本公开涉及机器学习、数据处理领域,并且更具体地,涉及一种微模块机房环境监控方法及系统。
背景技术:
1、随着信息技术的快速发展,数据中心、网络机房等设施的建设和维护变得越来越重要。在这些设施中,微模块机房作为一种新型的机房建设模式,已经得到了广泛的应用。微模块机房将传统机房的各个子系统整合为一个整体,实现了机房的模块化、标准化和快速部署。然而,微模块机房的环境监控一直是一个重要的问题。由于微模块机房内部设备密集,发热量较大,如果环境参数得不到有效的监控和管理,可能会导致设备故障、过热等问题,从而影响整个机房的正常运行。目前,常用的微模块机房环境监控方法主要包括传感器监测、视频监控等。其中,传感器监测是通过在机房内部布置温度、湿度、气压等传感器,实时监测环境参数,并将数据传输到监控系统进行分析和处理。该过程可以采用机器学习模型,如神经网络对采集的数据进行模式识别,如何保证训练的神经网络能够准确识别微模块机房中的环境状态是需要克服的技术问题。
技术实现思路
1、有鉴于此,本公开实施例至少提供一种微模块机房环境监控方法及系统。
2、根据本公开实施例的一个方面,提供了一种微模块机房环境监控方法,所述方法包括:
3、获取机房环境参数数据样本库;其中,每个机房环境参数数据样本包含一个微模块机房样本和监控样本标记,所述监控样本标记用于指示对应的微模块机房样本对应的目标环境状态倾向性;
4、依据所述机房环境参数数据样本库对原始机房环境状态预估网络进行迭代优化,获得目标机房环境状态预估网络,对于一代优化,包括如下操作:
5、分别挖掘v个机房环境参数数据样本各自包括的微模块机房样本的机房参数数组表达,在获取到的v个机房参数数组表达中确定u个机房参数数组表达;
6、依据所述u个机房参数数组表达,基于所述机房环境参数数据样本库中的各个机房环境参数数据样本的机房参数数组表达的特征分布模式,分别得到所述u个机房参数数组表达分别对应的生成数组表达;
7、依据获得的v-u个机房参数数组表达,以及u个生成数组表达分别对对应的微模块机房样本进行机房环境状态预估,得到对应的机房环境状态预估结果;
8、依据各机房环境状态预估结果和对应的监控样本标记生成状态目标函数,以对所述原始机房环境状态预估网络进行网络参数修正;
9、当迭代优化过程中,一代优化后的原始机房环境状态预估网络达到预设的优化截止条件时,获得所述目标机房环境状态预估网络;
10、基于所述目标机房环境状态预估网络对目标微模块机房的机房环境参数数据进行环境状态倾向性预估,得到环境状态倾向性预估结果,并将所述环境状态倾向性预估结果作为所述目标微模块机房的环境监控结果。
11、根据本公开实施例的一个示例,其中,所述原始机房环境状态预估网络是依据所述机房环境参数数据样本库对特征工程神经网络中的部分网络组件进行多对迭代优化获得的,其中,每一对迭代优化包括基于相同机房环境参数数据样本完成的两次迭代优化,在每一对迭代优化的首次迭代优化时,包括:
12、分别挖掘a个机房环境参数数据样本各自包括的微模块机房样本的机房参数数组表达;
13、依据所述a个机房参数数组表达,基于在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式,并基于在本对迭代优化中得到的a个机房参数数组表达的特征分布模式,分别得到所述a个机房参数数组表达分别对应的生成数组表达;
14、对所述a个生成数组表达的特征属性进行鉴别,所述特征属性包括机房参数数组表达属性与生成数组表达属性;
15、依据各个鉴别结果对所述特征工程神经网络进行网络参数修正。
16、根据本公开实施例的一个示例,其中,所述原始机房环境状态预估网络是依据所述机房环境参数数据样本库,对特征工程神经网络中的部分网络组件进行多对迭代优化获得的,其中,每一对迭代优化包括基于相同机房环境参数数据样本完成的两次迭代优化,在每一对迭代优化的第二次迭代优化过程中,包括:
17、分别挖掘a个机房环境参数数据样本各自包括的微模块机房样本的机房参数数组表达,在获取到的a个机房参数数组表达中确定b个机房参数数组表达;
18、依据所述b个机房参数数组表达,基于在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式,并基于在本对迭代优化中得到的a个机房参数数组表达的特征分布模式,分别得到所述b个机房参数数组表达分别对应的生成数组表达;
19、对所述a-b个机房参数数组表达,以及b个生成数组表达的特征属性进行鉴别;所述特征属性包括机房参数数组表达属性与生成数组表达属性;
20、依据各个鉴别结果对所述特征工程神经网络进行网络参数修正。
21、根据本公开实施例的一个示例,其中,所述依据所述a个机房参数数组表达,基于在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式,并基于在本对迭代优化中得到的a个机房参数数组表达的特征分布模式,分别得到所述a个机房参数数组表达分别对应的生成数组表达,包括:
22、将所述a个机房参数数组表达分别输入所述特征工程神经网络中的数组表达生成组件,依据在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式,以及在本对迭代优化中得到的a个机房参数数组表达的特征分布模式,得到所述a个机房参数数组表达分别对应的生成数组表达;
23、所述对所述a个生成数组表达的特征属性进行鉴别,包括:
