CN116778688A - 机房告警事件处理方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及数据处理领域，公开了一种机房告警事件处理方法、装置、设备及存储介质，用于提高机房告警事件的处理准确率以及效率。方法包括：对目标机房进行设备运行参数检测，得到多个目标设备运行参数，并构建多个设备运行参数曲线；获取参数越限阀值集合，并根据参数越限阀值集合对多个设备运行参数曲线进行参数超限检测，得到多个第一超限检测结果；对多个第一超限检测结果进行异常超限筛选，得到多个第二超限检测结果，并根据多个第二超限检测结果生成多个机房告警事件；对多个机房告警事件进行告警事件编码，得到目标事件编码矩阵；将目标事件编码矩阵输入机房告警事件处理模型进行机房告警事件处理，得到目标处理策略集合。

Description

机房告警事件处理方法、装置、设备及存储介质

技术领域

本发明涉及数据处理领域，尤其涉及一种机房告警事件处理方法、装置、设备及存储介质。

背景技术

随着信息技术的迅猛发展和大规模数据中心的兴起，机房作为数据存储和处理的关键基础设施，其运行稳定性和可靠性对于保障信息系统的正常运行至关重要。然而，机房内部的设备和系统存在各种潜在的故障和异常情况，如设备过载、温度异常、供电故障等，这些问题如果不能及时发现和处理，可能会导致机房运行故障、数据丢失甚至系统崩溃。

但是，现有方案中由于机房内部设备众多，监测参数复杂，现有方案仍然依赖于人工的干预和判断，这在大规模机房中是不可行且低效的，缺乏自动化处理能力限制了告警事件的及时响应和处理效率。

发明内容

本发明提供了一种机房告警事件处理方法、装置、设备及存储介质，用于提高机房告警事件的处理准确率以及效率。

本发明第一方面提供了一种机房告警事件处理方法，所述机房告警事件处理方法包括：

对目标机房进行设备运行参数检测，得到多个目标设备运行参数，并构建所述多个目标设备运行参数对应的多个设备运行参数曲线；

获取参数越限阀值集合，并根据所述参数越限阀值集合对所述多个设备运行参数曲线进行参数超限检测，得到多个第一超限检测结果；

对所述多个第一超限检测结果进行异常超限筛选，得到多个第二超限检测结果，并根据所述多个第二超限检测结果生成多个机房告警事件；

对所述多个机房告警事件进行告警事件编码，得到目标事件编码矩阵；

将所述目标事件编码矩阵输入预置的机房告警事件处理模型进行机房告警事件处理，得到目标处理策略集合。

结合第一方面，在本发明第一方面的第一实施方式中，所述对目标机房进行设备运行参数检测，得到多个目标设备运行参数，并构建所述多个目标设备运行参数对应的多个设备运行参数曲线，包括：

对目标机房进行设备运行参数检测，得到多个目标设备运行参数，其中，所述多个目标设备运行参数包括UPS设备运行参数、配电柜运行参数以及发电机设备运行参数；

对所述UPS设备运行参数进行UPS设备参数解析，得到多个UPS设备参数，其中，所述多个UPS设备参数包括UPS整流器参数、逆变器参数、旁路参数以及负载参数；

分别对所述多个UPS设备参数进行参数曲线转换，得到多个UPS设备参数曲线，并对所述多个UPS设备参数曲线进行曲线集成，得到UPS设备运行参数曲线；

对所述配电柜运行参数进行配电柜线路参数解析，得到多个进线电源参数和多个支路电流参数；

对所述多个进线电源参数和所述多个支路电流参数进行参数曲线构建，得到多个进线电源参数曲线以及多个支路电流参数曲线，并对所述多个进线电源参数曲线以及所述多个支路电流参数曲线进行曲线集成，得到配电柜运行参数曲线；

对所述发电机设备运行参数进行发电机参数解析，得到多个发电机参数，其中，所述多个发电机参数包括输出电压参数、电流参数、功率参数、油压参数、水温参数以及转速参数；

分别对所述多个发电机参数进行曲线映射，得到多个发电机参数曲线，并对所述多个发电机参数曲线进行曲线集成，得到发电机设备运行参数曲线；

将所述UPS设备运行参数曲线、所述配电柜运行参数曲线以及所述发电机设备运行参数曲线作为对应的多个设备运行参数曲线。

结合第一方面，在本发明第一方面的第二实施方式中，所述获取参数越限阀值集合，并根据所述参数越限阀值集合对所述多个设备运行参数曲线进行参数超限检测，得到多个第一超限检测结果，包括：

定义每个UPS设备参数、每个进线电源参数、每个支路电流参数以及每个发电机参数的参数越限阀值，并生成参数越限阀值集合；

对所述多个设备运行参数曲线进行特征点提取，得到每个设备运行参数曲线的多个曲线特征点；

对所述多个曲线特征点与所述参数越限阀值集合中对应的参数越限阀值进行比较，得到多个特征点比较结果；

将每个特征点比较结果的时间戳、设备标识和参数值记录为第一超限检测结果，得到多个第一超限检测结果。

结合第一方面，在本发明第一方面的第三实施方式中，所述对所述多个第一超限检测结果进行异常超限筛选，得到多个第二超限检测结果，并根据所述多个第二超限检测结果生成多个机房告警事件，包括：

对所述多个第一超限检测结果进行异常超限相关度分析，得到所述多个第一超限检测结果之间的目标相关度，并根据所述目标相关度对所述多个第一超限检测结果进行初步筛选；

对所述多个第一超限检测结果进行异常超限等级排序，得到第一排序结果，并通过所述第一排序结果进行排序指标映射，得到第一结果排序指标；

对所述多个第一超限检测结果进行异常超限时长排序，得到第二排序结果，并通过所述第二排序结果进行排序指标映射，得到第二结果排序指标；

根据所述第一结果排序指标和所述第二结果排序指标，计算每个第一超限检测结果的目标排序指标，并将所述目标排序指标超过预设指标阈值的第一超限检测结果作为第二超限检测结果，得到多个第二超限检测结果；

基于每个第二超限检测结果的目标相关度、异常超限等级、异常超限时长、设备标识和参数值构建对应的机房告警事件，生成多个机房告警事件。

结合第一方面，在本发明第一方面的第四实施方式中，所述对所述多个机房告警事件进行告警事件编码，得到目标事件编码矩阵，包括：

对每个第二超限检测结果的目标相关度、异常超限等级、异常超限时长、设备标识和参数值进行编码转换，得到每个第二超限检测结果的多个编码值；

将所述多个编码值作为向量元素，并根据预设的向量元素编码顺序生成每个第二超限检测结果的五维编码向量；

对每个第二超限检测结果的五维编码向量进行矩阵转换，得到目标事件编码矩阵。

结合第一方面，在本发明第一方面的第五实施方式中，所述机房告警事件处理方法还包括：

获取多个候选处理策略，并对所述多个候选处理策略进行文本转换，得到文本序列数据，并对所述文本序列数据进行字符串转换，得到目标字符串数据；

对所述目标字符串数据进行命名实体识别和分词操作，得到目标分词结果，并将所述目标分词结果中的多个分词词汇映射到预设编码词汇表，其中，所述分词词汇与所述编码词汇表中的词汇编码一一对应；

根据所述编码词汇表，将所述文本序列数据转换为策略编码向量，得到每个候选处理策略的策略编码向量；

对每个候选处理策略的策略编码向量进行模型转换，生成机房告警事件处理模型。

结合第一方面，在本发明第一方面的第六实施方式中，所述将所述目标事件编码矩阵输入预置的机房告警事件处理模型进行机房告警事件处理，得到目标处理策略集合，包括：

将所述目标事件编码矩阵输入预置的机房告警事件处理模型，其中，所述机房告警事件处理模型包括多个候选处理策略以及每个候选处理策略的策略编码向量；

对所述目标事件编码矩阵中的多个五维编码向量与每个候选处理策略的策略编码向量进行相似度计算，得到每个五维编码向量对应的目标相似度；

根据每个五维编码向量对应的目标相似度，从所述多个候选处理策略中确定目标处理策略集合。

本发明第二方面提供了一种机房告警事件处理装置，所述机房告警事件处理装置包括：

构建模块，用于对目标机房进行设备运行参数检测，得到多个目标设备运行参数，并构建所述多个目标设备运行参数对应的多个设备运行参数曲线；

检测模块，用于获取参数越限阀值集合，并根据所述参数越限阀值集合对所述多个设备运行参数曲线进行参数超限检测，得到多个第一超限检测结果；

筛选模块，用于对所述多个第一超限检测结果进行异常超限筛选，得到多个第二超限检测结果，并根据所述多个第二超限检测结果生成多个机房告警事件；

编码模块，用于对所述多个机房告警事件进行告警事件编码，得到目标事件编码矩阵；

处理模块，用于将所述目标事件编码矩阵输入预置的机房告警事件处理模型进行机房告警事件处理，得到目标处理策略集合。

本发明第三方面提供了一种机房告警事件处理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述机房告警事件处理设备执行上述的机房告警事件处理方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的机房告警事件处理方法。

