買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜南京航空航天大學(xué)申請的專利基于IFA-BP-Adaboost的云數(shù)據(jù)中心故障檢測方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN115081525B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-04-01發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202210679446.6，技術(shù)領(lǐng)域涉及：G06F18/214；該發(fā)明授權(quán)基于IFA-BP-Adaboost的云數(shù)據(jù)中心故障檢測方法是由王美奇;莊毅;許濤;顧晶晶設(shè)計(jì)研發(fā)完成，并于2022-06-16向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于IFA-BP-Adaboost的云數(shù)據(jù)中心故障檢測方法在說明書摘要公布了：本發(fā)明公開了一種基于IFA?BP?Adaboost的云數(shù)據(jù)中心故障檢測方法，包括：采集云數(shù)據(jù)中心系統(tǒng)故障特征信息，獲得監(jiān)測數(shù)據(jù)集；對監(jiān)測數(shù)據(jù)集進(jìn)行特征提取，得到訓(xùn)練樣本集；確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，初始化訓(xùn)練樣本權(quán)值分布；使用IFA算法計(jì)算神經(jīng)網(wǎng)絡(luò)的初始最優(yōu)權(quán)值和閾值，構(gòu)建若干IFA?BP神經(jīng)網(wǎng)絡(luò)；對上一步構(gòu)建的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并計(jì)算網(wǎng)絡(luò)的權(quán)重；根據(jù)計(jì)算的權(quán)重動(dòng)態(tài)構(gòu)建基于IFA?BP?AdaBoost的云數(shù)據(jù)中心故障檢測模型；對目標(biāo)系統(tǒng)采集的監(jiān)測數(shù)據(jù)進(jìn)行特征提取，輸入到訓(xùn)練好的故障檢測模型中，判斷是否出現(xiàn)故障。本發(fā)明方法能夠在不影響系統(tǒng)運(yùn)行的情況下進(jìn)行故障檢測，出現(xiàn)故障時(shí)及時(shí)地做出故障響應(yīng)。

本發(fā)明授權(quán)基于IFA-BP-Adaboost的云數(shù)據(jù)中心故障檢測方法在權(quán)利要求書中公布了：1.一種基于IFA-BP-Adaboost的云數(shù)據(jù)中心故障檢測方法，其特征在于，所述方法包括以下步驟：步驟1，監(jiān)測云數(shù)據(jù)中心系統(tǒng)的運(yùn)行狀態(tài)，采集故障特征信息，獲得監(jiān)測數(shù)據(jù)集；故障特征信息F為一個(gè)四元組：F＝Fcpu,FNetworks,FStorage,FIO1其中，F(xiàn)cpu表示云數(shù)據(jù)中心的計(jì)算資源屬性，F(xiàn)cpu＝x1,x2,x3，x1表示用戶級別的CPU使用率，x2表示系統(tǒng)級別的CPU使用率，x3表示空閑CPU百分比；FNetworks表示云數(shù)據(jù)中心的網(wǎng)絡(luò)資源屬性，F(xiàn)Networks＝x4,x5,x6,x7，x4表示接收時(shí)產(chǎn)生錯(cuò)誤的數(shù)據(jù)包數(shù)，x5表示每秒接收的包數(shù)，x6表示每秒發(fā)送的包數(shù)，x7表示發(fā)送時(shí)產(chǎn)生錯(cuò)誤的數(shù)據(jù)包數(shù)；FStorage表示云數(shù)據(jù)中心的存儲資源屬性，F(xiàn)Storage＝x8,x9,x10,x11，x8表示目前內(nèi)存的使用率，x9表示可用的空閑內(nèi)存，x10表示已經(jīng)使用的內(nèi)存，x11表示每秒從磁盤或虛擬內(nèi)存置換到內(nèi)存的字節(jié)數(shù)；FIo表示云數(shù)據(jù)中心的IO資源屬性，F(xiàn)Io＝x12,x13,x14，x12表示每秒向磁盤設(shè)備請求數(shù)據(jù)的總次數(shù)，x13表示每秒向磁盤設(shè)備的讀請求次數(shù)，x14表示每秒向磁盤設(shè)備的寫請求次數(shù)步驟2，利用主成分分析法對監(jiān)測數(shù)據(jù)集進(jìn)行特征提取，得到訓(xùn)練樣本集；步驟3，確定用于云數(shù)據(jù)中心故障檢測的BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，初始化訓(xùn)練樣本的權(quán)值分布；步驟4，使用改進(jìn)螢火蟲算法IFA計(jì)算BP神經(jīng)網(wǎng)絡(luò)的初始最優(yōu)權(quán)值和閾值，構(gòu)建若干IFA-BP神經(jīng)網(wǎng)絡(luò)；螢火蟲行為與BP神經(jīng)網(wǎng)絡(luò)優(yōu)化問題的對應(yīng)關(guān)系如表1所示：表1螢火蟲行為與BP神經(jīng)網(wǎng)絡(luò)優(yōu)化問題的對應(yīng)關(guān)系 優(yōu)化的具體步驟如下：步驟4.1，初始化IFA的基本參數(shù)，設(shè)置螢火蟲種群數(shù)目Num，每一個(gè)螢火蟲代表BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值的一個(gè)候選解；設(shè)置螢火蟲的最大吸引度β0，β0表示最大熒光亮度處螢火蟲的吸引度大??