面向网络购物平台大规模服务器集群的负载智能分析方法

技术领域

本发明涉及人工智能深度学习技术领域，尤其是一种面向网络购物平台大规模服务器集群的负载智能分析方法。

背景技术

网络购物平台的访问量不断提高，其访问流量甚至达到了10Gb/s以上。支撑网络购物平台所需的服务器集群规模也越来越庞大，对服务质量的要求也非常高；大规模服务器集群的异常及易引起网络购物平台的服务或通信中断与异常，造成关键数据的丢失，给网络购物平台的信誉和效益带来极大的影响。因此高效地分析大规模服务器集群的负载是保证网络购物平台服务性能稳定的重要手段之一。

近年来，深度学习算法在图像处理、语音处理、自然语言处理等多个领域得到广泛的应用并产生巨大的影响，这在很大程度上归功于各种新型神经网络模型以及高效的模型训练方法。随着生物神经科学的进步，越来越多的新型神经网络正在被研究。HTM(Hierarchical Temporal Memory)是一种模仿人脑中处理高级认知功能的新皮质部分运作原理的新型人工神经网络，其将接受到的各种模式与记忆中的模式进行匹配，并对下一刻将会出现的信息作出预测与反应，若下一时刻的输入远超预测的范围，则可判定出现异常，从而体现时效性(Temporal)。

当前训练HTM的方法还比较简单，通常使用Hebbian规则修改前后两次激活神经元之间的连接值，以此训练HTM；这种方法在分析同时蕴含时间跨度较短和较长大规模服务器集群负载规律时难以获得理想的结果；因此需要针对大规模服务器集群负载数据中同时蕴含时间跨度较短和较长规律的特点，提出新的基于HTM负载智能分析方法，提高HTM对服务器异常判定的能力。

发明内容

本发明要解决的技术问题是：为了解决上述背景技术中存在的问题，提供一种改进的面向网络购物平台大规模服务器集群的负载智能分析方法，以解决现有HTM对同时蕴含时间跨度较短和较长规律的大规模服务器集群负载数据学习能力较差的问题。

本发明解决其技术问题所采用的技术方案是：一种面向网络购物平台大规模服务器集群的负载智能分析方法，包括以下步骤：

步骤1，采集某个较长时间内大规模服务器集群负载分段统计数据，使其包含大规模服务器集群的负载和时间两方面的特性，构成具有时序特性的大规模服务器集群负载据流；

步骤2，针对大规模服务器集群负载规律分析应用，将具有时序特性的大规模服务器集群负载数据流作为基于HTM分析方法的输入；

步骤3，使用面向网络购物平台大规模服务器集群负载分析的基于循环神经元时间池方法，利用循环神经元代替现有的HTM神经元，将HTM时间池和循环神经元学习序列数据的能力相互结合，加强HTM对同时蕴含时间跨度较短和较长大规模服务器集群负载规律的学习功能；

步骤4，通过循环神经元的训练方法，使得循环神经元能学习大规模服务器集群负载数据中包含的特性，实现HTM对蕴含时序跨度大大规模服务器集群负载规律的更强学习能力；

步骤5，完成对历史大规模服务器集群负载数据分析，输出在某种条件下大规模服务器集群负载是否处于异常状态。

所述步骤3中，使用面向网络购物平台大规模服务器集群负载分析的基于循环神经元时间池方法主要包括以下步骤：

步骤3.1，找出HTM时间池中t时刻处于激活状态的循环神经元；

步骤3.2，使用这些循环神经元与HTM时间池中t-1时刻激活态循环神经元之间的树突连接值、以及循环神经元中上一时刻的隐藏层

步骤3.3，计算循环神经元在t时刻的隐藏层

步骤3.4，计算循环神经元在t时刻的输出

σ表示循环神经元输出层的激活函数，W

步骤3.5，计算循环神经元在t时刻的预测值

步骤3.6，找出HTM在t时刻对t+1时刻的预测循环神经元

所述步骤4中，循环神经元的训练方法主要包括以下步骤：

步骤4.1，找出HTM时间池中t-1时刻处于预测状态的循环神经元和t时刻处于激活状态的循环神经元；

步骤4.2，使用HTM时间池中t时刻这些循环神经元是否被激活来计算循环神经元的误差E，计算方法如下：

步骤4.3，调整循环神经元中的权重和偏置参数，计算方法如下：

其中,θ为[W

本发明的有益效果是：

1、本发明使用一种面向网络购物平台大规模服务器集群的基于HTM负载智能分析方法，改进现有HTM，实现对蕴含时间跨度较短和较长规律的大规模服务器集群负载规律的更好学习；

2、本发明利用对同时蕴含时间跨度较短和较长规律的大规模服务器集群负载数据等较强学习能力的循环神经元，替换HTM中现有的神经元，构建了能工作于HTM中的循环神经元，改变现有HTM仅依靠调整HTM神经元中突触值学习的方式；与现有HTM在基本的构成方面存在不同；

3、利用循环神经元在多个时间步上对序列的学习和反馈能力，改变现有HTM仅使用相邻两个时间步信息进行学习的机制，提高HTM对长序列的学习能力。给出了HTM中循环神经元的学习过程，利用HTM的输入和对预测出循环神经元是否被激活的反馈训练循环神经元，增强HTM对同时蕴含时间跨度较短和较长规律的大规模服务器集群负载数据的学习和异常检查能力。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明中面向网络购物平台大规模服务器集群的融和式HTM的结构图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

