CN117493821B - 一种微模块机房环境监控方法及系统 - Google Patents

一种微模块机房环境监控方法及系统 Download PDF

Info

Publication number
CN117493821B
CN117493821B CN202410006657.2A CN202410006657A CN117493821B CN 117493821 B CN117493821 B CN 117493821B CN 202410006657 A CN202410006657 A CN 202410006657A CN 117493821 B CN117493821 B CN 117493821B
Authority
CN
China
Prior art keywords
machine room
array
expressions
parameter
network
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
Application number
CN202410006657.2A
Other languages
English (en)
Other versions
CN117493821A (zh
Inventor
唐奉章
王柱林
杨廷海
米姣姣
童亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Boctrl Technology Co ltd
Original Assignee
Shenzhen Boctrl Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Boctrl Technology Co ltd filed Critical Shenzhen Boctrl Technology Co ltd
Priority to CN202410006657.2A priority Critical patent/CN117493821B/zh
Publication of CN117493821A publication Critical patent/CN117493821A/zh
Application granted granted Critical
Publication of CN117493821B publication Critical patent/CN117493821B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种微模块机房环境监控方法及系统，在网络的优化过程中，原始机房环境状态预估网络在确定的v个样本对应的机房参数数组表达中，基于样本库中的各个机房环境参数数据样本对应的机房参数数组表达的特征分布模式，随机确定u个机房参数数组表达进行重建，得到u个生成数组表达，然后原始网络对未进行重建的v‑u个机房参数数组表达，以及重建后的u个生成数组表达进行机房环境状态预估，基于此进行网络优化。其中同时使用了机房环境参数数据样本库中的各微模块机房样本对应的实际的机房参数数组表达和生成数组表达进行网络优化，帮助网络学习到更多有用的信息，提升网络优化质量，进而提升网络对机房环境状态预估的可靠度。

