陳園瓊　孟玉佳　李智豪

關(guān)鍵詞：機(jī)器學(xué)習(xí)；故障診斷；分布式系統(tǒng)

中圖分類號：TP181 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2024）03-0022-03

0 引言

大數(shù)據(jù)時代，分布式系統(tǒng)成為信息存儲和處理的主流系統(tǒng)，Cassandra、MongoDB、HBase等系統(tǒng)應(yīng)運(yùn)而生，通過水平擴(kuò)展和分區(qū)存儲等技術(shù)，滿足了大規(guī)模數(shù)據(jù)管理和訪問的需求。相對于傳統(tǒng)系統(tǒng)而言，分布式系統(tǒng)更為龐大和復(fù)雜，故障發(fā)生的平均概率比較高。因此，如何對分布式系統(tǒng)進(jìn)行高效、準(zhǔn)確的運(yùn)維，成為保障信息系統(tǒng)高效、可靠運(yùn)行的關(guān)鍵問題。

傳統(tǒng)的故障診斷是通過人工經(jīng)驗(yàn)來進(jìn)行檢測的， 需要耗費(fèi)巨大的人力和時間[1]，無法應(yīng)對系統(tǒng)復(fù)雜性的問題。隨著機(jī)器學(xué)習(xí)技術(shù)的飛速發(fā)展，研究者們開始探索將機(jī)器學(xué)習(xí)引入故障診斷領(lǐng)域[2]。一些研究在單一節(jié)點(diǎn)[3]上取得了顯著成果，但在真實(shí)的分布式環(huán)境中，涉及的問題更為復(fù)雜。盡管有關(guān)分布式故障診斷的研究[4]正在逐漸增多，但仍然存在對大規(guī)模系統(tǒng)的有效建模、實(shí)時性要求和模型可解釋性等方面的挑戰(zhàn)。該系統(tǒng)的目標(biāo)是設(shè)計(jì)和實(shí)現(xiàn)一種基于機(jī)器學(xué)習(xí)的分布式的故障診斷系統(tǒng)，并提供了對原始數(shù)據(jù)特征的預(yù)處理、特征提取和對故障的分類，以提高系統(tǒng)故障診斷的準(zhǔn)確性和實(shí)時性。

1 實(shí)驗(yàn)環(huán)境

1.1 數(shù)據(jù)來源

本研究所有的數(shù)據(jù)來自中國軟件杯設(shè)計(jì)大賽中的訓(xùn)練、驗(yàn)證和測試數(shù)據(jù)集（http：//www.cnsoftbei.com/software/bstm/A/824.html） 。該訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集包含了分布式數(shù)據(jù)庫[5]的故障特征數(shù)據(jù)和標(biāo)簽數(shù)據(jù)，其中特征數(shù)據(jù)是系統(tǒng)發(fā)生故障時的KPI 指標(biāo)數(shù)據(jù)，KPI 指標(biāo)包括由feature0、feature1 ...feature106 共107個指標(biāo)，標(biāo)簽數(shù)據(jù)為故障類別數(shù)據(jù)，共6個類別，用0、1、2、3、4、5分別表示6個故障，其中0類別為正常類別，具體的故障部分?jǐn)?shù)據(jù)集信息見表1，而測試集是只有特征而沒有標(biāo)簽的數(shù)據(jù)集，用于預(yù)測故障的屬于哪個類別。

2 實(shí)驗(yàn)過程

2.1 數(shù)據(jù)處理

特征數(shù)據(jù)的預(yù)處理主要采取了機(jī)器學(xué)習(xí)中的數(shù)據(jù)清洗、歸一化、欠采樣和標(biāo)準(zhǔn)化處理等方法。

1） 針對特定列的缺失值進(jìn)行了數(shù)據(jù)清洗，并計(jì)算每列的眾數(shù)，然后使用該列的眾數(shù)填充指定的列的缺失值，對整個數(shù)據(jù)集使用均值填充剩余的缺失值，并調(diào)整標(biāo)簽序列如表2所示，確保模型在訓(xùn)練過程中能夠充分利用可用的數(shù)據(jù)信息。

2） 通過歸一化處理確保數(shù)據(jù)在相同的尺度范圍內(nèi)，避免某些特征對模型訓(xùn)練的影響過大。

3） 由于數(shù)據(jù)類別較為不平衡，這種數(shù)據(jù)分布可能在故障診斷的時候造成一定的影響，因此，根據(jù)欠擬合原理，用RandomUnderSampler對數(shù)據(jù)進(jìn)行欠采樣，以解決數(shù)據(jù)類別不平衡的問題，使得每個類別的樣本數(shù)量較為均衡。

4） 采用數(shù)據(jù)標(biāo)準(zhǔn)化的計(jì)算方法，通過應(yīng)用一個lambda函數(shù)，對數(shù)值特征進(jìn)行標(biāo)準(zhǔn)化處理。將每個特征值減去其均值并除以標(biāo)準(zhǔn)差，公式如下：X* = x - μ/σ ，以使特征值的尺度更加一致，并將整個訓(xùn)練集以及驗(yàn)證集的數(shù)據(jù)都放入了一個文件里面，用這個文件來當(dāng)作訓(xùn)練集來訓(xùn)練。

2.2 基于XGBoost 算法的故障診斷系統(tǒng)

該系統(tǒng)基于中國軟件杯平臺給出的故障數(shù)據(jù)集，提出了一種基于XGBoost的故障診斷系統(tǒng)，提供了對故障的分類。首先對原始的數(shù)據(jù)特征進(jìn)行預(yù)處理和特征提取，設(shè)計(jì)一個基礎(chǔ)的XGBoost模型，設(shè)置模型的參數(shù)，對模型進(jìn)行訓(xùn)練，在訓(xùn)練過程中逐步對參數(shù)進(jìn)行優(yōu)化和泛化處理，最后生成故障診斷模型。該系統(tǒng)提出的基于XGBoost算法的故障診斷模型建模流程，如圖1所示。

故障診斷模型建立之后，結(jié)合系統(tǒng)平臺對模型進(jìn)行測試，該系統(tǒng)平臺實(shí)現(xiàn)了訓(xùn)練模型、驗(yàn)證模型、下載模型、模型添加和故障服務(wù)等多方面功能，通過平臺給出的測試集作為模型的新的數(shù)據(jù)集，實(shí)現(xiàn)故障的分類，得出分類結(jié)果，并進(jìn)行可視化展示。

3 結(jié)果與分析

3.1 預(yù)測結(jié)果

選取已經(jīng)預(yù)處理的驗(yàn)證集對XGBoost模型進(jìn)行驗(yàn)證，驗(yàn)證結(jié)果得出故障各個類別的F1_score值分別為0.93、0.84、0.85、0.94、0.97、0.95，該系統(tǒng)的集成學(xué)習(xí)模型 XGBoost 的預(yù)測準(zhǔn)確性高達(dá) 91%，預(yù)測結(jié)果的分類數(shù)據(jù)報告如表3所示。

其中，Precision（精確度）表示模型在每個類別中的預(yù)測準(zhǔn)確性，Recall（召回率）則衡量模型識別每個類別的能力。F1-score綜合了Precision 和Recall，提供了對模型整體性能的評估。支持度（Support） 代表每個類別在數(shù)據(jù)集中的實(shí)際樣本數(shù)量?？傮w準(zhǔn)確度（Accuracy） 表示模型正確分類的樣本比例。Macro avg 對每個類別的指標(biāo)進(jìn)行算術(shù)平均，而Weighted avg則根據(jù)每個類別樣本量的權(quán)重進(jìn)行平均，提供了對整體性能更全面的評估。

3.2 對比分析

為了驗(yàn)證XGBoost模型的可行性和有效性，采取邏輯回歸算法和隨機(jī)森林算法[7]進(jìn)行對比實(shí)驗(yàn)。通過趨勢分析圖（如圖2）可以看出，XGBoost模型在數(shù)據(jù)集上的表現(xiàn)呈現(xiàn)出一種上升趨勢，而邏輯回歸和隨機(jī)森林模型的表現(xiàn)則相對較為波動。

經(jīng)過多次實(shí)驗(yàn)，從表4中的結(jié)果可以得到，該系統(tǒng)的集成學(xué)習(xí)模型XGBoost 模型的預(yù)測準(zhǔn)確性高達(dá)91%，隨機(jī)森林（RandomForest） 模型和邏輯回歸（Logis?ticsRegression） 模型的預(yù)測準(zhǔn)確率分別為88%和80%，邏輯回歸模型在故障類別2中準(zhǔn)確率只有55%，而在XGBoost模型中準(zhǔn)確率達(dá)到了84%，其余故障類別也同樣得到了提升?？傮w來看，XGBoost相較于邏輯回歸和隨機(jī)森林，呈現(xiàn)出更為一致且卓越的性能，特別在面對極端或難以分類的故障情形下表現(xiàn)更為出色。

4 結(jié)論

本研究采用XGBoost算法構(gòu)建了故障診斷系統(tǒng)，該算法通過整合多個弱學(xué)習(xí)器，形成了一個強(qiáng)大的學(xué)習(xí)模型。通過對真實(shí)數(shù)據(jù)集的實(shí)驗(yàn)和分析，驗(yàn)證了該系統(tǒng)的卓越性和可行性。實(shí)驗(yàn)結(jié)果表明，基于XGBoost 模型的故障診斷系統(tǒng)具有較高的準(zhǔn)確，能夠快速識別出異常數(shù)據(jù)和故障，并實(shí)現(xiàn)準(zhǔn)確的分類。接下來的研究將聚焦在人工智能對故障的診斷[8]，以及特征工程、模型訓(xùn)練和參數(shù)優(yōu)化等方面，通過更精細(xì)的特征選擇、交叉驗(yàn)證、超參數(shù)調(diào)整等手段，可以使故障診斷模型更加準(zhǔn)確和穩(wěn)健，以適應(yīng)更多實(shí)際場景的應(yīng)用。

【通聯(lián)編輯：謝媛媛】