CN117079211B - 一种网络机房的安全监控系统及其方法 - Google Patents
一种网络机房的安全监控系统及其方法 Download PDFInfo
- Publication number
- CN117079211B CN117079211B CN202311032831.2A CN202311032831A CN117079211B CN 117079211 B CN117079211 B CN 117079211B CN 202311032831 A CN202311032831 A CN 202311032831A CN 117079211 B CN117079211 B CN 117079211B
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- module
- monitoring
- machine room
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 167
- 238000007405 data analysis Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000004044 response Effects 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 38
- 230000007613 environmental effect Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 12
- 241000282414 Homo sapiens Species 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 241001465754 Metazoa Species 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 241000282412 Homo Species 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000002955 isolation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000002123 temporal effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000004781 supercooling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种网络机房的安全监控系统及其方法,属于机房监控技术领域。系统包括异常对象监控模块、数据监控模块、环境监控模块、数据分析模块和响应处理模块;异常对象监控模块用于持续采集机房内的视频数据;数据监控模块用于监测机房设备数据;环境监控模块用于监测机房的环境参数;数据分析模块根据视频数据识别对象异常事件,通过分析机房设备数据识别数据异常事件,通过分析环境参数识别环境异常事件;响应处理模块根据数据分析模块传输的异常信息进行异常事件处理。数据分析模块通过采用不同的模型和算法,针对不同类型的异常事件进行识别和分析,从而提高系统的效率和可靠性,并在节省计算资源的同时保证检测精准度。
Description
技术领域
本发明涉及机房监控技术领域,具体是一种网络机房的安全监控系统及其方法。
背景技术
随着信息化技术迅速发展和全面应用,各类企业、机构的数据中心和服务器机房规模越来越大,机房设备也越来越复杂,维护难度越来越大。网络机房的监控系统可以帮助机房运维人员及时发现并处理异常情况,保证机房的安全性和稳定性。
在监控系统中,为了确保机房设的安全和稳定运行,需要对机房中的各种数据进行实时监测和分析。然而,由于影响机房设备安全的因素众多,单一的监测方法往往无法对数据进行全面准确的识别和分析,导致异常事件的漏报或误报。并且在具备自动检测异常对象功能的监控系统中,需要对视频数据进行处理和分析,以便及时发现异常情况并采取相应的措施。但是,由于监控数据量大、复杂性高,传统的行为识别方法会耗费大量的计算资源。
发明内容
为解决上述背景技术中存在的问题,本发明提出了一种网络机房的安全监控系统,包括异常对象监控模块、数据监控模块、环境监控模块、数据分析模块和响应处理模块;
异常对象监控模块用于持续采集机房内的视频数据;
数据监控模块用于监测机房设备数据;
环境监控模块用于监测机房的环境参数;
数据分析模块与异常对象监控模块、数据监控模块和环境监控模块分别通信连接,根据视频数据识别对象异常事件,通过分析机房设备数据识别数据异常事件,通过分析环境参数识别环境异常事件;
响应处理模块与数据分析模块通信连接,根据数据分析模块传输的异常信息进行异常事件处理;
所述数据分析模块包括异常对象识别模块;异常对象识别模块包括图像采样模块、目标监测模型和行为识别模型;所述异常对象识别模块通过识别策略控制图像采样模块、目标监测模型和行为识别模型;所述识别策略表示为:
