CN108345523A - 一种异常设备的查找方法及装置 - Google Patents

一种异常设备的查找方法及装置 Download PDF

Info

Publication number
CN108345523A
CN108345523A CN201710053480.1A CN201710053480A CN108345523A CN 108345523 A CN108345523 A CN 108345523A CN 201710053480 A CN201710053480 A CN 201710053480A CN 108345523 A CN108345523 A CN 108345523A
Authority
CN
China
Prior art keywords
energy consumption
equipment
monitored
cluster
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201710053480.1A
Other languages
English (en)
Inventor
钱正麟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZTE Corp
Original Assignee
ZTE Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ZTE Corp filed Critical ZTE Corp
Priority to CN201710053480.1A priority Critical patent/CN108345523A/zh
Priority to PCT/CN2018/073648 priority patent/WO2018133867A1/zh
Publication of CN108345523A publication Critical patent/CN108345523A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G06F11/3062—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations where the monitored property is the power consumption
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Abstract

本发明实施例公开了一种异常设备查找方法，该方法包括获取待监控设备的监控数据；根据监控数据对待监控设备进行聚类，生成聚类结果；根据聚类结果查找待监控设备中的异常设备。本发明实施例同时还公开了一种异常设备查找装置。

Description

一种异常设备的查找方法及装置
技术领域
本发明涉及数据处理领域，尤其涉及一种异常设备的查找方法及装置。
背景技术
据国际数据信息公司统计，当前全球逾300万座数据中心每小时耗电量高达3000万千瓦，在巨大的电力消耗中，不少电力更是由于异常设备的消耗而白白浪费。鉴于这种情况，在保持正常数据处理等过程的同时，如何在众多设备中查找到异常设备，从而进行维修和调整是十分必要的。
现有的异常设备查找方法往往需要经过一个设备接一个设备的排查，最终锁定异常设备，然而这种查找方法的排查过程十分麻烦，耗时时间长，同时还需要耗费相当大的人力物力。因此，如何简单、快捷地实现异常设备的查找是目前亟待解决的问题。
发明内容
有鉴于此，本发明实施例提供一种异常设备的查找方法及装置，能够以简单、快捷的方式查找到异常设备。
本发明实施例的技术方案是这样实现的：
一种异常设备查找方法，包括：
获取待监控设备的监控数据；
根据所述监控数据对所述待监控设备进行聚类，生成聚类结果；
根据所述聚类结果查找所述待监控设备中的异常设备。
如上所述的方法，若所述监控数据包括反映所述待监控设备能耗情况的能耗数据，所述根据所述监控数据对所述待监控设备进行聚类，生成聚类结果包括：
根据所述能耗数据对所述待监控设备进行聚类，生成第一聚类结果。
如上所述的方法，所述根据所述能耗数据对所述待监控设备进行聚类，生成第一聚类结果，包括：
根据所述能耗数据和预设的能耗聚类阈值确定所述待监控设备的能耗预聚类中心；
根据所述能耗数据、所述预设的能耗聚类阈值和所述待监控设备的能耗预聚类中心确定所述待监控设备的能耗聚类中心；
根据所述能耗数据和所述待监控设备的能耗聚类中心对所述待监控设备进行聚类，生成所述第一聚类结果。
如上所述的方法，所述根据所述能耗数据和所述预设的能耗聚类阈值确定所述待监控设备的能耗预聚类中心，包括：
从所述待监控设备中选择任一待监控设备的能耗数据作为第1个能耗数据，并将所选择的待监控设备作为第1个能耗预聚类中心；
从所述能耗数据中获取与所述第1个能耗数据的绝对差值最大的一个能耗数据作为第2个能耗数据，并在所述第2个能耗数据与所述第1个能耗数据的绝对差值大于所述预设的能耗聚类阈值时，将所述第2个能耗数据对应的待监控设备作为第2个能耗预聚类中心；其中所述绝对差值为差值的绝对值；
从除所述第1个能耗数据外的能耗数据中获取与所述第2个能耗数据的绝对差值最大的一个能耗数据作为第3个能耗数据，并在所述第3个能耗数据与所述第2个能耗数据的绝对差值大于所述预设的能耗聚类阈值时，将所述第3个能耗数据对应的待监控设备作为第3个能耗预聚类中心，直到所述能耗数据中的第N+1个能耗数据与第N个能耗数据的绝对差值小于或者等于所述预设的能耗聚类阈值；其中，N为大于2的整数。
如上所述的方法，所述根据所述能耗数据、所述预设的能耗聚类阈值和所述待监控设备的能耗预聚类中心确定所述待监控设备的能耗聚类中心，包括：
获取与第i个能耗预聚类中心的能耗数据的绝对差值小于所述预设的能耗聚类阈值的能耗数据，与所述第i个能耗预聚类中心的能耗数据组合得到第i个能耗数据集合；其中，i为大于0的整数；
计算所述第i个能耗数据集合中的能耗数据的平均值，得到第i个能耗平均值；
从所述第i个能耗数据集合中获取与所述第i个能耗平均值的绝对差值最小的能耗数据，并将与所述第i个能耗平均值的绝对差值最小的能耗数据对应的待监控设备作为第i个能耗聚类中心。
如上所述的方法，所述根据所述能耗数据和所述待监控设备的能耗聚类中心对所述待监控设备进行聚类，生成所述第一聚类结果，包括：
比较第j个能耗数据与每一个能耗聚类中心的能耗数据的绝对差值的大小；其中，j为大于0的整数；
获取与所述第j个能耗数据的绝对差值最小的能耗数据对应的能耗聚类中心，作为目标能耗聚类中心；
将所述第j个能耗数据对应的待监控设备归入以所述目标能耗聚类中心形成的聚类中，直到全部能耗数据对应的待监控设备归入以目标能耗聚类中心形成的聚类中，生成第一聚类结果。
如上所述的方法，若所述待监控数据还包括反映所述待监控设备所处环境的环境数据，所述根据所述监控数据对所述待监控设备进行聚类，生成聚类结果还包括：
根据所述环境数据对所述待监控设备进行聚类，生成第二聚类结果；
相应的，所述根据所述聚类结果查找所述待监控设备中的异常设备，包括：
根据所述第一聚类结果和所述第二聚类结果查找所述待监控设备中的异常设备。
如上所述的方法，所述根据所述环境数据对所述待监控设备进行聚类，生成第二聚类结果，包括：
根据所述环境数据和预设的环境聚类阈值确定所述待监控设备的环境预聚类中心；
根据所述环境数据、所述预设的环境聚类阈值和所述待监控设备的环境预聚类中心确定所述待监控设备的环境聚类中心；
根据所述环境数据和所述待监控设备的环境聚类中心对所述待监控设备进行聚类，生成第二聚类结果。
如上所述的方法，所述根据所述环境数据和所述预设的环境聚类阈值确定所述待监控设备的环境预聚类中心，包括：
从所述待监控设备中选择任一待监控设备的环境数据作为第1个环境数据，并将所选择的待监控设备作为第1个环境预聚类中心；
从所述环境数据中获取与所述第1个环境数据的绝对差值最大的一个环境数据作为第2个环境数据；并在所述第2个环境数据与所述第1个环境数据的绝对差值大于所述预设的环境聚类阈值时，将所述第2个环境数据对应的待监控设备作为第2个环境与聚类中心；其中所述绝对差值为差值的绝对值；
从除所述第1个环境数据外的环境数据中获取与所述第2个环境数据的绝对差值最大的一个环境数据作为第3个环境数据，并在所述第3个环境数据与所述第2个环境数据的绝对差值大于所述预设的环境聚类阈值时，将所述第3个环境数据对应的待监控设备作为第3个环境预聚类中心，直到所述环境数据中的第M+1个环境数据与第M个环境数据的绝对差值小于或者等于所述预设的环境聚类阈值；其中，M为大于2的整数。
如上所述的方法，所述根据所述环境数据、所述预设的环境聚类阈值和所述待监控设备的环境预聚类中心确定所述待监控设备的环境聚类中心，包括：
获取与第k个环境预聚类中心的环境数据的绝对差值小于所述预设的环境聚类阈值的环境数据，与所述第k个环境预聚类中心的环境数据组合得到第k个环境数据集合；其中，k为大于0的整数；
计算所述第k个环境数据集合中的能耗数据的平均值，得到第k个环境平均值；
从所述第k个环境数据集合中获取与所述第k个环境平均值的绝对差值最小的环境数据，并将与所述第k个环境平均值的绝对差值最小的环境数据对应的待监控设备作为第k个环境聚类中心。
如上所述的方法，所述根据所述环境数据和所述待监控设备的环境聚类中心对所述待监控设备进行聚类，生成所述第二聚类结果，包括：
比较第s个环境数据与每一个环境聚类中心的环境数据的绝对差值的大小；其中，s为大于0的整数；
获取与所述第s个环境数据的绝对差值最小的环境数据对应的环境聚类中心，作为目标环境聚类中心；
将所述第s个环境数据对应的待监控设备归入以所述目标环境聚类中心形成的聚类中，直到全部环境数据对应的待监控设备归入以目标环境聚类中心形成的聚类中，生成第二聚类结果。
如上所述的方法，所述根据所述第一聚类结果和所述第二聚类结果查找所述待监控设备中的异常设备，包括：
比较所述第一聚类结果和所述第二聚类结果；
若所述第一聚类结果中进行聚类的待监控设备和所述第二聚类结果中进行聚类的待监控设备不相同，获取所述待监控设备中在所述第一聚类结果中与第一设备聚类且在所述第二聚类结果中与第二设备聚类的设备作为目标异常设备，其中，所述第一设备和所述第二设备为所述待监控设备中的设备，且所述第一设备与所述第二设备不相同；
在所述目标异常设备中确定异常设备。
一种异常设备的查找装置，包括：
获取模块，用于获取待监控设备的监控数据；
处理模块，用于根据所述监控数据对所述待监控设备进行聚类，生成聚类结果；
查找模块，用于根据所述聚类结果查找所述待监控设备中的异常设备。
如上所述的装置，若所述监控数据包括反映所述待监控设备能耗情况的能耗数据，
所述处理模块，具体用于根据所述能耗数据对所述待监控设备进行聚类，生成第一聚类结果。
如上所述的装置，所述处理模块包括：
第一预处理单元，用于根据所述能耗数据和预设的能耗聚类阈值确定所述待监控设备的能耗预聚类中心；
第一处理单元，用于根据所述能耗数据、所述预设的能耗聚类阈值和所述待监控设备的能耗预聚类中心确定所述待监控设备的能耗聚类中心；
第一聚类单元，用于根据所述能耗数据和所述待监控设备的能耗聚类中心对所述待监控设备进行聚类，生成所述第一聚类结果。
如上所述的装置，若所述待监控数据还包括反映所述待监控设备所处环境的环境数据，
所述处理模块，具体还用于根据所述环境数据对所述待监控设备进行聚类，并生成第二聚类结果；
所述查找模块，具体用于根据所述第一聚类结果和所述第二聚类结果查找所述待监控设备中的异常设备。
如上所述的装置，所述处理模块还包括：
第二预处理单元，用于根据所述环境数据和预设的环境聚类阈值确定所述待监控设备的环境预聚类中心；
第二处理单元，用于根据所述环境数据、所述预设的环境聚类阈值和所述待监控设备的环境预聚类中心确定所述待监控设备的环境聚类中心；
第二聚类单元，用于根据所述环境数据和所述待监控设备的环境聚类中心对所述待监控设备进行聚类，生成所述第二聚类结果。
如上所述的装置，所述查找模块包括：
比较单元，用于比较所述第一聚类结果和所述第二聚类结果；
获取单元，用于若所述第一聚类结果中进行聚类的待监控设备和所述第二聚类结果中进行聚类的待监控设备不相同，获取所述待监控设备中在所述第一聚类结果中与第一设备聚类且在所述第二聚类结果中与第二设备聚类的设备作为目标异常设备，其中，所述第一设备和所述第二设备为所述待监控设备中的设备，且所述第一设备与所述第二设备不相同；
确定单元，用于在所述目标异常设备中确定异常设备。
本发明实施例提供的异常设备的查找方法及装置，获取待监控设备的监控数据；根据监控数据对待监控设备进行聚类，生成聚类结果；根据聚类结果查找待监控设备中的异常设备；这样，只需要在根据监控数据生成的聚类结果中进行异常设备的查找，从而避免了在众多设备中挨个查找异常设备所带来的麻烦，实现了以简单、快捷的方式查找异常设备的目的。
附图说明
图1为本发明实施例提供的一种异常设备的查找方法的流程示意图；
图2为本发明实施例提供的另一种异常设备的查找方法的流程示意图；
图3为本发明实施例提供的又一种异常设备的查找方法的流程示意图；
图4为本发明实施例提供的又一种异常设备的查找方法的流程示意图；
图5为本发明实施例提供的又一种异常设备的查找方法的流程示意图；
图6为本发明实施例提供的又一种异常设备的查找方法的流程示意图；
图7为本发明实施例提供的又一种异常设备的查找方法的流程示意图；
图8为本发明实施例提供的又一种异常设备的查找方法的流程示意图；
图9为本发明实施例提供的又一种异常设备的查找方法的流程示意图；
图10为本发明实施例提供的又一种异常设备的查找方法的流程示意图；
图11为本发明实施例提供的一种异常设备的查找装置的结构示意图；
图12为本发明实施例提供的另一种异常设备的查找装置的结构示意图；
图13为本发明实施例提供的又一种异常设备的查找装置的结构示意图；
图14为本发明实施例提供的又一种异常设备的查找装置的结构示意图；
图15为本发明实施例提供的又一种异常设备的查找装置的结构示意图；
图16为本发明实施例提供的一种数据采集过程、数据处理过程的示意图；
图17是本发明实施例提供的能效分析方法的流程示意图。
具体实施方式
本发明实施例提供的一种异常设备的查找方法，如图1所示，该方法包括以下步骤：
步骤101、获取待监控设备的监控数据。
具体的，步骤101获取待监控设备的监控数据可以由异常设备的查找装置来实现。监控数据是通过监控设备获取的数据，它可以包括一种类型的数据，即反映待监控设备的实际情况的数据，也可以包括多种类型的数据，即反映待监控设备的多种实际情况的数据，本发明对此不作限制。
步骤102、根据监控数据对待监控设备进行聚类，生成聚类结果。
具体的，步骤102根据监控数据对待监控设备进行聚类，生成聚类结果可以由异常设备的查找装置来实现。假设监控数据包括二种类型的数据，分别为A类型监控数据和B类型监控数据，那么根据监控数据对待监控设备进行聚类，生成聚类结果指的是根据A类型监控数据对待监控设备进行聚类，根据B类型监控数据对待监控设备进行聚类，最终生成聚类结果。
步骤103、根据聚类结果查找待监控设备中的异常设备。
具体的，步骤103根据聚类结果查找待监控设备中的异常设备可以由异常设备的查找装置来实现。假设待监控设备为电表，那么根据耗电量数据对电表进行聚类，一般会形成电表数量相差很远的二个聚类，电表数量少的那个聚类中的电表极有可能就是异常电表，所以只需要在电表数量少的那个聚类中查找异常电表即可。
本实施例提供的异常设备的查找方法，获取待监控设备的监控数据；根据监控数据对待监控设备进行聚类，生成聚类结果；根据聚类结果查找待监控设备中的异常设备；这样，只需要在根据监控数据生成的聚类结果中进行异常设备的查找，从而避免了在众多设备中挨个查找异常设备所带来的麻烦，极大地缩小了查找范围，实现了以简单、快捷的方式查找异常设备的目的。
本发明实施例提供的另一种异常设备的查找方法，如图2所示，该方法包括以下步骤：
步骤201、异常设备的查找装置获取待监控设备的监控数据。
步骤202、若监控数据包括反映待监控设备能耗情况的能耗数据，异常设备的查找装置根据能耗数据对待监控设备进行聚类，生成第一聚类结果。
需要说明的是，能耗数据为反映待监控设备能耗情况的数据，该数据的类型根据待监控设备的不同而不同。第一聚类结果指的是根据能耗数据对待监控设备进行聚类生成的聚类结果，以此区别于根据其他数据对待监控设备进行聚类生成的聚类结果。
具体的，若待监控设备为电表或空调设备，能耗数据的类型具体可以是待监控设备在一定时间内的耗电量，若待监控设备为数据中心的服务器，能耗数据的类型具体可以是待监控设备的功率。若待监控设备为电表，能耗数据的类型为电表在一定时间内的耗电量，那么根据能耗数据对待监控设备进行聚类具体指的就是根据电表在一定时间内的耗电量对电表进行聚类；若待监控设备为数据中心的服务器，能耗数据的类型为服务器的功率，那么根据能耗数据对待监控设备进行聚类具体指的就是根据服务器的功率对服务器进行聚类。
具体的，步骤202根据能耗数据对待监控设备进行聚类，生成第一聚类结果可以通过以下方式来实现：
步骤202a、异常设备的查找装置根据能耗数据和预设的能耗聚类阈值确定待监控设备的能耗预聚类中心。
具体的，预设的能耗聚类阈值是后续步骤与能耗数据进行比较，进而确定待监控设备的能耗预聚类中心和聚类中心的阈值。能耗聚类阈值可以根据具体应用场景人为预设，可以设定得相对大一些，也可以设定得相对小一些，如果能耗聚类阈值设定得相对比较大，那么经过步骤202a确定的待监控设备的能耗预聚类中心的数量，经过步骤202b确定的待监控设备的能耗聚类中心的数量，以及经过步骤202c最终形成的能耗聚类的数量相对来说会少些；如果能耗聚类阈值设定得相对比较小，那么经过步骤202a确定的待监控设备的能耗预聚类中心的数量，经过步骤202b确定的待监控设备的能耗聚类中心的数量，以及经过步骤202c最终形成的能耗聚类的数量相对来说会多些。
具体的，待监控设备的能耗预聚类中心为待监控设备关于能耗数据的预聚类中心，能耗预聚类中心指的是待监控设备中的一个。根据能耗数据和能耗聚类阈值确定待监控设备的能耗预聚类中心指的是根据所获取的能耗数据和预设的能耗阈值确定待监控设备的能耗预聚类中心。
步骤202b、异常设备的查找装置根据能耗数据、预设的能耗聚类阈值和待监控设备的能耗预聚类中心确定待监控设备的能耗聚类中心。
需要说明的是，待监控设备的能耗聚类中心为待监控设备根据能耗数据进行聚类的中心设备。
具体的，根据能耗数据、预设的能耗聚类阈值和待监控设备的能耗预聚类中心确定待监控设备的能耗聚类中心指的是根据获取的能耗数据、预设的能耗聚类阈值和步骤202a确定的能耗预聚类中心确定待监控设备的能耗聚类中心。
步骤202c、异常设备的查找装置根据能耗数据和待监控设备的能耗聚类中心对待监控设备进行聚类，生成第一聚类结果。
具体的，根据能耗数据和待监控设备的能耗聚类中心对待监控设备进行聚类指的是根据获取的能耗数据和步骤202b确定的能耗聚类中心对待监控设备进行聚类。
步骤203、异常设备的查找装置根据第一聚类结果查找待监控设备中的异常设备。
若待监控设备是电表，根据第一聚类结果查找待监控设备中的异常设备指的是根据第一聚类结果查找电表中的异常电表，其中，异常电表是无法正常进行用电量统计的电表，例如发生跳电的电表，所统计的用电量往往会明显大于其他同类型电表所统计的用电量。
