[發明專利]工業數據中心機房運維KPI數據分類方法

在審

• 申請號: 202111573790.9
• 申請日: 2021-12-21
• 公開（公告）號: CN114238446A
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 倪楊;張陽;馬健;陳慶;李媛
• 申請（專利權）人: 四川中煙工業有限責任公司
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06F16/215;G06K9/62;G06N20/00;G06Q10/00;G06Q50/04
• 代理公司: 四川省成都市天策商標專利事務所(有限合伙) 51213
• 代理人: 龔海月

本發明公開了一種工業數據中心機房運維KPI數據分類方法，包括：實時采集機房運行狀態數據；對采集的運行狀態數據X₁進行清洗，利用機器學習對采集的運行狀態數據進行預處理；利用經驗小波變換對預處理后的運行狀態數據進行淺層特征提取，形成KPI特征樣本集，所述KPI特征樣本集包括各個原始的運行狀態數據的訓練數據特征；將所述KPI特征樣本集輸入Attention_GRU算法進行深層特征提取并對比原始的運行狀態數據得到檢測結果；通過分級管理系統，智能下發機器學習預測結果、識別結果對應的調度命令；本發明克服了常規自動化運維方式無法滿足現在人們對智能運維的需求的缺陷。

技術領域

本發明涉及機器學習技術領域，特別是一種工業數據中心機房運維KPI數據分類方法。

背景技術

煙草公司的運維工作主要包括配置管理和監控，運維人員每天都要進行大量的模塊維護操作。運維的操作設計程序更新、配置修改、數據傳輸以及各種自定義的命令執行。在運維過程中，這些大多是通過手工操作或編寫腳本的方式，將模塊更新到生產環境中，手工操作不可避免的會帶來誤操作，效率低下，甚至出現模塊上線操作排隊的現象。另一方面對數據中心運行的監控，數據中心里運行著成千上萬臺的各種設備，經常會出現這樣那樣的問題，要等到故障反映到業務層面，那實際上已經造成了損失，所以在嚴重故障發生之前，如果能夠發現一些設備運行的異常表現，及時消除就可以減少故障對數據中心的影響，對數據中心進行監控就是將危險消滅在搖籃之中。然而數據中心里的設備、應用程序、組網包含很多小系統，非常復雜，如果靠人去檢查，不僅效率低還容易漏掉，而通過智能化運維就可以通過機器去檢查所有運行的設備，并且對這些運行的設備進行監控，發現隱患及時告警，當運維收到這些告警時，再采取行動。根據調研的情況：運維工作量大；運維時效性問題；運維高效性問題；運維如何智能化問題。

發明內容

為解決現有技術中存在的問題，本發明的目的是提供一種工業數據中心機房運維KPI數據分類方法，本發明解決了現有技術中基于人為指定規則的自動化運維方式所帶來運維人員學習成本提高、運維難度大、運維效率不高的問題，克服了常規自動化運維方式無法滿足現在人們對智能運維的需求的缺陷。

為實現上述目的，本發明采用的技術方案是：一種工業數據中心機房運維KPI數據分類方法，包括以下步驟：

S100、實時采集機房運行狀態數據；

S200、對采集的運行狀態數據X₁進行清洗，利用機器學習對采集的運行狀態數據進行預處理；

S300、利用經驗小波變換對預處理后的運行狀態數據進行淺層特征提取，形成KPI特征樣本集，所述KPI特征樣本集包括各個原始的運行狀態數據的訓練數據特征；

S400、將所述KPI特征樣本集輸入Attention_GRU算法進行深層特征提取并對比原始的運行狀態數據得到檢測結果；

S500、通過分級管理系統，智能下發機器學習預測結果、識別結果對應的調度命令。

作為一種優選的實施方式，在步驟S100中，所述運行狀態數據包括資源監控和業務監控的數據，其中，所述資源監控包括對主機的CPU、內存占用、應用的狀態和常駐程序狀態進行監控；所述業務監控包括對業務量異常變化進行監控、自動化巡檢和業務失敗量監控。

作為另一種優選的實施方式，步驟S200具體包括以下步驟：

S201、對原始的運行狀態數據進行異常值剔除，所述異常值為新出現的異常值或官方標記的異常值；

S202、運用Min-Max標準化準則，對原始的運行狀態數據進行標準化和歸一化，從運行狀態數據中得到原始的數據特征，對所述數據特征進行均值補全；

S203、基于機器學習創建事件診斷模型和收集模型日志，并對運維結果進行智能預測，預測結果用于任務調度；