基于机器学习的内存故障预测和自动修复发明方法及系统与流程

1.本发明涉及计算机系统的技术领域，尤其是涉及一种基于机器学习的内存故障预测和自动修复方法及系统。


背景技术：

2.在互联网下终端设备，多数会依赖内存来运行程序。通常情况下，终端在运行程序时，终端内存需要满足程序的运行环境；当内存出现故障时，终端设备就不能正常的运行程序，无论是系统服务还是应用程序。此时就需要工作人员对内存故障进行手动修复，此过程中需要依赖于工作人员的主动性和判断准确性等不定性因素，造成了终端设备的自主可靠性较低。


技术实现要素：

3.本发明目的一是提供一种基于机器学习的内存故障预测和自动修复方法及系统，具有提高终端设备自主可靠性的特点。
4.本发明的上述发明目的一是通过以下技术方案得以实现的：一种基于机器学习的内存故障预测和自动修复方法，包括：采集内存运行数据，并对内存运行数据进行预处理获取目标运行数据；将目标运行数据输入预设故障预测模型以输出内存故障类型及修复脚本，预设故障预测模型包括利用tf算法对历史内存故障数据进行分析获取训练样本数据，将训练样本数据输入初始机器学习模型进行训练以构建预设故障预测模型，初始机器学习模型采用egb算法，tf算法为transformer算法，egb算法为extreme gradient boosting算法；接收执行修复脚本的第一指令并执行修复脚本。
5.通过采用上述技术方案，终端设备通过获取本机的历史内存故障数据进行对故障预测模型的确定，当获取到内存运行数据存在故障时，终端设备会将故障数据输入故障预测模型中来自主生成修复脚本，当终端设备接收到执行该修复脚本时，终端设备就会自主的执行修复脚本。这大大的减少了对工作人员进行修复的依赖，提高了终端设备的自主可靠性。
6.在一种可能的实施例方式中，利用tf算法对历史内存故障数据进行分析获取训练样本数据，具体包括：对历史故障数据进行归一化处理获取历史内存故障数据；根据预设翻译阈值对历史内存故障数据进行翻译确定历史内存故障数据相对应的内存异常类型数据，并将内存异常类型数据确定为训练样本数据。
7.通过采用上述技术方案，终端设备通过对数据标准化处理，即归一划处理，来为了减少数据特征的差异性。
8.在一种可能的实施例方式中，将训练样本数据输入初始机器学习模型进行训练以构建故障预测模型，初始机器学习模型采用egb算法，具体包括：
对初始机器学习模型进行初始化处理；通过初始机器学习模型对训练样本数据进行决策树迭代处理获取总分值，训练样本数据包括第一样本数据和第二样本数据，总分值包括第一总分值和第二总分值，并根据总分值调整初始机器学习模型的权重来构建预设故障预测模型。
9.通过采用上述技术方案，终端设备通过使用预设故障预测模型对内存故障进行预测，在一定程度上提高了预测内存故障的效率。
10.在一种可能的实施例方式中，方法还包括：结合cgroup进程调整修复脚本获取目标脚本。
11.通过采用上述技术方案，为了进一步的合理处理被其他应用程序占用的内存，使用cgroup进程按照预设标准划分的进程，并以控制组为单位分配的资源；减轻内存碎片化。
12.在一种可能的实施例方式中，方法还包括：使用关键字过滤分析技术对内存运行数据进行异常分类获取目标运行数据。
13.通过采用上述技术方案，采用关键字过滤分析技术对内存运行数据进行第一次异常分类，再将目标运行数据(第一次分类的异常数据)输入故障预测模型中，故障预测模型就可以减少对异常分类的处理过程，提高了故障预测效率。
14.在一种可能的实施例方式中，方法还包括：获取执行修复脚本的执行结果，根据执行结果更新预设故障预测模型。
15.通过采用上述技术方案，系统定期更新机器学习模型，以适应内存故障模式的变化和改进预测性能。
16.在一种可能的实施例方式中，方法还包括：可视化修复脚本的执行结果。
17.通过采用上述技术方案，当系统自主生成并执行脚本后，将已执行的修复脚本文件以及修复结果向使用终端者进行可视化展示，提高人机交互体验感。
18.本发明目的二是提供一种基于机器学习的内存故障预测和自动修复系统，具有提高终端设备自主可靠性，也优化了人力资源的特点。