具体的，根据第一聚类结果查找待监控设备中的异常设备指的是根据步骤202c生成的第一聚类结果查找待监控设备中的异常设备。
需要说明的是，本实施例中与其它实施例中相同步骤或概念的解释可以参照其它实施例中的描述，此处不再赘述。
本实施例提供的异常设备的查找方法，获取待监控设备的能耗数据；根据能耗数据对待监控设备进行聚类，生成第一聚类结果；根据第一聚类结果查找待监控设备中的异常设备；这样，只需要在根据能耗数据生成的第一聚类结果中进行异常设备的查找，从而避免了在众多设备中挨个查找异常设备所带来的麻烦，极大地缩小了查找范围，实现了以简单、快捷的方式查找异常设备的目的。
本发明实施例提供的又一种异常设备的查找方法，如图3所示，在图2所对应的实施例的基础上，步骤202a包括：
步骤202a1：异常设备的查找装置从待监控设备中选择任一待监控设备的能耗数据作为第1个能耗数据，并将所选择的待监控设备作为第1个能耗预聚类中心。
需要说明的是，第1个能耗预聚类中心是通过随机选择确定的。
步骤202a2：异常设备的查找装置从能耗数据中获取与第1个能耗数据的绝对差值最大的一个能耗数据作为第2个能耗数据，并在第2个能耗数据与第1个能耗数据的绝对差值大于预设的能耗聚类阈值时，将第2个能耗数据对应的待监控设备作为第2个能耗预聚类中心。其中绝对差值为差值的绝对值。
需要说明的是，第2个能耗预聚类中心是通过计算确定的。
具体的，从能耗数据中获取与第1个能耗数据的绝对差值最大的一个能耗数据作为第2个能耗数据可以通过以下具体方法实现：计算每个能耗数据与第1个能耗数据的绝对差值，从计算得到的绝对差值中确定绝对差值最大的一个，获取与第1个能耗数据得到该绝对差值的能耗数据，作为第2个能耗数据。
步骤202a3：异常设备的查找装置从除第1个能耗数据外的能耗数据中获取与第2个能耗数据的绝对差值最大的一个能耗数据作为第3个能耗数据，并在第3个能耗数据与第2个能耗数据的绝对差值大于预设的能耗聚类阈值时，将第3个能耗数据对应的待监控设备作为第3个能耗预聚类中心，直到能耗数据中的第N+1个能耗数据与第N个能耗数据的绝对差值小于或者等于预设的能耗聚类阈值。其中，N为大于2的整数。
具体的，从除第1个能耗数据外的能耗数据中获取与第2个能耗数据的绝对差值最大的一个能耗数据作为第3个能耗数据可以通过以下具体方法实现：计算除第1个能耗数据外的每个能耗数据与第2个能耗数据的绝对差值，从计算得到的绝对差值中确定绝对差值最大的一个，获取与第2个能耗数据绝对差值的最大的能耗数据，作为第3个能耗数据。第4个能耗数据、第5个能耗数据…第N个能耗数据的确定方法与第2个能耗数据、第3个能耗数据的确定方法类似，在此不再赘述。
具体的，直到能耗数据中的第N+1个能耗数据与第N个能耗数据的绝对差值小于或者等于预设的能耗聚类阈值，指的是当能耗数据中的第N+1个能耗数据与第N个能耗数据的绝对差值小于或者等于预设的能耗聚类阈值时，能耗预聚类中心的确定过程完成，最终确定出的预聚类中心为第1个预聚类中心、第2个预聚类中心…第N个预聚类中心。
本实施例提供的异常设备的查找方法，获取待监控设备的能耗数据；根据能耗数据对待监控设备进行聚类，生成第一聚类结果；根据第一聚类结果查找待监控设备中的异常设备；这样，只需要在根据能耗数据生成的第一聚类结果中进行异常设备的查找，从而避免了在众多设备中挨个查找异常设备所带来的麻烦，极大地缩小了查找范围，实现了以简单、快捷的方式查找异常设备的目的。
本发明实施例提供的又一种异常设备的查找方法，如图4所示，在图2所对应的实施例的基础上，步骤202b包括：
步骤202b1、异常设备的查找装置获取与第i个能耗预聚类中心的能耗数据的绝对差值小于预设的能耗聚类阈值的能耗数据，与第i个能耗预聚类中心的能耗数据组合得到第i个能耗数据集合。其中，i为大于0的整数。
需要说明的是，第i个能耗数据集合包含与第i个能耗预聚类中心的能耗数据的绝对差值小于能耗聚类阈值的一个或多个能耗数据。
还需要说明的是，i是一个变量，i的最大取值等于能耗预聚类中心的个数，假设能耗预聚类中心的个数为6，那么i的取值为1、2、3、4、5、6，也就是说i分别取1、2、3、4、5、6执行步骤201b1～201b3。
具体的，获取与第i个能耗预聚类中心的能耗数据的绝对差值小于预设的能耗聚类阈值的能耗数据可以通过以下具体方法实现：计算每个能耗数据与第i个能耗预聚类中心的能耗数据的绝对差值，从计算得到的绝对差值中确定小于预设的能耗阈值的绝对差值，获取与第i个能耗预聚类中心的能耗数据得到这些绝对差值的能耗数据。举例来说，假设i等于2，那么计算每个能耗数据与第2个能耗预聚类中心的能耗数据的绝对差值，从计算得到的绝对差值中确定小于预设的能耗阈值的绝对差值，获取与第2个能耗预聚类中心的能耗数据得到这些绝对差值的能耗数据。
步骤202b2、异常设备的查找装置计算第i个能耗数据集合中的能耗数据的平均值，得到第i个能耗平均值。
具体的，第i个能耗平均值可以通过将第i个能耗数据集合中的能耗数据值求和，再除以第i个能耗数据集合中的能耗数据个数计算得到。
步骤202b3、异常设备的查找装置从第i个能耗数据集合中获取与第i个能耗平均值的绝对差值最小的能耗数据，并将与第i个能耗平均值的绝对差值最小的能耗数据对应的待监控设备作为第i个能耗聚类中心。
需要说明的是，通过步骤202b3得到的第i个能耗聚类中心可能是第i个能耗预聚类中心，也可能是第i个能耗数据集合中除第i个能耗预聚类中心的能耗数据外的能耗数据对应的待监控设备。
具体的，从第i个能耗数据集合中获取与第i个能耗平均值的绝对差值最小的能耗数据可以通过以下具体方法实现：计算第i个能耗数据集合中每个能耗数据与第i个能耗平均值的绝对差值，在计算得到的这些绝对差值中确定与绝对差值最小的一个，获取与第i个能耗平均值得到该绝对差值的能耗数据，获取该能耗数据对应的待监控设备作为第i个能耗聚类中心。
本实施例提供的异常设备的查找方法，获取待监控设备的能耗数据；根据能耗数据对待监控设备进行聚类，生成第一聚类结果；根据第一聚类结果查找待监控设备中的异常设备；这样，只需要在根据能耗数据生成的第一聚类结果中进行异常设备的查找，从而避免了在众多设备中挨个查找异常设备所带来的麻烦，极大地缩小了查找范围，实现了以简单、快捷的方式查找异常设备的目的。
本发明实施例提供的又一种异常设备的查找方法，如图5所示，在图2所对应的实施例的基础上，步骤202c包括：
步骤202c1、异常设备的查找装置比较第j个能耗数据与每一个能耗聚类中心的能耗数据的绝对差值的大小。其中，j为大于0的整数。
需要说明的是，对于最开始获取的能耗数据都要通过步骤202c1进行计算。举例来说，假设j等于3，比较第3个能耗数据与每一个能耗聚类中心的能耗数据的绝对差值的大小。
还需要说明的是，j是一个变量，j的最大取值等于能耗数据的个数，假设能耗数据的个数为5，那么i的取值为1、2、3、4、5，也就是说j分别取1、2、3、4、5执行步骤201c1～201c3。
步骤202c2、异常设备的查找装置获取与第j个能耗数据的绝对差值最小的能耗数据对应的能耗聚类中心，作为目标能耗聚类中心。
具体的，获取与第j个能耗数据的绝对差值最小的能耗数据对应的能耗聚类中心可以通过以下具体方法实现：计算第j个能耗数据与每个能耗聚类中心的能耗数据的绝对差值，从计算的绝对差值中确定绝对差值最小的一个，获取与第j个能耗数据得到该绝对差值的能耗数据，获取该能耗数据对应的能耗聚类中心作为目标能耗聚类中心。
需要说明的是，每执行一次步骤202c2所获取到的目标能耗聚类中心可能与之前获取的目标能耗聚类中心相同，也可能不同。
步骤202c3、异常设备的查找装置将第j个能耗数据对应的待监控设备归入以目标能耗聚类中心形成的聚类中，直到全部能耗数据对应的待监控设备归入以目标能耗聚类中心形成的聚类中，生成第一聚类结果。
具体的，将第j个能耗数据对应的待监控设备归入以目标能耗聚类中心形成的聚类中指的是，将第j个能耗数据对应的待监控设备归入以步骤202c3得到的目标聚类中心形成的聚类中。
本实施例提供的异常设备的查找方法，获取待监控设备的能耗数据；根据能耗数据对待监控设备进行聚类，生成第一聚类结果；根据第一聚类结果查找待监控设备中的异常设备；这样，只需要在根据能耗数据生成的第一聚类结果中进行异常设备的查找，从而避免了在众多设备中挨个查找异常设备所带来的麻烦，极大地缩小了查找范围，实现了以简单、快捷的方式查找异常设备的目的。
本发明实施例提供的又一种异常设备的查找方法，如图6所示，该方法包括：
步骤301、异常设备的查找装置获取待监控设备的监控数据。
步骤302、若监控数据包括反映待监控设备能耗情况的能耗数据，异常设备的查找装置根据能耗数据对待监控设备进行聚类，生成第一聚类结果。
步骤303、若监控数据还包括反映待监控设备所处环境的环境数据，异常设备的查找装置根据环境数据对待监控设备进行聚类，生成第二聚类结果。
需要说明的是，第二聚类结果指的是根据环境数据对待监控设备进行聚类生成的聚类结果，以此区别于根据其他数据对对待监控设备进行聚类生成的聚类结果。
具体的，当待监控设备为服务器时，环境数据可以是服务器所位于机柜上的温度值，或是为服务器降温的空调设备的送风温度和回风温度，还可以是服务器所位于机柜上的温度值，和为服务器降温的空调设备的送风温度值及回风温度值。若待监控设备是服务器，环境数据是服务器所位于机柜上的温度值，根据环境数据对待监控设备进行聚类指的是根据获取的服务器所位于机柜上的温度值对服务器进行聚类；若待监控设备是服务器，而环境数据是服务器所位于机柜上的温度值、为服务器降温的空调设备的送风温度值及回风温度值，根据环境数据对待监控设备进行聚类指的是根据获取的服务器所位于机柜上的温度值、为服务器降温的空调设备的送风温度值以及为服务器降温的空调设备的回风温度值分别进行聚类。
