System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及人工智能,尤其涉及一种基于人工智能的运维管理方法及系统。
技术介绍
1、在当今的信息时代,数据中心作为存储和处理海量数据的关键基础设施,承载着极其重要的角色。随着云计算、大数据、物联网等技术的迅速发展,数据中心的规模和复杂性不断增加,这就对其运维管理提出了更高的要求。
2、传统的数据中心运维管理多依赖于人工经验,不仅效率低下,而且难以应对日益复杂的系统环境和突发的故障。因此,如何提高数据中心的运维效率和可靠性,成为了一个迫切需要解决的问题。
技术实现思路
1、本申请提供了一种基于人工智能的运维管理方法及系统,进而提高了数据中心机房的运维管理效率和准确率。
2、本申请第一方面提供了一种基于人工智能的运维管理方法,所述基于人工智能的运维管理方法包括:
3、对数据中心机房的服务器、冷却系统及电源进行运行数据采集,得到初始运行数据,并对所述初始运行数据进行标准化处理和主成分分析,得到目标运行数据;
4、根据所述目标运行数据对预置的knn算法进行k值计算和欧式距离计算,得到初始k值和初始欧式距离,并根据所述初始k值和所述初始欧式距离构建所述数据中心机房的初始knn模型;
5、通过预置的深度强化学习算法,根据预置的奖励函数对所述初始knn模型进行模型超参数优化,得到目标k值以及目标欧式距离;
6、根据所述目标k值以及所述目标欧式距离对所述初始knn模型进行模型参数更新和交叉验证,得到目标knn模型;
8、根据所述故障预测结果,对所述目标knn模型进行性能评估,得到性能评估指标,并根据所述性能评估指标对所述目标knn模型进行迭代更新,输出最优knn模型。
9、本申请第二方面提供了一种基于人工智能的运维管理系统,所述基于人工智能的运维管理系统包括:
10、采集模块,用于对数据中心机房的服务器、冷却系统及电源进行运行数据采集,得到初始运行数据,并对所述初始运行数据进行标准化处理和主成分分析,得到目标运行数据;
11、构建模块,用于根据所述目标运行数据对预置的knn算法进行k值计算和欧式距离计算,得到初始k值和初始欧式距离,并根据所述初始k值和所述初始欧式距离构建所述数据中心机房的初始knn模型;
12、优化模块,用于通过预置的深度强化学习算法,根据预置的奖励函数对所述初始knn模型进行模型超参数优化,得到目标k值以及目标欧式距离;
13、验证模块,用于根据所述目标k值以及所述目标欧式距离对所述初始knn模型进行模型参数更新和交叉验证,得到目标knn模型;
14、预测模块,用于对所述数据中心机房的服务器、冷却系统及电源进行实时运行状态分析,得到实时运行数据,并将所述实时运行数据输入所述目标knn模型进行状态监控和故障预测,得到故障预测结果;
15、迭代模块,用于根据所述故障预测结果,对所述目标knn模型进行性能评估,得到性能评估指标,并根据所述性能评估指标对所述目标knn模型进行迭代更新,输出最优knn模型。
16、本申请提供的技术方案中,通过标准化处理和主成分分析(pca),方法能有效降低数据维度,同时保留关键信息。这不仅减少了计算资源的消耗,还提高了后续分析和模型训练的效率。利用knn算法结合优化的k值和欧氏距离参数,能够更精确地预测和识别数据中心的运行状态,从而提高故障预测的准确性。通过深度强化学习算法优化knn模型的超参数,使得模型能够自动适应不同的数据特征和变化,增强了模型在多变环境中的稳健性。实时运行状态分析和故障预测能力使得数据中心的运维管理更为及时和有效,能快速响应潜在的问题,减少系统停机时间,提高整体运维效率。通过性能评估指标和模型的迭代更新,该方法能够不断优化模型性能,适应数据中心环境和设备的变化,确保长期运行的可靠性和效率。自动化的数据采集、处理、模型训练和预测减少了对人工干预的依赖,降低了运维过程中的人为错误,提高了整体运维管理的安全性和可靠性,进而提高了数据中心机房的运维管理效率和准确率。
本文档来自技高网...【技术保护点】
1.一种基于人工智能的运维管理方法,其特征在于,所述基于人工智能的运维管理方法包括:
2.根据权利要求1所述的基于人工智能的运维管理方法,其特征在于,所述对数据中心机房的服务器、冷却系统及电源进行运行数据采集,得到初始运行数据,并对所述初始运行数据进行标准化处理和主成分分析,得到目标运行数据,包括:
3.根据权利要求1所述的基于人工智能的运维管理方法,其特征在于,所述根据所述目标运行数据对预置的KNN算法进行K值计算和欧式距离计算,得到初始K值和初始欧式距离,并根据所述初始K值和所述初始欧式距离构建所述数据中心机房的初始KNN模型,包括:
4.根据权利要求3所述的基于人工智能的运维管理方法,其特征在于,所述通过预置的深度强化学习算法,根据预置的奖励函数对所述初始KNN模型进行模型超参数优化,得到目标K值以及目标欧式距离,包括:
5.根据权利要求3所述的基于人工智能的运维管理方法,其特征在于,所述根据所述目标K值以及所述目标欧式距离对所述初始KNN模型进行模型参数更新和交叉验证,得到目标KNN模型,包括:
6.根据权利要求
7.根据权利要求1所述的基于人工智能的运维管理方法,其特征在于,所述根据所述故障预测结果,对所述目标KNN模型进行性能评估,得到性能评估指标,并根据所述性能评估指标对所述目标KNN模型进行迭代更新,输出最优KNN模型,包括:
8.一种基于人工智能的运维管理系统,其特征在于,所述基于人工智能的运维管理系统包括:
...【技术特征摘要】
1.一种基于人工智能的运维管理方法,其特征在于,所述基于人工智能的运维管理方法包括:
2.根据权利要求1所述的基于人工智能的运维管理方法,其特征在于,所述对数据中心机房的服务器、冷却系统及电源进行运行数据采集,得到初始运行数据,并对所述初始运行数据进行标准化处理和主成分分析,得到目标运行数据,包括:
3.根据权利要求1所述的基于人工智能的运维管理方法,其特征在于,所述根据所述目标运行数据对预置的knn算法进行k值计算和欧式距离计算,得到初始k值和初始欧式距离,并根据所述初始k值和所述初始欧式距离构建所述数据中心机房的初始knn模型,包括:
4.根据权利要求3所述的基于人工智能的运维管理方法,其特征在于,所述通过预置的深度强化学习算法,根据预置的奖励函数对所述初始knn模型进行模型超参数优化,得到目标k值以及目标欧式距离,包括:
【专利技术属性】
技术研发人员:张超,梁海栋,李原洲,
申请(专利权)人:深圳市宝腾互联科技有限公司,
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。