本發(fā)明涉及數(shù)據(jù)信息，具體是指一種基于雙活切換管控平臺(tái)的自動(dòng)化切換方法。

背景技術(shù)：

1、雙活切換管控平臺(tái)是一種用于管理雙活系統(tǒng)切換過程的軟件平臺(tái)，雙活切換管控平臺(tái)的作用在于監(jiān)控系統(tǒng)的運(yùn)行狀態(tài)、負(fù)載情況和故障情況，并在必要時(shí)自動(dòng)觸發(fā)系統(tǒng)切換，保證系統(tǒng)的高可用性和穩(wěn)定性；但是一般雙活切換管控平臺(tái)的自動(dòng)化切換方法中異常數(shù)據(jù)檢測(cè)模型存在結(jié)構(gòu)不靈活和不能處理更復(fù)雜的數(shù)據(jù)，從而導(dǎo)致模型抗異常性低及魯棒性弱的問題；一般雙活切換管控平臺(tái)的自動(dòng)化切換方法中參數(shù)優(yōu)化算法存在初始群體遍歷性低和多樣性差，導(dǎo)致收斂緩慢，搜索能力和準(zhǔn)確性差的問題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述情況，為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供了一種基于雙活切換管控平臺(tái)的自動(dòng)化切換方法，針對(duì)傳統(tǒng)異常數(shù)據(jù)檢測(cè)模型存在結(jié)構(gòu)不靈活和不能處理更復(fù)雜的數(shù)據(jù)，從而導(dǎo)致模型抗異常性低及魯棒性弱的問題，本方案利用基于核空間復(fù)雜性的混合相關(guān)熵，抑制異常值和非高斯分布的影響，而且具有更靈活的結(jié)構(gòu)，以處理更復(fù)雜的數(shù)據(jù)，增強(qiáng)檢測(cè)模型的抗異常性和魯棒性；針對(duì)一般參數(shù)優(yōu)化算法存在初始群體遍歷性低和多樣性差，導(dǎo)致收斂緩慢，搜索能力和準(zhǔn)確性差的問題，本方案通過利用正弦混沌映射生成的混沌序列和自適應(yīng)動(dòng)態(tài)權(quán)重因子，平衡全局和局部搜索能力，加快搜索算法的收斂速度，從而提高搜索效率和準(zhǔn)確性。

2、本發(fā)明采取的技術(shù)方案如下：本發(fā)明提供的一種基于雙活切換管控平臺(tái)的自動(dòng)化切換方法，該方法包括以下步驟：

3、步驟s1：數(shù)據(jù)采集；

4、步驟s2：數(shù)據(jù)預(yù)處理；

5、步驟s3：異常檢測(cè)模型建立；

6、步驟s4：獲取模型最優(yōu)超參數(shù)；

7、步驟s5：雙活切換管控平臺(tái)的自動(dòng)化決策。

8、進(jìn)一步地，在步驟s1中，所述數(shù)據(jù)采集是采集歷史數(shù)據(jù)；所述歷史數(shù)據(jù)包括系統(tǒng)狀態(tài)數(shù)據(jù)、網(wǎng)絡(luò)數(shù)據(jù)、雙活切換管控平臺(tái)日志數(shù)據(jù)和存儲(chǔ)數(shù)據(jù)；所述系統(tǒng)狀態(tài)數(shù)據(jù)包括cpu利用率、內(nèi)存利用率和盤空間使用情況；所述網(wǎng)絡(luò)數(shù)據(jù)包括網(wǎng)絡(luò)流量、帶寬利用率和網(wǎng)絡(luò)延遲數(shù)據(jù)；所述雙活切換管控平臺(tái)日志數(shù)據(jù)包括實(shí)時(shí)日志數(shù)據(jù)和歷史日志數(shù)據(jù)；所述存儲(chǔ)數(shù)據(jù)包括存儲(chǔ)空間利用率、存儲(chǔ)設(shè)備狀態(tài)和數(shù)據(jù)備份情況。

