为-3。则“3”表示待宕机时长为3天，“‑”表示该统计数据的采集时刻位于宕机时刻之前。[0220]例如，若预设时长为15天，则可以在多条统计数据中，将标注结果为-1至-14之间的多条统计数据确定为正样本数据；将标注结果为“未宕机”或者标注结果为绝对值大于等于15的多条统计数据确定为负样本数据。[0221]s407、根据m和n，在m条正样本数据中确定多条第一正样本数据，以及在n条负样本数据中确定多条第一负样本数据。[0222]可选的，若正样本数据的数量为m，负样本数据的数量为n，则可以根据m和n，在m条正样本数据中确定多条第一正样本数据，以及在n条负样本数据中确定多条第一负样本数据，以使第一正样本数据的数量和第一负样本数据的数量的差值在预设范围内。[0223]确定多条第一正样本数据和多条第一负样本数据，可以包括如下2种情况：[0224]情况1：若m大于n，且m与n的差值大于或等于第一阈值。[0225]在该种情况下，可以对m条正样本数据进行下采样，并将下采样处理后的正样本数据确定为多条第一正样本数据，以及将n条负样本数据确定为多条第一负样本数据。[0226]第一阈值可以依据训练目标模型的需求而确定。例如，第一阈值可以为50。[0227]下采样通常适用于正负样本数据的数量相差较大，而且小样本数据不足的情况。下采样就是在大样本数据中取出一部分样本数据，以使正负样本数据的数量相当。[0228]例如，若正样本数据的数量m为1000，负样本数据的数量n为600，第一阈值为50，预设范围为50，由于m大于n，且m与n的差值为400，大于第一阈值50，则可以对该1000条正样本数据进行下采样，确定640条第一正样本数据；可以将600条负样本数据均确定为600条第一负样本数据。则第一正样本数据的数量640和第一负样本数据的数量600之间的差值为40，处于预设范围50之内。[0229]情况2：若n大于m，且n与m的差值大于或等于第一阈值[0230]在该种情况下，可以对n条负样本数据进行下采样，并将下采样处理后的负样本数据确定为多条第一负样本数据，以及将m条正样本数据确定为多条第一正样本数据。[0231]例如，若正样本数据的数量m为700，负样本数据的数量n为900，第一阈值为50，预设范围为50，由于n大于m，且n与m的差值为200，大于或等于第一阈值50，则可以对该900条负样本数据进行下采样，确定742条第一负样本数据；可以将700条正样本数据均确定为700条第一正样本数据。则第一正样本数据的数量700和第一负样本数据的数量742之间的差值为42，处于预设范围50之内。[0232]s408、根据多条第一正样本数据中各数据特征的特征值、以及多条第一负样本数据中各数据特征的特征值，在多个数据特征中确定第一数据特征。[0233]第一数据特征是指在第一正样本数据和第一负样本数据中具有显著差异的数据特征。在第一正样本中第一数据特征对应的特征值、与第一负样本中第一数据特征对应的特征值的差异度大于或等于第二阈值。[0234]第二阈值可以依据第一数据特征对应的特征值而设定。例如，若第一数据特征为内存占用率，则可以将第二阈值设定为20％；若第一数据特征为bank发生故障的总次数，则可以将第二阈值设定为100。[0235]可选的，确定第一数据特征时，可以使用假设检验进行特征选择。假设检验是一种统计推断方法，可以用于判断第一正样本数据和第一负样本数据之间的差异是由于抽样误差引起的还是由于本质差别造成的。例如，假设检验可以为卡方检验、f检验等。[0236]假设某条第一正样本数据和某条第一负样本数据中包括的各数据如表4：[0237]表4[0238][0239]若使用假设检验对该第一正样本数据和该第一负样本数据进行特征选择，则选择出的第一数据特征可以包括：内存读取错误的次数、页面脱机错误的次数、内存占用率的次数、内存的读取速度、bank发生故障的总次数。由于内存清理错误的次数在第一正样本数据中为259次、在第一负样本数据中为236次，没有显著的差异，因此内存清洗错误的次数不能作为第一数据特征。