买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉四川华鲲振宇智能科技有限责任公司申请的专利一种基于CVAE-LSTM的服务器故障预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120892240B 。

龙图腾网通过国家知识产权局官网在2025-12-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511419498.X，技术领域涉及：G06F11/07；该发明授权一种基于CVAE-LSTM的服务器故障预测方法是由晏家会设计研发完成，并于2025-09-30向国家知识产权局提交的专利申请。

本一种基于CVAE-LSTM的服务器故障预测方法在说明书摘要公布了：本发明涉及一种基于CVAE‑LSTM的服务器故障预测方法，构建自适应特征增强CVAE，以CVAE为基础架构和CVAE‑LSTM融合模型；实时采集服务器运行过程中的指定指标数据输入为自适应特征增强CVAE，输出各故障类型的潜在特征向量；将各故障类型的潜在特征输入CVAE‑LSTM融合模型的融合层进行融合处理，得到融合特征向量；将融合特征向量输入双向注意力LSTM进行特征增强，基于增强融合特征向量输出预测的不同类型故障的概率值；基于服务器的当前负载状态设置不同类型故障的动态概率阈值，并基于动态概率阈值判断服务器是否存在故障风险。通过自适应特征增强和特征融合技术提升对服务器复杂运行数据的学习能力；借助双向注意力机制和动态阈值调整，提高了故障预测的精准度与预警的有效性。

本发明授权一种基于CVAE-LSTM的服务器故障预测方法在权利要求书中公布了：1.一种基于CVAE-LSTM的服务器故障预测方法，其特征在于，包括以下步骤： S1：构建自适应特征增强CVAE，以CVAE为基础架构，在CVAE的基础架构上添加自适应特征增强模块； S2：构建双向注意力LSTM，在自适应特征增强CVAE和双向注意力LSTM之间设置融合层作为两者的连接核心，生成CVAE-LSTM融合模型； S3：实时采集服务器运行过程中的指定指标数据并进行预处理，以预处理后的指定指标数据为自适应特征增强CVAE的输入，输出各故障类型的潜在特征向量； S4：将各故障类型的潜在特征输入CVAE-LSTM融合模型的融合层进行融合处理，得到融合特征向量； S5：将所述融合特征向量输入双向注意力LSTM，双向注意力LSTM对融合特征向量进行进一步特征增强得到增强融合特征向量，基于增强融合特征向量输出预测的不同类型故障的概率值； S6：基于服务器的当前负载状态设置不同类型故障的动态概率阈值，并基于动态概率阈值判断服务器是否存在故障风险，若是则进行故障预警； 步骤S3中以预处理后的指定指标数据为自适应特征增强CVAE的输入，输出各故障类型的潜在特征向量的具体过程如下： S31：将预处理后的指定指标数据按照时间序列划分成固定长度的样本集，每个样本集包含单一时间窗口内的完整指标数据； S32：依次将样本集输入自适应特征增强CVAE，通过注意力机制计算各指标特征的权重值，权重值与特征对故障预测的贡献度正相关； S33：基于权重值对输入特征进行动态筛选：保留权重高于预设阈值的关键特征，对低权重冗余特征进行降维处理，同时通过特征放大机制增强关键特征的数值表达； S34：将增强后的关键特征输入编码器网络，通过多层全连接层进行非线性变换压缩数据维度，输出层生成隐变量的均值向量和方差向量； S35：进行故障类型先验约束注入，将故障类型标签编码为独热向量，与编码器中间层特征进行拼接，在损失函数中增加类型约束项，使模型将不同故障类型的特征映射到隐空间的不同子区域； S36：基于均值和方差，通过重参数化生成隐变量z，隐变量z融合了输入特征的本质信息与故障类型约束，隐变量z为各故障类型的潜在特征载体，其维度由编码器结构预设，同一故障类型的样本隐变量在隐空间中呈现聚集分布； S37：基于隐变量生成各故障类型的潜在特征向量； 步骤S37中基于隐变量生成各故障类型的潜在特征向量的具体过程如下： S371：隐变量z输入解码器网络，通过多层全连接层重构出与输入数据同维度的特征数据，计算重构数据与原始输入的均方误差，并结合KL散度损失、特征重要性损失，通过反向传播更新编码器和解码器参数； S372：根据隐变量在预设隐空间中的聚类区域，通过K-means预先划分各故障类型的特征边界，输出对应故障类型的潜在特征向量，并附带特征置信度，特征置信度基于隐变量与该类中心的欧氏距离计算； 步骤S5的具体过程如下： S51：将融合层输出的融合特征向量F按时间序列重新排列为序列形式，作为双向注意力LSTM的输入序列，该序列已包含CVAE的分布特征和LSTM的时序特征耦合信息，为进一步增强提供基础； S52：从时间步1到n依次处理输入序列，通过记忆单元存储历史特征信息，输出正向隐藏状态序列； 从时间步n到1反向处理输入序列，输出反向隐藏状态序列； 对每个时间步的正向和反向隐藏状态进行拼接，得到双向隐藏状态，维度为双向LSTM隐藏层维度的2倍，同时捕捉时序数据的前后依赖关系； S53：特征级注意力计算：针对双向隐藏状态，计算各特征维度的重要性权重，通过全连接层将双向隐藏状态映射为注意力得分向量，再通过softmax归一化得到特征权重； S54：对所有时间步的增强隐藏状态进行时序注意力聚合：计算每个时间步对最终预测的贡献权重，基于时序权重对所有时间步的增强隐藏状态进行加权求和，得到全局增强融合特征向量，全局增强融合特征向量在双向特征提取基础上，进一步通过两层注意力机制筛选关键特征和时间步，实现特征增强； S55：将增强融合特征向量输入全连接网络，通过两层非线性变换将特征映射至故障类型维度空间，使用改进的softmax函数对全连接层输出进行归一化，得到每种故障类型的预测概率； S56：结合历史预测准确率对概率值进行校准，对高置信度样本概率保持不变，对低置信度样本进行平滑调整，提升概率预测的可靠性。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人四川华鲲振宇智能科技有限责任公司，其通讯地址为：610000 四川省成都市高新区天府大道北段28号1栋2单元24层1、2、3、4、5、6、7、8、9号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。