摘 要：作為多個(gè)領(lǐng)域重要的生產(chǎn)工具，計(jì)算機(jī)若出現(xiàn)硬件故障，則會(huì)直接影響其工作狀態(tài)，因此需要對(duì)這方面開(kāi)展詳細(xì)研究。文章首先將大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件故障檢測(cè)作為研究對(duì)象，枸建硬件故障檢測(cè)模型，再探究硬件故障分析原理與特征選擇過(guò)程，提出幾種常見(jiàn)的基于機(jī)器學(xué)習(xí)的故障檢測(cè)算法，最后對(duì)不同故障檢測(cè)算法的實(shí)驗(yàn)結(jié)果進(jìn)行詳細(xì)分析，旨在提升大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件故障檢測(cè)效率，助力相關(guān)領(lǐng)域的發(fā)展。

關(guān)鍵詞：機(jī)器學(xué)習(xí);并行計(jì)算機(jī)系統(tǒng)：硬件故障：故障檢測(cè)

中圖法分類號(hào)：TP181文獻(xiàn)標(biāo)識(shí)碼：A

１ 引言

大規(guī)模并行計(jì)算機(jī)系統(tǒng)（ Ｍａｓｓｉｖｅｌｙ ＰａｒａｌｌｅｌＣｏｍｐｕｔｅｒ，ＭＰＣ）是一種以數(shù)百、萬(wàn)個(gè)處理單位構(gòu)成的并行處理系統(tǒng)，可以有效提高計(jì)算機(jī)運(yùn)行速度，處理大規(guī)模數(shù)據(jù)信息，以及縮短數(shù)據(jù)處理的響應(yīng)時(shí)間，對(duì)于提高各個(gè)領(lǐng)域生產(chǎn)效率與質(zhì)量有較大幫助。但是，大規(guī)模并行計(jì)算機(jī)長(zhǎng)時(shí)間保持高速運(yùn)轉(zhuǎn)狀態(tài)，容易發(fā)生硬件故障，造成系統(tǒng)癱瘓，因此有必要對(duì)大規(guī)模并行計(jì)算機(jī)系統(tǒng)的硬件故障檢測(cè)進(jìn)行深入研究。

２ 大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件故障檢測(cè)模型

大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件故障檢測(cè)是提升其主動(dòng)容錯(cuò)水平的重要方法，可以使其更穩(wěn)定地運(yùn)行，提升其功能的擴(kuò)展性。現(xiàn)階段采用的大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件故障檢測(cè)方式基于機(jī)器學(xué)習(xí)以及學(xué)習(xí)采集后的運(yùn)行狀態(tài)數(shù)據(jù)，再對(duì)未來(lái)可能出現(xiàn)的硬件故障進(jìn)行檢測(cè)，可以理解為學(xué)習(xí)預(yù)處理結(jié)點(diǎn)狀態(tài)數(shù)據(jù)，再利用學(xué)習(xí)成果反向檢測(cè)。但大規(guī)模并行計(jì)算機(jī)系統(tǒng)在運(yùn)行過(guò)程中會(huì)不斷生成結(jié)點(diǎn)運(yùn)行狀態(tài)數(shù)據(jù)，可能會(huì)產(chǎn)生新的故障信息，導(dǎo)致采用機(jī)器學(xué)習(xí)的方式可能無(wú)法有效檢測(cè)新硬件故障，因此需要對(duì)這方面進(jìn)行深入研究。在整理大量相關(guān)文獻(xiàn)后，設(shè)計(jì)大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件故障檢測(cè)模型，首先將原始狀態(tài)數(shù)據(jù)輸入功能模型中，再對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，即有效去除數(shù)據(jù)中的噪聲以及沒(méi)有實(shí)際意義的無(wú)效值，然后使用狀態(tài)向量對(duì)不同時(shí)刻的狀態(tài)信息進(jìn)行可靠描述，通過(guò)特征選擇技術(shù)完成精簡(jiǎn)化處理，獲得精簡(jiǎn)化的數(shù)據(jù)集，并將其作為機(jī)器學(xué)習(xí)模塊并對(duì)其進(jìn)行輸入。此外，通過(guò)機(jī)器學(xué)習(xí)方法對(duì)數(shù)據(jù)集做故障挖掘處理，將分類器整理為分類器庫(kù)，并將其作為實(shí)時(shí)檢測(cè)的工具，對(duì)當(dāng)前大規(guī)模并行計(jì)算機(jī)系統(tǒng)是否發(fā)生硬件故障進(jìn)行有效檢測(cè)。若狀態(tài)數(shù)據(jù)未被選擇，則不會(huì)在故障檢測(cè)階段進(jìn)行二次采集［１］ 。結(jié)合實(shí)際故障信息反饋，對(duì)分類器庫(kù)相關(guān)內(nèi)容進(jìn)行評(píng)估，不斷對(duì)相關(guān)數(shù)據(jù)進(jìn)行優(yōu)化，以提升機(jī)器學(xué)習(xí)效率，提高故障檢測(cè)質(zhì)量。需要注意的是，在對(duì)大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件故障進(jìn)行檢測(cè)時(shí)，各個(gè)結(jié)點(diǎn)獲得的原始狀態(tài)數(shù)據(jù)即為精簡(jiǎn)處理后的數(shù)據(jù)集，通過(guò)檢測(cè)模塊調(diào)取分類器庫(kù)中的分類器，完成故障檢測(cè)任務(wù)。若檢測(cè)到大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件故障，則會(huì)立即啟動(dòng)報(bào)警程序，大規(guī)模并行計(jì)算機(jī)系統(tǒng)會(huì)同步啟用主動(dòng)容錯(cuò)方式，以避免發(fā)生更大規(guī)模的硬件故障。

