李盛新，葉豐華，李道童，張秀波，韓紅瑞

(浪潮電子信息產業(yè)股份有限公司，濟南 250101)

0 引言

隨著我國計算機行業(yè)的空前發(fā)展，大數據、互聯網+、云計算等新興行業(yè)技術經過不斷研究得到了廣泛的應用。服務器隨著這些信息技術的發(fā)展，在各領域得到了越來越廣泛的應用，如軍事、醫(yī)療、銀行、互聯網等領域[1-2]。若服務器底層硬件發(fā)生故障造成非預期的暫時停機，可能會導致數據丟失、應用中斷等后果[3-4]。這就要求服務器具備高效率的故障診斷、檢測和預警等技術的支持。因此，研究服務器硬件故障預警技術，建立底層業(yè)務類硬件故障預測模型，對提高服務器的可靠性、可用性具有重要的實用價值[5]。近年來，人工智能算法在各個科研工程領域的研究成果斐然，主要包括神經網絡、仿生尋優(yōu)算法、決策樹、支持向量機等[6-9]，其高效的非線性數據擬合能力為服務器硬件故障預警提供了有效途徑。尤其人工神經網絡(ANNs，artificial neural networks)在工程應用和理論研究中都是非常熱門的智能算法，被視為一個大規(guī)模、非線性化的數據融合處理系統(tǒng)，具有不受模型約束、學習能力強等優(yōu)點。

文獻[10]基于智能算法提出一種使用時間序列聚類檢測服務器異常的方法，該方法雖然能夠檢測整個服務器系統(tǒng)是否異常，而無法定位檢測服務器異常硬件，尤其是晶體管密度及規(guī)模小的器件。同時，時間序列聚類智能算法在可靠性方面存在一定劣勢，不適用于服務器這種對可靠性要求極高的系統(tǒng)。ANNs作為一個多學科交叉的前沿技術，正向模擬人類認知的道路上更加深入發(fā)展，其與模糊系統(tǒng)、元啟發(fā)式優(yōu)化算法等結合對自身網絡結構進行優(yōu)化是一個重要研究方向[11]。自適應神經模糊推理系統(tǒng)(ANFIS，adaptive neuro fuzzy inference system)充分利用了ANNs和模糊推理系統(tǒng)(FIS，fuzzy inference system)二者的優(yōu)良特性，與傳統(tǒng)智能算法相比[12-13]，它的結構更復雜，計算能力更高，具有如下優(yōu)點：1) 收斂速度更快；2)泛化能力更強；3)映射關系更穩(wěn)定，即訓練結果不隨訓練數據輸入的順序而改變。傳統(tǒng)的ANFIS采用了梯度下降法對隸屬度參數進行調整。這種方法在每一步梯度計算時都可能會出現局部最小值的問題，這會導致無法得到最優(yōu)的模型輸入和輸出數據之間的映射關系，最終造成服務器硬件故障預警的誤判和漏判問題的產生。

元啟發(fā)式優(yōu)化算法是隨機算法與局部搜索算法相結合的產物[14-16]，通過采用一定的策略接收相對劣質解從而避免陷入局部最優(yōu)。但現有的許多元啟發(fā)式算法由于其自身的搜索策略設置，應用于實際搜索時存在相應的缺點，如蟻群優(yōu)化算法計算量大耗時長、模擬退火算法收斂速度慢且需手動增加迭代次數等。粒子群優(yōu)化(PSO，particle swarm optimization)由于其搜索速度快、建模簡單的特性被廣泛應用[17]，但其精度不高且在迭代后期粒子的速度受到一定限制不容易收斂[18]。2004年Sun等人[19]利用量子力學中的相關理論知識，提出了量子行為粒子群優(yōu)化(QPSO，quantum-behavior particle swarm optimization)算法，參數設置比PSO算法少，在搜索能力上也更優(yōu)。然而QPSO算法也無法突破粒子群迭代更新后期，種群粒子的多樣性必然減少的限制[20]，最終導致其對搜索全局最優(yōu)解的穩(wěn)定性不強。文獻[21]結合遺傳算法(GA，genetic algorithm)與BP神經網絡提出了云服務器請求量預測模型，實驗證明具有不錯的穩(wěn)定性和準確性。GA在全局最優(yōu)解的搜索上具有高效性，但該方法存在局部搜索能力弱，群體成熟早、效率低的問題，并不適用于單獨搜索ANFIS隸屬度參數。

