【技術實現步驟摘要】
本專利技術屬于企業平臺運維技術以及數據處理，具體涉及一種基于機器學習的企業平臺運維方法及系統。
技術介紹
1、企業運維，全稱為企業it運維(it?operations)，是指企業內部信息技術部門為了確保it基礎設施和服務正常運行而進行的一系列管理工作和操作活動。企業運維的目標是保證it系統的穩定性、可靠性和安全性，同時優化資源使用，提高服務質量和響應速度。隨著企業信息化的快速發展，企業平臺運維面臨諸多挑戰，如系統復雜性增加、故障頻發、運維人員不足等。傳統運維方法主要依賴人工經驗，難以應對大規模、高并發的平臺環境。因此，研究一種高效、智能的運維方法具有重要意義。
技術實現思路
1、本專利技術提供一種基于機器學習的企業平臺運維方法及系統，用以解決現有技術中存在的問題。
2、一方面，本專利技術提供一種基于機器學習的企業平臺運維方法，包括：
3、接收人機交互輸入的歷史企業平臺運維數據以及歷史企業平臺運維數據對應的歷史故障類型，得到歷史樣本數據，并對所述歷史樣本數據進行預處理之后，得到預處理之后的歷史樣本數據；
4、從機器學習模型庫中選擇至少一個機器學習模型，并采用預處理之后的歷史樣本數據對選擇的至少一個機器學習模型進行訓練，得到至少一個訓練之后的機器學習模型；
5、根據至少一個訓練之后的機器學習模型，確定最終機器學習模型，并將所述最終機器學習模型進行部署；
6、從企業平臺中采集實時企業平臺運維數據，并采用已經部署的最終機器學習模型
7、當所述實時故障類型為具體故障類型時，則產生企業平臺運維異常的警告信息，并將所述警告信息傳輸至工作人員指定設備中，完成基于機器學習的企業平臺運維。
8、進一步地，預先設置每種具體故障類型對應的企業平臺運維參數調整策略；
9、當所述實時故障類型為具體故障類型時，通過查找匹配的方式確定具體故障類型所對應的目標企業平臺運維參數調整策略，并執行目標企業平臺運維參數調整策略，實現企業平臺自動運行調整。
10、進一步地，對所述歷史樣本數據進行預處理之后，得到預處理之后的歷史樣本數據，包括：
11、去除存在缺失值以及異常值的歷史樣本數據，得到初始處理之后的歷史樣本數據；
12、將初始處理之后的歷史樣本數據中非數值數據進行字符轉換，以將所有數據轉換為數值數據，得到字符轉換之后的歷史樣本數據；
13、對字符轉換之后的歷史樣本數據進行歸一化處理，得到歸一化處理之后的歷史樣本數據，并將歸一化處理之后的歷史樣本數據作為預處理之后的歷史樣本數據。
14、進一步地，所述機器學習模型庫為預先設置的數據庫，且至少包括lstm機器學習模型、cnn機器學習模型、bp機器學習模型和svm機器學習模型。
15、進一步地，采用預處理之后的歷史樣本數據對選擇的至少一個機器學習模型進行訓練，得到至少一個訓練之后的機器學習模型，包括：
16、針對任意一個機器學習模型，初始化機器學習模型的模型參數，并將所有模型參數組成一個粒子，重復獲取多次粒子，完成粒子群的初始化；
17、采用預處理之后的歷史樣本數據獲取每個粒子對應的適應度，并根據每個粒子對應的適應度，獲取粒子群中的最優粒子；
18、采用攜帶震蕩項的信息交互算法對粒子群中每個粒子進行快速更新，得到快速更新之后的粒子；
19、當快速更新之后的粒子對應的適應度大于最優粒子對應的適應度時，則將適應度更大的粒子替換為最優粒子；
20、判斷最優粒子未被替換的總次數是否達到預設訓練次數閾值k，若是，則對最優粒子進行全局最優搜索，得到更新之后的最優粒子，否則對最優粒子進行全局跳躍搜索，得到更新之后的最優粒子；
21、判斷當前訓練次數是否到達最大訓練次數，若是，則根據快速更新之后的粒子以及更新之后的最優粒子，重新確定最優粒子，并將重新確定的最優粒子中的參數作為機器學習模型的最終參數，得到訓練之后的機器學習模型，否則返回快速更新的步驟；
22、遍歷所有選擇的所有機器學習模型，得到至少一個訓練之后的機器學習模型。
23、進一步地，采用預處理之后的歷史樣本數據獲取每個粒子對應的適應度，并根據每個粒子對應的適應度，獲取粒子群中的最優粒子，包括：
24、針對任意一個粒子，將粒子中包含的模型參數應用至機器學習模型中，并將預處理之后的歷史樣本數據中的歷史企業平臺運維數據作為機器學習模型的輸入，將預處理之后的歷史樣本數據中的歷史故障類型作為期望標簽值，獲取機器學習模型的誤差函數值；
25、將所述機器學習模型的誤差函數值與預設常數項相加之后取倒數，得到粒子對應的適應度；
26、根據每個粒子對應的適應度，確定適應度最大的粒子為最優粒子。