[0240]s409、根据第一数据特征，更新多条第一正样本数据和多条第一负样本数据。[0241]在一可选实施例中，根据第一数据特征，更新多条第一样本数据和多条第一负样本数据，即保留多条第一样本数据和多条第一负样本数据中的第一数据特征，去除非第一数据特征，则更新后的多条第一正样本数据和更新后的多条第一负样本数据中包括第一数据特征的特征值。[0242]例如，若第一正样本数据和第一负样本数据如表4所示，选择出的第一数据特征包括内存读取错误的次数、页面脱机错误的次数、内存占用率的次数、内存的读取速度、bank发生故障的总次数，则可以保留第一正样本数据和第一负样本数据中的内存读取错误的次数、页面脱机错误的次数、内存占用率的次数、内存的读取速度、bank发生故障的总次数，去除内存清理错误的次数。则更新后的第一正样本数据和第一负样本数据如表5所示：[0243]表5[0244][0245]s410、根据多条第一正样本数据、多条第一负样本数据、多条第一正样本数据对应的标注结果和多条第一负样本数据对应的标注结果进行第一次模型训练，得到中间模型，以及确定统计数据中各数据特征的重要程度。[0246]例如，若更新后的第一正样本数据和第一负样本数据如表5所示，且第一正样本数据中各数据的标注结果为-3，第一负样本数据中各数据的标注结果为-21，则可以根据表5中的第一正样本数据和第一负样本数据、以及分别对应的标注结果，进行模型训练，得到中间模型。[0247]中间模型可以确定各数据特征的重要程度。可选的，可以通过1-10之间的数值表示不同等级的重要程度。数值越大，表示数据特征的重要程度越高。[0248]例如，中间模型确定的各数据特征的重要程度可以如表6所示：[0249]表6[0250]各数据特征重要程度内存读取错误的次数3页面脱机错误的次数1内存占用率的平均值6内存的读取速度2bank发生故障的总次数8[0251]需要说明的是，在实际工作中，第一正样本数据和第一负样本数据的数量可能仍然相差较大，则在进行模型训练的过程中，可以采用焦点损失(focalloss)函数替代交叉熵损失函数，以提升模型的训练效果。其中，focalloss函数是一种处理正负样本数据比例严重失衡的损失函数。[0252]s411、对各数据特征的重要程度从高到底的顺序进行排列，并确定多条第二正样本数据和多条第二负样本数据。[0253]在一可选实施例中，可以对各数据特征的重要程度从高到底的顺序进行排列，并在多条第一正样本数据中保留前k个数据特征的特征值，得到多条第二正样本数据，以及在多条第一负样本数据中保留前k个数据特征的特征值，得到多条第二负样本数据。[0254]例如，若各数据特征的重要程度如表6所示，则可以按照从高到底的顺序，对各数据特征的重要程度进行排列，则可以得到如表7所示：[0255]表7[0256][0257][0258]若设定k为3，则可以确定前3个数据特征分别为：bank发生故障的总次数、内存占用率的平均值、内存读取错误的次数。若假设第一正样本数据和第一负样本数据如表5所述，则可以在第一正样本数据中保留该3个数据特征的特征值，得到多条第二正样本数据，以及在多条第一负样本数据中保留该3个数据特征的特征值，得到多条第二负样本数据。则第二正样本数据和第二负样本数据可以如表8所示：[0259]表8[0260][0261]s412、根据多条第二正样本数据、多条第二负样本数据、多条第二正样本数据对应的标注结果和多条第二负样本数据对应的标注结果，对中间模型进行第二次模型训练，得到目标模型。[0262]由于第二正样本数据和第二负样本数据是在第一正样本数据和第一负样本数据中确定的，则第一正样本数据和第一负样本数据对应的标注结果，即为第二正样本数据和第二负样本数据对应的标注结果。[0263]例如，若第二正样本数据和第二负样本数据如表8所示，第二正样本数据对应的标注结果为-3，第二负样本数据对应的标注结果为-17，则可以根据该第二正样本数据和第二负样本数据、以及分别对应的标注结果，对中间模型进行第二次模型训练，得到目标模型。