设备故障的处理方法及装置、存储介质及电子装置

技术领域

本申请涉及故障处理领域，具体而言，涉及一种设备故障的处理方法及装置、存储介质及电子装置。

背景技术

目前，随着企业规模的增长与需要处理的数据规模也不断变大，企业机房需要更多的网络设备来支持海量数据的存储和计算，针对网络设备的检查和监视，现有技术中主要依靠集中监控采集交换机的实时数据结合人工分析进行判断，而大型企业的网络组网环境复杂，交换机设备数量及型号众多，因此网络运维人员无法快速定位网络设备故障，且现有方法无法对设备故障的发生进行预测，故障处理效率低。

因此，相关技术中，存在如何提高设备故障的处理效率的问题。

针对相关技术中，如何提高设备故障的处理效率的问题，尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种设备故障的处理方法及装置、存储介质及电子装置，以及至少解决如何提高设备故障的处理效率的问题。

根据本申请实施例的一方面，提供了一种设备故障的处理方法，包括：确定出对网络设备进行监测得到的当前运行数据；对所述当前运行数据进行特征提取，获得所述当前运行数据在目标维度下的维度特征；将所述维度特征对应的目标分数阶编码排列熵值输入已经训练好的故障预测模型，其中，所述故障预测模型是以不同维度下的历史运行数据的分数阶编码排列熵值为输入样本，以所述历史运行数据对应的故障结果为输出样本进行训练的；获取所述故障预测模型输出的故障结果，并对所述故障结果所指示的故障设备进行故障处理。

在一个示例性实施例中，对所述当前运行数据进行特征提取，获得所述当前运行数据在目标维度下的维度特征，包括：按照所述不同维度对所述当前运行数据进行分类，得到多组运行数据，其中，所述多组运行数据对应不同维度；从所述多组运行数据中确定出与所述目标维度对应的目标运行数据；对所述目标运行数据进行特征提取，得到所述目标运行数据对应的一维时间序列，将所述一维时间序列确定为所述维度特征，其中，所述一维时间序列包含N个以时间先后进行排序的序列值，所述N为正整数。

在一个示例性实施例中，在将所述维度特征对应的目标分数阶编码排列熵值输入已经训练好的故障预测模型之前，包括：获取对所述一维时间序列进行相空间重构得到的重构矩阵，其中，所述重构矩阵的嵌入维数为m，所述重构矩阵的时间延迟为τ，所述m为正整数，所述τ为正数；确定出所述重构矩阵对应的编码矩阵，其中，所述编码矩阵对应有m！·3

在一个示例性实施例中，所述分数阶编码排列熵值表示为：

在一个示例性实施例中，在对所述故障结果所指示的故障设备进行故障处理之前，所述方法包括：在确定所述故障结果用于指示所述网络设备在经过预设时间段后出现故障的情况下，确定出所述网络设备的当前运行时刻；如果监测到所述网络设备出现故障，确定出所述网络设备出现故障的故障时刻；获取所述当前运行时刻与所述故障时刻之间的监测时间段；在确定所述监测时间段与所述预设时间段之间的差值小于预设阈值的情况下，将所述网络设备确定所述故障结果指示的故障设备。

在一个示例性实施例中，对所述故障结果所指示的故障设备进行故障处理，包括：在确定所述故障结果为存在故障的情况下，确定出所述故障结果所指示的故障设备的设备类型；确定出具备所述设备类型的所有故障设备；根据为所述设备类型预设的设备处理措施对所述所有故障设备进行故障处理。

在一个示例性实施例中，对所述故障结果所指示的故障设备进行故障处理，包括：在确定所述故障结果为存在故障的情况下，确定出所述故障结果所指示的故障设备的设备厂商；确定出属于具备所述设备厂商的所有故障设备；从所述设备厂商提供的出厂数据中确定出设备故障操作，按照所述设备故障操作对所述所有故障设备进行故障处理。

根据本申请实施例的另一方面，还提供了一种设备故障的处理装置，包括：数据确定模块，用于确定出对网络设备进行监测得到的当前运行数据；特征获得模块，用于对所述当前运行数据进行特征提取，获得所述当前运行数据在目标维度下的维度特征；特征输入模块，用于将所述维度特征对应的目标分数阶编码排列熵值输入已经训练好的故障预测模型，其中，所述故障预测模型是以不同维度下的历史运行数据的分数阶编码排列熵值为输入样本，以所述历史运行数据对应的故障结果为输出样本进行训练的；结果获取模块，用于获取所述故障预测模型输出的故障结果，并对所述故障结果所指示的故障设备进行故障处理。

在一个示例性实施例中，所述特征获得模块还用于：按照所述不同维度对所述当前运行数据进行分类，得到多组运行数据，其中，所述多组运行数据对应不同维度；从所述多组运行数据中确定出与所述目标维度对应的目标运行数据；对所述目标运行数据进行特征提取，得到所述目标运行数据对应的一维时间序列，将所述一维时间序列确定为所述维度特征，其中，所述一维时间序列包含N个以时间先后进行排序的序列值，所述N为正整数。

在一个示例性实施例中，所述特征输入模块还用于：获取对所述一维时间序列进行相空间重构得到的重构矩阵，其中，所述重构矩阵的嵌入维数为m，所述重构矩阵的时间延迟为τ，所述m为正整数，所述τ为正数；确定出所述重构矩阵对应的编码矩阵，其中，所述编码矩阵对应有m！·3

在一个示例性实施例中，所述特征输入模块基于所述m！·3

在一个示例性实施例中，所述结果获取模块还用于：在确定所述故障结果用于指示所述网络设备在经过预设时间段后出现故障的情况下，确定出所述网络设备的当前运行时刻；如果监测到所述网络设备出现故障，确定出所述网络设备出现故障的故障时刻；获取所述当前运行时刻与所述故障时刻之间的监测时间段；在确定所述监测时间段与所述预设时间段之间的差值小于预设阈值的情况下，将所述网络设备确定所述故障结果指示的故障设备。

在一个示例性实施例中，所述结果获取模块还用于：在确定所述故障结果为存在故障的情况下，确定出所述故障结果所指示的故障设备的设备类型；确定出具备所述设备类型的所有故障设备；根据为所述设备类型预设的设备处理措施对所述所有故障设备进行故障处理。

在一个示例性实施例中，所述结果获取模块还用于：在确定所述故障结果为存在故障的情况下，确定出所述故障结果所指示的故障设备的设备厂商；确定出属于具备所述设备厂商的所有故障设备；从所述设备厂商提供的出厂数据中确定出设备故障操作，按照所述设备故障操作对所述所有故障设备进行故障处理。

根据本申请实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述设备故障的处理方法。

根据本申请实施例的又一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述设备故障的处理方法。

通过本申请，可以对监测到的网络设备的运行数据进行特征提取，进而将目标维度的维度特征对应的目标分数阶编码排列熵值输入故障预测模型得到故障预测结果，基于预测结果进行故障处理。采用上述技术方案，解决了如何提高设备故障的处理效率的问题，进而可以实现提高设备故障的处理效率的效果。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示例性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是执行本申请实施例的设备故障的处理方法的计算机终端的硬件结构框图；

图2是根据本申请实施例的设备故障的处理方法的流程图；

图3是根据本申请实施例的故障预测模型训练过程的示意流程图；

图4是根据本申请实施例的设备故障的处理装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语和“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了更清楚的理解本申请的技术方案，以下对本申请实施例涉及的部分名词进行说明：

时间序列：表示由某一统计指标下的一系列数值组成的一组动态数列，并且这些数值的顺序根据其发生时间的先后进行排列。

信息熵：信息熵又称香农熵，信息熵是对时间序列所产生信息量的衡量，信息熵的值越大，说明该时间序列中蕴含的信息越多，其对应的系统也越复杂，反之亦然。

排列熵：基于一维时间序列进行相空间重构，然后对每个重构分量按照升序规则进行排序，得到每个重构分量的位置索引序列，最后基于各索引序列的排列模式计算该一维时间序列的信息熵，该值被定义为排列熵。排列熵的熵值与时间序列的复杂性之间存在某种对应关系，熵值越大，表明该时间序列越复杂，反之，则说明该时间序列越规则有序。

分数阶编码排列熵：针对排列熵的排列模式进行二次分区，构建编码矩阵并计算各编码模式的信息熵，将分数阶微积分概念引入到排列熵中，最终计算得到的熵值称之为分数阶编码排列熵。相较于排列熵算法，分数阶编码排列熵对于时间序列复杂性的表征更为敏感，能够更好地检测出时间序列的动态变化。

网络交换机：交换机是一种用于电(光)信号转发的网络设备。可以为接入交换机的任意两个网络节点提供独享的电信号通路。根据交换机工作位置的不同，可以划分为广域网交换机和局域网交换机。广域网交换机主要应用于电信领域，提供通信用的基础平台；局域网交换机主要应用于局域网络，用于连接终端设备，如计算机终端、打印机等。

本申请实施例中所提供的方法实施例可以在计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例，图1是执行本申请实施例的设备故障的处理方法的计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器(Microprocessor Unit，简称是MPU)或可编程逻辑器件(Programmable logic device，简称是PLD)和设置为存储数据的存储器104，在一个示例性实施例中，上述计算机终端还可以包括设置为通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示等同功能或比图1所示功能更多的不同的配置。

存储器104可设置为存储计算机程序，例如，应用软件的软件程序以及模块，如本申请实施例中的设备故障的处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输设备106设置为经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其设置为通过无线方式与互联网进行通讯。

在本实施例中提供了一种设备故障的处理方法，图2根据本申请实施例的设备故障的处理方法的流程图，该流程包括如下步骤：

步骤S202，确定出对网络设备进行监测得到的当前运行数据；

步骤S204，对所述当前运行数据进行特征提取，获得所述当前运行数据在目标维度下的维度特征；

步骤S206，将所述维度特征对应的目标分数阶编码排列熵值输入已经训练好的故障预测模型，其中，所述故障预测模型是以不同维度下的历史运行数据的分数阶编码排列熵值为输入样本，以所述历史运行数据对应的故障结果为输出样本进行训练的；

步骤S208，获取所述故障预测模型输出的故障结果，并对所述故障结果所指示的故障设备进行故障处理。

需要说明的是，在上述步骤S208中，针对特殊类型的故障，可以由运维人员手动进行处理。

通过上述步骤，确定出对网络设备进行监测得到的当前运行数据；对所述当前运行数据进行特征提取，获得所述当前运行数据在目标维度下的维度特征；将所述维度特征对应的目标分数阶编码排列熵值输入已经训练好的故障预测模型，其中，所述故障预测模型是以不同维度下的历史运行数据的分数阶编码排列熵值为输入样本，以所述历史运行数据对应的故障结果为输出样本进行训练的；获取所述故障预测模型输出的故障结果，并对所述故障结果所指示的故障设备进行故障处理。上述实施例解决了如何提高设备故障的处理效率的问题，进而可以实现提高设备故障的处理效率的效果。

在一个示例性实施例中，对于上述步骤S204中对所述当前运行数据进行特征提取，获得所述当前运行数据在目标维度下的维度特征的实现过程，具体包括：按照所述不同维度对所述当前运行数据进行分类，得到多组运行数据，其中，所述多组运行数据对应不同维度；从所述多组运行数据中确定出与所述目标维度对应的目标运行数据；对所述目标运行数据进行特征提取，得到所述目标运行数据对应的一维时间序列，将所述一维时间序列确定为所述维度特征，其中，所述一维时间序列包含N个以时间先后进行排序的序列值，所述N为正整数。

需要说明的是，在上述实施例中，N表示变量。

可选的，在上述实施例中，按照所述不同维度对所述当前运行数据进行分类包括：按照设备的生产厂商、型号对运行数据进行分类，其中，所述运行数据包括设备运行功率、设备运行的电流电压等数据。

在一个示例性实施例中，在执行上述步骤S206将所述维度特征对应的目标分数阶编码排列熵值输入已经训练好的故障预测模型之前，所述方法还包括以下步骤：步骤S11，获取对所述一维时间序列进行相空间重构得到的重构矩阵，其中，所述重构矩阵的嵌入维数为m，所述重构矩阵的时间延迟为τ，所述m为正整数，所述τ为正数；步骤S12，确定出所述重构矩阵对应的编码矩阵，其中，所述编码矩阵对应有m！·3

需要说明的是，在上述实施例中，m，τ均表示变量。

可选的，在上述实施例中，例如设一维时间序列为：

X＝{x(i)，i＝1，2，…，N} (1)，

其中，N为正整数，对公式(1)进行相空间重构得到重构矩阵，其表达式为：

在公式(2)中，m表示重构矩阵的嵌入维数，τ表示重构矩阵的时间延迟，n为正整数，i和j表示统计变量，每一行代表一个重构分量，即：

对重构分量

x(j+(k

在公式(4)中，k

S

m维相空间映射得到m！种排列模式，记录每一位置序列S

其中k＝1，…，m。将比较结果存储在矩阵C第j行的第2列至第(m+1)列，完成编码矩阵C的构造后，矩阵中的每一行表示一个编码序列。那么，对于嵌入维数为m的任意给定时间序列，对应的编码模式为m种。

在一个示例性实施例中，上述步骤S13中的分数阶编码排列熵值表示为：

可选的，在上述实施例中，通过对每种编码模式的个数进行统计计数，可以计算出各种编码模式的样本概率为：

将广义分数熵引入到编码排列熵，结合香农熵公式，得到分数阶编码排列熵计算公式如下：

其中，分数阶编码排列熵算法计算快速，抗噪性好，且对于时间序列的动态变化较为敏感，利用分数阶编码排列熵算法计算熵值并作为设备故障预测模型的特征值，可提高设备故障预测模型的准确率，改善故障预测模型的鲁棒性。

