[发明专利]基于混合门控神经网络的故障预测方法、装置和存储介质

权利要求书

1.一种基于混合门控神经网络的网络故障预测方法，其特征在于，所述方法包括：

S1.将网络故障数据进行预处理转化为时间序列数据，其中，所述网络故障数据包括故障发生的时间节点信息和网络节点设备信息，每个时间序列数据表示当前时间段发生的所有故障类型，所述故障类型包括但不限于端口故障、网卡故障、路由器故障、断网、断电、网线故障；

S2.将产生故障的网络节点设备的反馈数据转化为文本标签数据；

S3.构建基于混合门控神经网络模型，所述混合门控神经网络模型包括嵌入层、混合门控层、邻域注意力层、自动编解码器层，将所述时间序列数据和所述文本标签数据输入所述基于混合门控神经网络模型，所述基于混合门控神经网络模型对网络故障数据中的数据进行预测，具体包括：

S31.构建一个嵌入层，并以时间序列样本和文本标签序列样本为所述嵌入层的输入序列，通过所述嵌入层将所述输入序列转化为多源数据特征嵌入和

S32.构建一个门控融合层，将所述多源数据特征和作为所述通过所述门控融合层的输入，得到中间特征向量具体过程如下：

其中，G₁和G₂为门控权重，特征向量为经过门控网络处理后得到的中间特征向量；

S33.构建一个领域注意力层，将所述中间特征向量为输入，通过所述领域注意力层得到节点设备的故障隐藏参数，具体如下：

a_i＝softmax(S_i)

其中，将故障节点设备i的邻域隐藏表示为故障节点设备i的邻域集定义为N_i，N_i从故障节点设备邻域矩阵N中获得，其中，将故障节点设备之间进行近似计算得到相关系数，将相似度高于相似度阈值的两个节点进行关联记录，作为领域矩阵；

S34.基于自动编解码对特征向量和故障节点i的邻域隐藏进行编解码预测列表具体如下：

其中，W₃和W₄为自动解码层的权重，b₃和b₄为自动解码层的偏置量。

2.如权利要求1所述的基于混合门控神经网络的网络故障预测方法，其特征在于，所述方法进一步包括：

根据所述网络故障数据，将故障发生的时间节点和所述时间序列数据基准转化为时间序列样本；

根据所述反馈数据，将故障发生的时间节点和所述文本标签数据转化为文本标签序列样本；

其中，所述时间序列样本和文本标签序列中的时间戳一一对应。

3.如权利要求2所述的基于混合门控神经网络的网络故障预测方法，其特征在于，所述方法还包括：

S35.构建一个基于全局采样的损失函数，具体包括：

S351.在预定时间段内，将时间序列样本作为预测样本，并假设所述预测样本为正样本正样本之外的样本为负样本每个正采样条目的权重设置为1；

负样本的计算公式如下：

其中，由采样的节点特征值通过权重更新得到，m_v为节点产生错误类别v占本采样批次的比例，为采样特征值；

S352.基于负反馈的损失函数，进行基于全局采样的损失函数推导，公式如下：

其中，R_uv为真实值，为预测值；

S353.基于上述损失函数进行进一步推导，获得基于全局采样策略的损失函数：

4.根据权利要求3所述的基于混合门控神经网络的网络故障预测方法，其特征在于，S33具体包括：

使用softmax函数对注意力向量a_i进行归一化，得到最终的结果注意力分数：