[0264]在实际工作中，进行模型训练时，目标模型中包括了成百上千的参数。对于有些参数，可以通过模型训练进行优化，但也有一部分参数无法通过训练来进行优化，可以将这部分参数称为超参数。可选的，对于无法在目标模型进行优化的超参数，则可以使用其他算法对超参数进行调优。例如，可以使用网格搜索、随机搜索、贝叶斯优化等算法对超参数进行调优。[0265]在本技术实施例中，模型训练设备可以多个电子设备获取多条初始数据，并根据电子设备信息，确定每个电子设备对应的初始数据，进而可以根据数据采样时刻和预设的时间窗口，将电子设备对应的初始数据划分为多个数据组。模型训练设备可以分别对每个数据组中的初始数据进行特征统计，以得到电子设备对应的统计数据，并根据多个电子设备的宕机信息，确定多条统计数据的标注结果。模型训练设备可以根据标注结果在多条统计数据中确定多条正样本数据和多条负样本数据，并在多条正样本数据中确定多条第一正样本数据、以及在多条负样本数据中确定多条第一负样本数据。还可以在多条第一正样本数据和多条第一负样本数据中的多个数据特征中确定第一数据特征，并根据第一数据特征，更新多条第一正样本数据和多条第一负样本数据，进而根据更新后的多条第一正样本数据、更新后的多条第一负样本数据、更新后的多条第一正样本数据对应的标注结果和更新后的多条第一负样本数据对应的标注结果进行模型训练，得到中间模型以及确定各数据特征的重要程度。模型训练设备可以对各数据特征的重要程度从高到底的顺序进行排列，确定前k个数据特征，并根据前k个数据特征在多条第一正样本数据中确定多条第二正样本数据、以及在多条第一负样本中确定多条第二负样本数据，进而根据多条第二正样本数据、多条第二负样本数据、多条第二正样本数据对应的标注结果和多条第二负样本数据对应的标注结果，对中间模型进行第二次模型训练，得到目标模型。由于进行模型训练所使用的样本数据中包括内存性能信息和内存故障信息，在电子设备因内存故障而发生宕机之前，电子设备的内存性能信息和内存故障信息通常会有较为明显的变化；样本数据为一个时段内的统计数据，统计数据可以明显的反映出数据变化；可以根据中间模型输出的前k个数据特征进行二次训练，提高模型的训练效果，综合以上3点，根据上述故障预测模型训练方法可以训练得到精确的目标模型，使得通过该目标模型可以提高对电子设备进行宕机预测的准确性。[0266]下面，结合图6，通过具体示例，对上述故障预测模型训练方法进行详细说明。[0267]图6为本技术示例性实施例提供的一种故障预测模型训练方法的过程示意图。请参见图6，包括过程1、过程2和过程3。[0268]请参见过程1，模型训练设备可以从多个电子设备中获取多条初始数据。例如，多条初始数据可以包括初始数据-1、初始数据-2、初始数据-3、……、初始数据-p。[0269]对于任意一个初始数据，初始数据可以包括设备信息、电子设备中内存的内存信息和数据采样时刻，内存信息包括内存故障信息和内存性能信息。模型训练设备可以根据设备信息，确定对各个电子设备对应的初始数据，并针对任意一个电子设备，可以根据数据采样时刻和预设的时间窗口，将该电子设备对应的初始数据划分为多个数据组。如图6所示，假设p个初始数据中包括了w个电子设备对应的初始数据，则可以根据数据采样时刻和预设的时间窗口，分别对该w个电子设备对应的初始数据进行划分，假设总共可以得到q个数据组，则该q个数据组中包括了w个电子设备分别对应的数据组。[0270]对于任意一个数据组，数据组中可以包括多个初始数据。例如，数据组-1中可以包括初始数据-1、初始数据-2和初始数据-3。可以对每个数据组中的初始数据进行求和、方差、差分等特征统计，以得到对应的统计数据。由于统计数据与数据组一一对应，因此统计数据中包括w个电子设备分别对应的统计数据。则可以根据该w个电子设备分别对应的宕机信息，确定各个统计数据对应的标注结果。例如，统计数据-1的标注结果可以为-3，表示该统计数据对应的采集时刻位于电子设备宕机时刻之前的第3天。[0271]请参见过程2，可以每条统计数据对应的标注结果，在多条统计数据中确定m条正样本数据和n条负样本数据。