基于上述分析，為獲得更精確、更高效服務器預警模型[22]，本文提出一種改進的QPSO(IQPSO，improved QPSO)算法，并借鑒GA中的交叉變異思路設計一種新的混合元啟發(fā)算法IQPSO-GA對ANFIS參數進行搜索，構造IQPSO-GA-ANFIS模型結構，以獲得更優(yōu)的模型預測能力，進而實現服務器故障預警功能。本文其余部分組織如下：第1節(jié)介紹了ANFIS結構及參數訓練過程；第2節(jié)提出了IQPSO算法，并描述了IQPSO-GA混合元啟發(fā)式優(yōu)化算法的實現步驟；第3節(jié)給出了基于IQPSO-GA調整ANFIS參數的流程方法；第4節(jié)通過實驗數據驗證了所提方法建立預警模型的優(yōu)越性；在第5節(jié)給出了本文的結論。

1 故障預警模型的建立

1.1 設置模型參數

當前業(yè)界應用的服務器硬件檢測和預警技術主要有指標監(jiān)控、日志分析、人工巡檢、預測模型4種方法，其中前3種方法只是檢測服務器的可觀測指標參數，不具備實質上的預警意義。預測模型方法是通過歷史數據建立預測模型，由于服務器的硬件組成具備多樣性，且其中存在大量復雜非線性問題，使其在實際應用中還不夠成熟[23]。如在服務器運行狀態(tài)下AI加速卡、以太網卡、RAID卡等電路單元重復性低，晶體管密度及規(guī)模小的器件，由于能夠監(jiān)測的參數不多，導致不容易尋找到合適的預警規(guī)律。

服務器中各部件單位時間內所處理的信息量、部件的能耗(或端電流變化)和部件溫度是與硬件工作相關的重要參數。信息量是指數據中包含的有效信息的多少，不同的業(yè)務數據處理模式可能會產生不同的信息量；能耗是指服務器中各部件在處理數據時所消耗的電能，它與信息量有一定的關系，一般來說處理更多或更復雜的信息需要更高的能耗；溫度是指服務器中各部件在運行時所產生的熱量，消耗更多電能會導致溫度上升。在部件正常工作時，實時監(jiān)測不同業(yè)務類型下的單位時間所處理的業(yè)務數據信息量進行離散化取值，并實測對應時間內的部件能耗以及溫度變化信息。通過分析這些參數信息的變化規(guī)律以及響應的實時性，對它們進行標準化處理得到各業(yè)務類型下的樣本數據集。本文擬使用ANFIS對服務器不同業(yè)務模式下的數據集進行訓練建模，并使用訓練好的參考模型對硬件參數進行監(jiān)測，一旦某一部件參數與參考模型輸出值相比較持續(xù)異常，則對該部件進行硬件異常預警。

1.2 ANFIS結構及參數訓練過程

ANFIS是一種實用的人工智能方法，它模仿人類思維來解決不確定問題，具有強大的智能化數據關聯、分類和推理能力。作為一種數據學習技術，ANFIS使用模糊邏輯將高度互聯的神經網絡處理函數和輸入特征信息轉換為所需的輸出。ANFIS結構如圖1所示，圓圈表示固定節(jié)點，正方形表示自適應節(jié)點。ANFIS的結構由五層組成，從輸入到輸出分別為模糊層、規(guī)則層、歸一化層、去模糊層和輸出層。

圖1 ANFIS的結構

在ANFIS中，隸屬度函數的參數是通過樣本數據集進行訓練確定的，隸屬度函數相互組合或交互的方式稱為規(guī)則，這些規(guī)則分為前件參數和后件參數[24]，其if-then形式的規(guī)則描述如下：

規(guī)則 1：

ifx=A1，y=B1，z=C1

thenf1=m1x+p1y+q1z+r1

規(guī)則 2：

ifx=A2，y=B2，z=C2

thenf2=m2x+p2y+q2z+r2

規(guī)則 3：

ifx=A3，y=B3，z=C3

thenf3=m3x+p3y+q3z+r3

式中，x、y和z是節(jié)點的輸入；f為輸出；Ai、Bi和Ci分別為與輸入x、y和z有關的模糊集合，i=1，2，3；mi、pi、qi和ri是結果參數，通常稱為后件參數。

第一層：該層稱為模糊層，節(jié)點函數為隸屬度函數，輸出值O1，i可以表示為：

(1)

