面向超级计算机的自适应故障预测算法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 1 绪论 | 第7-11页 |
| 1.1 研究背景和意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 本文工作及组织结构 | 第9-11页 |
| 2 故障预测相关技术 | 第11-26页 |
| 2.1 故障预测概念 | 第11页 |
| 2.2 数据分类和预测过程 | 第11-12页 |
| 2.3 特征选择 | 第12-14页 |
| 2.3.1 相关性度量 | 第12页 |
| 2.3.2 距离度量 | 第12-13页 |
| 2.3.3 信息增益度量 | 第13页 |
| 2.3.4 一致性度量 | 第13-14页 |
| 2.4 常见分类和预测模型 | 第14-20页 |
| 2.4.1 基于规则的分类器 | 第14页 |
| 2.4.2 基于概率理论的分类器 | 第14-16页 |
| 2.4.3 基于统计理论的分类器 | 第16-20页 |
| 2.5 分类器性能评估指标 | 第20-22页 |
| 2.6 提高分类准确率的技术 | 第22-24页 |
| 2.7 WEKA 简介 | 第24-25页 |
| 2.8 本章小结 | 第25-26页 |
| 3 故障预测数据预处理 | 第26-33页 |
| 3.1 日志数据概述 | 第26-27页 |
| 3.2 基于故障记录的过滤 | 第27-28页 |
| 3.3 基于 STF 算法的过滤 | 第28-32页 |
| 3.3.1 构建关键词词典 | 第28-29页 |
| 3.3.2 日志记录向量化 | 第29页 |
| 3.3.3 相关度计算 | 第29-30页 |
| 3.3.4 STF 算法实现 | 第30页 |
| 3.3.5 过滤结果分析 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 4 自适应故障预测模型 | 第33-41页 |
| 4.1 故障预测概述 | 第33页 |
| 4.2 基于故障记录的预测模型 | 第33-35页 |
| 4.3 基于日志分析的自适应故障预测模型 | 第35-40页 |
| 4.3.1 特征提取与选择 | 第36-38页 |
| 4.3.2 基于规则的故障预测模型 | 第38页 |
| 4.3.3 基于支持向量机的故障预测模型 | 第38-39页 |
| 4.3.4 自适应故障预测模型 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 5 实验与性能评估 | 第41-52页 |
| 5.1 实验设计 | 第41-42页 |
| 5.1.1 实验环境 | 第41页 |
| 5.1.2 数据集选择 | 第41-42页 |
| 5.2 实验实现 | 第42-45页 |
| 5.2.1 故障预测数据预处理 | 第42-43页 |
| 5.2.2 自适应故障预测模型 | 第43-45页 |
| 5.3 实验结果及分析 | 第45-51页 |
| 5.3.1 数据预处理结果 | 第45-46页 |
| 5.3.2 两种预测策略的对比 | 第46-48页 |
| 5.3.3 基于日志分析预测模型对比 | 第48-51页 |
| 5.4 本章小结 | 第51-52页 |
| 6 总结与展望 | 第52-54页 |
| 6.1 本文工作总结 | 第52页 |
| 6.2 未来工作展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 附录 | 第58页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第58页 |
| B. 作者在攻读硕士学位期间取得的科研成果目录 | 第58页 |