在一个示例性实施例中，在执行上述步骤S208对所述故障结果所指示的故障设备进行故障处理之前，所述方法包括：在确定所述故障结果用于指示所述网络设备在经过预设时间段后出现故障的情况下，确定出所述网络设备的当前运行时刻；如果监测到所述网络设备出现故障，确定出所述网络设备出现故障的故障时刻；获取所述当前运行时刻与所述故障时刻之间的监测时间段；在确定所述监测时间段与所述预设时间段之间的差值小于预设阈值的情况下，将所述网络设备确定所述故障结果指示的故障设备。

在本实施例中，预设时间段可以通过设备历史运行记录确定，例如统计历史运行数据的历史故障时间段，通过对历史故障时间段进行线性回归分析得到的回归预测值作为预设时间段。

在本实施例中，预设阈值理解为可以接受的允许误差范围，预设阈值可根据设备种类，设备可靠性进行调整，例如将预设阈值设置为10秒，1分钟等。

例如，设置预设时间段为1小时，预设阈值为5分钟。故障结果指示网络交换机在1小时后出现故障，实际监测到网络交换机在1小时3分钟后出现故障，监测时间段与预设时间段之间的差值为3分钟，则将上述网络交换机确定故障结果指示的故障设备。

可选的，在上述实施例中，若在所述故障结果指示的预设时间段后未出现故障，或者出现故障的时间段与预设时间段之间的间隔时间大于预设阈值，则对所述故障预测模型重新进行训练。

在一个示例性实施例中，对于上述步骤S208对所述故障结果所指示的故障设备进行故障处理的具体实现过程，包括：在确定所述故障结果为存在故障的情况下，确定出所述故障结果所指示的故障设备的设备类型；确定出具备所述设备类型的所有故障设备；根据为所述设备类型预设的设备处理措施对所述所有故障设备进行故障处理。

在一个示例性实施例中，对于上述步骤S208对所述故障结果所指示的故障设备进行故障处理的具体实现过程，还包括：在确定所述故障结果为存在故障的情况下，确定出所述故障结果所指示的故障设备的设备厂商；确定出属于具备所述设备厂商的所有故障设备；从所述设备厂商提供的出厂数据中确定出设备故障操作，按照所述设备故障操作对所述所有故障设备进行故障处理。

显然，上述所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。为了更好的理解上述设备故障的处理方法，以下结合实施例对上述过程进行说明，但不用于限定本申请实施例的技术方案，具体地：

在一个可选的实施例中，结合图3对故障预测模型的训练过程进行进一步说明，如图3所示：

步骤S301：对网络设备进行监测获取设备运行数据；

需要说明的是，在上述步骤S301中，可以通过历史检测日志或者实时检测日志获取设备运行数据，所述运行数据包括电源功率、风扇电压等数据，在获取运行数据之后可以通过设备生产厂商、设备型号等维度对数据分类后进行特征提取，其中，所述网络设备至少包括网络交换机；

步骤S302：从设备运行数据选取训练数据集；

步骤S303：计算上述训练数据集中的硬件指标数据的分数阶编码排列熵值以构建训练样本的特征向量集；

步骤S304：通过将上述训练样本的特征向量集输入至支持向量机中进行模型训练得到不同维度的故障预测模型；

步骤S305：从设备运行数据选取测试数据集；

步骤S306：计算上述测试数据集中的硬件指标数据的分数阶编码排列熵值以构建测试样本的特征向量集；

步骤S307：将上述测试样本的特征向量集输入至上述故障预测模型中进行验证；

需要说明的是，在上述步骤S307中，若验证的预测结果与实际结果误差较大，可对存在误差的维度对应故障预测模型重新进行训练。

步骤S308：根据目标维度的故障预测模型输出的故障结果进行故障处理，或者由运维人员手动处理。

通过上述步骤，可以实现对网络设备故障的提前预测，结合人工指导介入可以提前对网络设备进行修复，预防即将发生的设备故障，提升网络设备运行的稳定性，进一步的，还能减轻运维人员的监测压力，无需时刻关注设备监测数据，提升了运维效率。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例的方法。

在本实施例中还提供了一种设备故障的处理装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的设备较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图4是根据本申请实施例的一种设备故障的处理装置的结构框图；如图4所示，包括：