19.本发明的上述发明目的二是通过以下技术方案得以实现的：一种基于机器学习的内存故障预测和自动修复系统，包括：采集/处理数据模块，用于采集内存运行数据，并对内存运行数据进行预处理获取目标运行数据；故障预测模块，用于接收采集/处理数据模块发送的目标运行数据，且将目标运行数据输入预设故障预测模型以输出内存故障类型及修复脚本，预设故障预测模型包括利用tf算法对历史内存故障数据进行分析获取训练样本数据，将训练样本数据输入初始机器学习模型进行训练以构建预设故障预测模型，初始机器学习模型采用egb算法；执行模块，用于接收故障预测模块发送的内存故障类型和修复脚本，当接收执行修复脚本的第一指令时，执行修复脚本。
20.本发明在一较佳示例中可以进一步配置为，该系统还包括：策略管理模块，用于接收故障预测模块发送的内存故障类型和修复脚本，并结合cgroup进程调整修复脚本获取目标脚本；执行模块，还用于接收策略管理模块发送的目标脚本，当接收执行目标脚本的第二指令时，执行目标脚本。
21.在发明在一较佳示例中可以进一步配置为，故障预测模块包括采集子模块和处理子模块：采集子模块，用于采集内存运行数据；处理子模块，用于使用关键字过滤分析技术对内存运行数据进行异常分类获取目标运行数据。
22.本发明在一较佳示例中可以进一步配置为，该系统还包括：执行模块还用于获取执行结果；可视化模块，用于接收执行模块发送的执行结果，并将执行结果进行可视化；更新模型模块，用于接收执行模块发送的执行结果，并根据执行结果更新故障预测模型。
23.本发明的上述发明目的三是通过以下技术方案得以实现的：一种基于机器学习的内存故障预测和自动修复系统，包括存储器和处理器，存储器上存储有能够被处理器加载并执行上述基于机器学习的内存故障预测和自动修复方法的计算机程序。
24.本发明目的四是提供一种计算机可读存储介质，存储有能够被处理器加载并执行上述中任一方法的计算机程序。
25.综上所述，本发明包括以下至少一种有益技术效果：终端设备通过获取本机的历史内存故障数据进行对故障预测模型的确定，当获取到内存运行数据存在故障时，终端设备会将故障数据输入故障预测模型中来自主生成修复脚本，当终端设备接收到执行该修复脚本时，终端设备就会自主的执行修复脚本。这大大的减少了对工作人员进行修复的依赖，提高了终端设备的自主可靠性。使用cgroup进程按照预设标准划分的进程，并以控制组为单位分配的资源；减轻内存碎片化，进一步的合理处理被其他应用程序占用的内存。采用关键字过滤分析技术对内存运行数据进行第一次异常分类，使得故障预测模型就可以减少对异常分类的处理，提高了故障预测效率。获取执行修复脚本的执行结果，并将执行结果进行可视化展示可以提高人机交互体验感。
附图说明
26.图1是本发明其中一实施例的基于机器学习的内存故障预测和自动修复方法一个流程示意图；图2是本发明其中一实施例的基于机器学习的内存故障预测和自动修复方法另一流程示意图；图3是本发明其中一实施例的基于机器学习的内存故障预测和自动修复方法再一流程示意图。
具体实施方式
27.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。
28.以下结合附图对本发明作进一步详细说明。
29.在本技术中，基于机器学习的内存故障预测和自动修复系统(在本技术实施例中简称“该系统”)可适用于任一能安装使用的终端设备。
30.本发明实施例提供一种基于机器学习的内存故障预测和自动修复方法，包括：如图1所示，为本技术实施例提供的一种基于机器学习的内存故障预测和自动修复的方法第一流程示意图，包括步骤s101-s103。
31.s101，采集内存运行数据，并对内存运行数据进行预处理获取目标运行数据；当终端设备开机运行时，就会启动基于机器学习的内存故障预测和自动修复方法(在本技术实施例中简称“该方法”)，该系统就会采集终端设备相关的内存运行数据，该内存运行数据包括内存使用率、内存延迟、内存错误率、内存页缓存、内存交换空间的使用、不同进程的内存占用和内存的物理状态等运行数据。由于刚采集到的内存运行数据可能存在数据不完整性或不一致性，这些数据可能无法直接使用，或是加大预期的不准确性等；所以采集内存运行数据后，要对其进行预处理，预处理过程包括对数据的清洗、数据的集成和数据的归约等。
