CN108777635A - 一种企业设备管理系统 - Google Patents

Abstract

本发明提供一种企业设备管理系统，包括：传感器模块，包括设置在不同设备中的传感器，用于对所述设备及所述设备组成的网络进行数据采集；中间处理模块，用于接受所述传感器模块采集的数据，将所述采集的数据进行格式化处理，并将其传输到管理模块；所述管理模块，用于接受所述中间处理模块处理后的数据，对所述处理后的数据进行分析，对所述系统中所述设备及所述网络进行性能态势感知处理，并进行可视化展示。本发明能够直观地展示出系统中设备的性能状态，方便管理者透过可视化展示掌握整个企业中设备及网络的性能情况，做出相应的调度与操作，智能化水平高，能适应大规模乃至超大规模的企业设备管理使用。

Description

一种企业设备管理系统

技术领域

本发明涉及智能管理领域，特别是一种企业设备管理系统。

背景技术

随着企业规模越来越大，企业中的设备网络规模也越来越大，网络中设备的数量变得十分庞大，现有技术中，企业对设备网络进行管理，通常是采用人工的方式定期对设备进行监测并记录设备运行状况，再上报给管理系统统一管理，需要的人力资源庞大，而且流程过长，管理质量得不到保证，不能适应现代企业对智能化管理的需求。

发明内容

针对上述问题，本发明旨在提供一种企业设备管理系统。

本发明的目的采用以下技术方案来实现：

一种企业设备管理系统，包括：

传感器模块，包括设置在不同设备中的传感器，用于对所述设备及所述设备组成的网络进行数据采集；

中间处理模块，用于接受所述传感器模块采集的数据，将所述采集的数据进行格式化处理，并将其传输到管理模块；

所述管理模块，用于接受所述中间处理模块处理后的数据，对所述处理后的数据进行分析，对所述系统中所述设备及所述网络进行性能态势感知处理，并进行可视化展示。

优选地，所述传感器用于对所述设备的设备状态及所述网络的网络性能进行数据采集。

优选地，所述中间处理模块还包括：对所述采集的数据进行统一化、格式化处理，将采集的数据转换成XML格式数据并记录成XML格式的数据文档，供所述管理模块调用。

优选地，所述性能态势感知处理具体包括：性能态势评估和性能态势预测；所述管理模块还包括性能态势评估单元、性能态势预测单元和可视化单元，所述性能态势评估单元用于对所述中间处理模块处理后的数据进行分析，评估当前系统中设备及网络的性能态势；所述性能态势预测单元，用于根据当前性能态势及历史分析数据，预测系统中设备及网络的性能态势的发展趋势；所述可视化单元，用于对所述系统中设备及网络的性能态势及其发展趋势进行可视化展示。

本发明有益效果为：通过在企业的设备网络中的设备上设置用于采集不同数据的传感器，实时采集设备及设备组成的网络的状态数据，并上传到中间处理模块中进行统一处理，转换成统一格式的数据文档供管理模块调用，管理模块通过对对数据进行分析，对系统中设备及网络进行性能态势感知处理并进行可视化展示，直观地展示出系统中设备的性能状态，方便管理者透过可视化展示掌握整个企业中设备及网络的性能情况，做出相应的调度与操作，智能化水平高，能适应不同规模的企业设备管理使用。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1为本发明的框架结构图；

图2为本发明管理模块的框架结构图；

图3为本发明中间处理模块的框架结构图。

附图标记：传感器模块1、中间处理模块2、所述管理模块3、异构数据融合单元20、分类子单元21、融合子单元22、融合修正子单元23、性能态势评估单元31、性能态势预测单元32和可视化单元33

具体实施方式

结合以下应用场景对本发明作进一步描述。

参见图1，其示出了一种企业设备管理系统，包括：

传感器模块1，包括设置在不同设备中的传感器，用于对所述设备及所述设备组成的网络进行数据采集；

中间处理模块2，用于接受所述传感器模块1采集的数据，将所述采集的数据进行格式化处理，并将其传输到管理模块；

所述管理模块3，用于接受所述中间处理模块2处理后的数据，对所述处理后的数据进行分析，对所述系统中所述设备及所述网络进行性能态势感知处理，并进行可视化展示。

本发明上述实施方式，通过在企业的设备网络中的设备上设置用于采集不同数据的传感器，实时采集设备及设备组成的网络的状态数据，并上传到中间处理模块中进行统一处理，转换成统一格式的数据文档供管理模块调用，管理模块通过对对数据进行分析，对系统中设备及网络进行性能态势感知处理并进行可视化展示，直观地展示出系统中设备的性能状态，方便管理者透过可视化展示掌握整个企业中设备及网络的性能情况，做出相应的调度与操作，智能化水平高，能适应大规模乃至超大规模的企业设备管理使用。

