申请/专利权人：天翼云科技有限公司

申请日：2023-12-15

公开（公告）日：2024-04-05

公开（公告）号：CN117834495A

主分类号：H04L43/10

分类号：H04L43/10;H04L43/0852;H04L41/069;G06F18/213;G06F18/25;G06N3/0455;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.23#实质审查的生效;2024.04.05#公开

摘要：本发明涉及一种基于深度学习的自适应心跳检测方法及系统，属于云计算技术领域，该方法包括：采集点对点单向心跳时延日志和系统性能指标数据；将心跳传输时延、日志采集时间和系统性能指标数据组成多变量时序序列集合；对多个向量表征进行融合，得到各个元祖的最终向量表征；根据最终向量表征，对基于Transformer的深度学习模型进行训练；采集实时点对点单向心跳时延日志和系统性能指标数据，通过训练完成的基于Transformer的深度学习模型，输出点对点单向心跳时延预测结果；根据点对点单向心跳时延预测结果，确定心跳超时时间；比较当前心跳时延与心跳超时时间之间的偏差是否超过阈值；若是，产生心跳超时事件。

主权项：1.一种基于深度学习的自适应心跳检测方法，其特征在于，包括：S1，采集点对点单向心跳时延日志和系统性能指标数据；S2，对所述点对点单向心跳时延日志进行预处理，从所述心跳时延日志中抽取日志采集时间和心跳传输时延；S3，将所述心跳传输时延、所述日志采集时间和所述系统性能指标数据组成多变量时序序列集合，其中，所述多变量时序序列集合包括多个点对点单向心跳时序序列，所述点对点单向心跳时序序列包括多个按照所述日志采集时间进行排序的元祖；S4，将所述多变量时序序列集合输入至基于Transformer的深度学习模型；S5，计算所述多变量时序序列中的各个元祖的多个向量表征；S6，对多个所述向量表征进行融合，得到各个元祖的最终向量表征；S7，根据所述最终向量表征，对所述基于Transformer的深度学习模型进行训练；S8，采集实时点对点单向心跳时延日志和系统性能指标数据，通过训练完成的所述基于Transformer的深度学习模型，输出点对点单向心跳时延预测结果；S9，根据所述点对点单向心跳时延预测结果，确定心跳超时时间；S10，比较当前心跳时延与所述心跳超时时间之间的偏差是否超过阈值；若是，产生心跳超时事件；S11，当产生心跳超时事件时，根据重新采集的心跳时延序列，重新预测并计算新的心跳超时时间，修改相应的心跳超时时间，并快速重发心跳，当出现连续心跳超时事件时，确认节点失效。

全文数据：

权利要求：

百度查询： 天翼云科技有限公司 一种基于深度学习的自适应心跳检测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD