一种基于AI辅助的机房设备自适应调控管理方法

本发明涉及计算机科学设备管理领域，尤其涉及一种基于ai辅助的机房设备自适应调控管理方法。

背景技术：

1、在现代信息技术快速发展的当下，机房作为数据存储、处理和传输的核心场所，其设备的稳定运行与高效管理至关重要。随着机房规模不断扩大，设备数量增多、类型复杂，传统的机房设备管理方式面临诸多挑战：

2、传统方法难以全面、准确地实时监测大量不同类型设备的运行状态。机房设备的功率、温度、使用时长等运行参数繁多，依靠人工巡检和简单的监测手段，无法及时发现潜在故障隐患，也难以对设备的整体健康状况进行科学评估，导致设备故障可能引发业务中断，造成经济损失。

3、在资源分配方面，缺乏有效的智能化手段。机房内设备负载不均衡，部分设备过度使用，而部分设备利用率低下，同时在任务分配时，未充分考虑设备的实时负载和任务的紧急程度，导致资源浪费的同时，关键业务任务响应速度慢、完成质量低，无法满足业务发展需求。

4、面对设备故障和潜在故障风险，传统调控策略往往是事后处理且方式单一，缺乏针对性和动态调整能力。当设备出现故障时，维修资源的调配可能不及时，维修时间长；对于潜在故障设备，不能提前进行有效干预，无法根据设备的实时状态和变化趋势进行自适应调控。

5、现有的机房系统性能评估指标体系不完善，通常仅关注单一维度指标，如设备运行状态或资源利用效率，忽视了业务任务完成情况等重要方面。而且评估方法不够科学，难以准确反映系统的整体性能，无法为系统优化提供可靠依据。

6、因此，本发明提出一种基于ai辅助的机房设备自适应调控管理方法。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述和/或现有技术中存在的问题，提出了本发明。

3、因此，本发明的目的是，克服现有技术中的不足，提供一种基于ai辅助的机房设备自适应调控管理方法，其包含以下步骤：

4、s100、数据采集与预处理；

5、s200、设备状态评估与分类；

6、s300、调控策略制定；

7、s400、ai辅助的资源优化分配；

8、s500、系统性能评估与反馈调整；

9、优选的，所述s100、数据采集与预处理中，针对不同类型设备，采集其功率.温度、使用时长等核心运行数据，构建设备状态数据集d＝{xi，yi)|i＝1，2，…，|d|}。其中，代表设备的各项运行参数，yi则为对应的设备标识或状态标签。

10、在数据采集环节，设第j个传感器在t时刻的测量误差为其中为多个传感器测量值的均值，即则自适应权重wj(t)的计算公式为：

11、

12、对于温度数据t(t)，采用改进的离散小波变换(dwt)进行特征提取与去噪。在本方法中，对小波基函数进行改进，改进后的小波系数计算公式为：

13、

14、其中，am和bn为原离散小波变换中的尺度和平移参数。

15、在采集设备使用时长数据时，结合自回归移动平均模型(arma)对生成的数据进行进一步处理。在本方法中将生成对抗网络生成的数据融入arma模型，改进后的模型为：

16、

17、其中，w为权重系数，用于调整生成数据在模型中的影响程度。

18、优选的，所述步骤s200、设备状态评估与分类，包含以下步骤：

19、s210、基于深度置信网络(dbn)的特征提取优化；

20、s220、融合改进灰色关联分析(gra)的设备状态评估；

21、s230、基于密度峰值聚类(dpc)的设备状态分类；

22、所述s200、设备状态评估与分类的s210、基于深度置信网络(dbn)的特征提取优化中，利用s100处理后的设备运行数据，构建深度置信网络(dbn)模型。隐藏层神经元hj的激活概率p(hj＝1|x)由以下公式计算：

23、p(hj＝1|x)＝σ(bj+∑iwijxi)

24、其中，为sigmoid激活函数，

25、在传统dbn基础上，引入自适应学习率η(t)来加速模型收敛并提高特征提取效果。公式为：

26、

27、其中，η0为初始学习率，α为调节参数，为第k次训练时的梯度。

28、所述s200、设备状态评估与分类的s220、融合改进灰色关联分析(g ra)的设备状态评估中，改进后的关联系数计算公式为：

29、

30、其中，ζi(k)为第i个比较序列在第k个时刻与参考序列的关联系数，ρ∈[0，1]为分辨系数。

31、设备的灰色关联度ri为：

32、所述s200、设备状态评估与分类的s230、基于密度峰值聚类(dpc)的设备状态分类中，引入自适应截断距离调整因子λ。根据数据点的分布情况动态调整截断距离，公式为：