32.在本实施例中，预处理方式可是使用关键字过滤分析技术。例如，预设关键字为“内存使用率”、“内存延迟”和“内存错误率”等，当内存运行数据包含关键字的时候，则根据关键字对内存数据进行集成和归约。
33.在本实施例中，内存运行数据不仅限于使用率、内存延迟、内存错误率、内存页缓存、内存交换空间的使用、不同进程的内存占用和内存的物理状态，还可以包括系统的工作负载或任何与内存相关的系统数据，此处不做具体限定。
34.s102，将目标运行数据输入预设故障预测模型以输出内存故障类型及修复脚本，预设故障预测模型包括利用tf算法对历史内存故障数据进行分析获取训练样本数据，将训练样本数据输入初始机器学习模型进行训练以构建预设故障预测模型，初始机器学习模型采用egb算法，tf算法为transformer算法，egb算法为extreme gradient boosting算法；tf算法的原理为一个输入对应一个输出，简单的解释就是将输入的内容根据预设条约进行翻译，并将翻译后的内容输出，使得输入的内容与输出的内容具有线性关系。即通过将历史内存故障数据带入tf算法中翻译成训练样本数据。当获取到训练样本数据后，将训练样本数据输入初始机器学习模型构建故障预测模型；该故障预测模型用于根据运行数据来预测故障。最后将在s101中获取到的目标运行数据输入故障预测模型中，以获取该系统内存可能会出现的故障问题。
35.在本实施例中，tf算法可以换成lstm算法，还可以换成cnn算法，具体此处不做具体限定。
36.在本实施例中，egb算法可以换成decision tree算法，还可以换成random forest算法，具体此处不做具体限定。
37.在本技术实施例中，预设故障预测模型可以是在步骤s101之前，也可以是步骤s101之后，具体此处不做具体限定。
38.在本技术实施例中，预设条约可以根据需求进行更新，此处不做具体限定。
39.在一种可能的实施例方式中，如图2所示，步骤包括s1021-s1024。
40.s1021，对历史故障数据进行归一化处理获取历史内存故障数据；刚采集到的历史故障数据中，可能会存在数据特征的差异性，为了减少数据特征
的差异性，需要进行数据标准化处理，即需要对历史数据进行归一化处理，将进行归一化处理后的数据确定为历史内存故障数据。
41.s1022，根据预设翻译阈值对历史内存故障数据进行翻译确定历史内存故障数据相对应的内存异常类型数据，并将内存异常类型数据确定为训练样本数据；上述提出了tf算法是用来将一个输入翻译成一个与其有线性关系的输出，即工作人员可以根据需要设置好预设翻译阈值，然后将历史内存数据进行翻译确定与历史内存数据相对应的内存异常类型数据。例如：历史内存故障数据包括第一内存故障、第二内存故障和第三内存故障，则根据预设翻译阈值将第一内存故障翻译成第一故障类型，或根据预设翻译阈值将第二内存故障翻译成第二故障类型；第三内存故障可能是第一故障类型，也可能是第二故障类型，则此时根据预设翻译阈值来确定第三内存故障的故障类型。最后将内存异常数据类型确定为训练样本数据。
42.s1023，对初始机器学习模型进行初始化处理；先确定初始机器学习模型使用的算法模型，在本实施例中，初始学习模型使用的算法模型是extreme gradient boosting算法，再初始化处理初始机器学习模型，包括初始机器学习模型参数进行预定义处理，即将初始机器学习模型中的参数初始化。
43.s1024，通过初始机器学习模型对训练样本数据进行决策树迭代处理获取总分值，训练样本数据包括第一样本数据和第二样本数据，总分值包括第一总分值和第二总分值，并根据总分值调整初始机器学习模型的权重来构建预设故障预测模型；在本实施例中，构建预设故障预测模型具体过程包括：在本实施例中，初始机器学习模型的输入为弱学习器，输出为强学习器。