如图1所示的面向网络购物平台大规模服务器集群的负载智能分析方法，包括以下步骤：

步骤1，采集某个较长时间内大规模服务器集群负载分段统计数据，使其包含大规模服务器集群的负载和时间两方面的特性，构成具有时序特性的大规模服务器集群负载据流；

步骤2，针对大规模服务器集群负载规律分析应用，将具有时序特性的大规模服务器集群负载数据流作为基于HTM分析方法的输入；

步骤3，使用面向网络购物平台大规模服务器集群负载分析的基于循环神经元时间池方法，利用循环神经元代替现有的HTM神经元，将HTM时间池和循环神经元学习序列数据的能力相互结合，加强HTM对同时蕴含时间跨度较短和较长大规模服务器集群负载规律的学习功能；

步骤4，通过循环神经元的训练方法，使得循环神经元能学习大规模服务器集群负载数据中包含的特性，实现HTM对蕴含时序跨度大大规模服务器集群负载规律的更强学习能力；

步骤5，完成对历史大规模服务器集群负载数据分析，输出在某种条件下大规模服务器集群负载是否处于异常状态。

所述步骤3中，使用面向网络购物平台大规模服务器集群负载分析的基于循环神经元时间池方法主要包括以下步骤：

步骤3.1，找出HTM时间池中t时刻处于激活状态的循环神经元；

步骤3.2，使用这些循环神经元与HTM时间池中t-1时刻激活态循环神经元之间的树突连接值、以及循环神经元中上一时刻的隐藏层

步骤3.3，计算循环神经元在t时刻的隐藏层

步骤3.4，计算循环神经元在t时刻的输出

σ表示循环神经元输出层的激活函数，W

步骤3.5，计算循环神经元在t时刻的预测值

步骤3.6，找出HTM在t时刻对t+1时刻的预测循环神经元

所述步骤4中，循环神经元的训练方法主要包括以下步骤：

步骤4.1，找出HTM时间池中t-1时刻处于预测状态的循环神经元和t时刻处于激活状态的循环神经元；

步骤4.2，使用HTM时间池中t时刻这些循环神经元是否被激活来计算循环神经元的误差E，计算方法如下：

步骤4.3，调整循环神经元中的权重和偏置参数，计算方法如下：

其中,θ为[W

实施例1：

如图1所示，一种面向网络购物平台大规模服务器集群的融和式HTM的结构图，该方法总体思路是利用循环神经元代替现有HTM神经元，利用循环神经元在多个时间步上对序列的学习和反馈能力，实现HTM对序列数据更强的学习能力。图1中右侧所示即为循环神经元，其中包括输入单元(x

实施例2：

以一个HTM中循环神经元的完整计算过程为例，它由多个时序关联的不同计算部分组成。首先，在输入时刻t，对于处于激活态的循环神经元以及t-1时刻与之相连接的处于激活态的循环神经元之间突触连通数值，其组成的向量为

根据提出的HTM设计方法中，首先需要确定出各个时刻处于激活态循环神经元。现假设j＝{1，2，3，..，m}表示的是HTM中的微柱编号，i＝{1，2，3，..，n}表示的是微柱中的循环神经元编号。例如，使用c

具体而言，按照图1所示的基于循环神经元的HTM结构图，根据输入编码

其中，

最后，循环神经元的训练过程在于最小化损失函数E，然后基于损失函数的梯度在循环神经元中进行反向传播更新网络各层权值参数，正向输出和反向传播在训练数据上迭代进行，每个循环神经元会采用随机梯度下降(SGD)修正参数，直到所有参数收敛或达到某些预设的终止条件为止。根据HTM时间池中t时刻这些循环神经元是否被激活的信息，使用下面公式计算循环神经元的误差值E。计算方法如下公式：

从而由下面公式调整循环神经元中的权重和偏置参数。

其中,θ为[W

综上，本发明的一种面向网络购物平台大规模服务器集群的负载智能分析方法，利用循环神经元代替现有的HTM神经元，将HTM时间池和循环神经元对序列数据的学习能力相互结合，加强HTM对同时蕴含时间跨度较短和较长规律的大规模服务器集群负载数据的学习功能；通过循环神经元的训练方法，使得循环神经元能学习大规模服务器集群负载数据中包含的特性，实现HTM对同时蕴含时间跨度较短和较长大规模服务器集群负载规律的更强学习能力；本发明将对生物大脑新皮质功能的模拟和传统循环神经网络机制相结合，提高了HTM对同时蕴含时间跨度较短和较长大规模服务器集群负载特性的学习功能，从而保证了在处理同时蕴含时间跨度较短和较长大规模服务器集群负载规律时HTM的有效性和实用性。

本发明与现有分析大规模服务器集群负载的方法不同，使用一种面向网络购物平台大规模服务器集群的基于HTM负载智能分析方法，改进现有HTM，实现对蕴含时间跨度较短和较长规律的大规模服务器集群负载规律的更好学习；本发明与现有HTM在基本的构成方面存在不同，利用对同时蕴含时间跨度较短和较长规律的大规模服务器集群负载数据等较强学习能力的循环神经元，替换HTM中现有的神经元，构建了能工作于HTM中的循环神经元，改变现有HTM仅依靠调整HTM神经元中突触值学习的方式；与现有HTM在基本的构成方面存在不同；利用循环神经元在多个时间步上对序列的学习和反馈能力，改变现有HTM仅使用相邻两个时间步信息进行学习的机制，提高HTM对长序列的学习能力。

给出了HTM中循环神经元的学习过程，利用HTM的输入和对预测出循环神经元是否被激活的反馈训练循环神经元，增强HTM对同时蕴含时间跨度较短和较长规律的大规模服务器集群负载数据的学习和异常检查能力。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。