1.一种多通道可用的大数据实时决策系统,其特征在于,所述系统包括:
节点特征信息提取模块用于采集每个Docker集群中每个业务节点处理数据所需要的往复时间,获得所述Docker集群对应的往复时间序列;以所述往复时间序列的方差作为所述Docker集群的数据处理均衡性;往复时间为当前处理多通道数据的业务节点经历计算后返回结果的时间;
数据处理模块用于将连续时刻下的所述往复时间序列数据根据预设期望维数进行降维,获得降维数据;将所述降维数据与所述均衡性合并为新的往复时间特征数据;将所述新的往复时间特征数据进行相空间重构,获得重构往复时间特征数据;
网络生成模块用于根据大量所述重构往复时间特征数据作为训练数据对往复时间特征预测神经网络进行训练;
实时决策模块用于获取每个所述Docker集群的实时重构往复时间特征数据,将所述实时重构往复时间特征数据输入所述往复时间特征预测神经网络中,获得未来时刻的预测往复时间特征数据;根据每个所述Docker集群与其他Docker集群所述预测往复时间特征数据的差异获得每个所述Docker集群的亲缘性;将所述亲缘性小于预设亲缘性阈值的所述Docker集群作为所述未来时刻的异常集群;减少对所述异常集群的数据分配量;
所述将所述往复时间序列根据预设期望维数进行降维,获得降维数据包括:
利用RBF核函数的核主成分分析法对所述往复时间序列进行降维;所述将所述往复时间特征数据进行相空间重构,获得重构往复时间特征数据包括:利用改进的C‑C法求解往复时间特征数据的最佳延迟时间和嵌入维数,根据最佳延迟时间和嵌入维数,利用延迟坐标法将往复时间特征数据重构到多维相空间中,获得所述重构往复时间特征数据;
所述往复时间特征预测神经网络选用LSTM神经网络结构,利用BPTT反向传播算法进行训练,损失函数采用均方差函数;
所述根据每个所述Docker集群与其他Docker集群所述预测往复时间特征数据的差异获得每个所述Docker集群的亲缘性包括:获得目标Docker集群与每个所述其他Docker集群的所述预测往复时间特征数据之间的余弦距离;以所述目标Docker集群的平均余弦距离的倒数作为所述目标Docker集群的所述亲缘性;所述亲缘性越大,表示当前的Docker集群越正常。