３ 大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件故障分析原理

機(jī)器學(xué)習(xí)的重要內(nèi)容即為分類與檢測(cè)，其可以對(duì)大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件故障檢測(cè)模型的后續(xù)數(shù)據(jù)進(jìn)行詳細(xì)描述。分類即根據(jù)數(shù)據(jù)類別設(shè)計(jì)相應(yīng)的分類模型，代表分類器設(shè)計(jì)過(guò)程，需要對(duì)已經(jīng)具有類別標(biāo)簽的樣本進(jìn)行機(jī)器學(xué)習(xí)獲得；檢測(cè)即利用分類學(xué)習(xí)生成的分類器對(duì)不清楚的類別數(shù)據(jù)進(jìn)行判定的過(guò)程。分類與檢測(cè)可以細(xì)分為２ 個(gè)環(huán)節(jié)，分別為學(xué)習(xí)、檢測(cè)。學(xué)習(xí)是利用已擁有類別標(biāo)簽的數(shù)據(jù)集建立與之匹配分類器的一個(gè)過(guò)程，其將攜帶類別標(biāo)簽的樣本集劃分為訓(xùn)練集、測(cè)試集２ 個(gè)部分，利用合適的分類算法，通過(guò)訓(xùn)練集完成機(jī)器學(xué)習(xí)，獲得相應(yīng)的分類器，再利用測(cè)試集對(duì)分類器的性能進(jìn)行合理評(píng)估［２］ 。若分類器錯(cuò)分樣本數(shù)量低于預(yù)設(shè)值，則證明分類器可以進(jìn)一步使用。檢測(cè)則是利用學(xué)習(xí)階段獲得的可用分類器對(duì)沒(méi)有設(shè)置標(biāo)簽的數(shù)據(jù)集做分類處理，進(jìn)而檢測(cè)數(shù)據(jù)集真實(shí)類別。常用的分類算法如下。

（１）決策樹(shù)。其利用樹(shù)形結(jié)構(gòu)完成對(duì)象的決策處理，非葉結(jié)點(diǎn)代表樣本屬性特征，葉結(jié)點(diǎn)代表樣本類別，分支代表特征取值，根結(jié)點(diǎn)到葉結(jié)點(diǎn)路徑代表分類應(yīng)用的決策。決策樹(shù)算法的核心是選擇根屬性，需要利用特征屬性完成決策樹(shù)分裂處理。