24、依据所述特征工程神经网络中的数组表达鉴别组件分别对所述a个生成数组表达的特征属性进行鉴别,得到所述a个生成数组表达分别对应的第一鉴别结果,每个第一鉴别结果表示所述数组表达鉴别组件所预估得到的相应的生成数组表达的特征属性为机房参数数组表达属性与生成数组表达属性的支持系数。
25、根据本公开实施例的一个示例,其中,所述依据各个鉴别结果,对所述特征工程神经网络进行网络参数修正,包括:
26、依据各个第一鉴别结果生成第一目标函数;
27、以收敛所述第一目标函数为目标,对所述数组表达生成组件进行网络参数修正,对所述第一目标函数执行梯度逆向传递,以对所述特征工程神经网络中的特征映射组件进行网络参数修正,其中,所述特征映射组件用于进行特征挖掘。
28、根据本公开实施例的一个示例,其中,所述依据所述b个机房参数数组表达,基于在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式,并基于在本对迭代优化中得到的a个机房参数数组表达的特征分布模式,分别得到所述b个机房参数数组表达分别对应的生成数组表达,包括:
29、将所述b个机房参数数组表达分别输入所述特征工程神经网络中的数组表达生成组件,依据在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式,以及在本对迭代优化中得到的a个机房参数数组表达的特征分布模式,得到所述b个机房参数数组表达分别对应的生成数组表达;
30、所述对所述a-b个机房参数数组表达,以及b个生成数组表达的特征属性进行鉴别,包括:
31、依据所述特征工程神经网络中的数组表达鉴别组件,分别对所述a-b个机房参数数组表达,以及b个生成数组表达的特征属性进行鉴别,得到所述a-b个机房参数数组表达,以及b个生成数组表达分别对应的第二鉴别结果,每个第二鉴别结果代表所述数组表达鉴别组件所预估得到的相应的机房参数数组表达或生成数组表达的特征属性为机房参数数组表达属性与生成数组表达属性的支持系数。
32、根据本公开实施例的一个示例,其中,所述依据各个鉴别结果,对所述特征工程神经网络进行网络参数修正,包括:
33、依据各个第二鉴别结果生成第二目标函数;
34、以收敛所述第二目标函数为目标,对所述数组表达鉴别组件进行网络参数修正,对所述第二目标函数执行梯度逆向传递,以对所述特征工程神经网络中的特征映射组件进行网络参数修正,其中,所述特征映射组件用于进行特征挖掘。
35、根据本公开实施例的一个示例,其中,所述依据所述u个机房参数数组表达,基于所述机房环境参数数据样本库中的各个机房环境参数数据样本的机房参数数组表达的特征分布模式,分别得到所述u个机房参数数组表达分别对应的生成数组表达,包括:
36、将所述u个机房参数数组表达分别输入所述原始机房环境状态预估网络中的数组表达生成组件,依据所述机房环境参数数据样本库中的各个机房环境参数数据样本的机房参数数组表达的特征分布模式,得到所述u个机房参数数组表达分别对应的生成数组表达;
37、所述依据获得的v-u个机房参数数组表达,以及u个生成数组表达,分别对对应的微模块机房样本进行机房环境状态预估,得到对应的机房环境状态预估结果,包括:
38、将所述v-u个机房参数数组表达以及u个生成数组表达分别输入所述原始机房环境状态预估网络中的环境状态预估组件,以对对应的微模块机房样本进行机房环境状态预估,得到对应的机房环境状态预估结果。
39、根据本公开实施例的一个示例,其中,所述依据各机房环境状态预估结果和对应的监控样本标记生成状态目标函数,以对所述原始机房环境状态预估网络进行网络参数修正,包括:
40、依据各机房环境状态预估结果和对应的监控样本标记生成状态目标函数;
41、以收敛所述状态目标函数为目标,对所述环境状态预估组件进行网络参数修正,对所述状态目标函数执行梯度逆向传递,以对所述原始机房环境状态预估网络中的特征映射组件进行网络参数修正,其中,所述特征映射组件用于特征挖掘。
42、根据本公开实施例的另一方面,提供了一种微模块机房环境监控系统,包括监控设备和与所述监控设备通信连接的多个传感器设备,所述监控设备用于在所述多个传感器设备处获取目标微模块机房的机房环境参数数据,所述监控设备包括:
43、处理器;
44、以及存储器,其中所述存储器中存储有计算机程序,所述计算机程序在由所述处理器运行时,使得所述处理器执行以上所述的方法,
45、本公开的有益效果至少包括:
46、本公开实施例提供的微模块机房环境监控方法及系统,在网络的优化过程中,对于每一代优化,原始机房环境状态预估网络在确定的v个机房环境参数数据样本对应的机房参数数组表达中,基于机房环境参数数据样本库中的各个机房环境参数数据样本对应的机房参数数组表达的特征分布模式,随机确定u个机房参数数组表达进行重建,得到u个生成数组表达,然后原始机房环境状态预估网络对未进行重建的v-u个机房参数数组表达,以及重建后的u个生成数组表达进行机房环境状态预估,基于此进行网络优化。也就是说,原始机房环境状态预估网络在多次迭代优化时,同时使用了机房环境参数数据样本库中的各微模块机房样本对应的实际的机房参数数组表达和生成数组表达进行网络优化,帮助网络学习到更多有用的信息,提升网络优化质量,进而提升网络对机房环境状态预估的可靠度。
47、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开的技术方案。