使用图像采样模块接收异常对象监控模块传输的视频数据,并根据预设检测间隔采样视频数据的帧图像作为图像数据;
将图像数据输入目标监测模型进行目标检测,识别异常对象的类别;
对于识别到异常对象的类别为人类的图像数据,根据图像数据的帧序号匹配视频数据,将视频数据输入行为识别模型;
使用行为识别模型捕捉视频中的空间和时间信息,分析动作序列和时序特征识别异常对象行为。
作为本发明优选方案,所述目标监测模型为FasterR-CNN模型;所述FasterR-CNN模型通过生成候选区域、池化分类候选区域、边框回归和非极大值抑制操作得到检测结果。
作为本发明优选方案,所述行为识别模型为I3D模型;所述I3D模型通过在视频数据的视频帧间使用卷积运算捕捉与时间有关的信息,通过膨胀预训练将二维卷积网络权重扩展到三维,用于处理视频数据并输出每个动作类别的概率。
作为本发明优选方案,所述数据分析模块还包括异常数据识别模块;所述异常数据识别模块通过聚类算法模型分析机房设备数据,以识别数据异常事件。
作为本发明优选方案,所述机房设备数据包括运行状态、流量数据和连接数据;所述运行状态包括CPU利用率、内存利用率、磁盘利用率和服务启停状态;所述流量数据包括源IP地址、目标IP地址、传输协议和数据包大小;连接数据包括网络连接数和串口连接数。
作为本发明优选方案,所述异常数据识别模块通过网络管理协议收集机房设备数据。
作为本发明优选方案,所述环境监控模块包括UPS监测器、气体传感器、风速传感器、渗漏传感器、温度传感器和湿度传感器。
作为本发明优选方案,所述数据分析模块还包括异常环境识别模块;所述异常环境识别模块通过统计方法和预设阈值分析环境监控模块传输的环境参数。
作为本发明优选方案,所述异常信息包括异常事件位置、异常事件类型、异常数据和分析结果;所述异常事件处理,包括步骤:
解析数据分析模块传输的异常信息,根据异常事件位置获取受影响的机房设备信息;
根据机房设备信息和异常信息设定风险等级,根据风险等级向相关人类传输警报,并执行对应措施;对于低风险情况,减小预设检测间隔以采样更多视频数据的帧图像作为图像数据,以及调节对应的环境参数;对于中风险情况,加强对网络流量的监控和分析,或通知相关人类前往受影响的机房设备进行排查和修复工作;对于高风险情况,执行紧急关机、物理隔离和备份数据;
记录异常事件处理过程数据,包括异常信息、异常溯源、处理方式和处理结果。
本发明还提供一种网络机房的安全监控方法,应用于如上所述的安全监控系统,包括以下步骤:
步骤S1、监测机房设备数据、机房设备数据和环境参数并传输到数据分析模块;
步骤S2、数据分析模块根据视频数据识别对象异常事件,根据机房设备数据识别数据异常事件,根据环境参数识别环境异常事件,并生成异常信息传输至相应处理模块;
步骤S3、响应处理模块根据异常信息进行异常事件处理;
其中,所述根据视频数据识别对象异常事件,包括以下步骤:
图像采样模块根据预设的检测间隔,从视频数据中采样若干帧图像作为图像数据;
将图像数据输入目标监测模型中进行目标检测,识别出图像的异常对象,并确定异常对象的类别;所述异常对象的类别,包括人类、动物和其他物体;
若识别到的异常对象类别为人类,将所述图像数据的帧序号与视频数据进行匹配,确定对应的视频数据;
将匹配到的视频数据输入到行为识别模型,捕获视频中的空间和时间信息,通过分析动作序列和时序特征,识别出异常对象行为。
与现有技术相比,本发明具有如下有益效果:
本申请提供的异常对象识别模块结合使用目标监测模型和行为识别模型,通过目标监测模型筛选图像数据,根据筛选的图像数据的帧序号匹配视频数据,对关键的部分视频数据进行行为识别模型分析,从而节省计算资源且保证检测精准度。
本申请提供的目标监测模型为FasterR-CNN模型,FasterR-CNN模型采用两个阶段的检测流程,即首先通过RPN生成候选区域,然后进行分类候选区域和边框回归的处理,以适应人类和小动物等各种尺寸和形态的目标,从而精确地进行目标定位和分类。
本申请提供的行为识别模型采用I3D模型,I3D模型能够同时捕获空间和时间信息,使其在行为识别的视频理解任务上达到了很好的效果;并且,通过预训练二维卷积网络权重,避免了直接在视频数据上训练三维卷积网络的巨大计算成本。
本申请提供的数据分析模块通过目标检测模型和行为识别模型识别对象异常事件,通过聚类算法分析机房设备数据识别数据异常事件,通过统计方法和预设阈值分析环境参数识别环境异常事件。通过采用不同的模型和算法,以根据具体问题的特点和需求,针对不同类型的异常事件进行快速、准确的识别和分析,从而提高系统的效率和可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明一实施例的网络机房的安全监控系统的结构示意图;
图2为本发明一实施例的识别策略的流程示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做出创造性劳动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。需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
请参阅图1,本发明提供了一种网络机房的安全监控系统,包括异常对象监控模块、数据监控模块、环境监控模块、数据分析模块和响应处理模块。
异常对象监控模块包括分散布置在机房中的摄像头,用于持续采集机房内的视频数据并传输至数据分析模块。
数据监控模块用于监测机房设备数据并发送至数据分析模块。
环境监控模块用于监测机房的环境参数并发送至数据分析模块。
数据分析模块与异常对象监控模块、数据监控模块和环境监控模块分别通信连接,根据视频数据识别对象异常事件,通过分析机房设备数据识别数据异常事件,通过分析环境参数识别环境异常事件。
响应处理模块与数据分析模块通信连接,根据数据分析模块传输的异常信息进行异常事件处理。
具体的,数据分析模块包括异常对象识别模块。异常对象识别模块包括图像采样模块、目标监测模型和行为识别模型,图像采样模块用于采样视频数据得到图像数据。目标监测模型根据图像数据识别对象异常事件,即机房内存在异常对象,并识别异常对象的类别;其中,异常对象的类别包括人类、动物和其他物体。行为识别模型根据视频数据识别异常对象行为。
作为优选实施例,目标监测模型为FasterR-CNN模型,用于检测图像中的异常对象。具体的,FasterR-CNN模型通过生成候选区域、池化分类候选区域、边框回归和非极大值抑制操作得到检测结果。
生成候选区域具体为:对输入图像进行卷积运算和特征提取,然后使用RPN(RegionProposalNetwork)网络在特征图上生成候选区域。其中,RPN是一个小型的、完全卷积的网络,能够生成一些候选区域之后再进行进一步的筛选和分类。
池化分类候选区域具体为:对于每个RPN生成的候选区域,在特征图上进行感兴趣区域池化(RoIPooling)操作,将变长的特征向量统一为固定长度的特征向量,然后对这些特征向量进行分类,并得到每个感兴趣区域属于哪一类别的概率。
边框回归具体为:对于每个感兴趣区域,使用边框回归算法对其位置和大小进行微调,以获得精准的物体位置。
非极大值抑制操作具体为:使用非极大值抑制(NMS)筛选出最终的检测结果。非极大值抑制会从若干相交的候选边界框中,选择概率最高的边界框,然后去掉与其高度合的其它边界框,再选取下一个概率最高的边界框,重复这个步骤直到完成检测。
基于前述内容,FasterR-CNN模型采用两个阶段的检测流程,即首先通过RPN生成候选区域,然后进行分类候选区域和边框回归的处理,以适应人类和小动物等各种尺寸和形态的目标,从而精确地进行目标定位和分类。
作为优选实施例,行为识别模型为I3D(Inflated3DConvNet)模型。I3D模型基于三维卷积神经网络(3D-CNNs),旨在获取视频中的时间和空间特征。与仅获取图像空间特征的二维卷积对比,三维卷积能获取物体随着时间进行的动态变化,因此可以捕捉到视频中的时间信息和空间信息。
具体的,I3D模型统通过在视频数据的视频帧间使用一组额外的卷积运算捕捉与时间有关的信息;并且,I3D通过膨胀预训练将二维卷积网络权重(如Inception-v1或ResNet)扩展到三维,使其得可以用于处理视频数据,并输出每个动作类别的概率,从而识别异常对象行为。
基于前述内容,I3D模型的优点在于能够同时捕获空间和时间信息,使其在行为识别的视频理解任务上达到了很好的效果;并且,通过预训练二维卷积网络权重,避免了直接在视频数据上训练三维卷积网络的巨大计算成本。
然而,由于I3D模型采用了基于3D卷积的架构,要求在和空间维度上进行计算,因此消耗的计算资源较多且计算时间较长。特别是对于长时间的视频片段来说,需要处理更大数量的数据和特征图。因此,作为优选实施例,所述异常对象识别模块通过识别策略控制图像采样模块、目标监测模型和行为识别模型。其参阅图2,所述识别策略表示为:
a.使用图像采样模块接收异常对象监控模块传输的视频数据,并根据预设检测间隔采样视频数据的帧图像作为图像数据;
b.将图像数据输入目标监测模型进行目标检测,识别异常对象的类别;
c.对于识别到异常对象的类别为人类的图像数据,根据图像数据的帧序号匹配视频数据,将视频数据输入行为识别模型;
d.使用行为识别模型捕捉视频中的空间和时间信息,分析动作序列和时序特征识别异常对象行为。
基于前述内容,异常对象识别模块结合使用目标监测模型和行为识别模型,通过目标监测模型筛选图像数据,根据筛选的图像数据的帧序号匹配视频数据,仅对关键的部分视频数据进行行为识别模型分析,从而节省计算资源且保证检测精准度。
作为优选实施例,所述数据分析模块还包括异常数据识别模块。异常数据识别模块通过聚类算法模型分析机房设备数据,以识别数据异常事件。在一实施例中,聚类算法模型采用K-Means聚类算法。K-Means聚类算法根据给定的聚类数量将机房设备数据的特征分为K个簇,并将簇内数据点之间的距离最小化,从而发现这些数据之间的相似性,并且可以进行异常检测和诊断。
在一实施例中,机房设备数据包括运行状态、流量数据和连接数据。所述运行状态包括CPU利用率、内存利用率、磁盘利用率和服务启停状态;所述流量数据包括源IP地址、目标IP地址、传输协议和数据包大小;连接数据包括网络连接数和串口连接数。基于以上内容,K-Means聚类算法将机房设备数据分成十个簇后,对每个簇检查其均值、方差、标准差等基本统计值,来确定其正常值区间,并依此识别数据异常状态;与常规手段相比,可以避免因预设阈值不准确而误判设备状态为异常,或忽略掉真实异常情况的情况出现。
