一种基于Boltzmann的模型神经网络预测的方法

技术领域

本发明属于神经网络预测领域，尤其涉及一种基于Boltzmann的模型神经网络预测的方法。

背景技术

Boltzmann机模型是1984年由Hinton等人提出的。实际上将随机扰动机制运用在Hopfield模型上就可形成Boltzmann机模型。Boltzmann机引入了统计物理学中的Boltzmann分布概率，并采用了所谓的模拟退火算法，使该模型可以在寻优过程中跳出局部极小点，从而在全局范围内找到最优解。对于优化问题的求解，Boltzmann机的工作过程实质上是能量优化的过程。解空间中的每一点代表一个解，不同的解有着不同的代价函数(即能量函数)值。所谓优化就是在解空间中寻找代价函数的最小(或最大)解。将模拟退火的方法应用到Boltzmann机的分析过程，就可求得能量全局的最优解。然而，现有的Boltzmann机模型网络与一般前向网络比较而言，Boltzmann机的网络拓扑结构没有明显的层次。

发明内容

为解决上述问题，本发明提供了如下方案：一种基于Boltzmann的模型神经网络预测的方法，包括：

通过Boltzmann机模型创建具有对称连接权的随机神经网络，并对所述随机神经网络部署日志服务器；

利用所述日志服务器的日志对Boltzmann机的网络拓扑结构进行分层处理，获得第一矩阵和第二矩阵；

将所述第一矩阵和第二矩阵分别放入Boltzmann机状态转移的马尔可夫链进行预测，若预测值差值小于10％加权平均，则矩阵预测值为最终预测值；若预测值差值大于10％加权平均，则取矩阵数据占核心业务数据占比高的为最终预测值。

优选地，所述随机神经网络的神经元节点包括神经元输出v＝0的第一状态和神经元输出v＝1的第二状态；

当神经元的激活函数值发生变化时，引起神经元节点的状态更新，所述状态更新在各个神经元节点之间是异步的、随机的。

优选地，当任意神经元节点i进行状态更新时，下一状态为1的概率为：

其中，T表示网络的温度参数，取正值；

A

下一状态为0的概率为：

p

其中，w

优选地，利用所述日志服务器的日志对Boltzmann机的网络拓扑结构进行分层处理包括，

利用日志服务器应用数据的关联关系挖掘应用服务拓扑，并与网络拓扑关联，获得第一矩阵。

优选地，所述应用服务拓扑用于记录不同服务器之间以及不同种类指标之间的关系；还用于对重要信息流/连接/链路进行主动/被动监测，获取网络资源状态。

优选地，所述种类指标包括业务、应用、板卡；

所述板卡包括服务器CPU、内存、磁盘。

优选地，利用所述日志服务器的日志对Boltzmann机的网络拓扑结构进行分层处理还包括，

从每个服务的日志中挖掘基于应用服务拓扑关系的数据集合，获得拓扑数据集合；

基于所述拓扑数据集合获取组网单元的运维情况，根据所述组网单元的运维情况生成第二矩阵。

优选地，所述拓扑数据集合用于记录不同时间维度，服务器与数据库、板卡与中间件、服务器板卡之间及板卡之间的监测数据及运行健康状况。

优选地，将所述第一矩阵和第二矩阵分别放入Boltzmann机状态转移的马尔可夫链进行预测具体通过马尔可夫链的一步转移概率矩阵进行预测；

所述马尔可夫链的一步转移概率矩阵的公式表达式为：

式中，考虑给定系统的一组状态S0，S1，…，Sm1，这些状态已知转移概率p(表示在状态S1后出现状态S1的概率)一个接一个地出现，系统的状态变化用p构成的m×m矩阵表示，∑pB＝1，p1≥0；i，j＝1，2，…，m-1。

与现有技术相比，本发明具有如下优点和技术效果：

本发明所提供的基于Boltzmann的模型神经网络预测的方法，通过部署日志服务器可以防止在一些提供全球服务的大型系统中，每日日志数据的量可能达到数十tB(TBs)的情况。创新性的采用日志分层处理弥补了Boltzmann机的网络拓扑结构没有明显层次的不足，在组网的海量数据处理时既保证了数据处理时效性，又突出了人工智能在大数据处理领域的地位。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意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为本发明实施例的方法流程示意图；

图2为本发明实施例的三节点Boltzmann机的结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

如图1所示，本发明所提供的一种基于Boltzmann的模型神经网络预测的方法，包括以下步骤：

步骤一、首先，采用Boltzmann机模型创建具有对称连接权的随机神经网络，并对所述随机神经网络部署日志服务器。由于与一般前向网络比较而言，Boltzmann机的网络拓扑结构没有明显的层次。因此，部署日志服务器可以防止在一些提供全球服务的大型系统中，每日日志数据的量可能达到数十tB(TBs)的情况。然后将收到的数据分为两层进行分析，具体如下：

第一层，利用日志服务应用数据的关联关系挖掘应用服务拓扑，并与网络拓扑关联，获得第一矩阵。应用服务拓扑记录了不同的服务器之间，业务、应用、板卡三类指标之间的关系。同时，还对重要信息流/连接/链路进行主动/被动监测，力求在减少网络监测开销的基础上准确获取网络资源状态。其中，网络设备有多个板卡，每个板卡包括服务器CPU、内存、磁盘。

第二层，从每个服务的日志中挖掘一个基于第一层应用服务拓扑关系的数据集合，称为拓扑数据集合。拓扑数据集合中的数据记录了不同时间维度，服务器与数据库、板卡与中间件、服务器板卡之间及板卡之间的监测数据及运行健康状况。然后基于拓扑数据集合获取组网单元的运维情况，根据组网单元的运维情况生成第二矩阵。

进一步地优化方案，Boltzmann机技术原理的具体描述：

Boltzmann机是具有对称连接权的随机神经网络，每个神经元节点有两个状态，即神经元的输出v为v＝0或v＝1，称之为二值神经元。当神经元的激活函数值发生变化时，将引起节点状态更新，这种更新在各个节点之间是异步的、随机的。当任意节点i进行状态更新时，下一状态为1的概率为

其中，T表示网络的温度参数，取正值；

A

下一状态为0的概率为：

p

一般情况下，当激活函数A

此外，概率分布曲线的弯曲程度与温度T的大小有关，温度越高，曲线越平缓，状态变化越容易；相反，温度越低，曲线越陡峭，状态变化越难。尤其当温度趋于0(T→0)时，概率分布曲线近似于单位阶跃函数。单元的激活函数性质就基本上被该概率函数描述，因为p(T＝0)基本上等价于一个阈值函数。在此情况下，Boltzmann机与离散Hopfield网络等价。

下面举例说明温度变化对网络状态转移关系的影响。

假设一个三节点Boltzmann机，如图2所示。网络参数为：

W

θ

试确定温度T＝0.5和T＝1时网络的状态转移关系。

首先，计算某一状态下各节点单元的激活函数值。以状态V

表1

由每个状态可以转移到其他相应的3个状态。因为任何时刻每个节点具有相同的状态变化概率，如状态(011)转移到(111)的概率为p1(1)/3。总之，如果某一状态是由第i个节点的激发变化所致，那么当状态中v＝1时，达到这一状态的总概率为p(1)/3；当状态中v＝0时，达到这一状态的概率为p(0)/3。

状态转移概率可用一个统一式表达为：

状态保持不变的概率可按下式求得

根据上述两个公式就可以确定在不同温度下，各状态转移到其他状态的概率。可见，温度的引入使原有HNN中(011)状态的转移概率分布发生了一定变化，不仅可以向低能态转移，而且有机会由低能态向高能态转移。当温度较高时，转移到其他状态的概率分别接近1/6。

步骤二、获取上一步分层后的日志生成两个矩阵分别放入Boltzmann机状态转移的马尔可夫链预测。如果预测值差值小于10％加权平均，则两个矩阵预测值为最终预测值。反之取矩阵数据占核心业务数据占比高的为最终预测值。

用图示方法描述网络的状态转移关系是复杂的、不现实的，本实施例利用随机过程中的马尔可夫链来表达这一关系。马尔可夫链是时间和状态都离散的马尔可夫过程。考虑给定系统的一组状态S0，S1，…，Sm1，这些状态以已知转移概率p(表示在状态S1后出现状态S1的概率)一个接一个地出现，该系统的状态变化可用p构成的m×m矩阵表示：

式中，∑pB＝1，p1≥0；i，j＝1，2，…，m-1，这是一个每行元素之和为1的非负元素矩阵，称为马尔可夫链的一步转移概率矩阵。

本发明所提供的基于Boltzmann的模型神经网络预测的方法，通过部署日志服务器可以防止在一些提供全球服务的大型系统中，每日日志数据的量可能达到数十tB(TBs)的情况。创新性的采用日志分层处理弥补了Boltzmann机的网络拓扑结构没有明显层次的不足，在组网的海量数据处理时既保证了数据处理时效性，又突出了人工智能在大数据处理领域的地位。

以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。