基于数字孪生的智慧运维管理平台的制作方法

本发明涉及运维管理平台，具体为基于数字孪生的智慧运维管理平台。

背景技术：

1、运维管理平台是一个旨在提高企业运维效率和稳定性的重要工具。它集成了各种功能和工具，可帮助运维团队监控、管理和优化公司的i t基础设施。

2、公开号为cn115643150a的专利申请公开了一种基于数字孪生的idc智能运维管理系统，主要通过数字孪生技术能够及时反映数据中心软硬件环境的运行状态，提供全面的数据和信息，为决策者提供可靠依据，解决了现在dc i m运维平台与各设备实时运行数据弱关联的问题。通过ai算法模块对idc各物理实体的隐性故障进行识别预判并报警，提高了故障的识别及故障维修效率，上述专利虽然解决了运维数据管理的问题，但是在实际操作中还存在以下问题：

3、1.将运维管理数据获取后没有进行进一步的数据处理，从而使数据质量不佳导致无法进行模型构建。

4、2.没有将运维管理数据模型中的异常区域进行更准确的定位，以及没有根据异常情况进行针对性的警报，从而导致无法及时对异常进行预警。

5、3.没有将获取的运维管理数据根据数据的类型进行针对性的模型构建，从而导致构建的模型受到局限性。

技术实现思路

1、本发明的目的在于提供基于数字孪生的智慧运维管理平台，通过确认图像数据模型和文本数据模型的模型存储量，并选择合适的存储器和子存储空间进行存储，实现了数据模型的高效管理，对存储的图像数据模型和文本数据模型进行时间戳标注，使得这些模型具有了时间属性，增强了数据的可追溯性，通过分别提取图像和文本数据模型中的特征数据，并将特征向量进行拼接，可以形成包含丰富信息的特征集合，根据故障的严重程度，采取相应的预警措施，提高预警的针对性和有效性，将不同程度的预警警报传输至异常区域进行警报处理，可以确保运维人员能够及时了解并处理故障，可以解决现有技术中的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、基于数字孪生的智慧运维管理平台，包括：

4、运维管理平台数据获取单元，用于：

5、从数据库中调取运维管理数据，根据运维管理数据的数据类型进行数据分类，数据分类完成后进行数据预处理，数据预处理后得到目标运维管理数据；

6、运维管理平台数据模型构建单元，用于：

7、将目标运维管理数据利用数字孪生模型进行模型构建，其中，根据不同的数据类型构建不同的数据模型；

8、构建模型存储集成单元，用于：

9、将不同的数据模型存储至不同的存储器中，再将存储完成的数据模型进行数据模型集成，数据模型集成后得到集成运维管理模型；

10、集成模型预测分析单元，用于：

11、将集成运维管理模型进行异常分析，根据异常分析结果确认异常区域的故障特征，并将异常区域的故障特征进行可视化转换，可视化转换后得到异常运维管理数据；

12、预测分析数据预警单元，用于：

13、将异常运维管理数据进行故障等级判断，根据不同的故障等级进行不同程度的预警，根据故障定位对异常区域进行警报。

14、优选的，所述运维管理平台数据获取单元，包括：

15、数据获取分类模块，用于：

16、运维管理数据包括空间数据、设备数据、环境数据和日志数据；

17、将空间数据、设备数据、环境数据和日志数据依次分类为文本数据和图像数据；

18、分类完成后得到空间数据的文本数据和图像数据、设备数据的文本数据和图像数据、环境数据的文本数据和图像数据和日志数据的文本数据和图像数据。

19、优选的，所述运维管理平台数据获取单元，还包括：

20、分类数据预处理模块，用于：

21、将空间数据、设备数据、环境数据和日志数据的文本数据和图像数据分别进行数据预处理；

22、其中，空间数据、设备数据、环境数据和日志数据的文本数据的预处理流程为数据清洗、数据格式统一和数据标准化；

23、空间数据、设备数据、环境数据和日志数据的图像数据的预处理流程为图像去噪、图像尺寸统一、图像归一化、图像画质增强和图像特征提取；

24、空间数据、设备数据、环境数据和日志数据的文本数据和图像数据预处理完成后的得到目标运维管理数据。

25、优选的，所述运维管理平台数据模型构建单元，还用于：

26、将目标运维管理数据中空间数据、设备数据、环境数据和日志数据的文本数据和图像数据分别进行提取；

27、将空间数据、设备数据、环境数据和日志数据的文本数据通过深度学习模型进行文本数据模型构建；

28、将空间数据、设备数据、环境数据和日志数据的图像数据利用resnet模型进行图像分类，利用yolo模型进行目标检测，利用mask r-cnn模型进行图像分割，图像数据进行图像分类、目标检测和图像分割后得到图像数据模型。

