【技术实现步骤摘要】
本专利技术涉及智能运维的，尤其涉及一种大规模数据中心智能运维巡检方法。
技术介绍
1、随着我国社会经济的快速发展与企业创新能力及现代信息通信技术的提高，商业数据中心的规模在不断扩大。数字化在带来便利的同时也给数据中心运维带来巨大的挑战，数据中心负载逐年加大，运维人力资源不足与剧增的运维量之间的矛盾日益明显。商业数据中心是现代企业的重要组成部分，一旦出现异常或者停止将给企业带来巨大损失。针对该问题，本专利技术提出一种大规模数据中心智能运维巡检方法，通过多传感器融合技术、深度学习技术助力数据中心运维服务向智慧无人化自主运维方向发展。
技术实现思路
1、有鉴于此，本专利技术提供一种大规模数据中心智能运维巡检方法，目的在于：1）通过设定无人运维机器人的巡检轨迹，采集数据中心不同服务器的面板图像，结合像素映射概率与真实概率的差异性构建服务器面板指示灯定位模型，基于全局像素的差异性解决类内不一致以及类间模糊的问题，从而有助于检测得到指示灯区域的边缘，利用映射概率与真实轮廓概率的交并比作为模型优化目标函数中对指示灯区域的检测约束，避免较多区域被检测识别为指示灯区域，实现服务器面板图像中指示灯区域的定位；2）根据所获取服务器指示灯区域子图像，采用图像上采样复原方式进行编码解码处理，生成具有指示灯区域、服务器状态区域以及数据统计区域的服务器面板复原图像，基于阈值分割处理后原始服务器面板图像和服务器面板复原图像的像素结构差异，判断原始服务器面板图像的指示灯是否存在异常，指示灯异常则表示服务器指示灯与数
2、实现上述目的，本专利技术提供的一种大规模数据中心智能运维巡检方法，包括以下步骤：
3、s1：无人运维机器人在既定轨迹运行过程中，实时采集数据中心中的服务器面板图像；
4、s2：构建服务器面板指示灯定位模型，所述模型以服务器面板图像为输入，以服务器指示灯区域子图像为输出，其中显著性目标检测为所述指示灯定位的主要实施方法；
5、s3：基于服务器面板指示灯定位模型确定模型优化目标函数，并对模型优化目标函数进行最优化求解构建得到最优服务器面板指示灯定位模型，利用最优服务器面板指示灯定位模型对服务器面板图像进行服务器指示灯区域子图像定位；
6、s4：构建服务器面板图像复原模型生成服务器指示灯区域子图像对应的服务器面板复原图像，所述服务器面板图像复原模型以服务器指示灯区域子图像为输入，以正常运行状态下的服务器面板复原图像为输出；
7、s5：对所采集的原始服务器面板图像和服务器面板复原图像进行阈值分割，判断是否存在指示灯异常。
8、作为本专利技术的进一步改进方法：
9、可选地，所述s1步骤中无人运维机器人实时采集数据中心中的服务器面板图像，包括：
10、设定无人运维机器人的运行轨迹，其中无人运维机器人的运行轨迹为无人运维机器人对数据中心的不同服务器的状态检测巡检路径，无人运维机器人按照既定轨迹，利用传感器采集不同服务器的服务器面板图像，其中服务器面板图像为服务器运行过程中各指标的显示图像，包括指示灯区域图像、系统状态图像以及数据统计图像，无人运维机器人所采集服务器面板图像的集合为：
11、
12、其中：
13、表示无人运维机器人巡检过程中所实时采集第n个服务器的服务器面板图像，n表示所设置无人运维机器人运行轨迹中待巡检服务器的总数。
14、可选地，所述s2步骤中构建服务器面板指示灯定位模型，包括：
15、构建服务器面板指示灯定位模型，所述服务器面板指示灯定位模型以服务器面板图像为输入，以服务器指示灯区域子图像为输出，其中服务器面板指示灯定位模型包括输入层、感受野特征提取层、特征交互层以及输出层；
16、输入层用于接收无人运维机器人所采集的服务器面板图像；
17、感受野特征提取层包括不同尺度的卷积核，用于提取服务器面板图像中不同尺度的感受野特征进行拼接；
18、特征交互层用于对感受野特征拼接结果进行多分辨率特征表示，并对所表示的多分辨率特征进行交互处理；
19、输出层用于将多分辨率特征交互结果进行像素映射，得到服务器面板图像中像素为服务器指示灯区域轮廓的映射概率，构成服务器指示灯区域轮廓，并基于服务器指示灯区域轮廓对服务器面板图像进行裁剪，得到服务器指示灯区域子图像。
20、可选地，所述s3步骤中基于服务器面板指示灯定位模型确定模型优化目标函数，包括：
21、获取m组服务器面板图像并对服务器面板图像进行指示灯区域轮廓标记，构成服务器面板指示灯定位模型的训练数据集data：
22、