式中，O1，i為該層輸出值；n為輸入信號數量；μAi、μBi和μCi為廣義鐘形隸屬函數(gbellmf)，定義為：

(2)

式中，ai、bi和ci為前件參數。

第二層：該層稱為規(guī)則層，節(jié)點標記為Π。輸出值O2，i是通過所有輸入成員函數相乘來計算得到的。

O2，i=wi=μAi(x)μBi(y)μCi(z)，i= 1，2，…，n

(3)

式中，wi表示第i條規(guī)則的激勵強度。

第三層：該層稱為歸一化層，節(jié)點標記為N。將前一層的輸出結果做歸一化處理，輸出值O3，i是處理后的激勵強度。

(4)

第四層：該層稱為去模糊層，在歸一化的激勵強度和結果函數之間創(chuàng)建一個自適應關聯函數，O4，i是第三層和第一層的值的乘積。

(5)

式中，mi、pi、qi和ri是結果參數，通常稱為后件參數。

第五層：該層稱為輸出層，標記為∑。它以所有輸入信號的總和來計算總輸出。

(6)

ANFIS中的模糊隸屬度函數參數(包括前件參數和后件參數)是通過大量已知數據生成初始模糊模型再進行訓練獲得的。在該過程中常用的算法為最小二乘估計(LSE，least squares estimate)方法與梯度下降(GD，gradient descent)法結合的混合算法LSE-GD。

通過這種迭代自適應學習過程對ANFIS進行訓練，FIS的前件和后件參數能夠被優(yōu)化調整，最后確定能夠擬合訓練數據集的隸屬度函數參數值。在每次迭代訓練中，實際輸出與預期輸出之間的誤差可以被減小，當達到預定的訓練次數或錯誤率時停止訓練過程[25]。

2 IQPSO-GA混合元啟發(fā)式優(yōu)化算法

在ANFIS模型中LSE-GD為基于導數的優(yōu)化算法，極易陷入局部最優(yōu)。元啟發(fā)式算法在迭代過程引入隨機變量，因此有一定概率可以跳出局部最優(yōu)解，這是其與梯度下降或牛頓拉夫遜迭代最主要的區(qū)別。本文提出了一種混合元啟發(fā)算法IQPSO-GA，能夠準確且穩(wěn)定地獲取全局最優(yōu)解。

2.1 標準的QPSO算法

PSO算法的進化過程從隨機解或粒子群的選擇開始，每個粒子根據自身的速度、個體極值和全局極值更新自己的速度和位置。粒子的速度與位置的更新由如下方程確定：

(7)

式中，ω為慣性權重，其在算法的全局搜索和局部搜索中起著關鍵的平衡作用；vi，t表示種群中第i個粒子在第t次迭代時的速度向量。xi，t表示第i個粒子在第t次迭代時的位置向量；Pi，t-1為第i個粒子個體最優(yōu)位置；Gt-1為整個種群的全局最優(yōu)位置；c1和c2為加速度常數；r1和r2為[0，1]之間服從均勻分布的隨機數。

PSO算法在迭代后期，粒子的速度受到一定限制，不能保證全局收斂。QPSO算法是在標準PSO算法的基礎之上，引入量子理論建立的尋優(yōu)進化算法。主要思想是結合量子行為修改PSO算法中粒子更新位置的方式，具有量子行為的粒子在滿足種群空間范圍的條件下擁有更加廣泛的搜索尋優(yōu)能力[26]。在QPSO中，粒子位置由以下方程確定：

(8)

(9)

(10)

式中，Mbestt表示在第t次迭代時所有粒子最優(yōu)位置的平均值；N為種群粒子數；D為粒子維度；pij，t為Pij，t和Gj，t之間的隨機位置；Pij，t表示種群第i個粒子的第j維在第t次迭代時的最優(yōu)位置；Gj，t表示種群的全局最優(yōu)解的第j維位置；φ1，φ2和uij，t均為[0，1]之間的隨機數；xij，t表示第i個粒子的第j維在第t次迭代時的位置；βt為收縮-擴張系數，是用以控制QPSO算法收斂速度的重要參量，通常采用線性減小的方法變化。

βt=0.5(tmax-t)+0.5

(11)