9、進(jìn)一步地，在步驟s2中，所述數(shù)據(jù)預(yù)處理對(duì)采集的數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)化、標(biāo)準(zhǔn)化處理和數(shù)據(jù)標(biāo)簽選擇；所述數(shù)據(jù)清洗是處理缺失值、異常值和重復(fù)值；所述數(shù)據(jù)轉(zhuǎn)換是將數(shù)據(jù)轉(zhuǎn)換為向量形式；所述標(biāo)準(zhǔn)化處理是基于最大最小歸一化方法對(duì)數(shù)據(jù)標(biāo)準(zhǔn)化處理；所述數(shù)據(jù)標(biāo)簽選擇是根據(jù)雙活切換管控平臺(tái)日志數(shù)據(jù)進(jìn)行選擇標(biāo)注，將雙活切換管控平臺(tái)的運(yùn)行狀態(tài)分為兩種標(biāo)簽，即運(yùn)行正常和運(yùn)行異常。

10、進(jìn)一步地，在步驟s3中，所述異常檢測(cè)模型建立具體包括以下步驟：

11、步驟s31：定義損失函數(shù)；結(jié)合混合相關(guān)熵得出；所用公式如下：

12、；

13、式中，j表示損失函數(shù)；c表示懲罰參數(shù)，用于控制損失函數(shù)梯度的縮放因子；n表示樣本數(shù)量；α表示控制兩個(gè)核函數(shù)之間權(quán)重分配的參數(shù)；σ1表示核函數(shù)的寬度；表示第i個(gè)訓(xùn)練樣本的預(yù)測(cè)輸出值；yi表示第i個(gè)訓(xùn)練樣本的目標(biāo)輸出值；v表示用來線性變換隱藏狀態(tài)的參數(shù)矩陣；

14、步驟s32：模型初建；包括以下步驟：

15、步驟s321：初始化模型參數(shù)；設(shè)置模型隱藏單元數(shù)量、輸入向量維度、輸出向量維度和訓(xùn)練迭代次數(shù)；

16、步驟s322：遺忘門計(jì)算過程；所用公式如下：

17、；

18、式中，ft表示遺忘門的輸出；xt表示是輸入數(shù)據(jù)；ht-1表示是上一時(shí)刻隱藏狀態(tài)；wxf和whf表示對(duì)應(yīng)遺忘門的權(quán)重矩陣；bf表示遺忘門的偏置項(xiàng)參數(shù)；σ表示sigmoid函數(shù)；

19、步驟s323：輸入門計(jì)算過程；所用公式如下：

20、；

21、式中，it表示輸入門的輸出；wxi和whi表示對(duì)應(yīng)輸入門權(quán)重矩陣；bi表示輸入門的偏置項(xiàng)參數(shù)；

22、步驟s324：計(jì)算新細(xì)胞單元狀態(tài)候選值，所用公式如下：

23、；

24、式中，wxc和whc表示對(duì)應(yīng)細(xì)胞單元狀態(tài)權(quán)重矩陣；bc表示細(xì)胞單元狀態(tài)的偏置項(xiàng)參數(shù)；

25、步驟s325：細(xì)胞單元狀態(tài)更新過程；所用公式表示如下：

26、；

27、式中，ct表示是當(dāng)前時(shí)刻細(xì)胞單元狀態(tài)；ct-1表示是上一時(shí)刻細(xì)胞單元狀態(tài)；

28、步驟s326：輸出門計(jì)算過程；所用公式如下：

29、；

30、式中，ot表示輸出門的輸出；wxo和who表示是對(duì)應(yīng)輸出門權(quán)重矩陣；bo表示輸出門的偏置項(xiàng)參數(shù)；

31、步驟s327：隱藏狀態(tài)計(jì)算過程；所用公式如下：

32、；

33、式中，tanh表示是雙曲正切函數(shù)；ht表示當(dāng)前時(shí)刻的隱藏狀態(tài)；

34、步驟s328：得到當(dāng)前時(shí)刻預(yù)測(cè)值；所用公式如下：

35、；

36、式中，bv表示預(yù)測(cè)值的偏置項(xiàng)參數(shù)；

37、步驟s33：梯度下降優(yōu)化；包括以下步驟：

38、步驟s331：計(jì)算損失函數(shù)關(guān)于參數(shù)矩陣v的梯度；所用公式如下：

39、；

40、式中，表示損失函數(shù)j對(duì)參數(shù)v的梯度；ht表示隱藏狀態(tài)矩陣的轉(zhuǎn)置；vt表示參數(shù)矩陣v的轉(zhuǎn)置；

41、步驟s332：計(jì)算損失函數(shù)關(guān)于偏置項(xiàng)bv的梯度；所用公式如下：

42、；

43、式中，表示損失函數(shù)j對(duì)偏置項(xiàng)bv的梯度；

44、步驟s333：計(jì)算隱藏狀態(tài)ht的梯度；所用公式如下：

45、；

46、式中，表示損失函數(shù)j對(duì)當(dāng)前時(shí)刻的隱藏狀態(tài)ht的梯度；ht+1表示下一個(gè)時(shí)刻的隱藏狀態(tài)；表示損失函數(shù)j對(duì)下一時(shí)刻隱藏狀態(tài)ht+1的梯度；

47、步驟s334：計(jì)算細(xì)胞單元狀態(tài)ct的梯度；所用公式如下：

48、；

49、式中，表示損失函數(shù)j對(duì)當(dāng)前時(shí)刻細(xì)胞單元狀態(tài)ct的梯度；ft+1表示下一個(gè)時(shí)刻t+1的遺忘門的輸出；

50、步驟s34：參數(shù)更新；基于計(jì)算得到的隱藏狀態(tài)和細(xì)胞單元狀態(tài)的梯度，更新異常檢測(cè)模型中的所有權(quán)重矩陣和偏置項(xiàng)，得到優(yōu)化后異常檢測(cè)模型；

51、步驟s35：迭代判定；監(jiān)控參數(shù)的梯度變化情況，若異常檢測(cè)模型收斂，則停止迭代訓(xùn)練，否則繼續(xù)迭代訓(xùn)練。

52、進(jìn)一步地，在步驟s4中，所述獲取模型最優(yōu)超參數(shù)具體包括以下步驟：

53、步驟s41：初始化參數(shù)；機(jī)群大小n，搜索機(jī)比例pn，觀察機(jī)比例sn；最大迭代次數(shù)t；維度d的搜索下限lbd和上限ubd；預(yù)警值r2；安全閾值st；

54、步驟s42：初始化種群；包括以下步驟：

55、步驟s421：生成n個(gè)混沌序列值，初始化隨機(jī)值z(mì)0；所用公式如下：

56、；

57、式中，表示第d維度第i個(gè)混沌序列值；表示第d維度第i+1個(gè)混沌序列值；

58、步驟s422：混沌序列值轉(zhuǎn)換搜索個(gè)體；公式表達(dá)如下：

59、；

60、式中，表示第i個(gè)體第d維度的初始化位置；

61、步驟s43：種群劃分：計(jì)算種群中個(gè)體適應(yīng)度值fi；將基于個(gè)體位置建立的異常檢測(cè)模型性能作為個(gè)體的適應(yīng)度值；將個(gè)體按適應(yīng)度值由優(yōu)至差進(jìn)行排序，劃分搜索機(jī)與僚機(jī)；找到具有最佳適應(yīng)度的個(gè)體fb及其位置xb，以及具有最差適應(yīng)度的個(gè)體fw及其位置xw；

62、步驟s44:獲取動(dòng)態(tài)自適應(yīng)權(quán)重；所用公式如下：

63、；

64、式中，a(t)表示根據(jù)正弦值計(jì)算的動(dòng)態(tài)自適應(yīng)權(quán)重參數(shù)；b(t)表示根據(jù)余弦值計(jì)算的動(dòng)態(tài)自適應(yīng)權(quán)重參數(shù)；t表示迭代次數(shù)；α和β都表示介于[0,1]范圍內(nèi)的隨機(jī)數(shù)；ω(t)表示動(dòng)態(tài)自適應(yīng)權(quán)重；