Description

一种微模块机房环境监控方法及系统
技术领域
本公开涉及机器学习、数据处理领域，并且更具体地，涉及一种微模块机房环境监控方法及系统。
背景技术
随着信息技术的快速发展，数据中心、网络机房等设施的建设和维护变得越来越重要。在这些设施中，微模块机房作为一种新型的机房建设模式，已经得到了广泛的应用。微模块机房将传统机房的各个子系统整合为一个整体，实现了机房的模块化、标准化和快速部署。然而，微模块机房的环境监控一直是一个重要的问题。由于微模块机房内部设备密集，发热量较大，如果环境参数得不到有效的监控和管理，可能会导致设备故障、过热等问题，从而影响整个机房的正常运行。目前，常用的微模块机房环境监控方法主要包括传感器监测、视频监控等。其中，传感器监测是通过在机房内部布置温度、湿度、气压等传感器，实时监测环境参数，并将数据传输到监控系统进行分析和处理。该过程可以采用机器学习模型，如神经网络对采集的数据进行模式识别，如何保证训练的神经网络能够准确识别微模块机房中的环境状态是需要克服的技术问题。
发明内容
有鉴于此，本公开实施例至少提供一种微模块机房环境监控方法及系统。
根据本公开实施例的一个方面，提供了一种微模块机房环境监控方法，所述方法包括：
获取机房环境参数数据样本库；其中，每个机房环境参数数据样本包含一个微模块机房样本和监控样本标记，所述监控样本标记用于指示对应的微模块机房样本对应的目标环境状态倾向性；
依据所述机房环境参数数据样本库对原始机房环境状态预估网络进行迭代优化，获得目标机房环境状态预估网络，对于一代优化，包括如下操作：
分别挖掘v个机房环境参数数据样本各自包括的微模块机房样本的机房参数数组表达，在获取到的v个机房参数数组表达中确定u个机房参数数组表达；
依据所述u个机房参数数组表达，基于所述机房环境参数数据样本库中的各个机房环境参数数据样本的机房参数数组表达的特征分布模式，分别得到所述u个机房参数数组表达分别对应的生成数组表达；
依据获得的v-u个机房参数数组表达，以及u个生成数组表达分别对对应的微模块机房样本进行机房环境状态预估，得到对应的机房环境状态预估结果；
依据各机房环境状态预估结果和对应的监控样本标记生成状态目标函数，以对所述原始机房环境状态预估网络进行网络参数修正；
当迭代优化过程中，一代优化后的原始机房环境状态预估网络达到预设的优化截止条件时，获得所述目标机房环境状态预估网络；
基于所述目标机房环境状态预估网络对目标微模块机房的机房环境参数数据进行环境状态倾向性预估，得到环境状态倾向性预估结果，并将所述环境状态倾向性预估结果作为所述目标微模块机房的环境监控结果。
根据本公开实施例的一个示例，其中，所述原始机房环境状态预估网络是依据所述机房环境参数数据样本库对特征工程神经网络中的部分网络组件进行多对迭代优化获得的，其中，每一对迭代优化包括基于相同机房环境参数数据样本完成的两次迭代优化，在每一对迭代优化的首次迭代优化时，包括：
分别挖掘a个机房环境参数数据样本各自包括的微模块机房样本的机房参数数组表达；
依据所述a个机房参数数组表达，基于在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式，并基于在本对迭代优化中得到的a个机房参数数组表达的特征分布模式，分别得到所述a个机房参数数组表达分别对应的生成数组表达；
对所述a个生成数组表达的特征属性进行鉴别，所述特征属性包括机房参数数组表达属性与生成数组表达属性；
依据各个鉴别结果对所述特征工程神经网络进行网络参数修正。
根据本公开实施例的一个示例，其中，所述原始机房环境状态预估网络是依据所述机房环境参数数据样本库，对特征工程神经网络中的部分网络组件进行多对迭代优化获得的，其中，每一对迭代优化包括基于相同机房环境参数数据样本完成的两次迭代优化，在每一对迭代优化的第二次迭代优化过程中，包括：
分别挖掘a个机房环境参数数据样本各自包括的微模块机房样本的机房参数数组表达，在获取到的a个机房参数数组表达中确定b个机房参数数组表达；
依据所述b个机房参数数组表达，基于在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式，并基于在本对迭代优化中得到的a个机房参数数组表达的特征分布模式，分别得到所述b个机房参数数组表达分别对应的生成数组表达；
对所述a-b个机房参数数组表达，以及b个生成数组表达的特征属性进行鉴别；所述特征属性包括机房参数数组表达属性与生成数组表达属性；
依据各个鉴别结果对所述特征工程神经网络进行网络参数修正。
根据本公开实施例的一个示例，其中，所述依据所述a个机房参数数组表达，基于在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式，并基于在本对迭代优化中得到的a个机房参数数组表达的特征分布模式，分别得到所述a个机房参数数组表达分别对应的生成数组表达，包括：
将所述a个机房参数数组表达分别输入所述特征工程神经网络中的数组表达生成组件，依据在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式，以及在本对迭代优化中得到的a个机房参数数组表达的特征分布模式，得到所述a个机房参数数组表达分别对应的生成数组表达；
所述对所述a个生成数组表达的特征属性进行鉴别，包括：
依据所述特征工程神经网络中的数组表达鉴别组件分别对所述a个生成数组表达的特征属性进行鉴别，得到所述a个生成数组表达分别对应的第一鉴别结果，每个第一鉴别结果表示所述数组表达鉴别组件所预估得到的相应的生成数组表达的特征属性为机房参数数组表达属性与生成数组表达属性的支持系数。
根据本公开实施例的一个示例，其中，所述依据各个鉴别结果，对所述特征工程神经网络进行网络参数修正，包括：
依据各个第一鉴别结果生成第一目标函数；
以收敛所述第一目标函数为目标，对所述数组表达生成组件进行网络参数修正，对所述第一目标函数执行梯度逆向传递，以对所述特征工程神经网络中的特征映射组件进行网络参数修正，其中，所述特征映射组件用于进行特征挖掘。
根据本公开实施例的一个示例，其中，所述依据所述b个机房参数数组表达，基于在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式，并基于在本对迭代优化中得到的a个机房参数数组表达的特征分布模式，分别得到所述b个机房参数数组表达分别对应的生成数组表达，包括：
将所述b个机房参数数组表达分别输入所述特征工程神经网络中的数组表达生成组件，依据在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式，以及在本对迭代优化中得到的a个机房参数数组表达的特征分布模式，得到所述b个机房参数数组表达分别对应的生成数组表达；
所述对所述a-b个机房参数数组表达，以及b个生成数组表达的特征属性进行鉴别，包括：
依据所述特征工程神经网络中的数组表达鉴别组件，分别对所述a-b个机房参数数组表达，以及b个生成数组表达的特征属性进行鉴别，得到所述a-b个机房参数数组表达，以及b个生成数组表达分别对应的第二鉴别结果，每个第二鉴别结果代表所述数组表达鉴别组件所预估得到的相应的机房参数数组表达或生成数组表达的特征属性为机房参数数组表达属性与生成数组表达属性的支持系数。
根据本公开实施例的一个示例，其中，所述依据各个鉴别结果，对所述特征工程神经网络进行网络参数修正，包括：
依据各个第二鉴别结果生成第二目标函数；
以收敛所述第二目标函数为目标，对所述数组表达鉴别组件进行网络参数修正，对所述第二目标函数执行梯度逆向传递，以对所述特征工程神经网络中的特征映射组件进行网络参数修正，其中，所述特征映射组件用于进行特征挖掘。
根据本公开实施例的一个示例，其中，所述依据所述u个机房参数数组表达，基于所述机房环境参数数据样本库中的各个机房环境参数数据样本的机房参数数组表达的特征分布模式，分别得到所述u个机房参数数组表达分别对应的生成数组表达，包括：
将所述u个机房参数数组表达分别输入所述原始机房环境状态预估网络中的数组表达生成组件，依据所述机房环境参数数据样本库中的各个机房环境参数数据样本的机房参数数组表达的特征分布模式，得到所述u个机房参数数组表达分别对应的生成数组表达；
所述依据获得的v-u个机房参数数组表达，以及u个生成数组表达，分别对对应的微模块机房样本进行机房环境状态预估，得到对应的机房环境状态预估结果，包括：
将所述v-u个机房参数数组表达以及u个生成数组表达分别输入所述原始机房环境状态预估网络中的环境状态预估组件，以对对应的微模块机房样本进行机房环境状态预估，得到对应的机房环境状态预估结果。
根据本公开实施例的一个示例，其中，所述依据各机房环境状态预估结果和对应的监控样本标记生成状态目标函数，以对所述原始机房环境状态预估网络进行网络参数修正，包括：
依据各机房环境状态预估结果和对应的监控样本标记生成状态目标函数；
以收敛所述状态目标函数为目标，对所述环境状态预估组件进行网络参数修正，对所述状态目标函数执行梯度逆向传递，以对所述原始机房环境状态预估网络中的特征映射组件进行网络参数修正，其中，所述特征映射组件用于特征挖掘。
根据本公开实施例的另一方面，提供了一种微模块机房环境监控系统，包括监控设备和与所述监控设备通信连接的多个传感器设备，所述监控设备用于在所述多个传感器设备处获取目标微模块机房的机房环境参数数据，所述监控设备包括：
处理器；
以及存储器，其中所述存储器中存储有计算机程序，所述计算机程序在由所述处理器运行时，使得所述处理器执行以上所述的方法，
本公开的有益效果至少包括：