27、進一步地，采用攜帶震蕩項的信息交互算法對粒子群中每個粒子進行快速更新，得到快速更新之后的粒子，包括：
28、針對任意一個粒子，為粒子隨機匹配一個歐式距離最近并且適應度更大的粒子，得到粒子對應的目標跟隨粒子；
29、獲取粒子與其對應的目標跟隨粒子之間的歐式距離，并根據當前訓練次數以及歐式距離，確定隨訓練次數而自適應變化的震蕩項；
30、確定粒子與最優粒子之間的差值項，并采用第一隨機系數以及交互系數進行限定之后，得到粒子對應的第一更新項；
31、確定粒子與目標跟隨粒子之間的差值項，并采用第二隨機系數以及引力系數進行限定之后，得到粒子對應的第二更新項；
32、根據所述第一更新項以及所述第二更新項，對粒子進行快速更新，得到快速更新之后的粒子。
33、進一步地，對最優粒子進行全局最優搜索，得到更新之后的最優粒子，包括：
34、采用隨機分布向量以及受當前訓練次數影響的指數函數，確定最優粒子對應的第三更新項；
35、采用歷史記憶策略對最優粒子進行記憶，確定最優粒子對應的第四更新項；
36、根據所述第三更新項以及所述第四更新項，對最優粒子進行全局最優搜索，得到快更新之后的最優粒子。
37、進一步地，對最優粒子進行全局跳躍搜索，得到更新之后的最優粒子，包括：
38、在除最優粒子中的其他粒子中，從適應度最大的20％粒子中隨機確定第一隨機粒子以及從其他80％的粒子中隨機確定第二隨機粒子；
39、根據所述第一隨機粒子以及第二隨機粒子，對最優粒子進行全局跳躍搜索，得到更新之后的最優粒子。
40、另一方面，本專利技術提供一種基于機器學習的企業平臺運維系統，包括：數據獲取模塊、模型選擇訓練模塊、模型部署模塊、模型應用模塊以及警告模塊；
41、所述數據獲取模塊，用于接收人機交互輸入的歷史企業平臺運維數據以及歷史企業平臺運維數據對應的歷史故障類型，得到歷史樣本本文檔來自技高網...
【技術保護點】
1.一種基于機器學習的企業平臺運維方法，其特征在于，包括：
2.根據權利要求1所述的基于機器學習的企業平臺運維方法，其特征在于，預先設置每種具體故障類型對應的企業平臺運維參數調整策略；
3.根據權利要求1所述的基于機器學習的企業平臺運維方法，其特征在于，對所述歷史樣本數據進行預處理之后，得到預處理之后的歷史樣本數據，包括：
4.根據權利要求1所述的基于機器學習的企業平臺運維方法，其特征在于，所述機器學習模型庫為預先設置的數據庫，且至少包括LSTM機器學習模型、CNN機器學習模型、BP機器學習模型和SVM機器學習模型。
5.根據權利要求1所述的基于機器學習的企業平臺運維方法，其特征在于，采用預處理之后的歷史樣本數據對選擇的至少一個機器學習模型進行訓練，得到至少一個訓練之后的機器學習模型，包括：
6.根據權利要求5所述的基于機器學習的企業平臺運維方法，其特征在于，采用預處理之后的歷史樣本數據獲取每個粒子對應的適應度，并根據每個粒子對應的適應度，獲取粒子群中的最優粒子，包括：
7.根據權利要求5所述的基于機器學習的
8.根據權利要求7所述的基于機器學習的企業平臺運維方法，其特征在于，對最優粒子進行全局最優搜索，得到更新之后的最優粒子，包括：
9.根據權利要求8所述的基于機器學習的企業平臺運維方法，其特征在于，對最優粒子進行全局跳躍搜索，得到更新之后的最優粒子，包括：
10.一種基于機器學習的企業平臺運維系統，其特征在于，包括：數據獲取模塊、模型選擇訓練模塊、模型部署模塊、模型應用模塊以及警告模塊；
...【技術特征摘要】
1.一種基于機器學習的企業平臺運維方法，其特征在于，包括：
2.根據權利要求1所述的基于機器學習的企業平臺運維方法，其特征在于，預先設置每種具體故障類型對應的企業平臺運維參數調整策略；
3.根據權利要求1所述的基于機器學習的企業平臺運維方法，其特征在于，對所述歷史樣本數據進行預處理之后，得到預處理之后的歷史樣本數據，包括：
4.根據權利要求1所述的基于機器學習的企業平臺運維方法，其特征在于，所述機器學習模型庫為預先設置的數據庫，且至少包括lstm機器學習模型、cnn機器學習模型、bp機器學習模型和svm機器學習模型。
5.根據權利要求1所述的基于機器學習的企業平臺運維方法，其特征在于，采用預處理之后的歷史樣本數據對選擇的至少一個機器學習模型進行訓練，得到至少一個訓練之后的機器學習模型，包括：
6.根據...
【專利技術屬性】
技術研發人員：鄺啟康，胡海濤，
申請(專利權)人：北京坤盈數科智能科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。