数据中心异常分析方法及系统技术方案

本发明专利技术实施例提供了一种数据中心异常分析方法及系统，本发明专利技术提供了一种数据中心运转异常的分析预测方法

【技术实现步骤摘要】
数据中心异常分析方法及系统


[0001]本专利技术涉及数据中心
，具体而言，涉及一种数据中心异常分析方法及系统
。

技术介绍

[0002]随着信息技术的发展，数据中心作为存储和处理大量数据的核心设施，其运行状态对于整个
IT
系统的稳定性至关重要
。
然而，由于数据中心的复杂性以及运行环境的多变性，运转过程中可能会出现各种不同类型的异常情况，如硬件故障
、
软件错误
、
网络中断等
。
[0003]传统的异常检测方法通常依赖于人工监控或者预先设置的阈值报警，这些方法存在一定的局限性
。
例如，人工监控效率低且容易出错；预设阈值的方法则无法适应数据中心运转环境的动态变化，可能会产生大量的误报或漏报
。
[0004]此外，当数据中心出现异常时，需要迅速并准确地进行故障诊断，以最小化因故障导致的服务中断时间
。
然而，当前的故障诊断方法往往需要依赖专业的维护人员经验，且在面对复杂或者未知类型的异常时，可能无法做出有效的诊断
。
[0005]因此，急需一种新的方法，能够有效地分析和预测数据中心运转过程中的异常情况，并根据异常类别进行快速准确的故障诊断
。

技术实现思路

[0006]有鉴于此，本专利技术实施例的目的在于提供一种数据中心异常分析方法及系统，本专利技术提供了一种数据中心运转异常的分析预测方法
。
首先，获取目标数据中心的运转数据
。
然后，将目标数据中心的运转数据加载至一个通过先验学习生成的异常分析预测网络中，此异常分析预测网络基于关联的数据中心运转数据和静态调度数据进行知识学习生成
。
通过该异常分析预测网络可以生成对应的运转异常类别
。
最后，依据确定的运转异常类别，确定异常诊断数据
。
此方法能够有效地分析和预测数据中心运转过程中可能出现的异常情况，为数据中心的管理和维护提供了有力支持
。
[0007]依据本专利技术实施例的一个方面，提供一种数据中心异常分析方法及系统，所述方法包括：
[0008]获取目标数据中心运转数据；
[0009]将所述目标数据中心运转数据加载至先验学习的异常分析预测网络中，生成所述异常分析预测网络确定的运转异常类别，所述异常分析预测网络根据关联的数据中心运转数据和静态调度数据进行知识学习生成的；
[0010]依据所述运转异常类别确定异常诊断数据
。
[0011]一种可替代的实施方式中，所述异常分析预测网络包括自注意力单元和全连接输出单元，所述将所述目标数据中心运转数据加载至先验学习的异常分析预测网络中，生成所述异常分析预测网络确定的运转异常类别，包括：
[0012]将所述目标数据中心运转数据加载至所述自注意力单元中，生成所述自注意力单
元确定的目标自注意力特征；
[0013]将所述目标自注意力特征加载至所述全连接输出单元中，生成所述全连接输出单元确定的运转异常类别
。
[0014]一种可替代的实施方式中，所述异常分析预测网络的训练步骤，包括：
[0015]依据数据中心日志数据中联动的运行调度事件数据生成积极学习特征和消极学习特征，依据所述积极学习特征和所述消极学习特征生成模板学习数据；
[0016]依据所述模板学习数据，对初始化的异常分析预测网络进行参数更新，生成参数更新后的异常分析预测网络
。
[0017]一种可替代的实施方式中，所述依据数据中心日志数据中联动的运行调度事件数据生成积极学习特征和消极学习特征，包括：
[0018]获取数据中心日志数据中的联动的运行调度事件数据作为基础训练模板数据；
[0019]对所述基础训练模板数据进行规则化转换，生成所述积极学习特征；
[0020]将所述数据中心日志数据中的数据中心运转数据和噪声特征随机置乱，生成所述消极学习特征
。
[0021]一种可替代的实施方式中，所述自注意力单元包括第一自注意力单元和第二自注意力单元，所述依据所述模板学习数据，对初始化的异常分析预测网络进行参数更新，生成参数更新后的异常分析预测网络，包括：
[0022]针对所述模板学习数据中的运行调度事件数据对，将所述运行调度事件数据对的静态调度事件加载至所述第一自注意力单元中，生成所述第一自注意力单元确定的目标静态自注意力特征，将所述运行调度事件数据对的动态调度事件加载至所述第二自注意力单元中，生成所述第二自注意力单元确定的目标动态自注意力特征；
[0023]依据所述目标静态自注意力特征和所述目标动态自注意力特征确定目标训练误差参数，以所述目标训练误差参数最小化为目标，对所述自注意力单元进行参数更新，生成参数更新后的自注意力单元；
[0024]依据参数更新后的自注意力单元对所述全连接输出单元进行参数更新，生成参数更新后的全连接输出单元
。
[0025]一种可替代的实施方式中，所述运行调度事件数据对中包含多个动态调度事件，所述将所述运行调度事件数据对的动态调度事件加载至所述第二自注意力单元中，生成所述第二自注意力单元确定的目标动态自注意力特征，包括：
[0026]将各所述动态调度事件集成，生成集成数据中心运转数据；
[0027]将所述集成数据中心运转数据加载至所述第二自注意力单元中，生成所述第二自注意力单元确定的目标动态自注意力特征
。
[0028]一种可替代的实施方式中，所述运行调度事件数据对中包含多个动态调度事件，所述将所述运行调度事件数据对的动态调度事件加载至所述第二自注意力单元中，生成所述第二自注意力单元确定的动态自注意力特征，包括：
[0029]分别将各所述动态调度事件加载至所述第二自注意力单元中，生成所述第二自注意力单元确定的各所述动态调度事件的动态自注意力特征；
[0030]将各所述动态调度事件的动态自注意力特征求和，生成所述目标动态自注意力特征
。
[0031]一种可替代的实施方式中，所述第一自注意力单元和所述第二自注意力单元分别与所述全连接输出单元相连接，所述依据参数更新后的自注意力单元对所述全连接输出单元进行参数更新，生成参数更新后的全连接输出单元，包括：
[0032]针对所述模板学习数据中的静态调度数据，依据所述第一自注意力单元确定所述静态调度数据的静态自注意力特征；
[0033]依据所述静态自注意力特征和所述静态调度数据的异常类别构建目标异常学习模板数据；
[0034]依据所述目标异常学习模板数据，对初始化的全连接输出单元进行参数更新，生成参数更新后的全连接输出单元
。
[0035]依据本专利技术实施例的另一方面，提供一种数据中心异常分析方法及系统，所述系统包括：
[0036]获取模块，用于获取目标数据中心运转数据；
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种数据中心异常分析方法，其特征在于，所述方法包括：获取目标数据中心运转数据；将所述目标数据中心运转数据加载至先验学习的异常分析预测网络中，生成所述异常分析预测网络确定的运转异常类别，所述异常分析预测网络根据关联的数据中心运转数据和静态调度数据进行知识学习生成的；依据所述运转异常类别确定异常诊断数据
。2.
根据权利要求1所述的数据中心异常分析方法，其特征在于，所述异常分析预测网络包括自注意力单元和全连接输出单元，所述将所述目标数据中心运转数据加载至先验学习的异常分析预测网络中，生成所述异常分析预测网络确定的运转异常类别，包括：将所述目标数据中心运转数据加载至所述自注意力单元中，生成所述自注意力单元确定的目标自注意力特征；将所述目标自注意力特征加载至所述全连接输出单元中，生成所述全连接输出单元确定的运转异常类别
。3.
根据权利要求2所述的数据中心异常分析方法，其特征在于，所述异常分析预测网络的训练步骤，包括：依据数据中心日志数据中联动的运行调度事件数据生成积极学习特征和消极学习特征，依据所述积极学习特征和所述消极学习特征生成模板学习数据；依据所述模板学习数据，对初始化的异常分析预测网络进行参数更新，生成参数更新后的异常分析预测网络
。4.
根据权利要求3所述的数据中心异常分析方法，其特征在于，所述依据数据中心日志数据中联动的运行调度事件数据生成积极学习特征和消极学习特征，包括：获取数据中心日志数据中的联动的运行调度事件数据作为基础训练模板数据；对所述基础训练模板数据进行规则化转换，生成所述积极学习特征；将所述数据中心日志数据中的数据中心运转数据和噪声特征随机置乱，生成所述消极学习特征
。5.
根据权利要求3所述的数据中心异常分析方法，其特征在于，所述自注意力单元包括第一自注意力单元和第二自注意力单元，所述依据所述模板学习数据，对初始化的异常分析预测网络进行参数更新，生成参数更新后的异常分析预测网络，包括：针对所述模板学习数据中的运行调度事件数据对，将所述运行调度事件数据对的静态调度事件加载至所述第一自注意力单元中，生成所述第一自注意力单元确定的目标静态自注意力特征，将所述运行调度事件数据对的动态调度事件加载至所述第二自注意力单元中，生成所述第二自注意力单元确定的目标动态自注意力特征；依据所述目标静态自注意力特征和所述目标动态自注意力特征确定目标训练误差参数，以所述目标训练误差参数最小化为目标，对所述自注意力单元进行参数更新，生成参数更新后的自注意力单元；依据参数更新后的自注意力单元对所述全连接输出单...

【专利技术属性】
技术研发人员：张巍，邬青，张军，
申请(专利权)人：江苏衡新数智科技有限公司，
类型：发明
国别省市：