具体的，步骤303根据环境数据对待监控设备进行聚类，生成第二聚类结果包括：
步骤303a、异常设备的查找装置根据环境数据和预设的环境聚类阈值确定待监控设备的环境预聚类中心。
需要说明的是，待监控设备的环境预聚类中心为待监控设备关于环境数据的预聚类中心，环境预聚类中心指的是待监控设备中的一个。
具体的，预设的环境聚类阈值是后续步骤与环境数据进行比较，进而确定待监控设备的环境预聚类中心和聚类中心的阈值。环境聚类阈值可以根据具体应用场景人为预设，可以设定得相对大一些，也可以设定得相对小一些，如果环境聚类阈值设定得相对比较大，那么经过步骤303a确定的待监控设备的环境预聚类中心的数量，经过步骤303b确定的待监控设备的环境聚类中心的数量，以及经过步骤303c最终形成的环境聚类的数量相对来说会少些；如果环境聚类阈值设定得相对比较小，那么经过步骤303a确定的待监控设备的环境预聚类中心的数量，经过步骤303b确定的待监控设备的环境聚类中心的数量，以及经过步骤303c最终形成的环境聚类的数量相对来说会多些。
具体的，根据环境数据和预设的环境聚类阈值确定待监控设备的环境预聚类中心指的是根据所获取的环境数据和预设的环境阈值确定待监控设备的环境预聚类中心。
步骤303b、异常设备的查找装置根据环境数据、预设的环境聚类阈值和待监控设备的环境预聚类中心确定待监控设备的环境聚类中心。
需要说明的是，待监控设备的环境聚类中心为待监控设备根据环境数据进行聚类的中心设备。
具体的，根据环境数据、预设的环境聚类阈值和待监控设备的环境预聚类中心确定待监控设备的环境聚类中心指的是根据获取的环境数据、预设的环境聚类阈值和步骤303a确定的环境预聚类中心确定待监控设备的环境聚类中心。
步骤303c、异常设备的查找装置根据环境数据和待监控设备的环境聚类中心对待监控设备进行聚类，生成第二聚类结果。
具体的，根据环境数据和待监控设备的环境聚类中心对待监控设备进行聚类指的是根据获取的环境数据和步骤303b确定的环境聚类中心对待监控设备进行聚类。
步骤304、异常设备的查找装置根据第一聚类结果和第二聚类结果查找待监控设备中的异常设备。
具体的，根据第一聚类结果和第二聚类结果查找待监控设备中的异常设备指的是根据步骤303c生成的第一聚类结果和第二聚类结果查找待监控设备中的异常设备。
需要说明的是，本实施例中与其它实施例中相同步骤或概念的解释可以参照其它实施例中的描述，此处不再赘述。
本实施例提供的异常设备的查找方法，获取待监控设备的能耗数据和环境数据；根据能耗数据对待监控设备进行聚类，生成第一聚类结果；根据环境数据对待监控设备进行聚类，生成第二聚类结果；根据第一聚类结果和第二聚类结果查找待监控设备中的异常设备；这样，只需要通过比较第一聚类结果第二聚类结果就能进行异常设备的查找，从而避免了在众多设备中挨个查找异常设备所带来的麻烦，极大地缩小了查找范围，实现了以简单、快捷的方式查找异常设备的目的。
本发明实施例提供的又一种异常设备的查找方法，如图7所示，在图6所对应的实施例的基础上，步骤303a包括：
步骤303a1：异常设备的查找装置从待监控设备中选择任一待监控设备的环境数据作为第1个环境数据，并将所选择的待监控设备作为第1个环境预聚类中心。
需要说明的是，第1个环境预聚类中心是通过随机选择确定的。
步骤303a2：异常设备的查找装置从环境数据中获取与第1个环境数据的绝对差值最大的一个环境数据作为第2个环境数据，并在第2个环境数据与第1个环境数据的绝对差值大于预设的环境聚类阈值时，将第2个环境数据对应的待监控设备作为第2个环境预聚类中心。其中绝对差值为差值的绝对值。
需要说明的是，第2个环境预聚类中心是通过计算确定的。
具体的，从环境数据中获取与第1个环境数据的绝对差值最大的一个环境数据作为第2个环境数据可以通过以下具体方法实现：计算每个环境数据与第1个环境数据的绝对差值，从计算得到的绝对差值中确定绝对差值最大的一个，获取与第1个环境数据得到该绝对差值的环境数据，作为第2个环境数据。
步骤303a3：异常设备的查找装置从除第1个环境数据外的环境数据中获取与第2个环境数据的绝对差值最大的一个环境数据作为第3个环境数据，并在第3个环境数据与第2个环境数据的绝对差值大于预设的环境聚类阈值时，将第3个环境数据对应的待监控设备作为第3个环境预聚类中心，直到环境数据中的第M+1个环境数据与第M个环境数据的绝对差值小于或者等于预设的环境聚类阈值。其中，M为大于2的整数。
具体的，从除第1个环境数据外的环境数据中获取与第2个环境数据的绝对差值最大的一个环境数据作为第3个环境数据可以通过以下具体方法实现：计算除第1个环境数据外的每个环境数据与第2个环境数据的绝对差值，从计算得到的绝对差值中确定绝对差值最大的一个，获取与第2个环境数据得到该绝对差值的环境数据，作为第3个环境数据。第4个环境数据、第5个环境数据…第M个环境数据的确定方法与第2个环境数据、第3个环境数据的确定方法类似，在此不再赘述。
具体的，直到环境数据中的第M+1个环境数据与第M个环境数据的绝对差值小于或者等于预设的环境聚类阈值，指的是当环境数据中的第M+1个环境数据与第M个环境数据的绝对差值小于或者等于预设的环境聚类阈值时，环境预聚类中心的确定过程完成，最终确定出的预聚类中心为第1个预聚类中心、第2个预聚类中心…第M个预聚类中心。
本实施例提供的异常设备的查找方法，获取待监控设备的能耗数据和环境数据；根据能耗数据对待监控设备进行聚类，生成第一聚类结果；根据环境数据对待监控设备进行聚类，生成第二聚类结果；根据第一聚类结果和第二聚类结果查找待监控设备中的异常设备；这样，只需要通过比较第一聚类结果第二聚类结果就能进行异常设备的查找，从而避免了在众多设备中挨个查找异常设备所带来的麻烦，极大地缩小了查找范围，实现了以简单、快捷的方式查找异常设备的目的。
本发明实施例提供的又一种异常设备的查找方法，如图8所示，在图6所对应的实施例的基础上，步骤303b包括：
步骤303b1、异常设备的查找装置获取与第k个环境预聚类中心的环境数据的绝对差值小于预设的环境聚类阈值的环境数据，与第k个环境预聚类中心的环境数据组合得到第k个环境数据集合。其中，k为大于0的整数.
需要说明的是，第k个环境数据集合包含与第k个环境预聚类中心的环境数据的绝对差值小于环境聚类阈值的一个或多个环境数据。
还需要说明的是，k是一个变量，k的最大取值等于环境预聚类中心的个数，假设环境预聚类中心的个数为6，那么k的取值为1、2、3、4、5、6，也就是说k分别取1、2、3、4、5、6执行步骤303b1～303b3。
具体的，获取与第k个环境预聚类中心的环境数据的绝对差值小于预设的环境聚类阈值的环境数据可以通过以下具体方法实现：计算每个环境数据与第k个环境预聚类中心的环境数据的绝对差值，从计算得到的绝对差值中确定小于预设的环境阈值的绝对差值，获取与第k个环境预聚类中心的环境数据得到这些绝对差值的环境数据。举例来说，假设k等于2，那么计算每个环境数据与第2个环境预聚类中心的环境数据的绝对差值，从计算得到的绝对差值中确定小于预设的环境阈值的绝对差值，获取与第2个环境预聚类中心的环境数据得到这些绝对差值的环境数据。
步骤303b2、异常设备的查找装置计算第k个环境数据集合中的能耗数据的平均值，得到第k个环境平均值。
具体的，第k个环境平均值可以通过将第k个环境数据集合中的环境数据值求和，再除以第k个环境数据集合中的环境数据个数计算得到。
步骤303b3、异常设备的查找装置从第k个环境数据集合中获取与第k个环境平均值的绝对差值最小的环境数据，并将与第k个环境平均值的绝对差值最小的环境数据对应的待监控设备作为第k个环境聚类中心。
需要说明的是，通过步骤303b3得到的第k个环境聚类中心可能是第k个环境预聚类中心，也可能是第k个环境数据集合中除第k个环境预聚类中心的环境数据外的环境数据对应的待监控设备。
具体的，从第k个环境数据集合中获取与第k个环境平均值的绝对差值最小的环境数据可以通过以下具体方法实现：计算第k个环境数据集合中每个环境数据与第k个环境平均值的绝对差值，在计算得到的这些绝对差值中确定绝对差值最小的一个，获取与第k个环境平均值得到该绝对差值的环境数据，获取该环境数据对应的待监控设备作为第k个环境聚类中心。
本实施例提供的异常设备的查找方法，获取待监控设备的能耗数据和环境数据；根据能耗数据对待监控设备进行聚类，生成第一聚类结果；根据环境数据对待监控设备进行聚类，生成第二聚类结果；根据第一聚类结果和第二聚类结果查找待监控设备中的异常设备；这样，只需要通过比较第一聚类结果第二聚类结果就能进行异常设备的查找，从而避免了在众多设备中挨个查找异常设备所带来的麻烦，极大地缩小了查找范围，实现了以简单、快捷的方式查找异常设备的目的。
本发明实施例提供的又一种异常设备的查找方法，如图9所示，在图6所对应的实施例的基础上，步骤303c包括：
步骤303c1、异常设备的查找装置比较第s个环境数据与每一个环境聚类中心的环境数据的绝对差值的大小。其中，s为大于0的整数。
需要说明的是，对于最开始获取的环境数据都要通过步骤303c1进行计算。举例来说，假设s等于3，比较第3个环境数据与每一个环境聚类中心的环境数据的绝对差值的大小。
还需要说明的是，s是一个变量，s的最大取值等于环境数据的个数，假设环境数据的个数为5，那么s的取值为1、2、3、4、5，也就是说s分别取1、2、3、4、5执行步骤303c1～303c3。
步骤303c2、异常设备的查找装置获取与第s个环境数据的绝对差值最小的环境数据对应的环境聚类中心，作为目标环境聚类中心。