44.设置最大迭代次数t，损失函数l，正则化系数为a，b；输入的样本集为(第一内存故障，第一内存故障所对应的故障类型)、(第二内存故障，第二内存故障所对应的故障类型)等。
45.对迭代次数t＝1，2，....t时，有(1)计算第i个样本(i＝1，2，...，m)在当前轮的损失函数l基于f
t-1
(xi)的一阶导数g
ti
和二阶导数h
ti
计算所述样本的一阶导数和以及二阶导数和(2)基于当前节点尝试分裂决策树，默认第一总分值为零(计算每个样本的总分值，根据总分值确定样本特征，即确定故障类型)，包括：将训练样本数据根据预设排列条件进行排序，在本实施例中，预设排列条件是根据特征从小到大排列，例如，若第一内存故障和第二内存故障都属于第一故障类型，则根据第一内存故障和第二内存故障关于第一故障类型的特征从小到大进行排序，若第二内存故障的特征小于第一内存故障的特征，则第二内存故障排列在第一内存故障之前。
46.将训练样本数据按照预设排列条件进行排序后，依次取出第i个样本，依次计算当前样本放入左子树后，左右子树的一阶和以及二阶导数和，具体公式为：g
l
＝g
l
+g
tigr
＝g+g
lhl
＝h
l
+h
tihr
＝h+h
lgl
为左子树一阶导数和；gr为右子树一阶导数和；h
l
为左子树二阶导数和；hr为右
子树二阶导数和。
47.尝试更新最大的总分值s，具体公式为：(3)基于最大的总分值对应的划分特征和特征值分裂子树；(4)如果最大的总分值为零，则当前决策树建立完毕，计算所有叶子区域的权重调整当前机器学习模型，更新强学习器，进入下一轮弱学习器迭代；如果最大的总分值不是零，则进行第二步继续尝试分裂决策树；(5)确定预设故障预测模型。
48.s103，接收执行修复脚本的第一指令并执行修复脚本；当将目标运行数据输入预设故障预测模型后，预设故障预测模型输出内存故障类型及修复脚本，该修复脚本是用来修复对用的内存故障的，当用户确定需要该修复脚本进行修复内存故障时，就会在显示屏上输入执行该修复脚本的执行指令，此时终端就会接收到执行修复脚本的第一指令，并根据该第一指令进行修复脚本。
49.在一种可能的实施例方式中，如图3所示，方法还包括步骤s104-s106。
50.s104，结合cgroup进程调整修复脚本获取目标脚本；在终端开机运行程序时，长时间运行的任务可能会导致内存碎片化问题，使得可用内存片段变得不连续，影响终端系统性能，则需要通过使用cgroup进程进行任务的周期性重启，可以释放被任务占用的内存，从而减轻内存碎片化问题，可以将cgroup进程结合到修复脚本上形成目标脚本，不仅修复内存故障问题，还可以设置cgroup的内存回收机制，及时回收未使用的内存，以减少碎片化的发生。
51.s105，获取执行修复脚本的执行结果，根据执行结果更新故障预测模型；当执行修复脚本后，就获取执行修复脚本的执行结果，该执行结果包括修复脚本内容和对应的内存故障类型，以及故障是否修复成功等，将该执行结果作为更新后的历史内存故障数据，通过更新后的历史内存故障数据进行迭代计算更新预设故障预测模型。
52.s106，可视化修复脚本的执行结果。
53.为了方便工作人员检查内存故障修复是否成功，则获取执行结果后，可是将该执行结果进行可视化展示，直接的告知工作人员是否修复成功，若没有修复成功，工作人员可以手动进行修复故障。
54.在本实施例中，执行结果可以是刚执行完修复脚本的时候进行展示，也可以是将执行结果进行存储，当工作人员需要检查时，从数据库中调取进行可视化展示，此处不做具体限定。
55.本技术实施例能够达到的有益效果包括：1.终端设备通过获取本机的历史内存故障数据进行对故障预测模型的确定，当获取到内存运行数据存在故障时，终端设备会将故障数据输入故障预测模型中来自主生成修复脚本，当终端设备接收到执行该修复脚本时，终端设备就会自主的执行修复脚本。这大大的减少了对工作人员进行修复的依赖，提高了终端设备的自主可靠性；2.使用cgroup进程按照预设标准划分的进程，并以控制组为单位分配的资源；减轻内存碎片化，进一步的合理处理被其他应用程序占用的内存。
