用于监控数据中心状态的方法、装置、设备及介质与流程

技术特征：
1.一种用于监控数据中心状态的方法，包括：在r个时刻采集所述数据中心的n个设备各自的特征数据，得到r个特征数据序列，其中，在每个所述特征数据序列中通过开始标志位标识出起始位置；其中，r、n分别为大于或等于1的整数；基于每个所述特征数据序列得到一个特征矩阵，其中，所述特征数据序列中的开始标志位和所述n个设备各自的所述特征数据分别对应转换为所述特征矩阵中的特征向量；利用神经网络模型处理所述特征矩阵，得到所述神经网络模型输出的输出矩阵，其中，所述输出矩阵中的向量与所述特征矩阵中的特征向量一一对应；其中，所述神经网络模型为通过预训练技术训练得到的；以及基于所述输出矩阵中与开始标志位对应的向量，得到所述数据中心的状态信息，所述状态信息包括所述数据中心的运行状态信息或时间状态信息至少之一。2.根据权利要求1所述的方法，其中，所述状态信息包括所述数据中心的运行状态信息，所述基于所述输出矩阵中与开始标志位相对应的向量，得到所述数据中心的状态信息包括：利用集群状态分类器对所述输出矩阵中与开始标志位对应的向量进行分类，得到第一分类结果；其中，所述第一分类结果用于指示所述数据中心是否存在异常。3.根据权利要求2所述的方法，其中，所述方法还包括：在所述第一分类结果表明所述数据中心存在异常时，利用与所述n个设备中的每个设备对应的设备状态分类器，来对所述输出矩阵中与每个设备对应的向量进行分类，得到第二分类结果；其中，所述第二分类结果用于指示设备是否存在故障。4.根据权利要求2所述的方法，其中，通过如下方式训练所述神经网络模型：获取在m个历史时刻采集的m个所述特征数据序列，以得到用于训练的m个历史特征数据序列，其中，m为大于或等于1的整数；将基于每个所述历史特征数据序列得到的所述特征矩阵作为历史特征矩阵；将所述历史特征矩阵输入到所述神经网络模型，得到所述神经网络模型输出的第一历史输出矩阵；将所述历史特征矩阵中部分设备对应的所述特征向量进行数据掩码，得到半掩特征矩阵；将所述半掩特征矩阵输入到所述神经网络模型，得到所述神经网络模型输出的第二历史输出矩阵；以及基于所述第一历史输出矩阵与所述第二历史输出矩阵的差异，反向优化所述神经网络模型。5.根据权利要求4所述的方法，其中，所述将所述历史特征矩阵中部分设备对应的所述特征向量进行数据掩码，得到半掩特征矩阵，包括以下至少之一：将所述部分设备对应的所述特征向量用零向量替换；或者将所述部分设备对应的所述特征向量替换为其他设备对应的所述特征向量。6.根据权利要求1所述的方法，其中，当r大于1，且所述状态信息包括时间状态信息时，所述基于所述输出矩阵中与开始标志位相对应的向量，得到所述数据中心的状态信息包括：
将每两个所述输出矩阵中与开始标志位对应的向量成对输入到时序状态分类器；以及获得所述时序状态分类器输出的第三分类结果，所述第三分类结果用于指示成对输入的两个向量对应的时刻是否具有先后顺序。7.根据权利要求6所述的方法，其中，所述方法还包括：根据所述第三分类结果，将r个所述输出矩阵按照在时间上所具有的先后顺序进行排序；以及按照r个所述输出矩阵的顺序相应地对r个所述特征数据序列、以及r个所述特征矩阵进行排序。8.根据权利要求6所述的方法，其中，所述方法还包括通过如下方式训练所述神经网络模型：获取在q个历史时刻采集的q个所述特征数据序列，以得到用于训练的q个历史特征数据序列，其中q为大于或等于1的整数；将基于每个所述历史特征数据序列得到所述特征矩阵作为历史特征矩阵；将所述历史特征矩阵输入到所述神经网络模型，得到所述神经网络模型输出的历史输出矩阵；从每个所述历史输出矩阵中抽取出与开始标志位对应的向量以作为历史标志位向量；将抽取出的q个所述历史标志位向量两两成对并划分到两个类别中，其中，一个类别中每对所述历史标志位向量对应的时刻具有先后顺序，在另一个类别中每对所述历史标志位向量对应的时刻为随机关系；将每对所述历史标志位向量输入到所述时序状态分类器，获得所述时序状态分类器输出的所述第三分类结果；以及基于所述时序状态分类器输出的所述第三分类结果与每对所述历史标志位向量所属的类别的差异，联合训练所述神经网络模型和所述时序状态分类器。