本发明提供的技术方案中，对目标机房进行设备运行参数检测，得到多个目标设备运行参数，并构建多个设备运行参数曲线；获取参数越限阀值集合，并根据参数越限阀值集合对多个设备运行参数曲线进行参数超限检测，得到多个第一超限检测结果；对多个第一超限检测结果进行异常超限筛选，得到多个第二超限检测结果，并根据多个第二超限检测结果生成多个机房告警事件；对多个机房告警事件进行告警事件编码，得到目标事件编码矩阵；将目标事件编码矩阵输入机房告警事件处理模型进行机房告警事件处理，得到目标处理策略集合，本发明通过对机房设备的参数进行实时监测和分析，能够及时发现设备运行参数超限的情况，从而快速检测到设备故障或异常，通过将机房告警事件编码并输入处理模型进行自动处理，可以快速准确地确定最佳处理策略，通过对机房设备运行参数曲线的分析，获取大量的设备运行数据，进而提高了机房告警事件的处理准确率以及效率。

附图说明

图1为本发明实施例中机房告警事件处理方法的一个实施例示意图；

图2为本发明实施例中参数超限检测的流程图；

图3为本发明实施例中异常超限筛选的流程图；

图4为本发明实施例中告警事件编码的流程图；

图5为本发明实施例中机房告警事件处理装置的一个实施例示意图；

图6为本发明实施例中机房告警事件处理设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种机房告警事件处理方法、装置、设备及存储介质，用于提高机房告警事件的处理准确率以及效率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中机房告警事件处理方法的一个实施例包括：

S101、对目标机房进行设备运行参数检测，得到多个目标设备运行参数，并构建多个目标设备运行参数对应的多个设备运行参数曲线；

可以理解的是，本发明的执行主体可以为机房告警事件处理装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

具体的，服务器对目标机房进行设备运行参数检测，以获取多个目标设备的运行参数。这些目标设备包括UPS设备、配电柜和发电机设备。通过传感器、监测设备或系统日志等手段，服务器获取UPS设备运行参数、配电柜运行参数和发电机设备运行参数。针对UPS设备，服务器对其运行参数进行解析，以获取多个UPS设备参数，如UPS整流器参数、逆变器参数、旁路参数和负载参数等。这些参数反映了UPS设备的工作状态和性能。服务器将针对每个UPS设备的参数进行参数曲线转换。例如，将整流器的输出电流、逆变器的输出电压、旁路电压和负载电流等参数与时间的关系转换为相应的参数曲线。服务器就得到了多个UPS设备参数曲线。针对配电柜运行参数，服务器进行配电柜线路参数解析，以获取进线电源参数和支路电流参数。进线电源参数包括输入电压、输入频率等，而支路电流参数则表示各个支路的电流情况。对进线电源参数和支路电流参数，服务器进行参数曲线构建。通过将这些参数与时间的变化关系转换为曲线形式，服务器得到多个进线电源参数曲线和支路电流参数曲线。对这些曲线进行集成，得到配电柜运行参数曲线，以展示配电柜整体的运行情况。针对发电机设备运行参数，服务器进行发电机参数解析，以获取输出电压参数、电流参数、功率参数、油压参数、水温参数和转速参数等多个参数。这些参数反映了发电机设备的输出能力和工作状态。对每个发电机参数，服务器进行曲线映射，将其转换为相应的参数曲线。例如，将发电机的输出电压随时间的变化转换为输出电压曲线。通过对多个发电机参数进行曲线映射，服务器得到多个发电机参数曲线。将UPS设备运行参数曲线、配电柜运行参数曲线和发电机设备运行参数曲线作为对应的多个设备运行参数曲线。服务器将各个设备的运行参数综合展示，帮助运维人员了解整个机房的设备运行情况。假设服务器的目标机房有一台UPS设备、一个配电柜和一个发电机。服务器进行设备运行参数检测并获得以下参数数据：UPS设备运行参数：UPS整流器参数：输入电压为220V，输出电流为50A，温度为40°C；逆变器参数：输出电压为110V，输出频率为60Hz，负载容量为10kVA；旁路参数：旁路电压为220V，旁路频率为60Hz；负载参数：负载功率为5kW，负载电流为25A。配电柜运行参数：进线电源参数：输入电压为380V，输入频率为50Hz，功率因数为0.9；支路电流参数：支路1电流为20A，支路2电流为15A，支路3电流为18A；发电机设备运行参数：输出电压参数：输出电压为400V；电流参数：输出电流为100A；功率参数：输出功率为80kW；油压参数：油压为4bar；水温参数：水温为50°C；转速参数：转速为1500rpm。现在，服务器将对这些参数进行进一步处理和转换，构建设备运行参数曲线：对于UPS设备，服务器将解析每个参数并转换为曲线。例如，将UPS整流器的输出电流随时间的变化转换为电流曲线，将逆变器的输出电压随时间的变化转换为电压曲线等。将这些UPS设备参数曲线集成在一起，形成UPS设备运行参数曲线。对于配电柜，服务器将解析进线电源参数和支路电流参数，并将其转换为曲线。例如，将进线电源的电压随时间的变化转换为电压曲线，将各个支路的电流随时间的变化转换为电流曲线。将这些曲线集成，得到配电柜运行参数曲线。对于发电机设备，服务器将解析各个参数并进行曲线映射。例如，将发电机的输出电压、电流、功率等参数随时间的变化转换为相应的曲线。将这些发电机参数曲线集成在一起，形成发电机设备运行参数曲线。服务器将UPS设备运行参数曲线、配电柜运行参数曲线和发电机设备运行参数曲线作为对应的设备运行参数曲线。服务器通过这些曲线来监测和分析目标机房的设备运行状态。

S102、获取参数越限阀值集合，并根据参数越限阀值集合对多个设备运行参数曲线进行参数超限检测，得到多个第一超限检测结果；

具体的，服务器定义每个设备参数的参数越限阀值。这些阀值可以根据设备的规格、性能要求和厂商建议进行设置。例如，对于UPS设备，服务器定义UPS整流器温度、逆变器频率、旁路电压等参数的上下限阀值。对于配电柜，服务器定义进线电源电压、支路电流等参数的阀值。而对于发电机，服务器定义输出电压、电流、功率等参数的阀值。通过设置这些阀值，服务器能够确定设备参数的正常工作范围。服务器通过对设备运行参数曲线进行特征点提取来获取每个设备运行参数曲线的关键数据点。这些特征点可以是曲线的最大值、最小值、平均值、变化率等。特征点的选择应基于对设备性能的理解和关注的方面。例如，对于UPS设备的温度曲线，服务器可能关注其峰值温度和温度上升速率。对于配电柜的电压曲线，服务器可能关注其电压波动幅度和电压稳定性。通过提取这些特征点，服务器能够获得设备运行状态的关键指标。服务器将这些特征点与参数越限阀值集合中对应的参数越限阀值进行比较。如果特征点超出了设定的阀值范围，即超限，则服务器得到相应的特征点比较结果。服务器记录超限特征点的时间戳、设备标识和参数值，作为第一超限检测结果。这些记录可以用于后续的故障排查和设备维护。例如，当UPS整流器温度超过设定的阀值时，服务器记录该事件的发生时间、相关UPS设备的标识以及温度数值。通过这些记录，服务器能够及时发现设备的超限情况并采取相应的措施。例如，假设服务器对UPS设备进行参数超限检测，其中一个关注的参数是逆变器频率。服务器设置逆变器频率的参数越限阀值为50Hz到60Hz之间。通过对UPS设备运行参数曲线进行特征点提取，服务器获得了一系列的频率特征点。其中，某个特征点的频率为55Hz。将该特征点的频率与参数越限阀值进行比较后发现，55Hz处于设定的阀值范围内，未超限。因此，在第一超限检测结果中不记录该特征点。另外一个关注的参数是UPS整流器温度。服务器设置整流器温度的参数越限阀值为60°C。通过特征点提取，服务器得到了一系列温度特征点，其中某个特征点的温度为65°C。将该特征点的温度与参数越限阀值进行比较后发现，65°C超过了设定的阀值范围，属于超限情况。于是服务器记录该特征点的时间戳、设备标识和温度数值，作为第一超限检测结果的一部分。通过对多个设备的运行参数曲线进行参数超限检测，服务器能够及时发现设备的异常情况，并进行相应的处理和维护。这有助于提高设备的可靠性和稳定性，减少设备故障带来的影响。

S103、对多个第一超限检测结果进行异常超限筛选，得到多个第二超限检测结果，并根据多个第二超限检测结果生成多个机房告警事件；

需要说明的是，对多个第一超限检测结果进行异常超限相关度分析，目的是确定各个超限结果之间的相关性。通过比较超限结果的设备标识、参数值和时间戳等信息，计算它们之间的相关度。例如，两个超限结果的设备标识相同且超限时间戳相近，则它们可能存在相互关联的情况。根据相关度进行初步筛选，将相关度较高的超限结果纳入第二超限检测结果的候选集合。对多个第一超限检测结果进行异常超限等级排序。根据超限结果的严重程度、影响范围和紧急程度等因素，为每个超限结果分配一个异常超限等级。例如，温度超限可能比电流超限更严重，因此将温度超限结果排在前面。通过排序，得到第一排序结果。根据第一排序结果进行排序指标映射，将每个超限结果映射到一个排序指标上。排序指标可以是数字、字母或其他形式，用于比较超限结果的优先级。例如，将第一排序结果的第一项映射为指标"A"，第二项映射为指标"B"，以此类推。服务器得到第一结果排序指标。类似地，对多个第一超限检测结果进行异常超限时长排序。根据超限结果持续的时间长短，为每个超限结果分配一个异常超限时长等级。较长时长的超限结果可能更加紧急。通过排序，得到第二排序结果。在第一结果排序指标和第二结果排序指标的基础上，计算每个第一超限检测结果的目标排序指标。目标排序指标综合考虑了异常相关度、异常超限等级和异常超限时长等因素。根据预设的指标阈值，筛选出目标排序指标超过阈值的第一超限检测结果作为第二超限检测结果。基于每个第二超限检测结果的相关信息，构建对应的机房告警事件。机房告警事件包括超限设备的标识、超限参数的值、异常超限等级和持续时长等信息。例如，当某个UPS设备的电流超过阀值并持续时间较长时，生成一个针对该设备的电流超限告警事件。本实施例中，服务器实现了对多个第一超限检测结果的筛选和排序，并生成了多个第二超限检测结果，同时构建了对应的机房告警事件。例如，假设服务器监测的目标机房中有多个UPS设备，每个UPS设备包括整流器参数、逆变器参数、旁路参数和负载参数。服务器设置了一组参数越限阀值，例如整流器参数超过100A、逆变器参数超过50A、旁路参数超过30A、负载参数超过80%。通过对目标机房进行设备运行参数检测，服务器得到了多个目标设备运行参数，其中包括UPS设备运行参数。对于UPS设备，服务器进行UPS设备参数解析，得到了每个UPS设备的整流器参数、逆变器参数、旁路参数和负载参数。针对每个参数，服务器与事先设置的参数越限阀值进行比较。假设某个UPS设备的整流器参数超过了100A，逆变器参数超过了50A，旁路参数和负载参数都在正常范围内。服务器对超限参数进行曲线转换，将每个超限参数的变化情况表示为参数曲线。例如，整流器参数随时间变化的曲线、逆变器参数随时间变化的曲线等。对于每个参数曲线，服务器进行曲线集成，得到UPS设备运行参数曲线。在得到多个设备运行参数曲线后，服务器进行参数超限检测。服务器定义了每个参数的异常超限阀值，并生成了参数越限阀值集合。服务器提取每个设备运行参数曲线的特征点，例如曲线的峰值、谷值、平均值等。将特征点与参数越限阀值集合中对应的参数越限阀值进行比较。假设某个设备运行参数曲线的峰值超过了对应的参数越限阀值，而其他特征点均在正常范围内。服务器得到了特征点比较结果，记录了超限特征点的时间戳、设备标识和参数值。服务器对多个第一超限检测结果进行异常超限筛选。进行异常超限相关度分析，计算各个超限结果之间的相关度。对第一超限检测结果进行异常超限等级排序和异常超限时长排序，得到第一排序结果和第二排序结果。在第一排序结果和第二排序结果的基础上，计算每个第一超限检测结果的目标排序指标。根据目标排序指标的计算结果，服务器筛选出目标排序指标超过预设指标阈值的第一超限检测结果作为第二超限检测结果。这些第二超限检测结果表示了超限情况的严重程度和紧急程度。基于每个第二超限检测结果的相关信息，服务器构建了对应的机房告警事件。机房告警事件包括超限设备的标识、超限参数的值、异常超限等级和持续时长等重要信息。例如，某个UPS设备的整流器参数超过了预设阈值，并且超限时间持续了较长时间，服务器生成了一个针对该设备的整流器参数超限告警事件，其中包含了设备标识、参数值、异常超限等级和持续时长等详细信息。通过多次超限检测、筛选和排序，服务器能够准确地识别出机房中出现的异常超限情况，并生成相应的机房告警事件。这样的系统可以帮助监控人员及时发现设备运行异常，采取相应的措施，保证机房的稳定运行和设备的安全性。

S104、对多个机房告警事件进行告警事件编码，得到目标事件编码矩阵；

具体的，针对每个第二超限检测结果的目标相关度、异常超限等级、异常超限时长、设备标识和参数值，服务器进行编码转换。将每个属性值映射为相应的编码值。例如，目标相关度可以使用0到1的范围进行编码，异常超限等级可以用离散的整数值表示不同等级，异常超限时长可以使用离散的时间段进行编码，设备标识可以使用独一无二的数字或字符串进行编码，参数值可以使用连续的数字编码。通过这样的编码转换，服务器将每个第二超限检测结果的各个属性值转换为相应的编码值。服务器生成每个第二超限检测结果的五维编码向量。将每个编码值作为向量的元素，并按照预设的向量元素编码顺序进行排列。例如，可以将目标相关度作为向量的第一个元素，异常超限等级作为第二个元素，异常超限时长作为第三个元素，设备标识作为第四个元素，参数值作为第五个元素。通过这样的编码方式，服务器构建每个第二超限检测结果的五维编码向量。进行矩阵转换，将所有第二超限检测结果的五维编码向量组成一个矩阵，即目标事件编码矩阵。每行代表一个第二超限检测结果，每列代表向量的一个元素。通过这样的矩阵转换，服务器将多个机房告警事件的编码信息以矩阵的形式进行表示和处理。例如，假设服务器有三个第二超限检测结果，其属性包括目标相关度、异常超限等级、异常超限时长、设备标识和参数值。服务器对这些属性进行编码转换，得到每个结果的编码值。例如，第一个结果的编码值为[0.8，2，60，"UPS1"，10.5]，第二个结果的编码值为[0.6，1，30，"Generator2"，80.2]，第三个结果的编码值为[0.9，3，120，"PowerIn1"，45.8]。根据预设的编码顺序，服务器构建每个结果的五维编码向量，例如，第一个结果的五维编码向量为[0.8，2，60，"UPS1"，10.5]，第二个结果的五维编码向量为[0.6，1，30，"Generator2"，80.2]，第三个结果的五维编码向量为[0.9，3，120，"PowerIn1"，45.8]。将这三个结果的五维编码向量组成一个矩阵，形成目标事件编码矩阵。该矩阵的每一行代表一个第二超限检测结果，每一列代表向量的一个元素。例如，目标事件编码矩阵可以表示为：0.82 60 "UPS1" 10.5；0.6 1 30 "Generator2" 80.2；0.9 3 120 "PowerIn1" 45.8。通过这样的编码方式，服务器将多个机房告警事件的属性信息转换为编码值，并将其组织成一个矩阵。服务器就得到了目标事件编码矩阵，可以方便地对告警事件进行进一步分析和处理。

S105、将目标事件编码矩阵输入预置的机房告警事件处理模型进行机房告警事件处理，得到目标处理策略集合。

具体的，首先服务器获得候选处理策略的文本形式。这些策略可以是事先定义好的固定文本，也可以是从外部来源获取的自然语言文本。一旦服务器获取到候选处理策略的文本形式，服务器对其进行文本序列化处理。这包括将文本转换为机器可处理的数据格式，如将文本转换为序列数据，例如使用单词级别的分词或字符级别的编码。在文本序列化之后，服务器对序列数据进行字符串转换，将其转换为目标字符串数据。这可能涉及去除不必要的特殊字符、标点符号或空格，并确保文本的格式适合后续的处理步骤。服务器对目标字符串数据进行命名实体识别和分词操作。命名实体识别可以帮助服务器识别文本中的具体实体，如人名、地名、日期等。分词操作将字符串数据拆分为有意义的词汇单元，便于后续处理和分析。在目标分词结果中，服务器将多个分词词汇映射到预设的编码词汇表。编码词汇表是一个预先定义的词汇表，其中每个词汇都有一个唯一的编码与之对应。通过将分词词汇映射到编码词汇表，服务器将文本数据转换为编码数据，方便后续处理和表示。基于编码词汇表，服务器将文本序列数据转换为策略编码向量。策略编码向量是对文本数据的向量表示，其中每个元素对应于编码词汇表中的一个词汇。每个候选处理策略都可以表示为一个策略编码向量。服务器对每个候选处理策略的策略编码向量进行模型转换。这可以包括应用机器学习模型或其他算法，将策略编码向量转换为机房告警事件处理模型。处理模型可以用于自动化处理机房告警事件，根据输入的事件特征和策略编码向量进行决策和执行相应的操作。例如，假设服务器有两个候选处理策略的文本形式：策略1-"将异常设备断电并发送警报"，策略2-"自动重启异常设备并记录日志"。服务器将这两个策略进行文本序列化处理，并得到序列数据："将异常设备断电并发送警报"和"自动重启异常设备并记录日志"。服务器对序列数据进行字符串转换，去除不必要的字符和空格，得到目标字符串数据："将异常设备断电并发送警报"和"自动重启异常设备并记录日志"。服务器对目标字符串数据进行命名实体识别和分词操作。假设命名实体识别识别出"异常设备"作为一个实体，分词操作将目标字符串数据拆分为单词级别的词汇单元，得到分词结果："将"，"异常设备"，"断电"，"并"，"发送警报"和"自动重启"，"异常设备"，"并"，"记录日志"。在分词结果中，服务器将分词词汇映射到预设的编码词汇表，例如将"将"映射为编码1，"异常设备"映射为编码2，"断电"映射为编码3，以此类推。服务器得到了策略编码向量：[1，2，3，4，5]和[6，2，4，7，8]。服务器将策略编码向量输入到机器学习模型中进行模型转换。模型可以学习策略编码向量与机房告警事件的关联，并生成机房告警事件处理模型。该模型可以根据输入的策略编码向量进行预测和决策，例如根据策略编码向量[1，2，3，4，5]执行断电和发送警报的操作，或者根据策略编码向量[6，2，4，7，8]执行自动重启和记录日志的操作。

服务器将目标事件编码矩阵作为输入，传递给预置的机房告警事件处理模型。该模型包含了多个候选处理策略，每个候选处理策略都有对应的策略编码向量。对于目标事件编码矩阵中的每个五维编码向量，服务器计算它们与每个候选处理策略的策略编码向量之间的相似度。相似度的计算可以采用不同的度量方法，如余弦相似度或欧氏距离等。服务器得到每个五维编码向量对应的目标相似度值。根据每个五维编码向量对应的目标相似度值，服务器从多个候选处理策略中确定目标处理策略集合。具体来说，可以设定一个阈值或者选择相似度最高的几个候选处理策略作为目标处理策略集合。例如来说明，假设服务器有三个候选处理策略，它们的策略编码向量分别为[1，2，3，4，5]、[6，7，8，9，10]和[11，12，13，14，15]。目标事件编码矩阵中有两个五维编码向量，分别为[0.2，0.4，0.6，0.8，1.0]和[0.5，0.7，0.9，0.3，0.1]。通过计算目标事件编码矩阵中的五维编码向量与每个候选处理策略的策略编码向量的相似度，服务器得到如下结果：目标事件编码矩阵中的第一个五维编码向量与候选处理策略的相似度分别为0.85、0.72和0.65。目标事件编码矩阵中的第二个五维编码向量与候选处理策略的相似度分别为0.78、0.69和0.61。根据相似度计算结果，如果服务器设定相似度阈值为0.7，则第一个五维编码向量对应的目标处理策略集合为[1，2]，而第二个五维编码向量对应的目标处理策略集合为空。在上述例子中，根据相似度计算结果和设定的相似度阈值，服务器确定了目标处理策略集合。对于第一个五维编码向量，它与候选处理策略1和候选处理策略2的相似度都超过了0.7的阈值，因此它们被选为目标处理策略集合。而对于第二个五维编码向量，没有任何候选处理策略的相似度达到阈值，因此目标处理策略集合为空。其中，服务器根据目标事件编码矩阵中的五维编码向量与候选处理策略的策略编码向量之间的相似度计算，服务器确定适用于特定目标事件的处理策略集合。服务器针对不同的目标事件进行个性化的告警事件处理，提高处理效率和准确性。

本发明实施例中，对目标机房进行设备运行参数检测，得到多个目标设备运行参数，并构建多个设备运行参数曲线；获取参数越限阀值集合，并根据参数越限阀值集合对多个设备运行参数曲线进行参数超限检测，得到多个第一超限检测结果；对多个第一超限检测结果进行异常超限筛选，得到多个第二超限检测结果，并根据多个第二超限检测结果生成多个机房告警事件；对多个机房告警事件进行告警事件编码，得到目标事件编码矩阵；将目标事件编码矩阵输入机房告警事件处理模型进行机房告警事件处理，得到目标处理策略集合，本发明通过对机房设备的参数进行实时监测和分析，能够及时发现设备运行参数超限的情况，从而快速检测到设备故障或异常，通过将机房告警事件编码并输入处理模型进行自动处理，可以快速准确地确定最佳处理策略，通过对机房设备运行参数曲线的分析，获取大量的设备运行数据，进而提高了机房告警事件的处理准确率以及效率。

在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：

（1）对目标机房进行设备运行参数检测，得到多个目标设备运行参数，其中，多个目标设备运行参数包括UPS设备运行参数、配电柜运行参数以及发电机设备运行参数；

（2）对UPS设备运行参数进行UPS设备参数解析，得到多个UPS设备参数，其中，多个UPS设备参数包括UPS整流器参数、逆变器参数、旁路参数以及负载参数；

（3）分别对多个UPS设备参数进行参数曲线转换，得到多个UPS设备参数曲线，并对多个UPS设备参数曲线进行曲线集成，得到UPS设备运行参数曲线；

（4）对配电柜运行参数进行配电柜线路参数解析，得到多个进线电源参数和多个支路电流参数；

（5）对多个进线电源参数和多个支路电流参数进行参数曲线构建，得到多个进线电源参数曲线以及多个支路电流参数曲线，并对多个进线电源参数曲线以及多个支路电流参数曲线进行曲线集成，得到配电柜运行参数曲线；