（２）支持向量機(jī)。在統(tǒng)計(jì)理論基礎(chǔ)上設(shè)計(jì)的分類器結(jié)構(gòu)是將線性無(wú)法有效區(qū)分的兩種類別數(shù)據(jù)從平面映射到多維空間，以構(gòu)建分類超平面，并完成數(shù)據(jù)的分類任務(wù)。支持向量機(jī)的操作重點(diǎn)就是找到２ 種類別數(shù)據(jù)最易被區(qū)分的最優(yōu)超平面。

４ 特征選擇過(guò)程

特征選擇是從原始特征屬性集合中選擇擁有最佳分類效果的屬性子集。雖然可以通過(guò)窮舉法完成特征子集的驗(yàn)證工作，但若增加特征維數(shù)，則窮舉法所需的時(shí)間復(fù)雜度會(huì)快速上升，從而無(wú)法開(kāi)展實(shí)際應(yīng)用。作為一類貪心算法，雖然啟發(fā)式搜索法在復(fù)雜度方面低于窮舉法，但是仍然會(huì)產(chǎn)生局部僵局的特殊情況，造成特征集無(wú)法獲得最優(yōu)解。本文將特征選擇框架應(yīng)用到特征選擇中，基于特征選擇框架的特征選擇過(guò)程如下。

（１）子集產(chǎn)生。在已有的特征空間尋找最優(yōu)子集，可以在窮舉法基礎(chǔ)上增設(shè)分支界限，若某個(gè)分支無(wú)法搜索更優(yōu)解，則對(duì)該分支做剪枝處理，以提升搜索效率，或是對(duì)特征進(jìn)行增添、刪減，以獲取最優(yōu)特征集合。

（ ２）子集評(píng)價(jià)。利用評(píng)價(jià)函數(shù)對(duì)子集產(chǎn)生的各種特征組合進(jìn)行評(píng)價(jià)，進(jìn)而分析哪些特征組合可以為現(xiàn)有數(shù)據(jù)分類提供更大收益［３］ 。比如，采用一致性度量評(píng)價(jià)函數(shù)，判斷樣本的特征屬性、所屬類別，從而快速識(shí)別特征子集。

（３）停止準(zhǔn)則。子集搜索行為可以得到有效管控，避免出現(xiàn)特征子集組合持續(xù)生成的情況，可以限定特征子集規(guī)模，以達(dá)到子集規(guī)模閾值，從而停止子集搜索行為。

（４）子集驗(yàn)證。通過(guò)評(píng)價(jià)獲取特征組合性能，再將評(píng)價(jià)結(jié)果和通過(guò)初始特征集評(píng)估結(jié)果進(jìn)行比較，分析特征子集在性能方面是否超過(guò)原始數(shù)據(jù)集。一般會(huì)從評(píng)估時(shí)間、子集規(guī)模等方面評(píng)價(jià)特征子集的性能情況。需要注意的是，若評(píng)估準(zhǔn)則評(píng)價(jià)子集獲得更優(yōu)的結(jié)果，則將當(dāng)前獲得的子集取代之前獲得的最佳子集，通過(guò)這種方式完成最佳特征子集的尋找任務(wù)。

５ 基于機(jī)器學(xué)習(xí)故障檢測(cè)算法對(duì)比

通過(guò)訓(xùn)練集對(duì)若干分類器模型進(jìn)行訓(xùn)練，再將其和若干擁有良好性能的分類器進(jìn)行結(jié)合，完成樣本分類檢測(cè)，這便是集成學(xué)習(xí)模式。相較于單個(gè)分類器，將分類器整合為一個(gè)整體，可以獲得更好的檢測(cè)效果?；谠摾砟钛苌鋈缦拢?種算法。