本公开实施例提供的微模块机房环境监控方法及系统，在网络的优化过程中，对于每一代优化，原始机房环境状态预估网络在确定的v个机房环境参数数据样本对应的机房参数数组表达中，基于机房环境参数数据样本库中的各个机房环境参数数据样本对应的机房参数数组表达的特征分布模式，随机确定u个机房参数数组表达进行重建，得到u个生成数组表达，然后原始机房环境状态预估网络对未进行重建的v-u个机房参数数组表达，以及重建后的u个生成数组表达进行机房环境状态预估，基于此进行网络优化。也就是说，原始机房环境状态预估网络在多次迭代优化时，同时使用了机房环境参数数据样本库中的各微模块机房样本对应的实际的机房参数数组表达和生成数组表达进行网络优化，帮助网络学习到更多有用的信息，提升网络优化质量，进而提升网络对机房环境状态预估的可靠度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开的技术方案。
附图说明
为了更清楚地说明本公开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公开的一些实施例，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是本公开提供的一种微模块机房环境监控系统的架构示意图；
图2是本公开提供的一种微模块机房环境监控方法的流程示意图；
图3是本公开实施例提供的一种微模块机房环境监控装置的结构示意图；
图4是本公开实施例提供的一种监控设备的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
为了便于更清楚理解本公开，首先介绍实现本公开的微模块机房环境监控方法的微模块机房环境监控系统，如图1所示，该微模块机房环境监控系统中包括服务器10和终端集群，终端集群可以包括一个或者多个终端，这里将不对终端的数量进行限制。如图1所示，传感器设备集群具体可以包括传感器设备1、传感器设备2、… 、传感器设备n；可以理解的是，传感器设备1、传感器设备2、传感器设备3、… 、传感器设备n均可以与监控设备10进行网络连接，以便于每个传感器设备均可以通过网络连接与监控设备10之间进行数据交互。
可理解的是，监控设备10可以是指执行数据处理的设备，该监控设备10还可以用于存储环境参数数据。其中，监控设备可以是独立的一个物理服务器，也可以是至少两个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、中容分发网络（ContentDelivery Network，CDN）、以及大数据和人工智能平台等基础云计算服务的云服务器。传感器设备具体可以是指温度传感器、湿度传感器、气压传感器、可燃气体传感器等等，但并不局限于此。监控设备用于在多个传感器设备处获取目标微模块机房的机房环境参数数据。各个传感器设备以及监控设备可以通过有线或无线通信方式进行直接或间接地连接，同时，传感器设备以及监控设备的数量可以为一个或至少两个，本公开在此不做限制。
进一步地，请参见图2，是本公开实施例提供的一种微模块机房环境监控方法的流程示意图。如图2所示，该方法可由图1中的监控设备来执行，其中，该微模块机房环境监控方法可以包括如下步骤：
操作S100：获取机房环境参数数据样本库。
机房环境参数数据样本包含了微模块机房中的环境参数数据，例如温度、湿度和空气质量等数据，这些数据是采集的微模块机房一个或多个周期的环境参数数据，一个周期的长度和一个周期内的采集频率不做限定。在本公开提供的神经网络在优化之初，机房环境参数数据样本库中仅包含少量的机房环境参数数据样本，每个机房环境参数数据样本包含一个微模块机房样本和监控样本标记，微模块机房样本即一个微模块机房，其涵盖了对应的环境参数数据，监控样本标记用于指示对应的微模块机房样本对应的目标环境状态倾向性，监控样本标记例如可以为数值或者字符。环境状态例如为微模块机房的温度、湿度、空气质量等环境参数的变化趋势，例如从稳定温度变化到温度过高的趋势、从稳定温度维持到稳定温度的趋势、从稳定湿度变化到湿度过高的趋势、从稳定湿度维持到稳定湿度的趋势等。
可以理解的是，机房环境参数数据样本库中的机房环境参数数据样本用于对原始机房环境状态预估网络进行优化，原始机房环境状态预估网络是对特征工程神经网络中的部分网络组件进行多对迭代优化获得的。其中，每一对迭代优化包括基于相同机房环境参数数据样本完成的两次迭代优化。特征工程神经网络是一种用以完成特征生成（又称为特征重建）的神经网络，其具体的网络结构将在后文进行说明。
上述的每一对迭代优化使用的机房环境参数数据样本也是在机房环境参数数据样本库中确定得到，机房环境参数数据样在确定时，可以为：机房环境参数数据样本库中的机房环境参数数据样本被划分成多个机房环境参数数据样本子集，每一对迭代优化使用相同的机房环境参数数据样本子集执行两次优化，后一对迭代优化再使用后一个机房环境参数数据样本子集进行优化，在全部机房环境参数数据样本子集都进行一对迭代优化后，仍能基于实际优化情况，又从第一个机房环境参数数据样本子集出发，继续对特征工程神经网络进行迭代优化。
本公开实施例中上述的特征工程神经网络，其网络组成结构包括特征映射组件、环境状态预估组件、数组表达生成组件与数组表达鉴别组件，其中，特征映射组件与环境状态预估组件为特征工程神经网络的主要组成组件，各个组件可以认为是特征工程神经网络中的不同的网络层。机房环境参数为特征映射组件的执行数据，特征映射组件与数组表达生成组件、数组表达鉴别组件和环境状态预估组件连接，数组表达生成组件与数组表达鉴别组件、环境状态预估组件连接，环境状态预估组件的输出结果为机房环境状态预估结果。
本质上，特征工程神经网络的优化过程为对数组表达生成组件与数组表达鉴别组件进行轮流优化的过程，举例来说，对于每一对迭代优化，首次迭代优化是对数组表达生成组件进行网络参数优化，数组表达鉴别组件不进行网络参数修正。每一对迭代优化中的第二次迭代优化，是对数组表达鉴别组件进行网络参数修正，数组表达生成组件不进行网络参数修正。
每一对迭代优化中，两次迭代优化的过程包括以下操作：
A：每一对迭代优化中，首次迭代优化为分别挖掘a个机房环境参数数据样本各自包括的微模块机房样本的机房参数数组表达；依据a个机房参数数组表达，基于在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式，并基于在本对迭代优化中得到的a个机房参数数组表达的特征分布模式，分别得到a个机房参数数组表达分别对应的生成数组表达；对a个生成数组表达的特征属性进行鉴别，特征属性包括机房参数数组表达属性与生成数组表达属性；依据各个鉴别结果，对特征工程神经网络进行网络参数修正。机房参数数组表达即对机房参数数据进行特征表示得到的结果，表达为一个数组，数组可以是一维数组或多维数组，可以理解，常规的表达中，一维数组为向量，二维数组为矩阵。特征分布模式表示的是多个机房参数数组表达在特征空间中的概率分布，或称为分布的规律，可以表达出数据的集中程度、离散程度、偏态性等性质。
以上操作A要先获得各微模块机房样本分别对应的机房参数数组表达，获取微模块机房样本的机房参数数组表达的过程可以包括：分别获取各个机房环境参数数据样本包含的微模块机房样本分别对应的机房环境参数；对获取到的各个机房环境参数分别进行特征挖掘，得到对应的机房参数数组表达。具体而言，每个微模块机房样本都分别对应相应的机房环境参数，机房环境参数存储在预设的存储空间中，每次迭代优化时，在该存储空间获取a个微模块机房样本分别对应的机房环境参数。然后将a个机房环境参数输入特征工程神经网络，通过特征工程神经网络中的特征映射组件对各机房环境参数进行特征挖掘，获取对应的机房参数数组表达，也就是说，机房参数数组表达是特征映射组件将机房环境参数通过数组进行嵌入表达的结果。特征映射组件可以实施为一个嵌入网络（EmbeddingLayer），通过将机房参数数据映射到低维度的数组空间，使得相似的输入数据在映射后的空间上产生聚集效应，且将高维度的离散或连续属性转换为低维度的稠密向量，以便于在神经网络中进行处理和计算。
特征映射组件输出a个机房参数数组表达之后，将a个机房参数数组表达分别输入特征工程神经网络中的数组表达生成组件，依据在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式，以及在本对迭代优化中得到的a个机房参数数组表达的特征分布模式，得到a个机房参数数组表达分别对应的生成数组表达；然后将a个生成数组表达输入特征工程神经网络中的数组表达鉴别组件，数组表达鉴别组件分别对a个生成数组表达的特征属性进行鉴别，得到a个生成数组表达分别对应的第一鉴别结果。
其中，特征属性包括机房参数数组表达属性与生成数组表达属性，也就是说，数组表达鉴别组件对a个生成数组表达进行类别鉴别，得到对应的对象是数组表达生成组件生成的生成数组表达，或原始的机房参数数组表达，鉴别结果即第一鉴别结果。第一鉴别结果可以是一个鉴别值，鉴别值∈[0,1]，用于指示数组表达鉴别组件预估得到的相应的生成数组表达的特征属性为机房参数数组表达属性与生成数组表达属性的支持系数，支持系数表示对应的可能性程度，可以用概率或置信度来表示。假如第一鉴别结果等于0，代表数组表达鉴别组件鉴别生成数组表达的特征属性为生成数组表达属性，也就是说，数组表达鉴别组件鉴别无误。假如第一鉴别结果等于1，代表数组表达鉴别组件鉴别生成数组表达的特征属性为机房参数数组表达属性，也就是说，数组表达鉴别组件鉴别有误。假如鉴别结果为0.2，代表数组表达鉴别组件鉴别生成数组表达的特征属性为机房参数数组表达属性的支持系数为0.2，为生成数组表达属性的支持系数为0.8。可以看出，以上的数组表达生成组件可以生成新的数组表达，具体的，数组表达生成组件可以是生成对抗网络（GAN）中的生成器，数组表达鉴别组件可以为生成对抗网络中的鉴别器。数组表达生成组件依据特征分布模式生成新的数组表达时，是生成与特征分布模式具有相似分布的新的数组表达。
