一种基于5GNB-IoT的机房运维方法以及系统与流程

一种基于5g nb-iot的机房运维方法以及系统
技术领域
1.本技术实施例涉及设备运维领域，尤其涉及一种基于5g nb-iot的机房运 维方法以及系统。


背景技术：

2.目前，随着5g技术的发展，5g技术的商用化进程也不断加快，由于5g 网络比4g网络的传输速度快数百倍，伴随而来的是数据量的爆炸增长，推动 了互联网数据中心(internet data center，简称idc)产业规模的迅速扩大。而 在互联网数据中心中最重要的资产是机架，实际建设中机架都是以整机柜的形 式进行交付，目前国内大型的互联网数据中服务器的数量能够达到十几万甚至 即是几十万的量级，按照20台服务器一个机柜进行估算的话，大型的互联网数 据中的机柜数将超过1.5万个。在机柜数量较为庞大的情况下，传统的人工巡 检的方式会导致机柜的运维效率低下，且无法及时快速定位故障。
3.综上所述，如何提高对机柜运维的效率，成为了目前亟需解决的技术问题。


技术实现要素：

4.本发明实施例提供了一种基于5g nb-iot的机房运维方法以及系统，解决 了现有技术中对机柜的运维效率低下的技术问题。
5.第一方面，本发明实施例提供了一种基于5g nb-iot的机房运维方法，所 述方法包括：
6.接收5g nb-iot模块转发的声音信号，所述声音信号由声音传感器在机柜 运行过程中采集得到，所述声音传感器安装在所述机柜上；
7.对所述声音信号进行预处理，得到目标信号；
8.对所述目标信号进行梅尔倒谱系数特征提取，得到第一特征向量；
9.对所述目标信号进行小波包能量特征提取，得到第二特征向量；
10.根据所述第一特征向量和所述第二特征向量，检测对应机柜上安装的服务 器是否存在故障。
11.优选的，所述根据所述第一特征向量和所述第二特征向量，检测对应机柜 上安装的服务器是否存在故障，包括：
12.将所述第一特征向量和所述第二特征向量输入至预设的分类器模型中，根 据所述分类器模型输出的结果判断对应机柜上安装的服务器是否存在故障。
13.优选的，当所述对应机柜上安装的服务器存在故障时，还包括：
14.识别出所述故障的类别。
15.优选的，所述识别出所述故障的类别，包括：
16.将所述第一特征向量和所述第二特征向量输入到预设的故障类别识别模型 中，得到所述故障的类别。
17.优选的，每个所述声音传感器具有唯一的设备特征码，每个所述机柜具有 唯一的
机柜编码，所述声音信号还包括有所述声音传感器的设备特征码，所述 方法还包括：
18.根据所述声音信号中的设备特征码在预设的第一表格中查找相对应的目标 机柜编码，所述第一表格上关联保存有每个机柜的机柜特征码以及安装在每个 所述机柜上的声音传感器的设备特征码；
19.根据所述目标机柜编码以及所述故障的类别生成告警信息，将所述告警信 息发送至客户终端。
20.第二方面，本发明实施例提供了一种基于5g nb-iot的机房运维系统，包 括声音传感器、5g nb-iot模块以及后台处理模块，所述声音传感器与所述5g nb-iot模块相连接，所述5g nb-iot模块与所述后台处理模块无线连接，所述 声音传感器安装在机柜上；
21.所述声音传感器用于采集所述机柜运行过程中的声音信号；
22.所述5g nb-iot模块用于将所述声音信号发送至后台处理模块；
23.所述后台处理模块用于对所述声音信号进行预处理，得到目标信号，对所 述目标信号进行梅尔倒谱系数特征提取，得到第一特征向量，对所述目标信号 进行小波包能量特征提取，得到第二特征向量，根据所述第一特征向量和所述 第二特征向量，检测对应机柜上安装的服务器是否存在故障。
24.优选的，所述后台处理模块具体用于将所述第一特征向量和所述第二特征 向量输入至预设的分类器模型中，根据所述分类器模型输出的结果判断对应机 柜上安装的服务器是否存在故障。
25.优选的，当所述对应机柜上安装的服务器存在故障时，所述后台处理模块 还用于识别出所述故障的类别。
26.优选的，所述后台处理模块具体用于将所述第一特征向量和所述第二特征 向量输入到预设的故障类别识别模型中，得到所述故障的类别。
27.优选的，每个所述声音传感器具有唯一的设备特征码，每个所述机柜具有 唯一的机柜编码，所述声音信号还包括有所述声音传感器的设备特征码；
28.所以后台处理模块还用于根据所述声音信号中的设备特征码在预设的第一 表格中查找相对应的目标机柜编码，所述第一表格上关联保存有每个机柜的机 柜特征码以及安装在每个所述机柜上的声音传感器的设备特征码；根据所述目 标机柜编码以及所述故障的类别生成告警信息，将所述告警信息发送至客户终 端。
