1.一种基于机器学习的分布式系统故障诊断方法，其特征在于，包括：搜集历史时间区间内的分布式系统的状态样本数据，并进行数据预处理；

对预处理过的样本数据集的故障类型进行归类，统计样本数据集中的故障类型，构建系统故障类型知识库；

使用多层感知机前处理模型拟合数据集，提取出故障特征间的深层特征嵌入；将所述深层特征嵌入和预处理过的样本数据集拼接在一起，得到扩充数据集；

将所述扩充数据集中的特征作为基学习器的输入，将扩充数据集中的标签作为基学习器的目标，对基学习器进行训练，并且将基学习器及其参数保存下来，并利用基学习器对扩充数据集中的特征进行预测，得到各故障类型出现的概率；

将各故障类型出现的概率，作为元学习器的元特征输入，将扩充数据集中的标签作为元学习器的输出，对元学习器进行训练，并将元学习器以及其参数保存下来，得到输入为特征表示，输出为最终故障类型概率的诊断模型；

获取待故障诊断的分布式系统状态信息样本数据集，将数据集中每个样本的节点的状态信息输入基于多层感知机的前处理模型中生成深层特征嵌入，与原始特征合并后得到扩充后的数据集，并输入基学习器得到元学习器的元特征；

将元特征输入诊断模型，通过和系统故障类型知识库中的故障类别进行比对，得到每个样本最终属于何种故障类型的概率集合，并根据诊断模型给出的置信度确定故障节点的故障类型。

2.如权利要求1所述的基于机器学习的分布式系统故障诊断方法，其特征在于，所述搜集历史时间区间内的分布式系统的状态样本数据，并进行数据预处理包括：将所有样本数据的特征列读入，同时提取样本数据中的标签列，根据样本数据的重复情况删除掉重复数据；

获取含缺失数据的特征列集合，并按每个特征列中的缺失数量排序；

对特征列里的数据进行标准化处理，消除特征列的数值问题；

选取缺失数量最少的特征列作为当前预测目标，对其余特征列缺失值做0填充；

以当前特征列中无缺失值的样本作为训练集，含有缺失值的样本作为测试集，训练填充模型，保存填充模型及对应参数，将填充模型对测试集的预测作为填充值；

按照缺失数量选定待填充特征列，重复填充，直到完成所有缺失值的填充，最后返回填充后的样本集。

3.如权利要求2所述的基于机器学习的分布式系统故障诊断方法，其特征在于，所述对预处理过的样本数据集的故障类型进行归类，统计样本数据集中的故障类型，构建系统故障类型知识库包括：根据所述填充后的样本集，读入样本数据中的标签列；

若标签列中为分类变量，则利用整数映射将其数值化，否则不做处理；

取标签列中对象的唯一值并将其归类，统计每种故障类别出现的次数，计算故障类别出现的频率，构建系统故障类别知识库。

4.如权利要求3所述的基于机器学习的分布式系统故障诊断方法，其特征在于，所述使用多层感知机前处理模型拟合数据集，提取出故障特征间的深层特征嵌入包括：根据所述填充后的样本集，读入样本数据的特征列，和对应的标签列，以特征列为输入，标签列为输出，训练一个浅层神经网络；

使用所述浅层神经网络预测特征列，获得特征间的深层特征嵌入。

5.如权利要求4所述的基于机器学习的分布式系统故障诊断方法，其特征在于，所述将所述扩充数据集中的特征作为基学习器的输入，将扩充数据集中的标签作为基学习器的目标，对基学习器进行训练，并且将基学习器及其参数保存下来，并利用基学习器对扩充数据集中的特征进行预测，得到各故障类型出现的概率包括：重复获取故障类型概率共3次，得到三种基学习器和基学习器各自输出的测试集上各故障类型概率；

将得到的三种基学习器输出的各故障类型概率拼接起来，得到元特征；

所述获取故障类型概率包括：将扩充数据集中的特征与对应的标签列随机切分为5个互不相交的子集，通过分层交叉验证来评估基学习器，获得基学习器在验证集上的输出的各故障类型的概率；

重复评估共k次，得到k个基学习器模型，同时获得这k个基学习器输出的各故障类型概率，其中基学习器通过以下公式加权弱学习器：；

其中 表示弱学习器， 表示最终的学习器， 表示

损失，在损失表达式中， 表示当前优化的目标值， 表示当前优化的模型。

6.如权利要求5所述的基于机器学习的分布式系统故障诊断方法，其特征在于，所述将各故障类型出现的概率，作为元学习器的元特征输入，将扩充数据集中的标签作为元学习器的输出，对元学习器进行训练，并将元学习器以及其参数保存下来，得到输入为特征表示，输出为最终故障类型概率的诊断模型包括：读入元特征和元特征对应的标签列；以元特征为输入，相对应的标签列为输出，训练元学习器，得到最终故障类型概率的诊断模型。

7.如权利要求6所述的基于机器学习的分布式系统故障诊断方法，其特征在于，所述将元特征输入诊断模型，通过和系统故障类型知识库中的故障类别进行比对，得到每个样本最终属于何种故障类型的概率集合，并根据诊断模型给出的置信度确定故障节点的故障类型包括：将基于待故障诊断的分布式系统状态信息样本数据集生成的元特征输入诊断模型，得到样本可能的各故障类型概率；

将可能的故障类型与系统故障类别知识库中的故障类别进行对比，如果存在系统故障类别知识库中不存在的类别，则去除对应的样本；

对比完成后，根据诊断模型给出的置信度获取最终的故障诊断类型。

8.一种采用如权利要求1 7任一所述的基于机器学习的分布式系统故障诊断方法的装~置，其特征在于，包括：

预处理模块，用于搜集历史时间区间内的分布式系统的状态样本数据，并进行数据预处理；

知识库构建模块，用于对预处理过的样本数据集的故障类型进行归类，统计样本数据集中的故障类型，构建系统故障类型知识库；

提取模块，用于使用多层感知机前处理模型拟合数据集，提取出故障特征间的深层特征嵌入；将所述深层特征嵌入和预处理过的样本数据集拼接在一起，得到扩充数据集；

训练模块，用于将所述扩充数据集中的特征作为基学习器的输入，将扩充数据集中的标签作为基学习器的目标，对基学习器进行训练，并且将基学习器及其参数保存下来，并利用基学习器对扩充数据集中的特征进行预测，得到各故障类型出现的概率；

诊断模型生成模块，用于将各故障类型出现的概率，作为元学习器的元特征输入，将扩充数据集中的标签作为元学习器的输出，对元学习器进行训练，并将元学习器以及其参数保存下来，得到输入为特征表示，输出为最终故障类型概率的诊断模型；

元特征生成模块，用于获取待故障诊断的分布式系统状态信息样本数据集，将数据集中每个样本的节点的状态信息输入基于多层感知机的前处理模型中生成深层特征嵌入，与原始特征合并后得到扩充后的数据集，并输入基学习器得到元学习器的元特征；

诊断模块，用于将元特征输入诊断模型，通过和系统故障类型知识库中的故障类别进行比对，得到每个样本最终属于何种故障类型的概率集合，并根据诊断模型给出的置信度确定故障节点的故障类型。

9.一种计算设备，包括：

存储器和处理器；

所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于机器学习的分布式系统故障诊断方法的步骤。

10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于机器学习的分布式系统故障诊断方法的步骤。