[发明专利]基于IFA-BP-Adaboost的云数据中心故障检测方法

说明书

本发明公开了一种基于IFA‑BP‑Adaboost的云数据中心故障检测方法，包括：采集云数据中心系统故障特征信息，获得监测数据集；对监测数据集进行特征提取，得到训练样本集；确定BP神经网络结构，初始化训练样本权值分布；使用IFA算法计算神经网络的初始最优权值和阈值，构建若干IFA‑BP神经网络；对上一步构建的神经网络进行训练，并计算网络的权重；根据计算的权重动态构建基于IFA‑BP‑AdaBoost的云数据中心故障检测模型；对目标系统采集的监测数据进行特征提取，输入到训练好的故障检测模型中，判断是否出现故障。本发明方法能够在不影响系统运行的情况下进行故障检测，出现故障时及时地做出故障响应。

技术领域

本发明属于云故障检测技术领域，特别是一种基于IFA-BP-Adaboost的云数据中心故障检测方法。

背景技术

云计算技术在大规模数据处理和海量计算资源管理中发挥着越来越重要的作用，可以提高企业对外服务的可靠性，同时降低企业运营成本，为互联网相关企业的发展提供了便利。但是，云计算平台规模巨大，结构复杂，其可靠性面临着巨大的挑战。同时，存在大量的恶意攻击可能导致系统及其上的各种软硬件出现故障。因此，云服务提供商有必要在云系统中应用故障检测技术，在出现故障时及时做出响应。

目前，针对云平台的故障检测算法国内外已有一些研究成果，主要分为基于机器学习的故障检测和基于统计学的故障检测方法两大类。基于机器学习的故障检测方法首先为目标系统建立模型，将系统行为与基准进行比较，以判断系统是否出现故障。如Pannu 等人提出了一种云计算环境下的故障检测方法，使用贝叶斯模型检测故障节点，通过系统管理员对异常点进行标记，使用标记的数据构建决策树进行故障预测。但是决策树存在过度学习问题，对检测结果影响很大。Ma Yong等人提出了一种基于Pytorch和双向 GRU网络的云系统故障检测方法，数据预处理后利用嵌入式技术使神经网络能够提取相关数据并利用这些特征进行进一步的处理，最后使用Adam优化算法对神经网络进行训练。Chirag N.Modi提出一种结合Snort和贝叶斯网络的云计算故障检测方法。虽然这些方法能有效的检测和预测云环境下的故障，但是基于机器学习的检测方法在核函数和参数的选择上存在困难，对检测结果的准确性有较大影响。基于统计学的检测方法假定在许多情况数据的分布是先验已知的，系统的动态运行由概率模型描述，从而获取检测情况，如Karan Mitra等人提出了用于云性能诊断和预测的贝叶斯系统，系统采用贝叶斯网络来模拟相关因素之间的不确定和复杂关系，但由于贝叶斯网络建立过程复杂，以及需要考虑网络结构和样本的完整性，因此在大型云数据中心无法很好地应用。Wang Tao等人提出了一种云数据中心的自适应故障检测方法，该方法采用主成分分析方法分析系统的运行状态，使用余弦相似度计算系统的异常程度，最后建立基于指数分布的可靠性模型，预测失效时间，调整监测周期。但基于统计的检测方法往往严重依赖于一定的概率分布假设，不能很好地适应云计算复杂多变的环境。

综上所述，现有的云环境下的故障检测方法还存在部分基于机器学习的方法部分参数选择困难以及基于统计学的方法往往在很大程度上取决于对概率分布的假设等问题。

发明内容

本发明的目的在于针对现有技术存在的问题，提供一种基于IFA-BP-Ababoost的云数据中心故障检测方法，可以提高故障检测的准确性，进一步提高云系统的可靠性。

实现本发明目的的技术解决方案为：一种基于IFA-BP-Adaboost的云数据中心故障检测方法，所述方法包括以下步骤：

步骤1，监测云数据中心系统的运行状态，采集故障特征信息，获得监测数据集；

步骤2，利用主成分分析法对监测数据集进行特征提取，得到训练样本集；

步骤3，确定用于云数据中心故障检测的BP神经网络的结构，初始化训练样本的权值分布；

步骤4，使用改进萤火虫算法IFA计算优化BP神经网络的初始最优权值和阈值，构建若干IFA-BP神经网络；