若正样本数据和负样本数据的数量相差太大，则可以对数量多的样本数据进行下采样，在m条正样本数据中确定多条第一正样本数据，以及在n条负样本数据中确定多条第一负样本数据，以使第一正样本数据的数量和第一负样本数据的数量比较均衡。[0272]可选的，还可以通过假设检验，根据多条第一正样本数据中各数据特征的特征值、以及多条第一负样本数据中各数据特征的特征值，在多个数据特征中确定具有显著差异的第一数据特征。可以根据第一数据特征，更新多条第一样本数据和多条第一负样本数据，即保留多条第一样本数据和多条第一负样本数据中的第一数据特征，去除非第一数据特征，以得到更新后的多条第一正样本数据和多条第一负样本数据。[0273]根据更新后的多条第一正样本数据、更新后的多条第一负样本数据、更新后的多条第一正样本数据对应的标注结果和更新后的多条第一负样本数据对应的标注结果进行模型训练，得到中间模型。中间模型可以确定各数据特征的重要程度。可以对各数据特征的重要程度从高到底的顺序进行排列，确定前k个数据特征。[0274]请参见过程3，可以根据前k个数据特征，在更新后的多条第一正样本数据中保留前k个数据特征的特征值，以得到多条第二正样本数据，以及在多条更新后的多条第一负样本数据中保留前k个数据特征的特征值，以得到多条第二负样本数据。例如，若更新后的多条第一正样本数据中包括10个数据特征的特征值，若设定k为3，确定的前3个数据特征分别为数据特征-1、数据特征-2、数据特征-3，则可以在该10个数据特征中保留数据特征-1、数据特征-2、数据特征-3分别对应的特征值，去除其他7个数据特征对应的特征值，以得到第二正样本数据。则第二正样本数据包括数据特征-1、数据特征-2、数据特征-3分别对应的特征值。[0275]可以根据多条第二正样本数据、多条第二负样本数据、多条第二正样本数据对应的标注结果和多条第二负样本数据对应的标注结果，对中间模型进行第二次模型训练，得到目标模型。[0276]在本技术实施例中，模型训练设备可以从多个电子设备获取多条初始数据，并根据电子设备信息，确定每个电子设备对应的初始数据，进而可以根据数据采样时刻和预设的时间窗口，将电子设备对应的初始数据划分为多个数据组。模型训练设备可以别对每个数据组中的初始数据进行特征统计得到多条统计数据，并且可以根据多个电子设备的宕机信息，确定多条统计数据的标注结果。模型训练设备可以在多条统计数据中确定正样本数据和负样本数据，进而可以根据正样本数据和负样本数据的数量确定多条第一正样本数据和多条第一负样本数据。模型训练设备通过假设检验确定第一数据特征，并根据第一数据特征更新多条第一正样本数据和多条第一负样本数据，进而根据更新后的多条第一正样本数据、更新后的多条第一负样本数据、更新后的多条第一正样本数据对应的标注结果和更新后的多条第一负样本数据对应的标注结果进行模型训练，得到中间模型以及确定各数据特征的重要程度。确定前k个数据特征，并根据前k个数据特征在多条第一正样本数据中确定多条第二正样本数据、以及在多条第一负样本中确定多条第二负样本数据。可以根据多条第二正样本数据、多条第二负样本数据、多条第二正样本数据对应的标注结果和多条第二负样本数据对应的标注结果，对中间模型进行第二次模型训练，得到目标模型。由于进行模型训练所使用的样本数据中包括内存性能信息和内存故障信息，在电子设备因内存故障而发生宕机之前，电子设备的内存性能信息和内存故障信息通常会有较为明显的变化；样本数据为一个时段内的统计数据，统计数据可以明显的反映出数据变化；可以根据中间模型输出的前k个数据特征进行二次训练，提高模型的训练效果，综合以上3点，根据上述故障预测模型训练方法可以训练得到精确的目标模型，使得通过该目标模型可以提高对电子设备进行宕机预测的准确性。[0277]训练得到目标模型之后，则可以通过目标模型对多个电子设备进行预测，以确定多个电子设备在未来时段内是否因内存故障导致宕机。