29.上述，本发明实施例提供了一种基于5g nb-iot的机房运维方法和系统， 方法包括：接收5g nb-iot模块转发的声音信号，声音信号由声音传感器在机 柜运行过程中采集得到，声音传感器安装在机柜上；对声音信号进行预处理， 得到目标信号；对目标信号进行梅尔倒谱系数特征提取，得到第一特征向量； 对目标信号进行小波包能量特征提取，得到第二特征向量；根据第一特征向量 和第二特征向量，检测对应机柜上安装的服务器是否存在故障。
30.本发明实施例通过在互联网数据中心的机房内的每个机柜上都设置了声音 传感器，利用声音传感器来采集机柜运行时的声音信号，并通过5g nb-iot模 块将声音信号发送到机房运维设备中进行分析，从而确定服务器是否存在故障。 本发明实施例基于5g技术来实现声音信号的传输，能够适用于大规模的互联 网数据中心中，且能够自动检测出机柜中的服务器是否存在故障，无需人为进 行巡检，大大提高了运维效率，解决了现有技术中
对机柜的运维的效率低下的 技术问题。
附图说明
31.图1为本发明实施例提供的一种基于5g nb-iot的机房运维方法的示意图。
32.图2为本发明实施例提供的一种基于5g nb-iot的机房运维方法的适用场 景示意图。
33.图3为本发明实施例从目标信号中提取出第一特征向量和第二特征向量的 流程示意图。
34.图4为本发明实施例提供的另一种基于5g nb-iot的机房运维方法的示意 图。
35.图5为本发明实施例提供的一种基于5g nb-iot的机房运维系统的结构示 意图。
具体实施方式
36.以下描述和附图充分地示出本技术的具体实施方案，以使本领域的技术人 员能够实践它们。实施例仅代表可能的变化。除非明确要求，否则单独的部件 和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以 被包括在或替换其他实施方案的部分和特征。本技术的实施方案的范围包括权 利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，各 实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且 如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单 个发明或发明构思。本文中，诸如第一和第二等之类的关系术语仅仅用于将一 个实体或者操作与另一个实体或操作区分开来，而不要求或者暗示这些实体或 操作之间存在任何实际的关系或者顺序。而且，术语“包括”、“包含”或者其任 何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法 或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。本文中各 个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不 同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的结构、 产品等而言，由于其与实施例公开的部分相对应，所以描述的比较简单，相关 之处参见方法部分说明即可。
37.如图1所示，图1为本发明实施例提供的一种基于5g nb-iot的机房运维 方法的流程图。本发明实施例提供的一种基于5g nb-iot的机房运维方法可以 由机房运维设备执行，该机房运维设备可以通过软件和/或硬件的方式实现，该 机房运维设备可以是两个或多个物理实体构成，也可以由一个物理实体构成。 例如机房运维设备可以是电脑、上位机、服务器等设备。方法包括以下步骤：
38.步骤101、接收5g nb-iot模块转发的声音信号，声音信号由声音传感器 在机柜运行过程中采集得到，声音传感器安装在机柜上。
39.在本实施例中，在互联网数据中心的机房内的每个机柜上，都设置有一个 声音传感器，声音传感器用于采集机柜中的服务器在运行过程中的发出的声音。 其中，服务器在运行过程中风扇发出的声音是机柜声音的主要来源，且当服务 器处于不同状态时，由于服务器的发热量不同，因此风扇所发出的声音也是不 同的。例如服务器在关机的时候，风扇不发出声音；当服务器的负载达到100％ 时，由于此时服务器的发热量较大，因此风扇达到最大转速，声音最大。另外， 目前服务器还可以依据负载的情况智能调节风扇的转速，从而
