一种数据中心监控系统的智能故障分类方法及装置制造方法及图纸

本发明专利技术公开了一种数据中心监控系统的智能故障分类方法及装置，该方法包括：根据监控资源的监控项的监控状态构造发育网络的输入矩阵；采用所述输入矩阵对发育网络进行学习训练；采用学习训练后的发育网络对监控状态的故障进行分类。该方法根据监控资源的监控项的具体监控状态进行构造网络的输入矩阵，采用一种智能网络即发育网络来实现对监控资源的智能故障分类，在对发育网络进行学习训练后，即可实现对故障的分类，实现提升故障诊断效率。

Intelligent fault classification method and device for data center monitoring system

The invention discloses a device and intelligent fault classification method of data center monitoring system, the method comprises: according to the input matrix of monitoring resources monitoring the state monitoring network structure development; using the input matrix on the development of network training; the training after the development of the network fault monitoring classification. The input matrix method to construct the network according to the specific monitoring monitoring items of monitoring resources, using an intelligent network is developed to realize the intelligent network fault classification of monitoring resources, in the development of network training, realize the classification of fault can be realized to improve the efficiency of fault diagnosis.

【技术实现步骤摘要】
一种数据中心监控系统的智能故障分类方法及装置
本专利技术涉及数据中心监控
，特别是涉及一种数据中心监控系统的智能故障分类方法及装置。
技术介绍
目前，随着互联网的飞速发展，数据中心承载着各种数据的采集、存储及分析等功能，一旦设备出现故障，工作人员需要根据监控的监控项的告警详情去分析故障，对于经验丰富的老员工来说，可能能够很快的找到故障原因进行解决，对于一般员工很可能无法找到故障原因或者需要很长时间找到故障的根本原因，这样大大的增大了数据中心设备运行的稳定性及安全性，不能够保证各种业务的正常运行，故障诊断的效率较低。
技术实现思路
本专利技术的目的是提供一种数据中心监控系统的智能故障分类方法及装置，以实现提升故障诊断效率。为解决上述技术问题，本专利技术提供一种数据中心监控系统的智能故障分类方法，该方法包括：根据监控资源的监控项的监控状态构造发育网络的输入矩阵；采用所述输入矩阵对发育网络进行学习训练；采用学习训练后的发育网络对监控状态的故障进行分类。优选的，所述发育网络包括X层、Y层和Z层。优选的，采用输入矩阵对发育网络进行学习训练，包括：将输入矩阵作为X层，计算Y层各个神经元的能量；从Y层的所有神经元中查找出能量最大的神经元j，将神经元j的权值进行更新；将Y层的输出作为Z层的输入，从Z层中的神经元中查找出进行响应的神经元k，对神经元k的权值进行更新。优选的，所述采用学习训练后的发育网络对监控状态的故障进行分类，包括：根据X层构造的输入矩阵，计算Y层中神经元的能量，将Y层的所有神经元中能量最大的神经元的输出设置为1，将Y层中除了能量最大的神经元之外的其它神经元的输出均设置为0；将Y层神经元的输出，作为Z层神经元的输入，在Z层所有的神经元中查找出能量最大的神经元i，确定神经元i对应的故障类型为监控状态的故障类型。本专利技术还提供一种数据中心监控系统的智能故障分类装置，用于实现所述方法，包括：矩阵构造模块，用于根据监控资源的监控项的监控状态构造发育网络的输入矩阵；训练模块，用于采用所述输入矩阵对发育网络进行学习训练；故障分类模块，用于采用学习训练后的发育网络对监控状态的故障进行分类。优选的，所述发育网络包括X层、Y层和Z层。优选的，所述训练模块包括：计算单元，用于将输入矩阵作为X层，计算Y层各个神经元的能量；第一权值更新单元，用于从Y层的所有神经元中查找出能量最大的神经元j，将神经元j的权值进行更新；第二权值更新单元，用于将Y层的输出作为Z层的输入，从Z层中的神经元中查找出进行响应的神经元k，对神经元k的权值进行更新。优选的，所述故障分类模块包括：输出设置单元，用于根据X层构造的输入矩阵，计算Y层中神经元的能量，将Y层的所有神经元中能量最大的神经元的输出设置为1，将Y层中除了能量最大的神经元之外的其它神经元的输出均设置为0；故障确定单元，用于将Y层神经元的输出，作为Z层神经元的输入，在Z层所有的神经元中查找出能量最大的神经元i，确定神经元i对应的故障类型为监控状态的故障类型。本专利技术所提供的一种数据中心监控系统的智能故障分类方法及装置，根据监控资源的监控项的监控状态构造发育网络的输入矩阵；采用所述输入矩阵对发育网络进行学习训练；采用学习训练后的发育网络对监控状态的故障进行分类。可见，根据监控资源的监控项的具体监控状态进行构造网络的输入矩阵，采用一种智能网络即发育网络来实现对监控资源的智能故障分类，在对发育网络进行学习训练后，即可实现对故障的分类，并且在故障分类使用过程中，如果用户认为该故障不符合用户要求，用户可以重新定义故障，进行学习，即可实现对新的故障进行分类，从而达到一个在线学习的过程，并且发育网络训练不需要反复迭代，大大缩减了网络的学习时间，并且实现了一个在线增长学习的一个过程，能够满足用户的自定义故障，所以采用发育网络来进行故障分类，能够快速的分析出故障原因，而且可以实现用户的自定义的智能故障分类。附图说明为了更清楚地说明本专利技术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专利技术的实施例，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，还可以根据提供的附图获得其他的附图。图1为本专利技术所提供的一种数据中心监控系统的智能故障分类方法的流程图；图2为发育网络示意图；图3为故障分类实施过程示意图；图4为本专利技术所提供的一种数据中心监控系统的智能故障分类装置的流程图。具体实施方式本专利技术的核心是提供一种数据中心监控系统的智能故障分类方法及装置，以实现提升故障诊断效率。为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参考图1，图1为本专利技术所提供的一种数据中心监控系统的智能故障分类方法的流程图，该方法包括：S11：根据监控资源的监控项的监控状态构造发育网络的输入矩阵；S12：采用输入矩阵对发育网络进行学习训练；S13：采用学习训练后的发育网络对监控状态的故障进行分类。可见，该方法根据监控资源的监控项的具体监控状态进行构造网络的输入矩阵，采用一种智能网络即发育网络来实现对监控资源的智能故障分类，在对发育网络进行学习训练后，即可实现对故障的分类，并且在故障分类使用过程中，如果用户认为该故障不符合用户要求，用户可以重新定义故障，进行学习，即可实现对新的故障进行分类，从而达到一个在线学习的过程，并且发育网络训练不需要反复迭代，大大缩减了网络的学习时间，并且实现了一个在线增长学习的一个过程，能够满足用户的自定义故障，所以采用发育网络来进行故障分类，能够快速的分析出故障原因，而且可以实现用户的自定义的智能故障分类。基于上述方法，具体的，发育网络包括X层、Y层和Z层。进一步的，步骤S12包括以下步骤：S21：将输入矩阵作为X层，计算Y层各个神经元的能量；S22：从Y层的所有神经元中查找出能量最大的神经元j，将神经元j的权值进行更新；S23：将Y层的输出作为Z层的输入，从Z层中的神经元中查找出进行响应的神经元k，对神经元k的权值进行更新。进一步的，步骤S13包括以下步骤：S31：根据X层构造的输入矩阵，计算Y层中神经元的能量，将Y层的所有神经元中能量最大的神经元的输出设置为1，将Y层中除了能量最大的神经元之外的其它神经元的输出均设置为0；S32：将Y层神经元的输出，作为Z层神经元的输入，在Z层所有的神经元中查找出能量最大的神经元i，确定神经元i对应的故障类型为监控状态的故障类型。详细的，本方法采用美国密歇根州立大学翁巨杨教授模拟人类大脑的发育规律而提出的一种智能网络——发育网络，来实现对监控资源的智能故障分类。基于本方法，故障分类过程主要包括：(1)构造输入矩阵、(2)发育网络训练和故障分类。(1)构造输入矩阵：是将监控的某一种资源的监控项按照某种分类方式进行分类，对同属于一个类别的监控项的状态做“与”处理，即在同一个类别下的监控项，如果有一个是异常的，认为该类别是异常的，如果全部正常，认为该类别是本文档来自技高网...

【技术保护点】
一种数据中心监控系统的智能故障分类方法，其特征在于，包括：根据监控资源的监控项的监控状态构造发育网络的输入矩阵；采用所述输入矩阵对发育网络进行学习训练；采用学习训练后的发育网络对监控状态的故障进行分类。

【技术特征摘要】
1.一种数据中心监控系统的智能故障分类方法，其特征在于，包括：根据监控资源的监控项的监控状态构造发育网络的输入矩阵；采用所述输入矩阵对发育网络进行学习训练；采用学习训练后的发育网络对监控状态的故障进行分类。2.如权利要求1所述的方法，其特征在于，所述发育网络包括X层、Y层和Z层。3.如权利要求2所述的方法，其特征在于，采用输入矩阵对发育网络进行学习训练，包括：将输入矩阵作为X层，计算Y层各个神经元的能量；从Y层的所有神经元中查找出能量最大的神经元j，将神经元j的权值进行更新；将Y层的输出作为Z层的输入，从Z层中的神经元中查找出进行响应的神经元k，对神经元k的权值进行更新。4.如权利要求2所述的方法，其特征在于，所述采用学习训练后的发育网络对监控状态的故障进行分类，包括：根据X层构造的输入矩阵，计算Y层中神经元的能量，将Y层的所有神经元中能量最大的神经元的输出设置为1，将Y层中除了能量最大的神经元之外的其它神经元的输出均设置为0；将Y层神经元的输出，作为Z层神经元的输入，在Z层所有的神经元中查找出能量最大的神经元i，确定神经元i对应的故障类型为监控状态的故障类型。5.一种数据中心监控系统的智能故障分类装置，其特征在于，用于实现...

【专利技术属性】
技术研发人员：段谊海，刘成平，李锋，
申请(专利权)人：郑州云海信息技术有限公司，
类型：发明
国别省市：河南,41