（6）对发电机设备运行参数进行发电机参数解析，得到多个发电机参数，其中，多个发电机参数包括输出电压参数、电流参数、功率参数、油压参数、水温参数以及转速参数；

（7）分别对多个发电机参数进行曲线映射，得到多个发电机参数曲线，并对多个发电机参数曲线进行曲线集成，得到发电机设备运行参数曲线；

（8）将UPS设备运行参数曲线、配电柜运行参数曲线以及发电机设备运行参数曲线作为对应的多个设备运行参数曲线。

具体的，服务器获取多个目标设备运行参数，包括UPS设备运行参数、配电柜运行参数以及发电机设备运行参数。这些参数可以提供关于设备状态和性能的信息，用于后续的分析和处理。针对UPS设备运行参数，服务器对其进行参数解析，得到多个UPS设备参数，如UPS整流器参数、逆变器参数、旁路参数以及负载参数。这些参数反映了UPS设备的工作状态和性能。接着，针对每个UPS设备参数，服务器进行参数曲线转换，得到多个UPS设备参数曲线。例如，对UPS整流器参数进行时间序列分析，可以获得整流器输出电压、输出电流等参数随时间的变化情况。将多个UPS设备参数曲线进行曲线集成，可以得到UPS设备运行参数曲线，该曲线综合了不同参数的变化趋势。对配电柜运行参数进行参数解析，可以得到多个进线电源参数和多个支路电流参数。进线电源参数反映了电源输入的电压、电流等信息，支路电流参数反映了各个支路的电流负载情况。针对这些参数，服务器进行参数曲线构建，得到多个进线电源参数曲线和多个支路电流参数曲线。例如，对进线电源参数进行时间序列分析，可以获得电源输入电压、电流的波动情况。将多个进线电源参数曲线和多个支路电流参数曲线进行曲线集成，可以得到配电柜运行参数曲线，该曲线反映了配电柜整体的运行状况。接着，对发电机设备运行参数进行参数解析，可以得到多个发电机参数，如输出电压参数、电流参数、功率参数、油压参数、水温参数以及转速参数。这些参数反映了发电机设备的工作状态和性能。针对每个发电机参数，服务器进行曲线映射，得到多个发电机参数曲线。例如，对输出电压参数进行时间序列分析，可以获得输出电压的变化情况。将多个发电机参数曲线进行曲线集成，可以得到发电机设备运行参数曲线，该曲线综合了各个参数的变化趋势。服务器将UPS设备运行参数曲线、配电柜运行参数曲线以及发电机设备运行参数曲线作为对应的多个设备运行参数曲线。这些曲线提供了综合的设备状态和性能信息，可用于设备状态监测、故障预警和性能优化等方面的应用。例如，假设服务器有一个目标机房，其中包括两个UPS设备、一个配电柜和一个发电机设备。针对每个UPS设备，服务器获取了UPS整流器参数、逆变器参数、旁路参数和负载参数。对于配电柜，服务器获取了进线电源参数和支路电流参数。对于发电机设备，服务器获取了输出电压参数、电流参数、功率参数、油压参数、水温参数和转速参数。针对UPS设备参数，服务器将整流器参数、逆变器参数、旁路参数和负载参数转化为相应的参数曲线。例如，整流器输出电压的变化曲线、逆变器输出电流的变化曲线等。对于配电柜，服务器将进线电源参数和支路电流参数转化为参数曲线，例如，进线电源电压的变化曲线和支路电流负载的变化曲线。对于发电机设备，服务器将输出电压参数、电流参数、功率参数、油压参数、水温参数和转速参数转化为相应的参数曲线，例如，输出电压随时间的变化曲线和发电机转速随时间的变化曲线。服务器得到了多个设备运行参数曲线，包括UPS设备运行参数曲线、配电柜运行参数曲线和发电机设备运行参数曲线。这些曲线反映了各个设备在时间上的变化趋势和性能表现，为后续的分析和处理提供了基础。通过对目标机房的设备运行参数进行检测和转换，服务器能够获得多个设备的运行状态和性能信息，并将其表示为参数曲线的形式，为后续的故障诊断、性能优化和预测分析等任务提供了可靠的数据基础。

在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：

S201、定义每个UPS设备参数、每个进线电源参数、每个支路电流参数以及每个发电机参数的参数越限阀值，并生成参数越限阀值集合；

S202、对多个设备运行参数曲线进行特征点提取，得到每个设备运行参数曲线的多个曲线特征点；

S203、对多个曲线特征点与参数越限阀值集合中对应的参数越限阀值进行比较，得到多个特征点比较结果；

S204、将每个特征点比较结果的时间戳、设备标识和参数值记录为第一超限检测结果，得到多个第一超限检测结果。

具体的，服务器首先需要定义每个UPS设备参数、进线电源参数、支路电流参数和发电机参数的参数越限阀值。参数越限阀值是指设备运行参数的上下限范围，用于检测参数是否超出正常范围。例如，UPS设备的电压参数的越限阀值可以定义为180V至240V之间。根据定义的参数越限阀值，可以生成参数越限阀值集合，其中包含每个设备参数对应的越限阀值。对多个设备运行参数曲线进行特征点提取。特征点是曲线上具有重要意义或代表特定特征的数据点。可以采用不同的算法和方法进行特征点提取，例如局部极值点、曲线斜率变化点等。针对每个设备运行参数曲线，提取出多个特征点。将提取的特征点与参数越限阀值集合中对应的参数越限阀值进行比较。如果特征点的值超过了对应参数的越限阀值，则判定该特征点为越限点。通过比较特征点和参数越限阀值，可以得到多个特征点比较结果。比较结果通常包括特征点所属的设备、特征点的时间戳和参数值。这些比较结果记录了每个特征点是否超限的信息。将每个特征点比较结果的时间戳、设备标识和参数值记录为第一超限检测结果。第一超限检测结果是指首次发现超限的特征点信息。通过记录这些信息，可以及时发现设备参数的异常情况，并进行后续的处理和分析。例如，假设服务器有一台UPS设备，需要监测其电压参数。服务器定义电压参数的越限阀值为180V至240V。对于该UPS设备的运行参数曲线，服务器提取了多个特征点，其中一个特征点的时间戳为2023-06-01 10:30:00，电压值为250V。将这个特征点与电压参数的越限阀值进行比较，发现该特征点超过了240V的上限阀值，因此判定为越限点。将该特征点的时间戳、设备标识（UPS设备）和参数值（250V）记录为第一超限检测结果。服务器就得到了一个第一超限检测结果，指示在2023-06-01 10:30:00时刻，该UPS设备的电压参数超过了设定的上限阀值。其中，服务器得到了多个第一超限检测结果，记录了设备参数曲线中超限的特征点信息。服务器进行第二超限检测的处理。对于多个第一超限检测结果，服务器进行异常超限筛选，以得到多个第二超限检测结果。可以对这些第一超限检测结果进行异常超限相关度分析，计算它们之间的目标相关度。目标相关度表示了不同超限点之间的关联程度，有助于进一步筛选出重要的超限情况。例如，服务器根据特征点的时间戳、设备标识和参数值之间的相似性计算目标相关度。基于目标相关度，可以对多个第一超限检测结果进行初步筛选，选择与目标相关度高于预设阈值的超限点作为第二超限检测结果。还可以对第一超限检测结果进行异常超限等级排序和异常超限时长排序。异常超限等级排序可以根据特征点的参数值大小，将超限情况进行等级划分，以确定其严重程度。异常超限时长排序可以根据特征点的持续时间，对超限情况进行时长排序，以确定其持续时间长短。根据排序结果和预设的排序指标映射，可以计算每个第一超限检测结果的目标排序指标。目标排序指标综合考虑了目标相关度、异常超限等级和异常超限时长等因素，用于评估超限情况的重要程度。将目标排序指标超过预设指标阈值的第一超限检测结果作为第二超限检测结果。服务器得到了多个第二超限检测结果，这些结果是经过筛选和排序的重要超限情况。例如，假设服务器有多个第一超限检测结果，记录了不同设备的超限特征点信息。对于这些超限情况，服务器进行目标相关度分析，并得到了目标相关度的数值。服务器对超限情况进行异常超限等级排序和异常超限时长排序，得到了每个超限情况的等级和持续时间。基于预设的排序指标映射，计算出每个超限情况的目标排序指标。假设某个超限情况的目标排序指标为0.8，超过了预设指标阈值0.6。服务器将该超限情况作为第二超限检测结果，并将其作为重要的告警事件进行记录和处理。服务器就得到了多个第二超限检测结果，这些结果具有较高的目标排序指标，表示它们是重要的超限情况。