优选地，所述传感器用于对所述设备的设备状态及所述网络的网络性能进行数据采集；其中，所述设备状态包括运行温度、持续运行时间、总运行时间、电源状态、网络数据、网络流量、防火墙日志等；所述网络性能包括传输数据量，丢包率等。

优选地，所述中间处理模块2还包括：对所述采集的数据进行统一化、格式化处理，将采集的数据转换成XML格式数据并记录成XML格式的数据文档，供所述管理模块3调用；

本发明上述实施方式，由于企业中设置的传感器的型号和生产厂家并不一样，因此导致传感器采集的数据的格式并不相同，因此，设置中间处理模块2对由不同传感器获取的数据进行预处理，将数据转换成相同的格式，有助于系统对采集的数据进行进一步操作，减轻处理模块对数据进行分析的复杂度和提高了准确度。

优选地，所述性能态势感知处理具体包括：性能态势评估和性能态势预测；参见图2，所述管理模块3还包括性能态势评估单元31、性能态势预测单元32和可视化单元33，所述性能态势评估单元31用于对所述中间处理模块2处理后的数据进行分析，评估当前系统中设备及网络的性能态势；所述性能态势预测单元32，用于根据当前性能态势及历史分析数据，预测系统中设备及网络的性能态势的发展趋势；所述可视化单元33，用于对所述系统中设备及网络的性能态势及其发展趋势进行可视化展示。

优选地，参见图3，所述中间处理模块2还包括异构数据融合单元20，其中所述异构数据融合单元20具体包括：分类子单元21，融合子单元22和融合修正子单元23，

所述分类子单元21，用于对从所述传感器获取的数据进行分类处理；

所述融合子单元22，用于对所述分类处理后的分类数据进行融合和二次分类处理；

所述融合修正子单元23，用于对所述融合和二次分类后的数据进行修正，确定最终的数据融合结果。

本发明上述实施方式，由于企业中设置的传感器的作用并不一样，因此导致传感器采集的数据的类型并不相同，因此，通过设置异构数据融合单元，能够对从传感器采集的数据进行融合处理，筛选有用的数据(如性能态势数据)进行下一步处理，能够有效地减轻管理模块的负担，提高系统对数据处理的效率。

优选地，所述分类子单元21，还包括：采用无向图模型训练分类器对不同所述传感器获取的数据进行分类处理；其中所述分类器的训练具体包括：

初始化用于训练分类器的已标注训练样本集C，从所述传感器获取的数据序列作为未标注样本，记入样本集A^(η)，调试样本集B，采用训练样本集训练初始分类器其中迭代次数η＝0，并使用分类器对样本集A^(η)中的未标注样本进行概率预测；

根据无向图模型在样本集A^(η)上构造无向图，并剔除图像图中的孤立点，即噪声样本点，并且将孤立点从样本集A^(η)中剔除；

在无向图中的每个连通区域内利用分类器预测样本属于每个类别的概率，并获取每个未标注样本的当前价值，从每个连通区域内挑选当前价值最大的样本组成候选样本集D，并获取候选样本集D的样本优化值，

其中，所述样本当前价值的获取函数为：

式中，m表示未标注样本，表示未标注样本m对分类器的价值，和分别表示未标注样本m利用分类器预测的最优和次优类别概率，n₁和n₂分别是该样本的最优和次优类别标签；

即候选样本集D可表示为：

式中，m表示未标注样本，A表示未标注样本集；

其中，采用的样本优化值函数为：

式中，x(m)表示样本集D中样本m的优化值，和分别表示未标注样本m利用分类器预测的最优类别n₁和次优类别n₁概率，和分别表示未标注样本m利用临时分类器预测的最优类别n′₁和次优类别n′₂概率，其中所述临时分类器是采用当前训练样本集C加上候选样本集D的样本m与其最优分类标签n₁训练所得，和分别表示未标注样本m利用临时分类器预测的最优类别n″₁和次优类别n″₂概率，其中所述临时分类器是采用当前训练样本集C加上候选样本集D的样本m与其次优分类标签n₂训练所得；

将样本集D中优化值大于设定的阈值W的未标注样本进行标注，并添加到训练样本集C中；

利用训练样本集C更新分类器使用更新后的分类器在调试样本集B上进行测试，计算分类器的分类正确率，如果正确率大于设定的阈值Z，或者训练样本数达到设定的阈值，或者前后两次测试中训练样本集C大小不再增大，则结束训练；否则重新从无向图中挑选剩下样本中价值最大的样本组成候选样本集D继续进行训练，记迭代次数η＝η+1。

本发明上述实施方式，采用上述的方法训练分类器对从不同传感器获取的数据进行分类处理，通过数据之间的依赖关系，将属于同一类的数据分在一起，并剔除噪声数据；同时设置样本优化值函数来选取无向图模型中不同类别的最优化数据，来对分类器进行训练，能够使得分类器对传感器采集的数据具有更好的适应性，提高数据分类的准确度。

优选地，所述融合子单元22，还包括：用于将所述分类子单元21获取的分类数据作为信息源，通过采用D-S证据理论联合规则对所述信息源进行融合处理，具体包括：

获取来自不同传感器的信息源，记所述信息源的数量为R，建立识别框架E＝[e₁,e₂,…,e_I]，其中e₁,e₂,…,e_I表示数据目标类型，I表示设定的数据类型的总数，第i类数据类型的特征向量可表示为：F_i＝[f_i1,f_i2,…,f_iJ]^T，其中信息源和识别框架都为J维特征向量，在本发明中，上标T表示矩阵的转置；

对于每一个信息源P，计算信息源P与识别框架E构成的特征向量矩阵M，M＝(M₁,M₂,…,M_I+1)＝(P,F₁,F₂,…,F_I)，其中，其中P＝[p₁,p₂,…,p_J]^T，p表示信息源的数据特征分量；

计算矩阵M中各个分量之间的相似关系h_i,j，构成P与F_i的关系矩阵H：

式中，表示第i₁个数据类型中的第j维特征向量；

将关系矩阵H转化为其传递闭包矩阵其中传递闭包矩阵中的行向量的元素是融合时将待识别目标和识别框架中目标e_i-1划分为一类的信度值，设定即S_i表示待识别数据被识别为目标类型e_i的信度值；

获取信息源P对目标类型e_i的适度值Q(i)，其中采用的适度值函数为：

式中，S_i表示待识别数据被识别为目标类型e_i的信度值；

如果信息源P对所有目标类型e_i的适度值Q(i)均小于设定的阈值，则将信息源P标记为不确定类型；否则选取适度值Q(i)最大所对应的目标类型e_i作为信息源P的数据类型；

对于全部信息源，采用Dempster组合规则将属于同一目标分类e_i的信息源进行融合，获取数据融合结果。

本发明上述实施方式，采用上述的方法对不同传感器获取的经分类子单元处理后的分类数据进行融合处理，采用证据理论融合规则对不同的分类数据进行融合处理，首先获取根据分类数据和识别框架构成的特征矩阵，计算分类数据对不同分类的适度值，再采用基于Dempster组合规则的方法对属于相同分类的分类数据进行融合，能够有效提高数据融合的性能。

优选地，所述融合修正子单元23，还包括：采用二次分类器对所述标记为不确定类型的信息源进行再次分类，确定其最终数据分类结果，其中，所述二次分类器的训练具体包括：

采用所述数据融合单元2332中分类成功的信息源作为训练样本(u₁,v₁),(u₂,v₂),…,(u_X,v_X)，其中u_x∈U，U表示训练样本空间，X表示训练样本总数，v_x表示信息源u_x的分类向量 表示v_x的第i维子分量，表示将u_x划分为分类的概率向量，I表示设定的数据类型的总数；

记迭代次数η＝1，初始化训练样本权重，初始分类器Z_η(u)；

计算数据样本分布p^η，并将所述数据样本分布p^η传递给分类器Z_η(u)并拟合训练样本，计算Z_η(u)的误差φ_η，

设定调整因子计算判断因子β，其中采用的判断因子函数为：

式中，表示训练样本u_x的第i维分类子向量；

对判断因子进行判断：

如果判断因子β大于设定的阈值，则调整权重分配并重新进行第η次迭代，

否则，重新分配权重并且进行下一轮迭代，η＝η+1，其中，

式中，[|Z_η(u_x)＝v_x|]表示第η次迭代中的分类器Z_η(u)将样本u_x分类其对应的目标分类v′_x的概率；

当达到最大迭代次数时，整合获取分类器Z(u)，其中分类器Z(u)满足的条件为：

其中，选取符合上述要求的Z_η(u)作为最终确定的二次分类器Z(u)。

本发明上述实施方式，采用上述方法对融合子单元中的记为不确定类型的信息源进行二次分类处理，首先选取融合子单元中成功分类的数据作为训练样本，对二次分类器进行训练，通过调整不同训练样本的权重，使得二次分类器对系统中传感器获取的数据具有更好的适应性，从而提高对不确定类型的信息源的分类的准确度；同时，引入判断因子对分类器的性能进行判断，从而确定样本权重的调整策略，使得样本权重的调整更为准确。

本发明异构数据融合单元，通过上述处理方法，首先将从不同传感器获取的数据中属于同一类型的数据分类到一起，然后对不同传感器不同类型的数据进行融合处理，最后对标记为不确定类型的数据进行二次分类，最终确定其类型，提高数据异构数据融合的准确度。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当分析，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (6)

1.一种企业设备管理系统，其特征在于，包括：

传感器模块，包括设置在不同设备中的传感器，用于对所述设备及所述设备组成的网络进行数据采集；

中间处理模块，用于接受所述传感器模块采集的数据，将所述采集的数据进行格式化处理，并将其传输到管理模块；

所述管理模块，用于接受所述中间处理模块处理后的数据，对所述处理后的数据进行分析，对所述系统中所述设备及所述网络进行性能态势感知处理，并进行可视化展示。

2.根据权利要求1所述的一种企业设备管理系统，其特征在于，所述传感器用于对所述设备的设备状态及所述网络的网络性能进行数据采集。

3.根据权利要求1所述的一种企业设备管理系统，其特征在于，所述中间处理模块还包括：对所述采集的数据进行统一化、格式化处理，将采集的数据转换成XML格式数据并记录成XML格式的数据文档，供所述管理模块调用。

4.根据权利要求1所述的一种企业设备管理系统，其特征在于，所述性能态势感知处理具体包括：性能态势评估和性能态势预测；所述管理模块还包括性能态势评估单元、性能态势预测单元和可视化单元，所述性能态势评估单元用于对所述中间处理模块处理后的数据进行分析，评估当前系统中设备及网络的性能态势；所述性能态势预测单元，用于根据当前性能态势及历史分析数据，预测系统中设备及网络的性能态势的发展趋势；所述可视化单元，用于对所述系统中设备及网络的性能态势及其发展趋势进行可视化展示。

5.根据权利要求1所述的一种企业设备管理系统，其特征在于，所述中间处理模块还包括异构数据融合单元，其中所述异构数据融合单元具体包括：分类子单元，融合子单元和融合修正子单元，

所述分类子单元，用于对从所述传感器获取的数据进行分类处理；

所述融合子单元，用于对所述分类处理后的分类数据进行融合和二次分类处理；

所述融合修正子单元，用于对所述融合和二次分类后的数据进行修正，确定最终的数据融合结果。

6.根据权利要求5所述的一种企业设备管理系统，其特征在于，所述分类子单元，还包括：采用无向图模型训练分类器对不同所述传感器获取的数据进行分类处理；其中所述分类器的训练具体包括：

初始化用于训练分类器的已标注训练样本集C，从所述传感器获取的数据序列作为未标注样本，记入样本集A^(η)，调试样本集B，采用训练样本集训练初始分类器其中迭代次数η＝0，并使用分类器对样本集A^(η)中的未标注样本进行概率预测；

根据无向图模型在样本集A^(η)上构造无向图，并剔除图像图中的孤立点，即噪声样本点，并且将孤立点从样本集A^(η)中剔除；

在无向图中的每个连通区域内利用分类器预测样本属于每个类别的概率，并获取每个未标注样本的当前价值，从每个连通区域内挑选当前价值最大的样本组成候选样本集D，并获取候选样本集D的样本优化值，

其中，所述样本当前价值的获取函数为：

式中，m表示未标注样本，表示未标注样本m对分类器的价值，和分别表示未标注样本m利用分类器预测的最优和次优类别概率，n₁和n₂分别是该样本的最优和次优类别标签；

即候选样本集D可表示为：

式中，m表示未标注样本，A表示未标注样本集；

其中，采用的样本优化值函数为：

式中，x(m)表示样本集D中样本m的优化值，和分别表示未标注样本m利用分类器预测的最优类别n₁和次优类别n₁概率，和分别表示未标注样本m利用临时分类器预测的最优类别n′₁和次优类别n′₂概率，其中所述临时分类器是采用当前训练样本集C加上候选样本集D的样本m与其最优分类标签n₁训练所得，和分别表示未标注样本m利用临时分类器预测的最优类别n″₁和次优类别n″₂概率，其中所述临时分类器是采用当前训练样本集C加上候选样本集D的样本m与其次优分类标签n₂训练所得；

将样本集D中优化值大于设定的阈值W的未标注样本进行标注，并添加到训练样本集C中；

利用训练样本集C更新分类器使用更新后的分类器在调试样本集B上进行测试，计算分类器的分类正确率，如果正确率大于设定的阈值Z，或者训练样本数达到设定的阈值，或者前后两次测试中训练样本集C大小不再增大，则结束训练；否则重新从无向图中挑选剩下样本中价值最大的样本组成候选样本集D继续进行训练，记迭代次数η＝η+1。