CN116228206A - 数据中心运维管理方法、装置、电子设备及运维管理系统 - Google Patents
数据中心运维管理方法、装置、电子设备及运维管理系统 Download PDFInfo
- Publication number
- CN116228206A CN116228206A CN202310449975.1A CN202310449975A CN116228206A CN 116228206 A CN116228206 A CN 116228206A CN 202310449975 A CN202310449975 A CN 202310449975A CN 116228206 A CN116228206 A CN 116228206A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data center
- deep
- maintenance management
- state 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.)
- Granted
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 107
- 238000007726 management method Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000007689 inspection Methods 0.000 claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims description 36
- 230000004927 fusion Effects 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000000605 extraction Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 12
- 239000000284 extract Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种数据中心运维管理方法、装置、电子设备及运维管理系统，该方法包括：获取目标数据中心的设备拓扑图，并基于设备拓扑图，分别获取目标数据中心的设备状态数据和线路状态数据；分别基于设备状态数据和线路状态数据，对应提取目标数据中心的深层设备整体特征和深层线路整体特征；将深层设备整体特征和深层线路整体特征进行融合后，基于融合特征和同类组设备的风险判定，制定巡检或点检计划，对目标数据中心进行运维管理。本发明通过从数据中心设备拓扑图的设备和线路两方面分别提取特征并融合，同时结合对数据中心同类组设备的风险判定，自动制定出巡检或点检计划供数据运维使用，能够有效降低时间和人力成本以及管理难度。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种数据中心运维管理方法、装置、电子设备及运维管理系统。
背景技术
随着信息化的快速发展，越来越多的行业借助互联网技术（InternetTechnology，IT）支撑自己的核心业务发挥竞争优势，实现企业数字化转型，这其中数据中心的建立与运维管理具有重要意义。
目前，在云计算及大数据的发展和推动下，数据中心趋向于高密度发展，结构日益复杂，企业对数据中心运行的可靠性和稳定性要求也越来越高，这就给数据中心的运维管理提出了更高的要求。
但是，现有对数据中心的运维管理还主要依赖人工进行分析和判断，会耗费大量的时间和人力成本，并且由于数据中心设备众多，加大了数据中心运维管理的难度，且更易出错。
发明内容
本发明提供一种数据中心运维管理方法、装置、电子设备及运维管理系统，用以解决现有技术数据中心运维管理时间和人力成本高且管理难度大、易出错的缺陷，实现有效降低时间和人力成本以及管理难度的目标。
本发明提供一种数据中心运维管理方法，包括：
获取目标数据中心的设备拓扑图，并基于所述设备拓扑图，分别获取所述目标数据中心的设备状态数据和线路状态数据；
分别基于所述设备状态数据和所述线路状态数据，对应提取所述目标数据中心的深层设备整体特征和深层线路整体特征；
将所述深层设备整体特征与所述深层线路整体特征进行融合后，基于融合特征和各同类组设备的风险判定，制定巡检或点检计划，对所述目标数据中心进行运维管理。
根据本发明提供的一种数据中心运维管理方法，所述分别基于所述设备状态数据和所述线路状态数据，对应提取所述目标数据中心的深层设备整体特征和深层线路整体特征，包括：
对所述设备状态数据进行归一化操作，获取归一化设备状态数据，并将所述归一化设备状态数据输入第一图神经网络(Graph Convolutional Network，GCN)模型，提取所述深层设备整体特征；
对所述线路状态数据进行归一化操作，获取归一化线路状态数据，并将所述归一化线路状态数据输入第二图神经网络模型，提取所述深层线路整体特征。
根据本发明提供的一种数据中心运维管理方法，所述第一图神经网络模型和所述第二图神经网络模型中的图由如下三个矩阵迭代计算生成：
邻接矩阵A，用于表示所述图中节点间的连接关系；
度矩阵D，用于表示所述图中任一节点所连接的其他节点数；
特征矩阵H，用于表示所述图中任一节点的特征；
其中，所述特征矩阵H按如下公式更新：
式中，
表示给所述图中的节点增加自连接后更新的邻接矩阵，
，I N 为所述自连接，
表示所述度矩阵D的逆矩阵，H L 表示所述第一图神经网络模型或所述第二图神经网络模型网络中第L层节点的特征，H (L+1)表示所述第一图神经网络模型或所述第二图神经网络模型网络中第L+1层节点的特征，其中H 0=X，X对应的为所述设备状态数据或所述线路状态数据，W L 表示学习权重，
表示激活函数。
根据本发明提供的一种数据中心运维管理方法，所述基于融合特征和各同类组设备的风险判定，制定巡检或点检计划，包括：
对所述目标数据中心的设备按各相同类别进行分组，并从所述深层设备整体特征中抽取各所述同类组设备的同类设备特征；
将所述同类设备特征输入第一全连接层网络模型进行分类，确定各所述同类组设备的风险判定；
将所述融合特征输入第二全连接层网络模型进行分类，获取所述目标数据中心的整体风险等级；
基于所述同类组设备的风险判定和所述整体风险等级，制定所述巡检或点检计划。
根据本发明提供的一种数据中心运维管理方法，所述将所述深层设备整体特征与所述深层线路整体特征进行融合，包括：
利用卷积神经网络，将所述深层设备整体特征和所述深层线路整体特征进行维度对齐，并将维度对齐后的深层设备整体特征和维度对齐后的深层线路整体特征进行拼接，实现特征融合。
根据本发明提供的一种数据中心运维管理方法，所述深层设备整体特征包括如下特征中至少一项：CPU利用率、内存利用率、端口利用率、端口速率、CPU平均负载、CPU高负载时间比率、CPU中负载时间比率、CPU低负载时间比率、MEM高负载时间比率、MEM中负载时间比率和MEM低负载时间比率；
所述深层线路整体特征包括如下特征中至少一项：流量、峰值流量、平均带宽占比、拥塞时段占比、平均帧流量、峰值帧流量、平均广播流量、峰值广播流量、平均丢包量、峰值丢包量、平均错包量和峰值错包量。
本发明还提供一种数据中心运维管理装置，包括：
状态数据获取模块，用于获取目标数据中心的设备拓扑图，并基于所述设备拓扑图，分别获取所述目标数据中心的设备状态数据和线路状态数据；
深层特征提取模块，用于分别基于所述设备状态数据和所述线路状态数据，对应提取所述目标数据中心的深层设备整体特征和深层线路整体特征；
运维管理模块，用于将所述深层设备整体特征与所述深层线路整体特征进行融合后，基于融合特征和各同类组设备的风险判定，制定巡检或点检计划，对所述目标数据中心进行运维管理。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述处理器执行所述程序或指令时，实现如上述任一种所述的数据中心运维管理方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有程序或指令，所述程序或指令被计算机执行时，实现如上述任一种所述的数据中心运维管理方法的步骤。
本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行如上述任一种所述的数据中心运维管理方法。
本发明还提供一种数据中心运维管理系统，包括：
第一特征提取单元，用于基于目标数据中心的设备拓扑图，获取所述目标数据中心的设备状态数据，并基于所述设备状态数据，提取所述目标数据中心的深层设备整体特征；
第二特征提取单元，用于基于所述设备拓扑图，获取所述目标数据中心的线路状态数据，并基于所述线路状态数据，提取所述目标数据中心的深层线路整体特征；
第一风险预测单元，用于将所述深层设备整体特征与所述深层线路整体特征进行融合，获取融合特征，并基于所述融合特征，确定所述目标数据中心的整体风险等级；
第二风险预测单元，用于基于所述设备拓扑图获取同类组设备，并从所述深层设备整体特征中抽取各所述同类组设备的同类设备特征，以及基于所述同类设备特征，确定各所述同类组设备的风险判定；
运维管理单元，用于基于所述同类组设备的风险判定和所述整体风险等级，制定巡检或点检计划，对所述目标数据中心进行运维管理。
本发明提供的数据中心运维管理方法、装置、电子设备及运维管理系统，通过从数据中心设备拓扑图的设备和线路两方面分别提取特征并融合，同时结合对数据中心同类组设备的风险判定，自动制定出巡检或点检计划供数据运维使用，能够有效降低时间和人力成本，且能够降低管理难度和出错概率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对本发明实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的数据中心运维管理方法的流程示意图之一；
图2为根据本发明提供的数据中心运维管理方法中设备拓扑图的结构示意图；
图3为根据本发明提供的数据中心运维管理方法中图神经网络模型的结构示意图；
图4为根据本发明提供的数据中心运维管理方法中制定巡检或点检计划的流程示意图；
图5为本发明提供的数据中心运维管理方法的流程示意图之二；
图6为本发明提供的数据中心运维管理装置的结构示意图；
图7为本发明提供的电子设备的实体结构示意图。
图8为本发明提供的数据中心运维管理系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明针对现有技术存在的时间和人力成本高且管理难度大、易出错等的问题，通过从数据中心设备拓扑图的设备和线路两方面分别提取特征并融合，同时结合对数据中心同类组设备的风险判定，自动制定出巡检或点检计划供数据运维使用，能够有效降低时间和人力成本，且能够降低管理难度和出错概率。以下将结合附图，具体通过多个实施例对本发明进行展开说明和介绍。
图1为本发明提供的数据中心运维管理方法的流程示意图之一，如图1所示，该方法包括：
S101，获取目标数据中心的设备拓扑图，并基于所述设备拓扑图，分别获取所述目标数据中心的设备状态数据和线路状态数据。
可以理解为，本发明面对的对象是具有多源异构数据类型的数据中心，可称为目标数据中心。首先，通过访问和分析目标数据中心，可以获取目标数据中心的设备拓扑图。
如图2所示，为根据本发明提供的数据中心运维管理方法中设备拓扑图的结构示意图，其中的数据中心网络分为三层拓扑结构，拓扑结构中包括众多网络设备，这些设备按其功能和所在区域，被分为不同的分区，如核心服务器区、核心交换区等。另外，这些设备之间存在相互间的通信连接，这些通信连接构成设备间的众多线路。
然后，通过分析得到的设备拓扑图和目标数据中心的运行过程，获取在目标数据中心运行、流通过程中，设备拓扑图中所包含的各设备和各线路分别产生的状态数据，也即分别获取各设备的状态数据和各线路的状态数据。其中，各设备的状态数据可简称为设备状态数据，各线路的状态数据可简称为线路状态数据。
S102，分别基于所述设备状态数据和所述线路状态数据，对应提取所述目标数据中心的深层设备整体特征和深层线路整体特征。
可以理解为，在获取目标数据中心的设备状态数据和线路状态数据的基础上，可进一步根据这些状态数据提取目标数据中心的深层特征。具体而言，在进行深层特征提取时，对设备拓扑图中的设备和线路分别进行独立的分析和提取。
也就是说，可以通过分析得到的设备状态数据，进行特征提取得到相应的整体特征，作为目标数据中心的深层设备整体特征。例如，先对设备状态数据进行数据分解与划分，再对划分的数据利用多层图注意力神经网络或图神经网络提取特征。同样的，也可以通过分析线路状态数据，采用相同的方式提取相应的整体特征，作为目标数据中心的深层线路整体特征。
其中可选地，所述深层设备整体特征包括如下特征中至少一项：中央处理器（Central Processing Unit，CPU）利用率、内存利用率、端口利用率、端口速率、CPU平均负载、CPU高负载时间比率、CPU中负载时间比率、CPU低负载时间比率、内存显示程序MEM高负载时间比率、MEM中负载时间比率和MEM低负载时间比率。所述深层线路整体特征包括如下特征中至少一项：流量、峰值流量、平均带宽占比、拥塞时段占比、平均帧流量、峰值帧流量、平均广播流量、峰值广播流量、平均丢包量、峰值丢包量、平均错包量和峰值错包量。
也就是说，通过上述实施例的特征提取，可以获取上述列举的设备特征中的任意一项或者任意多项的组合作为目标数据中心的深层设备整体特征，同样也可以获取上述列举的线路特征中的任意一项或者任意多项的组合作为目标数据中心的深层线路整体特征。
S103，将所述深层设备整体特征与所述深层线路整体特征进行融合后，基于融合特征和各同类组设备的风险判定，制定巡检或点检计划，对所述目标数据中心进行运维管理。
可以理解为，在提取到目标数据中心的深层设备整体特征和深层线路整体特征的基础上，可以先将深层设备整体特征和深层线路整体特征处理成相同的尺寸，再利用特征融合模型将相同尺寸的深层设备整体特征和深层线路整体特征进行融合，得到融合特征。
例如，可以采用深度学习的方法搭建并训练基于卷积神经网络和图卷积网络的序列特征融合模型，并利用训练好的序列特征融合模型将深层设备整体特征和深层线路整体特征进行融合，得到融合特征。或者，也可以利用包含数据对齐层和全连接层的特征融合模型，对深层设备整体特征和深层线路整体特征进行融合，得到融合特征。
可选地，所述将所述深层设备整体特征与所述深层线路整体特征进行融合，包括：利用卷积神经网络，将所述深层设备整体特征和所述深层线路整体特征进行维度对齐，并将维度对齐后的深层设备整体特征和维度对齐后的深层线路整体特征进行拼接，实现特征融合。
可以理解为，本发明可以先利用卷积神经网络分别对深层设备整体特征与深层线路整体特征进行采样，用以将深层设备整体特征与深层线路整体特征的维度进行统一对齐，得到维度对齐后的深层设备整体特征和维度对齐后的深层线路整体特征。之后，通过特征叠加的方式，将维度对齐后的深层设备整体特征和维度对齐后的深层线路整体特征进行拼接，得到融合特征。
本发明提供的数据中心运维管理方法，通过从数据中心设备拓扑图的设备和线路两方面分别提取特征并融合，同时结合对数据中心同类组设备的风险判定，自动制定出巡检或点检计划供数据运维使用，能够有效降低时间和人力成本，且能够降低管理难度和出错概率。
其中，根据上述各实施例提供的数据中心运维管理方法可选地，所述分别基于所述设备状态数据和所述线路状态数据，对应提取所述目标数据中心的深层设备整体特征和深层线路整体特征，包括：对所述设备状态数据进行归一化操作，获取归一化设备状态数据，并将所述归一化设备状态数据输入第一图神经网络模型，提取所述深层设备整体特征；对所述线路状态数据进行归一化操作，获取归一化线路状态数据，并将所述归一化线路状态数据输入第二图神经网络模型，提取所述深层线路整体特征。
可以理解为，根据上述各实施例，本发明在进行深层设备整体特征和深层线路整体特征的提取时，通过分别对设备状态数据和线路状态数据进行独立的特征提取实现。
具体而言，在进行设备状态数据的特征提取时，可以先采用现有归一化处理方式，如min-max归一化或零均值归一化处理方式，将各设备状态数据进行归一化或标准化处理，以消除各设备状态数据间不同量纲或量纲单位的影响，使各个设备状态数据处于同一量级，得到归一化设备状态数据。
之后，将归一化设备状态数据输入到事先训练好的图神经网络模型中，利用图神经网络的内部迭代运算，最终得到图神经网络的输出作为目标数据中心的深层设备整体特征。为便于区分，该图神经网络模型可称为第一图神经网络模型。
类似的，在进行线路状态数据的特征提取时，先对线路状态数据进行归一化处理，得到归一化线路状态数据，再利用第二图神经网络模型，从归一化线路状态数据中提取深层线路整体特征。
其中在模型训练过程中，通过使用图神经网络模型训练得到邻接矩阵来表示各设备状态数据之间的关联性。将每个设备状态数据视作图神经网络中图的节点，设备状态数据之间的连接关系作为节点之间的边，形成图神经网络模型的图。
可选地，所述第一图神经网络模型和所述第二图神经网络模型中的图由如下三个矩阵迭代计算生成：
邻接矩阵A，用于表示所述图中节点间的连接关系；
度矩阵D，用于表示所述图中任一节点所连接的其他节点数；
特征矩阵H，用于表示所述图中任一节点的特征；
其中，所述特征矩阵H按如下公式更新：
式中，
表示给所述图中的节点增加自连接后更新的邻接矩阵，
，I N 为所述自连接，
表示所述度矩阵D的逆矩阵，H L 表示所述第一图神经网络模型或所述第二图神经网络模型网络中第L层节点的特征，其中H 0=X，X对应的为所述设备状态数据或所述线路状态数据，W L 表示学习权重，
表示激活函数。
可以理解为，如图3所示，为根据本发明提供的数据中心运维管理方法中图神经网络模型的结构示意图，其中包括输入层、多个隐含层和输出层，其中的激活函数
选为ReLu，是神经网络的基本单元。图中Z为经过GCN计算得出的各层网络特征集，即将多层图神经网络的输出联立起来，共同作为图神经网络模块的输出，最后从图神经网络模块输出的多维图特征中提取特征作为深层设备整体特征。
其中，根据上述各实施例提供的数据中心运维管理方法可选地，所述基于融合特征和各同类组设备的风险判定，制定巡检或点检计划的步骤具体如图4所示，为根据本发明提供的数据中心运维管理方法中制定巡检或点检计划的流程示意图，包括：
S401，对所述目标数据中心的设备按各相同类别进行分组，并从所述深层设备整体特征中抽取各所述同类组设备的同类设备特征。
可以理解为，本实施例首先根据设备所属的类别对所有设备进行分组，也即将具有相同类别的设备分类到同一组，得到多个不同分组的设备，每个分组的设备被称为同类组设备。之后，针对各个同类组设备，从提取的深层设备整体特征中抽取该类组设备对应的特征作为该类组的同类设备特征。
S402，将所述同类设备特征输入第一全连接层网络模型进行分类，确定各所述同类组设备的风险判定。
可以理解为，在分别获取到各个同类组设备的同类设备特征的基础上，分别将各个同类组设备的同类设备特征输入到预先训练好的第一全连接层网络模型中，以利用第一全连接层网络模型的分类作用，根据各同类组设备的同类设备特征确定各同类组设备的分类结果，其中不同分类结果对应不同的风险判定结果。
S403，将所述融合特征输入第二全连接层网络模型进行分类，获取所述目标数据中心的整体风险等级。
可以理解为，与步骤S402类似，为了确定目标数据中心的整体风险情况，可以将所得的融合特征输入到预先训练好的第二全连接层网络模型中，以利用第二全连接层网络模型的分类作用，根据融合特征确定目标数据中心的分类结果，其中不同分类结果对应不同的风险等级，如风险可分为高、中、低三级，则经过模型的分类可以确定目标数据中心的风险属于高、中、低中具体哪个等级。
S404，基于所述同类组设备的风险判定和所述整体风险等级，制定所述巡检或点检计划。
可以理解为，为进行更高效的运维管理工作，本发明综合考虑目标数据中心的整体风险等级和同类组设备的风险判定，针对不同设备分组制定巡检或点检计划，并可进一步根据制定的巡检或点检计划进行目标数据中心的运维管理。
为进一步说明本发明的技术方案，以下结合图5进行更详细的说明，但不对本发明要求保护的范围进行限制。
如图5所示，为本发明提供的数据中心运维管理方法的流程示意图之二，包括以下处理步骤：
S501，通过访问数据中心，运维系统获取数据中心的设备拓扑图，其中设备拓扑图示例可如图2所示；
S502，基于数据中心的设备拓扑图，获取网路中各设备对应的设备状态数据以及各线路对应的线路状态数据；
S503，将线路状态数据和设备状态数据分别经过归一化操作之后，再分别输入到不同的图神经网络模型，对应获取各自的深层特征集，即对应分别获取数据中心线路整体特征和数据中心设备整体特征；
S504，将线路整体特征集与设备整体特征集进行融合之后，所得融合特征经过全连接层分类模型，输出数据中心拓扑网络的整体风险等级，可选地，整体风险可分为高、中、低三级；
S505，从图神经网络输出的设备整体特征集中抽取同类组设备特征，并建立分类模型对同类组设备进行风险分类，确定同类组设备的风险判定结果；
S506，根据数据中心的整体风险等级和同类组设备的风险判定，制定巡检及点检计划进行数据中心的运维管理。
基于相同的发明构思，本发明根据上述各实施例还提供一种数据中心运维管理装置，该装置用于在上述各实施例中实现对数据中心的运维管理。因此，在上述各实施例的数据中心运维管理方法中的描述和定义，可以用于本发明中各个执行模块的理解，具体可参考上述方法实施例，此处不在赘述。
根据本发明的一个实施例，数据中心运维管理装置的结构如图6所示，为本发明提供的数据中心运维管理装置的结构示意图，该装置可以用于实现上述各方法实施例中的数据中心运维管理，该装置包括：状态数据获取模块601、深层特征提取模块602和运维管理模块603。其中：
状态数据获取模块601用于获取目标数据中心的设备拓扑图，并基于所述设备拓扑图，分别获取所述目标数据中心的设备状态数据和线路状态数据；深层特征提取模块602用于分别基于所述设备状态数据和所述线路状态数据，对应提取所述目标数据中心的深层设备整体特征和深层线路整体特征；运维管理模块603用于将所述深层设备整体特征与所述深层线路整体特征进行融合后，基于融合特征和各同类组设备的风险判定，制定巡检或点检计划，对所述目标数据中心进行运维管理。
本发明提供的数据中心运维管理装置，通过从数据中心设备拓扑图的设备和线路两方面分别提取特征并融合，同时结合对数据中心同类组设备的风险判定，自动制定出巡检或点检计划供数据运维使用，能够有效降低时间和人力成本，且能够降低管理难度和出错概率。
可选地，所述深层特征提取模块在用于所述分别基于所述设备状态数据和所述线路状态数据，对应提取所述目标数据中心的深层设备整体特征和深层线路整体特征时，用于：
对所述设备状态数据进行归一化操作，获取归一化设备状态数据，并将所述归一化设备状态数据输入第一图神经网络模型，提取所述深层设备整体特征；
对所述线路状态数据进行归一化操作，获取归一化线路状态数据，并将所述归一化线路状态数据输入第二图神经网络模型，提取所述深层线路整体特征。
可选地，所述第一图神经网络模型和所述第二图神经网络模型中的图由如下三个矩阵迭代计算生成：
邻接矩阵A，用于表示所述图中节点间的连接关系；
度矩阵D，用于表示所述图中任一节点所连接的其他节点数；
特征矩阵H，用于表示所述图中任一节点的特征；
其中，所述特征矩阵H按如下公式更新：
式中，
表示给所述图中的节点增加自连接后更新的邻接矩阵，
，I N 为所述自连接，
表示所述度矩阵D的逆矩阵，H L 表示所述第一图神经网络模型或所述第二图神经网络模型网络中第L层节点的特征，其中H 0=X，X对应的为所述设备状态数据或所述线路状态数据，W L 表示学习权重，
表示激活函数。
可选地，所述运维管理模块在用于所述基于融合特征和各同类组设备的风险判定，制定巡检或点检计划时，用于：
对所述目标数据中心的设备按各相同类别进行分组，并从所述深层设备整体特征中抽取各所述同类组设备的同类设备特征；
将所述同类设备特征输入第一全连接层网络模型进行分类，确定各所述同类组设备的风险判定；
将所述融合特征输入第二全连接层网络模型进行分类，获取所述目标数据中心的整体风险等级；
基于所述同类组设备的风险判定和所述整体风险等级，制定所述巡检或点检计划。
可选地，所述运维管理模块在用于所述将所述深层设备整体特征与所述深层线路整体特征进行融合时，用于：
利用卷积神经网络，将所述深层设备整体特征和所述深层线路整体特征进行维度对齐，并将维度对齐后的深层设备整体特征和维度对齐后的深层线路整体特征进行拼接，实现特征融合。
可选地，所述深层设备整体特征包括如下特征中至少一项：CPU利用率、内存利用率、端口利用率、端口速率、CPU平均负载、CPU高负载时间比率、CPU中负载时间比率、CPU低负载时间比率、MEM高负载时间比率、MEM中负载时间比率和MEM低负载时间比率；
所述深层线路整体特征包括如下特征中至少一项：流量、峰值流量、平均带宽占比、拥塞时段占比、平均帧流量、峰值帧流量、平均广播流量、峰值广播流量、平均丢包量、峰值丢包量、平均错包量和峰值错包量。
可以理解的是，本发明中可以通过硬件处理器（hardware processor）来实现上述各实施例的装置中的各相关程序模块。并且，本发明的数据中心运维管理装置利用上述各程序模块，能够实现上述各方法实施例的数据中心运维管理流程，在用于实现上述各方法实施例中的数据中心运维管理时，本发明的装置产生的有益效果与对应的上述各方法实施例相同，可以参考上述各方法实施例，此处不再赘述。
作为本发明的又一个方面，本发明根据上述各实施例还提供一种电子设备，该电子设备包括存储器、处理器及存储在该存储器上并可在该处理器上运行的程序或指令，该处理器执行该程序或指令时，实现如上述各实施例所述的数据中心运维管理方法的步骤。
进一步的，本发明的电子设备还可以包括通信接口和总线。参考图7，为本发明提供的电子设备的结构示意图，包括：至少一个存储器701、至少一个处理器702、通信接口703和总线704。
其中，存储器701、处理器702和通信接口703通过总线704完成相互间的通信，通信接口703用于该电子设备与数据中心设备之间的信息传输；存储器701中存储有可在处理器702上运行的程序或指令，处理器702执行该程序或指令时，实现如上述各实施例所述的数据中心运维管理方法的步骤。
可以理解为，该电子设备中至少包含存储器701、处理器702、通信接口703和总线704，且存储器701、处理器702和通信接口703通过总线704形成相互间的通信连接，并可完成相互间的通信，如处理器702从存储器701中读取数据中心运维管理方法的程序指令等。另外，通信接口703还可以实现该电子设备与数据中心设备之间的通信连接，并可完成相互间信息传输，如通过通信接口703实现数据中心设备拓扑图的读取等。
电子设备运行时，处理器702调用存储器701中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取目标数据中心的设备拓扑图，并基于所述设备拓扑图，分别获取所述目标数据中心的设备状态数据和线路状态数据；分别基于所述设备状态数据和所述线路状态数据，对应提取所述目标数据中心的深层设备整体特征和深层线路整体特征；将所述深层设备整体特征与所述深层线路整体特征进行融合后，基于融合特征和各同类组设备的风险判定，制定巡检或点检计划，对所述目标数据中心进行运维管理等。
上述的存储器701中的程序指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。或者，实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（RandomAccess Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
本发明还根据上述各实施例提供一种非暂态计算机可读存储介质，其上存储有程序或指令，该程序或指令被计算机执行时，实现如上述各实施例所述的数据中心运维管理方法的步骤，例如包括：获取目标数据中心的设备拓扑图，并基于所述设备拓扑图，分别获取所述目标数据中心的设备状态数据和线路状态数据；分别基于所述设备状态数据和所述线路状态数据，对应提取所述目标数据中心的深层设备整体特征和深层线路整体特征；将所述深层设备整体特征与所述深层线路整体特征进行融合后，基于融合特征和各同类组设备的风险判定，制定巡检或点检计划，对所述目标数据中心进行运维管理等。
作为本发明的再一个方面，本实施例根据上述各实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的数据中心运维管理方法，该方法例如包括：获取目标数据中心的设备拓扑图，并基于所述设备拓扑图，分别获取所述目标数据中心的设备状态数据和线路状态数据；分别基于所述设备状态数据和所述线路状态数据，对应提取所述目标数据中心的深层设备整体特征和深层线路整体特征；将所述深层设备整体特征与所述深层线路整体特征进行融合后，基于融合特征和各同类组设备的风险判定，制定巡检或点检计划，对所述目标数据中心进行运维管理等。
本发明提供的电子设备、非暂态计算机可读存储介质和计算机程序产品，通过执行上述各实施例所述的数据中心运维管理方法的步骤，从数据中心设备拓扑图的设备和线路两方面分别提取特征并融合，同时结合对数据中心同类组设备的风险判定，自动制定出巡检或点检计划供数据运维使用，能够有效降低时间和人力成本，且能够降低管理难度和出错概率。
另外，本发明还提供一种数据中心运维管理系统，如图8所示，为本发明提供的数据中心运维管理系统的结构示意图，包括：
第一特征提取单元801，用于基于目标数据中心的设备拓扑图，获取所述目标数据中心的设备状态数据，并基于所述设备状态数据，提取所述目标数据中心的深层设备整体特征；
第二特征提取单元802，用于基于所述设备拓扑图，获取所述目标数据中心的线路状态数据，并基于所述线路状态数据，提取所述目标数据中心的深层线路整体特征；
第一风险预测单元803，用于将所述深层设备整体特征与所述深层线路整体特征进行融合，获取融合特征，并基于所述融合特征，确定所述目标数据中心的整体风险等级；
第二风险预测单元804，用于基于所述设备拓扑图获取同类组设备，并从所述深层设备整体特征中抽取各所述同类组设备的同类设备特征，以及基于所述同类设备特征，确定各所述同类组设备的风险判定；
以及，图8中未示出的运维管理单元，用于基于所述同类组设备的风险判定和所述整体风险等级，制定巡检或点检计划，对所述目标数据中心进行运维管理。
可以理解为，如图8所示，本发明的数据中心运维管理系统在基本硬件模块组成上至少应包括第一特征提取单元801、第二特征提取单元802、第一风险预测单元803、第二风险预测单元804和图8中未示出的运维管理单元。模型的网络结构由GCN图神经网络、卷积神经网络CNN 和全连接层分类器组成。
其中，第一特征提取单元801和第二特征提取单元802的输入端分别连接数据中心拓扑网络805，输出端分别连接第一风险预测单元803，第二风险预测单元804的第一输入端连接第一特征提取单元801的输出端，其第二输入端连接数据中心拓扑网络的同类组设备端，第一风险预测单元803和第二风险预测单元804的输出端分别连接运维管理单元。
第一特征提取单元801负责提取设备节点特征，第二特征提取单元802负责提取线路特征，第一风险预测单元803负责将线路特征与设备节点特征进行融合，输出数据中心设备拓扑网络风险评估等级，第二风险预测单元804负责抽取同类型设备特征并对设备进行风险判定分类处理，最终由运维管理单元根据第一风险预测单元803输出的数据中心风险评估等级和第二风险预测单元804输出的同类组设备风险判定结果，制定巡检或点检计划，并进一步根据该巡检或点检计划，对数据中心进行运维管理。
可以理解的是，以上所描述的装置、电子设备及存储介质的实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，既可以位于一个地方，或者也可以分布到不同网络单元上。可以根据实际需要选择其中的部分或全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上实施方式的描述，本领域的技术人员可以清楚地了解，各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令，用以使得一台计算机设备（如个人计算机，服务器，或者网络设备等）执行上述各方法实施例或者方法实施例的某些部分所述的方法。
另外，本领域内的技术人员应当理解的是，在本发明的申请文件中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的说明书中，说明了大量具体细节。然而应当理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种数据中心运维管理方法，其特征在于，包括：
获取目标数据中心的设备拓扑图，并基于所述设备拓扑图，分别获取所述目标数据中心的设备状态数据和线路状态数据；
分别基于所述设备状态数据和所述线路状态数据，对应提取所述目标数据中心的深层设备整体特征和深层线路整体特征；
将所述深层设备整体特征与所述深层线路整体特征进行融合后，基于融合特征和各同类组设备的风险判定，制定巡检或点检计划，对所述目标数据中心进行运维管理。
2.根据权利要求1所述的数据中心运维管理方法，其特征在于，所述分别基于所述设备状态数据和所述线路状态数据，对应提取所述目标数据中心的深层设备整体特征和深层线路整体特征，包括：
对所述设备状态数据进行归一化操作，获取归一化设备状态数据，并将所述归一化设备状态数据输入第一图神经网络模型，提取所述深层设备整体特征；
对所述线路状态数据进行归一化操作，获取归一化线路状态数据，并将所述归一化线路状态数据输入第二图神经网络模型，提取所述深层线路整体特征。
3.根据权利要求2所述的数据中心运维管理方法，其特征在于，所述第一图神经网络模型和所述第二图神经网络模型中的图由如下三个矩阵迭代计算生成：
邻接矩阵A，用于表示所述图中节点间的连接关系；
度矩阵D，用于表示所述图中任一节点所连接的其他节点数；
特征矩阵H，用于表示所述图中任一节点的特征；
其中，所述特征矩阵H按如下公式更新：
式中，
表示给所述图中的节点增加自连接后更新的邻接矩阵，
，I N 为所述自连接，
表示所述度矩阵D的逆矩阵，H L 表示所述第一图神经网络模型或所述第二图神经网络模型网络中第L层节点的特征，H (L+1)表示所述第一图神经网络模型或所述第二图神经网络模型网络中第L+1层节点的特征，其中H 0=X，X对应的为所述设备状态数据或所述线路状态数据，W L 表示学习权重，
表示激活函数。
4.根据权利要求1-3中任一所述的数据中心运维管理方法，其特征在于，所述基于融合特征和各同类组设备的风险判定，制定巡检或点检计划，包括：
对所述目标数据中心的设备按各相同类别进行分组，并从所述深层设备整体特征中抽取各所述同类组设备的同类设备特征；
将所述同类设备特征输入第一全连接层网络模型进行分类，确定各所述同类组设备的风险判定；
将所述融合特征输入第二全连接层网络模型进行分类，获取所述目标数据中心的整体风险等级；
基于所述同类组设备的风险判定和所述整体风险等级，制定所述巡检或点检计划。
5.根据权利要求1所述的数据中心运维管理方法，其特征在于，所述将所述深层设备整体特征与所述深层线路整体特征进行融合，包括：
利用卷积神经网络，将所述深层设备整体特征和所述深层线路整体特征进行维度对齐，并将维度对齐后的深层设备整体特征和维度对齐后的深层线路整体特征进行拼接，实现特征融合。
6.根据权利要求1所述的数据中心运维管理方法，其特征在于，所述深层设备整体特征包括如下特征中至少一项：CPU利用率、内存利用率、端口利用率、端口速率、CPU平均负载、CPU高负载时间比率、CPU中负载时间比率、CPU低负载时间比率、MEM高负载时间比率、MEM中负载时间比率和MEM低负载时间比率；
所述深层线路整体特征包括如下特征中至少一项：流量、峰值流量、平均带宽占比、拥塞时段占比、平均帧流量、峰值帧流量、平均广播流量、峰值广播流量、平均丢包量、峰值丢包量、平均错包量和峰值错包量。
7.一种数据中心运维管理装置，其特征在于，包括：
状态数据获取模块，用于获取目标数据中心的设备拓扑图，并基于所述设备拓扑图，分别获取所述目标数据中心的设备状态数据和线路状态数据；
深层特征提取模块，用于分别基于所述设备状态数据和所述线路状态数据，对应提取所述目标数据中心的深层设备整体特征和深层线路整体特征；
运维管理模块，用于将所述深层设备整体特征与所述深层线路整体特征进行融合后，基于融合特征和各同类组设备的风险判定，制定巡检或点检计划，对所述目标数据中心进行运维管理。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序或指令，其特征在于，所述处理器执行所述程序或指令时，实现如权利要求1至6中任一项所述的数据中心运维管理方法的步骤。
9.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行如权利要求1至6中任一项所述的数据中心运维管理方法。
10.一种数据中心运维管理系统，其特征在于，包括：
第一特征提取单元，用于基于目标数据中心的设备拓扑图，获取所述目标数据中心的设备状态数据，并基于所述设备状态数据，提取所述目标数据中心的深层设备整体特征；
第二特征提取单元，用于基于所述设备拓扑图，获取所述目标数据中心的线路状态数据，并基于所述线路状态数据，提取所述目标数据中心的深层线路整体特征；
第一风险预测单元，用于将所述深层设备整体特征与所述深层线路整体特征进行融合，获取融合特征，并基于所述融合特征，确定所述目标数据中心的整体风险等级；
第二风险预测单元，用于基于所述设备拓扑图获取同类组设备，并从所述深层设备整体特征中抽取各所述同类组设备的同类设备特征，以及基于所述同类设备特征，确定各所述同类组设备的风险判定；
运维管理单元，用于基于所述同类组设备的风险判定和所述整体风险等级，制定巡检或点检计划，对所述目标数据中心进行运维管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310449975.1A CN116228206B (zh) | 2023-04-25 | 2023-04-25 | 数据中心运维管理方法、装置、电子设备及运维管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310449975.1A CN116228206B (zh) | 2023-04-25 | 2023-04-25 | 数据中心运维管理方法、装置、电子设备及运维管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116228206A true CN116228206A (zh) | 2023-06-06 |
| CN116228206B CN116228206B (zh) | 2024-09-06 |
Family
ID=86569795
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310449975.1A Active CN116228206B (zh) | 2023-04-25 | 2023-04-25 | 数据中心运维管理方法、装置、电子设备及运维管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116228206B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117033880A (zh) * | 2023-10-10 | 2023-11-10 | 北京金信润天信息技术股份有限公司 | 数据中心自动化运维方法、装置、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106571627A (zh) * | 2016-10-12 | 2017-04-19 | 中国南方电网有限责任公司 | 一种基于在线监测信息的二次设备健康状态评价方法 |
| CN111953530A (zh) * | 2020-07-28 | 2020-11-17 | 深圳供电局有限公司 | 一种网络设备监控管理方法及系统 |
| CN113870259A (zh) * | 2021-12-02 | 2021-12-31 | 天津御锦人工智能医疗科技有限公司 | 多模态医学数据融合的评估方法、装置、设备及存储介质 |
| CN114006370A (zh) * | 2021-10-29 | 2022-02-01 | 中国电力科学研究院有限公司 | 一种电力系统暂态稳定分析评估方法及系统 |
| CN114118831A (zh) * | 2021-11-24 | 2022-03-01 | 平顶山天安煤业股份有限公司 | 一种基于数字孪生的输电线路管理系统 |
| CN114487705A (zh) * | 2022-01-21 | 2022-05-13 | 国网湖北省电力有限公司经济技术研究院 | 一种电网设备故障定位检测方法 |
| CN115730923A (zh) * | 2022-11-22 | 2023-03-03 | 北京思维实创科技有限公司 | 电扶梯系统智能轮保方法、系统、存储介质及电子设备 |
| CN115858504A (zh) * | 2023-02-28 | 2023-03-28 | 宏景科技股份有限公司 | 物联网平台的多维数据融合管理系统、方法及存储介质 |
-
2023
- 2023-04-25 CN CN202310449975.1A patent/CN116228206B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106571627A (zh) * | 2016-10-12 | 2017-04-19 | 中国南方电网有限责任公司 | 一种基于在线监测信息的二次设备健康状态评价方法 |
| CN111953530A (zh) * | 2020-07-28 | 2020-11-17 | 深圳供电局有限公司 | 一种网络设备监控管理方法及系统 |
| CN114006370A (zh) * | 2021-10-29 | 2022-02-01 | 中国电力科学研究院有限公司 | 一种电力系统暂态稳定分析评估方法及系统 |
| CN114118831A (zh) * | 2021-11-24 | 2022-03-01 | 平顶山天安煤业股份有限公司 | 一种基于数字孪生的输电线路管理系统 |
| CN113870259A (zh) * | 2021-12-02 | 2021-12-31 | 天津御锦人工智能医疗科技有限公司 | 多模态医学数据融合的评估方法、装置、设备及存储介质 |
| CN114487705A (zh) * | 2022-01-21 | 2022-05-13 | 国网湖北省电力有限公司经济技术研究院 | 一种电网设备故障定位检测方法 |
| CN115730923A (zh) * | 2022-11-22 | 2023-03-03 | 北京思维实创科技有限公司 | 电扶梯系统智能轮保方法、系统、存储介质及电子设备 |
| CN115858504A (zh) * | 2023-02-28 | 2023-03-28 | 宏景科技股份有限公司 | 物联网平台的多维数据融合管理系统、方法及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 杨曦: "《多模态数据融合与检索技术》", 西安电子科学技术大学出版社, pages: 85 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117033880A (zh) * | 2023-10-10 | 2023-11-10 | 北京金信润天信息技术股份有限公司 | 数据中心自动化运维方法、装置、设备及存储介质 |
| CN117033880B (zh) * | 2023-10-10 | 2024-01-05 | 北京金信润天信息技术股份有限公司 | 数据中心自动化运维方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116228206B (zh) | 2024-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116228206B (zh) | 数据中心运维管理方法、装置、电子设备及运维管理系统 | |
| WO2022247955A1 (zh) | 非正常账号识别方法、装置、设备和存储介质 | |
| CN111784084B (zh) | 基于梯度提升决策树的出行生成预测方法、系统及装置 | |
| CN113609345B (zh) | 目标对象关联方法和装置、计算设备以及存储介质 | |
| CN112949914A (zh) | 一种产业集群的识别方法、装置、存储介质及电子设备 | |
| CN114611081B (zh) | 账号类型识别方法、装置、设备、存储介质及产品 | |
| Huang et al. | Semantic integration of sensor knowledge on artificial internet of things | |
| CN115018333A (zh) | 一种产业园区的数字化运营管理方法及系统 | |
| CN116662509A (zh) | 大规模语言模型的开放域问答实现方法、装置及设备 | |
| CN115186108A (zh) | 用于知识图谱补全的处理方法、系统、设备及介质 | |
| CN114185761A (zh) | 日志采集方法、装置及设备 | |
| CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
| CN116614392B (zh) | 路由开销确定方法、路由开销监控方法及装置 | |
| Liu et al. | Towards dynamic reconfiguration of composite services via failure estimation of general and domain quality of services | |
| CN116150352A (zh) | 群体划分方法及相关装置 | |
| CN112396151B (zh) | 谣言事件的分析方法、装置、设备及计算机可读存储介质 | |
| CN114676996A (zh) | 路网形态与产业布局关联性度量方法、装置、设备及介质 | |
| CN114329231A (zh) | 对象特征处理方法、装置、电子设备及存储介质 | |
| CN110674843B (zh) | 一种停车场实体的生成方法及系统 | |
| CN113722554A (zh) | 数据分类方法、装置及计算设备 | |
| Yuan et al. | A Multi‐Granularity Backbone Network Extraction Method Based on the Topology Potential | |
| CN115982634A (zh) | 应用程序分类方法、装置、电子设备及计算机程序产品 | |
| CN115374983A (zh) | 对象风险评估方法、装置、存储介质及电子设备 | |
| CN112445939A (zh) | 一种社交网络群体发现系统、方法及存储介质 | |
| CN113837677A (zh) | 物流线路生成策略的确定方法、装置以及设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |