基于LSTM循环神经网络的主机健康度预测丨本际云推荐

基于LSTM循环神经网络的主机健康度预测

你好，我是本际云服务器推荐网的小编小本本。随着企业业务不断扩大，业务IT支撑系统规模及平台组件架构数量对应激增，其中作为基础资源之一的主机数量也程指数级增加。为了保障基础资源之一主机的稳定可靠，笔者对运行中的主机健康度做了基于LSTM循环神经网络的预测。本次分享分为四个部分：1、LSTM简介2、基本数据准备3、多元LSTM预测4、模型优化。

基于LSTM循环神经网络的主机健康度预测

LSTM简介

随着深度学习技术发展，相关深度学习模型逐渐被应用到时序数据研究中。LSTM（长短期记忆）模型是循环神经网络变体中的一种，解决了梯度消失、梯度爆炸和长期记忆能力不足等问题。LSTM模型在不同领域的时序数据研究中已有不少成功的应用案例。本文针对系统级故障时间序列数据，提出了一种基于LSTM循环神经网络的预测方法，优化后的模型能够更加适应实际业务场景的需要。

基本数据准备

为了构建预测问题，我们使用前几个小时的主机指标情况和健康度，依此预测下一个小时的主机指标及健康度情况。例用数据采用某场地实时数据999条作为样本数据进行训练和测试。对样本进行清洗后，对数据进行归一化处理并对每个样本数据行生成一个模拟健康度。我们可以使用这些数据来构建预测问题。最后，我们通过在fit函数中设置validate_data参数来跟踪训练过程中的训练和测试损失。在运行结束时，绘制训练损失和测试损失。

多元LSTM预测

LSTM数据准备需要将数据集构建为有监督的学习问题，并对输入变量进行归一化。考虑到前面时间步骤的主机指标测量和主机健康度情况，我们将监督学习问题设计为预测当前小时（t）的主机健康度。根据主机健康度情况和最近24小时的主机指标情况，预测下一个小时的主机健康度情况。我们将在第一隐藏层中定义50个神经元，在输出层中定义1个神经元来定义LSTM，以预测主机健康度。我们的模型将适合于50个训练周期，每批次的数量为72。最后，我们通过在fit函数中设置validate_data参数

原创文章，作者：小编小本本，如若转载，请注明出处：https://www.benjiyun.com/yunzhujiyunwei/vps-yunwei/5829.html