进一步地,异常数据识别模块通过网络管理协议(SNMP)收集机房设备数据。网络管理协议是一种互联网标准协议,用于管理和监控网络上的设备。具体的,机房设备中安装有监控软件,监控软件通过SNMP代理收集机房设备数据,然后通过SNMP协议传输至异常数据识别模块。通过网络管理协议,数据监控模块有效地对整个网络中的设备进行实时监控,提升系统稳定性和可靠性。
作为优选实施例,环境监控模块包括:
UPS监测器,用于监测UPS(不间断电源)设备的状态,可以获取电池电量、输入输出电压、负载等信息,以确保设备供电的可用性;
气体传感器,用于监测机房内气体浓度,如二氧化碳传感器用于检测CO2浓度,以提醒采取通风措施;
风速传感器,用于监测机房内的风速,以确保机房内的适宜通风效果。
渗漏传感器,用于监测机柜内部或机房地面是否有液体渗漏,提前预警避免损失;
温度传感器,用于监测机房环境温度和机房设备温度,避免设备过冷或过热,影响设备性能和寿命;
湿度传感器,用于监测机房环境湿度,湿度过高可能导致设备的腐蚀和腐败,湿度过低可能导致静电积累。
作为优选实施例,数据分析模块还包括异常环境识别模块。环境监控模块获取的环境参数包括供电数据、气体浓度、风速、渗漏量、温度和湿度。异常环境识别模块通过统计方法和相关预设阈值分析环境监控模块传输的环境参数识别环境异常事件。
其中,所述统计方法包括计算以下参数:
环境参数的平均值,用于评估环境参数是否偏离了正常范围。
环境参数的标准差,用于衡量环境参数的变异程度,从而判断是否存在异常情况。
环境参数的最大值和最小值,用于判断数值是否在预设阈值范围之外的数值。
环境参数的偏度和峰度,用于检测环境参数是否偏斜或呈现非正常分布。
依此,异常环境识别模块可以快速且准确地识别出环境异常事件。与人工对环境参数进行监测相比,这种自动化的方法可以大大减少人工工作量提高环境异常识别的效率和准确性。
基于前述内容,数据分析模块通过目标检测模型和行为识别模型识别对象异常事件,通过聚类算法分析机房设备数据识别数据异常事件,通过统计方法和预设阈值分析环境参数识别环境异常事件。通过采用不同的模型和算法,以根据具体问题的特点和需求,针对不同类型的异常事件进行快速、准确的识别和分析,从而提高系统的效率和可靠性。
作为优选实施例,所述异常信息包括异常事件位置、异常事件类型、异常数据和分析结果;所述异常事件类型包括对象异常事件、数据异常事件和环境异常事件。
进一步地,所述异常事件处理,包括步骤:
解析数据分析模块传输的异常信息,根据异常事件位置获取受影响的机房设备信息。
根据机房设备信息和异常信息设定风险等级,根据风险等级向相关人员传输警报,并执行对应措施;其中,风险等级可分为低、中、高等级;对于低风险情况,加强设备监控和警戒程度,包括减小预设检测间隔以采样更多视频数据的帧图像作为图像数据,以及调节对应的环境参数等;对于中风险情况,加强对网络流量的监控和分析以及时发现和应对网络攻击和异常流量情况,或通知相关人员前往受影响的机房设备进行排查和修复工作;对于高风险情况,执行紧急关机、物理隔离、备份数据等措施,以保证系统的安全和稳定运行。
记录异常事件处理过程数据,包括异常信息、异常溯源、处理方式和处理结果。
基于以上网络机房的安全监控系统,本发明还提供一种网络机房的安全监控方法,包括以下步骤:
步骤S1、监测机房设备数据、机房设备数据和环境参数并传输到数据分析模块。
步骤S2、数据分析模块根据视频数据识别对象异常事件,根据机房设备数据识别数据异常事件,根据环境参数识别环境异常事件,并生成异常信息传输至相应处理模块。
步骤S3、响应处理模块根据异常信息进行异常事件处理。
其中,所述根据视频数据识别对象异常事件,包括以下步骤:
图像采样模块根据预设的检测间隔,从视频数据中采样若干帧图像作为图像数据;
将图像数据输入目标监测模型中进行目标检测,识别出图像的异常对象,并确定异常对象的类别;异常对象的类别,包括人类、动物和其他物体;
若识别到的异常对象类别为人类,将该图像数据的帧序号与视频数据进行匹配,确定对应的视频数据;
将匹配到的视频数据输入到行为识别模型,捕获视频中的空间和时间信息,通过分析动作序列和时序特征,识别出异常对象行为。
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。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块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,本申请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)执行本申请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(ROM,read-onlymemory)、随机存取存储器(RAM,randomaccess memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (2)
1.一种网络机房的安全监控系统,其特征在于:包括异常对象监控模块、数据监控模块、环境监控模块、数据分析模块和响应处理模块;