具体的，获取与第s个环境数据的绝对差值最小的环境数据对应的环境聚类中心可以通过以下具体方法实现：计算第s个环境数据与每个环境聚类中心的环境数据的绝对差值，从计算的绝对差值中确定绝对差值最小的一个，获取与第s个环境数据得到该绝对差值的环境数据，获取该环境数据对应的环境聚类中心作为目标环境聚类中心。
需要说明的是，每执行一次步骤303c2所获取到的目标环境聚类中心可能与之前获取的目标环境聚类中心相同，也可能不同。
步骤303c3、异常设备的查找装置将第s个环境数据对应的待监控设备归入以目标环境聚类中心形成的聚类中，直到全部环境数据对应的待监控设备归入以目标环境聚类中心形成的聚类中，生成第二聚类结果。
具体的，将第s个环境数据对应的待监控设备归入以目标环境聚类中心形成的聚类中指的是，将第s个环境数据对应的待监控设备归入以步骤303c3得到的目标聚类中心形成的聚类中。
本实施例提供的异常设备的查找方法，获取待监控设备的能耗数据和环境数据；根据能耗数据对待监控设备进行聚类，生成第一聚类结果；根据环境数据对待监控设备进行聚类，生成第二聚类结果；根据第一聚类结果和第二聚类结果查找待监控设备中的异常设备；这样，只需要通过比较第一聚类结果第二聚类结果就能进行异常设备的查找，从而避免了在众多设备中挨个查找异常设备所带来的麻烦，极大地缩小了查找范围，实现了以简单、快捷的方式查找异常设备的目的。
本发明实施例提供的又一种异常设备的查找方法，如图10所示，在图6所对应的实施例的基础上，步骤304包括：
步骤304a、异常设备的查找装置比较第一聚类结果和第二聚类结果。
需要说明的是，在正常情况下同一个设备的能耗数据值和环境数据值之间应该存在正相关的关系，也就是说，如果一个设备的能耗数据值比较大，那它的环境数据值也比较大。
步骤304b、若第一聚类结果中进行聚类的待监控设备和第二聚类结果中进行聚类的待监控设备不相同，异常设备的查找装置获取待监控设备中在第一聚类结果中与第一设备聚类且在第二聚类结果中与第二设备聚类的设备作为目标异常设备。其中，第一设备和第二设备为待监控设备中的设备，且第一设备与第二设备不相同。
具体的，如果某个设备在第一聚类结果中与一个或多个设备在一个聚类中，那么在第二聚类结果中也应该和这一个或多个设备在一个聚类中，如果某个设备在第一聚类结果中与一个或多个设备在一个聚类中，但在第二聚类结果中和另外的一个或多个设备在一个聚类中，那么就说明这个设备有可能是异常设备，将该设备作为目标异常设备。
步骤304c、异常设备的查找装置在目标异常设备中确定异常设备。
具体的，步骤304b确定出了一个或多个目标异常设备，通过检测从而在这一个或多个目标异常设备中确定了哪些是异常设备。
本实施例提供的异常设备的查找方法，获取待监控设备的能耗数据和环境数据；根据能耗数据对待监控设备进行聚类，生成第一聚类结果；根据环境数据对待监控设备进行聚类，生成第二聚类结果；比较第一聚类结果和第二聚类结果；若第一聚类结果中进行聚类的待监控设备和第二聚类结果中进行聚类的待监控设备不相同，获取待监控设备中在第一聚类结果中与第一设备聚类且在第二聚类结果中与第二设备聚类的设备作为目标异常设备，在目标异常设备中确定异常设备；这样，只需要通过对比第一聚类结果第二聚类结果就能进行异常设备的查找，从而避免了在众多设备中挨个查找异常设备所带来的麻烦，极大地缩小了查找范围，实现了以简单、快捷的方式查找异常设备的目的。
本发明实施例提供一种异常设备的查找装置，如图11所示，该异常设备的查找装置4包括：
获取模块41，用于获取待监控设备的监控数据。
处理模块42，用于根据监控数据对待监控设备进行聚类，生成聚类结果。
查找模块43，用于根据聚类结果查找待监控设备中的异常设备。
本实施例提供的异常设备的查找装置，获取待监控设备的监控数据；根据监控数据对待监控设备进行聚类，生成聚类结果；根据聚类结果查找待监控设备中的异常设备；这样，只需要在根据监控数据生成的聚类结果中进行异常设备的查找，从而避免了在众多设备中挨个查找异常设备所带来的麻烦，极大地缩小了查找范围，实现了以简单、快捷的方式查找异常设备的目的。
进一步，若监控数据包括反映待监控设备能耗情况的能耗数据，处理模块42，具体用于根据能耗数据对待监控设备进行聚类，生成第一聚类结果。
查找模块43，具体用于根据第一聚类结果查找待监控设备中的异常设备。
本发明实施例提供另一种异常设备的查找装置，如图12所示，处理模块42包括：
第一预处理单元421，用于根据能耗数据和预设的能耗聚类阈值确定待监控设备的能耗预聚类中心。
第一处理单元422，用于根据能耗数据、预设的能耗聚类阈值和待监控设备的能耗预聚类中心确定待监控设备的能耗聚类中心。
第一聚类单元423，用于根据能耗数据和待监控设备的能耗聚类中心对待监控设备进行聚类，生成第一聚类结果。
进一步，第一预处理单元421，具体用于从待监控设备中选择任一待监控设备的能耗数据作为第1个能耗数据，并将所选择的待监控设备作为第1个能耗预聚类中心；从能耗数据中获取与第1个能耗数据的绝对差值最大的一个能耗数据作为第2个能耗数据，并在第2个能耗数据与第1个能耗数据的绝对差值大于预设的能耗聚类阈值时，将第2个能耗数据对应的待监控设备作为第2个能耗预聚类中心；其中绝对差值为差值的绝对值；从除第1个能耗数据外的能耗数据中获取与第2个能耗数据的绝对差值最大的一个能耗数据作为第3个能耗数据，并在第3个能耗数据与第2个能耗数据的绝对差值大于预设的能耗聚类阈值时，将第3个能耗数据对应的待监控设备作为第3个能耗预聚类中心，直到能耗数据中的第N+1个能耗数据与第N个能耗数据的绝对差值小于或者等于预设的能耗聚类阈值；其中，N为大于2的整数。
进一步，第一处理单元422，具体用于获取与第i个能耗预聚类中心的能耗数据的绝对差值小于预设的能耗聚类阈值的能耗数据，与第i个能耗预聚类中心的能耗数据组合得到第i个能耗数据集合；其中，i为大于0的整数；计算第i个能耗数据集合中的能耗数据的平均值，得到第i个能耗平均值；从第i个能耗数据集合中获取与第i个能耗平均值的绝对差值最小的能耗数据，并将与第i个能耗平均值的绝对差值最小的能耗数据对应的待监控设备作为第i个能耗聚类中心。
进一步，第一聚类单元423，具体用于比较第j个能耗数据与每一个能耗聚类中心的能耗数据的绝对差值的大小；其中，j为大于0的整数；获取与第j个能耗数据的绝对差值最小的能耗数据对应的能耗聚类中心，作为目标能耗聚类中心；将第j个能耗数据对应的待监控设备归入以目标能耗聚类中心形成的聚类中，直到全部能耗数据对应的待监控设备归入以目标能耗聚类中心形成的聚类中，生成第一聚类结果。
进一步，若待监控数据还包括反映待监控设备所处环境的环境数据，处理模块42，具体还用于根据环境数据对待监控设备进行聚类，并生成第二聚类结果。
查找模块43，具体还用于根据第一聚类结果和第二聚类结果查找待监控设备中的异常设备。
本发明实施例提供又一种异常设备的查找装置，如图13所示，处理模块42还包括：
第二预处理单元424，用于根据环境数据和预设的环境聚类阈值确定待监控设备的环境预聚类中心。
第二处理单元425，用于根据环境数据、预设的环境聚类阈值和待监控设备的环境预聚类中心确定待监控设备的环境聚类中心。
第二聚类单元426，用于根据环境数据和待监控设备的环境聚类中心对待监控设备进行聚类，生成第二聚类结果。
进一步，第二预处理单元424，具体用于从所述待监控设备中选择任一待监控设备的环境数据作为第1个环境数据，并将所选择的待监控设备作为第1个环境预聚类中心；从环境数据中获取与第1个环境数据的绝对差值最大的一个环境数据作为第2个环境数据；并在第2个环境数据与第1个环境数据的绝对差值大于预设的环境聚类阈值时，将第2个环境数据对应的待监控设备作为第2个环境与聚类中心；其中绝对差值为差值的绝对值；从除第1个环境数据外的环境数据中获取与第2个环境数据的绝对差值最大的一个环境数据作为第3个环境数据，并在第3个环境数据与第2个环境数据的绝对差值大于预设的环境聚类阈值时，将第3个环境数据对应的待监控设备作为第3个环境预聚类中心，直到环境数据中的第M+1个环境数据与第M个环境数据的绝对差值小于或者等于预设的环境聚类阈值；其中，M为大于2的整数。
进一步，第二处理单元425，具体用于获取与第k个环境预聚类中心的环境数据的绝对差值小于预设的环境聚类阈值的环境数据，与第k个环境预聚类中心的环境数据组合得到第k个环境数据集合；其中，k为大于0的整数；计算第k个环境数据集合中的能耗数据的平均值，得到第k个环境平均值；从第k个环境数据集合中获取与第k个环境平均值的绝对差值最小的环境数据，并将与第k个环境平均值的绝对差值最小的环境数据对应的待监控设备作为第k个环境聚类中心。
进一步，第二聚类单元426，具体用于比较第s个环境数据与每一个环境聚类中心的环境数据的绝对差值的大小；其中，s为大于0的整数；获取与第s个环境数据的绝对差值最小的环境数据对应的环境聚类中心，作为目标环境聚类中心；将第s个环境数据对应的待监控设备归入以目标环境聚类中心形成的聚类中，直到全部环境数据对应的待监控设备归入以目标环境聚类中心形成的聚类中，生成第二聚类结果。
本发明实施例提供又一种异常设备的查找装置，如图14所示，查找模块43包括：
比较单元431，用于比较第一聚类结果和第二聚类结果。
获取单元432，用于若第一聚类结果中进行聚类的待监控设备和第二聚类结果中进行聚类的待监控设备不相同，获取待监控设备中在第一聚类结果中与第一设备聚类且在第二聚类结果中与第二设备聚类的设备作为目标异常设备，其中，第一设备和第二设备为待监控设备中的设备，且第一设备与第二设备不相同。
确定单元433，用于在目标异常设备中确定异常设备。