[0278]可选的，在使用目标模型对多个电子设备进行预测时，将目标模型部署在故障预测设备中，故障预测设备可以获取多个电子设备的初始数据，并通过目标模型对各个电子设备进行预测；也可以将目标模型部署在各个电子设备中，以通过目标模型对各个电子设备进行预测。[0279]下面，结合图7，对设备故障确定方法进行说明。[0280]图7为本技术示例性实施例提供的一种设备故障确定方法的过程示意图。请参见图6，该方法可以包括：[0281]s701、从电子设备获取多条初始数据。[0282]初始数据中可以包括：设备信息、电子设备中内存的内存信息和数据采样时刻，内存信息中可以包括内存故障信息和内存性能信息，内存故障信息中可以包括各故障类型对应的报错次数和故障位置。[0283]可选的，从电子设备中获取初始数据可以包括如下2种方式：[0284]方式1：实时地方式获取初始数据。[0285]例如，若设定数据采样频率为15分钟/次，则每隔15分钟，各个电子设备可以进行一次采样，获得初始数据，并向模型训练设备发送初始数据，以使模型训练设备获取多个电子设备的初始数据。[0286]方式2：周期性地方式获取初始数据。[0287]例如，若设定数据采样频率为15分钟/次，发送周期为1h，则每隔15分钟，各个电子设备可以进行一次采样，并每隔1h，向模型训练设备发送初始数据，以使模型训练设备获取多个电子设备的初始数据。[0288]s702、根据数据采样时刻，对多条初始数据进行特征统计得到多条统计数据。[0289]在一可选实施例中，可以通过如下方式得到多条统计数据：根据预设的时间窗口，将多条初始数据划分为多个数据组，一个数据组中初始数据的数据采样时刻位于对应的时间窗口内；针对多个数据组中的任意一个数据组，对数据组中各故障类型对应的报错次数进行特征统计，得到各故障类型对应的报错统计值；对数据组中的内存性能信息进行特征统计，得到内存性能统计值；对数据组中的故障位置进行统计，得到内存中各块在数据组对应的时间窗口内的故障次数统计值。[0290]其中，数据组对应的统计数据包括：各故障类型对应的报错统计值、内存性能统计值和故障次数统计值。[0291]需要说明的是，步骤s702的具体执行过程可以参见步骤s202或者步骤s402-s404，此处不再进行赘述。[0292]s703、通过目标模型对多条统计数据进行处理，得到电子设备在未来时段内是否因内存故障导致宕机。[0293]目标模型是通过上述图2和图4所示实施例中的故障预测模型训练方法训练得到的。[0294]针对任意一个电子设备，获得该电子设备对应的多条统计数据之后，则可以通过目标模型对该多条统计数据进行处理，确定该多条统计数据对应的前k个数据特征，进而根据该前k个数据特征以及对应的特征值，预测该电子设备在未来时段内是否因内存故障导致宕机。[0295]可以设定未来时段为15天，可以通过目标模型预测任意一个电子设备在未来15天之内，可能因内存故障导致的宕机事件。[0296]例如，若设定k为3，未来时段为15天，若通过目标模型对多条统计数据进行处理后，确定该多条统计数据对应的前3个数据特征分别为：bank发生故障的总次数、内存占用率的平均值、内存读取错误的次数。若对应的特征值与标注结果为-8的第一正样本数据中对应的特征值相当，则可以确定输出的预测结果为8，表示该电子设备可能会在未来第8天发生因内存故障导致的宕机事件。[0297]若对应的特征值与标注结果为-17的第一负样本数据中对应的特征值相当，则可以确定预测结果为17，表示该电子设备可能会在未来第17天发生因内存故障导致的宕机事件。[0298]可选的，由于设定该目标模型预测的未来时段为15天，则若预测结果大于15，则可以进一步输出预测结果为“不会宕机”或者“发生宕机事件的概率很小”，用于表示在未来15天之内不会发生内存故障导致的宕机事件。[0299]在本技术实施例中，对于任意一个电子设备，可以从电子设备获取多条初始数据，并根据数据采样时刻，对多条初始数据进行特征统计得到多条统计数据，进而可以通过目标模型对多条统计数据进行处理，得到电子设备在未来时段内是否因内存故障导致宕机。