异常对象监控模块用于持续采集机房内的视频数据;
数据监控模块用于监测机房设备数据;
环境监控模块用于监测机房的环境参数;
数据分析模块与异常对象监控模块、数据监控模块和环境监控模块分别通信连接,根据视频数据识别对象异常事件,通过分析机房设备数据识别数据异常事件,通过分析环境参数识别环境异常事件;
响应处理模块与数据分析模块通信连接,根据数据分析模块传输的异常信息进行异常事件处理;
所述数据分析模块包括异常对象识别模块;异常对象识别模块包括图像采样模块、目标监测模型和行为识别模型;所述异常对象识别模块通过识别策略控制图像采样模块、目标监测模型和行为识别模型;所述识别策略表示为:
使用图像采样模块接收异常对象监控模块传输的视频数据,并根据预设检测间隔采样视频数据的帧图像作为图像数据;
将图像数据输入目标监测模型进行目标检测,识别异常对象的类别;
对于识别到异常对象的类别为人类的图像数据,根据图像数据的帧序号匹配视频数据,将视频数据输入行为识别模型;
使用行为识别模型捕捉视频中的空间和时间信息,分析动作序列和时序特征识别异常对象行为;
其中,
所述目标监测模型为Faster R-CNN模型;所述Faster R-CNN模型通过生成候选区域、池化分类候选区域、边框回归和非极大值抑制操作得到检测结果;
所述行为识别模型为I 3D模型;所述I 3D模型通过在视频数据的视频帧间使用卷积运算捕捉与时间有关的信息,通过膨胀预训练将二维卷积网络权重扩展到三维,用于处理视频数据并输出每个动作类别的概率;
所述数据分析模块还包括异常数据识别模块;所述异常数据识别模块通过聚类算法模型分析机房设备数据,以识别数据异常事件;
所述机房设备数据包括运行状态、流量数据和连接数据;所述运行状态包括CPU利用率、内存利用率、磁盘利用率和服务启停状态;所述流量数据包括源IP地址、目标IP地址、传输协议和数据包大小;连接数据包括网络连接数和串口连接数;
所述异常数据识别模块通过网络管理协议收集机房设备数据;
所述环境监控模块包括UPS监测器、气体传感器、风速传感器、渗漏传感器、温度传感器和湿度传感器;
所述数据分析模块还包括异常环境识别模块;所述异常环境识别模块通过统计方法和预设阈值分析环境监控模块传输的环境参数;
所述异常信息包括异常事件位置、异常事件类型、异常数据和分析结果;所述异常事件处理,包括步骤:
解析数据分析模块传输的异常信息,根据异常事件位置获取受影响的机房设备信息;
根据机房设备信息和异常信息设定风险等级,根据风险等级向相关人类传输警报,并执行对应措施;对于低风险情况,减小预设检测间隔以采样更多视频数据的帧图像作为图像数据,以及调节对应的环境参数;对于中风险情况,加强对网络流量的监控和分析,或通知相关人类前往受影响的机房设备进行排查和修复工作;对于高风险情况,执行紧急关机、物理隔离和备份数据;
记录异常事件处理过程数据,包括异常信息、异常溯源、处理方式和处理结果。
2.一种网络机房的安全监控方法,其特征在于:应用于如权利要求1所述的安全监控系统,包括以下步骤:
步骤S1、监测机房设备数据、机房设备数据和环境参数并传输到数据分析模块;
步骤S2、数据分析模块根据视频数据识别对象异常事件,根据机房设备数据识别数据异常事件,根据环境参数识别环境异常事件,并生成异常信息传输至相应处理模块;
步骤S3、响应处理模块根据异常信息进行异常事件处理;
其中,所述根据视频数据识别对象异常事件,包括以下步骤:
图像采样模块根据预设的检测间隔,从视频数据中采样若干帧图像作为图像数据;
将图像数据输入目标监测模型中进行目标检测,识别出图像的异常对象,并确定异常对象的类别;所述异常对象的类别,包括人类、动物和其他物体;
若识别到的异常对象类别为人类,将所述图像数据的帧序号与视频数据进行匹配,确定对应的视频数据;
将匹配到的视频数据输入到行为识别模型,捕获视频中的空间和时间信息,通过分析动作序列和时序特征,识别出异常对象行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311032831.2A CN117079211B (zh) | 2023-08-16 | 2023-08-16 | 一种网络机房的安全监控系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311032831.2A CN117079211B (zh) | 2023-08-16 | 2023-08-16 | 一种网络机房的安全监控系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117079211A CN117079211A (zh) | 2023-11-17 |
CN117079211B true CN117079211B (zh) | 2024-06-04 |
Family
ID=88707351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311032831.2A Active CN117079211B (zh) | 2023-08-16 | 2023-08-16 | 一种网络机房的安全监控系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117079211B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117392614B (zh) * | 2023-12-11 | 2024-03-29 | 广州泛美实验室系统科技股份有限公司 | 实验室安全风险智能检测方法、装置以及应急安全柜 |
CN117743659B (zh) * | 2024-02-21 | 2024-05-03 | 上海幕库科技发展有限公司 | 一种集成动力、环境和安防监控的机房监控方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7382244B1 (en) * | 2007-10-04 | 2008-06-03 | Kd Secure | Video surveillance, storage, and alerting system having network management, hierarchical data storage, video tip processing, and vehicle plate analysis |
KR101282297B1 (ko) * | 2012-03-20 | 2013-07-10 | 박상현 | 트랜젝션 패턴분석·모니터링을 통한 서비스 네트워크형 통합보안장치 및 방법 |
WO2020248386A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技(深圳)有限公司 | 视频分析方法、装置、计算机设备及存储介质 |
CN112685737A (zh) * | 2020-12-24 | 2021-04-20 | 恒安嘉新(北京)科技股份公司 | 一种app的检测方法、装置、设备及存储介质 |
WO2021232387A1 (zh) * | 2020-05-22 | 2021-11-25 | 南京云创大数据科技股份有限公司 | 一种多功能的智能信号控制系统 |
CN114338338A (zh) * | 2021-12-29 | 2022-04-12 | 宿迁市数博软件科技有限公司 | 一种基于大数据的5g机房智能化管理系统 |
CN114979580A (zh) * | 2022-05-25 | 2022-08-30 | 河南龙翼信息技术有限公司 | 一种用于机房监控的图像识别装置及方法 |
CN115841730A (zh) * | 2022-11-16 | 2023-03-24 | 华能新能源工程建设(北京)有限公司 | 视频监控系统、异常事件检测方法 |
CN115860729A (zh) * | 2023-02-17 | 2023-03-28 | 河北信服科技有限公司 | 一种it运维综合管理系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220185625A1 (en) * | 2020-12-15 | 2022-06-16 | Abacus Sensor, Inc. | Camera-based sensing devices for performing offline machine learning inference and computer vision |
-
2023
- 2023-08-16 CN CN202311032831.2A patent/CN117079211B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7382244B1 (en) * | 2007-10-04 | 2008-06-03 | Kd Secure | Video surveillance, storage, and alerting system having network management, hierarchical data storage, video tip processing, and vehicle plate analysis |
KR101282297B1 (ko) * | 2012-03-20 | 2013-07-10 | 박상현 | 트랜젝션 패턴분석·모니터링을 통한 서비스 네트워크형 통합보안장치 및 방법 |
WO2020248386A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技(深圳)有限公司 | 视频分析方法、装置、计算机设备及存储介质 |
WO2021232387A1 (zh) * | 2020-05-22 | 2021-11-25 | 南京云创大数据科技股份有限公司 | 一种多功能的智能信号控制系统 |
CN112685737A (zh) * | 2020-12-24 | 2021-04-20 | 恒安嘉新(北京)科技股份公司 | 一种app的检测方法、装置、设备及存储介质 |
CN114338338A (zh) * | 2021-12-29 | 2022-04-12 | 宿迁市数博软件科技有限公司 | 一种基于大数据的5g机房智能化管理系统 |