本实施例提供的异常设备的查找装置，获取待监控设备的能耗数据和环境数据；根据能耗数据对待监控设备进行聚类，生成第一聚类结果；根据环境数据对待监控设备进行聚类，生成第二聚类结果；比较第一聚类结果和第二聚类结果；若第一聚类结果中进行聚类的待监控设备和第二聚类结果中进行聚类的待监控设备不相同，获取待监控设备中在第一聚类结果中与第一设备聚类且在第二聚类结果中与第二设备聚类的设备作为目标异常设备，在目标异常设备中确定异常设备；这样，只需要通过比较第一聚类结果第二聚类结果就能进行异常设备的查找，从而避免了在众多设备中挨个查找异常设备所带来的麻烦，极大地缩小了查找范围，实现了以简单、快捷的方式查找异常设备的目的。
在实际应用中，所述获取模块41、处理模块42、第一预处理单元421、第一处理单元422、第一聚类单元423、第二预处理单元424、第二处理单元425、第二聚类单元426、查找模块43、比较单元431、获取单元432、确定单元433均可由位于异常设备的查找装置中的中央处理器(Central Processing Unit，CPU)、微处理器(Micro Processor Unit，MPU)、数字信号处理器(Digital Signal Processor，DSP)或现场可编程门阵列(Field ProgrammableGate Array，FPGA)等实现。
本发明实施例提供又一种异常设备的查找装置，该装置基于云桌面，能够实现组播效率的提升，如图15所示，该装置5包括：
远程采集模块51，用于向收集数据中心智能设备发送消息，采集相应数据中心设备的数据，并按照固定的规则将数据以消息的形式发送给业务处理平台。
数据整理模块52，用于接收远端数据并对接收的数据进行聚类，将数据进行预处理后按照一定的规则存储在数据库中。
数据计算模块53，用于定时的使用数据挖掘算法或其它算法，并向系统提交相关的任务并完成数据分析工作，同时将结果保存在能效数据库中。
数据分析模块54，用于根据分析完成的数据，使用一定的模型给出设备运行建议及需要调整的设备参数。
数据展示模块55，用于展示最终结果，自动化地输出报告，输出能效分析及可以优化的建议。通过该模块用户可以访问系统，并可以手动操作实现对一段时间内将来能耗情况的预测展示，从而直观的了解到数据中心过去的能耗情况和将来的能耗趋势。
具体的，远程采集模块51采用分布式部署方法，上层与数据处理服务器相连，下层和各种智能设备相连，它与上层数据处理服务器的通信和下层智能设备的通信包括：
1、数据处理服务器把需要采集设备的设备名以及设备参数下发给远程采集模块51。
2、远程采集模块51接收到数据处理服务器发送的信息后，向智能设备发送请求。
3、智能设备将数据以报文的形式发送给远程采集模块51。
4、远程采集模块51检测是否接收到数据，如果数据缺失则向智能设备发送重传请求，如果数据没有缺失，则将接收到的数据整理完毕后上传到上层的数据处理服务器。其中，重传请求包括两种：一种是单条数据的重传请求，用于数据缺失较少的情况；另一种是全部数据的重传请求，用于数据缺失较多的情况。
具体的，数据整理模块52主要执行以下任务：
1、对数据进行规范化处理：因为不同时间段能耗值变化较大，因此在聚类之前需要对数据进行规范化处理。
2、对数据中的缺失值采用均值填充处理。
3、将处理完的数据保存至数据库中。
在实际应用中，所述远程采集模块51、数据整理模块52、数据计算模块53、数据分析模块54、数据展示模块55均可由位于异常设备的查找装置中的CPU、MPU、DSP或FPGA等实现。
具体的，数据采集过程、数据处理过程如图16所示。
接下来，设定能耗模式的重建周期，能耗模式的重建周期是需要对能耗数据进行重新能耗模式的周期，数据中心的能耗模式一般比较稳定，能耗可以分为四种，具体表示如下：
Energytotal＝Energystatic+Energysoftware+Energyrefrigeration+Energyhardware
Energystatic是服务器的静态能耗，表示在服务器空负载或空闲状态下的能耗，这个能耗主要是由设备制造艺及设备材料等决定的。
Energysoftware是服务器动态运行的能耗，它随着工作量动态变化，可以表示为：其中，E是常量，由设备自身决定，α表示事物繁忙系数一个进程，如果在正常情况下服务器的能耗如果是1(100％)，那么在一些全力使用的情况下很可能它的能耗可能是正常情况下的两倍，因此根据α的取值一般在1-2之间。
Energyrefrigeration是制冷设备的能耗，由制冷效率和室内温度决定，随着服务器负载的增加与服务器运行速度的加快，服务器主要工作部件CPU、硬盘等温度会升高，为了使服务器能够在正常的温度范围内运行，Energyrefrigeration也会随着温度的升高而增大。假设放置设备的室内温度为T，最高温度的阈值为β，那么Energyrefrigeration可以表示为：
其中，Erb是制冷设备的基础能耗值，g(s)是制冷设备覆盖率，h(r)是环境因素，R(ERR)是制冷效率。由上述等式可以看出制冷效率R(ERR)越高，那么制冷设备的能耗就越低；同时，制冷设备覆盖率越高，制冷设备的能耗也就越高。制冷效率R(ERR)主要是由制冷设备的制造工艺及自身状况所决定，接近于常数。
Energyhardware是基础硬件(例如：温湿度传感器，照明设备，门禁设备等)的能耗。它也是由硬件自身所决定的且无限接近于常数。
通过对能耗公式的分析，将数据中心的所要处理的数据进行聚合归类，使得相似度较高的数据对应的设备聚类在一起。设备的能耗是由自身固有属性及工作属性决定的，不同类型的设备的属性可能不同，所以与不同类型的设备相比，相同类型的设备的能耗应该更为接近。根据所要处理的数据进行聚类的过程如上述方法所述，在此不再赘述。
聚类算法应用到数据中心的数据分析中，主要是为了通过聚类发现异常的设备和发现影响能耗的环境因素。
对于数据中心来说，数据中心日常的能耗数值的波动，总体与时间呈线性相关，表达式如下：
∫E(t)dt
通过对数据中心的历史能耗数据分析可以得知，即使数据中心的服务器在面临用户请求的最高峰值时，数据中心的部分服务器仍然可能处于空负载状态，从而造成大量的能源被浪费掉。因此，就需要根据历史数据和实时数据，建立数据中心的运行模型(数据中心的运行模式包括：单个设备的运行模式、负载率和以及运行参数)；然后对数据中心的能效需求进行预测，分析数据中心在不同运行模型下的能耗情况。在信息技术(InformationTechnology，IT)设备聚类的基础上，通过对配电设备协议数据单元(Protocol Data Unit，PDU)和相应的传感器抽取温度，功率，电流的等物理量的实测值，结合单服务器用户请求在一段时间内的趋势进行分析，得出IT设备的负载率，接着结合制冷设备的送回风温度，来确定所需要的制冷量，并将各个设备的能效统一关联，用于评估整个系统的能效，从而对于参数进行修正或者迁移IT资源后启停IT设备。具体应用示例如下：
1、获取IT管理设备的内部(例如CPU，内存，硬盘温度)温度，调整所述制冷设备的制冷量。内部温度可以通过简单网络管理协议(Simple Network Management Protocol，简称SNMP)协议通过对应的管理信息库(Management Information Base，MIB)值来直接读取。而后根据内部设备温度和设定的温度阈值进行比较，当内部温度信息高于内部温度阈值时，调高制冷设备的制冷量，以增加冷量。当内部温度信息低于内部温度阈值时，调低制冷设备的制冷量，以节省能量损耗。
2、获取管理设备的外部温度信息与外部温度阈值的关系，这里，外部温度阈值是用户根据服务器状态所设定的安全温度的阈值。对于外部温度来说，过于低的温度意味着能耗的浪费。外部温度通过在机房冷热通道中的温度传感器进行温度获取。当外部温度信息高于外部温度阈值时，调高制冷设备的制冷量，以增加冷量，当内部温度信息低于外部温度阈值时，调低制冷设备的制冷量，以节省能量损耗。
3、在设备资源迁移层面，系统接收信息技术设备层管理系统返回的系统资源占用信息；从应用层接口获取硬件部分CPU和内存占比，如果有虚拟设备，还需要获取虚拟设备的硬件使用占比。具体的，在节能监控装置接收到系统资源占用信息之后，会根据所述系统资源占用信息确定IT设备层管理系统中各个IT设备的运行状态，当处于空载和负载状态的IT设备之间的数量比满足预置条件时，就可以确定需要改变改变的部署；其中，负载状态还可以进一步包括轻载状态和重载状态，在考虑是否需要进行热迁移时，也可以进一步的考虑处于空载、轻载和重载状态的物理机之间的数量比，具体判断是否需要改变虚拟机的部署的参考条件可以根据实际需求而定。IT设备层管理系统可以是对IT设备层的各台物理机进行统一的管理，实时监控各台物理机的运行状态，并可以指示所述物理机进行各种操作(如，热迁移操作和下电操作)。节能监控装置根据系统资源占用信息判断是否需要改变物理机的业务部署。
图17是本发明实施例提供的能效分析方法的流程示意图，如图17所示，该方法包括：
采集和处理远程采集组件获取的数据中心智能设备参数；根据环境参数和制冷系统当前的运行参数进行聚类，并对聚类后的设备进行调整和优化；根据聚类和能效模型进行求解计算，确定数据中心设备的运行模式和运行参数；对数据中心的能效异常节点进行输出；对能耗情况输出分析建议。
本发明实施例提供的能效分析方法，能够根据获取的数据对智能设备进行聚类，根据聚类后的设备得到能效分析建议，从而避免了在众多设备中挨个查找异常设备所带来的麻烦，极大地缩小了查找范围，实现了以简单、快捷的方式查找异常设备，并且对能耗情况输出分析建议的目的。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (18)

