基于深度学习的数据中心环境热通道预测算法制造技术

本发明专利技术涉及服务器环境热通道预测算法技术领域，公开了基于深度学习的数据中心环境热通道预测算法，包括以下步骤：S1：获取数据：从监控系统获取对应服务器的数据；S2：数据处理：将S1获取的数据处理成平均值，再进行归一化处理；S3：搭建BiRCNN网络模型；S4：模型训练：将S2处理后的数据输入BiRCNN网络模型并作为模型输出的目标，按一定比例分为训练集和测试集进行模型训练；S5：预测数据：保存模型训练参数，将新时刻数据输入BiRCNN网络模型即可对服务器对应的环境热通道平均温度进行预测；本发明专利技术有助于针对性对精密空调送风设定温度、回风设定温度、压缩机转速、风机转速等参数进行及时调控，优化数据中心AI群控算法节能效果，减少运维人员压力。运维人员压力。运维人员压力。

【技术实现步骤摘要】
基于深度学习的数据中心环境热通道预测算法


[0001]本专利技术涉及服务器环境热通道预测算法
，具体为基于深度学习的数据中心环境热通道预测算法。

技术介绍

[0002]通过控制服务器的冷热通道，保持适当的温度、湿度和气流，管理员必须监控这些因素以确保服务器效率并以最少的能源保持数据中心运行；
[0003]专利号为：202110604574.X的专利技术专利公开了一种数据中心机房环境监控系统，包括M个服务器机柜、N个空调机柜、移动巡检终端以及布置于n个可移动服务器机柜上的n个边缘计算终端，所述M个服务器机柜中的m个服务器机柜可在预定范围内移动并相对于不可移动的机柜间隔布置；所述移动巡检终端沿预设巡检路线在所述数据中心机房环境内移动，获取所述n个边缘计算终端的处理结果更新所述预设巡检路线，并在经过所述更新的预设巡检路线时，调节所述N个空调机柜中的部分空调机柜的工作状态；所述边缘处理终端基于所述组合传感器获取的温度和湿度数据，控制所述n个服务器机柜的至少一个在预定范围内移动。本专利技术实现了数据中心机房的全范围动态巡检与状态控制；
[0004]上述环境监控系统提取的网络数据特征能力不明显，且网络计算速度慢，不能及时、准确的反应服务器的环境热通道平均温度，导致运维人员无法对服务器的状态进行判断，有鉴于此，有必要提供基于深度学习的数据中心环境热通道预测算法。

