通信设备的能耗管控方法、装置、计算机设备和存储介质与流程
本发明涉及信息技术处理技术领域，尤其涉及一种通信设备的能耗管控方法、装置、计算机设备和存储介质。
背景技术：
随着通信市场的竞争日趋激烈，通信设备的能耗管控成为了电信运营商的重中之重。以通信设备的基站为例，基站铁塔产品服务费、生产能耗、装维外包、现场综合外包等刚性成本已占到维护总成本的85％以上。其中，综合能耗成本占总成本30％，伴随着高密度的5g基站部署，所有能耗成本还会急剧增加。
当前通信设备的能耗计算主要依靠一线工作人员员工，基于各家电信企业设备的额定能耗和个数来预估电费分摊比例。该种能耗管控方法没有考虑到不同的通信设备的忙闲程度对总功耗的影响，又无法满足通信设备扩容时及时修改分摊比例的需要，同时还造成了企业电费核算困难问题，因此亟需提供一种能够对通信设备的能耗进行高效管控的方法。
技术实现要素：
基于此，有必要针对上述问题，提出一种可以对通信设备的能耗进行高效管控的通信设备的能耗管控方法、装置、计算机设备和存储介质。
一种通信设备的能耗管控方法，其特征在于，所述方法包括：
获取预设时间段内t个时段对应的m个通信设备的n维样本特征信息，且每一所述通信设备包括t条样本记录，每一所述样本记录构成一个长度为n的一维向量，其中，t、n和m均为大于1的自然数；
采用无放回的抽样方式从所述样本特征信息中抽取h条样本记录，将所述h条样本记录构成l个通信设备的抽样特征信息，其中l远远小于m，且l为h/t向下取整后的正整数；
采用不同的计算方法分别计算所述l个通信设备的抽样特征信息与所述m个通信设备的样本特征信息的第一距离和第二距离；
基于所述第一距离和所述第二距离，采用无参数的概率密度估计算法计算所述通信设备的样本特征信息的聚类簇数k，其中，k为大于1的自然数；
基于所述聚类簇数k采用k-means算法对m个所述通信设备样本特征信息进行聚类分析，确定k个聚类簇中每一聚类簇包含的通信设备，并从所述通信设备的样本特征信息中提取出能耗信息；
获取每一聚类簇对应的能耗规则，根据所述每一聚类簇对应的能耗规则和同一聚类簇下的多个通信设备的所述能耗信息判断相应的通信设备是否为异常能耗设备；
对判定为异常能耗设备的通信设备采用预设的管控方式进行管控。
一种通信设备的能耗管控装置，所述装置包括：
特征信息获取模块，用于获取预设时间段内t个时段对应的m个通信设备的n维样本特征信息，且每一所述通信设备包括t条样本记录，每一所述样本记录构成一个长度为n的一维向量，其中，t、n和m均为大于1的正整数；
信息抽样模块，用于采用无放回的抽样方式从所述样本特征信息中抽取h条样本记录，将所述h条样本记录构成l个通信设备的抽样特征信息，其中l远远小于m，且l为h/t向下取整后的正整数；
距离计算模块，用于采用不同的计算方法分别计算所述l个通信设备的抽样特征信息与所述m个通信设备的样本特征信息的第一距离和第二距离；
聚类数据估算模块，用于基于所述第一距离和所述第二距离，采用无参数的概率密度估计算法计算所述通信设备的样本特征信息的聚类簇数k；
聚类分析模块，用于基于所述聚类簇数k采用k-means算法对m个所述通信设备样本特征信息进行聚类分析，确定k个聚类簇中每一聚类簇包含的通信设备，并从所述通信设备的样本特征信息中提取出能耗信息；
异常设备判定模块，用于获取每一聚类簇对应的能耗规则，根据所述每一聚类簇对应的能耗规则和同一聚类簇下的多个通信设备的所述能耗信息判断相应的通信设备是否为异常能耗设备；
能耗管理模块，用于对判定为异常能耗设备的通信设备采用预设的管控方式进行管控。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
获取预设时间段内t个时段对应的m个通信设备的n维样本特征信息，且每一所述通信设备包括t条样本记录，每一所述样本记录构成一个长度为n的一维向量，其中，t、n和m均为大于1的自然数；
采用无放回的抽样方式从所述样本特征信息中抽取h条样本记录，将所述h条样本记录构成l个通信设备的抽样特征信息，其中l远远小于m，且l为h/t向下取整后的正整数；
采用不同的计算方法分别计算所述l个通信设备的抽样特征信息与所述m个通信设备的样本特征信息的第一距离和第二距离；
基于所述第一距离和所述第二距离，采用无参数的概率密度估计算法计算所述通信设备的样本特征信息的聚类簇数k，其中，k为大于1的自然数；
基于所述聚类簇数k采用k-means算法对m个所述通信设备样本特征信息进行聚类分析，确定k个聚类簇中每一聚类簇包含的通信设备，并从所述通信设备的样本特征信息中提取出能耗信息；
获取每一聚类簇对应的能耗规则，根据所述每一聚类簇对应的能耗规则和同一聚类簇下的多个通信设备的所述能耗信息判断相应的通信设备是否为异常能耗设备；
对判定为异常能耗设备的通信设备采用预设的管控方式进行管控。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
获取预设时间段内t个时段对应的m个通信设备的n维样本特征信息，且每一所述通信设备包括t条样本记录，每一所述样本记录构成一个长度为n的一维向量，其中，t、n和m均为大于1的自然数；
采用无放回的抽样方式从所述样本特征信息中抽取h条样本记录，将所述h条样本记录构成l个通信设备的抽样特征信息，其中l远远小于m，且l为h/t向下取整后的正整数；
采用不同的计算方法分别计算所述l个通信设备的抽样特征信息与所述m个通信设备的样本特征信息的第一距离和第二距离；
基于所述第一距离和所述第二距离，采用无参数的概率密度估计算法计算所述通信设备的样本特征信息的聚类簇数k，其中，k为大于1的自然数；
基于所述聚类簇数k采用k-means算法对m个所述通信设备样本特征信息进行聚类分析，确定k个聚类簇中每一聚类簇包含的通信设备，并从所述通信设备的样本特征信息中提取出能耗信息；
获取每一聚类簇对应的能耗规则，根据所述每一聚类簇对应的能耗规则和同一聚类簇下的多个通信设备的所述能耗信息判断相应的通信设备是否为异常能耗设备；
对判定为异常能耗设备的通信设备采用预设的管控方式进行管控。
上述通信设备的能耗管控方法、装置、计算机设备及存储介质，通过获取预设时间段内t个时段对应的m个通信设备的n维样本特征信息，且每一所述通信设备包括t条样本记录，每一所述样本记录构成一个长度为n的一维向量；采用无放回的抽样方式从所述样本特征信息中抽取h条样本记录，将所述h条样本记录构成l个通信设备的抽样特征信息，其中l远远小于m，且l为h/t向下取整后的正整数；采用不同的计算方法分别计算所述l个通信设备的抽样特征信息与所述m个通信设备的样本特征信息的第一距离和第二距离；基于所述第一距离和所述第二距离，采用无参数的概率密度估计算法计算所述通信设备的样本特征信息的聚类簇数k，其中，k为大于1的自然数；基于所述聚类簇数k采用k-means算法对m个所述通信设备样本特征信息进行聚类分析，确定k个聚类簇中每一聚类簇包含的通信设备，并从所述通信设备的样本特征信息中提取出能耗信息；获取每一聚类簇对应的能耗规则，根据所述每一聚类簇对应的能耗规则和同一聚类簇下的多个通信设备的所述能耗信息判断相应的通信设备是否为异常能耗设备；对判定为异常能耗设备的通信设备采用预设的管控方式进行管控，实现了对通信设备的高效管控，大大减少了通信设备的能耗成本，同时还能够实现对通信设备的能耗的准确稽核。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为一个实施例中通信设备的能耗管控方法的流程图；
图2为一个实施例中第一距离和第二距离计算方法的流程图；
图3为一个实施例中的稳态向量计算方法的流程图；
图4为一个实施例中聚类簇数k计算方法的流程图；
图5为一个实施例中聚类簇数k计算方法的另一流程图；
图6为一个实施例中聚类分析方法的流程图；
图7为一个实施例中异常能耗设备判定方法的流程图；
图8为一个实施例中通信设备的能耗管控装置的结构框图；
图9为一个实施例中计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，在一个实施例中，提供了一种通信设备的能耗管控方法，该通信设备的能耗管控方法既可以应用于终端，也可以应用于服务器，具体包括以下步骤：
步骤102，获取预设时间段内t个时段对应的m个通信设备的n维样本特征信息，且每一所述通信设备包括t条样本记录，每一所述样本记录构成一个长度为n的一维向量，其中，t、n和m均为大于1的自然数。
其中，样本特征信息是指通信设备的工况特征数据的信息，例如，当通信设备为基站时，该样本特征信息可以是流量(如上行流量和/或下行流量)、设备话务量、平均用户数和能耗信息等。预设时段是指预先设置的相同时间间隔，在本实施例中，预设时间段内t个时段对应的样本特征信息可以是一个月内的小时级的样本特征信息，也即t数值为24×30，样本记录是指一个通信设备在某一时刻的样本特征信息，即每一条样本记录构成一个长度为n的一维向量。可以理解地，样本特征信息是指时间序列的多维信息，通过样本记录的形式增强了样本特征信息的时间细粒度。
