发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的机机房设备的安全状况的判断方法及系统。
一方面,本发明提供一种机房设备的安全状况的判断方法,包括:
S1,采集任一类型的机房设备的特征属性的值,所述特征属性包括运行时间与使用年限的比值、噪音大小、响应时间、故障次数、故障程度、工作温度和电池状态;
S2,将所述特征属性的值输入该类型的机房设备对应的可靠性模型中,获知所述机房设备的安全状况为可靠或不可靠;
S3,根据所述机房设备的安全状况为不可靠,将所述特征属性的值输入该类型的机房设备对应的不可靠模型中,获知所述机房设备的安全状况为老化或严重老化;
其中,所述可靠性模型用于将机房设备在安全状况上分为可靠和不可靠两类,所述不可靠模型用于将不可靠的机房设备在安全状况上细分为老化和严重老化两类。
优选地,步骤S3还包括:
根据所述机房设备的安全状况为可靠,将所述特征属性的值输入该类型的机房设备对应的可靠模型中,获知所述机房设备的安全状况为崭新或稳定;
其中,所述可靠模型用于将可靠的机房设备在安全状况上细分为崭新和稳定两类。
优选地,所述可靠性模型具体通过以下步骤建立:
从机房数据库中获取多组同一类型的机房设备的样本数据作为第一训练集,所述样本数据包括对应机房设备的设备编号、特征属性的值和第一安全状况,所述第一安全状况为崭新、稳定、老化和严重老化中的一种;
将所述第一训练集中的样本数据代入到决策树算法中,建立相应的决策树模型作为所述可靠性模型。
优选地,所述决策树模型具体通过以下步骤建立:
计算第一训练集中每一特征属性基于上一父节点对样本数据进行划分的信息增益,比较所有信息增益的大小,选择最大的信息增益对应的特征属性作为上一父节点的子节点;
根据子节点对应的特征属性的每一个值建立决策树模型中以所述子节点为父节点的分支,从所述第一训练集中剔除所述子节点对应的特征属性,返回上一步骤,直至所述第一训练集中所有的特征属性划分完毕,获取所述决策树模型。
优选地,所述建立相应的决策树模型作为所述可靠性模型还包括:
对所述决策树模型的所有非叶结点自底向上进行剪枝处理,将处理后的决策树模型作为所述可靠性模型。
优选地,所述不可靠模型具体通过以下步骤建立:
从机房数据库中获取多组同一类型的机房设备的样本数据为第二训练集,所述样本数据包括对应机房设备的设备编号、特征属性的值和第二安全状况,所述第二安全状况为老化和严重老化中的一种;
将所述训练集中的样本数据代入到决策树算法中,建立相应的决策树模型作为所述不可靠模型。
优选地,所述可靠模型具体通过以下步骤建立:
从机房数据库中获取多组同一类型的机房设备的样本数据为第三训练集,所述样本数据包括对应机房设备的设备编号、特征属性的值和第三安全状况,所述第三安全状况为崭新和稳定中的一种;
将所述训练集中的样本数据代入到决策树算法中,建立相应的决策树模型作为所述可靠模型。
优选地,步骤S3还包括:
根据所述机房设备的安全状况为老化或严重老化,分别对所述机房设备做出相应的预警。
另一方面,本发明提供一种机房设备的安全状况的判断系统,包括:
特征采集模块,用于采集任一类型的机房设备的特征属性的值,所述特征属性包括运行时间与使用年限的比值、噪音大小、响应时间、故障次数、故障程度、工作温度和电池状态;
第一判断模块,用于将所述特征属性的值输入该类型的机房设备对应的可靠性模型中,获知所述机房设备的安全状况为可靠或不可靠;
第二判断模块,用于根据所述机房设备的安全状况为不可靠,将所述特征属性的值输入该类型的机房设备对应的不可靠模型中,获知所述机房设备的安全状况为老化或严重老化;
其中,所述可靠性模型用于将机房设备在安全状况上分为可靠和不可靠两类,所述不可靠模型用于将不可靠的机房设备在安全状况上细分为老化和严重老化两类。
优选地,还包括:
第三判断模块,用于根据所述机房设备的安全状况为可靠,将所述特征属性的值输入该类型的机房设备对应的可靠模型中,获知所述机房设备的安全状况为崭新或稳定;
其中,所述可靠模型用于将可靠的机房设备在安全状况上细分为崭新和稳定两类。
本发明提供的一种机房设备的安全状况的判断方法及系统,通过采集多组机房设备的运行状况及大量历史数据信息,建立分析机房设备的安全状况的决策树,先将机房设备在安全状况方面粗略分为可靠与不可靠两种状况,再基于这两种状况分别构建两个新的决策树对机房设备的安全状况进行细分,对机房设备老化的不同程度进行分类,方便对于老化及严重老化的机房设备给予及时的检查维修处理,以大幅提高机房的安全性和稳定性,避免了由于机房设备老化而造成的故障损失,降低机房的运维成本。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
参见图1,为本发明一个实施例的机房设备的安全状况的判断方法的流程图,包括:S1,采集任一类型的机房设备的特征属性的值,所述特征属性包括运行时间与使用年限的比值、噪音大小、响应时间、故障次数、故障程度、工作温度和电池状态;S2,将所述特征属性的值输入该类型的机房设备对应的可靠性模型中,获知所述机房设备的安全状况为可靠或不可靠;S3,根据所述机房设备的安全状况为不可靠,将所述特征属性的值输入该类型的机房设备对应的不可靠模型中,获知所述机房设备的安全状况为老化或严重老化;其中,所述可靠性模型用于将机房设备在安全状况上分为可靠和不可靠两类,所述不可靠模型用于将不可靠的机房设备在安全状况上细分为老化和严重老化两类。
具体地,机房设备是机房系统正常工作的核心,机房设备主要包括交换机、路由器、光纤、配线架、网络安全设备和网络优化设备等等,为保障机房系统能够安全稳定地运作,机房设备的安全状况都需要得到实时准确的监控,以便及时对故障或老化的机房设备进行维修处理,来提高机房的安全性和稳定性。采集机房内任一类型的机房设备的特征属性的值,上述特征属性包括运行时间与使用年限的比值、噪音大小、响应时间、故障次数、故障程度、工作温度和电池状态等等,以便通过上述特征属性的值分析获取该机房设备的安全状况。将上述机房设备的特征属性的值输入同设备类型的可靠性模型中,上述可靠性模型是训练好的判断机房设备当前的安全状况是否可靠的决策树模型。
当可靠性模型输出该机房设备的安全状况为不可靠时,再将该机房设备的特征属性的值输入同设备类型的不可靠模型中,上述不可靠模型是训练好的判断机房设备当前老化程度的决策树模型,可获知上述机房设备目前处理老化或是严重老化的状态,并可根据机房设备目前的安全状态做出相应的维修处理,以便及时更换可能出现故障的设备。
本发明通过采集多组机房设备的运行状况及大量历史数据信息,分别建立分析不同类型的机房设备的安全状况的决策树,将机房设备相关的特征属性输入相应的决策树中,获取该机房设备当前的安全状况,便于对老化及严重老化的机房设备给予及时的检查维修处理,以大幅提高机房的安全性和稳定性。
基于上述实施例,作为一种可选的实施例,步骤S3还包括:根据所述机房设备的安全状况为可靠,将所述特征属性的值输入该类型的机房设备对应的可靠模型中,获知所述机房设备的安全状况为崭新或稳定;其中,所述可靠模型用于将可靠的机房设备在安全状况上细分为崭新和稳定两类。
具体地,将机房设备的特征属性的值输入同设备类型的可靠性模型中后,可获知该机房设备的安全状况是可靠还是不可靠。当机房设备当前处于可靠状态时,可知此时无需对机房设备进行检修。可将机房设备的特征属性的值输入同设备类型的可靠模型中,对该机房设备当前所处的安全状态再次进行细分,以便获知该机房设备是处于稳定还是崭新的状态,对于不同的状态提供不同的维护建议。对于崭新的机房设备,则建议长期使用;对于稳定的机房设备,则建议定期检查,以便延长运行良好的设备的使用寿命,降低机房成本。
基于上述实施例,作为一种可选的实施例,所述可靠性模型具体通过以下步骤建立:从机房数据库中获取多组同一类型的机房设备的样本数据作为第一训练集,所述样本数据包括对应机房设备的设备编号、特征属性的值和第一安全状况,所述第一安全状况为崭新、稳定、老化和严重老化中的一种;将所述第一训练集中的样本数据代入到决策树算法中,建立相应的决策树模型作为所述可靠性模型。
具体地,建立任一类型的机房设备的可靠性模型前,先从机房数据库中获取多组该类型的机房设备的样本数据作为第一训练集,根据第一训练集训练设备可靠性的决策树模型。第一训练集中的每一样本数据都包括对应的机房设备的设备编号、特征属性以及第一安全状况,这里的第一安全状况为崭新、稳定、老化和严重老化中的一种,其中,当机房设备的第一安全状况为崭新或稳定时,该机房设备处于可靠状态,当机房设备的第一安全状况为老化或严重老化时,该机房设备处于不可靠状态。将每一训练集中的样本数据输入到决策树算法中,使决策树模型的输出结果为可靠或不可靠,建立将机房设备的安全状况分为可靠或不可靠的决策树模型,将该决策树模型作为上述类型的机房设备的可靠性模型,以便初步判断任一该类型的机房设备当前所处的安全状况。
基于上述实施例,作为一种可选的实施例,所述决策树模型具体通过以下步骤建立:计算第一训练集中每一特征属性基于上一父节点对样本数据进行划分的信息增益,比较所有信息增益的大小,选择最大的信息增益对应的特征属性作为上一父节点的子节点;根据子节点对应的特征属性的每一个值建立决策树模型中以所述子节点为父节点的分支,从所述第一训练集中剔除所述子节点对应的特征属性,返回上一步骤,直至所述第一训练集中所有的特征属性划分完毕,获取所述决策树模型。
具体地,本发明实施例使用迭代二叉树3代(英文全称Iterative Dichotomiser3,简称ID3)算法建立决策树模型,ID3算法是一种自顶向下的贪婪算法。在机器学习中,决策树是一种预测模型,代表的是一种对象属性与对象值之间的一种映射关系,每一个节点代表某个对象,树中的每一个分叉路径代表某个可能的属性值,而每一个叶子节点则对应从根节点到该叶子节点所经历的路径所表示的对象的值。ID3算法则根据特征属性的信息增益来自上而下获知决策树各分支节点的特征属性。
计算第一训练集每一特征属性的信息熵,信息熵是指离散随机事件出现的概率,一个系统越是有序,信息熵就越低,反之,一个系统越是混乱,它的信息熵就越高。因此,信息熵可以被认为是系统有序化程度的一个度量,则有信息熵Ent(D)的计算公式如下:
其中,D代表第一训练集,y表示第一训练集D中样本数据的种类数,pk表示当前第一训练集D中第k类样本所占的比例。
假设第一训练集中的特征属性a有V个可能的取值,则使用a对第一训练集进行划分时,会产生V个分支结点,其中,第v个分支节点包含了第一训练集中所有在特征属性a上取值为av的样本数据,可记为Dv。可根据上述信息熵的计算公式计算Dv的信息熵。
由于不同的分支结点所包含的样本数不同,给分支结点赋予权重|Dv|/|D|,可计算出特征属性a基于上一父节点对样本数据进行划分的信息增益Gain(D,a)如下:
则可求得第一训练集中每一特征属性基于上一父节点对样本数据进行划分的信息增益,比较求得的所有信息增益,可将最大的信息增益对应的特征属性作为上一父节点的子节点。再根据子节点对应的特征属性的每一个值建立决策树模型中以所述子节点为父节点的分支,从第一训练集中剔除掉该子节点对应的特征属性,返回上一步骤,通过迭代不断求得剩下的特征属性中基于上一父节点对样本数据进行划分时最大的信息增益,自上而下依次求得决策树中各分支节点对应的特征属性,直至第一训练集中所有的特征属性划分完毕,获取所述决策树模型。需要说明的是,对于上述生成的决策树模型,还可进行增量学习,不断输入新的机房设备的特征属性的值,完善现有的决策树模型,可使决策树模型的预测准确度更高,获得的决策结果更加可靠。
基于上述实施例,作为一种可选的实施例,所述建立相应的决策树模型作为所述可靠性模型还包括:对所述决策树模型的所有非叶结点自底向上进行剪枝处理,将处理后的决策树模型作为所述可靠性模型。
具体地,由于决策树的生成过程中,每一个叶都个形成单独的一个类,使得决策树的生成与训练集处于一种完全拟合的状态,这样使得决策树的泛化能力不足,对测试数据较不友好,无法得到准确的分类结果。因此,需要减掉决策树中的一些枝叶,对决策树进行剪枝处理,去掉决策树中的一些不必要的节点,以使决策树模型更具有泛化能力。本发明实施例采用后剪枝策略,生成决策树后,对决策树模型的所有非叶结点自底向上进行精度计算,减掉对决策树模型精度不利的部分。
基于上述实施例,作为一种可选的实施例,所述不可靠模型具体通过以下步骤建立:从机房数据库中获取多组同一类型的机房设备的样本数据为第二训练集,所述样本数据包括对应机房设备的设备编号、特征属性的值和第二安全状况,所述第二安全状况为老化和严重老化中的一种;将所述训练集中的样本数据代入到决策树算法中,建立相应的决策树模型作为所述不可靠模型。
具体地,建立任一类型的机房设备的不可靠模型前,先从机房数据库中获取多组该类型的机房设备的样本数据作为第二训练集,根据第二训练集训练不可靠的机房设备的决策树模型。第二训练集中的每一样本数据都包括对应的机房设备的设备编号、特征属性以及第二安全状况,这里的第二安全状况为老化和严重老化中的一种。将每一第二训练集中的样本数据输入到决策树算法中,使决策树模型的输出结果为老化或严重老化,建立将不可靠的机房设备的安全状况进一步分为老化或严重老化的决策树模型,将该决策树模型作为上述类型的机房设备的不可靠模型,以便进一步判断任一该类型的机房设备当前所处的不可靠程度,便于根据机房设备的不可靠程度采取不同的应对措施。需要说明的是,本发明实施例中采用ID3算法构建决策树作为不可靠模型,并对不可靠模型的所有非叶结点自底向上进行剪枝处理,使得不可靠模型的决策结果更精确。
基于上述实施例,作为一种可选的实施例,所述可靠模型具体通过以下步骤建立:从机房数据库中获取多组同一类型的机房设备的样本数据为第三训练集,所述样本数据包括对应机房设备的设备编号、特征属性的值和第三安全状况,所述第三安全状况为崭新和稳定中的一种;将所述训练集中的样本数据代入到决策树算法中,建立相应的决策树模型作为所述可靠模型。
具体地,建立任一类型的机房设备的可靠模型前,先从机房数据库中获取多组该类型的机房设备的样本数据作为第三训练集,根据第三训练集训练可靠的机房设备的决策树模型。第三训练集中的每一样本数据都包括对应的机房设备的设备编号、特征属性以及第三安全状况,这里的第三安全状况为老化和严重老化中的一种。将每一个第三训练集中的样本数据输入到决策树算法中,使决策树模型的输出结果为崭新或稳定,建立将可靠的机房设备的安全状况进一步分为崭新或稳定的决策树模型,将该决策树模型作为上述类型的机房设备的可靠模型,以便进一步判断任一该类型的机房设备当前所处的可靠程度,便于根据机房设备的可靠程度采取不同的应对措施。需要说明的是,本发明实施例中同样采用ID3算法构建决策树作为可靠模型,并对可靠模型的所有非叶结点自底向上进行剪枝处理,使得可靠模型的决策结果更精确。