23、其中：
24、表示训练数据集data中第m组训练数据，表示训练数据中的服务器面板图像，表示中指示灯区域轮廓像素集合；
25、基于服务器面板指示灯定位模型确定模型优化目标函数，其中所构建的模型优化目标函数为：
26、
27、
28、
29、
30、
31、其中：
32、表示模型优化目标函数，表示待优化求解的模型参数向量；在本专利技术实施例中，所述模型参数向量中包括感受野特征提取层中不同尺度的卷积核参数、特征交互层中不同分辨率的卷积融合参数以及输出层的映射矩阵；
33、表示将输入到基于模型参数向量的服务器面板指示灯定位模型中，像素为服务器指示灯区域轮廓的映射概率，表示像素的真实轮廓概率；
34、表示训练数据集data中服务器面板图像的像素坐标集合，，s表示像素坐标集合中的任意像素坐标，表示服务器面板图像中像素坐标为的像素；
35、h表示训练数据集data中服务器面板图像的像素总数；
36、表征单个像素的映射概率与真实轮廓概率的对应关系，对应单个像素的映射概率与真实轮廓概率差异性；
37、表征全局像素的映射概率与真实轮廓概率的对应关系，对应全局像素的映射概率与真实轮廓概率差异性；
38、表示映射概率与真实轮廓概率的交并比。在本专利技术实施例中，通过分别分析单个像素的映射概率与真实轮廓概率差异性以及全局像素的映射概率与真实轮廓概率差异性，从单个像素以及全局像素层面对模型定位效果进行表征，在全局像素概率的差异性分析过程中，通过对函数进行求导，相较于单个像素概率的差异性分析，全局像素概率对应的导数变化幅度更大，有助于解决类内不一致以及类间模糊的问题，从而有助于检测得到指示灯区域的边缘，利用映射概率与真实轮廓概率的交并比作为模型优化目标函数中对指示灯区域的检测约束，避免较多区域被检测识别为指示灯区域。
39、可选地，所述s3步骤中对模型优化目标函数进行最优化求解构建得到最优服务器面板指示灯定位模型，包括：
40、对模型优化目标函数进行最优化求解，得到服务器面板指示灯定位模型的本文档来自技高网...
【技术保护点】
1.一种大规模数据中心智能运维巡检方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种大规模数据中心智能运维巡检方法，其特征在于，所述S1步骤中无人运维机器人实时采集数据中心中的服务器面板图像，包括：
3.如权利要求1所述的一种大规模数据中心智能运维巡检方法，其特征在于，所述S2步骤中构建服务器面板指示灯定位模型，包括：
4.如权利要求3所述的一种大规模数据中心智能运维巡检方法，其特征在于，所述S3步骤中基于服务器面板指示灯定位模型确定模型优化目标函数，包括：
5.如权利要求4所述的一种大规模数据中心智能运维巡检方法，其特征在于，所述S3步骤中对模型优化目标函数进行最优化求解构建得到最优服务器面板指示灯定位模型，包括：
6.如权利要求5所述的一种大规模数据中心智能运维巡检方法，其特征在于，所述S3步骤中利用最优服务器面板指示灯定位模型对服务器面板图像进行服务器指示灯区域子图像定位，包括：
7.如权利要求1所述的一种大规模数据中心智能运维巡检方法，其特征在于，所述S4步骤中构建服务器面板图像复原模型生成
8.如权利要求1所述的一种大规模数据中心智能运维巡检方法，其特征在于，所述S5步骤中对所采集的原始服务器面板图像和服务器面板复原图像进行阈值分割，包括：
...【技术特征摘要】
1.一种大规模数据中心智能运维巡检方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种大规模数据中心智能运维巡检方法，其特征在于，所述s1步骤中无人运维机器人实时采集数据中心中的服务器面板图像，包括：
3.如权利要求1所述的一种大规模数据中心智能运维巡检方法，其特征在于，所述s2步骤中构建服务器面板指示灯定位模型，包括：
4.如权利要求3所述的一种大规模数据中心智能运维巡检方法，其特征在于，所述s3步骤中基于服务器面板指示灯定位模型确定模型优化目标函数，包括：
5.如权利要求4所述的一种大规模数据中心智能运维巡检方法，其特征在于，所述s3步骤中对...
【专利技术属性】
技术研发人员：徐志强，刘优丹，俞琳，
申请(专利权)人：龙坤无锡智慧科技有限公司，
类型：发明
国别省市：
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。