式中，t表示當前迭代次數，tmax表示設定的最大迭代次數。

2.2 改進的QPSO算法

QPSO引入了Mbestt和pij，t的概念，提高了粒子間的協(xié)同工作和全局搜索能力，但同時也會影響到粒子的全局搜索效率。為提高粒子搜索效率，我們從粒子最優(yōu)位置和收縮-擴張系數兩方面對粒子位置進行調整。設置第t次迭代時所有粒子最優(yōu)位置的加權平均值。

(12)

式中，αij，t為每個粒子的權重系數，設置如下

(13)

式中，FGj，t表示全局最優(yōu)解Gt的第j維對應粒子適應度函數值，Fij表示第i個粒子的第j維的適應度函數值。這樣，便可根據全局解和適應度函數值對粒子位置進行調整。

βt為QPSO算法中要控制的參數，在算法運行初期，βt值較大，收斂速度較慢，具有全局搜索能力，而局部搜索能力相對較弱；隨著迭代次數的增加，βt值逐漸減小，收斂速度加快，其全局搜索能力相對減弱，而局部搜索能力相對增強[27]。然而在實際應用中，收縮-擴張系數的這種調整方法并不能根據執(zhí)行過程進行合理的變化，因此需要采用自適應方法調整參數，得到IQPSO算法。

定義誤差函數為：

(14)

式中，Fi表示第i個粒子的適應度函數值；FGbest表示全局最優(yōu)解Gt對應粒子的適應度函數值；可見Error_F表示粒子與粒子群中當前最優(yōu)位置之間的距離關系。Error_F值越小，表示粒子與當前全局最優(yōu)位置的距離越近，粒子搜索范圍變小，容易趨于早熟；Error_F值越大，表示粒子與當前全局最優(yōu)位置的距離越遠，粒子搜索范圍變大，導致收斂速度變慢?；谡`差函數Error_F的定義，收縮-擴張系數βt可以被調整如下。

κ=log10(Error_F)

(15)

(16)

式中，βi，t表示在第t次迭代時第i個粒子的收縮-擴張系數；當Error_F較大時，應使βi，t取較小值，加快收斂速度；當Error_F較小時，應使βi，t取較大值，擴大搜索范圍，避免陷入局部最優(yōu)。這樣，便可將收縮-擴張系數由原來的每次迭代線性減小，更改為在每次迭代中根據誤差函數來修正，提高了搜索最優(yōu)解的收斂速度和精度。

在上述IQPSO算法中，種群粒子的初始化是隨機的，在算法迭代的早期階段，種群搜索存在一定程度的盲區(qū)，這不僅降低了算法的搜索效率，也影響了算法的穩(wěn)定性。此外，隨著IQPSO算法的不斷迭代更新，種群粒子的多樣性減少的問題仍未得到解決。

2.3 IQPSO-GA算法

GA算法通過利用自身的選擇算子、交叉算子和變異算子操作，對當前種群中的所有染色體進行更新操作，它具有較弱的局部搜索能力和較低的搜索效率，但在全局最優(yōu)解的搜索上具有高效性，且具有兼容性高的優(yōu)點，可以與多種算法結合使用[28]?；诖?，本文提出混合元啟發(fā)式優(yōu)化算法IQPSO-GA，該算法具備高效的全局和局部搜索能力，算法流程如圖2所示。

圖2 IQPSO-GA算法流程圖

IQPSO-GA混合算法的詳細步驟如下所示：

1)設定IQPSO算法中的種群粒子個數和取值范圍并賦初值，確定尋優(yōu)參數的維數和變化范圍。

2)將IQPSO算法中當前種群內的全部粒子視作GA算法中的染色體，計算每個染色體對應的適應度值。

3)以適應度值為評價指標，確定是否輸出最優(yōu)粒子。

4)利用IQPSO算法對當前種群中的粒子進行全局的初步搜索，通過式(10)對種群中粒子的位置進行更新。

5)利用GA算法對4)中更新不充分的粒子進行初始化編碼，并對編碼化的種群粒子進行交叉算子操作、變異算子操作，并計算適應度值。

6)根據5)計算的適應度值產生新的種群，并根據適應度值更新局部最優(yōu)值Pi，t和種群全局最優(yōu)值Gt。

7)以達到設定的最大迭代次數或全局最優(yōu)解誤差滿足系統(tǒng)需要為終止條件。滿足該條件，則輸出最優(yōu)解且算法終止；不滿足該條件，則重復4)～ 6)。

3 故障預警模型的建立方法

訓練ANFIS隸屬度參數的目的是通過調整前件參數和后件參數集合獲得具備準確映射能力的ANFIS規(guī)則，本文采用混合元啟發(fā)式算法IQPSO-GA來優(yōu)化ANFIS參數，建立服務器故障預警模型，實現過程如圖3所示。

圖3 IQPSO-GA優(yōu)化ANFIS參數示意圖

IQPSO-GA算法優(yōu)化ANFIS模型的服務器故障預警具體步驟如下所示：

1)在使用優(yōu)化算法對ANFIS模式進行訓練前，需要選取模型期望輸出數據集，以及能夠輸出數據變化的特征信息作為模型輸入，本文采用服務器業(yè)務與硬件相關的3個關鍵參數：部件所處理的信息量變化率、能耗變化率以及溫度變化率，經過標準化處理后作為預測模型數據。

2)根據收集到的樣本數據集中的輸入數據和目標輸出數據，使用模糊聚類法獲得初始FIS結構，確定隸屬度函數的規(guī)則數量和初始參數，該初始化過程取決于收集到的訓練數據集質量。

3)根據2)確定的ANFIS模型初始參數，設置混合優(yōu)化算法IQPSO-GA中種群粒子個數和取值范圍，并對初始粒子進行隨機賦值。

4)以粒子所對應的均方根誤差，作為該粒子當前適應度值。每個粒子適應度值的適應度函數值計算表達式為：

(17)

5)使用IQPSO更新種群粒子位置，并通過GA算法使粒子之間進行相互交叉和變異，增加種群粒子的多樣性。

6)產生一次優(yōu)化后的聚類參數值作為返回值，更新ANFIS的聚類參數，計算網絡誤差。

7)以達到設定的最大迭代次數或全局最優(yōu)解誤差滿足系統(tǒng)需要為終止條件。滿足該條件，生成最終預測模型；不滿足該條件，則轉至4)。

8)通過7)得到的預測模型，以及經過樣本數據訓練得到均方根誤差，根據經驗公式，設置3倍均方根誤差為故障預警閾值，實現服務器硬件故障的預警功能。

綜上，該方法使用模糊聚類方法設置優(yōu)化問題，基于收集的訓練數據集初始化ANFIS結構，確定規(guī)則數量和隸屬度初始參數。優(yōu)化參數包括前件參數和后件參數，它們構成了一組由IQPSO-GA算法調整的變量，以提高ANFIS模型的預測性能。ANFIS模型的預測值產生的均方根誤差作為IQPSO-GA算法的適應度值，IQPSO-GA算法的參數設置在后續(xù)實驗中給出。

4 基于IQPSO-GA-ANFIS的預警模型實驗驗證

為驗證所提基于IQPSO-GA優(yōu)化ANFIS模型的優(yōu)越性，以及服務器故障預警方法的有效性，本節(jié)使用一組后處理數據集作為樣本數據集進行仿真實驗。所使用的樣本數據集包含3組向量如圖4所示，前兩組分別為服務器部件所處理的信息量變化率和部件能耗變化率作為輸入數據，另一組為部件溫度變化率作為輸出數據，樣本數據集均通過歸一化處理映射到0～1之間。實驗中所有算法均采用Matlab編碼，并在Intel Core i5-9400 CPU@2.90 GH計算機上運行，進行服務器部件數據線下仿真。

圖4 樣本數據集

數據集中共有500個數據點，各樣本數據點為非周期性的采樣結果。將數據集分為兩部分：第一部分隨機取70%的數據點作為訓練數據，第二部分取剩余30%的數據作為測試數據。訓練數據用來訓練模型隸屬度參數，測試數據用來檢驗模型建立的準確性。

實驗選擇為模糊C-均值聚類方法，表1給出了以迭代次數為終止條件的各優(yōu)化算法參數設置，這些參數的設置是根據本文團隊在試錯過程中的經驗而選擇的。表1中“選擇壓力”表示GA算法中最佳個體選中的概率與平均個體選中概率的比值；“Gamma”為在GA算法進行交叉操作過程中，設置隨機數組時確定的數值范圍。文中所提的各元啟發(fā)算法粒子的編碼方式是實數編碼，基于采集的服務器樣本數據設置算法粒子初始值，每個粒子的位置表示空間中的一個候選解，通常用一個向量表示。同樣，每個粒子的速度也會用一個向量表示。在每次迭代中，粒子的速度和位置會根據公式進行更新，更新后的粒子的適應度值會被重新評估，并與個體最優(yōu)解和全局最優(yōu)解進行比較，以更新個體最優(yōu)解和全局最優(yōu)解。

