1.一种向前故障恢复方法，其特征在于，应用于智能计算云操作系统，所述智能计算云操作系统为适配于云计算环境的操作系统；所述智能计算云操作系统中包括多个组件，所述多个组件分别用于实现所述智能计算云操作系统中的不同数据处理任务；所述向前故障恢复方法包括：监测所述智能计算云操作系统中各个组件的系统状态数据；所述系统状态数据至少包括以下之一：系统组件状态、性能指标、资源利用率、网络流量、系统事件、系统错误日志；

通过向前故障预测模型，对所述系统状态数据进行预测分析，以获得目标组件的潜在故障模式；所述潜在故障模式至少包括以下之一：硬件故障、软件错误、网络问题；所述向前故障预测模型至少包括：双星对比参数网络；所述双星对比参数网络用于定位所述目标组件，为所述潜在故障模式的识别提供判别基础；

通过向前故障修复模型，对所述潜在故障模式进行修复模式学习，以获得所述目标组件的智能化修复模式；所述智能化修复模式至少包括以下之一：自动化修复操作、系统配置调整、组件替换；

对所述目标组件执行所述智能化修复模式下的修复操作，以预防所述智能计算云操作系统中出现潜在故障；

所述向前故障预测模型：指标识别层、异常行为识别层、故障分析层；

所述通过向前故障预测模型，对所述系统状态数据进行预测分析，以获得目标组件的潜在故障模式，包括：通过指标识别层，对所述系统状态数据进行异常指标分析，以获得所述智能计算云操作系统的异常指标数据；

通过异常行为识别层，对所述异常指标数据进行组件定位以及异常行为分析，以获得所述目标组件的异常行为数据；

通过故障分析层，对所述异常行为数据进行模式判别，以获取所述异常行为数据对应的潜在故障模式；

所述通过异常行为识别层，对所述异常指标数据进行组件定位以及异常行为分析，以获得所述目标组件的异常行为数据，包括：将所述异常指标数据与预先构建的双星对比参数网络中各个组件的双星对比参数样本进行对比学习，以定位所述异常指标数据对应的目标组件；其中，每一双星对比参数样本中包含：基于历史指标数据分离出的异常行为状态特征、以及对应的正常行为状态特征；

将所述异常指标数据按照对应的目标组件进行分类重组，以获得多个目标组件各自对应的异常指标数据；

将多个目标组件各自对应的异常指标数据分别转换为异常行为识别矩阵；

对多个目标组件各自对应的异常行为识别矩阵进行异化度识别计算，以获得多个目标组件各自对应的异常行为数据；

所述将所述异常指标数据与预先构建的双星对比参数网络中各个组件的双星对比参数样本进行对比学习，以定位所述异常指标数据对应的目标组件，包括：计算所述异常指标数据与各个组件的双星对比参数样本之间的趋同性程度；

选择与所述异常指标数据之间趋同性程度最高的组件作为所述目标组件；

其中，第t个时刻下采集的异常指标数据集与第c个组件之间的趋同性程度 的计算公式为：c

其中，Xmal 表示第t个时刻下采集的异常指标数据集中与第c个组件对应的数据，P×t+1,cSiam 表示第t+1个时刻下第c个组件的双星对比参数，P为偏置权重，jsim表示用于衡量两个集合元素之间在第一评估维度下趋同度的第一评估函数，α和β为动态配比的平衡参数，msim表示用于衡量两个集合元素之间在第二评估维度下趋同度的第二评估函数；

所述双星对比参数网络中至少包含：第一子模型和第二子模型；第一子模型和第二子模型的网络结构相似，且网络参数之间存在一定映射关系；第一子模型和第二子模型分别用于抽取双星对比参数样本中的更新特性，以提升双星对比参数样本中异常行为状态特征以及对应的正常行为状态特征之间的异化分离度；

所述双星对比参数网络中损失函数对网络参数的梯度值表示为如下公式：(y)

其中，L 表示所述双星对比参数网络中预测值y与对应真实值之间的差异度损失函t+1数，Pst 表示所述双星对比参数网络中第一子模型在未来第t+1个时刻下的网络参数，和(y)为自适应动态权重系数， 表示差异度损失函数L 对第一子模型的未来网络参数的变化率，Wte表示所述双星对比参数网络中第二子模型的网络参数， 表示差异度损失函(y)数L 对第二子模型的网络参数的变化率， 表示第二子模型的网络参数在参数空间中的更新变化方向。

2.根据权利要求1所述的向前故障恢复方法，其特征在于，所述通过指标识别层，对所述系统状态数据进行异常行为分析，以获得所述智能计算云操作系统的异常指标数据，包括：将所述系统状态数据输入到第一自适应转换模型中，按照分离度量约束对所述系统状态数据进行重构，以获得第一重构系统状态特征；

将所述系统状态数据输入到第二自适应转换模型中，从所述系统状态数据中学习对应的潜在数据概率分布特征，并以学习到的潜在数据概率分布特征进行中采样处理，以获得第二重构系统状态特征；

基于第一重构系统状态特征以及第二重构系统状态特征，获取所述系统状态数据对应的对比评估指标分值；所述对比评估指标分值至少包括：重构误差、分离度量约束参数、潜在数据概率分布参数；

根据所述对比评估指标分值，识别出第一重构系统状态特征以及第二重构系统状态特征中异常分化概率高于设定动态识别门限的数据特征，作为所述异常指标数据。

3.根据权利要求1所述的向前故障恢复方法，其特征在于，双星对比参数网络中的参考异常行为识别矩阵为基于历史指标数据预先构建的；

对异常行为识别矩阵中的矩阵元素i以及所述参考异常行为识别矩阵中对应的参考矩阵元素j之间的异化度程度h(i,j)的识别计算过程表示为如下公式：其中，ω1、ω2分别为动态权重参数，ri和rj分别表示矩阵元素i和参考矩阵元素j各自对应的异化程度得分， 为矩阵元素i和参考矩阵元素j各自对应的异化程度得分之间的绝对差异值，li,k和lj,k分别表示矩阵元素i和参考矩阵元素j在第k个维度上各自所属的异常行为类别，m为异常行为类别的维度数量， 表示在计算异化度时考虑了矩阵元素i和参考矩阵元素j在m个维度上的异常行为类别之间的差异程度估值。

4.根据权利要求1所述的向前故障恢复方法，其特征在于，所述向前故障修复模型至少包括：模式获取层、修复策略层、修复配置层、输出层；

所述通过向前故障修复模型，对所述潜在故障模式进行修复模式学习，以获得所述目标组件的智能化修复模式，包括：通过模式获取层，对所述潜在故障模式进行模式解析，以获得所述潜在故障模式的潜在根源特征；所述潜在根源特征至少包括以下之一：硬件组件的物理损坏、电路连接问题、元件老化、软件组件中的逻辑错误、内存泄漏、网络通信中的延迟、丢包、网络拥塞；

通过修复策略层，对所述潜在根源特征进行预判断，以选取即将出现潜在故障模式对应的目标修复策略；所述目标修复策略至少包括：修复目标对象、修复操作；

通过修复配置层，对所述目标修复策略进行参数预配置，以获得所述目标修复策略对应的目标预配置参数；

通过输出层，基于所述目标修复策略以及所述目标预配置参数，构建所述目标组件的智能化修复模式。

5.一种智能计算云操作系统，其特征在于，所述智能计算云操作系统为适配于云计算环境的操作系统；所述智能计算云操作系统中包括多个组件，所述多个组件分别用于实现所述智能计算云操作系统中的不同数据处理任务；所述智能计算云操作系统包括：监测单元，被配置为监测所述智能计算云操作系统中各个组件的系统状态数据；所述系统状态数据至少包括以下之一：系统组件状态、性能指标、资源利用率、网络流量、系统事件、系统错误日志；

预测单元，被配置为通过向前故障预测模型，对所述系统状态数据进行预测分析，以获得目标组件的潜在故障模式；所述潜在故障模式至少包括以下之一：硬件故障、软件错误、网络问题；所述向前故障预测模型至少包括：双星对比参数网络；所述双星对比参数网络用于定位所述目标组件，为所述潜在故障模式的识别提供判别基础；

获取单元，被配置为通过向前故障修复模型，对所述潜在故障模式进行修复模式学习，以获得所述目标组件的智能化修复模式；所述智能化修复模式至少包括以下之一：自动化修复操作、系统配置调整、组件替换；

修复单元，被配置为对所述目标组件执行所述智能化修复模式下的修复操作，以预防所述智能计算云操作系统中出现潜在故障；

所述向前故障预测模型：指标识别层、异常行为识别层、故障分析层；

所述通过向前故障预测模型，对所述系统状态数据进行预测分析，以获得目标组件的潜在故障模式，包括：通过指标识别层，对所述系统状态数据进行异常指标分析，以获得所述智能计算云操作系统的异常指标数据；

通过异常行为识别层，对所述异常指标数据进行组件定位以及异常行为分析，以获得所述目标组件的异常行为数据；

通过故障分析层，对所述异常行为数据进行模式判别，以获取所述异常行为数据对应的潜在故障模式；

所述通过异常行为识别层，对所述异常指标数据进行组件定位以及异常行为分析，以获得所述目标组件的异常行为数据，包括：将所述异常指标数据与预先构建的双星对比参数网络中各个组件的双星对比参数样本进行对比学习，以定位所述异常指标数据对应的目标组件；其中，每一双星对比参数样本中包含：基于历史指标数据分离出的异常行为状态特征、以及对应的正常行为状态特征；

将所述异常指标数据按照对应的目标组件进行分类重组，以获得多个目标组件各自对应的异常指标数据；

将多个目标组件各自对应的异常指标数据分别转换为异常行为识别矩阵；

对多个目标组件各自对应的异常行为识别矩阵进行异化度识别计算，以获得多个目标组件各自对应的异常行为数据；

所述将所述异常指标数据与预先构建的双星对比参数网络中各个组件的双星对比参数样本进行对比学习，以定位所述异常指标数据对应的目标组件，包括：计算所述异常指标数据与各个组件的双星对比参数样本之间的趋同性程度；

选择与所述异常指标数据之间趋同性程度最高的组件作为所述目标组件；

其中，第t个时刻下采集的异常指标数据集与第c个组件之间的趋同性程度 的计算公式为：c

其中，Xmal 表示第t个时刻下采集的异常指标数据集中与第c个组件对应的数据，P×t+1,cSiam 表示第t+1个时刻下第c个组件的双星对比参数，P为偏置权重，jsim表示用于衡量两个集合元素之间在第一评估维度下趋同度的第一评估函数，α和β为动态配比的平衡参数，msim表示用于衡量两个集合元素之间在第二评估维度下趋同度的第二评估函数；

所述双星对比参数网络中至少包含：第一子模型和第二子模型；第一子模型和第二子模型的网络结构相似，且网络参数之间存在一定映射关系；第一子模型和第二子模型分别用于抽取双星对比参数样本中的更新特性，以提升双星对比参数样本中异常行为状态特征以及对应的正常行为状态特征之间的异化分离度；

所述双星对比参数网络中损失函数对网络参数的梯度值表示为如下公式：(y)

其中，L 表示所述双星对比参数网络中预测值y与对应真实值之间的差异度损失函t+1数，Pst 表示所述双星对比参数网络中第一子模型在未来第t+1个时刻下的网络参数，和(y)为自适应动态权重系数， 表示差异度损失函数L 对第一子模型的未来网络参数的变化率，Wte表示所述双星对比参数网络中第二子模型的网络参数， 表示差异度损失函(y)数L 对第二子模型的网络参数的变化率， 表示第二子模型的网络参数在参数空间中的更新变化方向。

6.一种智能计算平台，其特征在于，所述智能计算平台包括：

至少一个处理器、存储器和输入输出单元；

其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行如权利要求1至4中任一项所述的向前故障恢复方法。