56.3.采用关键字过滤分析技术对内存运行数据进行第一次异常分类，使得故障预测模型就可以减少对异常分类的处理，提高了故障预测效率。
57.4.获取执行修复脚本的执行结果，并将执行结果进行可视化展示可以提高人机交互体验感。
58.本技术通过采用上述方法，在终端系统运行可能出现内存故障类型时，能够通过当前系统的内存运行数据进行预测可能会存在的内存故障，尽可能的较少了对工作人员修复的依赖，提高了终端使用自主可靠性。
59.本技术实施例提供一种基于机器学习的内存故障预测和自动修复系统，包括采集/处理数据模块；故障预测模块；执行模块。
60.采集/处理数据模块，用于采集内存运行数据，并对内存运行数据进行预处理获取目标运行数据。
61.故障预测模块，用于接收采集/处理数据模块发送的目标运行数据，且将目标运行数据输入预设故障预测模型以输出内存故障类型及修复脚本，预设故障预测模型包括利用tf算法对历史内存故障数据进行分析获取训练样本数据，将训练样本数据输入初始机器学习模型进行训练以构建预设故障预测模型，初始机器学习模型采用egb算法。
62.执行模块，用于接收故障预测模块发送的内存故障类型和修复脚本，当接收执行修复脚本的第一指令时，执行修复脚本。
63.在本技术实施例中，可以是采集/处理数据模块采集内存运行数据，并对内存运行数据进行预处理获取目标运行数据，再将目标运行数据发送至故障预测模块；故障预测模块接收采集/处理数据模块发送的目标运行数据，且将目标运行数据输入预设故障预测模型以输出内存故障类型及修复脚本，预设故障预测模型包括利用tf算法对历史内存故障数据进行分析获取训练样本数据，将训练样本数据输入初始机器学习模型进行训练以构建预设故障预测模型，初始机器学习模型采用egb算法；并将内存故障类型及修复脚本发送至执行模块。执行模块接收故障预测模块发送的内存故障类型和修复脚本，当接收执行修复脚本的第一指令时，执行修复脚本。
64.在一种可能的实施方式中，还可以是该系统还包括策略管理模块、可视化模块和更新模型模块；其中故障预测模块包括采集子模块和处理子模块。策略管理模块，用于接收故障预测模块发送的内存故障类型和修复脚本，并结合cgroup进程调整修复脚本获取目标脚本；执行模块，还用于接收策略管理模块发送的目标脚本，当接收执行目标脚本的第二指令时，执行目标脚本；故障预测模块包括采集子模块和处理子模块，其中采集子模块，用于采集内存运行数据；处理子模块，用于使用关键字过滤分析技术对内存运行数据进行异常分类获取目标运行数据。执行模块还用于获取执行结果；可视化模块，用于接收执行模块发送的执行结果，并将执行结果进行可视化；更新模型模块，用于接收执行模块发送的执行结果，并根据执行结果更新故障预测模型。
65.需要说明的是：上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置和方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
66.本技术实施例提供了一种基于机器学习的内存故障预测和自动修复系统。基于机器学习的内存故障预测和自动修复系统可以包括：至少一个处理器，至少一个网络接口，用户接口，存储器，至少一个通信总线。
67.处理器用于调用存储器中存储有基于机器学习的内存故障预测和自动修复方法，当由一个或多个处理器执行时，使得基于机器学习的内存故障预测和自动修复系统执行如上述实施例中一个或多个所述的方法。
68.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本技术所必需的。
69.本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

技术特征：
