(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111573790.9 (22)申请日 2021.12.21 (71)申请人 四川中烟工业有限责任公司 地址 610000 四川省成 都市龙泉驿区国家 成都经济技术开 发区成龙大道龙泉段 2号 (72)发明人 倪杨　张阳　马健　陈庆　李媛　 (74)专利代理 机构 四川省成 都市天策商标专利 事务所(有限合 伙) 51213 代理人 龚海月 (51)Int.Cl. G06F 16/2458(2019.01) G06F 16/215(2019.01) G06K 9/62(2022.01) G06N 20/00(2019.01)G06Q 10/00(2012.01) G06Q 50/04(2012.01) (54)发明名称 工业数据中心机房运维KPI数据分类方法 (57)摘要 本发明公开了一种工业数据中心机房运维 KPI数据分类方法， 包括： 实时采集机房运行状态 数据； 对采集的运行状态数据X1进行清洗， 利用 机器学习对采集的运行状态数据进行预处理； 利 用经验小波变换对预处理后的运行状态数据进 行浅层特征提取， 形成KPI特征样本集， 所述KPI 特征样本集包括各个原始的运行状态数据的训 练数据特征 ； 将所述KPI特征样本集输入 Attention_GRU 算法进行深层特征提取并对比原 始的运行状态数据得到检测结果； 通过分级管理 系统， 智能下发机器学习预测结果、 识别结果对 应的调度命令； 本发明克服了常规自动化运维方 式无法满足现在人们对智能运维的需求的缺陷。 权利要求书1页 说明书4页 附图3页 CN 114238446 A 2022.03.25 CN 114238446 A 1.一种工业数据中心机房运维KPI数据分类方法， 其特 征在于， 包括以下步骤： S100、 实时采集机房运行状态数据； S200、 对采集的运行状态数据X1进行清洗， 利用机器 学习对采 集的运行状态数据进行预 处理； S300、 利用经验小波变换对预处理后的运行状态数据进行浅层特征提取， 形成KPI特征 样本集， 所述KPI特 征样本集包括各个原 始的运行状态数据的训练数据特 征； S400、 将所述KPI特征样本集输入Attention_GRU算法进行深层特征提取并对比原始的 运行状态数据得到检测结果； S500、 通过分级管理系统， 智能下发机器学习预测结果、 识别结果对应的调度命令 。 2.根据权利要求1所述的工业数据中心机房运维KPI数据分类方法， 其特征在于， 在步 骤S100中， 所述运行状态数据包括资源监控和业务监控的数据， 其中， 所述资源监控包括对 主机的CPU、 内存占用、 应用的状态和常驻程序状态进行监控； 所述业务监控包括对业务量 异常变化进行监控、 自动化巡检和业 务失败量 监控。 3.根据权利要求1所述的工业数据中心机房运维KPI数据分类方法， 其特征在于， 步骤 S200具体包括以下步骤： S201、 对原始的运行状态数据进行异常值剔除， 所述异常值为新出现的异常值或官方 标记的异常值； S202、 运用Min ‑Max标准化准则， 对原始的运行状态数据进行标准化和归一化， 从运行 状态数据中得到原 始的数据特 征， 对所述数据特 征进行均值补全； S203、 基于机器学习创建事件诊断模型和收集模型日志， 并对运维结果进行智能预测， 预测结果用于任务调度； S204、 基于物联网的智能运维平台采集大量的用户反馈信息与需求， 并保存历史设备 数据， 整合并融合管理好现有的数据。 4.根据权利要求3所述的工业数据中心机房运维KPI数据分类方法， 其特征在于， 所述 步骤S300具体如下： 利用离散小波变换的性质， 对步骤S200得到的数据进行分解， 得到不同时间点上的分 量， 使得数据维度增大及特征差异增强， 然后利用添加了分类约束的自编码器与小波变换 相结合对其进行训练得到 浅层特征， 形成KPI特 征样本集。 5.根据权利要求1所述的工业数据中心机房运维KPI数据分类方法， 其特征在于， 步骤 S400具体包括以下步骤： S401、 设置迭代次数并将KPI特征样本集和上一时刻隐藏层数据连接在一起经过线性 层； S402、 获取归一化的权重值， 并将归一化得到的权重与KPI特征样本集进行逐元素乘法 获得Attention的结果； S403、 将得到的Attention结果与上一时刻隐藏层数据一起输入GRU网络得到下一时刻 的隐藏层数据， 随后进入 迭代过程； S404、 到最大迭代次数时将得到的隐藏层数据经 过全连接层并输出识别结果。权　利　要　求　书 1/1 页 2 CN 114238446 A 2工业数据中心机房运维KPI数据分类方 法 技术领域 [0001]本发明涉及机器学习技术领域， 特别是一种工业数据 中心机房运维KPI数据分类 方法。 背景技术 [0002]烟草公司的运维工作主要包括配置管理和监控， 运维人员每天都要进行大量的模 块维护操作。 运维的操作设计程序更新、 配置修改、 数据传输以及各种自定义的命令执行。 在运维过程中， 这些大多 是通过手工操作或编写脚本的方式， 将模块更新到生产 环境中， 手 工操作不可避免的会 带来误操作， 效率低下， 甚至出现模块上线操作排队的现象。 另一方面 对数据中心运行 的监控， 数据中心里运行着成千上万台的各种设备， 经常会出现这样那样 的问题， 要等到故障反映到业务层面， 那实际上已经造成了损失， 所以在严重故障发生之 前， 如果能够发现一些设备运行的异常表现， 及时消除就可以减少故障对数据中心的影响， 对数据中心进 行监控就是将危险消灭在摇篮之中。 然而 数据中心里的设备、 应用程序、 组网 包含很多小系统， 非常复杂， 如果靠人去检查， 不仅效率低还容易漏掉， 而通过智能化运维 就可以通过机器去检查所有运行 的设备， 并且对这些运行 的设备进行监控， 发现隐患及时 告警， 当运 维收到这些告警时， 再采取行动。 根据调研的情况： 运 维工作量大； 运 维时效性问 题； 运维高效性问题； 运维如何智能化问题。 发明内容 [0003]为解决现有技术中存在的问题， 本发明的目的是提供一种工业数据中心机房运维 KPI数据分类方法， 本发明解决了现有技术中基于人为指定规则的自动化运维方式所带来 运维人员学习成本提高、 运 维难度大、 运 维效率不高的问题， 克服了 常规自动化运 维方式无 法满足现在人们对智能运维的需求的缺陷。 [0004]为实现上述目的， 本发明采用的技术方案是： 一种工业数据中心机房运维KP I数据 分类方法， 包括以下步骤： [0005]S100、 实时采集机房运行状态数据； [0006]S200、 对采集的运行状态数据X1进行清洗， 利用机器学习对采集的运行状态数据 进行预处理； [0007]S300、 利用经验小波变换对预处理后的运行状态数据进行浅层特征提取， 形成KP I 特征样本集， 所述KPI特 征样本集包括各个原 始的运行状态数据的训练数据特 征； [0008]S400、 将所述KPI特征样本集输入Attention_GRU算法进行深层特征提取并对比原 始的运行状态数据得到检测结果； [0009]S500、 通过分级管理系统， 智能下发机器学习预测结果、 识别结果对应的调度命 令。 [0010]作为一种优选的实施方式， 在步骤S100中， 所述运行状态数据包括资源监控和业 务监控的数据， 其中， 所述资源监控包括对主机的CPU、 内存占用、 应用的状态和常驻程序状说　明　书 1/4 页 3 CN 114238446 A 3