一种基于双向LSTM模型的运维行为智能分析系统的制作方法

本发明涉及运维管理分析，具体涉及一种基于双向lstm模型的运维行为智能分析系统。

背景技术：

物联网是新一代信息技术的重要组成部分，也是“信息化”时代的重要发展阶段。顾名思义，物联网就是物物相连的互联网，这有两层意思：其一，物联网的核心和基础仍然是互联网，是在互联网基础上的延伸和扩展的网络；其二，其用户端延伸和扩展到了任何物品与物品之间，进行信息交换和通信，也就是物物相息。物联网通过智能感知、智能识别和普适计算等通信感知技术，广泛应用于网络的融合中，因此被称为继计算机、互联网之后世界信息产业发展的第三次浪潮。

随着云平台应用逐渐广泛，微服务也日趋完善，电力信息系统本身产生的日志数量也急剧提升，达到每日数十万条。在海量的运维数据中，最不可忽视的就是各种关键性能指标kpi，如何从这些海量数据里发现规律，指导运维并将其智能化，如何通过数据分析使得运维服务系统根据电网运行情况进行自主适应性调节，保证供电质量，都是目前亟待解决的问题。

此外，现有运维行为智能分析系统通常采用单一模型针对单一任务进行建模，该建模方式需要耗费大量人力与算力对相似任务进行重复建模，分析效率低，且不能保证分析结果的准确性。

技术实现要素：

(一)解决的技术问题

针对现有技术所存在的上述缺点，本发明提供了一种基于双向lstm模型的运维行为智能分析系统，能够有效克服现有技术所存在的分析效率低、不能保证分析结果的准确性、运维服务系统无法根据电网运行情况进行自主适应性调节的缺陷。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种基于双向lstm模型的运维行为智能分析系统，包括控制器和运维服务系统，所述运维服务系统采集的运维监测数据通过无线通信模块传输给数据整合模块，所述数据整合模块与所述控制器相连，所述控制器与用于存储经过所述数据整合模块整合后数据的存储模块相连；

所述控制器与用于检测所述运维服务系统是否存在异常状态的异常数据检测单元相连，所述控制器从所述存储模块中删除处于异常状态的所述运维服务系统的运维数据；

所述存储模块通过数据输入模块将有效数据发送给神经网络输入层，所述神经网络输入层与用于配置初始权重的初始权重配置模块相连，所述神经网络输入层与包含双向lstm模型的神经网络隐藏层相连，所述神经网络隐藏层与由不同卷积核组成并包含激活函数的卷积层相连，所述卷积层与用于减小输入尺寸以提高性能并减小过拟合的池化层相连，所述池化层与用于最大化每个卷积核输出信号并包含激活函数的全连接层相连，所述全连接层与用于向所述控制器输出所述电网运行与所述运维服务系统运行拟合结果的神经网络输出层相连；

所述控制器根据所述神经网络输出层输出的拟合结果通过设备控制模块对所述运维服务系统进行控制调节。

优选地，所述神经网络隐藏层结合所述初始权重配置模块配置的初始权重进行训练，得到训练后的隐藏层权重。

优选地，所述卷积层、全连接层中的激活函数均采用线性整流函数relu。

优选地，所述神经网络输出层使用sigmoid激活执行非线性转换，并生成0到1之间的值，以表示所述电网运行与所述运维服务系统运行的拟合程度。

优选地，所述异常数据检测单元包括用于检测分析所述运维服务系统无效告警信号的无效告警分析模块，用于检测分析所述运维服务系统重复告警信号的重复告警分析模块，以及用于检测分析所述运维服务系统异常告警信号的异常告警分析模块。

优选地，所述无效告警分析模块的检测方法包括：判断接收到的告警信号是否为每日同时间段内发生的，若接收到的告警信号为每日同时间段内发生的，则判定该类告警信号为无效告警信号。

优选地，所述重复告警分析模块的检测方法包括：每隔一个时间周期，判断从当前时刻向前追溯一个时间周期内的告警信号是否存在短时间内重复告警，如存在，则判定该类告警信号为重复告警信号。

优选地，所述异常数据检测单元判定所述运维服务系统处于异常状态的方法包括：统计每周内无效告警信号、重复告警信号、异常告警信号的数量，并相加得到所述运维服务系统的告警总数，当告警总数不低于阈值时，则判定该运维服务系统处于异常状态；

其中，所有无效告警信号均记为0个，同时间周期内的重复告警信号记为1个。

(三)有益效果

与现有技术相比，本发明所提供的一种基于双向lstm模型的运维行为智能分析系统，具有以下有益效果：

1、异常数据检测单元检测运维服务系统是否存在异常状态，控制器从存储模块中删除处于异常状态的运维服务系统的运维数据，从而能够删除异常数据，保证后期数据分析的准确性；

2、存储模块通过数据输入模块将有效数据发送给神经网络输入层，神经网络输入层与包含双向lstm模型的神经网络隐藏层相连，神经网络隐藏层与由不同卷积核组成并包含激活函数的卷积层相连，卷积层与用于减小输入尺寸以提高性能并减小过拟合的池化层相连，池化层与用于最大化每个卷积核输出信号并包含激活函数的全连接层相连，神经网络输出层向控制器输出电网运行与运维服务系统运行拟合结果，控制器根据神经网络输出层输出的拟合结果通过设备控制模块对运维服务系统进行控制调节，采用双向lstm模型、传统cnn模型对运维服务系统运行与电网运行的拟合程度进行快速有效分析，并且能够对运维服务系统进行快速适应性调控。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明系统示意图；