29、优选的，所述构建模型存储集成单元，包括：

30、构建模型存储模块，用于：

31、将图像数据模型和文本数据模型进行确认；

32、确认图像数据模型和文本数据模型的模型存储量，其中，模型存储量为图像数据模型和文本数据模型的模型大小；

33、存储器包括文本存储器和图像存储器，其中，文本存储器和图像存储器中分别包括若干个子存储空间；

34、将每个子存储空间的存储剩余容量进行确认；

35、根据图像数据模型和文本数据模型选择对应的存储器；

36、存储器选择完成后根据图像数据模型和文本数据模型的模型存储量选择对应的子存储空间；

37、其中，图像数据模型和文本数据模型的模型存储量小于子存储空间的存储剩余容量；

38、图像数据模型和文本数据模型存储至子存储空间后，根据存储时间将图像数据模型和文本数据模型进行时间戳标注；

39、最终的得到同一时间存储的图像数据模型和文本数据模型。

40、优选的，所述构建模型存储集成单元，还包括：

41、构建模型集成模块，用于：

42、将存储器中的图像数据模型和文本数据模型进行模型集成；

43、其中，分别将图像数据模型和文本数据模型中的特征数据进行提取，特征数据提取后得到图像特征向量和文本特征向量；

44、利用向量拼接法将提取出的图像特征向量和文本特征向量进行拼接；

45、将拼接后的特征向量进行归一化处理，当拼接后的特征向量维度高于预设维度时，利用pca进行降维处理；

46、将归一化处理后的特征向量进行融合，融合后得到图像数据模型和文本数据模型的集成数据模型，并将集成数据模型标注为集成运维管理模型。

47、优选的，所述集成模型预测分析单元，还用于：

48、从数据库中调取历史运维数据，将历史运维数据与集成运维管理模型中的数据进行数据类型对应；

49、将对应的数据类型分别进行数据比对，根据比对结果判断集成运维管理模型中是否存在异常区域；

50、其中，当历史运维数据与集成运维管理模型中的数据进行比对时，若比对差值不在标准差值范围内时，则集成运维管理模型中的数据为异常区域；

51、根据异常区域的类型确认故障特征，其中，故障特征为异常区域中的异常设备的异常值，异常值包括设备的频率、幅度、持续时间；

52、将异常区域的故障特征通过可视化工具进行可视化转换；

53、视化转换后得到异常运维管理数据。

54、优选的，所述预测分析数据预警单元，还用于：

55、将视化转换后得到异常运维管理数据中的比对差值进行调取；

56、根据比对差值判断故障等级，其中，故障等级分为一级故障、二级故障和三级故障；

57、不同的故障等级对应不同程度的预警，其中，预警程度分为一级预警、二级预警和三级预警；

58、最终，将不同程度的预警警报传输至异常区域进行警报处理。

59、与现有技术相比，本发明的有益效果如下：

60、1.本发明提供的基于数字孪生的智慧运维管理平台，通过对空间数据、设备数据、环境数据和日志数据的文本数据进行深度学习模型构建，可以深入挖掘数据中的隐藏信息和关联关系，提高数据分析和预测的准确性，将文本数据和图像数据分别进行处理后，再进行融合，可以实现多维数据的协同作用。

61、2.本发明提供的基于数字孪生的智慧运维管理平台，确认图像数据模型和文本数据模型的模型存储量，并选择合适的存储器和子存储空间进行存储，实现了数据模型的高效管理，对存储的图像数据模型和文本数据模型进行时间戳标注，使得这些模型具有了时间属性。这增强了数据的可追溯性，通过分别提取图像和文本数据模型中的特征数据，并将这些特征向量进行拼接，可以形成包含丰富信息的特征集合，通过特征融合实现了信息的互补和增强，提高了模型的表达能力和泛化能力。

62、3.本发明提供的基于数字孪生的智慧运维管理平台，通过将历史运维数据与集成运维管理模型中的数据进行详细比对，能够精确地识别出模型中的异常区域，提高了异常检测的准确性和可靠性，一旦发现异常区域，方案进一步细化分析故障特征，包括异常设备的频率、幅度、持续时间等具体参数，根据故障的严重程度，采取相应的预警措施，提高预警的针对性和有效性，将不同程度的预警警报传输至异常区域进行警报处理，可以确保运维人员能够及时了解并处理故障。