最终，依据各第一鉴别结果生成第一目标函数；以收敛第一目标函数为目标对数组表达生成组件进行网络参数修正，对第一目标函数执行梯度逆向传递，以对特征工程神经网络中的特征映射组件进行网络参数修正。
第一目标函数又可以称为生成目标函数（Objective Function），目标函数又称为损失函数，在可行的设计中，第一目标函数O1可以为：
O1=-mean1(log(1-Discriminator(Generator(z))))
其中，O1为第一目标函数，mean1为生成数组表达集合的均值，生成数组表达集合包含本轮迭代优化数组表达生成组件生成的a个生成数组表达，z为生成数组表达，Generator(…)为数组表达生成组件，Discriminator(…)为数组表达鉴别组件，Discriminator(Generator(z))为第一鉴别结果。
B：每一对迭代优化中，第二次迭代优化包括：分别挖掘a个机房环境参数数据样本各自包括的微模块机房样本的机房参数数组表达，在获取到的a个机房参数数组表达中确定b个机房参数数组表达；依据b个机房参数数组表达，基于在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式，并基于在本对迭代优化中得到的a个机房参数数组表达的特征分布模式，分别得到b个机房参数数组表达分别对应的生成数组表达；对a-b个机房参数数组表达，以及b个生成数组表达的特征属性进行鉴别；特征属性包括机房参数数组表达属性与生成数组表达属性；依据各个鉴别结果，对特征工程神经网络进行网络参数修正。
上述操作B也要先获取各微模块机房样本分别对应的机房环境参数，然后依据特征工程神经网络中的特征映射组件，对获取到的各个机房环境参数分别进行特征挖掘，得到对应的机房参数数组表达。具体方式可对照每一对迭代优化中，首次迭代优化中的机房参数数组表达的获取方式。特征映射组件输出a个机房参数数组表达后，在a个机房参数数组表达中随意确定b个机房参数数组表达，将b个机房参数数组表达输入特征工程神经网络中的数组表达生成组件，依据在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式，以及在本对迭代优化中得到的a个机房参数数组表达的特征分布模式，得到b个机房参数数组表达分别对应的生成数组表达；然后将a-b个机房参数数组表达以及b个生成数组表达输入特征工程神经网络中的数组表达鉴别组件，数组表达鉴别组件分别对a-b个机房参数数组表达，以及b个生成数组表达的特征属性进行鉴别，得到a-b个机房参数数组表达，以及b个生成数组表达分别对应的第二鉴别结果，b≤a。
每个第二鉴别结果代表数组表达鉴别组件所预估得到的相应的机房参数数组表达或生成数组表达的特征属性为机房参数数组表达属性与生成数组表达属性的支持系数；第二鉴别结果可以是一个鉴别值，该鉴别值∈[0,1]，假如第二鉴别结果等于0，代表数组表达鉴别组件鉴别机房参数数组表达或生成数组表达的特征属性为生成数组表达属性；假如第二鉴别结果等于1，代表数组表达鉴别组件鉴别机房参数数组表达或生成数组表达的特征属性为机房参数数组表达属性；假如鉴别结果等于0.4，代表数组表达鉴别组件鉴别机房参数数组表达或生成数组表达的特征属性为机房参数数组表达属性的支持系数为0.4，为生成数组表达属性的支持系数为0.6。这部分内容可参考操作A中的同理描述。最终，依据各第二鉴别结果生成第二目标函数；以收敛第二目标函数为目标，对数组表达鉴别组件进行网络参数修正，以及对第二目标函数执行梯度逆向传递，以对特征工程神经网络中的特征映射组件进行网络参数修正。
在可行的设计中，第二目标函数O2可以为：
O2=-mean2log(1-Discriminator(p))-mean1log(1-Discriminator(Generator(z)))
其中，O2为第二目标函数，mean1为生成数组表达集合的均值，生成数组表达集合包含本轮迭代优化中的a-b个机房参数数组表达；mean2为机房参数数组表达集合的均值，机房参数数组表达集合包含本轮迭代优化中数组表达生成组件所生成的b个生成数组表达；z为生成数组表达，p为机房参数数组表达，Generator(…)为数组表达生成组件，Discriminator(…)为数组表达鉴别组件，Discriminator(p)为机房参数数组表达对应的第二鉴别结果，Discriminator(Generator(z))为生成数组表达对应的第二鉴别结果。
举例而言，如果目标环境状态倾向性为从稳定温度变化到温度过高的趋势，先获取机房环境参数数据样本库，对特征工程神经网络进行多对迭代优化，得到原始机房环境状态预估网络。假如每一对迭代优化时，在机房环境参数数据样本库中确定10个机房环境参数数据样本，以及在对应的存储空间确定10个机房环境参数数据样本中的微模块机房样本分别对应的机房环境参数。然后将10个机房环境参数输入特征工程神经网络，特征工程神经网络中的特征映射组件分别输出10个机房环境参数分别对应的机房参数数组表达，数组表达生成组件则依据10个机房参数数组表达，依据在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式，以及在本对迭代优化中得到的10个机房参数数组表达的特征分布模式，得到10个机房参数数组表达分别对应的生成数组表达。将10个生成数组表达输入数组表达鉴别组件，数组表达鉴别组件输出10个生成数组表达分别对应的第一鉴别结果，基于10个第一鉴别结果生成第一目标函数，依据第一目标函数对数组表达生成组件和特征映射组件进行网络参数修正。
修正后将10个微模块机房样本对应的机房环境参数分别输入特征工程神经网络，特征映射组件输出10个机房参数数组表达，在10个机房参数数组表达中进行随意确定，比如确定得到机房参数数组表达1、机房参数数组表达2、机房参数数组表达3、机房参数数组表达4、机房参数数组表达5，5个机房参数数组表达，将该5个机房参数数组表达输入数组表达生成组件，数组表达生成组2件输出对应的生成数组表达1、生成数组表达1、生成数组表达3、生成数组表达4、生成数组表达5。
将生成数组表达1到生成数组表达10输入数组表达鉴别组件，数组表达鉴别组件输出10个数组表达分别对应的第二鉴别结果，基于10个第二鉴别结果生成第二目标函数，依据第二目标函数对数组表达鉴别组件和特征映射组件进行网络参数修正。
操作S200：依据机房环境参数数据样本库对原始机房环境状态预估网络进行迭代优化，获得目标机房环境状态预估网络。
原始机房环境状态预估网络的迭代优化也依据机房环境参数数据样本库进行，同时在一代优化中获取机房环境参数数据样本的方式与特征工程神经网络同理，比如将机房环境参数数据样本库中的机房环境参数数据样本划分成S个机房环境参数数据样本子集，每一机房环境参数数据样本子集包括v个机房环境参数数据样本，首次迭代优化选取机房环境参数数据样本子集S1进行优化，第二次迭代优化选取机房环境参数数据样本子集S2进行优化，第三次迭代优化选取机房环境参数数据样本子集S3进行优化，第S次迭代优化选取机房环境参数数据样本子集Sn进行优化。在全部机房环境参数数据样本都完成一次原始机房环境状态预估网络的优化后，可根据实际情况，又一次从首个机房环境参数数据样本子集S1开始，对原始机房环境状态预估网络进行迭代优化，也就是说，第S+1次迭代优化选取机房环境参数数据样本子集S进行优化，第S+2次迭代优化选取机房环境参数数据样本子集S2进行优化。
原始机房环境状态预估网络的优化目标是对网络的参变量进行微调，以及是对原始机房环境状态预估网络中的核心组件进行网络参数修正。本公开实施例的一种原始机房环境状态预估网络的网络组成中，原始机房环境状态预估网络与特征工程神经网络的组成是基本相同的，区别是原始机房环境状态预估网络中的数组表达鉴别组件不执行优化，则将数组表达鉴别组件进行遮挡，或者将数组表达鉴别组件进行摘除。机房环境参数依旧为特征映射组件的执行数据，特征映射组件与数组表达生成组件和环境状态预估组件连接，数组表达生成组件与环境状态预估组件连接，环境状态预估组件的输出结果为机房环境状态预估结果。数组表达生成组件仍旧是进行机房环境状态预估网络的优化过程，但参数固定。
在原始机房环境状态预估网络的一代迭代优化中，可以包含如下操作：
操作S210：分别挖掘v个机房环境参数数据样本各自包括的微模块机房样本的机房参数数组表达，在获取到的v个机房参数数组表达中确定u个机房参数数组表达。
原始机房环境状态预估网络的优化过程中，各机房参数数组表达为依据原始机房环境状态预估网络的特征映射组件，对相应的机房环境参数进行特征挖掘获得的，机房环境参数的获取过程与特征工程神经网络在优化过程中，获取机房环境参数的过程相同。获取了v个机房参数数组表达后，在v个机房参数数组表达中任意确定u个机房参数数组表达。其中，u≤v。
承接上述操作S100举例，获得原始机房环境状态预估网络后，依据机房环境参数数据样本库对原始机房环境状态预估网络进行多次迭代优化，每次迭代优化中，假如在机房环境参数数据样本库中确定7个机房环境参数数据样本，在存储空间中获取各机房环境参数数据样本中的微模块机房样本分别对应的机房环境参数。然后将7个样例机房环境参数输入原始机房环境状态预估网络中的特征映射组件，特征映射组件分别输出8个微模块机房样本分别对应的样本特征表示。在7个机房参数数组表达中进行随机选择，例如择取得到机房参数数组表达1和机房参数数组表达2两个机房参数数组表达。
操作S220：依据u个机房参数数组表达，基于机房环境参数数据样本库中的各个机房环境参数数据样本的机房参数数组表达的特征分布模式，分别得到u个机房参数数组表达分别对应的生成数组表达。
确定得到u个机房参数数组表达后，将u个机房参数数组表达分别输入原始机房环境状态预估网络中的数组表达生成组件，依据机房环境参数数据样本库中的各个机房环境参数数据样本的机房参数数组表达的特征分布模式，得到u个机房参数数组表达分别对应的生成数组表达。上述原始机房环境状态预估网络中的数组表达生成组件在特征工程神经网络的优化过程中，已获得机房环境参数数据样本库中的各机房环境参数数据样本对应的机房参数数组表达的特征分布模式，则可以依据机房环境参数数据样本库中的各个机房环境参数数据样本的机房参数数组表达的特征分布模式，生成具有该特征分布模式相近似的生成数组表达。
承接操作S210的举例，在7个机房参数数组表达中确定出机房参数数组表达1和机房参数数组表达2，将两个机房参数数组表达输入数组表达生成组件，数组表达生成组件输出对应的生成数组表达1和生成数组表达2。
操作S230：依据得到的v-u个机房参数数组表达以及u个生成数组表达，分别对对应的微模块机房样本进行机房环境状态预估，得到对应的机房环境状态预估结果，并且依据各机房环境状态预估结果和对应的监控样本标记生成状态目标函数，完成对原始机房环境状态预估网络进行网络参数修正。
机房环境状态预估基于原始机房环境状态预估网络中的环境状态预估组件实现。环境状态预估组件为一个分类器，可以采用softmax或其他分类器实现，例如全连接组件。可实施的设计中，将v-u个机房参数数组表达以及u个生成数组表达分别输入原始机房环境状态预估网络中的环境状态预估组件，环境状态预估组件对对应的微模块机房样本进行机房环境状态预估，得到对应的机房环境状态预估结果。机房环境状态预估结果用于指示原始机房环境状态预估网络预估得到的对应的微模块机房样本对目标环境状态倾向性的支持系数，例如预估目标环境状态倾向性为从稳定温度维持到稳定温度的趋势的支持系数，在原始机房环境状态预估网络的优化过程中，机房环境状态预估结果可以用于指示对应的的微模块机房样本为从稳定温度维持到稳定温度的趋势的支持系数，假如机房环境状态预估结果等于0，则原始机房环境状态预估网络预估相应的微模块机房样本为从稳定温度维持到稳定温度的趋势的支持系数等于0；假如机房环境状态预估结果等于1，则原始机房环境状态预估网络预估相应的微模块机房样本为目标环境状态倾向性的支持系数等于1。最后依据各机房环境状态预估结果和对应的监控样本标记生成状态目标函数；以收敛状态目标函数为目标对环境状态预估组件进行网络参数修正，对状态目标函数执行梯度逆向传递，以对原始机房环境状态预估网络中的特征映射组件进行网络参数修正。
可实施的设计中，状态目标函数O3具体可以为：
其中，W为一次迭代优化中机房环境参数数据样本的样本数量；e为微模块机房样本；Le为微模块机房样本e对应的监控样本标记；Fe为微模块机房样本e的机房参数数组表达或生成数组表达，假如本次迭代优化，微模块机房样本e对应的机房参数数组表达被输入数组表达生成组件，数组表达生成组件依据该机房参数数组表达生成相应的生成数组表达，那么Fe为微模块机房样本e对应的生成数组表达，假如本次迭代优化中，微模块机房样本e对应的机房参数数组表达未选取，那么Fe为微模块机房样本e的机房参数数组表达；为Fe的机房环境状态预估结果。
假如Fe为微模块机房样本e对应的生成数组表达，同时Le指示机房环境参数数据样本为正确样本positive sample，微模块机房样本e对应的机房参数数组表达为正确样本的特征信息，生成数组表达Fe用于指示正确样本的特征信息；如果Le指示机房环境参数数据样本为错误样本negative sample，微模块机房样本e对应的机房参数数组表达用于指示错误样本的特征信息，则生成数组表达Fe用于指示错误样本的特征信息。
承接操作S220的例子，将生成数组表达1和生成数组表达2输入原始机房环境状态预估网络的环境状态预估组件，得到原始机房环境状态预估网络所预估得到的7个微模块机房样本分别对应的机房环境状态预估结果。依据7个机房环境状态预估结果生成状态目标函数，依据状态目标函数对特征映射组件和环境状态预估组件进行网络参数修正。
上述实施例中提供了一种分类预估组件，即目标机房环境状态预估网络，并且提供了对应的网络组件的优化方式。分类预估组件在现有的分类预估组件框架上，增添数组表达生成组件与数组表达鉴别组件进行特征工程神经网络的优化，并在接下来的原始机房环境状态预估网络的优化中，结合已有的机房环境参数数据样本对应的机房参数数组表达，以及在原始机房环境状态预估网络的多次迭代优化中，数组表达生成组件生成的较多的生成数组表达对原始机房环境状态预估网络进行优化，也就是说，如果迭代优化的次数递增，假如迭代优化的次数超过设定的次数阈值，网络可以良好地通过机房环境参数数据样本库中的机房环境参数数据样本对应的机房参数数组表达进行优化，同时可以基于在迭代优化时生成的大量生成数组表达进行优化，帮助原始机房环境状态预估网络得到高质量的优化，提升得到的目标机房环境状态预估网络的可靠度。
从前述介绍可知，数组表达生成组件和数组表达鉴别组件可以分别是GAN网络中的生成器和鉴别器，二者具体的网络类型、层数、权重等信息不做限定，比如，数组表达生成组件为基于LSTM的序列组件，数组表达鉴别组件为基于全连接网络层的组件。
操作S300：当迭代优化过程中，一代优化后的原始机房环境状态预估网络达到预设的优化截止条件时，获得目标机房环境状态预估网络。
其中达到预设的优化截止条件不做限定，例如可以是迭代优化的次数达到了设定的最大迭代次数，或者网络的性能达到收敛阈值，例如识别准确率超过阈值（如误差小于误差阈值），或者性能指标在一定范围内不再明显提高等。
操作S400：基于目标机房环境状态预估网络对目标微模块机房的机房环境参数数据进行环境状态倾向性预估，得到环境状态倾向性预估结果，并将环境状态倾向性预估结果作为目标微模块机房的环境监控结果。
获得目标机房环境状态预估网络后，即可将该目标机房环境状态预估网络部署到计算机设备中，执行对目标微模块机房的机房环境参数数据进行环境状态倾向性预估的应用中，以获得环境状态倾向性预估结果。此时，环境状态倾向性预估结果，即目标微模块机房的环境监控结果。
在其他可能的设计方案中，本公开提供的微模块机房环境监控方法可以基于如下完整的操作执行以上介绍的方案：
操作S10，获取机房环境参数数据样本库。
操作S20，在机房环境参数数据样本库中确定a个机房环境参数数据样本，并在数据库中获取各机房环境参数数据样本对应的样例机房环境参数。
操作S30，将各样例机房环境参数分别输入特征工程神经网络，并依据特征工程神经网络中的特征映射组件，获取各机房环境参数对应的机房参数数组表达。
操作S40，依据特征工程神经网络中的数组表达生成组件，获取各机房参数数组表达对应的生成数组表达。
具体地，将a个机房参数数组表达分别输入特征工程神经网络中的数组表达生成组件，依据在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式，以及在本对迭代优化中得到的a个机房参数数组表达的特征分布模式，得到a个机房参数数组表达分别对应的生成数组表达。
操作S50，依据特征工程神经网络中的数组表达鉴别组件，对各生成数组表达的特征属性进行鉴别，得到各生成数组表达对应的第一鉴别结果。
将a个生成数组表达输入特征工程神经网络中的数组表达鉴别组件，数组表达鉴别组件分别对a个生成数组表达的特征属性进行鉴别，得到a个生成数组表达分别对应的第一鉴别结果。特征属性包括机房参数数组表达属性与生成数组表达属性，第一鉴别结果∈[0,1]，其用于指示数组表达鉴别组件所预估得到的相应的生成数组表达的特征属性为机房参数数组表达属性与生成数组表达属性的支持系数。
操作S60，依据第一鉴别结果对特征工程神经网络进行网络参数修正。
依据各第一鉴别结果生成第一目标函数，基于收敛第一目标函数为目标，对数组表达生成组件进行网络参数修正，令数组表达生成组件能学习实际的机房参数数组表达来输出生成数组表达。基于误差回传对特征映射组件的参数进行优化。
操作S70，把同样的a个机房环境参数数据样本分别对应的机房环境参数的又输入特征工程神经网络，依据特征工程神经网络中的特征映射组件获取各机房环境参数对应的机房参数数组表达。
操作S80，确定b个机房参数数组表达，输入数组表达生成组件，获取b个机房参数数组表达对应的生成数组表达。
例如，在得到的a个机房参数数组表达中任意确定b个机房参数数组表达，并将b个机房参数数组表达输入特征工程神经网络中的数组表达生成组件，数组表达生成组件依据在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式，以及在本对迭代优化中得到的a个机房参数数组表达的特征分布模式，得到b个机房参数数组表达分别对应的生成数组表达。
操作S90，依据特征工程神经网络中的数组表达鉴别组件，对a-b个机房参数数组表达与b个生成数组表达的特征属性进行鉴别，获得各特征表示对应的第二鉴别结果。
将a-b个机房参数数组表达和b个生成数组表达输入特征工程神经网络中的数组表达鉴别组件，数组表达鉴别组件分别对a-b个机房参数数组表达和b个生成数组表达的特征属性进行鉴别，得到a-b个机房参数数组表达和b个生成数组表达分别对应的第二鉴别结果。
操作S100，依据第二鉴别结果对特征工程神经网络进行网络参数修正。
依据各个第二鉴别结果生成第二目标函数，以收敛第二目标函数为目标，对数组表达鉴别组件进行网络参数修正，使得数组表达鉴别组件更好地鉴别机房参数数组表达与生成数组表达，基于误差逆向传递对特征映射组件的参变量进行优化。
操作S110，判断特征工程神经网络的迭代优化的次数是否达到预设次数，假如达到，执行操作S120，假如未达到，返回执行操作S20。
操作S120，将网络参数修正后的特征工程神经网络作为原始机房环境状态预估网络。
操作S130，在机房环境参数数据样本库中确定v个机房环境参数数据样本，并在存储空间中获取各机房环境参数数据样本对应的样例机房环境参数。