图2为本发明图1中异常数据检测单元示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，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。基于本发明中的实施例，本领域普通技术人员在没有作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。

一种基于双向lstm模型的运维行为智能分析系统，如图1和图2所示，包括控制器和运维服务系统，运维服务系统采集的运维监测数据通过无线通信模块传输给数据整合模块，数据整合模块与控制器相连，控制器与用于存储经过数据整合模块整合后数据的存储模块相连；

控制器与用于检测运维服务系统是否存在异常状态的异常数据检测单元相连，控制器从存储模块中删除处于异常状态的运维服务系统的运维数据；

存储模块通过数据输入模块将有效数据发送给神经网络输入层，神经网络输入层与用于配置初始权重的初始权重配置模块相连，神经网络输入层与包含双向lstm模型的神经网络隐藏层相连，神经网络隐藏层与由不同卷积核组成并包含激活函数的卷积层相连，卷积层与用于减小输入尺寸以提高性能并减小过拟合的池化层相连，池化层与用于最大化每个卷积核输出信号并包含激活函数的全连接层相连，全连接层与用于向控制器输出电网运行与运维服务系统运行拟合结果的神经网络输出层相连；

控制器根据神经网络输出层输出的拟合结果通过设备控制模块对运维服务系统进行控制调节。

神经网络隐藏层结合初始权重配置模块配置的初始权重进行训练，得到训练后的隐藏层权重。

卷积层、全连接层中的激活函数均采用线性整流函数relu。

神经网络输出层使用sigmoid激活执行非线性转换，并生成0到1之间的值，以表示电网运行与运维服务系统运行的拟合程度。

异常数据检测单元包括用于检测分析运维服务系统无效告警信号的无效告警分析模块，用于检测分析运维服务系统重复告警信号的重复告警分析模块，以及用于检测分析运维服务系统异常告警信号的异常告警分析模块。

无效告警分析模块的检测方法包括：判断接收到的告警信号是否为每日同时间段内发生的，若接收到的告警信号为每日同时间段内发生的，则判定该类告警信号为无效告警信号。

重复告警分析模块的检测方法包括：每隔一个时间周期，判断从当前时刻向前追溯一个时间周期内的告警信号是否存在短时间内重复告警，如存在，则判定该类告警信号为重复告警信号。

异常数据检测单元判定运维服务系统处于异常状态的方法包括：统计每周内无效告警信号、重复告警信号、异常告警信号的数量，并相加得到运维服务系统的告警总数，当告警总数不低于阈值时，则判定该运维服务系统处于异常状态；

其中，所有无效告警信号均记为0个，同时间周期内的重复告警信号记为1个。

异常数据检测单元检测运维服务系统是否存在异常状态，控制器从存储模块中删除处于异常状态的运维服务系统的运维数据，从而能够删除异常数据，保证后期数据分析的准确性。

异常数据检测单元包括用于检测分析运维服务系统无效告警信号的无效告警分析模块，用于检测分析运维服务系统重复告警信号的重复告警分析模块，以及用于检测分析运维服务系统异常告警信号的异常告警分析模块。

无效告警分析模块的检测方法包括：判断接收到的告警信号是否为每日同时间段内发生的，若接收到的告警信号为每日同时间段内发生的，则判定该类告警信号为无效告警信号。

重复告警分析模块的检测方法包括：每隔一个时间周期，判断从当前时刻向前追溯一个时间周期内的告警信号是否存在短时间内重复告警，如存在，则判定该类告警信号为重复告警信号。

异常数据检测单元判定运维服务系统处于异常状态的方法包括：统计每周内无效告警信号、重复告警信号、异常告警信号的数量，并相加得到运维服务系统的告警总数，当告警总数不低于阈值时，则判定该运维服务系统处于异常状态；

其中，所有无效告警信号均记为0个，同时间周期内的重复告警信号记为1个。

存储模块通过数据输入模块将有效数据发送给神经网络输入层，神经网络输入层与包含双向lstm模型的神经网络隐藏层相连，神经网络隐藏层与由不同卷积核组成并包含激活函数的卷积层相连，卷积层与用于减小输入尺寸以提高性能并减小过拟合的池化层相连，池化层与用于最大化每个卷积核输出信号并包含激活函数的全连接层相连，神经网络输出层向控制器输出电网运行与运维服务系统运行拟合结果，控制器根据神经网络输出层输出的拟合结果通过设备控制模块对运维服务系统进行控制调节，采用双向lstm模型、传统cnn模型对运维服务系统运行与电网运行的拟合程度进行快速有效分析，并且能够对运维服务系统进行快速适应性调控。

神经网络隐藏层结合初始权重配置模块配置的初始权重进行训练，得到训练后的隐藏层权重。

卷积层、全连接层中的激活函数均采用线性整流函数relu。

神经网络输出层使用sigmoid激活执行非线性转换，并生成0到1之间的值，以表示电网运行与运维服务系统运行的拟合程度。

以上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，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。