若确定统计数据的数据特征以及对应的特征值与第一正样本数据中对应的特征值相当，则可以根据第一正样本数据的标注结果，确定预测结果为在未来时段内第几天可能会发生因内存故障导致的宕机事件；若确定统计数据的数据特征以及对应的特征值与第一负样本数据中对应的特征值相当，则可以根据第一负样本数据的标注结果，确定预测结果为在未来时段内不会发生因内存故障导致的宕机事件。由于可以通过目标模型预测电子设备在未来时段内第几天会发生因内存故障导致的宕机事件，因此对电子设备进行宕机预测的准确性。[0300]图8为本技术示例性实施例提供的一种模型训练装置的结构示意图，请参见图8，该模型训练装置包括：获取模块11、统计模块12、确定模块13和训练模块14，其中，[0301]所述获取模块11用于，从多个电子设备获取多条初始数据，所述初始数据包括：设备信息、所述电子设备中内存的内存信息和数据采样时刻，所述内存信息包括内存故障信息和内存性能信息；[0302]所述统计模块12用于，根据所述设备信息和所述数据采样时刻，分别对每个电子设备对应的初始数据进行特征统计得到多条统计数据；[0303]所述确定模块13用于，根据所述多个电子设备的宕机信息，确定所述多条统计数据的标注结果，所述标注结果用于指示所述统计数据的采集时刻与所述电子设备宕机时刻之间的待宕机时长；[0304]所述训练模块14用于，根据所述多条统计数据和每条统计数据对应的标注结果进行模型训练，得到目标模型，所述目标模型用于确定电子设备在未来时段内是否因内存故障导致宕机。[0305]本技术实施例提供的模型训练装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。[0306]在一种可能的实施方式中，所述统计模块12具体用于：[0307]根据所述电子设备信息，确定每个电子设备对应的初始数据；[0308]针对每个电子设备，根据所述数据采样时刻和预设的时间窗口，将所述电子设备对应的初始数据划分为多个数据组，一个数据组中初始数据的数据采样时刻位于对应的时间窗口内；[0309]分别对每个数据组中的初始数据进行特征统计，以得到所述电子设备对应的统计数据，一个数据组对应一条统计数据。[0310]在一种可能的实施方式中，所述内存故障信息包括：各故障类型对应的报错次数和故障位置；所述统计模块12具体用于：[0311]对所述数据组中各故障类型对应的报错次数进行特征统计，得到各故障类型对应的报错统计值；[0312]对所述数据组中的内存性能信息进行特征统计，得到内存性能统计值；[0313]对所述数据组中的故障位置进行统计，得到所述内存中各块在所述数据组对应的时间窗口内的故障次数统计值；[0314]其中，所述数据组对应的统计数据包括：所述各故障类型对应的报错统计值、所述内存性能统计值和所述故障次数统计值。[0315]在一种可能的实施方式中，所述宕机信息中包括宕机时刻；针对任意一个电子设备对应的任意一条统计数据；所述确定模块13具体用于：[0316]根据所述统计数据对应的初始数据中的数据采样时刻，确定所述统计数据的采集时刻；[0317]获取所述采集时刻和所述宕机时刻之间的初始时长；[0318]按照预设时间单位，对所述初始时长进行取整处理，得到所述待宕机时长，所述待宕机时长为所述预设时间单位的整数倍；[0319]确定所述统计数据的标注结果包括所述待宕机时长。[0320]在一种可能的实施方式中，所述宕机信息中包括宕机标识和宕机时刻，或者所述宕机信息中包括未宕机标识；[0321]针对任意一个电子设备对应的任意一条统计数据；所述确定模块13具体用于：[0322]若所述宕机信息中包括所述宕机标识和所述宕机时刻，则根据所述统计数据对应的初始数据中的数据采样时刻，确定采集时刻；获取所述采集时刻和所述宕机时刻之间的初始时长；按照预设时间单位，对所述初始时长进行取整处理，得到所述待宕机时长，所述待宕机时长为所述预设时间单位的整数倍；确定所述统计数据的标注结果包括所述待宕机时长；[0323]若所述宕机信息中包括所述未宕机标识，则确定所述统计数据的标识结果为未宕机或者所述待宕机时长大于或等于预设时长。