（１）流集成算法（Ｓｔｒｅａｍｉｎｇ Ｅｎｓｅｍｂｌｅ Ａｌｇｏｒｉｔｈｍ，ＳＥＡ）。該算法通過(guò)預(yù)設(shè)固定容量的分類器庫(kù)，將數(shù)據(jù)流劃分為若干擁有相同規(guī)格的數(shù)據(jù)塊。在學(xué)習(xí)分類器后，將按順序生成的分類器歸納到分類器庫(kù)內(nèi)，在抵達(dá)分類器庫(kù)容量后停止。在生成新分類器后，會(huì)通過(guò)預(yù)先設(shè)定的分類器性能替換啟發(fā)模式，對(duì)分類器庫(kù)已有的分類器做可靠評(píng)價(jià)，然后剔除一部分使用性能偏差的分類器，以實(shí)現(xiàn)分類器庫(kù)數(shù)量穩(wěn)定。該算法對(duì)一些具有周期性概念漂移特點(diǎn)的數(shù)據(jù)流有良好效果。若數(shù)據(jù)流出現(xiàn)突然性的概念漂移，則會(huì)導(dǎo)致在較長(zhǎng)一段時(shí)間內(nèi)無(wú)法有效更新概念，進(jìn)而輸出錯(cuò)誤內(nèi)容。

（ ２） 精度加權(quán)系綜算法（ Ａｃｃｕｒａｃｙ ＷｅｉｇｈｔｅｄＥｎｓｅｍｂｌｅｓ，ＡＷＥ）。在ＳＥＡ 算法基礎(chǔ)上設(shè)計(jì)ＡＷＥ 算__法。該算法利用賦權(quán)方式取代基分類器的輸出模式，即所有基分類器都會(huì)獲得一個(gè)比重，讓分類誤差偏小的分類器獲得更大的投票比重。在抵達(dá)分類器庫(kù)容量時(shí)，會(huì)提升投票比重小的分類器的性能。

（３）自適應(yīng)分類器集成算法（Ａｄａｐｔｉｖｅ ＣｌａｓｓｉｆｉｅｒｓＥｎｓｅｍｂｌｅ，ＡＣＥ）。若要在ＡＷＥ 算法中有效解決突變概念漂移導(dǎo)致的分類效果偏差問(wèn)題，則需要設(shè)置足夠小的數(shù)據(jù)塊。但是，小數(shù)據(jù)塊會(huì)讓基分類器性能降低，從而產(chǎn)生ＡＣＥ。ＡＣＥ 利用概念漂移監(jiān)測(cè)器有效應(yīng)對(duì)概念波動(dòng)。在沒(méi)有監(jiān)測(cè)概念波動(dòng)時(shí)， 會(huì)啟用與ＡＷＥ 算法相同的方法檢測(cè)新樣本類別［４］ 。若監(jiān)測(cè)概念波動(dòng)，則會(huì)在即將抵達(dá)分類器庫(kù)容量時(shí)，將學(xué)習(xí)新分類器作為樣本類別檢測(cè)工具，采用追蹤分類器分類誤差的方式有效降低突發(fā)的概念漂移對(duì)系統(tǒng)造成的影響。

（ ４）用于數(shù)據(jù)流挖掘的具有回憶和遺忘機(jī)制的集成模型與算法（Ｅｎｓｅｍｂｌｅ Ｍｏｄｅｌ ａｎｄ Ａｌｇｏｒｉｔｈｍ ｗｉｔｈＲｅｃａｌｌｉｎｇ ａｎｄ Ｆｏｒｇｅｔｔｉｎｇ Ｍｅｃｈａｎｉｓｍｓ ｆｏｒ Ｄａｔａ ＳｔｒｅａｍＭｉｎｉｎｇ，ＭＡＥ）。該算法是將回憶遺忘機(jī)制應(yīng)用在基分類器學(xué)習(xí)領(lǐng)域中，在記憶分類器ＭＳ 庫(kù)中設(shè)置子集，即ＥＳ 回憶分類器庫(kù)，再將基分類器作為算法機(jī)器學(xué)習(xí)的知識(shí)，先將其存放在記憶庫(kù)中，再將與當(dāng)前處理的數(shù)據(jù)塊擁有最強(qiáng)相關(guān)度的Ｎ 個(gè)基分類器復(fù)制到回憶庫(kù)中，其中Ｎ 為回憶庫(kù)最大容量。在完成回憶操作后，再對(duì)記憶庫(kù)保存的基分類器進(jìn)行評(píng)價(jià)，完成各個(gè)基分類器的記憶權(quán)重更新任務(wù)。在基分類器被回憶時(shí)，其記憶強(qiáng)度會(huì)隨之增強(qiáng)，反之則會(huì)減弱。若數(shù)據(jù)流生成新樣本分類，則通過(guò)回憶庫(kù)存儲(chǔ)的基分類器完成分類預(yù)測(cè)。通過(guò)ＭＡＥ 算法可以在短時(shí)間內(nèi)有效地消除概念漂移現(xiàn)象。

（５）用于數(shù)據(jù)流挖掘的具有回憶和遺忘機(jī)制的改進(jìn)集成模型與算法（ Ｒｅｖｉｓｅｄ Ｅｎｓｅｍｂｌｅ Ｍｏｄｅｌ ａｎｄＡｌｇｏｒｉｔｈｍ ｗｉｔｈ Ｒｅｃａｌｌｉｎｇ ａｎｄ Ｆｏｒｇｅｔｔｉｎｇ Ｍｅｃｈａｎｉｓｍｓ ｆｏｒＤａｔａ Ｓｔｒｅａｍ Ｍｉｎｉｎｇ，ＲｅＭＡＥ）。應(yīng)用ＭＡＥ 算法可能出現(xiàn)當(dāng)前正在執(zhí)行機(jī)器學(xué)習(xí)命令的數(shù)據(jù)塊僅有保持正常狀態(tài)的數(shù)據(jù)，但沒(méi)有表示硬件故障狀態(tài)的數(shù)據(jù)，這導(dǎo)致該數(shù)據(jù)塊通過(guò)機(jī)器學(xué)習(xí)獲得的基分類器無(wú)法有效檢測(cè)后續(xù)發(fā)生的硬件故障。因此，本文在ＭＡＥ 的基礎(chǔ)上提出改進(jìn)算法，即ＲｅＭＡＥ 算法。該算法通過(guò)改進(jìn)數(shù)據(jù)集獲取模式，對(duì)基分類器進(jìn)行優(yōu)化訓(xùn)練；通過(guò)設(shè)置和數(shù)據(jù)塊規(guī)格相同的樣本庫(kù)存儲(chǔ)數(shù)據(jù)塊樣本信息。在一個(gè)類別滑動(dòng)窗口保持充滿狀態(tài)后，若仍有新的同類型樣本信息，則會(huì)剔除最先進(jìn)入滑動(dòng)窗口的樣本信息，進(jìn)而實(shí)現(xiàn)更新樣本庫(kù)的效果。最后，使用樣本庫(kù)數(shù)據(jù)并通過(guò)機(jī)器學(xué)習(xí)方式獲得新的基分類器，這可以將不均衡數(shù)據(jù)分類順利轉(zhuǎn)化成均衡數(shù)據(jù)分類，讓ＲｅＭＡＥ 算法獲得更強(qiáng)的機(jī)器學(xué)習(xí)能力，從而有效提高分類器對(duì)硬件故障的檢測(cè)效果［５］ 。

６ 故障檢測(cè)算法實(shí)驗(yàn)結(jié)果分析

大規(guī)模并行計(jì)算機(jī)系統(tǒng)在多數(shù)時(shí)間可以保持正常的工作狀態(tài)，即采集的大多數(shù)結(jié)點(diǎn)狀態(tài)數(shù)據(jù)處于正常范圍內(nèi)，僅在硬件即將發(fā)生故障時(shí)才會(huì)獲得故障數(shù)據(jù)，這導(dǎo)致使用準(zhǔn)確率無(wú)法有效體現(xiàn)出故障數(shù)據(jù)不均衡的特點(diǎn)。本文從精確度、召回率、Ｆ 值對(duì)不同故障檢測(cè)算法的檢測(cè)效果進(jìn)行分析［６］ 。采集大規(guī)模并行計(jì)算機(jī)系統(tǒng)近３ 個(gè)月的工作狀態(tài)數(shù)據(jù)，其中非故障數(shù)據(jù)占比８９．２２％、故障數(shù)據(jù)占比１０．７８％。在使用ＳＥＡ，ＡＷＥ，ＡＣＥ，ＭＡＥ 等算法外，加入本文提出的ＲｅＭＡＥ算法。首先利用不同算法檢測(cè)數(shù)據(jù)塊獲取預(yù)測(cè)指標(biāo)，再通過(guò)在線學(xué)習(xí)方式驗(yàn)證數(shù)據(jù)塊是否發(fā)生故障。不同算法故障檢測(cè)性能如圖１ 所示。

