公开(公告)号：CN111198817B

公开(公告)日：2021-06-04

申请号：CN201911397867.4

申请日：2019-12-30

Applicant: 武汉大学

Inventor： 应时 ,  帕提古丽·阿不力孜 ,  段晓宇 ,  成海龙 ,  原万里

IPC: G06F11/36 ,  G06F40/279 ,  G06N3/04

Abstract: 本发明公开了一种基于卷积神经网络的SaaS软件故障诊断方法，首先对系统产生的日志数据进行过滤；然后对过滤后的日志数据进行类别划分与标注；接着对进行类别划分与标注后的日志数据进行去噪处理；接下来采用Skip‑Gram方法对去噪后的日志数据进行向量化，对向量化后的日志数据进行二维拓扑结构的构造，构造成词向量维度和单词维度两个维度的二维向量数据；再将构造的二维向量数据作为训练数据对预先构建好的卷积神经网络模型进行训练，获得训练好的性能故障诊断模型；最后利用训练好的性能故障诊断模型对未知类型日志数据进行诊断，获得日志数据的故障类型。本发明提高了对未知类型日志数据的诊断准确性和诊断效率。

公开(公告)号：CN109902731A

公开(公告)日：2019-06-18

申请号：CN201910129256.5

申请日：2019-02-21

Applicant: 武汉大学

Inventor： 应时 ,  段晓宇 ,  成海龙 ,  朱坤 ,  文春雷

IPC: G06K9/62

Abstract: 本发明公开了一种基于支持向量机的性能故障的检测方法，主要包括日志数据的预处理和预测模型的构建与训练，其中，日志数据的预处理包括对系统产生的性能日志数据进行向量化处理；对进行向量化处理后的日志数据加标签，获得训练数据集；预测模型的构建与训练具体包括：通过高斯核和线性核直积混合的方式选取核函数，基于双线性模式搜索法选择核函数的参数和惩罚因子；根据所述核函数、核函数的参数以及惩罚因子，构建基于支持向量机的预测模型，并利用所述训练数据集对所述预测模型进行训练；最后，采用训练后的预测模型对待测日志数据进行检测。本发明实现了提高预测的效率以及预测准确性的技术效果。

公开(公告)号：CN112988693A

公开(公告)日：2021-06-18

申请号：CN202110325195.7

申请日：2021-03-26

Applicant: 武汉大学

Inventor： 应时 ,  周慧敏 ,  成海龙 ,  段晓宇

IPC: G06F16/18 ,  G06F16/182 ,  G06F16/172 ,  G06K9/62

Abstract: 本发明公开了一种异常数据检测中谱聚类算法并行化方法及系统，首先将待聚类分析的数据集样本进行数据分布式存储；然后并行化构建数据集样本的相似矩阵；并行化计算相似矩阵的拉普拉斯矩阵；并行化计算拉普拉斯矩阵的特征向量，获得维度为n×d的特征向量矩阵；最后并行化执行K‑mean聚类算法。经实验结果表明，本发明在面对海量日志数据的聚类分析时，在保证良好聚类效果的同时，算法的执行效率也得到显著提升。

公开(公告)号：CN111198817A

公开(公告)日：2020-05-26

申请号：CN201911397867.4

申请日：2019-12-30

Applicant: 武汉大学

Inventor： 应时 ,  帕提古丽·阿不力孜 ,  段晓宇 ,  成海龙 ,  原万里

IPC: G06F11/36 ,  G06F40/279 ,  G06N3/04

Abstract: 本发明公开了一种基于卷积神经网络的SaaS软件故障诊断方法，首先对系统产生的日志数据进行过滤；然后对过滤后的日志数据进行类别划分与标注；接着对进行类别划分与标注后的日志数据进行去噪处理；接下来采用Skip-Gram方法对去噪后的日志数据进行向量化，对向量化后的日志数据进行二维拓扑结构的构造，构造成词向量维度和单词维度两个维度的二维向量数据；再将构造的二维向量数据作为训练数据对预先构建好的卷积神经网络模型进行训练，获得训练好的性能故障诊断模型；最后利用训练好的性能故障诊断模型对未知类型日志数据进行诊断，获得日志数据的故障类型。本发明提高了对未知类型日志数据的诊断准确性和诊断效率。

公开(公告)号：CN109902731B

公开(公告)日：2020-12-18

申请号：CN201910129256.5

申请日：2019-02-21

Applicant: 武汉大学

Inventor： 应时 ,  段晓宇 ,  成海龙 ,  朱坤 ,  文春雷

IPC: G06K9/62

Abstract: 本发明公开了一种基于支持向量机的性能故障的检测方法，主要包括日志数据的预处理和预测模型的构建与训练，其中，日志数据的预处理包括对系统产生的性能日志数据进行向量化处理；对进行向量化处理后的日志数据加标签，获得训练数据集；预测模型的构建与训练具体包括：通过高斯核和线性核直积混合的方式选取核函数，基于双线性模式搜索法选择核函数的参数和惩罚因子；根据所述核函数、核函数的参数以及惩罚因子，构建基于支持向量机的预测模型，并利用所述训练数据集对所述预测模型进行训练；最后，采用训练后的预测模型对待测日志数据进行检测。本发明实现了提高预测的效率以及预测准确性的技术效果。