使得服务器在不 同的状态下，风扇也会发出不同的声音。因此，机柜运行过程中的声音信号， 在一定程度上反映了当前服务器的运行状态。声音传感器在采集到机柜运行过 程中的声音信号后，将声音信号发送给5g nb-iot模块，5g nb-iot模块再通 过5g基站将声音信号发送给云端中的机房运维设备进行处理，如图2所示。 需要进一步说明的是，本实施例中使用5g技术来实现声音传感器的部署，5g 技术存在着高速率、大连接以及低延时三个特征，然而这三个特性无法同时满 足，因此在本实施例中使用了5g技术的大连接特征。例如当互联网数据中心 容纳的服务器均达到30万台时，保守估计互联网数据中心的机柜数量将超过 1.5万个。在每个机柜上方部署一个声音传感器，则声音传感器的数量至少达到 1.5万个，使用5g nb-iot技术时，每平方公里可以连接100万个传感器，假设 互联网数据中心占地面积为0.1平方公里，则5g nb-iot技术能够连接10万个 传感器，远远大于1.5万个。而如果使用4g网络，则每平方公里连接的传感器 是10万个，假设互联网数据中心占地面积为0.1平方公里，则能够连接1万个 传感器，小于1.5万个。因此，在本实施例中使用5g nb-iot模块与声音传感 器连接，从而来实现海量声音信号的传输。
40.步骤102、对声音信号进行预处理，得到目标信号。
41.在得到声音信号后，首先对声音信号进行预处理，从而得到目标信号。示 例性的，对声音信号进行预处理的过程为对声音信号进行预加重处理、分帧处 理以及加窗处理等。其中，预加重处理的目的是为了提高声音信号中的高频部 分，使得声音信号的频谱变得平坦，进而在整个频带内可以用相同的信噪比求 得频谱，便于频谱分析，预加重处理一般采用一阶高通滤波器。另外，由于声 音信号都是非平稳的，因此分帧处理的目的在于使得声音信号在帧内处于平稳 状态以便于后续处理。另外，为了解决频谱泄露现象以及实现时频局域化，需 要对声音信号进行加窗处理。
42.步骤103、对目标信号进行梅尔倒谱系数特征提取，得到第一特征向量。
43.在对声音信号进行预处理得到目标信号后，进一步从目标信号中提取出特 征向量。在本实施例中，为了提高后续进行故障识别的准确率，需要从目标信 号中提取出不同维度的特征向量。在本实施例中，分别从目标信号提取出了不 同维度的第一特征向量和第二特征向量。
44.在本实施例中，对目标信号进行梅尔倒谱系数特征提取，从而得到第一特 征。具体的，在一个实施例中，对目标信号使用周期图(periodogram)法进行功 率谱(power spectrum)估计，之后，对功率谱用mel滤波器组进行滤波，计算每 个滤波器里的能量，对每个滤波器的能量进行对数运算和离散余弦变换，最后 保留离散余弦变换的第2-13个系数，得到12个离散余弦变换系数，将12个离 散余弦变换系数作为第一特征向量。可理解，对进行梅尔倒谱系数特征提取的 具体过程可参考现有技术，在本实施例中不再进行赘述。
45.步骤104、对目标信号进行小波包能量特征提取，得到第二特征向量。
46.在本实施例中，可对目标信号进行小波包能量特征提取，从而得到第二特 征向量。具体的，在一个实施例中，首先对目标信号进行小波包分解，之后对 分解系数进行重构，从而得到各频带的信号能量，将各频带的信号能量作为第 二特征向量。同理，进行小波包能量特征提取的具体过程可参考现有技术，在 本实施例中不再进行赘述。在一个实施例中，对目标信号进行处理得到第一特 征向量和第二特征向量的具体过程如图3所示。
47.可理解，在本实施例中，步骤103和步骤104并没有严格的先后执行顺序， 步骤104
可以早于步骤103进行执行，步骤103和步骤104也可以同时进行。
48.步骤105、根据第一特征向量和第二特征向量，检测对应机柜上安装的服 务器是否存在故障。
49.之后，进一步根据第一特征向量和第二特征向量，检测对应机柜上安装的 服务器是否存在故障。示例性的，用户可以预先对神经网络进行训练，使得训 练好的神经网络能够根据输入的第一特征向量和第二特征向量，输出两种类型 的结果，一种是结果是服务器上不存在故障；另一种结果是服务器上存在故障。 之后再将第一特征向量和第二特征向量输入到训练好的神经网络中，根据神经 网络输出的结果，确定对应机柜上安装的服务器是否存在故障。