1.一种异常设备查找方法，其特征在于，所述方法包括：
获取待监控设备的监控数据；
根据所述监控数据对所述待监控设备进行聚类，生成聚类结果；
根据所述聚类结果查找所述待监控设备中的异常设备。
2.根据权利要求1所述的方法，其特征在于，若所述监控数据包括反映所述待监控设备能耗情况的能耗数据，所述根据所述监控数据对所述待监控设备进行聚类，生成聚类结果包括：
根据所述能耗数据对所述待监控设备进行聚类，生成第一聚类结果。
3.根据权利要求2所述的方法，其特征在于，所述根据所述能耗数据对所述待监控设备进行聚类，生成第一聚类结果，包括：
根据所述能耗数据和预设的能耗聚类阈值确定所述待监控设备的能耗预聚类中心；
根据所述能耗数据、所述预设的能耗聚类阈值和所述待监控设备的能耗预聚类中心确定所述待监控设备的能耗聚类中心；
根据所述能耗数据和所述待监控设备的能耗聚类中心对所述待监控设备进行聚类，生成所述第一聚类结果。
4.根据权利要求3所述的方法，其特征在于，所述根据所述能耗数据和所述预设的能耗聚类阈值确定所述待监控设备的能耗预聚类中心，包括：
从所述待监控设备中选择任一待监控设备的能耗数据作为第1个能耗数据，并将所选择的待监控设备作为第1个能耗预聚类中心；
从所述能耗数据中获取与所述第1个能耗数据的绝对差值最大的一个能耗数据作为第2个能耗数据，并在所述第2个能耗数据与所述第1个能耗数据的绝对差值大于所述预设的能耗聚类阈值时，将所述第2个能耗数据对应的待监控设备作为第2个能耗预聚类中心；其中所述绝对差值为差值的绝对值；
从除所述第1个能耗数据外的能耗数据中获取与所述第2个能耗数据的绝对差值最大的一个能耗数据作为第3个能耗数据，并在所述第3个能耗数据与所述第2个能耗数据的绝对差值大于所述预设的能耗聚类阈值时，将所述第3个能耗数据对应的待监控设备作为第3个能耗预聚类中心，直到所述能耗数据中的第N+1个能耗数据与第N个能耗数据的绝对差值小于或者等于所述预设的能耗聚类阈值；其中，N为大于2的整数。
5.根据权利要求4所述的方法，其特征在于，所述根据所述能耗数据、所述预设的能耗聚类阈值和所述待监控设备的能耗预聚类中心确定所述待监控设备的能耗聚类中心，包括：
获取与第i个能耗预聚类中心的能耗数据的绝对差值小于所述预设的能耗聚类阈值的能耗数据，与所述第i个能耗预聚类中心的能耗数据组合得到第i个能耗数据集合；其中，i为大于0的整数；
计算所述第i个能耗数据集合中的能耗数据的平均值，得到第i个能耗平均值；
从所述第i个能耗数据集合中获取与所述第i个能耗平均值的绝对差值最小的能耗数据，并将与所述第i个能耗平均值的绝对差值最小的能耗数据对应的待监控设备作为第i个能耗聚类中心。
6.根据权利要求5所述的方法，其特征在于，所述根据所述能耗数据和所述待监控设备的能耗聚类中心对所述待监控设备进行聚类，生成所述第一聚类结果，包括：
比较第j个能耗数据与每一个能耗聚类中心的能耗数据的绝对差值的大小；其中，j为大于0的整数；
获取与所述第j个能耗数据的绝对差值最小的能耗数据对应的能耗聚类中心，作为目标能耗聚类中心；
将所述第j个能耗数据对应的待监控设备归入以所述目标能耗聚类中心形成的聚类中，直到全部能耗数据对应的待监控设备归入以目标能耗聚类中心形成的聚类中，生成第一聚类结果。
7.根据权利要求2-6任一项所述的方法，其特征在于，若所述待监控数据还包括反映所述待监控设备所处环境的环境数据，所述根据所述监控数据对所述待监控设备进行聚类，生成聚类结果还包括：
根据所述环境数据对所述待监控设备进行聚类，生成第二聚类结果；
相应的，所述根据所述聚类结果查找所述待监控设备中的异常设备，包括：
根据所述第一聚类结果和所述第二聚类结果查找所述待监控设备中的异常设备。
8.根据权利要求7所述的方法，其特征在于，所述根据所述环境数据对所述待监控设备进行聚类，生成第二聚类结果，包括：
根据所述环境数据和预设的环境聚类阈值确定所述待监控设备的环境预聚类中心；
根据所述环境数据、所述预设的环境聚类阈值和所述待监控设备的环境预聚类中心确定所述待监控设备的环境聚类中心；
根据所述环境数据和所述待监控设备的环境聚类中心对所述待监控设备进行聚类，生成第二聚类结果。
9.根据权利要求8所述的方法，其特征在于，所述根据所述环境数据和所述预设的环境聚类阈值确定所述待监控设备的环境预聚类中心，包括：
从所述待监控设备中选择任一待监控设备的环境数据作为第1个环境数据，并将所选择的待监控设备作为第1个环境预聚类中心；
从所述环境数据中获取与所述第1个环境数据的绝对差值最大的一个环境数据作为第2个环境数据；并在所述第2个环境数据与所述第1个环境数据的绝对差值大于所述预设的环境聚类阈值时，将所述第2个环境数据对应的待监控设备作为第2个环境与聚类中心；其中所述绝对差值为差值的绝对值；
从除所述第1个环境数据外的环境数据中获取与所述第2个环境数据的绝对差值最大的一个环境数据作为第3个环境数据，并在所述第3个环境数据与所述第2个环境数据的绝对差值大于所述预设的环境聚类阈值时，将所述第3个环境数据对应的待监控设备作为第3个环境预聚类中心，直到所述环境数据中的第M+1个环境数据与第M个环境数据的绝对差值小于或者等于所述预设的环境聚类阈值；其中，M为大于2的整数。
10.根据权利要求9所述的方法，其特征在于，所述根据所述环境数据、所述预设的环境聚类阈值和所述待监控设备的环境预聚类中心确定所述待监控设备的环境聚类中心，包括：
获取与第k个环境预聚类中心的环境数据的绝对差值小于所述预设的环境聚类阈值的环境数据，与所述第k个环境预聚类中心的环境数据组合得到第k个环境数据集合；其中，k为大于0的整数；
计算所述第k个环境数据集合中的能耗数据的平均值，得到第k个环境平均值；
从所述第k个环境数据集合中获取与所述第k个环境平均值的绝对差值最小的环境数据，并将与所述第k个环境平均值的绝对差值最小的环境数据对应的待监控设备作为第k个环境聚类中心。
11.根据权利要求10所述的方法，其特征在于，所述根据所述环境数据和所述待监控设备的环境聚类中心对所述待监控设备进行聚类，生成所述第二聚类结果，包括：
比较第s个环境数据与每一个环境聚类中心的环境数据的绝对差值的大小；其中，s为大于0的整数；
获取与所述第s个环境数据的绝对差值最小的环境数据对应的环境聚类中心，作为目标环境聚类中心；
将所述第s个环境数据对应的待监控设备归入以所述目标环境聚类中心形成的聚类中，直到全部环境数据对应的待监控设备归入以目标环境聚类中心形成的聚类中，生成第二聚类结果。
12.根据权利要求7所述的方法，其特征在于，所述根据所述第一聚类结果和所述第二聚类结果查找所述待监控设备中的异常设备，包括：
比较所述第一聚类结果和所述第二聚类结果；
若所述第一聚类结果中进行聚类的待监控设备和所述第二聚类结果中进行聚类的待监控设备不相同，获取所述待监控设备中在所述第一聚类结果中与第一设备聚类且在所述第二聚类结果中与第二设备聚类的设备作为目标异常设备，其中，所述第一设备和所述第二设备为所述待监控设备中的设备，且所述第一设备与所述第二设备不相同；
在所述目标异常设备中确定异常设备。
13.一种异常设备的查找装置，其特征在于，所述装置包括：
获取模块，用于获取待监控设备的监控数据；
处理模块，用于根据所述监控数据对所述待监控设备进行聚类，生成聚类结果；
查找模块，用于根据所述聚类结果查找所述待监控设备中的异常设备。
14.根据权利要求13所述的装置，其特征在于，若所述监控数据包括反映所述待监控设备能耗情况的能耗数据，
所述处理模块，具体用于根据所述能耗数据对所述待监控设备进行聚类，生成第一聚类结果。
15.根据权利要求14所述的装置，其特征在于，所述处理模块包括：
第一预处理单元，用于根据所述能耗数据和预设的能耗聚类阈值确定所述待监控设备的能耗预聚类中心；
第一处理单元，用于根据所述能耗数据、所述预设的能耗聚类阈值和所述待监控设备的能耗预聚类中心确定所述待监控设备的能耗聚类中心；
第一聚类单元，用于根据所述能耗数据和所述待监控设备的能耗聚类中心对所述待监控设备进行聚类，生成所述第一聚类结果。
16.根据权利要求14所述的装置，其特征在于，若所述待监控数据还包括反映所述待监控设备所处环境的环境数据，
所述处理模块，具体还用于根据所述环境数据对所述待监控设备进行聚类，并生成第二聚类结果；
所述查找模块，具体用于根据所述第一聚类结果和所述第二聚类结果查找所述待监控设备中的异常设备。
17.根据权利要求16所述的装置，其特征在于，所述处理模块还包括：
第二预处理单元，用于根据所述环境数据和预设的环境聚类阈值确定所述待监控设备的环境预聚类中心；
第二处理单元，用于根据所述环境数据、所述预设的环境聚类阈值和所述待监控设备的环境预聚类中心确定所述待监控设备的环境聚类中心；
第二聚类单元，用于根据所述环境数据和所述待监控设备的环境聚类中心对所述待监控设备进行聚类，生成所述第二聚类结果。
18.根据权利要求16所述的装置，其特征在于，所述查找模块包括：
比较单元，用于比较所述第一聚类结果和所述第二聚类结果；
获取单元，用于若所述第一聚类结果中进行聚类的待监控设备和所述第二聚类结果中进行聚类的待监控设备不相同，获取所述待监控设备中在所述第一聚类结果中与第一设备聚类且在所述第二聚类结果中与第二设备聚类的设备作为目标异常设备，其中，所述第一设备和所述第二设备为所述待监控设备中的设备，且所述第一设备与所述第二设备不相同；
确定单元，用于在所述目标异常设备中确定异常设备。
CN201710053480.1A 2017-01-22 2017-01-22 一种异常设备的查找方法及装置 Withdrawn CN108345523A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710053480.1A CN108345523A (zh) 2017-01-22 2017-01-22 一种异常设备的查找方法及装置
PCT/CN2018/073648 WO2018133867A1 (zh) 2017-01-22 2018-01-22 异常设备的查找方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710053480.1A CN108345523A (zh) 2017-01-22 2017-01-22 一种异常设备的查找方法及装置