表1 優(yōu)化算法參數設置

在本實驗中，我們使用預測誤差(PE，prediction error)作為主要性能指標，以詳細比較基于IQPSO-GA算法訓練的ANFIS模型與基于LES-GD混合方法訓練的ANFIS模型的預測結果。同時，我們還使用一些眾所周知的統(tǒng)計工具作為輔助的尋優(yōu)評估指標，例如平均預測誤差(Error Mean)、誤差標準差(ESD，error standard deviation)、平均絕對誤差(MAE，mean absolute error)和均方根誤差(RMSE)。最后，通過使用決定系數(R2，coefficient of determination)將所提算法與其他元啟發(fā)式優(yōu)化算法進行比較。決定系數R2的大小表征回歸方程對觀測值的擬合程度，取值范圍為0～1之間，R2的值越接近1，元啟發(fā)式算法得到的隸屬度參數越準確，即預測值更接近實際值。反之，如果該值接近于0，則說明擬合得到方程的參考價值越低，即獲得的隸屬度參數的可靠性較低。各性能評價指標公式如下：

(18)

(19)

(20)

(21)

(22)

(23)

基于LES-GD算法與本文所提基于IQPSO-GA優(yōu)化算法對ANFIS隸屬度參數進行訓練和測試結果分析如圖5和圖6所示，兩種方法訓練后得到的模型分別命名為ANFIS和ANFIS-IQPSO-GA。

圖5 ANFIS模型的訓練和測試結果

從圖5和圖6可以清楚地看到，基于IQPSO-GA方法訓練的IQPSO-GA-ANFIS模型與LES-GD方法得到ANFIS模型相比，前者具有更好擬合輸入-輸出數據的能力。通過測試數據分別對兩種訓練方法得到模型的泛化能力進行檢驗，結果表明：IQPSO-GA-ANFIS模型的MAE、RMSE分別為0.005和0.011，與傳統(tǒng)ANFIS模型的各指標相比，IQPSO-GA-ANFIS模型擬合精度提高了47%以上。同時，由圖5(b)和圖6(b)中的單步運行時間(Single-step Run Time)可以看到，雖然在訓練過程中，ANFIS模型和ANFIS-IQPSO-GA模型的參數求解過程復雜度不同，但完成訓練的ANFIS模型與ANFIS-IQPSO-GA模型在進行預測時，具備同樣的計算速度，這是因為訓練后的兩個模型僅是個參數的大小存在變化，其模型復雜度并無變化，故在實際應用時無明顯區(qū)別。

為充分驗證本文所提IQPSO-GA方法的優(yōu)越性，我們還使用了其他元啟發(fā)式算法對ANFIS模型的隸屬度參數進行訓練，如GA、PSO、QPSO、IQPSO、PSO-GA、QPSO-GA。由于元啟發(fā)式算法初始種群的選取具有隨機性，而初始種群的質量對算法尋優(yōu)過程具有一定影響。故為了驗證IQPSO-GA優(yōu)化ANFIS參數方法的穩(wěn)定性，我們應用蒙特卡洛統(tǒng)計實驗思想，將這些元啟發(fā)式算法均運行100次，并對100次實驗得到的各性能指標的平均值進行比較。在通過訓練數據集訓練ANFIS模型的過程中，各元啟發(fā)式優(yōu)化算法在每一次實驗中都會得到一個隨迭代次數增加而收斂的適應度函數值，不同元啟發(fā)式算法得到的平均適應度值的收斂曲線如圖7所示。需要注意的是，為進一步說明實驗結果并非偶然，我們在每次仿真實驗開始前，開源數據集中的所有數據點都會被重新隨機排序。

圖7 平均適應度值的收斂過程

由圖7可以看出，與GA算法相比，PSO算法的適應度函數的收斂速度更快，但由于GA算法具有更強的全局搜索能力，故隨著迭代次數的增加，GA算法的尋優(yōu)精度更高。同時也可以看到，QPSO和IQPSO算法相比PSO算法有更好的收斂速度和精度。這是因為QPSO算法引入了量子行為力學理論，有助于提高粒子相互協(xié)作的能力。此外，由于GA算法的兼容性高的特點，將GA算法與其他元啟發(fā)式優(yōu)化算法相結合，可以得到尋優(yōu)性能更好的混合優(yōu)化算法，如PSO-GA、QPSO-GA和IQPSO-GA。這3種混合優(yōu)化算法的收斂曲線明顯優(yōu)于單一元啟發(fā)式算法，其中本文所提的IQPSO-GA算法的尋優(yōu)性能更為突出。