步骤104，采用无放回的抽样方式从所述样本特征信息中抽取h条样本记录，将所述h条样本记录构成l个通信设备的抽样特征信息，其中l远远小于m，且l为h/t向下取整后的正整数。
具体地，从所有样本记录中，采用无放回的抽样方式从全体样本特征信息中随机抽取h条样本记录，将该h条样本记录构成l个通信设备的抽样特征信息，用于作为新的观测点。例如，在一个具体实施方式中，h数值为2400，t数值为24×30，则l数值为3。l远远小于m，使得抽样的设备数量较小，可以理解地，通过无放回抽样的抽样方式抽取样本记录后，重新构成l个通信设备的抽样特征信息，使得h条样本记录进行了重新排列组合，增强了l个通信设备的抽样特征信息随机性，以便后续在保证数据挖掘准确的前提上，提高通信设备样本特征信息的数据挖掘的速度。
步骤106，采用不同的计算方法分别计算所述l个通信设备的抽样特征信息与所述m个通信设备的样本特征信息的第一距离和第二距离。
其中，第一距离和第二距离分别是采用不同的距离度量方法计算得到的。具体的，采用不同的计算方法分别计算l个通信设备的抽样特征信息与m个通信设备的样本特征信息的第一距离和第二距离。可以理解地，第一距离和第二距离的大小能够反映l个通信设备的抽样特征信息与m个通信设备的样本特征信息的各个通信设备的相似度，且第一距离和第二距离的数值为l×m。通过计算第一距离和第二距离，能够提高l个通信设备的抽样特征信息与所述m个通信设备的样本特征信息的相似度计算的准确性和全面性，进而提高对多维时间序列的的样本特征信息的度量的精度。
步骤108，基于所述第一距离和所述第二距离，采用无参数的概率密度估计算法计算所述通信设备的样本特征信息的聚类簇数k，其中，k为大于1的自然数。
其中，聚类簇数是指分类的个数，例如，聚类簇数k为3，则将m个通信设备归类到3个聚类簇中，以使相似性高的样本特征信息归为一个聚类簇，以便后续基于每一聚类簇中的样本特征信息进行进一步的数据处理。无参数的概率密度估计算法是一种在没有确定的概率密度函数的情况下，根据第一距离和第二距离的距离向量实现对概率密度函数的估计方法。具体地，基于第一距离和第二距离，利用无参窗函数概率密度估计算法确定峰值，并统计峰值的个数，且峰值的个数即为聚类簇数k，从而实现了自动化地确定了聚类簇数k，避免了人为设定聚类簇数的主观性，提高了聚类簇数计算的准确性。
步骤110，基于所述聚类簇数k采用k-means算法对m个所述通信设备样本特征信息进行聚类分析，确定k个聚类簇中每一聚类簇包含的通信设备，并从所述通信设备的样本特征信息中提取出能耗信息。
其中，k-means算法是一种基于样本间相似性度量的间接聚类方法，属于非监督学习方法。此算法以k为参数，把多个对象(如通信设备)分为k个聚类簇，以使聚类簇内具有较高的相似度，而且簇间的相似度较低的聚类分析算法。其具体实现过程为：首先初始化k个聚类簇中心；然后继续计算各个通信设备的样本特征信息到聚类中心的距离，把数据对象划分至距离其最近的聚类中心所在聚类簇中；接着根据所得聚类簇，更新聚类簇中心；然后继续计算各个通信设备的样本特征信息到聚类中心的距离，把通信设备划分至距离其最近的聚类中心所在聚类簇中；接着根据所得聚类簇，继续更新聚类簇中心，一直迭代，直到达到最大迭代次数，或者两次迭代的差值小于某一阈值时，迭代终止，得到最终聚类结果，即实现了将每一通信设备划分至距离其最近的聚类簇中心所在的聚类簇中，也即确定了k个聚类簇中每一聚类簇包含的通信设备。
需要说明的是，通信设备样本特征信息是指通信设备的工况信息，而工况信息体现了通信设备的工作状态，如忙闲状态等，显然，忙闲状态与通信设备本身的能耗相关，因此，可以根据通信设备的样本特征信息与能耗信息的映射关系，从通信设备的样本特征信息中提取出能耗信息。可以理解地，通过将样本特征信息比较相似的通信设备划分至同一聚类簇中，从而保证了能耗信息是针对工况信息相似的通信设备，进一步保证能耗信息计算和比较的合理性。
步骤112，获取每一聚类簇对应的能耗规则，根据所述每一聚类簇对应的能耗规则和同一聚类簇下的多个通信设备的所述能耗信息判断相应的通信设备是否为异常能耗设备。