1.一种基于机器学习的内存故障预测和自动修复方法，其特征在于，所述方法包括：采集内存运行数据，并对所述内存运行数据进行预处理获取目标运行数据；将所述目标运行数据输入预设故障预测模型以输出内存故障类型及修复脚本，所述预设故障预测模型包括利用tf算法对所述历史内存故障数据进行分析获取训练样本数据，将所述训练样本数据输入初始机器学习模型进行训练以构建预设故障预测模型，所述初始机器学习模型采用egb算法，所述tf算法为transformer算法，所述egb算法为extreme gradient boosting算法；接收执行所述修复脚本的第一指令并执行所述修复脚本。2.根据权利要求1所述的方法，其特征在于，所述利用tf算法对所述历史内存故障数据进行分析获取训练样本数据，具体包括：对所述历史故障数据进行归一化处理获取历史内存故障数据；根据预设翻译阈值对所述历史内存故障数据进行翻译确定所述历史内存故障数据相对应的内存异常类型数据，并将所述内存异常类型数据确定为训练样本数据。3.根据权利要求1或2中任一项所述的方法，其特征在于，所述将所述训练样本数据输入初始机器学习模型进行训练以构建故障预测模型，所述初始机器学习模型采用egb算法，具体包括：对初始机器学习模型进行初始化处理；通过所述初始机器学习模型对所述训练样本数据进行决策树迭代处理获取总分值，所述训练样本数据包括第一样本数据和第二样本数据，所述总分值包括第一总分值和第二总分值，并根据所述总分值调整所述初始机器学习模型的权重来构建预设故障预测模型。4.根据权利要求1或2中任一项所述的方法，其特征在于，所述方法还包括：结合cgroup进程调整所述修复脚本获取目标脚本。5.根据权利要求1或2中任一项所述的方法，其特征在于，所述方法还包括：获取执行所述修复脚本的执行结果，根据所述执行结果更新所述预设故障预测模型。6.根据权利要求1或2中任一项所述的方法，其特征在于，所述方法还包括：可视化所述修复脚本的执行结果。7.一种基于机器学习的内存故障预测和自动修复系统，其特征在于，所述系统包括：采集/处理数据模块，用于采集内存运行数据，并对所述内存运行数据进行预处理获取目标运行数据；故障预测模块，用于接收所述采集/处理数据模块发送的所述目标运行数据，且将所述目标运行数据输入预设故障预测模型以输出内存故障类型及修复脚本，所述预设故障预测模型包括利用tf算法对历史内存故障数据进行分析获取训练样本数据，将所述训练样本数据输入初始机器学习模型进行训练以构建预设故障预测模型，所述初始机器学习模型采用egb算法；执行模块，用于接收所述故障预测模块发送的所述内存故障类型和所述修复脚本，当接收执行所述修复脚本的第一指令时，执行所述修复脚本。8.根据权利要求7所述的系统，其特征在于，所述系统还包括：策略管理模块，用于接收所述故障预测模块发送的内存故障类型和所述修复脚本，并结合cgroup进程调整所述修复脚本获取目标脚本；
所述执行模块，还用于接收所述策略管理模块发送的所述目标脚本，当接收执行所述目标脚本的第二指令时，执行所述目标脚本。9.根据权利要求7所述的系统，其特征在于，所述故障预测模块包括采集子模块和处理子模块：采集子模块，用于采集内存运行数据；处理子模块，用于使用关键字过滤分析技术对所述内存运行数据进行异常分类获取目标运行数据。10.根据权利要求7所述的系统，其特征在于，所述系统还包括：所述执行模块还用于获取执行结果；可视化模块，用于接收所述执行模块发送的所述执行结果，并将所述执行结果进行可视化；更新模型模块，用于接收所述执行模块发送的执行结果，并根据所述执行结果更新故障预测模型。

技术总结
本发明涉及一种基于机器学习的内存故障预测和自动修复方法及系统，包括采集内存运行数据，并对所述内存运行数据进行预处理获取目标运行数据；将所述目标运行数据输入预设故障预测模型以输出内存故障类型及修复脚本，所述预设故障预测模型包括利用TF算法对所述历史内存故障数据进行分析获取训练样本数据，将所述训练样本数据输入初始机器学习模型进行训练以构建预设故障预测模型，所述初始机器学习模型采用EGB算法；接收执行所述修复脚本的第一指令并执行所述修复脚本。采用本申请实施例，可自主生成并执行修复脚本，提高终端设备的自主可靠性。的自主可靠性。的自主可靠性。


技术研发人员：黄贵龙 何志平 黄志鹏 周潇 贾兵 刘虎 周南
受保护的技术使用者：天固信息安全系统（深圳）有限公司
技术研发日：2023.06.29
技术公布日：2023/10/8