The invention discloses a dynamic early warning method and device for monitoring the dynamic environment of data center. The method first preprocesses time series, removes outliers and ensures data alignment, then decomposes the preprocessed time series, extracts trend items, seasonal items and random fluctuation items. By estimating the parameters of trend term, seasonal term and random fluctuation term respectively, a time series prediction model is established, and the future operation status of key indicators is predicted by using this prediction model. Based on fault discrimination rules, it can automatically identify whether a fault will occur and whether an early warning will be pushed. Finally, the above steps are updated regularly to realize the dynamic early warning of the monitoring of the data center's dynamic environment. In this way, operators can take corresponding emergency measures before the actual occurrence of the fault, so as to avoid the occurrence of the fault.
【技术实现步骤摘要】
一种用于数据中心动力环境监控的动态预警方法及装置
本专利技术涉及计算机
,特别是涉及一种用于数据中心动力环境监控的动态预警方法及装置。
技术介绍
动力和环境系统作为数据中心的重要组成部分,为IT设备的可靠运行提供了极为重要的支撑。因此,保障动力和环境系统的安全、可靠、稳定运行,是数据中心管理的一项重要工作。传统的做法是采用运行维护人员定点、定期巡查和24小时值班,这样不仅耗费了大量的人力、物力,而且不能全面、及时地掌握设备的实时运行状况。随着信息化技术的发展,数据中心的管理逐步采用数字化集中监控平台。其作为一种自动化监控手段,可对数据中心动力和环境基础设施进行24小时的不间断监控,并在设备出现告警或故障后及时推送相关信息,告知运行维护人员进行处理。这种方式虽然实现了对设备的实时监控,极大提高了故障发现的全面性和及时性。但其弊端是属于事后处理,无法避免故障带来的损失。对于一些重要的设备,如高压配电柜、UPS等,一旦其发生故障,则很可能引发服务器断电、业务中断,甚至引起重大的经济损失和严重的社会影响。因此,需对这些设备进行动态预警,在故障发生前采取针对性的预防维护措施,尽可能避免其故障的发生。从而进一步提升数据中心基础设施的可靠性和安全性。
技术实现思路
本专利技术提供了一种用于数据中心动力环境监控的动态预警方法,以解决现有技术中不能很好地实现对设备进行动态预警的问题。本专利技术一方面提供了一种用于数据中心动力环境监控的动态预警方法,包括:对数据中心动力环境监控平台的时序监控数据进行预处理;选择预测模型,并建立时间序列预测模型;根据所述时间序列预测模型预测未 ...
【技术保护点】
1.一种用于数据中心动力环境监控的动态预警方法,其特征在于,包括:对数据中心动力环境监控平台的时序监控数据进行预处理;选择预测模型,并建立时间序列预测模型;根据所述时间序列预测模型预测未来运行状态,并进行状态预警的判别和推送;根据实际监测数据重新对时序监控数据进行预处理,并重新构建预测模型。
【技术特征摘要】
1.一种用于数据中心动力环境监控的动态预警方法,其特征在于,包括:对数据中心动力环境监控平台的时序监控数据进行预处理;选择预测模型,并建立时间序列预测模型;根据所述时间序列预测模型预测未来运行状态,并进行状态预警的判别和推送;根据实际监测数据重新对时序监控数据进行预处理,并重新构建预测模型。2.根据权利要求1所述的方法,其特征在于,对数据中心动力环境监控平台的时序监控数据进行预处理,包括:对数据中心动力环境监控平台的时序监控数据进行异常数据的修正,数据聚合和数据分散处理。3.根据权利要求2所述的方法,其特征在于,对数据中心动力环境监控平台的时序监控数据进行异常数据的修正,数据聚合和数据分散处理,包括:从数据中心动力环境监控平台的时序数据库中获取预定指标在过去预定时间内的时序监测数据,记作第一时间序列Y={x1,x2,...,xn},其中n表示第一时间序列Y中的样本数量;对时序监控数据进行异常检测,利用欧式距离或聚类方法,发现并修正时间序列Y中的异常点,得到修正异常值后的第二时间序列Ym={x'1,x'2,...,x'n};对于修正后的时序监控数据进行聚合或分散,假定k为对齐后的历史数据时间间隔,当k大于第二时间序列Ym中两个数据点之间的时间间隔时,利用时间间隔k内的样本均值或最大值、最小值对第二时间序列Ym进行聚合处理;当k小于第二时间序列Ym中两个数据点之间的时间间隔时,利用插值算法对第二时间序列Ym进行分散处理,获得对齐后的第三时间序列Y'={xk,x2k,...,xmk},其中m为第三时间序列Y'中的样本数量,将第三时间序列Y'重新记为Y'={y1,y2,...,yt,yt+1,...,ym},t为自然数,t<m。4.根据权利要求3所述的方法,其特征在于,选择预测模型包括:将第三时间序列Y'进行分解,得到随机波动项Lt,趋势项Tt和季节项St;当第三时间序列Y'适用于加法模型,则采用加法模型进行分解,其中yt是第三时间序列Y'中的第t个元素;Lt=α(yt-St-p)+(1-α)(Lt-1+Tt-1)Tt=β(Lt-Lt-1)+(1-β)Tt-1St=γ(yt-Lt)+(1-γ)St-pFt+1=Lt+Tt+St+1-p当第三时间序列Y'适用于乘法模型,则采用乘法模型进行分解:Lt=α(yt/St-p)+(1-α)(Lt-1+Tt-1)Tt=β(Lt-Lt-1)+(1-β)Tt-1St=γ(yt/Lt)+(1-γ)St-pFt+1=(Lt+Tt)St+1-p其中,α,β,γ分别为随机波动项平滑因子、趋势项平滑因子和季节项平滑因子,p为季节项的周期,且0≤α≤1,0≤β≤1,0≤γ≤1。5.根据权利要求4所述的方法,其特征在于,建立时间序列预测模型,包括:确定时间序列预测模型中Lt的初始值L0和Tt的初始值T0:...
【专利技术属性】
技术研发人员:黄建文,朱海龙,陈苏,曹可建,姜卓,周双全,王海峰,
申请(专利权)人:国家计算机网络与信息安全管理中心,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。