其中，能耗规则是用于判断能耗信息对应的设备是否异常的判断准则，该能耗规则可以是根据通信设备一线工作人员的经验设置的阈值，也可以是高斯分布的拉依达准则，优选地，本实施例中选取高斯分布的拉依达准则作为能耗规则。根据每一聚类簇对应的能耗规则和同一聚类簇下的多个通信设备的所述能耗信息判断相应的通信设备是否为异常能耗设备，具体地，计算同一聚类簇下的多个通信设备的均值和方差，然后将同一聚类簇下每一通信设备的能耗信息与均值和方差进行比较，从而判断相应的通信设备是否为异常能耗设备。通过对异常能耗设备的精准识别，以便后续对异常通信设备进行进一步地管理。同时还提高了通信设备的能耗稽核的准确性。
步骤114，对判定为异常能耗设备的通信设备采用预设的管控方式进行管控。
其中，预设的管控方式是指预先设置的对异常能耗设备进行管控的方式，如剔除掉异常能耗设备，以节省通信的设备的能耗成本，或者分析异常能耗设备的能耗信息，对异常能耗设备进行维护，实现节省通信的设备的能耗成本。可以理解地，通过对异常能耗设备的通信设备进行管控，实现了对通信设备的高效管控，大大减少了通信设备的能耗成本，同时还能够实现对通信设备的能耗的准确稽核。
上述通信设备的能耗管控的过程中，通过获取预设时间段内t个时段对应的m个通信设备的n维样本特征信息，且每一所述通信设备包括t条样本记录，每一所述样本记录构成一个长度为n的一维向量；采用无放回的抽样方式从所述样本特征信息中抽取h条样本记录，将所述h条样本记录构成l个通信设备的抽样特征信息，其中l远远小于m，且l为h/t向下取整后的正整数；采用不同的计算方法分别计算所述l个通信设备的抽样特征信息与所述m个通信设备的样本特征信息的第一距离和第二距离；基于所述第一距离和所述第二距离，采用无参数的概率密度估计算法计算所述通信设备的样本特征信息的聚类簇数k，其中，k为大于1的自然数；基于所述聚类簇数k采用k-means算法对m个所述通信设备样本特征信息进行聚类分析，确定k个聚类簇中每一聚类簇包含的通信设备，并从所述通信设备的样本特征信息中提取出能耗信息；获取每一聚类簇对应的能耗规则，根据所述每一聚类簇对应的能耗规则和同一聚类簇下的多个通信设备的所述能耗信息判断相应的通信设备是否为异常能耗设备；对判定为异常能耗设备的通信设备采用预设的管控方式进行管控，实现了对通信设备的高效管控，大大减少了通信设备的能耗成本，同时还能够实现对通信设备的能耗的准确稽核。
如图2所示，在一个实施例中，所述m个通信设备的样本特征信息构造成行数为t×m，列数为n的标准矩阵，所述l个通信设备的抽样特征信息构造成行数为t×l，列数为n的目标矩阵。
所述采用不同的计算方法分别计算所述n个通信设备的抽样特征信息与所述m个通信设备的样本特征信息的第一距离和第二距离，包括：
步骤106a，计算所述标准矩阵的协方差矩阵，得到第一协方差矩阵，并计算所述m-1个通信设备的样本特征信息构造成的矩阵的协方差矩阵，得到第二协方差矩阵。
其中，协方差矩阵计算的是不同维度之间的协方差，用于反映多为数据的县相关性。由于标准初始矩阵的维度为n维，因此，得到的协方差矩阵大小为n×n。第一协方差矩阵是指m个通信设备的样本特征信息构造成的矩阵的协方差矩阵，第二协方差矩阵是指m-1个通信设备的样本特征信息构造成的矩阵的协方差矩阵。具体地，可以通过调用matlab自带的cov函数计算标准初始矩阵，即b＝cov(a)；该代码中，a为标准初始矩阵，b为a的协方差矩阵。
步骤106b，当所述第一协方差矩阵和所述第二协方差矩阵的差值小于预设的阈值时，采用如下公式计算所述第一距离：
其中，dij表示为所述目标矩阵中第i个通信设备对应的行向量和所述标准矩阵中第j个通信设备对应的行向量的所述第一距离，且所述第一距离是一个长度为l×m的一维向量，xi和yj分别为表示为目标矩阵中第i个通信设备对应的行向量和标准矩阵中第j个通信设备对应的行向量。
具体地，当
步骤106c，基于所述第一协方差矩阵和马尔卡夫链确定所述l个通信设备的抽样特征信息的对应的稳态向量，作为目标稳态向量，并基于所述第一协方差矩阵和马尔卡夫链确定所述m个通信设备的样本特征信息的对应的稳态向量，作为标准稳态向量。
其中，稳态向量是指在迭代过程中保持不变的向量。标准稳态向量即为与标准特征信息对应的稳态向量。预设的算法是指预先设定用于将状态转移矩阵转换为稳态向量的算法。具体地，可以通过对状态转移矩阵进行自乘计算，直到得到结果不变为止，将该结果乘以同一个随机的状态向量，得到的结果即为标准稳态矩阵。马尔科夫链是指马尔科夫过程，该过程具有过程离散型、过程的随机性和过程的无后效性的特点，标准通信设备的样本特征信息的状态转移只与当前状态有关。
步骤106d，根据所述目标稳态向量和所述标准稳态向量，采用如下公式计算所述第二距离：
其中，dij表示为所述目标矩阵中第i个通信设备对应的目标稳态向量和所述标准矩阵中第j个通信设备对应的标准稳态向量的所述第二距离，且所述第二距离是一个长度为l×m的一维向量，xi和yj分别为表示为目标矩阵中第i个通信设备对应的目标稳态向量和标准矩阵中第j个通信设备对应的标准稳态向量。
具体地，采用根据所述目标稳态向量和所述标准稳态向量，采用改进的马氏距离公式计算得到第二距离，可以理解地，该第二距离计算方式比较方便，且dij(xi,yj)所在的数据区间为[0,1]。进一步地，由于该第二距离是基于稳态向量计算得到的，且对通信设备对应的目标矩阵和标准矩阵在不同时刻下状态进行的划分，因而能够克服样本特征信息和抽样特征信息的滞后性问题，以便后续基于第二距离进行更为准确的数据挖掘分析。
上述计算第一距离和第二距离的方法，均是采用改进的马氏距离经计算得到，第二距离是基于稳态向量计算得到的，且对通信设备对应的目标矩阵和标准矩阵在不同时刻下状态进行的划分，因而能够克服样本特征信息和抽样特征信息的滞后性问题，以便后续基于第一距离和第二距离进行更为准确的数据挖掘分析。
如图3所示，在一个实施例中，基于所述第一协方差矩阵和马尔卡夫链确定所述m个通信设备的样本特征信息的对应的稳态向量，作为标准稳态向量，包括：
步骤106c1，基于所述第一协方差矩阵和所述标准矩阵中的任意一行元素组成的向量进行马氏变换，得到投影向量。
具体地，通过公式
步骤106c2，根据所述投影向量中的每一元素的大小以及预设的s个状态对应的阈值范围对所述每一通信设备对应的样本特征信息进行离散化，得到状态转移矩阵，其中，s为大于1的正整数。
具体地，投影向量中的每一元素均为标量值，判断该标量值的阈值范围，即可确定每一元素对应的状态，并将得到的状态按照时段的先后顺序构成时间状态序列，然后基于马尔科夫链计算时间状态序列的转移概率，将转移概率作为作为元素，组成状态转移矩阵。可以理解地，由于转移概率在同一时段下概率的总和为1，因此，状态转移矩阵中一行元素的和为1，以便后续基于对状态矩阵的计算，得到稳态矩阵，实现样本特征信息的稳态分布。
步骤106c3，随机生成与所述状态转移矩阵对应的随机状态向量。
其中，随机状态向量是指有多个随机变量组成的向量，本实施例中的与状态转移矩阵对应的随机状态向量是指满足某一行元素和为1的随机变量组成的向量。具体地，可以通过matlab中的随机函数rand()生成该随机状态向量。
步骤106c4，将所述状态转移矩阵进行p次方运算，得到初始稳态向量，其中，p为大于1的正整数。
具体地，将状态转移矩阵进行p次自乘计算，直到得到结果不变为止，在本实施例中，p＝8。
步骤106c5，将所述随机状态向量与初始稳态向量进行相乘运算，得到所述标准稳态向量。
具体地，将随机状态向量与初始稳态向量进行乘法运算，得到的结果即为标准稳态向量。可以理解地，标准稳态向量能够克服滞后随机性问题，因此，通过计算得到标准稳态向量，能够保证通信设备工况评价的准确性，以便后续基于通信设备的工况分析出通信设备的能耗信息。
上述计算标准稳态向量的方法能够保证通信设备工况评价的准确性，以便后续基于通信设备的工况分析出通信设备的能耗信息。
如图4所示，在一个实施例中，所述基于所述第一距离和所述第二距离，采用无参数的概率密度估计算法计算所述通信设备的样本特征信息的聚类簇数k，包括：
步骤108a，将包含l×m个元素的第一距离中的每一元素与包含l×m个元素的第二距离中的对应的每一元素分别进行求和，得到包含l×m个元素组成的一维向量的的第三距离。
具体地，第三距离是通过将包含l×m个元素的第一距离中的每一元素与包含l×m个元素的第二距离中的对应的每一元素分别进行求和得到的，由于第一距离和第二距离所在的数据区间均为[0,1]，所以第三距离所在的数据区间均为[0,2]。
步骤108b，对所述第三距离进行优化窗函数的概率密度估计，得到概率密度函数对应的函数值的峰值个数作为所述聚类簇数k。
其中，窗函数的概率密度估计是一种用已知样本去估计总体密度分布方式，用于确定概率密度函数。本实施例中优化窗函数的概率密度估计用于实现对通信设备的样本特征信息进行概率函数估计，从而确定概率密度函数对应的函数值的峰值个数，将该峰值的个数作为聚类簇数，可以理解地，通过对第三距离进行优化窗函数的概率密度估计，得到概率密度函数对应的函数值的峰值个数作为聚类簇数k，不仅实现了聚类簇数k的计算自动化，而且使得聚类簇数k更为准确合理。
上述计算通信设备的样本特征信息的聚类簇数k的过程，不仅实现了聚类簇数k的计算的自动化，而且使得聚类簇数k更为准确合理。
如图5所示，在一个实施例中，所述对所述第三距离进行优化窗函数的概率密度估计，得到概率密度函数对应的函数值的峰值个数作为所述聚类簇数k，包括：
步骤108b1，基于所述第三距离确定核密度的估计函数的函数扫描范围，并获取预设的扫描步长。
具体地，函数扫描范围为第三距离所在的数据区间，即[0,2],本实施李忠的扫描步长可设置为0.02。
步骤108b2，采用如下迭代的方式搜索最优化的窗宽度：
其中，h为随机确定的窗宽度，xi和xj分别为所述第i个和第j个第三距离。
具体地，通过迭代计算的方式搜索最优化的窗宽度。
步骤108b3，按照h的公式进行迭代计算，当|hn-hn-1|≤ξ时，停止迭代，并获取停止迭代时对应的最优化窗宽度，其中，ζ为预设的迭代差值阈值。
具体地，按照
步骤108b4，基于所述最优化窗宽度，按照预设的扫描步长对所述核密度的估计函数的函数进行扫描，确定所述优化窗函数的概率密度的多个最大值。
具体地，基于最优化窗宽度，按照预设的扫描步长对核密度的估计函数的函数进行扫描，从而得到优化窗函数的概率密度的多个最大值。
步骤108b5，判断每一所述最大值是否满足预设峰值条件，并统计满足所述峰值条件的最大值的个数作为所述聚类簇数k。
具体地，预设的峰值条件包括峰值左右两边的两个数比确定的峰值小，且该峰值大于最大值的70％，且该峰值与前后两个值只差小于最大值的10％，当最大值满足上述条件时，则统计满足峰值条件的最大值的个数作为聚类簇数k，从而实现了自动化计算出聚类簇数k，且使得k的结果更为精准。
上述对第三距离进行优化窗函数的概率密度估计，得到概率密度函数对应的函数值的峰值个数作为聚类簇数k的过程，实现了自动化计算出聚类簇数k，且使得k的结果更为精准。
如图6所示，在一个实施例中，包括：所述基于所述聚类簇数k采用k-means算法对m个所述通信设备样本特征信息进行聚类分析，确定每一聚类簇包含的通信设备，包括：
步骤110a，从所述m个通信设备的标准中随机抽取k个通信设备的标准矩阵，并计算所述k个通信设备的标准矩阵对应的k个初始聚类中心值。
具体地，可以通过计算平均值的方法计算得到k个初始聚类中心值。
步骤110b，计算所述m-k个通信设备的标准矩阵与所述m个通信设备的标准矩阵的所述第三距离。
具体地，计算m-k个通信设备的标准矩阵与所述m个通信设备的标准矩阵的第三距离，该第三距离的计算可根据步骤108a的方法计算得到，此处不再赘述。
步骤110c，将所述第三距离分别与k个初始聚类中心值进行比较，将满足k个聚类簇对应的预设的差值阈值对应的通信设备划分为对应的聚类簇中，并计算划分后的k个聚类簇的目标聚类中心值。
具体地，将第三距离分别与k个初始聚类中心值进行比较，将满足k个聚类簇对应的预设的差值阈值对应的通信设备划分为对应的聚类簇中，并计算划分后的k个聚类簇的目标聚类中心值。
步骤110d，更新所述目标聚类中心值为所述初始聚类中心值，继续执行将所述第三距离分别与k个初始聚类中心值进行比较，将满足k个聚类值对应的预设的差值阈值对应的通信设备划分为对应的聚类簇中，并计算划分后的k个聚类簇的目标聚类中心值的步骤。
具体地，更新目标聚类中心值为初始聚类中心值，并重复步骤110d的步骤，继续更新目标聚类中心值。
步骤110e，当所述初始聚类中心值与所述目标中心聚类值的差值小于预设的聚类值阈值，或者更新次数大于预设的次数阈值，则停止更新，将满足k个聚类值对应的预设的差值阈值对应的通信设备划分为对应的聚类簇中，确定k个聚类簇中每一聚类簇中的通信设备。
具体地，当初始聚类中心值与所述目标中心聚类值的差值小于预设的聚类值阈值，或者更新次数大于预设的次数阈值，则停止更新，将满足k个聚类值对应的预设的差值阈值对应的通信设备划分为对应的聚类簇中，确定k个聚类簇中每一聚类簇中的通信设备。可以理解地，通过将每一通信设备划分到与之距离最近的聚类簇中，从而将样本特征信息相似的通信设备归属为一类，以便后续对同一类中的通信设备的能耗信息进行更为准确的计算和分析，提高通信设备能耗信息计算的精度。
上述确定每一聚类簇包含的通信设备过程，实现了将样本特征信息相似的通信设备归属为一类，以便后续对同一类中的通信设备的能耗信息进行更为准确的计算和分析，提高通信设备能耗信息计算的精度。
如图7所示，在一个实施例中，所述根据所述每一聚类簇对应的能耗规则和同一聚类簇下的多个通信设备的所述能耗信息判断相应的通信设备是否为异常能耗设备，包括：
步骤114a，计算所述同一簇下的多个通信设备的所述能耗信息对应的数据的均值和方差。
具体地，在能耗信息对应的数据服从高斯正太分布的条件下，计算同一簇下的多个通信设备的能耗信息对应的数据的均值和方差。
步骤114b，将同一簇下的每一通信设备的能耗信息对应的数据大于均值与3倍方和差值或者小于均值与3倍方差的差值的能耗信息对应的通信设备作为所述异常能耗设备。
具体地，通信设备的能耗信息对应的数据大于均值与3倍方差的和或者小于均值与3倍方差的差值的能耗信息均为异常能耗信息，因此，将同一簇下的每一通信设备的能耗信息对应的数据大于均值与3倍方差的和或者小于标均值与3倍方差的差值的能耗信息对应的通信设备作为异常能耗设备，不仅方便对异常能耗设备的判断，并且具有合理性，从而进一步提高了对异常能耗设备识别的效率。
上述对异常能耗设备判定的过程，不仅方便对异常能耗设备的判断，并且具有合理性，从而进一步提高了对异常能耗设备识别的效率。
如图8所示，在一个实施例中，提出了一种通信设备的能耗管控装置，包括：
特征信息获取模块802，用于获取预设时间段内t个时段对应的m个通信设备的n维样本特征信息，且每一所述通信设备包括t条样本记录，每一所述样本记录构成一个长度为n的一维向量，其中，t、n和m均为大于1的正整数；
信息抽样模块804，用于采用无放回的抽样方式从所述样本特征信息中抽取h条样本记录，将所述h条样本记录构成l个通信设备的抽样特征信息，其中l远远小于m，且l为h/t向下取整后的正整数；
距离计算模块806，用于采用不同的计算方法分别计算所述l个通信设备的抽样特征信息与所述m个通信设备的样本特征信息的第一距离和第二距离；
聚类数据估算模块808，用于基于所述第一距离和所述第二距离，采用无参数的概率密度估计算法计算所述通信设备的样本特征信息的聚类簇数k；
聚类分析模块810，用于基于所述聚类簇数k采用k-means算法对m个所述通信设备样本特征信息进行聚类分析，确定k个聚类簇中每一聚类簇包含的通信设备，并从所述通信设备的样本特征信息中提取出能耗信息；
异常设备判定模块812，用于获取每一聚类簇对应的能耗规则，根据所述每一聚类簇对应的能耗规则和同一聚类簇下的多个通信设备的所述能耗信息判断相应的通信设备是否为异常能耗设备；
能耗管理模块814，用于对判定为异常能耗设备的通信设备采用预设的管控方式进行管控。
在一个实施例中，所述m个通信设备的样本特征信息构造成行数为t×m，列数为n的标准矩阵，所述l个通信设备的抽样特征信息构造成行数为t×l，列数为n的目标矩阵；距离计算模块包括协方差矩阵计算单元、第一距离计算单元、稳态向量获取单元和第二距离计算单元。
协方差矩阵计算单元，用于计算所述标准矩阵的协方差矩阵，得到第一协方差矩阵，并计算所述m-1个通信设备的样本特征信息构造成的矩阵的协方差矩阵，得到第二协方差矩阵；
第一距离计算单元，用于当所述第一协方差矩阵和所述第二协方差矩阵的差值小于预设的阈值时，采用如下公式计算所述第一距离：
其中，dij表示为所述目标矩阵中第i个通信设备对应的行向量和所述标准矩阵中第j个通信设备对应的行向量的所述第一距离，且所述第一距离是一个长度为l×m的一维向量，xi和yj分别为表示为目标矩阵中第i个通信设备对应的行向量和标准矩阵中第j个通信设备对应的行向量；
稳态向量获取单元，用于基于所述第一协方差矩阵和马尔卡夫链确定所述l个通信设备的抽样特征信息的对应的稳态向量，作为目标稳态向量，并基于所述第一协方差矩阵和马尔卡夫链确定所述m个通信设备的样本特征信息的对应的稳态向量，作为标准稳态向量；
第二距离计算单元，用于根据所述目标稳态向量和所述标准稳态向量，采用如下公式计算所述第二距离：
其中，dij表示为所述目标矩阵中第i个通信设备对应的目标稳态向量和所述标准矩阵中第j个通信设备对应的标准稳态向量的所述第二距离，且所述第二距离是一个长度为l×m的一维向量，xi和yj分别为表示为目标矩阵中第i个通信设备对应的目标稳态向量和标准矩阵中第j个通信设备对应的标准稳态向量。
在一个实施例中，稳态向量获取单元包括投影向量获取子单元、离散化子单元、随机向量生成子单元、初始稳态向量子单元和稳态向量获取子单元。
投影向量获取子单元，用于基于所述第一协方差矩阵和所述标准矩阵中的任意一行元素组成的向量进行马氏变换，得到投影向量；
离散化子单元，用于根据所述投影向量中的每一元素的大小以及预设的s个状态对应的阈值范围对所述每一通信设备对应的样本特征信息进行离散化，得到状态转移矩阵，其中，s为大于1的正整数；
随机向量生成子单元，用于随机生成与所述状态转移矩阵对应的随机状态向量；
初始稳态向量子单元，用于将所述状态转移矩阵进行p次方运算，得到初始稳态向量，其中，p为大于1的正整数；
稳态向量获取子单元，用于将所述随机状态向量与初始稳态向量进行相乘运算，得到所述标准稳态向量。
在一个实施例中，聚类数据估算模块包括扫描数据获取单元、搜索单元、迭代计算单元、最大值查找单元和簇数确定单元。
扫描数据获取单元，用于基于所述第三距离确定核密度的估计函数的函数扫描范围，并获取预设的扫描步长；
搜索单元，用于采用如下迭代的方式搜索最优化的窗宽度：
其中，h为随机确定的窗宽度，xi和xj分别为所述第i个和第j个第三距离；
迭代计算单元，用于按照所述h的公式进行迭代计算，当|hn-hn-1|≤ξ时，停止迭代，并获取停止迭代时对应的最优化窗宽度，其中，ζ为预设的差值阈值；
最大值查找单元，用于基于所述最优化窗宽度确定所述优化窗函数的概率密度的多个最大值；
簇数确定单元，用于判断每一所述最大值是否满足预设峰值条件，并统计满足所述峰值条件的最大值的个数作为所述聚类簇数k。
在一个实施例中，聚类分析模块包括聚类中心值确定单元、距离计算单元、比较单元、迭代计算单元和划分单元。
聚类中心值确定单元，用于从所述m个通信设备的标准中随机抽取k个通信设备的标准矩阵，并计算所述k个通信设备的标准矩阵对应的k个初始聚类中心值；
距离计算单元，用于计算所述m-k个通信设备的标准矩阵与所述m个通信设备的标准矩阵的所述第三距离；
比较单元，用于将所述第三距离分别与k个初始聚类中心值进行比较，将满足k个聚类村对应的预设的差值阈值对应的通信设备划分为对应的聚类簇中，并计算划分后的k个聚类簇的目标聚类中心值；
迭代计算单元，用于更新所述目标聚类中心值为所述初始聚类中心值，继续执行将所述第三距离分别与k个初始聚类中心值进行比较，将满足k个聚类值对应的预设的差值阈值对应的通信设备划分为对应的聚类簇中，并计算划分后的k个聚类簇的目标聚类中心值的步骤；
划分单元，用于当所述初始聚类中心值与所述目标中心聚类值的差值小于预设的聚类值阈值，或者更新次数大于预设的次数阈值，则停止更新，将满足k个聚类值对应的预设的差值阈值对应的通信设备划分为对应的聚类簇中，确定k个聚类簇中每一聚类簇中的通信设备。
在一个实施例中，异常设备判定模块包括能耗信息分析单元和能耗信息判定单元。
能耗信息分析单元，用于计算所述同一簇下的多个通信设备的所述能耗信息对应的数据的均值和方差；
能耗信息判定单元，用于将同一簇下的每一通信设备的能耗信息对应的数据大于均值与3倍方差的和或者小于均值与3倍方差的差值的能耗信息对应的通信设备作为所述异常能耗设备。
图9示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是服务器和终端设备，所述服务器包括但不限于高性能计算机和高性能计算机集群；所述终端设备包括但不限于移动终端设备和台式终端设备，所述移动终端设备包括但不限于手机、平板电脑、智能手表和笔记本电脑，所述台式终端设备包括但不限于台式电脑和车载电脑。如图9所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现通信设备的能耗管控方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行通信设备的能耗管控方法。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的通信设备的能耗管控方法可以实现为一种计算机程序的形式，计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成通信设备的能耗管控装置的各个程序模板。比如，特征信息获取模块802，信息抽样模块804，距离计算模块806，聚类数据估算模块808，聚类分析模块810，异常设备判定模块812和能耗管理模块814。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的通信设备的能耗管控方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述实施例中的通信设备的能耗管控方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlinn)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
- 还没有人留言评论。精彩留言会获得点赞！