CN114979580A (zh) * | 2022-05-25 | 2022-08-30 | 河南龙翼信息技术有限公司 | 一种用于机房监控的图像识别装置及方法 |
CN115841730A (zh) * | 2022-11-16 | 2023-03-24 | 华能新能源工程建设(北京)有限公司 | 视频监控系统、异常事件检测方法 |
CN115860729A (zh) * | 2023-02-17 | 2023-03-28 | 河北信服科技有限公司 | 一种it运维综合管理系统 |
Non-Patent Citations (5)
Title |
---|
基于卷积神经网络的人脸识别在开放机房的应用;李玉玲;王祥仲;;物联网技术;20200618(第06期);全文 * |
数据中心视频安防监控系统的设计要点;蔡增谊;张晓波;;建筑电气;20091225(第12期);全文 * |
机房环境监控系统的设计与实现;刘彤军;田民;;自动化技术与应用;20080825(第08期);全文 * |
电力调度自动化机房综合管理平台的开发应用;施佳锋;马军;张宏杰;丁皓;;宁夏电力;20170828(第04期);全文 * |
钻井过程人员异常行为视频智能识别系统;王文正;吴德松;李千登;;安全、健康和环境;20200215(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117079211A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117079211B (zh) | 一种网络机房的安全监控系统及其方法 | |
LU502731B1 (en) | Method for monitoring abnormality of power production, apparatus, computer device, and storage medium therefor | |
US10373065B2 (en) | Generating database cluster health alerts using machine learning | |
US8255522B2 (en) | Event detection from attributes read by entities | |
CN110659397B (zh) | 一种行为检测方法、装置、电子设备和存储介质 | |
CN111080775A (zh) | 一种基于人工智能的服务器巡检方法及系统 | |
CN103746829A (zh) | 一种基于集群的故障感知系统及其方法 | |
CN113343779B (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
WO2017048288A1 (en) | Image based fault state determination | |
JP2018148350A (ja) | 閾値決定装置、閾値決定方法及びプログラム | |
CN109117771B (zh) | 一种基于锚节点的图像中暴力事件检测系统及方法 | |
CN116823233B (zh) | 一种基于全周期运维的用户数据处理方法及系统 | |
CN114168374A (zh) | 基于集成异常检测器与根因分析结合的异常数据定位方法 | |
US7937347B2 (en) | Method and apparatus for component association inference, failure diagnosis and misconfiguration detection based on historical failure data | |
CN115145788A (zh) | 一种针对智能运维系统的检测数据生成方法和装置 | |
CN108804914A (zh) | 一种异常数据检测的方法及装置 | |
CN116668859B (zh) | 一种gis设备机房环境监控装置 | |
CN111555899B (zh) | 告警规则配置方法、设备状态监测方法、装置和存储介质 | |
Zheng et al. | Anomaly localization in large-scale clusters | |
CN117114420A (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
CN116863664A (zh) | 燃气设备的实时监测方法以及燃气设备监测系统 | |
CN111950494A (zh) | 基于卷积神经网络的监控方法、装置及系统和可读存储介质 | |
CN116302795A (zh) | 一种基于人工智能的终端运维系统及方法 | |
CN117675230A (zh) | 基于知识图谱的油井数据完整性识别方法 | |
CN115097070A (zh) | 一种实验室智能一体化管理系统及方法 |
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 |