65、步驟s45：更新搜索機(jī)位置；所用公式如下：

66、；

67、式中，表示第i個(gè)體在第t+1代機(jī)群中的第d個(gè)維度位置；表示第i個(gè)體在第t代機(jī)群中的第d個(gè)維度位置；表示當(dāng)前迭代中最佳適應(yīng)度的對(duì)應(yīng)位置；α表示[0,1]范圍內(nèi)的隨機(jī)性參數(shù)；r2<st表示附近沒有敵機(jī)，處于安全位置；r2≥st表示附近有敵機(jī)，需換個(gè)區(qū)域降落；q表示服從正態(tài)分布的隨機(jī)數(shù)；表示種群隨機(jī)個(gè)體位置；是平滑項(xiàng)；

68、步驟s46：更新僚機(jī)位置；所用公式如下：

69、；

70、式中，t表示迭代次數(shù)；n表示個(gè)體的數(shù)量；表示機(jī)群在第t+1次迭代中具有最佳適應(yīng)度值的個(gè)體在維度d上的位置；a+表示維度偽逆矩陣，元素隨機(jī)分配1或-1；l表示所有元素均為1的向量；

71、步驟s47：更新觀察機(jī)位置；隨機(jī)選擇機(jī)群中10%個(gè)體作為觀察機(jī)，進(jìn)行位置更新；所用公式如下：

72、；

73、式中，表示機(jī)群在第t次迭代中具有最佳適應(yīng)度的個(gè)體在維度d上的位置；表示機(jī)群在第t次迭代中具有最差適應(yīng)度的個(gè)體在維度d上的位置；表示是均值為0、方差為1的標(biāo)準(zhǔn)正態(tài)分布隨機(jī)數(shù)；k表示是區(qū)間中均勻分布的隨機(jī)數(shù)[?1,1]；表示是避免分母為零的最小常數(shù)；

74、步驟s48：搜索判定，預(yù)先設(shè)有適應(yīng)度閾值，當(dāng)存在個(gè)體適應(yīng)度值高于適應(yīng)度閾值時(shí)，超參數(shù)搜索完成，個(gè)體位置即算法模型最優(yōu)參數(shù)，此時(shí)異常檢測(cè)模型建立完成；若達(dá)到最大迭代次數(shù)，則重新初始化機(jī)群位置；否則繼續(xù)更新位置。

75、進(jìn)一步地，在步驟s5中，所述雙活切換管控平臺(tái)的自動(dòng)化決策是基于建立完成的異常檢測(cè)模型；采集并輸入實(shí)時(shí)的系統(tǒng)狀態(tài)數(shù)據(jù)、網(wǎng)絡(luò)數(shù)據(jù)、雙活切換管控平臺(tái)日志數(shù)據(jù)和存儲(chǔ)數(shù)據(jù)；基于異常檢測(cè)模型的輸出結(jié)果，若輸出結(jié)果為異常，則對(duì)當(dāng)前的雙活切換管控平臺(tái)進(jìn)行故障報(bào)警，執(zhí)行雙活自動(dòng)切換操作；否則雙活切換管控平臺(tái)繼續(xù)保持原狀態(tài)。

76、采用上述方案本發(fā)明取得的有益效果如下：

77、（1）針對(duì)傳統(tǒng)異常數(shù)據(jù)檢測(cè)模型存在結(jié)構(gòu)不靈活和不能處理更復(fù)雜的數(shù)據(jù)，從而導(dǎo)致模型抗異常性低及魯棒性弱的問題，本方案利用基于核空間復(fù)雜性的混合相關(guān)熵，抑制異常值和非高斯分布的影響，而且具有更靈活的結(jié)構(gòu)，以處理更復(fù)雜的數(shù)據(jù)，增強(qiáng)檢測(cè)模型的抗異常性和魯棒性。

78、（2）針對(duì)一般參數(shù)優(yōu)化算法存在初始群體遍歷性低和多樣性差，導(dǎo)致收斂緩慢，搜索能力和準(zhǔn)確性差的問題，本方案通過利用正弦混沌映射生成的混沌序列和自適應(yīng)動(dòng)態(tài)權(quán)重因子，平衡全局和局部搜索能力，加快搜索算法的收斂速度，從而提高搜索效率和準(zhǔn)確性。