由圖１ 可知，ＲｅＭＡＥ 算法在檢測(cè)準(zhǔn)確率方面和ＡＷＥ 算法、ＭＡＥ 算法相仿，并高于ＳＥＡ 算法、ＡＣＥ 算法的檢測(cè)準(zhǔn)確率。同時(shí)，ＲｅＭＡＥ 算法在召回率、Ｆ 值要遠(yuǎn)高于其他算法，如ＲｅＭＡＥ 算法的召回率比其他算法的召回率高３７％～５０％。作為大規(guī)模并行計(jì)算機(jī)系統(tǒng)容錯(cuò)性能的重要表現(xiàn)，其召回率越高，代表算法檢測(cè)的故障就越多，在后續(xù)應(yīng)用中也可以開(kāi)展相應(yīng)的故障處理作業(yè)，可以有效降低大規(guī)模并行計(jì)算機(jī)系統(tǒng)被動(dòng)容錯(cuò)概率，進(jìn)而提升其運(yùn)行可靠性。Ｆ 數(shù)值越高，代表算法擁有更好的檢測(cè)效果。ＲｅＭＡＥ 算法在召回率、Ｆ 值方面表現(xiàn)良好，代表在開(kāi)展大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件故障檢測(cè)時(shí)，可以檢測(cè)到其他算法無(wú)法有效檢測(cè)的潛在故障，也不會(huì)將正常數(shù)據(jù)誤判斷成故障數(shù)據(jù)，因此可認(rèn)為在實(shí)用性方面ＲｅＭＡＥ 算法要超過(guò)其他算法［７］ 。而在大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件故障檢測(cè)的機(jī)器學(xué)習(xí)訓(xùn)練時(shí)間中，ＲｅＭＡＥ 算法需要２２．９２×１０－３ ｓ，是用時(shí)最長(zhǎng)的算法；在硬件故障檢測(cè)時(shí)間中，ＲｅＭＡＥ 算法需要１９．９６×１０－６ ｓ，僅低于ＡＣＥ 算法的２９．３５×１０－６ ｓ，高于其他算法，可以認(rèn)為在大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件故障檢測(cè)中，ＲｅＭＡＥ 算法在機(jī)器學(xué)習(xí)訓(xùn)練時(shí)間、檢測(cè)時(shí)間方面并不是最優(yōu)選擇?？墒?，現(xiàn)階段使用的數(shù)據(jù)采集體系是以１ 條／１０ ｓ 的頻率收集的，意味著將數(shù)據(jù)整合成一個(gè)基本數(shù)據(jù)塊需花費(fèi)５０００ ｓ 的時(shí)間。但是，ＲｅＭＡＥ 算法利用數(shù)據(jù)塊基分類對(duì)應(yīng)方式所需時(shí)間僅為２２．９２×１０－３ ｓ，即在下一個(gè)數(shù)據(jù)塊還未形成時(shí)，已經(jīng)準(zhǔn)備好用于該數(shù)據(jù)塊檢測(cè)活動(dòng)的基分類器，并完成機(jī)械學(xué)習(xí)的訓(xùn)練任務(wù)，可以有更充裕的時(shí)間檢測(cè)下個(gè)數(shù)據(jù)塊。ＲｅＭＡＥ 算法檢測(cè)數(shù)據(jù)塊用時(shí)１９．９６×１０－６ ｓ，即檢測(cè)現(xiàn)有數(shù)據(jù)塊時(shí)，若出現(xiàn)硬件故障影響因素，則結(jié)點(diǎn)也可以正常采集數(shù)據(jù)。而在下個(gè)數(shù)據(jù)塊完成準(zhǔn)備工作時(shí)，ＲｅＭＡＥ 算法已經(jīng)獲得下個(gè)數(shù)據(jù)塊的檢測(cè)結(jié)果［８］ 。若下個(gè)數(shù)據(jù)塊存在故障，則大規(guī)模并行計(jì)算機(jī)系統(tǒng)可以通過(guò)主動(dòng)容錯(cuò)模式對(duì)該結(jié)點(diǎn)做相應(yīng)的進(jìn)程遷移處理，以避免產(chǎn)生更大規(guī)模的次生型硬件安全風(fēng)險(xiǎn)。可以認(rèn)為，ＲｅＭＡＥ 算法在機(jī)器學(xué)習(xí)訓(xùn)練時(shí)間、硬件檢測(cè)時(shí)間方面需要花費(fèi)比其他算法更長(zhǎng)的時(shí)間，但是在故障機(jī)器學(xué)習(xí)、硬件檢測(cè)的實(shí)時(shí)性需求中，仍然可以完成大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件故障檢測(cè)任務(wù)。