9.根据权利要求1～8任意一项所述的方法，其中，所述神经网络模型中设置有自注意力机制。10.根据权利要求9所述的方法，其中，所述神经网络模型为transformer模型。11.一种用于监控数据中心状态的神经网络模型的训练方法，包括：获取在m个时刻采集的所述数据中心的n个设备各自的特征数据，得到m个历史特征数据序列，其中，在每个所述历史特征数据序列中通过开始标志位标识出起始位置；其中，r、n分别为大于或等于1的整数；基于每个所述历史特征数据序列得到一个历史特征矩阵，其中，所述历史特征数据序列中的开始标志位和所述n个设备各自的所述特征数据分别对应转换为所述历史特征矩阵中的特征向量；将所述历史特征矩阵输入到所述神经网络模型，得到所述神经网络模型输出的第一历史输出矩阵；将所述历史特征矩阵中部分设备对应的所述特征向量进行数据掩码，得到半掩特征矩阵；将所述半掩特征矩阵输入到所述神经网络模型，得到所述神经网络模型输出的第二历史输出矩阵；以及
基于所述第一历史输出矩阵与所述第二历史输出矩阵的差异，反向优化所述神经网络模型。12.根据权利要求11所述的训练方法，其中，所述将所述历史特征矩阵中部分设备对应的所述特征向量进行数据掩码，得到半掩特征矩阵，包括以下至少之一：将所述部分设备对应的所述特征向量用零向量替换；或者将所述部分设备对应的所述特征向量替换为其他设备对应的所述特征向量。13.一种用于监控数据中心状态的神经网络模型的训练方法，包括：获取在q个时刻采集的所述数据中心的n个设备各自的特征数据，得到q个历史特征数据序列，其中，在每个所述历史特征数据序列中通过开始标志位标识出起始位置；其中，q、n分别为大于或等于1的整数；基于每个所述历史特征数据序列得到一个历史特征矩阵，其中，所述历史特征数据序列中的开始标志位和所述n个设备各自的所述特征数据分别对应转换为所述历史特征矩阵中的特征向量；将所述历史特征矩阵输入到所述神经网络模型，得到所述神经网络模型输出的历史输出矩阵；从每个所述历史输出矩阵中抽取出与开始标志位对应的向量作为历史标志位向量；将抽取出的q个所述历史标志位向量两两成对并划分到两个类别中，其中，一个类别中每对所述历史标志位向量对应的时刻具有先后顺序，在另一个类别中每对所述历史标志位向量对应的时刻为随机关系；将每对所述历史标志位向量输入到时序状态分类器，获得所述时序状态分类器输出的第三分类结果，所述第三分类结果用于指示成对输入的两个所述历史标志位向量对应的时刻是否具有先后顺序；以及基于所述时序状态分类器输出的所述第三分类结果与每对所述历史标志位向量所属的类别的差异，反向优化所述神经网络模型和所述时序状态分类器。14.一种用于监控数据中心状态的装置，包括：数据采集模块，用于在r个时刻采集所述数据中心的n个设备各自的特征数据，得到r个特征数据序列，其中，在每个所述特征数据序列中通过开始标志位标识出起始位置；其中，r、n分别为大于或等于1的整数；数据预处理模块，用于基于每个所述特征数据序列得到一个特征矩阵，其中，所述特征数据序列中的开始标志位和所述n个设备各自的所述特征数据分别对应转换为所述特征矩阵中的特征向量；神经网络模型，为通过预训练技术训练得到的；所述神经网络模型用于处理所述特征矩阵并得到输出矩阵，其中，所述输出矩阵中的向量与所述特征矩阵中的特征向量一一对应；以及监控模块，用于基于所述输出矩阵中与开始标志位对应的向量，得到所述数据中心的状态信息，所述状态信息包括所述数据中心的运行状态信息或时间状态信息至少之一。15.一种用于监控数据中心状态的神经网络模型的训练装置，包括：数据获取模块，用于获取在m个时刻采集的所述数据中心的n个设备各自的特征数据，得到m个历史特征数据序列，其中，在每个所述历史特征数据序列中通过开始标志位标识出
起始位置；其中，r、n分别为大于或等于1的整数；数据预处理模块，用于基于每个所述历史特征数据序列得到一个历史特征矩阵，其中，所述历史特征数据序列中的开始标志位和所述n个设备各自的所述特征数据分别对应转换为所述历史特征矩阵中的特征向量；第一类预训练任务构建模块，用于将所述历史特征矩阵中部分设备对应的所述特征向量进行数据掩码，得到半掩特征矩阵；第一预训练模块，用于：将所述历史特征矩阵输入到所述神经网络模型，得到所述神经网络模型输出的第一历史输出矩阵；将所述半掩特征矩阵输入到所述神经网络模型，得到所述神经网络模型输出的第二历史输出矩阵；以及基于所述第一历史输出矩阵与所述第二历史输出矩阵的差异，反向优化所述神经网络模型。16.一种用于监控数据中心状态的神经网络模型的训练装置，包括：数据获取模块，用于获取在q个时刻采集的所述数据中心的n个设备各自的特征数据，得到q个历史特征数据序列，其中，在每个所述历史特征数据序列中通过开始标志位标识出起始位置；其中，q、n分别为大于或等于1的整数；数据预处理模块，用于基于每个所述历史特征数据序列得到一个历史特征矩阵，其中，所述历史特征数据序列中的开始标志位和所述n个设备各自的所述特征数据分别对应转换为所述历史特征矩阵中的特征向量；第二类预训练任务构建模块，用于：将所述历史特征矩阵输入到所述神经网络模型，得到所述神经网络模型输出的历史输出矩阵；从每个所述历史输出矩阵中抽取出与开始标志位对应的向量以作为历史标志位向量；以及将抽取出的q个所述历史标志位向量两两成对并划分到两个类别中，其中，一个类别中每对所述历史标志位向量对应的时刻具有先后顺序，在另一个类别中每对所述历史标志位向量对应的时刻为随机关系；第二预训练模块用于：将每对所述历史标志位向量输入到时序状态分类器，获得所述时序状态分类器输出的第三分类结果，所述第三分类结果用于指示成对输入的两个所述历史标志位向量对应的时刻是否具有先后顺序；以及基于所述时序状态分类器输出的所述第三分类结果与每对所述历史标志位向量所属的类别的差异，反向优化所述神经网络模型和所述时序状态分类器。17.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～13中任一项所述的方法。
18.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～13中任一项所述的方法。19.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～13中任一项所述的方法。

技术总结
本公开提供了一种用于监控数据中心状态的方法和装置，可以应用于人工智能技术领域。该方法包括：在R个时刻采集数据中心的N个设备各自的特征数据，得到R个特征数据序列，其中，在每个特征数据序列中通过开始标志位标识出起始位置；基于每个特征数据序列得到一个特征矩阵，其中，特征数据序列中的开始标志位和N个设备各自的特征数据分别对应转换为特征矩阵中的特征向量；利用神经网络模型处理特征矩阵，得到神经网络模型输出的输出矩阵；以及基于输出矩阵中与开始标志位对应的向量，得到数据中心的状态信息。本公开还提供了一种用于监控数据中心状态的神经网络模型的训练方法和装置，以及一种电子设备、存储介质和程序产品。存储介质和程序产品。存储介质和程序产品。


技术研发人员：黄延君 王丹
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2022.03.09
技术公布日：2022/6/1