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！

龙图腾网获悉齐鲁工业大学(山东省科学院);山东省计算中心(国家超级计算济南中心)申请的专利基于业务影响驱动的参数微调与自适应结构剪枝的故障预测方法及系统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：CN121350511B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202511919476.X，技术领域涉及：G06F18/20；该发明授权基于业务影响驱动的参数微调与自适应结构剪枝的故障预测方法及系统是由王继彬;范超然;郭莹;潘景山;吴晓明;杨美红设计研发完成，并于2025-12-18向国家知识产权局提交的专利申请。

本基于业务影响驱动的参数微调与自适应结构剪枝的故障预测方法及系统在说明书摘要公布了：本发明涉及基于业务影响驱动的参数微调与自适应结构剪枝的故障预测方法及系统，属于人工智能、时序数据分析、及智能运维技术领域；包括：步骤S1：业务影响数据建模：对多源运维数据与历史业务故障事件数据进行整合，并构建业务影响量化模型；步骤S2：业务影响引导的参数高效微调：加载预训练故障预测模型，并基于业务影响信号对其进行参数高效微调；步骤S3：业务影响驱动的自适应结构剪枝：步骤S4：动态推理与告警生成：实现剪枝后故障预测模型的动态推理机制，并根据推理结果生成结构化、业务价值导向的故障预测告警；步骤S5：闭环优化与持续进化。本发明提升了运维资源的配置精准性。

本发明授权基于业务影响驱动的参数微调与自适应结构剪枝的故障预测方法及系统在权利要求书中公布了：1.基于业务影响驱动的参数微调与自适应结构剪枝的故障预测方法，其特征在于，包括以下步骤： 步骤S1：业务影响数据建模：对多源运维数据与历史业务故障事件数据进行整合，并构建业务影响量化模型，以对潜在故障的业务影响进行量化，业务影响定义为：IT系统故障对业务运营造成的、可测量的负面后果的综合评估； 步骤S2：业务影响引导的参数高效微调：加载预训练故障预测模型，并基于业务影响信号对其进行参数高效微调； 步骤S3：业务影响驱动的自适应结构剪枝：对微调后的故障预测模型进行业务影响梯度显著性评估，并依据评估结果进行自适应结构剪枝； 步骤S4：动态推理与告警生成：实现剪枝后故障预测模型的动态推理机制，并根据推理结果生成结构化、业务价值导向的故障预测告警； 步骤S5：闭环优化与持续进化：收集预测告警的反馈数据，并基于反馈数据对模型进行持续迭代优化，以实现自学习与进化； 步骤S1的具体实现过程包括： 步骤S1.1：多源运维数据与业务事件数据整合，通过特征工程对日志、指标和链路追踪数据进行预处理，并与历史故障事件数据对齐，形成标注数据集；其中，多源运维数据包括日志数据、指标数据及链路追踪数据；业务事件数据包括故障定级记录、业务影响量化数据、故障处置记录及根因分析报告； 步骤S1.2：构建业务影响量化模型即MBIP模型，业务影响量化模型为基于Transformer的多模态融合注意力网络，训练业务影响量化模型，根据运维数据预测量化业务影响分数、故障类型和预期平均恢复时间； 步骤S1.1中，通过特征工程对日志、指标和链路追踪数据进行预处理；包括： 日志数据预处理，包括：从分布式系统日志、应用日志、中间件日志中持续收集原始数据流；采用Drain日志解析工具，通过构建解析树，从原始日志文本中提取出结构化的日志模板和参数信息； 指标数据预处理：指标数据包括系统级别、应用级别；对指标数据进行Min-Max标准化； 并使用滑动窗口计算均值、标准差、斜率统计特征；同时，利用PELT算法对指标数据进行突变点检测，识别时间序列中的显著变化点； 链路追踪数据预处理：从分布式追踪系统中收集，解析为Span数据；构建基于服务的有向图，其中节点表示服务，边表示服务间的调用关系；提取每个服务的平均延迟、P99延迟、错误码分布、以及包含特定服务调用超时或错误传播的异常链路特征； 历史故障事件数据对齐与标注：历史故障事件记录从事件管理系统获取，包含故障ID、发生时间、故障等级、实际平均恢复时间、受影响业务单元、实际造成的财务损失金额、受影响用户数量以及人工编写的根因分析报告； 将预处理后的日志、指标和链路追踪数据与对应时间窗口的历史故障事件数据进行关联和标注，形成标注数据集即最终的训练数据集； 业务影响量化模型集成针对不同数据模态的专用编码器，用于提取日志、指标和链路追踪数据的深层特征；针对不同数据模态的专用编码器包括日志编码器、指标编码器及链路追踪编码器； 日志编码器、指标编码器及链路追踪编码器的输出向量通过两次多头交叉注意力机制进行融合，得到融合后的最终向量； 融合后的最终向量输入到三个并行的全连接层组成的预测头，以实现多任务预测； 日志编码器、指标编码器及链路追踪编码器的输出向量通过两次多头交叉注意力机制进行融合；包括： 第一次交叉注意力：以日志编码器输出作为查询，指标编码器输出作为键和值；通过计算:实现日志信息对指标信息的交叉融合；为第一次交叉注意力操作的输出，是指日志特征与指标特征融合后的表示向量；softmax是一种激活函数；为注意力机制中的缩放因子； 第二次交叉注意力：以第一次交叉注意力输出作为查询，链路追踪编码器输出作为键和值；通过计算:将链路追踪信息进一步融入到已融合的日志和指标表示中，得到最终的多模态融合向量； 三个并行的全连接层包括BIS回归头、故障类型分类头及MTTR回归头； BIS回归头为一个两层MLP，用于输出业务影响分数； 故障类型分类头为一个两层MLP，通过Softmax激活，输出故障类型的概率分布； MTTR回归头为一个两层MLP，用于输出预期平均恢复时间； 业务影响分数BIS被设计为一个加权和，各组成部分均来源于对齐的历史故障事件数据，如下所示： ； 其中：为标准化的平均恢复时间； 为标准化的受影响用户数； 为标准化的财务损失； 为故障等级的独热编码向量； 、、、均为权重系数。

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齐鲁工业大学(山东省科学院);山东省计算中心(国家超级计算济南中心)，其通讯地址为：250353 山东省济南市长清区大学路3501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。