深度学习利用热成像和传感器融合预测网络硬件故障

研究人员开发了一种用于网络硬件预测性维护的深度学习策略，利用热成像和电源传感器数据。该研究评估了包括ResNet-50、InceptionV3和VGG16在内的几种模型，以及一个CNN-LSTM融合模型。通过特定领域的预处理（如感兴趣区域提取），性能显著提高，将ResNet-50的准确率提高到91%。CNN-LSTM模型达到了最高的94%准确率，证明了融合视觉和传感器时间序列信息在主动硬件维护方面的有效性。 AI

影响 这项研究可能通过主动维护提高数据中心的可靠性，减少停机时间和成本。

排序理由 该集群包含一篇详细介绍用于网络硬件故障检测的新型深度学习方法的 ist 研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Hugging Face
• ImageNet
• Inceptionv3
• ResNet-50
• Vgg16

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →