发明内容
有鉴于此,本发明实施例提供一种计算服务器通风装置用智能调控系统,能够在监测到计算服务器局部高热后及时对通风装置的相关参数做出调整,降低出现局部热点的计算服务器的温度,实现对通风装置的智能调控,保持计算服务器的正常工作状态。
为实现上述目的,本发明实施例提供了一种计算服务器通风装置用智能调控系统。
本发明实施例的一种计算服务器通风装置用智能调控系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如下方法:
当计算服务器的温度超过摄氏度时,获取各个所述计算服务器的温度序列和当前温度值;
基于所述温度序列生成所述计算服务器的温度序列特征矩阵;
计算所述温度序列特征矩阵的行列式,将得到的行列式值作为所述计算服务器的温度特征值;
使用k-means算法按不同k值对各个所述当前温度值与所述温度特征值的数据组进行聚类;每个数据组对应一个所述计算服务器;
计算同一簇内所述计算服务器之间的温度关联度;
基于所述温度序列特征矩阵和所述温度关联度,计算每个簇的温度相关度、不同簇之间的异类温度差异性;
基于所述温度相关度和所述异类温度差异性生成每个k值的聚类效果评价值,所述聚类效果评价值用于调控通风装置。
可选地,当计算服务器的温度超过摄氏度时,获取各个所述计算服务器的温度序列和当前温度值,包括:
利用每个计算服务器出风口设置的温度传感器每间隔秒采集一次所述计算服务器的温度值;
当任一温度传感器采集到的所述温度值超过摄氏度时,按照采集时间顺序提取每个所述计算服务器的最近个所述温度值作为温度序列,并将最新的所述温度值作为当前温度;
其中,分别为10、35、30。
可选地,基于所述温度序列生成所述计算服务器的温度序列特征矩阵,包括:
将每个所述计算服务器的所述温度序列中每个后一项减去前一项得到各相邻的所述温度值的温度差值,并按照所述温度序列中的排列顺序将各个所述温度差值进行排序,得到每个所述计算服务器的温度差值序列;
对所述温度差值序列中的前四分之三数据、中间四分之三数据、后四分之三数据分别使用自回归移动平均模型进行分析,并根据赤池信息量准则分别获取所述前四分之三数据、所述中间四分之三数据、所述后四分之三数据对应的最适合的参数模型;
获取所述参数模型中最高阶的阶数和最高次项的系数值,分别获取所述前四分之三数据、所述中间四分之三数据、所述后四分之三数据与对应的所述参数模型的残差和,以生成每个所述计算服务器的温度序列特征矩阵;
其中,所述温度序列特征矩阵表示为:
;
式中,为所述计算服务器对应的所述温度序列特征矩阵;分别为所述前四分之三数据对应的所述参数模型中最高阶的阶数、拟合时所述参数模型中最高次项的系数值、所述前四分之三数据与对应的所述参数模型的残差和;分别为所述中间四分之三数据对应的所述参数模型中最高阶的阶数、拟合时所述参数模型中最高次项的系数值、所述中间四分之三数据与对应的所述参数模型的残差和;分别为所述后四分之三数据对应的所述参数模型中最高阶的阶数、拟合时所述参数模型中最高次项的系数值、所述后四分之三数据与对应的所述参数模型的残差和。
可选地,使用k-means算法按不同k值对各个所述当前温度值与所述温度特征值的数据组进行聚类,包括:
将每个所述计算服务器的所述当前温度值和所述温度特征值分别作为计算服务器的横纵坐标值;
使用k-means算法按k值为1和2分别对各个所述计算服务器的所述横纵坐标值进行聚类。
可选地,调控方法还包括:
获取温度传感器采集到的所述温度值均未超过摄氏度时每个所述计算服务器的最近个所述温度值作为常规温度序列,使用灰色关联度分析法计算每两个所述计算服务器的所述常规温度序列之间的常规关联度。
可选地,计算同一簇内所述计算服务器之间的温度关联度,包括:
使用灰色关联度分析法计算每两个所述计算服务器的所述温度序列之间的关联度;
获取同一簇内各个所述横纵坐标值对应的所述计算服务器;
对于同一簇内的每个所述计算服务器,将该计算服务器与每个相邻的所述计算服务器之间的所述常规关联度和所述关联度的均值作为该计算服务器与对应的相邻的所述计算服务器之间的温度关联度,将该计算服务器与非相邻的所述计算服务器之间的所述常规关联度作为该所述计算服务器与对应的非相邻的所述计算服务器之间的温度关联度。
可选地,根据下述公式计算所述温度相关度:
;
式中,为每个簇的所述温度相关度;分别为同一簇内各个所述横纵坐标值对应的所述计算服务器和的所述温度序列特征矩阵;为取最大值函数;为所述计算服务器和的所述温度关联度;为同一簇内包含的所述横纵坐标值的个数,表示温度特征值的计算函数。
可选地,根据下述公式计算所述异类温度差异性:
;
式中,为簇与簇之间的所述异类温度差异性;为簇内包含的所述横纵坐标值对应的所述计算服务器的所述温度序列特征矩阵;为簇内包含的所述横纵坐标值对应的所述计算服务器的所述温度序列特征矩阵;为簇内包含的所述横纵坐标值的个数;簇内包含的所述横纵坐标值的个数;为簇内包含的所述横纵坐标值对应的所述计算服务器与簇内包含的所述横纵坐标值对应的所述计算服务器的所述温度关联度,表示温度特征值的计算函数。
可选地,根据下述公式计算每个k值的聚类效果评价值:
;
式中,为k值对应的所述聚类效果评价值; 为k值对应的异类温度差异性,其中,,当k值为1时,则没有不同簇,此时取值为0.5;为k值对应的异类温度差异性的个数;为k值对应的各簇的温度相关度,;表示以自然常数为底的指数函数。
可选地,调控方法还包括:
当k值取1时的所述聚类效果评价值大于等于k值取2时的所述聚类效果评价值时;如果各个所述计算服务器的所述当前温度值的均值大于摄氏度,则调控通风装置增加冷量;否则不对通风装置进行调控;其中,取值为38;
当k值取1时的所述聚类效果评价值小于k值取2时的所述聚类效果评价值时,调控通风装置向所述当前温度值的均值更高的簇所对应的各个所述计算服务器增加冷量,直至k值取1时的聚类效果评价值大于等于k值取2时的聚类效果评价值。
上述发明实施例具有如下优点或有益效果:
通过获取每个计算服务器在临近时刻的温度序列得到其对应的温度特征值,分别按不同的聚类簇数对各个计算服务器的温度特征值和当前温度值组成的数据组进行聚类,并分析不同聚类结果的聚类效果,根据聚类效果确定每个时刻这些计算服务器的通风效果,实现对计算服务器通风装置的智能调控,解决了持续对计算服务器通风但仍会出现局部高热而无法及时调控通风装置的问题;
同时,在进行聚类的过程中,根据获取的每个计算服务器的温度序列获取其对应的温度特征值,同时对每个计算服务器对应的温度特征值和当前温度值两个指标进行聚类,减少了仅对单一指标温度值进行聚类导致的聚类结果的偏差性,从而解决了这种特定偏向影响聚类结果的问题,提升后续聚类效果分析的准确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要指出的是,在不冲突的情况下,本发明的实施例以及实施例中的技术特征可以相互结合。
本发明实施例提出了一种计算服务器通风装置用智能调控系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如图1所示的调控方法,主要包括以下步骤:
步骤S101,当计算服务器的温度超过摄氏度时,获取各个计算服务器的温度序列和当前温度值。
本发明实施例的计算服务器通风装置用智能调控系统在机房中每个计算服务器的出风口设置有温度传感器,将每个时刻获取的计算服务器的出风口温度作为计算服务器的柜机内部此时的实际温度(即温度值)。
在本发明实施例中,步骤S101可以采用如下方式实现:利用每个计算服务器出风口设置的温度传感器每间隔秒采集一次计算服务器的温度值;当任一温度传感器采集到的温度值超过摄氏度时,按照采集时间顺序提取每个计算服务器的最近个温度值作为温度序列,并将最新的温度值作为当前温度。
本发明实施例可以按预设频率(秒/次)采集计算服务器的温度值,并在某个温度值超过预设温度(摄氏度)时提取每个计算服务器最近的采集预设个数(个)的温度值,将这个温度值按照采集时间的先后顺序排列为该计算服务器的温度序列。其中,预设频率、预设温度和预设个数可以基于实际情况或依据历史经验设置,作为一种优选的实施方式,分别取经验值为10、35、30。
步骤S102,基于温度序列生成计算服务器的温度序列特征矩阵。
由于每个计算服务器在机房内的位置不同,在同一通风装置的温度调控下,不同位置由于环境限制不同会导致降温效果不同,这就会导致不同计算服务器处温度出现差异,出现该差异为正常现象。但是,当某个温度传感器出现温度值大于等于摄氏度时,若直接对各温度传感器位置对应的温度进行异常值检测以识别出现局部高热的计算服务器,则识别时易将降温效果较弱的位置的计算服务器判断为出现局部高热问题的计算服务器,导致在未出现局部高热时多次对通风装置的相关参数做出调整,造成资源的浪费。
所以,本发明实施例不直接以温度值的高低作为调控通风装置的唯一标准,而是基于温度序列得到计算服务器的温度序列特征矩阵,进而基于聚类的方式对这些数据进行处理分析。
在本发明实施例中,步骤S102可以采用如下方式实现:将每个计算服务器的温度序列中每个后一项减去前一项得到各相邻的温度值的温度差值,并按照温度序列中的排列顺序将各个温度差值进行排序,得到每个计算服务器对应的温度差值序列;对温度差值序列中的前四分之三数据、中间四分之三数据、后四分之三数据分别使用自回归移动平均模型进行分析,并根据赤池信息量准则分别获取前四分之三数据、中间四分之三数据、后四分之三数据对应的最适合的参数模型;获取参数模型中最高阶的阶数和最高次项的系数值,分别获取前四分之三数据、中间四分之三数据、后四分之三数据与对应的参数模型的残差和,以生成每个计算服务器的温度序列特征矩阵。
其中,自回归滑动平均模型(ARMA模型)是研究时间序列的重要方法,由自回归模型(AR模型)与滑动平均模型(MA模型)为基础“混合”而成,具有适用范围广、预测误差小的特点。赤池信息量准则(AIC)是衡量统计模型拟合优良性的一种标准,是由日本统计学家赤池弘次创立和发展的,赤池信息量准则建立在熵的概念基础上,可以权衡所估计模型的复杂度和此模型拟合数据的优良性。对应于本发明实施例,使用ARMA模型对温度差值序列中的各组数据进行分析,并根据赤池信息量准则选择AR模型或MA模型作为各组数据对应的最好地解释数据但包含最少自由参数的参数模型。需要说明的是,自回归滑动平均模型和赤池信息量准则的具体实现过程可以参考现有的技术方法或计算机程序,本发明实施例不再赘述。
作为一种优选的实施方式,温度序列特征矩阵表示为:
;
式中,为计算服务器对应的温度序列特征矩阵;分别为前四分之三数据对应的参数模型中最高阶的阶数、拟合时参数模型中最高次项的系数值、前四分之三数据与对应的参数模型的残差和;分别为中间四分之三数据对应的参数模型中最高阶的阶数、拟合时参数模型中最高次项的系数值、中间四分之三数据与对应的参数模型的残差和;分别为后四分之三数据对应的参数模型中最高阶的阶数、拟合时参数模型中最高次项的系数值、后四分之三数据与对应的参数模型的残差和。
通过上述步骤可能获得每个计算服务器对应的温度序列特征矩阵。在温度序列特征矩阵中,第一行和第二行数据对应计算服务器的温度序列中不同时间获取的温度值最适宜的参数模型中影响程度最大的项的阶数和该项的系数,衡量了计算服务器对应的温度序列在该时段内的变化程度,当变化程度越大时,同一行的数值差异越明显;第三行数据对应计算服务器对应的温度序列中不同时间获取的温度值与拟合的参数模型的拟合程度高低,拟合程度越高,则第三行数据越小。当两个计算服务器对应的温度序列变化趋势越为一致时,则同一行对应位置的数值越为接近。
步骤S103,计算温度序列特征矩阵的行列式,将得到的行列式值作为计算服务器的温度特征值。
本发明实施例获取每个计算服务器对应的温度序列特征矩阵的行列式值作为与其对应的温度特征值。
步骤S104,使用k-means算法按不同k值对各个当前温度值与温度特征值的数据组进行聚类。
本发明实施例根据每个计算服务器对应的当前温度值和温度特征值两个指标进行聚类,可以减少仅对单一指标(温度值)进行聚类导致的聚类结果偏差性,进而减少单一指标具有的特定偏向对聚类结果的影响。
其中,K-means算法即k均值聚类算法,是一种迭代求解的聚类分析算法,其步骤是:预将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类,没有(或最小数目)聚类中心再发生变化,误差平方和局部最小。K-means算法的具体实现过程可以参考现有的技术方法或计算机程序,本发明实施例不再赘述。
在本发明实施例中,步骤S104可以采用如下方式实现:将每个计算服务器的当前温度值和温度特征值分别作为计算服务器的横纵坐标值;使用k-means算法按k值为1和2分别对各个计算服务器的横纵坐标值进行聚类。
本发明实施例的计算服务器通风装置用智能调控系统的目的是调控通风装置使机房内的整体温度处于安全范围内,这种情形下k-means算法的k值为1。在聚类后,若k值为1时的聚类效果更好则表示机房内各个计算服务器的温度值相近,若k值为2时的聚类效果更好则表示表示机房内各个计算服务器的温度值差异较大,所以在聚类时k值设置为1和2即可以满足要求。
在本发明实施例中,调控方法还包括:获取温度传感器采集到的温度值均未超过摄氏度时每个计算服务器的最近个温度值作为常规温度序列,使用灰色关联度分析法计算每两个计算服务器的常规温度序列之间的常规关联度。
灰色关联分析法是灰色系统理论中十分活跃的一个分支,其基本思想是根据序列曲线几何形状的相似程度来判断不同序列之间的联系是否紧密。其基本思路是通过线性插值的方法将系统因素的离散行为观测值转化为分段连续的折线,进而根据折线的几何特征构造测度关联程度的模型。折线几何形状越接近,相应序列之间的关联度就越大,反之就越小。灰色关联度分析法的具体实现过程可以参考现有的技术方法或计算机程序,本发明实施例不再赘述。
需要注意的是,获取机房内正常温度情形下的计算服务器的温度值,可以是在任一温度值超过预设温度时调取、进而计算常规关联度,也可以在温度值未超过预设温度时调取、预先计算常规关联度。
步骤S105,计算同一簇内计算服务器之间的温度关联度。
在对聚类结果进行评价时,分别计算同一簇内每两个计算服务器之间的温度关联度。
在本发明实施例中,步骤S105可以采用如下方式实现:使用灰色关联度分析法计算每两个计算服务器的温度序列之间的关联度;获取同一簇内各个横纵坐标值对应的计算服务器;对于同一簇内的每个计算服务器,将该计算服务器与每个相邻的计算服务器之间的常规关联度和关联度的均值作为该计算服务器与对应的相邻的计算服务器之间的温度关联度,将该计算服务器与非相邻的计算服务器之间的常规关联度作为该计算服务器与对应的非相邻的计算服务器之间的温度关联度。
在对聚类结果进行评价时,还可以获取机房内正常温度情形下的每个计算服务器的常规温度序列,进而计算每两个计算服务器的常规温度序列之间的常规关联度。对于相邻的两个计算服务器,结合正常温度情形下的常规关联度和任一温度值超过预设温度时的关联度,得到两个计算服务器之间的温度关联度。对于未相邻的两个计算服务器,可以直接将常规关联度作为两个计算服务器之间的温度关联度。
步骤S106,基于温度序列特征矩阵和温度关联度,计算每个簇的温度相关度、不同簇之间的异类温度差异性。
每个簇对应的温度相关度以及不同簇之间的异类温度差异性,均可以用于评价聚类结果。
在本发明实施例中,可以根据下述公式计算温度相关度:
;
式中,为每个簇的温度相关度;分别为同一簇内各个横纵坐标值对应的计算服务器和的温度序列特征矩阵;为取最大值函数;为计算服务器和的温度关联度;为同一簇内包含的横纵坐标值的个数,表示温度特征值的计算函数。
其中,的作用为对进行归一化,方便后续计算;评价值对该簇内计算服务器的影响程度的加权系数;作用为对计算服务器和对应的温度关联度加权后取得的值根据加权值进行归一化;式子取值获取过程中除以的作用为对该簇内包含的各个横纵坐标值对应的计算服务器对应的取均值。
当该簇内各个横纵坐标值对应的计算服务器之间的温度特征越为一致、相关性越大时,该簇对应的温度相关度越大,则以该设定k值的聚类效果越好。
在本发明实施例中,根据下述公式计算异类温度差异性:
;
式中,为簇与簇之间的异类温度差异性;为簇内包含的横纵坐标值对应的计算服务器的温度序列特征矩阵;为簇内包含的横纵坐标值对应的计算服务器的温度序列特征矩阵;为簇内包含的横纵坐标值的个数;簇内包含的横纵坐标值的个数;为簇内包含的横纵坐标值对应的计算服务器与簇内包含的横纵坐标值对应的计算服务器的温度关联度。
当不同簇内各横纵坐标值对应的计算服务器之间的温度特征差异越大时,该簇对应的异类温度差异性越大,则以该设定k值的聚类效果越好。
步骤S107,基于温度相关度和异类温度差异性生成每个k值的聚类效果评价值。
聚类效果评价值用于调控通风装置,通过聚类效果评价值帮助感知机房内的温度差异情形,进而调控通风装置。
在本发明实施例中,可以根据下述公式计算每个k值的聚类效果评价值:
;
式中,为k值对应的聚类效果评价值; 为k值对应的异类温度差异性,其中,,当k值为1时取值为0.5;为k值对应的异类温度差异性的个数;为k值对应的各簇的温度相关度,;表示以自然常数为底的指数函数。其中,当k值为1时,表示没有不同簇,此时取常数经验值0.5。
在本发明实施例中,调控方法还包括:当k值取1时的聚类效果评价值大于等于k值取2时的聚类效果评价值时;如果各个计算服务器的当前温度值的均值大于摄氏度,则调控通风装置增加冷量;否则不对通风装置进行调控;当k值取1时的聚类效果评价值小于k值取2时的聚类效果评价值时,调控通风装置向当前温度值的均值更高的簇所对应的各个计算服务器增加冷量,直至k值取1时的聚类效果评价值大于等于k值取2时的聚类效果评价值。
当k值取1时的聚类效果评价值大于等于k值取2时的聚类效果评价值时,即时,则认为机房内的计算服务器的对应的当前温度值较为一致,取各个计算服务器现在时刻对应的当前温度值,若当前温度值均值小于等于摄氏度,则表示机房内的整体温度未超过安全限制值处于安全范围内,此时通风装置不需要进行调控,通风效果良好;若当前温度值均值大于摄氏度,则表示机房内的整体温度已超过安全限制值,此时通风装置的通风效果较弱,需要提升通风的风速。其中,安全限制值(摄氏度)可以根据实际情况或历史经验设置,作为一种优选的实施方式,取经验值为38。
当k值取1时的聚类效果评价值小于k值取2时的聚类效果评价值时,即时,则认为机房内的计算服务器的对应的当前温度值出现较大差异,分别取以k值为2进行聚类时各簇内包含的各个横纵坐标值对应的当前温度值的均值,取均值较大的簇包含的各个横纵坐标值对应的计算服务器,此时这些计算服务器出现了局部高热,需要调整通风装置的通风板和风阀以额外增加原通风量的90%冷量,将增加的冷量直接定向吹向出现了局部高热的计算服务器,直至机房内所有计算服务器的温度均值恢复至安全限制值以下为止,也即按照上述步骤进行处理后,当k值取1时的聚类效果评价值大于等于k值取2时的聚类效果评价值时,再调控通风装置减少其额外增加的冷量。
重复上述步骤即可实现通风装置在运行过程中的智能调控。
根据本发明实施例的技术方案可以看出,通过获取每个计算服务器在临近时刻的温度序列得到其对应的温度特征值,分别按不同的聚类簇数对各个计算服务器的温度特征值和当前温度值组成的数据组进行聚类,分析不同聚类结果的聚类效果,根据聚类效果确定每个时刻这些计算服务器的通风效果,实现对计算服务器通风装置的智能调控,解决了持续对计算服务器通风但仍会出现局部高热而无法及时调控通风装置的问题。在进行聚类的过程中,根据获取的每个计算服务器的温度序列获取其对应的温度特征值,同时对每个计算服务器对应的温度特征值和当前温度值两个指标进行聚类,减少了仅对单一指标温度值进行聚类导致的聚类结果的偏差性,从而解决了这种特定偏向影响聚类结果的问题,提升后续聚类效果分析的准确性。
本发明实施例的一种计算服务器通风装置用智能调控系统包括:温度传感器和调控模块。
其中:
温度传感器设置在每个计算服务器的出风口,用于每间隔秒采集一次计算服务器的温度值;
调控模块用于:在计算服务器的温度超过摄氏度时,获取各个计算服务器的温度序列和当前温度值;基于温度序列生成计算服务器的温度序列特征矩阵;计算温度序列特征矩阵的行列式,将得到的行列式值作为计算服务器的温度特征值;使用k-means算法按不同k值对各个当前温度值与温度特征值的数据组进行聚类;计算同一簇内计算服务器之间的温度关联度;基于温度序列特征矩阵和温度关联度,计算每个簇的温度相关度、不同簇之间的异类温度差异性;基于温度相关度和异类温度差异性生成每个k值的聚类效果评价值,聚类效果评价值用于调控通风装置。
在本发明实施例中,温度传感器还可以用于:利用每个计算服务器出风口设置的温度传感器每间隔秒采集一次计算服务器的温度值;当任一温度传感器采集到的温度值超过摄氏度时,按照采集时间顺序提取每个计算服务器的最近个温度值作为温度序列,并将最新的温度值作为当前温度;其中,分别为10、35、30。
在本发明实施例中,调控模块还可以用于:将每个所述计算服务器的所述温度序列中每个后一项减去前一项得到各相邻的所述温度值的温度差值,并按照所述温度序列中的排列顺序将各个所述温度差值进行排序,得到每个所述计算服务器的温度差值序列;对所述温度差值序列中的前四分之三数据、中间四分之三数据、后四分之三数据分别使用自回归移动平均模型进行分析,并根据赤池信息量准则分别获取所述前四分之三数据、所述中间四分之三数据、所述后四分之三数据对应的最适合的参数模型;获取所述参数模型中最高阶的阶数和最高次项的系数值,分别获取所述前四分之三数据、所述中间四分之三数据、所述后四分之三数据与对应的所述参数模型的残差和,以生成每个所述计算服务器的温度序列特征矩阵;其中,所述温度序列特征矩阵表示为:
;
式中,为所述计算服务器对应的所述温度序列特征矩阵;分别为所述前四分之三数据对应的所述参数模型中最高阶的阶数、拟合时所述参数模型中最高次项的系数值、所述前四分之三数据与对应的所述参数模型的残差和;分别为所述中间四分之三数据对应的所述参数模型中最高阶的阶数、拟合时所述参数模型中最高次项的系数值、所述中间四分之三数据与对应的所述参数模型的残差和;分别为所述后四分之三数据对应的所述参数模型中最高阶的阶数、拟合时所述参数模型中最高次项的系数值、所述后四分之三数据与对应的所述参数模型的残差和。
在本发明实施例中,调控模块还可以用于:将每个计算服务器的当前温度值和温度特征值分别作为计算服务器的横纵坐标值;使用k-means算法按k值为1和2分别对各个计算服务器的横纵坐标值进行聚类。
在本发明实施例中,调控模块可以进一步用于:获取温度传感器采集到的温度值均未超过摄氏度时每个计算服务器的最近个温度值作为常规温度序列,使用灰色关联度分析法计算每两个计算服务器的常规温度序列之间的常规关联度。
在本发明实施例中,调控模块还可以用于:使用灰色关联度分析法计算每两个计算服务器的温度序列之间的关联度;获取同一簇内各个横纵坐标值对应的计算服务器;对于同一簇内的每个计算服务器,将该计算服务器与每个相邻的计算服务器之间的常规关联度和关联度的均值作为该计算服务器与对应的相邻的计算服务器之间的温度关联度,将该计算服务器与非相邻的计算服务器之间的常规关联度作为该计算服务器与对应的非相邻的计算服务器之间的温度关联度。
在本发明实施例中,可以根据下述公式计算温度相关度:
;
式中,为每个簇的所述温度相关度;分别为同一簇内各个所述横纵坐标值对应的所述计算服务器和的所述温度序列特征矩阵;为取最大值函数;为所述计算服务器和的所述温度关联度;为同一簇内包含的所述横纵坐标值的个数,表示温度特征值的计算函数。
在本发明实施例中,可以根据下述公式计算异类温度差异性:
;
式中,为簇与簇之间的所述异类温度差异性;为簇内包含的所述横纵坐标值对应的所述计算服务器的所述温度序列特征矩阵;为簇内包含的所述横纵坐标值对应的所述计算服务器的所述温度序列特征矩阵;为簇内包含的所述横纵坐标值的个数;簇内包含的所述横纵坐标值的个数;为簇内包含的所述横纵坐标值对应的所述计算服务器与簇内包含的所述横纵坐标值对应的所述计算服务器的所述温度关联度,表示温度特征值的计算函数。
在本发明实施例中,可以根据下述公式计算每个k值的聚类效果评价值:
;
式中,为k值对应的聚类效果评价值; 为k值对应的异类温度差异性,其中,,当k值为1时,则没有不同簇,此时取值为0.5;为k值对应的异类温度差异性的个数;为k值对应的各簇的温度相关度,;表示以自然常数为底的指数函数。
在本发明实施例中,调控模块可以进一步用于:当k值取1时的聚类效果评价值大于等于k值取2时的聚类效果评价值时;如果各个计算服务器的当前温度值的均值大于摄氏度,则调控通风装置增加冷量;否则不对通风装置进行调控;当k值取1时的聚类效果评价值小于k值取2时的聚类效果评价值时,调控通风装置向当前温度值的均值更高的簇所对应的各个计算服务器增加冷量,直至k值取1时的聚类效果评价值大于等于k值取2时的聚类效果评价值。其中,取值为38。
根据本发明实施例的一种计算服务器通风装置用智能调控系统可以看出,通过获取每个计算服务器在临近时刻的温度序列得到其对应的温度特征值,分别按不同的聚类簇数对各个计算服务器的温度特征值和当前温度值组成的数据组进行聚类,分析不同聚类结果的聚类效果,根据聚类效果确定每个时刻这些计算服务器的通风效果,实现对计算服务器通风装置的智能调控,解决了持续对计算服务器通风但仍会出现局部高热而无法及时调控通风装置的问题。在进行聚类的过程中,根据获取的每个计算服务器的温度序列获取其对应的温度特征值,同时对每个计算服务器对应的温度特征值和当前温度值两个指标进行聚类,减少了仅对单一指标温度值进行聚类导致的聚类结果的偏差性,从而解决了这种特定偏向影响聚类结果的问题,提升后续聚类效果分析的准确性。
在应用本发明实施例的一种计算服务器通风装置用智能调控系统时,可以划分为三个部分。
第一部分:设置温度传感器,获取各个计算服务器的温度序列和温度值。
在机房中所有的计算服务器可以采用阵列排布,在每个计算服务器的出风口方位设置温度传感器,将每个时刻获取的计算服务器的出风口温度(即温度值)作为计算服务器的柜机内部此时的实际温度,从通风装置开始工作时,每间隔秒获取一次各温度传感器的温度值,当出现某个温度传感器的温度值大于等于摄氏度时,则按照获取温度值的时间先后顺序提取每个计算服务器对应的温度序列,每个计算服务器对应的温度序列包含与现在时刻最近的个温度值。
获取每个计算服务器在四周八个方向中距离最近的各个计算服务器,将这些计算服务器记为与该计算服务器相邻的计算服务器。需要注意的是,当计算服务器在机房的边缘位置时,其对应的八个方向中可能只包含数量少于8个的相邻的计算服务器。
第二部分:根据计算服务器的温度序列和温度值,获取每个计算服务器对应的温度特征值,根据温度和温度特征值进行聚类,分别判断不同聚类结果的效果。
当任一温度传感器采集到的温度值超过摄氏度时,按照采集时间顺序提取每个计算服务器的最近个温度值作为温度序列,并将最新的温度值作为当前温度;
将每个计算服务器的温度序列中每个后一项减去前一项得到各相邻的温度值的温度差值,并按照温度序列中的排列顺序将各个温度差值进行排序,得到每个计算服务器对应的温度差值序列;
对温度差值序列中的前四分之三数据、中间四分之三数据、后四分之三数据分别使用自回归移动平均模型进行分析,并根据赤池信息量准则获取前四分之三数据、中间四分之三数据、后四分之三数据分别对应的最好地解释数据但包含最少自由参数(即最适合)的参数模型;
获取参数模型中最高阶的阶数和最高次项的系数值,分别获取前四分之三数据、中间四分之三数据、后四分之三数据与对应的参数模型的残差和,以生成每个计算服务器的温度序列特征矩阵;其中,温度序列特征矩阵表示为:
;
式中,为计算服务器对应的温度序列特征矩阵;分别为温度差值序列中的前四分之三数据对应的参数模型中最高阶的阶数、拟合时参数模型中最高次项的系数值、温度差值序列中的前四分之三数据与对应最适合的参数模型的残差和;分别为温度差值序列中的中间四分之三数据对应的参数模型中最高阶的阶数、拟合时参数模型中最高次项的系数值、温度差值序列中的中间四分之三数据与对应最适合的参数模型的残差和;分别为温度差值序列中的后四分之三数据对应的参数模型中最高阶的阶数、拟合时参数模型中最高次项的系数值、温度差值序列中的后四分之三数据与对应最适合的参数模型的残差和;
获取每个计算服务器对应的温度序列特征矩阵的行列式值作为该计算服务器对应的温度特征值,将计算服务器对应的温度特征值记为;
将每个计算服务器的当前温度值和温度特征值分别作为计算服务器的横纵坐标值,计算服务器对应的横纵坐标值记为;
使用k-means算法按k值为1和2分别对各个计算服务器的横纵坐标值进行聚类;
接着,分析k值分别为1和2时得到的聚类结果,判断k为哪个值时聚类效果更好。获取温度传感器采集到的温度值均未超过摄氏度时每个计算服务器的最近个温度值作为常规温度序列,使用灰色关联度分析法计算每两个计算服务器的常规温度序列之间的常规关联度;
使用灰色关联度分析法计算现在时刻(此时某一温度传感器采集到的温度值超过了摄氏度)每两个计算服务器的温度序列之间的关联度;
获取同一簇内各个横纵坐标值对应的计算服务器;对于同一簇内的每个计算服务器,将该计算服务器与每个相邻的计算服务器之间的常规关联度和关联度的均值作为该计算服务器与对应的相邻的计算服务器之间的温度关联度,将该计算服务器与非相邻的计算服务器之间的常规关联度作为该计算服务器与对应的非相邻的计算服务器之间的温度关联度;
基于温度序列特征矩阵和温度关联度,计算每个簇的温度相关度、不同簇之间的异类温度差异性:
根据下述公式计算温度相关度:
;
式中,为每个簇对应的温度相关度;分别为同一簇内各个横纵坐标值对应的计算服务器和对应的温度序列特征矩阵;为取最大值函数;为计算服务器和对应的温度关联度;为同一簇内包含的横纵坐标值的个数,表示温度特征值的计算函数;
根据下述公式计算异类温度差异性:
;
式中,为簇与簇之间的异类温度差异性;为簇内包含的横纵坐标值对应的计算服务器对应的温度序列特征矩阵;为簇内包含的横纵坐标值对应的计算服务器对应的温度序列特征矩阵;为簇内包含的横纵坐标值的个数;簇内包含的横纵坐标值的个数;为簇内包含的横纵坐标值对应的计算服务器内包含的横纵坐标值对应的计算服务器对应的温度关联度,表示温度特征值的计算函数;
基于温度相关度和异类温度差异性,根据下述公式计算每个k值的聚类效果评价值:
;
式中,为k值对应的聚类效果评价值;为k值对应的异类温度差异性,其中,,当k值为1时,则没有不同簇,此时取值为0.5;为k值对应的异类温度差异性的个数;为k值对应的各簇的温度相关度,;表示以自然常数为底的指数函数。
至此,得到了取不同k值聚类后的聚类效果评价值。当同一簇内各个横纵坐标值对应的计算服务器之间的温度特征越为一致、相关性越大时,该簇对应的温度相关度越大,则以该设定k值的聚类效果越好。当不同簇内各横纵坐标值对应的计算服务器之间的温度特征差异越大时,该簇对应的异类温度差异性越大,则以该设定k值的聚类效果越好。
第三部分:根据不同聚类结果的效果判断通风装置的调控方式,实现通风装置在运行过程中的智能调控。
当k值取1时的聚类效果评价值大于等于k值取2时的聚类效果评价值时,即时,则认为机房内的所有计算服务器的对应的当前温度值的特征较为一致,此时如果所有计算服务器的当前温度值的均值大于,则认为通风装置的通风效果较弱,需要调控通风装置增加冷量,例如调整通风装置的通风板和风阀等手段来增加冷量;否则认为通风效果良好,不需要对通风装置进行调控;