操作S140，将各样例机房环境参数分别输入原始机房环境状态预估网络，依据原始机房环境状态预估网络中的特征映射组件，获取各机房环境参数对应的机房参数数组表达。
操作S150，确定u个机房参数数组表达并输入数组表达生成组件，获取u个机房参数数组表达对应的生成数组表达。
操作S160，依据原始机房环境状态预估网络中的环境状态预估组件，分别对v-u个机房参数数组表达与u个生成数组表达分别对应的微模块机房样本进行机房环境状态预估，得到相应的机房环境状态预估结果。
将v-u个机房参数数组表达和u个生成数组表达分别输入原始机房环境状态预估网络中的环境状态预估组件，环境状态预估组件对对应的微模块机房样本进行机房环境状态预估，得到对应的机房环境状态预估结果。
操作S170，依据各机房环境状态预估结果和对应的监控样本标记，对原始机房环境状态预估网络进行网络参数修正。
最后依据各机房环境状态预估结果和对应的监控样本标记生成状态目标函数，以收敛状态目标函数为目标对环境状态预估组件进行网络参数修正，增加环境状态预估组件预估得到的可靠度，基于误差反向传递对特征映射组件的参变量进行优化。
操作S180，判断原始机房环境状态预估网络的迭代优化次数是否达到预设次数，假如达到，执行操作S190，加入没有达到，返回执行操作S30。
操作S190，将网络参数修正后的原始机房环境状态预估网络作为目标机房环境状态预估网络。
请参见图3，是本公开实施例提供的一种微模块机房环境监控装置的结构示意图。上述微模块机房环境监控装置可以是运行于网络设备中的一个计算机程序（包括程序代码），例如该微模块机房环境监控装置为一个应用软件；该装置可以用于执行本公开实施例提供的方法中的相应步骤。如图3所示，该微模块机房环境监控装置可以包括：样本获取模块310、网络调试模块320、网络应用模块330。
其中，样本获取模块310用于获取机房环境参数数据样本库；其中，每个机房环境参数数据样本包含一个微模块机房样本和监控样本标记，所述监控样本标记用于指示对应的微模块机房样本对应的目标环境状态倾向性；
网络调试模块320用于依据所述机房环境参数数据样本库对原始机房环境状态预估网络进行迭代优化，获得目标机房环境状态预估网络，对于一代优化，包括如下操作：分别挖掘v个机房环境参数数据样本各自包括的微模块机房样本的机房参数数组表达，在获取到的v个机房参数数组表达中确定u个机房参数数组表达；依据所述u个机房参数数组表达，基于所述机房环境参数数据样本库中的各个机房环境参数数据样本的机房参数数组表达的特征分布模式，分别得到所述u个机房参数数组表达分别对应的生成数组表达；依据获得的v-u个机房参数数组表达，以及u个生成数组表达分别对对应的微模块机房样本进行机房环境状态预估，得到对应的机房环境状态预估结果；依据各机房环境状态预估结果和对应的监控样本标记生成状态目标函数，以对所述原始机房环境状态预估网络进行网络参数修正；当迭代优化过程中，一代优化后的原始机房环境状态预估网络达到预设的优化截止条件时，获得所述目标机房环境状态预估网络；
网络应用模块330用于基于所述目标机房环境状态预估网络对目标微模块机房的机房环境参数数据进行环境状态倾向性预估，得到环境状态倾向性预估结果，并将所述环境状态倾向性预估结果作为所述目标微模块机房的环境监控结果。
根据本公开的一个实施例，图2所示的微模块机房环境监控方法所涉及的步骤可由图3所示的微模块机房环境监控装置中的各个模块来执行。
根据本公开的一个实施例，图3所示的微模块机房环境监控装置中的各个模块可以分别或全部合并为一个或若干个单元来构成，或者其中的某个（些）单元还可以再拆分为功能上更小的至少两个子单元，可以实现同样的操作，而不影响本公开的实施例的技术效果的实现。上述模块是基于逻辑功能划分的，在实际应用中，一个模块的功能也可以由至少两个单元来实现，或者至少两个模块的功能由一个单元实现。在本公开的其它实施例中，微模块机房环境监控装置也可以包括其它单元，在实际应用中，这些功能也可以由其它单元协助实现，并且可以由至少两个单元协作实现。
根据本公开的一个实施例，可以通过在包括中央处理单元（CPU）、随机存取存储介质（RAM）、只读存储介质（ROM）等处理组件和存储组件的例如计算机的通用计算机设备上运行能够执行如图2中所示的相应方法所涉及的各步骤的计算机程序（包括程序代码），来构造如图3中所示的微模块机房环境监控装置，以及来实现本公开实施例的微模块机房环境监控方法。上述计算机程序可以记载于例如计算机可读记录介质上，并通过计算机可读记录介质装载于上述计算设备中，并在其中运行。
请参见图4，是本公开实施例提供的一种实施为监控设备的计算机设备的结构示意图。如图4所示，上述计算机设备1000可以包括：处理器1001，网络接口1004和存储器1005，此外，上述计算机设备1000还可以包括：用户接口1003，和至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，用户接口1003可以包括显示屏（Display）、键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是非易失性的存储器（non-volatile memory），例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个在远离前述处理器1001的存储装置。如图4所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。
在图4所示的计算机设备1000中，网络接口1004可提供网络通讯功能；而用户接口1003主要用于提供输入的接口；而处理器1001可以用于调用存储器1005中存储的设备控制应用程序，以实现以上实施例中提供的方法。
应当理解，本公开实施例中所描述的计算机设备1000可执行前文图2对应实施例中对微模块机房环境监控方法的描述，也可执行前文图3所对应实施例中对微模块机房环境监控装置的描述，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。
此外，这里需要指出的是：本公开实施例还提供了一种计算机可读存储介质，且上述计算机可读存储介质中存储有前文提及的微模块机房环境监控装置所执行的计算机程序，且上述计算机程序包括程序指令，当上述处理器执行上述程序指令时，能够执行前文图2对应实施例中对上述微模块机房环境监控方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本公开所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本公开方法实施例的描述。
作为示例，上述程序指令可被部署在一个计算机设备上执行，或者被部署在一个地点的至少两个计算机设备上执行，又或者，在分布在至少两个地点且通过通信网络互连的至少两个计算机设备上执行，分布在至少两个地点且通过通信网络互连的至少两个计算机设备可以组成区块链网络。
上述计算机可读存储介质可以是前述任一实施例提供的微模块机房环境监控装置或者上述计算机设备的中部存储单元，例如计算机设备的硬盘或中存。该计算机可读存储介质也可以是该计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡（smart media card，SMC），安全数字（secure digital，SD）卡，闪存卡（flashcard）等。进一步地，该计算机可读存储介质还可以既包括该计算机设备的中部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该计算机设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本公开实施例的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同内容，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，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、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、装置、产品或设备固有的其他步骤单元。
本公开实施例还提供了一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现前文图2对应实施例中对上述微模块机房环境监控方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本公开所涉及的计算机程序产品的实施例中未披露的技术细节，请参照本公开方法实施例的描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
本公开实施例提供的方法及相关装置是参照本公开实施例提供的方法流程图和/或结构示意图来描述的，具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程网络连接设备的处理器以产生一个机器，使得通过计算机或其他可编程网络连接设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程网络连接设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程网络连接设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。以上所揭露的仅为本公开较佳实施例而已，当然不能以此来限定本公开之权利范围，因此依本公开权利要求所作的等同变化，仍属本公开所涵盖的范围。

Claims (7)

1.一种微模块机房环境监控方法，其特征在于，所述方法包括：
获取机房环境参数数据样本库；其中，每个机房环境参数数据样本包含一个微模块机房样本和监控样本标记，所述监控样本标记用于指示对应的微模块机房样本对应的目标环境状态倾向性；
依据所述机房环境参数数据样本库对原始机房环境状态预估网络进行迭代优化，获得目标机房环境状态预估网络；
对于一代优化，包括如下操作：
分别挖掘v个机房环境参数数据样本各自包括的微模块机房样本的机房参数数组表达，在获取到的v个机房参数数组表达中确定u个机房参数数组表达；
依据所述u个机房参数数组表达，基于所述机房环境参数数据样本库中的各个机房环境参数数据样本的机房参数数组表达的特征分布模式，分别得到所述u个机房参数数组表达分别对应的生成数组表达；
依据获得的v-u个机房参数数组表达，以及u个生成数组表达分别对对应的微模块机房样本进行机房环境状态预估，得到对应的机房环境状态预估结果；
依据各机房环境状态预估结果和对应的监控样本标记生成状态目标函数，以对所述原始机房环境状态预估网络进行网络参数修正；
当迭代优化过程中，一代优化后的原始机房环境状态预估网络达到预设的优化截止条件时，获得所述目标机房环境状态预估网络；
基于所述目标机房环境状态预估网络对目标微模块机房的机房环境参数数据进行环境状态倾向性预估，得到环境状态倾向性预估结果，并将所述环境状态倾向性预估结果作为所述目标微模块机房的环境监控结果；
所述原始机房环境状态预估网络是依据所述机房环境参数数据样本库对特征工程神经网络中的部分网络组件进行多对迭代优化获得的，其中，每一对迭代优化包括基于相同机房环境参数数据样本完成的两次迭代优化，在每一对迭代优化的首次迭代优化时，包括：
分别挖掘a个机房环境参数数据样本各自包括的微模块机房样本的机房参数数组表达；
依据a个机房参数数组表达，基于在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式，并基于在本对迭代优化中得到的a个机房参数数组表达的特征分布模式，分别得到所述a个机房参数数组表达分别对应的生成数组表达；
对所述a个生成数组表达的特征属性进行鉴别，所述特征属性包括机房参数数组表达属性与生成数组表达属性；
依据各个鉴别结果对所述特征工程神经网络进行网络参数修正；
所述原始机房环境状态预估网络是依据所述机房环境参数数据样本库，对特征工程神经网络中的部分网络组件进行多对迭代优化获得的，其中，每一对迭代优化包括基于相同机房环境参数数据样本完成的两次迭代优化，在每一对迭代优化的第二次迭代优化过程中，包括：
分别挖掘a个机房环境参数数据样本各自包括的微模块机房样本的机房参数数组表达，在获取到的a个机房参数数组表达中确定b个机房参数数组表达；
依据所述b个机房参数数组表达，基于在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式，并基于在本对迭代优化中得到的a个机房参数数组表达的特征分布模式，分别得到所述b个机房参数数组表达分别对应的生成数组表达；
对a-b个机房参数数组表达，以及b个生成数组表达的特征属性进行鉴别；所述特征属性包括机房参数数组表达属性与生成数组表达属性；
依据各个鉴别结果对所述特征工程神经网络进行网络参数修正；
所述依据所述a个机房参数数组表达，基于在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式，并基于在本对迭代优化中得到的a个机房参数数组表达的特征分布模式，分别得到所述a个机房参数数组表达分别对应的生成数组表达，包括：
将所述a个机房参数数组表达分别输入所述特征工程神经网络中的数组表达生成组件，依据在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式，以及在本对迭代优化中得到的a个机房参数数组表达的特征分布模式，得到所述a个机房参数数组表达分别对应的生成数组表达；
所述对所述a个生成数组表达的特征属性进行鉴别，包括：
依据所述特征工程神经网络中的数组表达鉴别组件分别对所述a个生成数组表达的特征属性进行鉴别，得到所述a个生成数组表达分别对应的第一鉴别结果，每个第一鉴别结果表示所述数组表达鉴别组件所预估得到的相应的生成数组表达的特征属性为机房参数数组表达属性与生成数组表达属性的支持系数。
2.根据权利要求1所述的方法，其特征在于，所述a个生成数组表达的特征属性进行鉴别，所述特征属性包括机房参数数组表达属性与生成数组表达属性；
依据各个鉴别结果对所述特征工程神经网络进行网络参数修正，包括：
依据各个第一鉴别结果生成第一目标函数；
以收敛所述第一目标函数为目标，对所述数组表达生成组件进行网络参数修正，对所述第一目标函数执行梯度逆向传递，以对所述特征工程神经网络中的特征映射组件进行网络参数修正，其中，所述特征映射组件用于进行特征挖掘。
3.根据权利要求2所述的方法，其特征在于，所述依据所述b个机房参数数组表达，基于在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式，并基于在本对迭代优化中得到的a个机房参数数组表达的特征分布模式，分别得到所述b个机房参数数组表达分别对应的生成数组表达，包括：
将所述b个机房参数数组表达分别输入所述特征工程神经网络中的数组表达生成组件，依据在已完成的迭代优化中得到的各机房参数数组表达的特征分布模式，以及在本对迭代优化中得到的a个机房参数数组表达的特征分布模式，得到所述b个机房参数数组表达分别对应的生成数组表达；
所述对a-b个机房参数数组表达，以及b个生成数组表达的特征属性进行鉴别，包括：
依据所述特征工程神经网络中的数组表达鉴别组件，分别对所述a-b个机房参数数组表达，以及b个生成数组表达的特征属性进行鉴别，得到所述a-b个机房参数数组表达，以及b个生成数组表达分别对应的第二鉴别结果，每个第二鉴别结果代表所述数组表达鉴别组件所预估得到的相应的机房参数数组表达或生成数组表达的特征属性为机房参数数组表达属性与生成数组表达属性的支持系数。
4.根据权利要求3所述的方法，其特征在于，所述包括对a-b个机房参数数组表达，以及b个生成数组表达的特征属性进行鉴别；所述特征属性包括机房参数数组表达属性与生成数组表达属性；
依据各个鉴别结果对所述特征工程神经网络进行网络参数修正，包括：
依据各个第二鉴别结果生成第二目标函数；
以收敛所述第二目标函数为目标，对所述数组表达鉴别组件进行网络参数修正，对所述第二目标函数执行梯度逆向传递，以对所述特征工程神经网络中的特征映射组件进行网络参数修正，其中，所述特征映射组件用于进行特征挖掘。
5.根据权利要求1～4任一项所述的方法，其特征在于，所述依据所述u个机房参数数组表达，基于所述机房环境参数数据样本库中的各个机房环境参数数据样本的机房参数数组表达的特征分布模式，分别得到所述u个机房参数数组表达分别对应的生成数组表达，包括：
将所述u个机房参数数组表达分别输入所述原始机房环境状态预估网络中的数组表达生成组件，依据所述机房环境参数数据样本库中的各个机房环境参数数据样本的机房参数数组表达的特征分布模式，得到所述u个机房参数数组表达分别对应的生成数组表达；
所述依据获得的v-u个机房参数数组表达，以及u个生成数组表达，分别对对应的微模块机房样本进行机房环境状态预估，得到对应的机房环境状态预估结果，包括：
将所述v-u个机房参数数组表达以及u个生成数组表达分别输入所述原始机房环境状态预估网络中的环境状态预估组件，以对对应的微模块机房样本进行机房环境状态预估，得到对应的机房环境状态预估结果。
6.根据权利要求5所述的方法，其特征在于，所述依据各机房环境状态预估结果和对应的监控样本标记生成状态目标函数，以对所述原始机房环境状态预估网络进行网络参数修正，包括：
依据各机房环境状态预估结果和对应的监控样本标记生成状态目标函数；
以收敛所述状态目标函数为目标，对所述环境状态预估组件进行网络参数修正，对所述状态目标函数执行梯度逆向传递，以对所述原始机房环境状态预估网络中的特征映射组件进行网络参数修正，其中，所述特征映射组件用于特征挖掘。
7.一种微模块机房环境监控系统，其特征在于，包括监控设备和与所述监控设备通信连接的多个传感器设备，所述监控设备用于在所述多个传感器设备处获取目标微模块机房的机房环境参数数据，所述监控设备包括：
处理器；
以及存储器，其中所述存储器中存储有计算机程序，所述计算机程序在由所述处理器运行时，使得所述处理器执行如权利要求1~6中任一项所述的方法。
CN202410006657.2A 2024-01-03 2024-01-03 一种微模块机房环境监控方法及系统 Active CN117493821B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410006657.2A CN117493821B (zh) 2024-01-03 2024-01-03 一种微模块机房环境监控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410006657.2A CN117493821B (zh) 2024-01-03 2024-01-03 一种微模块机房环境监控方法及系统