在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：

S301、对多个第一超限检测结果进行异常超限相关度分析，得到多个第一超限检测结果之间的目标相关度，并根据目标相关度对多个第一超限检测结果进行初步筛选；

S302、对多个第一超限检测结果进行异常超限等级排序，得到第一排序结果，并通过第一排序结果进行排序指标映射，得到第一结果排序指标；

S303、对多个第一超限检测结果进行异常超限时长排序，得到第二排序结果，并通过第二排序结果进行排序指标映射，得到第二结果排序指标；

S304、根据第一结果排序指标和第二结果排序指标，计算每个第一超限检测结果的目标排序指标，并将目标排序指标超过预设指标阈值的第一超限检测结果作为第二超限检测结果，得到多个第二超限检测结果；

S305、基于每个第二超限检测结果的目标相关度、异常超限等级、异常超限时长、设备标识和参数值构建对应的机房告警事件，生成多个机房告警事件。

具体的，服务器对多个第一超限检测结果进行异常超限相关度分析，通过计算目标相关度衡量它们之间的相关性。基于相关度的分析结果，初步筛选出具有较高相关度的第一超限检测结果作为候选的第二超限检测结果。对这些候选结果进行异常超限等级排序，根据其严重程度或紧急程度对其进行排序，并通过排序指标映射将排序结果转化为具体的排序指标值。类似地，对多个第一超限检测结果进行异常超限时长排序，以确定超限情况的持续程度，并进行排序指标映射。结合第一和第二排序结果，计算每个第一超限检测结果的目标排序指标，并根据预设的指标阈值筛选出目标排序指标超过阈值的第一超限检测结果作为第二超限检测结果。利用第二超限检测结果的目标相关度、异常超限等级、异常超限时长、设备标识和参数值等信息构建对应的机房告警事件，生成多个机房告警事件。这些机房告警事件将提供详细的描述、设备信息、参数信息、告警级别等，以帮助运维人员快速响应和处理超限情况。例如，假设有三个第一超限检测结果：超限事件A、超限事件B和超限事件C。通过异常超限相关度分析，发现超限事件A和超限事件B之间的相关度较高。对这些候选结果进行异常超限等级排序，确定超限事件A为最高等级，超限事件B为次高等级，超限事件C为最低等级。根据排序指标映射，超限事件A获得排序指标值10，超限事件B获得排序指标值8，超限事件C获得排序指标值4。对这些超限事件进行异常超限时长排序，发现超限事件A持续时间最长，超限事件C持续时间最短。根据排序指标映射，超限事件A获得时长排序指标值9，超限事件B获得时长排序指标值6，超限事件C获得时长排序指标值2。综合目标排序指标的计算，假设目标阈值为15，超限事件A的目标排序指标为19，超限事件B的目标排序指标为14，超限事件C的目标排序指标为6。根据预设的指标阈值，超限事件A的目标排序指标超过了阈值，因此它被选定为第二超限检测结果。基于超限事件A的目标相关度、异常超限等级、异常超限时长、设备标识和参数值等信息，构建对应的机房告警事件。例如，机房告警事件描述为“UPS设备A的输出电压异常超限”，设备标识为“UPS设备A”，参数值为“输出电压超过设定阈值”，告警级别为“高级别”。本实施例可以帮助运维人员迅速定位问题并采取适当的措施。类似地，针对其他第一超限检测结果（如超限事件B和超限事件C），也可以进行相同的操作，计算其目标排序指标并判断是否满足预设指标阈值。如果满足阈值，则将其选定为第二超限检测结果，并生成对应的机房告警事件。本实施例中，服务器能够从多个第一超限检测结果中筛选出目标相关度较高、重要性较高且持续时间较长的超限情况，并生成相应的机房告警事件。这样的处理流程可以帮助运维人员快速识别和处理机房中的异常情况，提高运维效率和设备可靠性。

在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：

S401、对每个第二超限检测结果的目标相关度、异常超限等级、异常超限时长、设备标识和参数值进行编码转换，得到每个第二超限检测结果的多个编码值；

S402、将多个编码值作为向量元素，并根据预设的向量元素编码顺序生成每个第二超限检测结果的五维编码向量；

S403、对每个第二超限检测结果的五维编码向量进行矩阵转换，得到目标事件编码矩阵。

具体的，服务器定义一个编码词汇表，包括各种目标相关度、异常超限等级、设备标识和参数值的编码。每个编码都对应词汇表中的一个唯一标识符，用于表示该特定的目标相关度、异常超限等级、设备标识或参数值。对每个第二超限检测结果的目标相关度、异常超限等级、异常超限时长、设备标识和参数值进行编码转换。将每个值映射到相应的编码，例如，目标相关度映射为编码1，异常超限等级映射为编码2，异常超限时长映射为编码3，设备标识映射为编码4，参数值映射为编码5。将这些编码值作为向量的元素。根据预设的向量元素编码顺序，将多个编码值按照顺序排列，生成每个第二超限检测结果的五维编码向量。例如，一个第二超限检测结果的五维编码向量可以表示为[1，2，3，4，5]。将每个第二超限检测结果的五维编码向量进行矩阵转换，得到目标事件编码矩阵。每个第二超限检测结果的五维编码向量作为矩阵的一行，将所有第二超限检测结果的编码向量按行排列形成目标事件编码矩阵。矩阵的行数即为第二超限检测结果的数量，列数为五维编码向量的长度。例如，假设有两个第二超限检测结果，其属性分别为：第一个结果的目标相关度为高、异常超限等级为严重、异常超限时长为10分钟、设备标识为设备A、参数值为100；第二个结果的目标相关度为中、异常超限等级为一般、异常超限时长为5分钟、设备标识为设备B、参数值为50。根据预设的编码规则，将这些属性值进行编码转换，得到对应的编码值：目标相关度编码为1和2，异常超限等级编码为3和4，异常超限时长编码为5和6，设备标识编码为7和8，参数值编码为9和10。按照预设的编码顺序生成五维编码向量：第一个结果的五维编码向量为[1，3，5，7，9]，第二个结果的五维编码向量为[2，4，6，8，10]。将这两个编码向量按行排列形成目标事件编码矩阵：[1，3，5，7，9]，[2，4，6，8，10]；通过对每个第二超限检测结果的目标相关度、异常超限等级、异常超限时长、设备标识和参数值进行编码转换，然后将编码值作为向量元素，并根据预设的向量元素编码顺序生成每个第二超限检测结果的五维编码向量，最后对五维编码向量进行矩阵转换，就可以得到目标事件编码矩阵。

在一具体实施例中，执行机房告警事件处理方法具体还包括如下步骤：

（1）获取多个候选处理策略，并对多个候选处理策略进行文本转换，得到文本序列数据，并对文本序列数据进行字符串转换，得到目标字符串数据；

（2）对目标字符串数据进行命名实体识别和分词操作，得到目标分词结果，并将目标分词结果中的多个分词词汇映射到预设编码词汇表，其中，分词词汇与编码词汇表中的词汇编码一一对应；

（3）根据编码词汇表，将文本序列数据转换为策略编码向量，得到每个候选处理策略的策略编码向量；

（4）对每个候选处理策略的策略编码向量进行模型转换，生成机房告警事件处理模型。

具体的，获取多个候选处理策略，并对这些策略进行文本转换，将其转换为文本序列数据。例如，假设有三个候选处理策略，它们经过文本转换后分别得到文本序列数据："策略A"、"策略B"和"策略C"。对文本序列数据进行字符串转换，将其转换为目标字符串数据。这一步骤可以简单地将文本序列数据转换为字符串格式，例如："策略A"、"策略B"和"策略C"。对目标字符串数据进行命名实体识别和分词操作，以得到目标分词结果。命名实体识别可以识别文本中的实体名称，例如设备名称、参数名称等。分词操作可以将文本分割为单词或短语。假设经过命名实体识别和分词操作后，得到目标分词结果为："策略"、"A"、"策略"、"B"和"策略"、"C"。再将目标分词结果中的多个分词词汇映射到预设编码词汇表。预设编码词汇表是一个事先定义好的词汇与编码之间的映射表，每个词汇对应一个唯一的编码。将目标分词结果中的词汇与编码词汇表中的词汇进行一一对应的映射，得到相应的编码值。例如，"策略"对应编码值1，"A"对应编码值2，"B"对应编码值3，"C"对应编码值4。根据编码词汇表，将文本序列数据转换为策略编码向量。策略编码向量是根据编码词汇表将文本序列数据转换为数值向量的表示。根据上述示例，对于候选处理策略"策略A"，其策略编码向量可以表示为[1，2]，对于"策略B"，其策略编码向量可以表示为[1，3]，对于"策略C"，其策略编码向量可以表示为[1，4]。对每个候选处理策略的策略编码向量进行模型转换，生成机房告警事件处理模型。模型转换可以根据具体需求选择适合的方法，例如使用机器学习算法训练一个分类模型或使用规则引擎构建一个根据每个候选处理策略的策略编码向量进行模型转换，可以生成机房告警事件处理模型。这个模型可以用于处理机房告警事件，根据输入的目标事件编码矩阵和候选处理策略的策略编码向量，进行决策和推断，从而确定适合的处理策略。例如，假设服务器有三个候选处理策略："策略A"、"策略B"和"策略C"，它们经过文本转换和编码转换后的策略编码向量分别为："策略A"：[1，2，5]、"策略B"：[1，3，6]、"策略C"：[1，4，7]。服务器使用这些策略编码向量作为输入，通过模型转换生成机房告警事件处理模型。这个模型可以是一个分类器或推断引擎，用于根据输入的目标事件编码矩阵和候选处理策略的策略编码向量，进行处理策略的决策。例如，给定一个目标事件编码矩阵，其中包含多个目标事件和对应的编码：[1，5，2，3，4]，[2，4，6，1，3]，[1，3，5，6，2]。根据每个候选处理策略的策略编码向量进行模型转换，可以生成机房告警事件处理模型。这个模型可以用于处理机房告警事件，根据输入的目标事件编码矩阵和候选处理策略的策略编码向量，进行决策和推断，从而确定适合的处理策略。例如，假设服务器有三个候选处理策略："策略A"、"策略B"和"策略C"，它们经过文本转换和编码转换后的策略编码向量分别为："策略A"：[1，2，5]、"策略B"：[1，3，6]、"策略C"：[1，4，7]。服务器使用这些策略编码向量作为输入，通过模型转换生成机房告警事件处理模型。这个模型可以是一个分类器或推断引擎，用于根据输入的目标事件编码矩阵和候选处理策略的策略编码向量，进行处理策略的决策。例如，给定一个目标事件编码矩阵，其中包含多个目标事件和对应的编码：[1，5，2，3，4]，[2，4，6，1，3]，[1，3，5，6，2]。对于每个目标事件，服务器将其与候选处理策略的策略编码向量进行相似度计算，以确定最合适的处理策略。通过计算目标事件编码矩阵中的每个五维编码向量与候选处理策略的策略编码向量之间的相似度，服务器得到每个五维编码向量对应的目标相似度。假设服务器计算得到的目标相似度如下：对于目标事件1，与候选处理策略的相似度分别为：[0.8，0.6，0.7]，最高相似度对应"策略A"。对于目标事件2，与候选处理策略的相似度分别为：[0.5，0.4，0.6]，最高相似度对应"策略C"。对于目标事件3，与候选处理策略的相似度分别为：[0.7，0.9，0.6]，最高相似度对应"策略B"。根据每个目标事件的最高相似度，服务器确定目标处理策略。对于目标事件1，最高相似度对应"策略A"，因此服务器选择"策略A"作为处理策略。对于目标事件2，最高相似度对应"策略C"，因此选择"策略C"作为处理策略。对于目标事件3，最高相似度对应"策略B"，因此选择"策略B"作为处理策略。通过这样的方式，服务器根据目标事件的编码矩阵和候选处理策略的策略编码向量，使用机房告警事件处理模型进行决策和推断，选择适合的处理策略。这样可以自动化地处理机房告警事件，提高处理效率和准确性。

在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：

（1）将目标事件编码矩阵输入预置的机房告警事件处理模型，其中，机房告警事件处理模型包括多个候选处理策略以及每个候选处理策略的策略编码向量；

（2）对目标事件编码矩阵中的多个五维编码向量与每个候选处理策略的策略编码向量进行相似度计算，得到每个五维编码向量对应的目标相似度；

（3）根据每个五维编码向量对应的目标相似度，从多个候选处理策略中确定目标处理策略集合。

具体的，机房告警事件处理模型应包括多个候选处理策略以及每个候选处理策略的策略编码向量。这些候选处理策略可以是预先定义的规则、算法或者模型，而策略编码向量是对处理策略进行数值表示的形式。针对目标事件编码矩阵中的每个五维编码向量，服务器将其与每个候选处理策略的策略编码向量进行相似度计算。相似度计算的方法可以采用多种度量方式，例如余弦相似度、欧氏距离等，具体选择方法应根据实际需求和数据特征进行决策。通过相似度计算，服务器得到每个五维编码向量对应的目标相似度。目标相似度表示了该向量与各个候选处理策略的相似程度，从而衡量了该处理策略与目标事件之间的匹配程度。根据每个五维编码向量对应的目标相似度，服务器从多个候选处理策略中确定目标处理策略集合。这可以通过选择具有最高相似度的处理策略作为目标处理策略，或者根据设定的阈值选择相似度高于阈值的处理策略来实现。例如，假设服务器有三个候选处理策略：策略A、策略B和策略C，并且目标事件编码矩阵中包含三个五维编码向量：V1、V2和V3。服务器对每个五维编码向量与每个候选处理策略的策略编码向量进行相似度计算，并得到如下的相似度结果：对于V1，与策略A的相似度为0.85，与策略B的相似度为0.72，与策略C的相似度为0.91；对于V2，与策略A的相似度为0.56，与策略B的相似度为0.82，与策略C的相似度为0.67；对于V3，与策略A的相似度为0.92，与策略B的相似度为0.68，与策略C的相似度为0.75。根据相似度计算结果，服务器根据相似度计算结果，服务器确定每个五维编码向量对应的目标相似度最高的处理策略作为目标处理策略集合的一部分。例如，对于V1，最高相似度为0.91，与策略C的相似度最高，因此将策略C作为V1的目标处理策略。对于V2，最高相似度为0.82，与策略B的相似度最高，因此将策略B作为V2的目标处理策略。对于V3，最高相似度为0.92，与策略A的相似度最高，因此将策略A作为V3的目标处理策略。目标处理策略集合包括策略C、策略B和策略A，它们是根据每个五维编码向量对应的目标相似度确定的。这些处理策略可以进一步用于机房告警事件的处理和决策，以应对超限或异常情况。

上面对本发明实施例中机房告警事件处理方法进行了描述，下面对本发明实施例中机房告警事件处理装置进行描述，请参阅图5，本发明实施例中机房告警事件处理装置一个实施例包括：

构建模块501，用于对目标机房进行设备运行参数检测，得到多个目标设备运行参数，并构建所述多个目标设备运行参数对应的多个设备运行参数曲线；

检测模块502，用于获取参数越限阀值集合，并根据所述参数越限阀值集合对所述多个设备运行参数曲线进行参数超限检测，得到多个第一超限检测结果；

筛选模块503，用于对所述多个第一超限检测结果进行异常超限筛选，得到多个第二超限检测结果，并根据所述多个第二超限检测结果生成多个机房告警事件；

编码模块504，用于对所述多个机房告警事件进行告警事件编码，得到目标事件编码矩阵；

处理模块505，用于将所述目标事件编码矩阵输入预置的机房告警事件处理模型进行机房告警事件处理，得到目标处理策略集合。

通过上述各个组成部分的协同合作，对目标机房进行设备运行参数检测，得到多个目标设备运行参数，并构建多个设备运行参数曲线；获取参数越限阀值集合，并根据参数越限阀值集合对多个设备运行参数曲线进行参数超限检测，得到多个第一超限检测结果；对多个第一超限检测结果进行异常超限筛选，得到多个第二超限检测结果，并根据多个第二超限检测结果生成多个机房告警事件；对多个机房告警事件进行告警事件编码，得到目标事件编码矩阵；将目标事件编码矩阵输入机房告警事件处理模型进行机房告警事件处理，得到目标处理策略集合，本发明通过对机房设备的参数进行实时监测和分析，能够及时发现设备运行参数超限的情况，从而快速检测到设备故障或异常，通过将机房告警事件编码并输入处理模型进行自动处理，可以快速准确地确定最佳处理策略，通过对机房设备运行参数曲线的分析，获取大量的设备运行数据，进而提高了机房告警事件的处理准确率以及效率。

上面图5从模块化功能实体的角度对本发明实施例中的机房告警事件处理装置进行详细描述，下面从硬件处理的角度对本发明实施例中机房告警事件处理设备进行详细描述。

图6是本发明实施例提供的一种机房告警事件处理设备的结构示意图，该机房告警事件处理设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对机房告警事件处理设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在机房告警事件处理设备600上执行存储介质630中的一系列指令操作。

机房告警事件处理设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的机房告警事件处理设备结构并不构成对机房告警事件处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种机房告警事件处理设备，所述机房告警事件处理设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述机房告警事件处理方法的步骤。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述机房告警事件处理方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以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。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。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（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，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，本领域的普通技术人员应当理解：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)

1.一种机房告警事件处理方法，其特征在于，所述机房告警事件处理方法包括：

对目标机房进行设备运行参数检测，得到多个目标设备运行参数，并构建所述多个目标设备运行参数对应的多个设备运行参数曲线；

获取参数越限阀值集合，并根据所述参数越限阀值集合对所述多个设备运行参数曲线进行参数超限检测，得到多个第一超限检测结果；

对所述多个第一超限检测结果进行异常超限筛选，得到多个第二超限检测结果，并根据所述多个第二超限检测结果生成多个机房告警事件；

对所述多个机房告警事件进行告警事件编码，得到目标事件编码矩阵；

将所述目标事件编码矩阵输入预置的机房告警事件处理模型进行机房告警事件处理，得到目标处理策略集合。

2.根据权利要求1所述的机房告警事件处理方法，其特征在于，所述对目标机房进行设备运行参数检测，得到多个目标设备运行参数，并构建所述多个目标设备运行参数对应的多个设备运行参数曲线，包括：

对目标机房进行设备运行参数检测，得到多个目标设备运行参数，其中，所述多个目标设备运行参数包括UPS设备运行参数、配电柜运行参数以及发电机设备运行参数；

对所述UPS设备运行参数进行UPS设备参数解析，得到多个UPS设备参数，其中，所述多个UPS设备参数包括UPS整流器参数、逆变器参数、旁路参数以及负载参数；

分别对所述多个UPS设备参数进行参数曲线转换，得到多个UPS设备参数曲线，并对所述多个UPS设备参数曲线进行曲线集成，得到UPS设备运行参数曲线；

对所述配电柜运行参数进行配电柜线路参数解析，得到多个进线电源参数和多个支路电流参数；

对所述多个进线电源参数和所述多个支路电流参数进行参数曲线构建，得到多个进线电源参数曲线以及多个支路电流参数曲线，并对所述多个进线电源参数曲线以及所述多个支路电流参数曲线进行曲线集成，得到配电柜运行参数曲线；

对所述发电机设备运行参数进行发电机参数解析，得到多个发电机参数，其中，所述多个发电机参数包括输出电压参数、电流参数、功率参数、油压参数、水温参数以及转速参数；

分别对所述多个发电机参数进行曲线映射，得到多个发电机参数曲线，并对所述多个发电机参数曲线进行曲线集成，得到发电机设备运行参数曲线；

将所述UPS设备运行参数曲线、所述配电柜运行参数曲线以及所述发电机设备运行参数曲线作为对应的多个设备运行参数曲线。

3.根据权利要求2所述的机房告警事件处理方法，其特征在于，所述获取参数越限阀值集合，并根据所述参数越限阀值集合对所述多个设备运行参数曲线进行参数超限检测，得到多个第一超限检测结果，包括：

定义每个UPS设备参数、每个进线电源参数、每个支路电流参数以及每个发电机参数的参数越限阀值，并生成参数越限阀值集合；

对所述多个设备运行参数曲线进行特征点提取，得到每个设备运行参数曲线的多个曲线特征点；

对所述多个曲线特征点与所述参数越限阀值集合中对应的参数越限阀值进行比较，得到多个特征点比较结果；

将每个特征点比较结果的时间戳、设备标识和参数值记录为第一超限检测结果，得到多个第一超限检测结果。

4.根据权利要求3所述的机房告警事件处理方法，其特征在于，所述对所述多个第一超限检测结果进行异常超限筛选，得到多个第二超限检测结果，并根据所述多个第二超限检测结果生成多个机房告警事件，包括：

对所述多个第一超限检测结果进行异常超限相关度分析，得到所述多个第一超限检测结果之间的目标相关度，并根据所述目标相关度对所述多个第一超限检测结果进行初步筛选；

对所述多个第一超限检测结果进行异常超限等级排序，得到第一排序结果，并通过所述第一排序结果进行排序指标映射，得到第一结果排序指标；

对所述多个第一超限检测结果进行异常超限时长排序，得到第二排序结果，并通过所述第二排序结果进行排序指标映射，得到第二结果排序指标；

根据所述第一结果排序指标和所述第二结果排序指标，计算每个第一超限检测结果的目标排序指标，并将所述目标排序指标超过预设指标阈值的第一超限检测结果作为第二超限检测结果，得到多个第二超限检测结果；

基于每个第二超限检测结果的目标相关度、异常超限等级、异常超限时长、设备标识和参数值构建对应的机房告警事件，生成多个机房告警事件。

5.根据权利要求4所述的机房告警事件处理方法，其特征在于，所述对所述多个机房告警事件进行告警事件编码，得到目标事件编码矩阵，包括：

对每个第二超限检测结果的目标相关度、异常超限等级、异常超限时长、设备标识和参数值进行编码转换，得到每个第二超限检测结果的多个编码值；

将所述多个编码值作为向量元素，并根据预设的向量元素编码顺序生成每个第二超限检测结果的五维编码向量；

对每个第二超限检测结果的五维编码向量进行矩阵转换，得到目标事件编码矩阵。

6.根据权利要求1所述的机房告警事件处理方法，其特征在于，所述机房告警事件处理方法还包括：

获取多个候选处理策略，并对所述多个候选处理策略进行文本转换，得到文本序列数据，并对所述文本序列数据进行字符串转换，得到目标字符串数据；

对所述目标字符串数据进行命名实体识别和分词操作，得到目标分词结果，并将所述目标分词结果中的多个分词词汇映射到预设编码词汇表，其中，所述分词词汇与所述编码词汇表中的词汇编码一一对应；

根据所述编码词汇表，将所述文本序列数据转换为策略编码向量，得到每个候选处理策略的策略编码向量；

对每个候选处理策略的策略编码向量进行模型转换，生成机房告警事件处理模型。

7.根据权利要求6所述的机房告警事件处理方法，其特征在于，所述将所述目标事件编码矩阵输入预置的机房告警事件处理模型进行机房告警事件处理，得到目标处理策略集合，包括：

将所述目标事件编码矩阵输入预置的机房告警事件处理模型，其中，所述机房告警事件处理模型包括多个候选处理策略以及每个候选处理策略的策略编码向量；

对所述目标事件编码矩阵中的多个五维编码向量与每个候选处理策略的策略编码向量进行相似度计算，得到每个五维编码向量对应的目标相似度；

根据每个五维编码向量对应的目标相似度，从所述多个候选处理策略中确定目标处理策略集合。

8.一种机房告警事件处理装置，其特征在于，所述机房告警事件处理装置包括：

构建模块，用于对目标机房进行设备运行参数检测，得到多个目标设备运行参数，并构建所述多个目标设备运行参数对应的多个设备运行参数曲线；

检测模块，用于获取参数越限阀值集合，并根据所述参数越限阀值集合对所述多个设备运行参数曲线进行参数超限检测，得到多个第一超限检测结果；

筛选模块，用于对所述多个第一超限检测结果进行异常超限筛选，得到多个第二超限检测结果，并根据所述多个第二超限检测结果生成多个机房告警事件；

编码模块，用于对所述多个机房告警事件进行告警事件编码，得到目标事件编码矩阵；

处理模块，用于将所述目标事件编码矩阵输入预置的机房告警事件处理模型进行机房告警事件处理，得到目标处理策略集合。

9.一种机房告警事件处理设备，其特征在于，所述机房告警事件处理设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述机房告警事件处理设备执行如权利要求1-7中任一项所述的机房告警事件处理方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的机房告警事件处理方法。