当k值取1时的聚类效果评价值小于k值取2时的聚类效果评价值时,即时,则认为这些计算服务器的对应的当前温度值的特征出现较大差异,分别获取以k值为2进行聚类时各簇内包含的横纵坐标值对应的当前温度值的均值,取均值较大的簇包含的横纵坐标值对应的各个计算服务器,认为这些计算服务器出现了局部高热,调控通风装置增加冷量,直至k值取1时的聚类效果评价值大于等于k值取2时的聚类效果评价值。
在应用本发明实施例的一种计算服务器通风装置用智能调控系统时,该智能调控系统采用的调控方法可参考以下流程:
利用每个计算服务器出风口设置的温度传感器每间隔10秒采集一次计算服务器的温度值;
按照采集时间顺序提取每个计算服务器的最近30个温度值作为温度序列,并将最新的温度值作为当前温度;
此步骤是在任一温度传感器采集到的温度值超过35摄氏度时,获取每个计算服务器的温度序列及当前温度;
生成每个计算服务器对应的温度差值序列:
将每个计算服务器的温度序列中每个后一项减去前一项得到各相邻的温度值的温度差值,并按照温度序列中的排列顺序将各个温度差值进行排序,得到每个计算服务器对应的温度差值序列;
生成参数模型:
对温度差值序列中的前四分之三数据、中间四分之三数据、后四分之三数据分别使用自回归移动平均模型进行分析,并根据赤池信息量准则获取前四分之三数据、中间四分之三数据、后四分之三数据分别对应的最好地解释数据但包含最少自由参数的参数模型;
生成每个计算服务器的温度序列特征矩阵:
获取参数模型中最高阶的阶数和最高次项的系数值,分别获取前四分之三数据、中间四分之三数据、后四分之三数据与对应的参数模型的残差和,以生成每个计算服务器的温度序列特征矩阵;其中,温度序列特征矩阵表示为:
;
式中,为计算服务器对应的温度序列特征矩阵;分别为温度差值序列中的前四分之三数据对应的参数模型中最高阶的阶数、拟合时参数模型中最高次项的系数值、温度差值序列中的前四分之三数据与对应最适合的参数模型的残差和;分别为温度差值序列中的中间四分之三数据对应的参数模型中最高阶的阶数、拟合时参数模型中最高次项的系数值、温度差值序列中的中间四分之三数据与对应最适合的参数模型的残差和;分别为温度差值序列中的后四分之三数据对应的参数模型中最高阶的阶数、拟合时参数模型中最高次项的系数值、温度差值序列中的后四分之三数据与对应最适合的参数模型的残差和;
计算温度序列特征矩阵的行列式,将得到的行列式值作为计算服务器的温度特征值;
将每个计算服务器的当前温度值和温度特征值分别作为计算服务器的横纵坐标值;
使用k-means算法按k值为1和2分别对各个计算服务器的横纵坐标值进行聚类;
获取温度传感器采集到的温度值均未超过35摄氏度时每个计算服务器的最近30个温度值作为常规温度序列,使用灰色关联度分析法计算每两个计算服务器的常规温度序列之间的常规关联度;
使用灰色关联度分析法计算每两个计算服务器的温度序列之间的关联度;
计算同一簇内每两个计算服务器之间的温度关联度:
对于同一簇内的每个计算服务器,将该计算服务器与每个相邻的计算服务器之间的常规关联度和关联度的均值作为该计算服务器与对应的相邻的计算服务器之间的温度关联度,将该计算服务器与非相邻的计算服务器之间的常规关联度作为该计算服务器与对应的非相邻的计算服务器之间的温度关联度;
基于温度序列特征矩阵和温度关联度,计算每个簇的温度相关度、不同簇之间的异类温度差异性;
基于温度相关度和异类温度差异性生成每个k值的聚类效果评价值;
当k值取1时的聚类效果评价值大于等于k值取2时的聚类效果评价值时;如果各个计算服务器的当前温度值的均值大于38摄氏度,则调控通风装置增加冷量;否则不对通风装置进行调控;
当k值取1时的聚类效果评价值小于k值取2时的聚类效果评价值时,调控通风装置增加冷量,直至k值取1时的聚类效果评价值大于等于k值取2时的聚类效果评价值。
根据本发明实施例的技术方案可以看出,通过获取每个计算服务器在临近时刻的温度序列得到其对应的温度特征值,分别按不同的聚类簇数对各个计算服务器的温度特征值和当前温度值组成的数据组进行聚类,分析不同聚类结果的聚类效果,根据聚类效果确定每个时刻这些计算服务器的通风效果,实现对计算服务器通风装置的智能调控,解决了持续对计算服务器通风但仍会出现局部高热而无法及时调控通风装置的问题。在进行聚类的过程中,根据获取的每个计算服务器的温度序列获取其对应的温度特征值,同时对每个计算服务器对应的温度特征值和当前温度值两个指标进行聚类,减少了仅对单一指标温度值进行聚类导致的聚类结果的偏差性,从而解决了这种特定偏向影响聚类结果的问题,提升后续聚类效果分析的准确性。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。