[发明专利]工业数据中心机房运维KPI数据分类方法

权利要求书

1.一种工业数据中心机房运维KPI数据分类方法，其特征在于，包括以下步骤：

S100、实时采集机房运行状态数据；

S200、对采集的运行状态数据X₁进行清洗，利用机器学习对采集的运行状态数据进行预处理；

S300、利用经验小波变换对预处理后的运行状态数据进行浅层特征提取，形成KPI特征样本集，所述KPI特征样本集包括各个原始的运行状态数据的训练数据特征；

S400、将所述KPI特征样本集输入Attention_GRU算法进行深层特征提取并对比原始的运行状态数据得到检测结果；

S500、通过分级管理系统，智能下发机器学习预测结果、识别结果对应的调度命令。

2.根据权利要求1所述的工业数据中心机房运维KPI数据分类方法，其特征在于，在步骤S100中，所述运行状态数据包括资源监控和业务监控的数据，其中，所述资源监控包括对主机的CPU、内存占用、应用的状态和常驻程序状态进行监控；所述业务监控包括对业务量异常变化进行监控、自动化巡检和业务失败量监控。

3.根据权利要求1所述的工业数据中心机房运维KPI数据分类方法，其特征在于，步骤S200具体包括以下步骤：

S201、对原始的运行状态数据进行异常值剔除，所述异常值为新出现的异常值或官方标记的异常值；

S202、运用Min-Max标准化准则，对原始的运行状态数据进行标准化和归一化，从运行状态数据中得到原始的数据特征，对所述数据特征进行均值补全；

S203、基于机器学习创建事件诊断模型和收集模型日志，并对运维结果进行智能预测，预测结果用于任务调度；

S204、基于物联网的智能运维平台采集大量的用户反馈信息与需求，并保存历史设备数据，整合并融合管理好现有的数据。

4.根据权利要求3所述的工业数据中心机房运维KPI数据分类方法，其特征在于，所述步骤S300具体如下：

利用离散小波变换的性质，对步骤S200得到的数据进行分解，得到不同时间点上的分量，使得数据维度增大及特征差异增强，然后利用添加了分类约束的自编码器与小波变换相结合对其进行训练得到浅层特征，形成KPI特征样本集。

5.根据权利要求1所述的工业数据中心机房运维KPI数据分类方法，其特征在于，步骤S400具体包括以下步骤：

S401、设置迭代次数并将KPI特征样本集和上一时刻隐藏层数据连接在一起经过线性层；

S402、获取归一化的权重值，并将归一化得到的权重与KPI特征样本集进行逐元素乘法获得Attention的结果；

S403、将得到的Attention结果与上一时刻隐藏层数据一起输入GRU网络得到下一时刻的隐藏层数据，随后进入迭代过程；

S404、到最大迭代次数时将得到的隐藏层数据经过全连接层并输出识别结果。