[发明专利]工业数据中心机房运维KPI数据分类方法

说明书

本发明公开了一种工业数据中心机房运维KPI数据分类方法，包括：实时采集机房运行状态数据；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；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；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；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；本发明克服了常规自动化运维方式无法满足现在人们对智能运维的需求的缺陷。

技术领域

本发明涉及机器学习技术领域，特别是一种工业数据中心机房运维KPI数据分类方法。

背景技术

烟草公司的运维工作主要包括配置管理和监控，运维人员每天都要进行大量的模块维护操作。运维的操作设计程序更新、配置修改、数据传输以及各种自定义的命令执行。在运维过程中，这些大多是通过手工操作或编写脚本的方式，将模块更新到生产环境中，手工操作不可避免的会带来误操作，效率低下，甚至出现模块上线操作排队的现象。另一方面对数据中心运行的监控，数据中心里运行着成千上万台的各种设备，经常会出现这样那样的问题，要等到故障反映到业务层面，那实际上已经造成了损失，所以在严重故障发生之前，如果能够发现一些设备运行的异常表现，及时消除就可以减少故障对数据中心的影响，对数据中心进行监控就是将危险消灭在摇篮之中。然而数据中心里的设备、应用程序、组网包含很多小系统，非常复杂，如果靠人去检查，不仅效率低还容易漏掉，而通过智能化运维就可以通过机器去检查所有运行的设备，并且对这些运行的设备进行监控，发现隐患及时告警，当运维收到这些告警时，再采取行动。根据调研的情况：运维工作量大；运维时效性问题；运维高效性问题；运维如何智能化问题。

发明内容

为解决现有技术中存在的问题，本发明的目的是提供一种工业数据中心机房运维KPI数据分类方法，本发明解决了现有技术中基于人为指定规则的自动化运维方式所带来运维人员学习成本提高、运维难度大、运维效率不高的问题，克服了常规自动化运维方式无法满足现在人们对智能运维的需求的缺陷。

为实现上述目的，本发明采用的技术方案是：一种工业数据中心机房运维KPI数据分类方法，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。

作为一种优选的实施方式，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。

作为另一种优选的实施方式，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；