[0324]在一种可能的实施方式中，所述训练模块14具体用于：[0325]根据所述多条统计数据和每条统计数据对应的标注结果，在所述多条统计数据中确定m条正样本数据和n条负样本数据，所述正样本数据对应的标注结果所指示的待宕机时长小于或等于预设时长，所述负样本数据对应的标注结果中所指示的待宕机时长大于所述预设时长，所述m和所述n分别为正整数；[0326]根据所述m和所述n，在所述m条正样本数据中确定多条第一正样本数据，以及在所述n条负样本数据中确定多条第一负样本数据，所述第一正样本数据的数量和所述第一负样本数据的数量的差值在预设范围内；[0327]根据所述多条第一正样本数据、所述多条第一负样本数据、所述多条第一正样本数据对应的标注结果和所述多条第一负样本数据对应的标注结果进行模型训练，得到所述目标模型。[0328]在一种可能的实施方式中，所述训练模块14具体用于：[0329]根据所述多条第一正样本数据、所述多条第一负样本数据、所述多条第一正样本数据对应的标注结果和所述多条第一负样本数据对应的标注结果进行第一次模型训练，得到中间模型，以及确定所述统计数据中各数据特征的重要程度；[0330]根据所述统计数据中各数据特征的重要程度从高到底的顺序进行排列，并在所述多条第一正样本中保留前k个数据特征的特征值，得到多条第二正样本数据，以及在所述多条第一负样本中保留前k个数据特征的特征值，得到多条第二负样本数据；[0331]根据所述多条第二正样本数据、所述多条第二负样本数据、所述多条第二正样本数据对应的标注结果和所述多条第二负样本数据对应的标注结果，对所述中间模型进行第二次模型训练，得到所述目标模型。[0332]在一种可能的实施方式中，所述第一正样本数据和所述第一负样本数据中分别包括多个数据特征；所述训练模块14具体用于：[0333]根据所述多条第一正样本数据中各数据特征的特征值、以及所述多条第一负样本数据中各数据特征的特征值，在所述多个数据特征中确定第一数据特征；其中，在所述第一正样本中所述第一数据特征对应的特征值、与所述第一负样本中所述第一数据特征对应的特征值的差异度大于或等于第二阈值；[0334]根据所述第一数据特征，更新所述多条第一正样本数据和所述多条第一负样本数据，更新后的多条第一正样本数据和更新后的多条第一负样本数据中包括所述第一数据特征的特征值；[0335]根据更新后的多条第一正样本数据、更新后的多条第一负样本数据、更新后的多条第一正样本数据对应的标注结果和更新后的多条第一负样本数据对应的标注结果进行模型训练，得到所述中间模型。[0336]在一种可能的实施方式中，所述训练模块14具体用于：[0337]若所述m大于所述n，且所述m与所述n的差值大于或等于第一阈值，则对所述m条正样本数据进行下采样，并将下采样处理后的正样本数据确定为所述多条第一正样本数据，以及将所述n条负样本数据确定为所述多条第一负样本数据；或者，[0338]若所述n大于所述m，且所述n与所述m的差值大于或等于所述第一阈值，则对所述n条负样本数据进行下采样，并将下采样处理后的负样本数据确定为所述多条第一负样本数据，以及将所述m条正样本数据确定为所述多条第一正样本数据。[0339]本技术实施例提供的模型训练装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。[0340]图8实施例中所示的模型训练装置也可以称为故障预测模型装置，该模型训练装置为服务器中的装置，也可以为终端设备(例如，电脑)中的装置。[0341]图9为本技术示例性实施例提供的一种设备故障确定装置的结构示意图，请参见图9，该设备故障确定装置包括：获取模块21、统计模块22和处理模块23，其中，[0342]所述获取模块21用于，从电子设备获取多条初始数据，所述初始数据包括：设备信息、所述电子设备中内存的内存信息和数据采样时刻，所述内存信息包括内存故障信息和内存性能信息；[0343]所述统计模块22用于，根据所述数据采样时刻，对所述多条初始数据进行特征统计得到多条统计数据；[0344]所述处理模块23用于，通过目标模型对所述多条统计数据进行处理，得到电子设备在未来时段内是否因内存故障导致宕机；其中，所述目标模型为根据权利要求1-9任一项所述的方法训练得到的。[0345]本技术实施例提供的设备故障确定装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。[0346]在一种可能的实施方式中，所述内存故障信息包括：各故障类型对应的报错次数和故障位置；所述统计模块22具体用于：[0347]根据预设的时间窗口，将所述多条初始数据划分为多个数据组，一个数据组中初始数据的数据采样时刻位于对应的时间窗口内；[0348]针对所述多个数据组中的任意一个数据组，对所述数据组中各故障类型对应的报错次数进行特征统计，得到各故障类型对应的报错统计值；[0349]对所述数据组中的内存性能信息进行特征统计，得到内存性能统计值；[0350]对所述数据组中的故障位置进行统计，得到所述内存中各块在所述数据组对应的时间窗口内的故障次数统计值；[0351]其中，所述数据组对应的统计数据包括：所述各故障类型对应的报错统计值、所述内存性能统计值和所述故障次数统计值。[0352]本技术实施例提供的设备故障确定装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。[0353]图9实施例中所示的设备故障确定装置可以为服务器中的装置，也可以为终端设备(例如，电脑)中的装置。[0354]本技术示例性实施例提供一种电子设备的结构示意图，请参见图10，该电子设备30可以包括处理器31和存储器32。示例性地，处理器31、存储器32，各部分之间通过总线33相互连接。[0355]所述存储器32存储计算机执行指令；[0356]所述处理器31执行所述存储器32存储的计算机执行指令，使得所述处理器31执行如上述方法实施例所示的故障预测模型训练方法。[0357]图10实施例中所示的电子设备可以为模型训练设备，也可以为故障预测设备。[0358]相应地，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当所述计算机执行指令被处理器执行时用于实现上述方法实施例所述的故障预测模型训练方法或者设备故障确定方法。[0359]相应地，本技术实施例还可提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时，可实现上述方法实施例所示的故障预测模型训练方法或者设备故障确定方法。[0360]本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。[0361]本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0362]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。[0363]这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0364]在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。[0365]内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。[0366]计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。[0367]还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。[0368]以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。当前第1页12当前第1页12
再多了解一些
本文用于创业者技术爱好者查询，仅供学习研究，如用于商业用途，请联系技术所有人。