[发明专利]一种基于人工智能的IDC设备故障风险评估方法

说明书

本发明公开了一种基于人工智能的IDC设备故障风险评估方法，属于数据处理技术领域，本发明基于过去的设备指标规律来训练异常检测模型，进而实现实时的异常检测；异常并不是故障，所以异常数量会较多，可以保证评分较好的样本基数；同时对于异常做出了分级，并通过简单的扣分评级体系实现小时级别的评分，在小时内将异常个数特性与异常集中特性进行了综合的考虑，得到最终相对传统方案更加全面的评分。本发明是通过基于人工智能技术实现对于IDC设备各项指标进行异常检测，通过对小时范围的异常个数、异常的集中特性两方面对设备进行小时级别的评分，进而实现评分周期的小时级别的滚动变化更新。

技术领域

本发明属于数据处理技术领域，具体涉及一种基于人工智能的IDC设备故 障风险评估方法。

背景技术

IDC即Internet Data Center，是基于Internet网络，为集中式收集、存 储、处理和发送数据的设备提供运行维护的设施基地并提供相关的服务。但IDC 机房中各类硬件设施的故障频发也给运维工作带来了较大的压力，IDC运维体系 内急需一种较完善的方法实现对于设备的健康度评测，以进一步实现对于硬件 设备做出准确的故障风险评估，以指导硬件运维准确快速的完成应急预案的制 定。

目前，针对IDC硬件设备的故障风险的评测的方法一般包括如下几种：

(1)最简单的方案下，通过各类设备发生的故障来进行评估的，具体通过 故障的数量进行评估的，故障数量越多评分越低，故障风险则越高；

(2)在(1)的基础之上，将故障进行了细分，提出了故障级别的概念， 级别越高扣分越多，通过加权实现总体得分，得分越低，故障风险则越高。

(3)在评分周期上，采取利用过去一定时间(如一个月)的故障数据进行 评分，每间隔相对更短的一定时间(如一天)进行评分滚动更新。

方法(1)中，简单通过故障的数量进行设备故障风险的评估，输入影响参 数单一，必然存在着准确性低的问题；

相比于方法(1)，不同的是方法(2)对于故障做了级别的细分，介入通 过加权的方法实现得分的评估，其实仍然停留在故障的个数这一单一因素上， 且故障判别均通过固定阈值方式开展，对于实际指标值大于极端阈值(如内存 使用率大于90％)时判别为故障，判别准确性得不到保证；另外，该方案没有考 虑到故障集中度的因素，因为故障分布分散，侧面代表异常的快速恢复，这也 是设备性能的一个重要参考因素；另外故障在生产过程中是很少发生的，一般 每月的故障数也不会超过10个，即样本数量过少，导致评分根本无法保证，很 大概率下每月的设备评分都是100分满分，预期效果得不到保证。

方法(3)内的评分周期一般均较长，其实这使得设备的短期故障被淹没， 如两个设备一个月内均发生10起故障，但是设备的故障集中和较分散属性，并 没有体现出来，我们认为设备的短期故障，即集中式的故障相对于分散的故障 来说是更严重的，理应评分越低。

发明内容

针对现有技术中IDC硬件设备的故障风险的评测的方法中存在的问题，本 发明的目的是提供一种基于人工智能的IDC设备故障风险评估方法。

本发明为实现上述目的采用的技术方案是：一种基于人工智能的IDC设备 故障风险评估方法，其特征在于，包括如下步骤：

步骤一、获取IDC设备运行过程中每小时内每一分钟的状态数据；

步骤二、将步骤一所述的状态数据输入至预设的异常检测模型，根据所述 异常检测模型的输出结果，获取IDC设备每小时内每一分钟的状态数据对应的 数据类型，得到60个分钟的异常数据数组；

其中异常检测模型根据异常检测算法构建，并根据IDC设备历史运行时的 状态数据作为样本进行训练后获得，所述数据类型包括正常和异常；

步骤三、小时级评分：