服务器剩余寿命预测方法、装置、设备及存储介质与流程

本技术涉及人工智能，尤其涉及一种服务器剩余寿命预测方法、装置、设备及存储介质。

背景技术：

1、机房作为it运维重要的金融基础设施，是网络和信息系统的重要载体。从需求方面考虑，随着数据中心的发展和云服务的迅速增长，掌握服务器的可靠性以及稳定性尤为重要，因而对服务器故障检测方法的准确性和效率提出了更高的要求；从技术方面考虑，目前无法对服务器健康检测以及维护需求进行精准定位，从而不能对服务器剩余寿命有良好的规划和预测，也无法在故障发生前提前了解并进行干预；从人力方面考虑，机房巡检需要大量人力且在无人巡检期间无法及时发现告警并进行处置。

2、目前，现有技术通常都是结合机器学习方法对磁盘进行故障预测，并通过历史数据对磁盘进行预测。这种预测手段存在单一性以及历史数据预测的局限性，并且这些预测方案在特定应用场景下其效率和易用性还有待进一步改进。因此，尽管现有的解决方案在磁盘故障预测方面取得了成效，但对于服务器剩余寿命预测而言仍然存在例如数据精度和效率低下、泛化能力以及适用性有限、实时性和动态适应性不足以及故障诊断存在局限性等缺陷。

技术实现思路

1、本技术提供一种服务器剩余寿命预测方法、装置、设备及存储介质，用于克服现有技术对于服务器剩余寿命预测存在的数据精度和效率低下、泛化能力以及适用性有限、实时性和动态适应性不足以及故障诊断存在局限性等问题。

2、第一方面，本技术提供一种服务器剩余寿命预测方法，包括：

3、获取服务器运行时产生的实时混合噪声数据，并通过盲源分离技术对所述实时混合噪声数据进行噪声数据分离，得到所述服务器包括的每个硬件各自对应的实时独立噪声数据；

4、输入每个实时独立噪声数据至每个所述硬件对应的预测模型，得到每个所述硬件各自的退化过程，每个所述硬件对应的预测模型是对预训练模型利用噪声数据分离后的样本数据进行训练得到的；

5、根据每个所述硬件各自的退化过程预测所述服务器的剩余寿命。

6、在一种可能的设计中，在所述输入每个实时独立噪声数据至每个所述硬件对应的预测模型之前，还包括：

7、对rp-trans预测模型进行模型改进得到改进后的训练模型；

8、利用历史混合噪声数据对改进后的所述训练模型进行训练，得到所述预训练模型；

9、利用所述噪声数据分离后的样本数据对所述预训练模型进行训练，得到每个所述硬件对应的预测模型；

10、其中，所述噪声数据分离后的样本数据包括每个所述硬件对应的历史独立噪声数据，每个所述硬件对应的历史独立噪声数据是通过所述盲源分离技术对所述历史混合噪声数据进行噪声数据分离得到。

11、在一种可能的设计中，所述对rp-trans预测模型进行模型改进得到改进后的训练模型，包括：

12、在所述rp-trans预测模型上对编码器的每一层增设一维卷积和池化操作，得到改进后的所述训练模型；

13、其中，改进后的所述训练模型具有局部特征捕获特性、全局信息处理特性以及多级特征融合特性。

14、在一种可能的设计中，在所述利用所述噪声数据分离后的样本数据对所述预训练模型进行训练之前，还包括：

15、获取所述历史混合噪声数据的监测噪声数据阻抗频率；

16、根据所述监测噪声数据阻抗频率采用ceemdan-svd算法计算源阻抗频率数据，得到所述历史混合噪声对应的源信号数目；

17、根据imf分量相关系数以及所述源信号数目确定多通道混合阻抗频率；

18、采用fastica算法根据所述多通道阻抗频率得到分离矩阵；

19、根据所述分离矩阵基于解混模型得到每个所述硬件对应的历史独立噪声数据。

20、在一种可能的设计中，所述根据所述分离矩阵基于解混模型得到每个所述硬件对应的历史独立噪声数据，包括：

21、根据所述分离矩阵基于所述解混模型计算所述历史混合噪声分离后的估计源噪声矢量，得到所述历史混合噪声分离后的各负荷阻抗频率；

22、根据分离后的所述各负荷阻抗频率进行频谱分析以提取特征，得到各特征提取结果；

23、对所述各特征提取结果识别谐波源负荷类型，以得到每个所述硬件对应的历史独立噪声数据。

24、在一种可能的设计中，所述服务器包括的硬件包括cpu、磁盘、风扇以及显卡。

25、在一种可能的设计中，获取所述历史混合噪声数据的监测噪声数据阻抗频率之前，还包括：

26、通过噪声监测设备获取多个传感器数据，所述多个传感器数据包括历史混合噪声数据。

27、在一种可能的设计中，通过反向传播算法对所述训练模型以及所述预训练模型进行训练。

28、在一种可能的设计中，在对所述训练模型以及所述预训练模型进行训练时采用mse函数计算训练过程的剩余寿命预测结果和剩余寿命标记结果之间的误差；以及采用adam算法根据所述误差进行训练过程中的参数优化。

29、在一种可能的设计中，所述根据每个所述硬件各自的退化过程预测所述服务器的剩余寿命，包括：

30、输入每个所述硬件各自的退化过程至预设分类器；

31、获取所述预设分类器的输出结果，以根据所述输出结果得到所述服务器的剩余寿命。

32、第二方面，本技术提供一种服务器剩余寿命预测装置，包括：

33、预处理模块，用于获取服务器运行时产生的实时混合噪声数据，并通过盲源分离技术对所述实时混合噪声数据进行噪声数据分离，得到所述服务器包括的每个硬件各自对应的实时独立噪声数据；

34、第一预测模块，用于输入每个实时独立噪声数据至每个所述硬件对应的预测模型，得到每个所述硬件各自的退化过程，每个所述硬件对应的预测模型是对预训练模型利用噪声数据分离后的样本数据进行训练得到的；

35、第二预测模块，用于根据每个所述硬件各自的退化过程预测所述服务器的剩余寿命。

36、在一种可能的设计中，所述装置，还包括：模型训练模块；所述模型训练模块，用于：

37、对rp-trans预测模型进行模型改进得到改进后的训练模型；

38、利用历史混合噪声数据对改进后的所述训练模型进行训练，得到所述预训练模型；

39、利用所述噪声数据分离后的样本数据对所述预训练模型进行训练，得到每个所述硬件对应的预测模型；

40、其中，所述噪声数据分离后的样本数据包括每个所述硬件对应的历史独立噪声数据，每个所述硬件对应的历史独立噪声数据是通过所述盲源分离技术对所述历史混合噪声数据进行噪声数据分离得到。

41、在一种可能的设计中，所述模型训练模块，还用于：

42、在所述rp-trans预测模型上对编码器的每一层增设一维卷积和池化操作，得到改进后的所述训练模型；

43、其中，改进后的所述训练模型具有局部特征捕获特性、全局信息处理特性以及多级特征融合特性。

44、在一种可能的设计中，所述装置，还包括：盲源分离模块；所述盲源分离模块，用于：

45、获取所述历史混合噪声数据的监测噪声数据阻抗频率；

46、根据所述监测噪声数据阻抗频率采用ceemdan-svd算法计算源阻抗频率数据，得到所述历史混合噪声对应的源信号数目；

47、根据imf分量相关系数以及所述源信号数目确定多通道混合阻抗频率；

48、采用fastica算法根据所述多通道阻抗频率得到分离矩阵；

49、根据所述分离矩阵基于解混模型得到每个所述硬件对应的历史独立噪声数据。

50、在一种可能的设计中，所述盲源分离模块，还用于：

51、根据所述分离矩阵基于所述解混模型计算所述历史混合噪声分离后的估计源噪声矢量，得到所述历史混合噪声分离后的各负荷阻抗频率；

52、根据分离后的所述各负荷阻抗频率进行频谱分析以提取特征，得到各特征提取结果；

53、对所述各特征提取结果识别谐波源负荷类型，以得到每个所述硬件对应的历史独立噪声数据。

54、在一种可能的设计中，所述服务器包括的硬件包括cpu、磁盘、风扇以及显卡。

55、在一种可能的设计中，所述盲源分离模块，还用于：

56、通过噪声监测设备获取多个传感器数据，所述多个传感器数据包括历史混合噪声数据。

57、在一种可能的设计中，通过反向传播算法对所述训练模型以及所述预训练模型进行训练。

58、在一种可能的设计中，在对所述训练模型以及所述预训练模型进行训练时采用mse函数计算训练过程的剩余寿命预测结果和剩余寿命标记结果之间的误差；以及采用adam算法根据所述误差进行训练过程中的参数优化。

59、在一种可能的设计中，所述第二预测模块，具体用于：

60、输入每个所述硬件各自的退化过程至预设分类器；

61、获取所述预设分类器的输出结果，以根据所述输出结果得到所述服务器的剩余寿命。

62、第三方面，本技术提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；

63、所述存储器存储计算机执行指令；

64、所述处理器执行所述存储器存储的计算机执行指令，以实现第一方面中所提供的任意一种可能的服务器剩余寿命预测方法。

65、第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现第一方面中所提供的任意一种可能的服务器剩余寿命预测方法。

66、第五方面，本技术提供一种计算机程序产品，包括计算机执行指令，该计算机执行指令被处理器执行时用于实现第一方面中所提供的任意一种可能的服务器剩余寿命预测方法。

67、本技术提供一种服务器剩余寿命预测方法、装置、设备及存储介质，首先获取服务器运行时产生的实时混合噪声数据，并通过盲源分离技术对实时混合噪声数据进行噪声数据分离，得到服务器包括的每个硬件各自对应的实时独立噪声数据，然后输入每个实时独立噪声数据至每个硬件对应的预测模型，得到每个硬件各自的退化过程，其中，每个硬件对应的预测模型是对预训练模型利用噪声数据分离后的样本数据进行训练得到的。最后根据每个硬件各自的退化过程预测服务器的剩余寿命。通过盲源分离技术对实时混合噪声进行分离以采用不同硬件各自的实时独立噪声数据进行服务器剩余寿命预测，不但对不同服务器产生的噪声具有较高适配性，同时还可以提高预测精确性，并提升预测模型泛化能力以及可以确保预测实时性和动态适应性，有利于对服务器故障提前感知以及提前维护与干预，克服故障诊断存在的局限性。