50.上述，本发明实施例通过在互联网数据中心的机房内的每个机柜上都设置 了声音传感器，利用声音传感器来采集机柜运行时的声音信号，并通过5g nb-iot模块将声音信号发送到机房运维设备中进行分析，从而确定服务器是否 存在故障。本发明实施例基于5g技术来实现声音信号的传输，能够适用于大 规模的互联网数据中心中，且能够自动检测出机柜中的服务器是否存在故障， 无需人为进行巡检，大大提高了运维效率，解决了现有技术中对机柜的运维的 效率低下的技术问题。
51.如图4所示，图4为本发明实施例提供的另一种基于5g nb-iot的机房运 维方法的流程示意图，本实施例提供的一种基于5g nb-iot的机房运维方法是 对上述基于5g nb-iot的机房运维方法的具体化，方法包括以下步骤：
52.步骤201、接收5g nb-iot模块转发的声音信号，声音信号由声音传感器 在机柜运行过程中采集得到，声音传感器安装在机柜上。
53.步骤202、对声音信号进行预处理，得到目标信号；
54.步骤203、对目标信号进行梅尔倒谱系数特征提取，得到第一特征向量；
55.步骤204、对目标信号进行小波包能量特征提取，得到第二特征向量；
56.步骤205、将第一特征向量和第二特征向量输入至预设的分类器模型中， 根据分类器模型输出的结果判断对应机柜上安装的服务器是否存在故障。
57.在本实施例中，在根据特征向量判断对应机柜上安装的服务器是否存在故 障时，可以将第一特征向量和第二特征向量输入到预先训练好的分类器模型中， 分类器模型会输出两种类型的结果，一种是结果是服务器上不存在故障；另一 种结果是服务器上存在故障，机房运维设备根据服务器输出的结果，即可判断 出声音传感器对应机柜上安装的服务器是否存在故障。在本实施例中，可预先 构建第一训练集，并使用第一训练集对分类器模型进行训练。具体的，在构建 第一训练集时，可采集大量机柜上的服务器在正常状态下的声音信号，以及大 量机柜上的服务器在故障状态下的声音信号，例如宕机一台服务器的声音信号、 宕机两台服务器的声音信号、宕机三台服务器的声音信号
……
整个机柜宕机的 声音信号等。之后，从声音信号中提取出第一特征向量以及第二特征向量，并 在第一特征向量和第二特征向量上标注出服务器相对应的状态(正常状态或者 故障状态)，得到第一训练集，之后使用第一训练集对分类器模型进行训练， 得到训练好的分类器模型。最后再将第一特征向量和第二特征向量输入至预设 的分类器模型中，即可确定对应机柜上安装的服务器是否存在故障。
58.步骤206、当对应机柜上安装的服务器存在故障时，识别出故障的类别。
59.当分类器模型输出的结果为声音传感器对应机柜上安装的服务器存在故障 时，可进一步根据第一特征向量和第二特征向量，识别出声音传感器所对应的 机柜上安装的服务器的故障类型。在一个实施例中，将第一特征向量和第二特 征向量输入到预设的故障类别识别模型中，得到故障的类别。具体的，用户可 以预先创建第二训练集，并使用第二训练集对深度神经网络进行训练，得到训 练好的故障类别识别模型，之后分别将第一特征向量和第二特征向量输入到训 练好的故障类别识别模型中，得到故障的类型。示例性的，在构建第二训练集 时，可以获取机柜上安装的服务器在不同故障下的声音信号，之后从声音信号 中提取出第一特征向量以及第二特征向量，并在第一特征向量和第二特征向量 中标出故障类型，得到第二训练集。之后使用第二训练集对深度神经网络进行 训练，得到训练好的故障类别识别模型。后续在将第一特征向量和第二特征向 量输入到训练好的故障类别识别模型后，即可识别得到故障的类别。
60.在上述实施例的基础上，每个声音传感器具有唯一的设备特征码，每个机 柜具有唯一的机柜编码，声音信号还包括有声音传感器的设备特征码。
61.在一个实施例中，安装在机柜上的每个声音传感器都具有唯一的设备特征 码，同时，每个机柜也具有唯一的机柜编码，通过设备特征码能够查找到对应 的声音传感器，通过机柜编码可以查找到对应的机柜。另外，在本实施例中， 声音传感器在上传声音信号时，声音信号中还包括有声音传感器自身的设备特 征码。
62.本实施例提供的方法还包括：
63.步骤207、根据声音信号中的设备特征码在预设的第一表格中查找相对应 的目标机柜编码，第一表格上关联保存有每个机柜的机柜特征码以及安装在每 个机柜上的声音传感器的设备特征码。