Publications (2)

Publication Number Publication Date
CN117493821A CN117493821A (zh) 2024-02-02
CN117493821B true CN117493821B (zh) 2024-05-10

Family

ID=89671263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410006657.2A Active CN117493821B (zh) 2024-01-03 2024-01-03 一种微模块机房环境监控方法及系统

Country Status (1)

Country Link
CN (1) CN117493821B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107037764A (zh) * 2017-06-08 2017-08-11 兰州海红技术股份有限公司 一种微模块数据中心机房通道环境智能监控系统
CN107133676A (zh) * 2017-05-16 2017-09-05 四川金信石信息技术有限公司 一种基于移动终端的电力设备巡检方法
CN109948297A (zh) * 2019-04-09 2019-06-28 深圳市赛为智能股份有限公司 微模块温度场模拟方法、装置、计算机设备及存储介质
CN110244797A (zh) * 2019-05-22 2019-09-17 平安科技（深圳）有限公司 机房温度控制方法、装置、计算机设备及存储介质
CN111126605A (zh) * 2020-02-13 2020-05-08 创新奇智(重庆)科技有限公司 一种基于强化学习算法的数据中心机房控制方法及装置
CN116911015A (zh) * 2023-07-14 2023-10-20 广州唐邦信息科技有限公司 一种微模块机房设计与管理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107133676A (zh) * 2017-05-16 2017-09-05 四川金信石信息技术有限公司 一种基于移动终端的电力设备巡检方法
CN107037764A (zh) * 2017-06-08 2017-08-11 兰州海红技术股份有限公司 一种微模块数据中心机房通道环境智能监控系统
CN109948297A (zh) * 2019-04-09 2019-06-28 深圳市赛为智能股份有限公司 微模块温度场模拟方法、装置、计算机设备及存储介质
CN110244797A (zh) * 2019-05-22 2019-09-17 平安科技（深圳）有限公司 机房温度控制方法、装置、计算机设备及存储介质
CN111126605A (zh) * 2020-02-13 2020-05-08 创新奇智(重庆)科技有限公司 一种基于强化学习算法的数据中心机房控制方法及装置
CN116911015A (zh) * 2023-07-14 2023-10-20 广州唐邦信息科技有限公司 一种微模块机房设计与管理方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Design and Implementation of Computer Room Monitoring System Based on Wireless Sensor Network;Xiulan Chen等;《2022 IEEE 4th International Conference on Civil Aviation Safety and Information Technology (ICCASIT)》;20221227;第809-813页 *
浅谈数据中心动环监控系统;常红波;《信息技术与信息化》;20191231(第12期);第13-15页 *
网络机房环境监测系统的设计和实现;翟建越;《信息与电脑(理论版)》;20221130;第34卷(第21期);第117-120页 *

Also Published As

Publication number Publication date
CN117493821A (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN113011529B (zh) 文本分类模型的训练方法、装置、设备及可读存储介质
CN112269769A (zh) 数据压缩方法、装置、计算机设备及存储介质
CN111310918B (zh) 一种数据处理方法、装置、计算机设备及存储介质
CN112784920A (zh) 云边端协同的旋转部件对抗域自适应故障诊断方法
CN112580798A (zh) 基于多输入多输出ResNet的设备智能预警方法
CN112668608A (zh) 一种图像识别方法、装置、电子设备及存储介质
CN115983497A (zh) 一种时序数据预测方法和装置、计算机设备、存储介质
CN110232130B (zh) 元数据管理谱系生成方法、装置、计算机设备和存储介质
CN117932455A (zh) 一种基于神经网络的物联网资产识别方法和系统
CN117318033B (zh) 一种结合数据孪生的电网数据管理方法及系统
CN117493821B (zh) 一种微模块机房环境监控方法及系统
CN113641525A (zh) 变量异常修复方法、设备、介质及计算机程序产品
CN112541556A (zh) 模型构建优化方法、设备、介质及计算机程序产品
CN111737319B (zh) 用户集群的预测方法、装置、计算机设备和存储介质
CN109978038B (zh) 一种集群异常判定方法及装置
CN114329099A (zh) 重叠社区识别方法、装置、设备、存储介质及程序产品
CN116629348B (zh) 一种智能车间数据采集分析方法、装置及计算机设备
CN118094963B (zh) 基于抽水蓄能基建工程物模型的控制方法和装置
CN114819000B (zh) 反馈信息预估模型训练方法、装置以及电子设备
CN113486354B (zh) 一种固件安全评估方法、系统、介质及电子设备
CN115396157B (zh) 一种基于反馈式的物联网设备自动探测方案生成方法及系统
CN117632313B (zh) 一种基于人工智能的软件驱动处理方法及系统
CN113011555B (zh) 一种数据处理方法、装置、设备及存储介质
CN118245733B (zh) 基于运行误差监测模型的数据预处理方法及智能电表
CN118211656B (zh) 应用于智慧水务的物联网数据处理方法、装置及设备

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