数据确定模块42，用于确定出对网络设备进行监测得到的当前运行数据；

特征获得模块44，用于对所述当前运行数据进行特征提取，获得所述当前运行数据在目标维度下的维度特征；

特征输入模块46，用于将所述维度特征对应的目标分数阶编码排列熵值输入已经训练好的故障预测模型，其中，所述故障预测模型是以不同维度下的历史运行数据的分数阶编码排列熵值为输入样本，以所述历史运行数据对应的故障结果为输出样本进行训练的；

结果获取模块48，用于获取所述故障预测模型输出的故障结果，并对所述故障结果所指示的故障设备进行故障处理。

通过上述装置，确定出对网络设备进行监测得到的当前运行数据；对所述当前运行数据进行特征提取，获得所述当前运行数据在目标维度下的维度特征；将所述维度特征对应的目标分数阶编码排列熵值输入已经训练好的故障预测模型，其中，所述故障预测模型是以不同维度下的历史运行数据的分数阶编码排列熵值为输入样本，以所述历史运行数据对应的故障结果为输出样本进行训练的；获取所述故障预测模型输出的故障结果，并对所述故障结果所指示的故障设备进行故障处理。上述实施例解决了如何提高设备故障的处理效率的问题，进而可以实现提高设备故障的处理效率的效果。

在一个示例性实施例中，所述特征获得模块44还用于：按照所述不同维度对所述当前运行数据进行分类，得到多组运行数据，其中，所述多组运行数据对应不同维度；从所述多组运行数据中确定出与所述目标维度对应的目标运行数据；对所述目标运行数据进行特征提取，得到所述目标运行数据对应的一维时间序列，将所述一维时间序列确定为所述维度特征，其中，所述一维时间序列包含N个以时间先后进行排序的序列值，所述N为正整数。

在一个示例性实施例中，所述特征输入模块46还用于：获取对所述一维时间序列进行相空间重构得到的重构矩阵，其中，所述重构矩阵的嵌入维数为m，所述重构矩阵的时间延迟为τ，所述m为正整数，所述τ为正数；确定出所述重构矩阵对应的编码矩阵，其中，所述编码矩阵对应有m！·3

在一个示例性实施例中，所述特征输入模块46基于所述m！·3

其中，H

在一个示例性实施例中，所述结果获取模块48还用于：在确定所述故障结果用于指示所述网络设备在经过预设时间段后出现故障的情况下，确定出所述网络设备的当前运行时刻；如果监测到所述网络设备出现故障，确定出所述网络设备出现故障的故障时刻；获取所述当前运行时刻与所述故障时刻之间的监测时间段；在确定所述监测时间段与所述预设时间段之间的差值小于预设阈值的情况下，将所述网络设备确定所述故障结果指示的故障设备。

在一个示例性实施例中，所述结果获取模块48还用于：在确定所述故障结果为存在故障的情况下，确定出所述故障结果所指示的故障设备的设备类型；确定出具备所述设备类型的所有故障设备；根据为所述设备类型预设的设备处理措施对所述所有故障设备进行故障处理。

在一个示例性实施例中，所述结果获取模块48还用于：在确定所述故障结果为存在故障的情况下，确定出所述故障结果所指示的故障设备的设备厂商；确定出属于具备所述设备厂商的所有故障设备；从所述设备厂商提供的出厂数据中确定出设备故障操作，按照所述设备故障操作对所述所有故障设备进行故障处理。

本申请的实施例还提供了一种存储介质，该存储介质包括存储的程序，其中，上述程序运行时执行上述任一项的方法。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：

S1，确定出对网络设备进行监测得到的当前运行数据；

S2，对所述当前运行数据进行特征提取，获得所述当前运行数据在目标维度下的维度特征；

S3，将所述维度特征对应的目标分数阶编码排列熵值输入已经训练好的故障预测模型，其中，所述故障预测模型是以不同维度下的历史运行数据的分数阶编码排列熵值为输入样本，以所述历史运行数据对应的故障结果为输出样本进行训练的；

S4，获取所述故障预测模型输出的故障结果，并对所述故障结果所指示的故障设备进行故障处理。

本申请的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，确定出对网络设备进行监测得到的当前运行数据；

S2，对所述当前运行数据进行特征提取，获得所述当前运行数据在目标维度下的维度特征；

S3，将所述维度特征对应的目标分数阶编码排列熵值输入已经训练好的故障预测模型，其中，所述故障预测模型是以不同维度下的历史运行数据的分数阶编码排列熵值为输入样本，以所述历史运行数据对应的故障结果为输出样本进行训练的；

S4，获取所述故障预测模型输出的故障结果，并对所述故障结果所指示的故障设备进行故障处理。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。