基于上述实施例,作为一种可选的实施例,步骤S3还包括:根据所述机房设备的安全状况为老化或严重老化,分别对所述机房设备做出相应的预警。
具体地,将机房设备的特征属性的值输入可靠性模型后,获知该机房设备当前处于不可靠的安全状况,需要进行一定程度的维修或更换处理。则将该机房设备的特征属性的值输入不可靠模型中,获知该机房设备当前的老化程度,根据该机房设备的安全状况处于老化或严重老化的不同阶段,对上述机房设备做出相应的预警建议。即当机房设备的安全状况为老化时,建议该机房设备在短期内更换;当机房设备的安全状况为严重老化时,建议该机房设备在立即更换掉,以便及时更换可能出现故障的设备,排查安全隐患,保障机房安全、稳定的运行。
本发明提供的一种机房设备的安全状况的判断方法,通过采集多组机房设备的运行状况及大量历史数据信息,建立分析机房设备的安全状况的决策树,先将机房设备在安全状况方面粗略分为可靠与不可靠两种状况,再基于这两种状况分别构建两个新的决策树对机房设备的安全状况进行细分,对机房设备老化的不同程度进行分类,使得崭新、稳定的设备能够更加放心的长期使用,也使得老化问题严重的设备能够及时被发现,并给予更换或维修处理。保障了机房运行的可靠性,避免了由于设备老化而造成的故障损失。
参见图2,为本发明一个实施例的机房设备的安全状况的判断系统的结构示意图,包括:特征采集模块,用于采集任一类型的机房设备的特征属性的值,所述特征属性包括运行时间与使用年限的比值、噪音大小、响应时间、故障次数、故障程度、工作温度和电池状态;第一判断模块,用于将所述特征属性的值输入该类型的机房设备对应的可靠性模型中,获知所述机房设备的安全状况为可靠或不可靠;第二判断模块,用于根据所述机房设备的安全状况为不可靠,将所述特征属性的值输入该类型的机房设备对应的不可靠模型中,获知所述机房设备的安全状况为老化或严重老化;其中,所述可靠性模型用于将机房设备在安全状况上分为可靠和不可靠两类,所述不可靠模型用于将不可靠的机房设备在安全状况上细分为老化和严重老化两类。
具体地,特征采集模块用于采集任一类型的机房设备的特征属性的值,根据第一判断模块判断输入到相应的可靠性模型中的特征属性的值对应的机房设备的安全状况,若该机房设备当前处于不可靠的安全状态,则根据第二判断模块获知该机房设备不可靠的程度为老化或是严重老化,以便做出相应的维修或更换处理。需要说明的是,机房设备安全状况判断的具体步骤已经在上述对应的方法实施例中说明,此处不再多做赘述。
基于上述实施例,作为一种可选的实施例,还包括:第三判断模块,用于根据所述机房设备的安全状况为可靠,将所述特征属性的值输入该类型的机房设备对应的可靠模型中,获知所述机房设备的安全状况为崭新或稳定;其中,所述可靠模型用于将可靠的机房设备在安全状况上细分为崭新和稳定两类。
具体地,当机房设备的特征属性的值输入相应的可靠性模型后,获知该机房设备当前处于可靠的安全状态,则根据第三判断模块获知该机房设备可靠的程度为崭新或是稳定,以便做出相应的延长使用寿命的处理。需要说明的是,机房设备安全状况判断的具体步骤已经在上述对应的方法实施例中说明,此处不再多做赘述。
本发明提供的一种机房设备的安全状况的判断系统,通过采集多组机房设备的运行状况及大量历史数据信息,建立分析机房设备的安全状况的决策树,先将机房设备在安全状况方面粗略分为可靠与不可靠两种状况,再基于这两种状况分别构建两个新的决策树对机房设备的安全状况进行细分,对机房设备老化的不同程度进行分类,使得崭新、稳定的设备能够更加放心的长期使用,也使得老化问题严重的设备能够及时被发现,并给予更换或维修处理。保障了机房运行的可靠性,避免了由于设备老化而造成的故障损失。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。