33、

34、优选的，所述步骤s300、调控策略制定中，包含以下步骤：

35、s310、针对潜在故障设备的强化学习调控策略；

36、s320、基于遗传算法优化的正常设备资源调配策略；

37、s330、故障设备的快速响应与修复策略制定；

38、所述s300、调控策略制定的s310、针对潜在故障设备的强化学习调控策略中，q值的更新公式为：

39、q(s，a)←q(s，a)+α[r+γmaxa′q(s′，a′)-q(s，a)]

40、其中，α是学习率，γ是折扣因子。

41、在本方法中，为提升算法性能和决策的准确性，引入双网络结构和优先经验回放机制。双网络结构包含评估网络q和目标网络qtarget，目标网络参数定期更新。优先经验回放机制根据经验样本的重要性采样，重要性通过td误差δ＝r+γmaxa′qtarget(s′，a′)-q(s，a)衡量。样本的采样概率p(i)计算公式为：其中，β是控制采样偏差的参数，0＜β<1。

42、所述s300、调控策略制定的s320、基于遗传算法优化的正常设备资源调配策略中，引入设备的实时负载均衡因子li和任务的紧急程度因子ej对适配度进行修正。修正后的适配度w′ij，计算公式为：

43、

44、其中，lmax是所有设备负载的最大值，λ1和λ2是权重系数。

45、所述s300、调控策略制定的s330、故障设备的快速响应与修复策略制定中，引入资源约束因子r。若维修资源有限，可能需要等待资源到位才能进行维修。设维修资源充足时的修复时间为t0，实际修复时间t的计算公式为：

46、t＝t0·(1+λ3·(1+r))，其中，λ3是权重系数。

47、优选的，所述s400、ai辅助的资源优化分配中，包含以下步骤：

48、s410、构建基于强化学习的资源分配模型；

49、s420、结合模拟退火算法的全局优化；

50、s430、基于机器学习预测的动态资源分配调整；

51、所述s400、ai辅助的资源优化分配的s410、构建基于强化学习的资源分配模型中，通过与环境(机房设备和业务需求构成的系统)进行交互来学习最优的资源分配策略。

52、定义状态空间：即s＝[e1，e2，…，en，t1，t2，…，tm，a1，a2，…，an×m]，其中ei表示第i个设备的状态信息，tj表示第j个任务的需求信息，aij表示设备i与任务j之间的当前分配关系(取值为0或1，表示是否分配)。

53、定义动作空间：动作a表示将特定设备分配给特定任务的决策。对于n个设备和m个任务，动作空间由n×m个可能的分配决策组成，智能体每次选择一个动作来调整资源分配。

54、定义奖励函数：设计奖励函数如下：

55、

56、其中，tj，completed表示任务j是否完成(完成取值为1，未完成取值为0)，wj是任务j的权重，反映其重要性ei,stable表示设备i的运行稳定性(稳定性越高取值越大)，ui是设备i的利用率；aij表示设备i与任务j的分配关系，cij是将设备i分配给任务j的成本(例如设备调整成本、传输延迟等)。α，β，γ是权重系数，用于平衡不同因素对奖励的影响。

57、通过注意力机制计算状态向量各元素的权重，公式如下：

58、

59、其中，q(s，a)是状态s下采取动作a的q值，f(sk，a)是状态向量中第k个元素与动作a相关的函数值，wk是第k个元素的注意力权重，计算方式为：

60、

61、其中，vi是可学习的参数。

62、所述s400、ai辅助的资源优化分配的s420、结合模拟退火算法的全局优化中，接受新方案的概率p由metropolis准则决定：

63、

64、随着算法的进行，逐渐降低温度t，公式为t＝t0·αk，其中t0是初始温度，α是降温系数(0<α＜1)，k是迭代次数。

65、所述s400、ai辅助的资源优化分配的s430、基于机器学习预测的动态资源分配调整中，采用长短期记忆网络(lstm)对设备的运行状态和业务需求进行时间序列预测。lstm的核心结构包含输入门it遗忘门ft、输出门ot和记忆单元ct。在时刻t，计算公式如下：

66、it＝σ(wiixt+bii+whiht-1+bhi)

67、fi＝σ(wifxt+bif+whfht-1+bhf)

68、ot＝σ(wioxt+bio+whoht-1+bho)