７ 結(jié)束語(yǔ)

基于機(jī)器學(xué)習(xí)的大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件故障檢測(cè)涉及多個(gè)專業(yè)領(lǐng)域，在實(shí)際應(yīng)用中需要以大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件運(yùn)行情況為準(zhǔn)，設(shè)計(jì)一套結(jié)構(gòu)更完善、內(nèi)容更詳細(xì)的基于機(jī)器學(xué)習(xí)故障的檢測(cè)方案，以確保故障檢測(cè)資源得到最大化的應(yīng)用，以提升大規(guī)模并行計(jì)算機(jī)系統(tǒng)硬件運(yùn)行的可靠性，從而推動(dòng)相關(guān)行業(yè)的可持續(xù)發(fā)展。

參考文獻(xiàn)：

［１］ 王明芬，鄭驊．基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)故障檢測(cè)［Ｊ］．電信快報(bào)，２０２２（１２）：２４?２８．

［２］ 陳天熙，費(fèi)葉琦，王吉平，等．基于機(jī)器學(xué)習(xí)的齒輪故障診斷研究現(xiàn)狀和發(fā)展前景［Ｊ］．林業(yè)機(jī)械與木工設(shè)備，２０２２，５０（８）：４?７．

［３］ 彭輝．基于機(jī)器學(xué)習(xí)的列車故障診斷應(yīng)用研究［Ｊ］．現(xiàn)代計(jì)算機(jī)，２０２２，２８（１２）：８１?８５．

［４］ 趙亞琴，蔡曉騮．計(jì)算機(jī)硬件故障檢測(cè)與維修維護(hù)策略探討［Ｊ］．常州工學(xué)院學(xué)報(bào)，２０２１，３４（６）：４１?４６．

［５］ 王子鑒，秦瑜瑞，李景麗．采用機(jī)器學(xué)習(xí)的變壓器分層故障診斷［Ｊ］．電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，２０２２，３４（７）：２０?２５．

［６］ 鄭重虎，張彬，董高云．ＴＳＰ 軌旁安全平臺(tái)硬件功能故障檢測(cè)平臺(tái)的研究與實(shí)現(xiàn)［Ｊ］．電子世界，２０２１（１０）：９５?９７．

［７］ 申狄秋，盧雯興，王榮超，等．支持向量機(jī)下基于機(jī)器學(xué)習(xí)優(yōu)化的繼電保護(hù)故障診斷技術(shù)研究［Ｊ］．電子設(shè)計(jì)工程，２０２１，２９（８）：５３?５７．

［８］ 翟嘉琪，楊希祥，程玉強(qiáng)，等．機(jī)器學(xué)習(xí)在故障檢測(cè)與診斷領(lǐng)域應(yīng)用綜述［Ｊ］．計(jì)算機(jī)測(cè)量與控制，２０２１，２９（３）：１?９．

作者簡(jiǎn)介：

劉照霞（１９７２—），大專，工程師，研究方向：辦公自動(dòng)化應(yīng)用。