64.在得到了故障类别识别模型输出的故障的类别后，还可以根据对应的声音 信号中所包括的设备特征码，在第一表格中查找出相对应的目标机柜编码。需 要说明的是，在本实施例中，用户预先在机房运维设备中储存有第一表格，其 中第一表格中关联保存有每个机柜的机柜特征码以及安装在每个机柜上的声音 传感器的设备特征码。示例性，第一表格的内容如表1所示，其中机柜编码为 1的机柜上安装的声音传感器的设备特征码分别为a1～a7，机柜编码为2的机 柜上安装的声音传感器的设备特征码分别为a8～a14。
[0065][0066]
表1
[0067]
示例性的，当声音信号中的设备特征码为a7时，即可在第一表格中查询 到相对应的目标机柜编码为1。
[0068]
步骤208、根据目标机柜编码以及故障的类别生成告警信息，将告警信息 发送至客户终端。
[0069]
之后进一步根据目标机柜编码以及故障的类别生成告警信息，并将告警信 息发送到客户终端中，从而使得客户在客户终端接收到告警信息后，即可根据 告警信息中的目标机柜编码，快速确定出发生故障的机柜并前往机柜所在地， 同时可以根据故障的类别制定相对应的应对措施，以便快速对机柜进行维修。
[0070]
上述，本发明实施例通过在互联网数据中心的机房内的每个机柜上都设置 了声音传感器，利用声音传感器来采集机柜运行时的声音信号，并通过5g nb-iot模块将声音信号发送到机房运维设备中进行分析，从而确定服务器是否 存在故障。本发明实施例基于5g技术来实现声音信号的传输，能够适用于大 规模的互联网数据中心中，且能够自动检测出机柜中的服务器是否存在故障， 无需人为进行巡检，大大提高了运维效率，解决了现有技术中对机柜的运维的 效率低下的技术问题。
[0071]
如图5所示，图5为本发明实施例提供的一种基于5g nb-iot的机房运维 系统，包括声音传感器301、5g nb-iot模块302以及后台处理模块303，声音 传感器301与5g nb-iot模块302相连接，5g nb-iot模块302与后台处理模 块303无线连接，声音传感器301安装在
机柜上；
[0072]
声音传感器301用于采集机柜运行过程中的声音信号；
[0073]
5g nb-iot模块302用于将声音信号发送至后台处理模块303；
[0074]
后台处理模块303用于对声音信号进行预处理，得到目标信号，对目标信 号进行梅尔倒谱系数特征提取，得到第一特征向量，对目标信号进行小波包能 量特征提取，得到第二特征向量，根据第一特征向量和第二特征向量，检测对 应机柜上安装的服务器是否存在故障。
[0075]
在上述实施例的基础上，后台处理模块303具体用于将第一特征向量和第 二特征向量输入至预设的分类器模型中，根据分类器模型输出的结果判断对应 机柜上安装的服务器是否存在故障。
[0076]
在上述实施例的基础上，当对应机柜上安装的服务器存在故障时，后台处 理模块303还用于识别出故障的类别。
[0077]
在上述实施例的基础上，后台处理模块303具体用于将第一特征向量和第 二特征向量输入到预设的故障类别识别模型中，得到故障的类别。
[0078]
在上述实施例的基础上，每个声音传感器301具有唯一的设备特征码，每 个机柜具有唯一的机柜编码，声音信号还包括有声音传感器301的设备特征码；
[0079]
所以后台处理模块303还用于根据声音信号中的设备特征码在预设的第一 表格中查找相对应的目标机柜编码，第一表格上关联保存有每个机柜的机柜特 征码以及安装在每个机柜上的声音传感器301的设备特征码；根据目标机柜编 码以及故障的类别生成告警信息，将告警信息发送至客户终端。
[0080]
上述，本发明实施例通过在互联网数据中心的机房内的每个机柜上都设置 了声音传感器，利用声音传感器来采集机柜运行时的声音信号，并通过5g nb-iot模块将声音信号发送到机房运维设备中进行分析，从而确定服务器是否 存在故障。本发明实施例基于5g技术来实现声音信号的传输，能够适用于大 规模的互联网数据中心中，且能够自动检测出机柜中的服务器是否存在故障， 无需人为进行巡检，大大提高了运维效率，解决了现有技术中对机柜的运维的 效率低下的技术问题。
[0081]
注意，上述仅为本发明实施例的较佳实施例及所运用技术原理。本领域技 术人员会理解，本发明实施例不限于这里所述的特定实施例，对本领域技术人 员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明实施例的 保护范围。因此，虽然通过以上实施例对本发明实施例进行了较为详细的说明， 但是本发明实施例不仅仅限于以上实施例，在不脱离本发明实施例构思的情况 下，还可以包括更多其他等效实施例，而本发明实施例的范围由所附的权利要 求范围决定。