實驗使用測試數據集對通過各元啟發(fā)式優(yōu)化算法優(yōu)化后的ANFIS模型的泛化能力進行了檢驗，圖8為使用測試數據對各優(yōu)化算法的檢驗結果，圖中圓圈為通過實際值和預測值得到的標記點，直線表示對標記點擬合得到的線性回歸方程。

圖8 各模型擬合性能的檢驗結果

對比圖8中的各線性回歸方程以及R2的值，可以證明通過IQPSO-GA-ANFIS模型得到的預測值更接近實際值，即通過IQPSO-GA優(yōu)化算法訓練得到的IQPSO-GA-ANFIS模型的隸屬度參數最準確。通過上述仿真實驗，我們比較了不同元啟發(fā)式算法優(yōu)化ANFIS參數得到的相應ANFIS模型的泛化能力，驗證了IQPSO-GA-ANFIS模型的優(yōu)越性。

為驗證所提基于IQPSO-GA優(yōu)化ANFIS模型的服務器的故障預警方法的有效性，我們在圖4所示樣本數據的基礎上，添加了若干異常誤差(包括高斯噪聲與野值噪聲)。設置誤差值如圖9(a)所示，在第450～490組樣本數據之間設置了野值突變噪聲；通過建立的IQPSO-GA優(yōu)化后的ANFIS模型預測值與添加誤差后的實際值對比結果，以及預測誤差分別如圖9(b)、(c)所示。

圖9 服務器硬件故障預警仿真

圖9(a)的曲線為噪聲曲線，由該圖可以看到，多數誤差集中在-0.01～0.01之間，而在第450～490組樣本數據中存在大量異常誤差，如第455、456、460，464、476、481、484組樣本數據中的誤差較大，本節(jié)以第464和481組樣本數據對本文所提方法進行詳細說明。圖9(b)為使用本文所提方法對實際值的預測結果圖，可以看到所提基于IQPSO-GA優(yōu)化ANFIS模型的故障預警方法可以有效映射部件所處理的信息量變化率、能耗變化率與部件溫度變化率之間的動態(tài)關系，其中在橫坐標為464和481處的預測值與實際值之間偏差較大。為便于分析預測結果以及實時獲取監(jiān)察異常數據，所提方法需處理預測值和實際值之間差值，并根據經驗公式，設置3倍的訓練時獲得的均方根誤差為故障預警閾值0.03進行服務器硬件故障的預警，如圖9(c)的橫坐標464和481處所示，誤差分別為0.096 0和0.103 1，遠超故障預警閾值。當完成訓練的IQPSO-GA-ANFIS模型預測誤差超過故障預警閾值時，所提方法可以及時通過輸入信息觀測部件溫度變化率異常。即一旦某一部件能耗或溫度持續(xù)高于預警閾值，雖然此時部件功能仍可以使用，但需重點關注其接下來的工作狀態(tài)，對該部件進行硬件異常預警。

5 結束語

本文針對服務器部分業(yè)務類硬件無法進行故障預警的難題，通過分析部件相關信息之間的映射關系，建立部件健康狀態(tài)下的處理信息、能耗、溫度變化率之間的動態(tài)參考模型，同時從QPSO算法中粒子最優(yōu)位置求解方法著手，分析了收縮-擴張系數對收斂速度及搜索能力的影響，設計了改進的算法IQPSO，并引入GA的交叉和變異算子操作，提出了一種基于IQPSO-GA混合元啟發(fā)式算法優(yōu)化ANFIS模型進行硬件故障預警的方法。實驗結果表明，所提IQPSO-GA-ANFIS模型與傳統(tǒng)ANFIS模型相比，泛化精度提高了47%以上，驗證了所提服務器硬件故障預警方法的有效性和優(yōu)越性。但在實際應用中仍存在諸多限制問題有待改進，如：1)神經網絡的模型訓練需要大量樣本數據，且訓練得到的模型應該隨著數據不斷更新，僅訓練一次便不更新的做法是不現實的；2)溫度監(jiān)測需考慮的指標還有進風風速和溫度的影響，本文為保障數據的穩(wěn)定性暫對其他參數進行了恒定處理。在接下來的工作中將著重圍繞上述問題展開研究。