；設(shè)置光強(qiáng)吸收系數(shù)γ，該系數(shù)體現(xiàn)熒光受距離及傳播媒介影響而減弱的特性，步長因子α，最大迭代次數(shù)Gmax，最大最小wmax和最小權(quán)重wmin，BP神經(jīng)網(wǎng)絡(luò)誤差函數(shù)作為適應(yīng)度函數(shù)，適應(yīng)度值越小，BP神經(jīng)網(wǎng)絡(luò)質(zhì)量越好；步驟4.2，對步驟3構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)的輸出層的閾值、隱含層的閾值、輸出層與隱含層的權(quán)值和隱含層與輸入層的權(quán)值分別進(jìn)行編碼，形成螢火蟲個(gè)體；步驟4.3，對每個(gè)螢火蟲的位置進(jìn)行隨機(jī)初始化，即初始化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，計(jì)算螢火蟲個(gè)體適應(yīng)度值，將該適應(yīng)度值作為螢火蟲各自的最大熒光亮度I0；步驟4.4，根據(jù)式2計(jì)算螢火蟲個(gè)體的熒光亮度I： 其中，rij為螢火蟲i和螢火蟲j之間的距離，xik,xjk分別為螢火蟲i、j在空間中的第k個(gè)分量，d為空間維數(shù)；計(jì)算螢火蟲個(gè)體的相互吸引度β如式4，相互吸引度β決定了螢火蟲移動(dòng)的距離； 其中β0為最大熒光亮度位置的吸引度大小，即r＝0處的吸引度大小；步驟4.5，若螢火蟲j的熒光亮度大于螢火蟲i的熒光亮度，則螢火蟲i被螢火蟲j吸引并向螢火蟲j移動(dòng)，即螢火蟲j取值方案下的BP神經(jīng)網(wǎng)絡(luò)優(yōu)于螢火蟲i取值方案下的BP神經(jīng)網(wǎng)絡(luò)，根據(jù)式5更新螢火蟲i的位置；xit+1＝wxit+βxjt-xit+αrand-125其中，xit+1代表螢火蟲i在t+1次移動(dòng)后的位置，αrand-12為隨機(jī)擾動(dòng)項(xiàng)，α為步長因子，rand為[0,1]上服從均勻分布的隨機(jī)數(shù)，w為慣性權(quán)重；步驟4.6，螢火蟲個(gè)體位置更新后，重新計(jì)算各螢火蟲個(gè)體的適應(yīng)度值，對螢火蟲個(gè)體的適應(yīng)度值進(jìn)行升序排列，找到適應(yīng)度值最小的螢火蟲個(gè)體，即找到此次迭代下最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值的取值方案，然后判斷當(dāng)前迭代次數(shù)是否達(dá)到最大迭代次數(shù)Gmax或者設(shè)定的搜索精度，若達(dá)到則轉(zhuǎn)向步驟4.7，否則轉(zhuǎn)向步驟4.4；步驟4.7，將適應(yīng)度值最小的螢火蟲個(gè)體作為最亮的螢火蟲個(gè)體，即BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值的最優(yōu)取值方案；最后將IFA優(yōu)化結(jié)果代入BP神經(jīng)網(wǎng)絡(luò)，確定初始權(quán)值和閾值，初始化M個(gè)IFA-BP神經(jīng)網(wǎng)絡(luò)；步驟5，使用訓(xùn)練樣本集對各IFA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，根據(jù)Adaboost算法計(jì)算各IFA-BP神經(jīng)網(wǎng)絡(luò)的權(quán)重；具體包括：步驟5.1，使用帶有權(quán)值分布的數(shù)據(jù)訓(xùn)練IFA-BP神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練后的IFA-BP神經(jīng)網(wǎng)絡(luò)作為弱分類器，記為gmx，m＝1,…,M，訓(xùn)練數(shù)據(jù)在當(dāng)前弱分類器gmx下的誤差率errm如式6： 其中，wmi為第i個(gè)訓(xùn)練數(shù)據(jù)對應(yīng)的權(quán)值，fi為實(shí)例數(shù)據(jù)，li為該實(shí)例數(shù)據(jù)對應(yīng)的標(biāo)簽；步驟5.2，根據(jù)式7計(jì)算弱分類器gmx的權(quán)重am： 步驟5.3，根據(jù)式8更新訓(xùn)練數(shù)據(jù)集權(quán)值分布： 其中，Zm為歸一化因子； 步驟6，根據(jù)各IFA-BP神經(jīng)網(wǎng)絡(luò)的權(quán)重動(dòng)態(tài)構(gòu)建基于IFA-BP-AdaBoost的云數(shù)據(jù)中心故障檢測模型；具體如下：將各IFA-BP神經(jīng)網(wǎng)絡(luò)弱分類器通過權(quán)重am合并構(gòu)成IFA-BP-AdaBoost強(qiáng)分類器G，計(jì)算公式如式10，所得G即為基于IFA-BP-AdaBoost的云數(shù)據(jù)中心故障檢測模型； 步驟7，對目標(biāo)系統(tǒng)采集的監(jiān)測數(shù)據(jù)進(jìn)行特征提取，輸入到訓(xùn)練好的IFA-BP-AdaBoost云數(shù)據(jù)中心故障檢測模型中，分析判斷是否出現(xiàn)故障。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人南京航空航天大學(xué)，其通訊地址為：210016 江蘇省南京市秦淮區(qū)御道街29號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。