针对服务器的故障检测精度较低导致服务器维护成本增加的问题,提出了一种利用大型语言模型实现服务器故障的检测方法。利用BERT(Bidirectional Encoder Representation of Transformer)大型语言模型对服务器运行状态文本进行语义分析,...针对服务器的故障检测精度较低导致服务器维护成本增加的问题,提出了一种利用大型语言模型实现服务器故障的检测方法。利用BERT(Bidirectional Encoder Representation of Transformer)大型语言模型对服务器运行状态文本进行语义分析,生成高维词向量,以充分捕捉文本中的语义信息。基于生成的词向量,计算各词向量的权重值和互信息值,筛选出对故障检测具有显著贡献的关键词向量,从而降低数据维度并提升特征提取的准确性。将筛选出的关键词向量作为输入,利用GG(Gaussian-Gamma)聚类算法进行聚类分析,通过迭代优化聚类中心和隶属度矩阵,将服务器运行状态划分为正常状态和故障状态,并进一步识别具体故障类型。实验结果表明,该方法在关键词向量提取和故障检测性能上均表现出色,能够有效提升服务器故障检测的精度和效率,为降低服务器维护成本提供了可靠的技术支持。展开更多
文摘针对服务器的故障检测精度较低导致服务器维护成本增加的问题,提出了一种利用大型语言模型实现服务器故障的检测方法。利用BERT(Bidirectional Encoder Representation of Transformer)大型语言模型对服务器运行状态文本进行语义分析,生成高维词向量,以充分捕捉文本中的语义信息。基于生成的词向量,计算各词向量的权重值和互信息值,筛选出对故障检测具有显著贡献的关键词向量,从而降低数据维度并提升特征提取的准确性。将筛选出的关键词向量作为输入,利用GG(Gaussian-Gamma)聚类算法进行聚类分析,通过迭代优化聚类中心和隶属度矩阵,将服务器运行状态划分为正常状态和故障状态,并进一步识别具体故障类型。实验结果表明,该方法在关键词向量提取和故障检测性能上均表现出色,能够有效提升服务器故障检测的精度和效率,为降低服务器维护成本提供了可靠的技术支持。