69、ct＝ft·ct-1+it·tanh(wicxt+bic+whcht-1+bhc)

70、ht＝ot·tanh(ct)

71、其中，xt是时刻t的输入，ht-1是上一时刻的隐藏状态，w和b是权重矩阵和偏置向量，σ是sigmoid函数。

72、优选的，所述s500、系统性能评估与反馈调整中，包含以下步骤：

73、s510、构建多维度系统性能评估指标体系；

74、s520、综合性能评估模型构建；

75、s530、基于阈值的调整策略；

76、所述s510、构建多维度系统性能评估指标体系中，从设备运行状态、资源利用效率、业务任务完成情况三个关键维度构建系统性能评估指标体系。

77、设备运行状态维度：引入设备综合健康指数来衡量设备的整体运行状况。设影响设备健康的因素集合为f＝{f1，f2，…，fn}，构建判断矩阵a(aij)，其中aij表示因素i相对于因素j的重要程度。通过计算判断矩阵的特征向量w＝[w1，w2，…，wn]得到各因素的权重，满足设备综合健康指数的计算公式为：其中，fi，min和fi,max分别是因素i的最小值和最大值，通过这种归一化处理，使不同因素具有可比性。

78、资源利用效率维度：采用变异系数法计算各设备资源利用率的变异系数cvi，设备资源利用率ui可通过任务实际使用的设备资源量与设备总资源量的比值计算得到。变异系数公式为：其中，σui是设备资源利用率ui的标准差，是其平均值。资源利用率均衡度计算公式为：rubd的值越接近1，表示资源利用越均衡；越接近0，则资源分配越不均衡。

79、业务任务完成维度：通过模糊综合评价法进行计算，设评价因素集合为u＝{u1，u2，…，us}(完成时间、完成质量、紧急程度等)，评价等级集合为v＝{v1，v2，…，vt}(非常满意、满意、一般、不满意、非常不满意)，构建模糊关系矩阵r＝(rij)，其中rij表示因素ui对评价等级vj的隶属度。再根据层次分析法确定各评价因素的权重向量a＝[a1，a2,…，as]，业务任务满意度的模糊综合评价结果为：bts＝a·r，得到的结果是一个1×t的向量，

80、所述s520、综合性能评估模型构建中，首先，计算各指标的信息熵ej，对于指标j，其信息熵计算公式为：其中，n是样本数量，xij是第i个样本在指标j上的取值。然后，计算各指标的熵权wj：

81、最后，系统综合性能评估指标的计算公式为：其中，i1，i2，i3分别是设备运行状态维度的设备综合健康指数(dchi)、资源利用效率维度的资源利用率均衡度(rubd)和业务任务完成维度的业务任务满意度(bts)。

82、所述s530、基于阈值的调整策略：设定不同等级的scpi阈值，如scpihigh，scpimedium，scpilow。当scpi≥scpihigh时，表明系统运行良好，可适当降低资源分配的调整频率，但仍需持续监测；当scpimedium≤scpi≤scpihigh时，对系统进行轻度调整。

83、本发明一种基于ai辅助的机房设备自适应调控管理方法，其具有的有益效果如下：

84、1.通过全面采集设备功率、温度、使用时长等核心运行数据，并运用改进的离散小波变换、深度置信网络等技术进行数据处理和特征提取，能够精准地评估设备状态，及时发现潜在故障设备，提前预警，大大提高了设备运行的可靠性，减少因设备故障导致的业务中断风险，保障了机房业务的连续性。

85、2.利用强化学习、遗传算法等技术，结合设备实时负载均衡因子、任务紧急程度因子等因素，实现了对正常设备资源的合理调配和优化分配。不仅提高了设备利用率，降低了资源浪费，还能优先保障关键业务任务的资源需求，提升了业务任务的完成质量和响应速度，增强了机房的整体运营效率。

86、3.针对潜在故障设备、正常设备和故障设备分别制定了强化学习调控策略、遗传算法优化的资源调配策略以及快速响应与修复策略。这些策略能够根据设备的不同状态进行自适应调控，在设备出现故障时，引入资源约束因子，合理安排维修资源，缩短维修时间，降低运维成本。

87、4.构建了多维度系统性能评估指标体系，从设备运行状态、资源利用效率、业务任务完成情况三个关键维度对系统性能进行综合评估。基于阈值的调整策略能够根据评估结果及时对系统进行调整，确保系统始终处于良好运行状态，提高了机房系统的稳定性和适应性，为机房的持续优化提供了有力支持。