技术实现思路

[0005]本专利技术的目的在于提供基于深度学习的数据中心环境热通道预测算法，以解决上述
技术介绍
中提出的问题。
>[0006]为实现上述目的，本专利技术提供如下技术方案：基于深度学习的数据中心环境热通道预测算法，包括以下步骤：
[0007]S1：获取数据：从监控系统获取对应服务器的数据；
[0008]S2：数据处理：将S1获取的数据处理成平均值，再进行归一化处理；
[0009]S3：搭建BiRCNN网络模型；
[0010]S4：模型训练：将S2处理后的数据输入BiRCNN网络模型并作为模型输出的目标，按一定比例分为训练集和测试集进行模型训练；
[0011]S5：预测数据：保存模型训练参数，将新时刻数据输入BiRCNN网络模型即可对服务器对应的环境热通道平均温度进行预测。
[0012]优选的，S1的具体方法为：从监控系统获取对应服务器的环境冷通道温度、环境热通道温度、服务器功率、精密空调风机转速、精密空调风机转速设定、15分钟后的环境热通道温度六种类型数据。
[0013]优选的，S2的具体方法为：将获取的所有环境冷通道温度处理成一个环境冷通道平均温度、将获取的所有环境热通道温度处理成一个环境热通道平均温度、将获取的所有
15分钟后环境热通道温度处理成一个15分钟后环境热通道平均温度，把处理好的环境冷通道平均温度、环境热通道平均温度、15分钟后环境热通道平均温度和服务器功率、精密空调风机转速、精密空调风机转速进行归一化。
[0014]优选的，S3中BiRCNN网络模型包括：输入层、BiGRU层、卷积层、全连接层、输出层。
[0015]优选的，所述输入层输入的数据为环境冷通道平均温度、环境热通道平均温度、服务器功率、精密空调风机转速和精密空调风机转速。
[0016]优选的，所述卷积层通过卷积核提取时序数据中的关键信息。
[0017]优选的，所述全连接层将提取到的特征数据进一步进行计算汇总。
[0018]优选的，所述输出层采用sigmoid激活函数，输出15分钟后该服务器对应的环境热通道平均温度。
[0019]优选的，S4的具体方法为：将环境冷通道平均温度、环境热通道平均温度、服务器功率、精密空调风机转速和精密空调风机转速作为BiRCNN网络模型的输入，将15分钟后环境热通道平均温度当做模型输出的目标，按一定比例分为训练集和测试集进行模型训练。
[0020]优选的，S5的具体方法为：保存模型训练参数，将新时刻的环境冷通道温度、环境热通道温度、服务器功率、精密空调风机转速、精密空调风机转速设定输入模型，即可预测出15分钟后该服务器对应的环境热通道平均温度。
[0021]与现有技术相比，本专利技术的有益效果是：
[0022]本专利技术搭建的BiRCNN网络模型采用双向GRU网络与CNN网络的结合设计，在获取保留双向GRU对于时间序列数据具有较好预测能力的同时，增加了CNN的卷积层，从而更好的提取时间序列数据中的关键特征，有助于针对性对精密空调送风设定温度、回风设定温度、压缩机转速、风机转速等参数进行及时调控，优化数据中心AI群控算法节能效果，减少运维人员压力。
附图说明
[0023]图1为本专利技术方法的系统图；
[0024]图2为本专利技术BiRCNN网络模型流程图；
[0025]图3为本专利技术GRU输入输出结构；
[0026]图4为本专利技术GRU单元基本结构；
[0027]图5为本专利技术BiRNN基本结构图；
[0028]图6为本专利技术训练过程中的性能曲线图；
[0029]图7为本专利技术CNN计算过程示意图；
[0030]图8为本专利技术卷积层计算过程示意图；
[0031]图9为本专利技术最大池化计算过程示意图；
[0032]图10为本专利技术平均池化计算过程示意图；
[0033]图11为本专利技术全局平均池化策略示意图。
具体实施方式
[0034]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。
[0035]请参阅图1
‑
2，本专利技术提供基于深度学习的数据中心环境热通道预测算法，包括以下步骤：
[0036]S1：获取数据：从监控系统获取对应服务器的数据；
[0037]S2：数据处理：将S1获取的数据处理成平均值，再进行归一化处理；
[0038]S3：搭建BiRCNN网络模型；
[0039]S4：模型训练：将S2处理后的数据输入BiRCNN网络模型并作为模型输出的目标，按一定比例分为训练集和测试集进行模型训练；
[0040]S5：预测数据：保存模型训练参数，将新时刻数据输入BiRCNN网络模型即可对服务器对应的环境热通道平均温度进行预测。
[0041]本实施例中，S1的具体方法为：从监控系统获取对应服务器的环境冷通道温度、环境热通道温度、服务器功率、精密空调风机转速、精密空调风机转速设定、15分钟后的环境热通道温度六种类型数据。
[0042]本实施例中，S2的具体方法为：将获取的所有环境冷通道温度处理成一个环境冷通道平均温度、将获取的所有环境热通道温度处理成一个环境热通道平均温度、将获取的所有15分钟后环境热通道温度处理成一个15分钟后环境热通道平均温度，把处理好的环境冷通道本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的数据中心环境热通道预测算法，其特征在于，包括以下步骤：S1：获取数据：从监控系统获取对应服务器的数据；S2：数据处理：将S1获取的数据处理成平均值，再进行归一化处理；S3：搭建BiRCNN网络模型；S4：模型训练：将S2处理后的数据输入BiRCNN网络模型并作为模型输出的目标，按一定比例分为训练集和测试集进行模型训练；S5：预测数据：保存模型训练参数，将新时刻数据输入BiRCNN网络模型即可对服务器对应的环境热通道平均温度进行预测。2.根据权利要求1所述的基于深度学习的数据中心环境热通道预测算法，其特征在于，S1的具体方法为：从监控系统获取对应服务器的环境冷通道温度、环境热通道温度、服务器功率、精密空调风机转速、精密空调风机转速设定、15分钟后的环境热通道温度六种类型数据。3.根据权利要求2所述的基于深度学习的数据中心环境热通道预测算法，其特征在于，S2的具体方法为：将获取的所有环境冷通道温度处理成一个环境冷通道平均温度、将获取的所有环境热通道温度处理成一个环境热通道平均温度、将获取的所有15分钟后环境热通道温度处理成一个15分钟后环境热通道平均温度，把处理好的环境冷通道平均温度、环境热通道平均温度、15分钟后环境热通道平均温度和服务器功率、精密空调风机转速、精密空调风机转速进行归一化。4.根据权利要求1所述的基于深度学习的数据中心环境热通道预测算法，其特征在于，S3中BiRCNN网络模型包括：输入层...

【专利技术属性】
技术研发人员：赵永国，郭俊峰，梅永坚，詹浩钦，李学彦，
申请(专利权)人：南方电网大数据服务有限公司，
类型：发明
国别省市：