Publications (1)

Publication Number Publication Date
CN108345523A true CN108345523A (zh) 2018-07-31

Family

ID=62907790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710053480.1A Withdrawn CN108345523A (zh) 2017-01-22 2017-01-22 一种异常设备的查找方法及装置

Country Status (2)

Country Link
CN (1) CN108345523A (zh)
WO (1) WO2018133867A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102607641A (zh) * 2011-12-27 2012-07-25 哈尔滨工业大学 一种燃气轮机的聚类异常检测方法
CN103559502A (zh) * 2013-10-25 2014-02-05 华南理工大学 一种基于自适应聚类分析的行人检测系统及方法
CN105630885A (zh) * 2015-12-18 2016-06-01 国网福建省电力有限公司泉州供电公司 一种用电异常检测方法及系统
CN106201828A (zh) * 2016-07-18 2016-12-07 云南电网有限责任公司信息中心 一种基于数据挖掘的虚拟机故障检测方法和系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140164376A1 (en) * 2012-12-06 2014-06-12 Microsoft Corporation Hierarchical string clustering on diagnostic logs
CN103150374B (zh) * 2013-03-11 2017-02-08 中国科学院信息工程研究所 一种识别微博异常用户的方法和系统
CN104616211A (zh) * 2015-02-06 2015-05-13 宁波永耀信息科技有限公司 基于水电用量比值聚类的异常水电用户检测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102607641A (zh) * 2011-12-27 2012-07-25 哈尔滨工业大学 一种燃气轮机的聚类异常检测方法
CN103559502A (zh) * 2013-10-25 2014-02-05 华南理工大学 一种基于自适应聚类分析的行人检测系统及方法
CN105630885A (zh) * 2015-12-18 2016-06-01 国网福建省电力有限公司泉州供电公司 一种用电异常检测方法及系统
CN106201828A (zh) * 2016-07-18 2016-12-07 云南电网有限责任公司信息中心 一种基于数据挖掘的虚拟机故障检测方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王冲等: "《现代信息检索技术基本原理教程》", 30 November 2013 *
王鹏: "基于数据挖掘的数据中心能耗分析系统研究与开发", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 *
蔡幸福等: "《空间目标特性分析与识别》", 31 October 2015 *

Also Published As

Publication number Publication date
WO2018133867A1 (zh) 2018-07-26

Similar Documents

Publication Publication Date Title
CN109800066B (zh) 一种数据中心节能调度方法及系统
Zhu et al. Task offloading decision in fog computing system
US20210049047A1 (en) Diagnosing slow tasks in distributed computing
CN108829494A (zh) 基于负载预测的容器云平台智能资源优化方法
CN110389838A (zh) 一种适用于虚拟资源的实时调度和在线迁移管控方法
CN107404523A (zh) 云平台自适应资源调度系统和方法
CN104049716B (zh) 一种结合温度感知的计算机节能方法及系统
CN106534318B (zh) 一种基于流量亲和性的OpenStack云平台资源动态调度系统和方法
CN110096349A (zh) 一种基于集群节点负载状态预测的作业调度方法
CN109167835A (zh) 一种基于kubernetes的物理资源调度方法及系统
CN103475538B (zh) 一种基于多接口的自适应的云服务测试方法
CN109189553A (zh) 网络服务与虚拟资源多目标匹配方法及系统
CN110121180A (zh) 一种数据分析装置、系统及方法
CN111813502B (zh) 面向工业边缘节点的计算资源管理调度方法
CN104423531A (zh) 数据中心能耗调度处理方法及装置
CN104035542A (zh) 一种计算与制冷能耗权衡的虚拟机迁移方法及系统
CN102339233A (zh) 云计算集中管理平台
CN112365366A (zh) 一种基于智能化5g切片的微电网管理方法及系统
CN111752678A (zh) 面向边缘计算中分布式协同学习的低功耗容器放置方法
CN114901057B (zh) 一种数据中心机房内部多点能耗检测与动态调节系统
CN113553160A (zh) 用于人工智能物联网的边缘计算节点任务调度方法及系统
He et al. DROI: Energy-efficient virtual network embedding algorithm based on dynamic regions of interest
Samie et al. Fast operation mode selection for highly efficient iot edge devices
CN106209433A (zh) 一种云环境下面向架构的应用系统节能部署装置
CN117097026A (zh) 一种基于源网荷储新型电力系统运维监控平台的操作方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20180731