文档介绍：第31卷第2期研究与开发
treatment in application operation and maintenance management, and has certain practical value in reducing the
difficulty of application operation and maintenance management and improving operation and maintenance efficiency.
Keywords: cloud data center；Recurrent Neural Network (RNN)；feature engineering；Gated Recurrent Unit (GRU)；
failure prediction；Single Layer Perceptron (SLP）

中国国家铁路集团有限公司（简称：国铁集团）精准定位故障，导致故障修复时间较长、影响范围
在2018年建成铁路主数据中心并投入使用。该中心和程度不能及时有效控制 [2]。在云架构体系下，如果
支撑的应用超过350项，采用新一代云架构体系，容仍旧依靠传统的运维方式，将使运维成本大幅增加，
纳服务器设备数量达数万台。因此，对铁路主数据但运维效果却难达预期，如果能提前预测未来可能
中心运维管理工作提出了更高的要求。铁路主数据发生的故障，运维人员就可在故障发生前进行定点
中心运行与维护（简称：运维）管理工作是该中心排查，提前采取应对措施，避免故障发生后导致的
各项业务应用平稳可靠、安全高效的重要支撑[1]。传损失，因此推动铁路主数据中心智能化运维已成为
统的应用故障监控方式只能在故障发生后，由运维必然趋势[3]，运维结合人工智能和深度学****技术，能
人员根据故障现象逐层溯源排查，难以在短时间内有效提升云数据中心智能化水平和运维效率 [4]。

近年来，不少学者针对数据中心故障预测技术
收稿日期：2021-07-07
作者简介：胡小宁，高级工程师。