CN115237710A - 服务器温度预测方法、装置、计算机设备和存储介质 - Google Patents
服务器温度预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115237710A CN115237710A CN202210843584.3A CN202210843584A CN115237710A CN 115237710 A CN115237710 A CN 115237710A CN 202210843584 A CN202210843584 A CN 202210843584A CN 115237710 A CN115237710 A CN 115237710A
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- model
- value
- server
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013210 evaluation model Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012417 linear regression Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 23
- 230000001932 seasonal effect Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种服务器温度预测方法、装置、计算机设备和存储介质，方法包括：采集服务器相关的历史运行数据，并进行预处理，得到预处理后的数据特征值；基于预处理后的数据特征值构建第一预测模型和第二预测模型；采集服务器实时运行数据，并输入至第一预测模型和第二预测模型，得到第一输出值和第二输出值；利用预设的评估模型分析第一输出值和第二输出值在预测结果中的最优占比，根据最优占比得到预测结果；基于影响因子，利用数据优化模型对预测结果进行优化，得到优化后的预测结果。本申请可以提高服务器温度预测的准确性，并可以根据该预测结果帮助机房或数据中心管理员更好的管理机房或数据中心的设备，从而避免不必要的经济损失。
Description
技术领域
本申请涉及服务器温度预测技术领域，特别是涉及一种服务器温度预测方法、装置、计算机设备和存储介质。
背景技术
随着信息技术的发展，各大企业、计算中心等都在建立大体量的数据中心、机房，由于数据中心、机房对温度有强烈的要求，如果温度偏高，就会易使机器散热不畅，使晶体管的工作参数产生漂移，影响电路的稳定性和可靠性，严重时还可造成元器件的击穿损坏，在制冷设备正常工作的前提下，导致数据中心、机房温度变高的主要因素就是服务器本身的温度，并且数据中心或机房每天都可能在添加大量设备，当设备增加或者设备产生热量过高，都会导致整个数据中心或机房温度升高，当出现温度过高后再处理会造成巨大的经济损失。
因此，亟需提出一种可以根据温度预测值了解未来这段时间机房或数据中心可能会出现温度异常的情况并采取针对性措施从而规避风险发生的温度预测方法、装置、计算机设备和存储介质。
发明内容
基于此，有必要针对上述技术问题，提供一种能够根据预测值规避机房或数据中心风险发生的服务器温度预测方法、装置、计算机设备和存储介质。
一方面，提供一种服务器温度预测方法，所述方法包括：
步骤A：采集服务器相关的历史运行数据，对所述历史运行数据进行预处理，得到预处理后的数据特征值；
步骤B：基于所述预处理后的数据特征值构建第一预测模型和第二预测模型，其中所述第一预测模型为季节性时序算法模型，所述第二预测模型为第一线性回归模型；
步骤C：采集服务器实时运行数据，并将所述实时运行数据输入至所述第一预测模型和第二预测模型，得到第一输出值和第二输出值；
步骤D：利用预设的评估模型分析所述第一输出值和第二输出值在预测结果中的最优占比，根据所述最优占比得到所述预测结果；
步骤E：基于影响因子，利用数据优化模型对所述预测结果进行优化，得到优化后的预测结果。
在其中一个实施例中，还包括：对所述优化后的预测结果进行校验，具体为：采用画图工具将理论数据和所述优化后的预测结果数据形成趋势图，所述趋势图为以时间点为横坐标、数据值为纵坐标的平面直角坐标系；基于所述平面直角坐标系，比较两种数据在同一横坐标情形下纵坐标之间的差值绝对值；当所述差值绝对值高于预设值时，则将预警信号发送至管理终端。
在其中一个实施例中，还包括：所述对所述历史运行数据进行预处理包括：定义所述历史运行数据的初始周期范围，所述历史运行数据包括服务器温度值；采用python的for循环对所述初始周期范围进行处理：所述for循环从所述初始周期范围的最小值开始至最大值结束，定义循环中周期数为i；将所述历史运行数据按所述循环中周期数i进行切割，取每个i范围数据的加和数定义为新的y值；对所述新的y值进行差分，当差分结果趋于常数n时，将所述i选择为确定的周期，即预测模型的时序周期。
在其中一个实施例中，还包括：所述预处理还包括：对极度离散的所述历史运行数据进行优化处理，所述历史运行数据出现极度离散情形的判断标准为：以所述确定的周期i为单位，取所述历史运行数据中i小时的第1到第i小时，做i次差分运算；若差分运算结果的数值高于预设值，表示所述历史运行数据出现极度离散情形；利用周期i内的服务器温度平均值替换出现极度离散情形的历史运行数据；采用差分策略对所述确定的周期i内的所有历史运行数据进行序列平稳化处理，得到所述第一预测模型的差分参数d。
在其中一个实施例中，还包括：所述季节性时序算法模型包括三个参数，分别为差分参数d、回归参数p、滑动平均参数q：定义所述回归参数p和滑动平均参数q的范围为{0,1,2}，利用网络搜索策略遍历参数的9种组合；将所述9种组合和所述差分参数d应用到时序算法中，得到9种预测结果；利用最小信息化准则对所述9种预测结果取最优，并将所述最小信息化准则确定得到的d、p、q参数作为所述第一预测模型的最终入参，形成所述第一预测模型。
在其中一个实施例中，还包括：所述利用预设的评估模型分析所述第一输出值和第二输出值在预测结果中的最优占比，根据所述最优占比得到所述预测结果，包括：利用熵权策略构建的所述预设的评估模型；基于所述评估模型计算所述第一输出值和第二输出值在预测结果中所占的最优权重；根据权重占比对两个预测模型的输出值进行求和运算，得到所述预测结果。
在其中一个实施例中，还包括：所述基于影响因子，利用数据优化模型对所述预测结果进行优化，得到优化后的预测结果包括：所述数据优化模型为第二线性回归模型，基于所述影响因子，利用所述第二线性回归模型对所述预测结果进行优化，其中，所述影响因子为以下至少一项：时序周期内的环境温度、时序周期内的空气湿度、时序周期是否为工作日、时序周期内是否有大功耗操作。
另一方面，提供了一种服务器温度预测装置，所述装置包括：
数据采集处理模块，用于采集服务器相关的历史运行数据，对所述历史运行数据进行预处理，得到预处理后的数据特征值；
模型构建模块，用于基于所述预处理后的数据特征值构建第一预测模型和第二预测模型，其中所述第一预测模型为季节性时序算法模型，所述第二预测模型为第一线性回归模型；
模型应用模块，用于采集服务器实时运行数据，并将所述实时运行数据输入至所述第一预测模型和第二预测模型，得到第一输出值和第二输出值；
占比计算模块，用于利用预设的评估模型分析所述第一输出值和第二输出值在预测结果中的最优占比，根据所述最优占比得到所述预测结果；
结果优化模块，用于基于影响因子，利用数据优化模型对所述预测结果进行优化，得到优化后的预测结果。
再一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
步骤A：采集服务器相关的历史运行数据，对所述历史运行数据进行预处理，得到预处理后的数据特征值；
步骤B：基于所述预处理后的数据特征值构建第一预测模型和第二预测模型，其中所述第一预测模型为季节性时序算法模型，所述第二预测模型为第一线性回归模型；
步骤C：采集服务器实时运行数据，并将所述实时运行数据输入至所述第一预测模型和第二预测模型，得到第一输出值和第二输出值；
步骤D：利用预设的评估模型分析所述第一输出值和第二输出值在预测结果中的最优占比，根据所述最优占比得到所述预测结果；
步骤E：基于影响因子，利用数据优化模型对所述预测结果进行优化，得到优化后的预测结果。
又一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
步骤A：采集服务器相关的历史运行数据，对所述历史运行数据进行预处理，得到预处理后的数据特征值；
步骤B：基于所述预处理后的数据特征值构建第一预测模型和第二预测模型，其中所述第一预测模型为季节性时序算法模型，所述第二预测模型为第一线性回归模型；
步骤C：采集服务器实时运行数据，并将所述实时运行数据输入至所述第一预测模型和第二预测模型，得到第一输出值和第二输出值；
步骤D：利用预设的评估模型分析所述第一输出值和第二输出值在预测结果中的最优占比，根据所述最优占比得到所述预测结果；
步骤E：基于影响因子，利用数据优化模型对所述预测结果进行优化，得到优化后的预测结果。
本申请实现的有益效果为：上述的服务器温度预测方法、装置、计算机设备和存储介质，所述方法包括：采集服务器相关的历史运行数据，对所述历史运行数据进行预处理，得到预处理后的数据特征值；基于所述预处理后的数据特征值构建第一预测模型和第二预测模型，其中所述第一预测模型为季节性时序算法模型，所述第二预测模型为第一线性回归模型；采集服务器实时运行数据，并将所述实时运行数据输入至所述第一预测模型和第二预测模型，得到第一输出值和第二输出值；利用预设的评估模型分析所述第一输出值和第二输出值在预测结果中的最优占比，根据所述最优占比得到所述预测结果；基于影响因子，利用数据优化模型对所述预测结果进行优化，得到优化后的预测结果，本申请利用历史运行数据构建两个预测模型，利用双重预测的方法提高了预测的准确性，进一步的，基于评估模型对两个预测模型的输出值的权重占比进行计算，根据权重占比计算获取预测结果，并在考虑影响服务器温度的影响因子的基础上对预测结果进行进一步的优化，得到最终的预测结果，可以更加准确的预测服务器温度的未来趋势，根据该预测结果可以帮助机房或数据中心管理员更好的管理机房或数据中心的设备，从而避免不必要的经济损失。
附图说明
图1为一个实施例中服务器温度预测方法的应用环境图；
图2为一个实施例中服务器温度预测方法的流程示意图；
图3为一个实施例中服务器温度预测装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的服务器温度预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。机房或数据中心通过终端102通过网络与服务器104上的监测设备进行通信，其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
实施例一
在一个实施例中，如图2所示，提供了一种服务器温度预测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
S1：采集服务器相关的历史运行数据，对所述历史运行数据进行预处理，得到预处理后的数据特征值。
需要说明的是，服务器相关的历史运行数据及下文所提到的实时运行数据包括服务器温度、时序周期内的环境温度、时序周期内的空气湿度、时序周期是否为工作日、时序周期内是否有大功耗操作，可以通过IPMI(智能平台管理接口)协议获取服务器温度的历史运行数据及实时运行数据，服务器温度的采集周期为15分钟，其数据格式为：
进一步的，对所述历史运行数据进行预处理包括：
定义所述历史运行数据的初始周期范围，示例性的，本申请所采用的初始周期范围为6-48小时，此处的历史运行数据为服务器温度值；
采用python的for循环对所述初始周期范围进行处理：
所述for循环从6开始48结束，定义循环中周期数为i；
将所述历史运行数据按所述循环中周期数i进行切割，取每个i范围温度数据的加和数定义为新的y值；
对所述新的y值进行差分，当差分结果趋于常数n时，将所述i选择为确定的周期，即预测模型的时序周期，其具体的计算公式如下所示：
yi＝x1+x2+...+xi
其中，x表示温度，f(x)表示差分结果，当f(x)趋于常数n时，i即为本申请所要确定的周期，示例性的，本申请的时序周期为24小时。
进一步的，当服务器在做压测等性能验证时或人为操作会造成服务器温度骤升，因此采集的历史运行数据会有一部分数据极度离散，所以需要对该部分数据优化，即对极度离散的所述历史运行数据进行优化处理，其中，所述历史运行数据出现极度离散情形的判断标准为：
以所述确定的周期i为单位，取所述历史运行数据中i小时的第1到第i小时，做i次差分运算；
若所述差分结果的数值高于预设值，即某次差分结果中出现非常数数据，表示所述历史运行数据出现极度离散情形；
利用周期i内的服务器温度平均值替换所述非常数数据；
采用差分策略对所述确定的周期i内的所有历史运行数据进行序列平稳化处理，得到所述第一预测模型的差分参数d：
首先，对序列进行一阶差分，所述序列指的是将服务器的温度数据生成序列的格式，判断差分后序列的时序数据(服务器的温度数据)是否出现以下情形：
1、常数均值即平均值是常数或趋于常数；
2、常数方差即方差是常数或趋于常数；
3、常数自协方差即协方差是常数或趋于常数。
如果一阶差分后时序数据出现上述特征，就说明一阶差分后的序列是平稳的，那么使用季节性时序算法模型时，差分参数为d＝1，如果一阶差分后的时序数据不能平稳，则继续使用二阶差分进行验证，直到出现来平稳性时序数据，并确定第一预测模型的差分参数d入参。
本申请通过对数据优化处理便于后续建立精确度高的预测模型。
S2：基于所述预处理后的数据特征值构建第一预测模型和第二预测模型，其中所述第一预测模型为季节性时序算法模型，所述第二预测模型为第一线性回归模型；
S3：采集服务器实时运行数据，并将所述实时运行数据输入至所述第一预测模型和第二预测模型，得到第一输出值和第二输出值。
需要说明的是，所述季节性时序算法模型包括三个参数，分别为差分参数d、回归参数p、滑动平均参数q：
定义所述回归参数p和滑动平均参数q的范围为{0,1,2}，利用网络搜索策略遍历参数的9种组合；
将所述9种组合和所述差分参数d应用到时序算法中，得到9种预测结果；
利用最小信息化准则对所述9种预测结果取最优，并将所述最小信息化准则确定得到的d、p、q参数作为所述第一预测模型的最终入参，形成所述第一预测模型，其中，最小信息化准则是用来衡量统计模型拟合优良性的一个标准，它建立在熵的概念基础上，可以权衡所估计模型的复杂度和模型拟合数据的优良性再利用，最小信息化准则根据数据的拟合程度或准确预测未来数据点的能力对每个模型进行排序，最小信息化准则是拟合精度和参数个数的加权函数，使最小信息化函数达到最小的模型被认为是最优模型，将最小信息化准则确定出来的d、p、q参数作为所述第一预测模型的最终入参，形成所述第一预测模型。
进一步的，利用所述第一线性回归模型预测所述时序周期内的服务器温度数据，其中，第一线性回归模型的计算公式如下：
zi＝ai2+b
其中，zi表示第i小时的温度输出值，a、b均表示常数。
更进一步的，将实时运行数据分别输入至所述第一预测模型和所述第二预测模型中，分别得到第一输出值和第二输出值。
本申请采用两种预测模型对服务器未来时间段的温度值进行预测，提高了温度预测的准确性。
S4：利用预设的评估模型分析所述第一输出值和第二输出值在预测结果中的最优占比，根据所述最优占比得到所述预测结果。
具体的，利用熵权策略构建的所述预设的评估模型；
基于所述评估模型计算所述第一输出值和第二输出值在预测结果中所占的最优权重；
根据权重占比对两个预测模型的输出值进行求和运算，得到所述预测结果，其计算公式为：
t(x)＝m1y1i+m2y2i
其中，m1表示第一预测模型占比，m2表示第二预测模型占比，y1i表示第一预测模型预测结果，y2i表示第二预测模型预测结果，t(x)表示预测结果。
本申请通过将两种数据进行权重最优占比计算，并拟合两种预测结果，从而得到最终的预测结果，提高了温度预测的准确性。
S5：基于影响因子，利用数据优化模型对所述预测结果进行优化，得到优化后的预测结果。
需要说明的是，所述数据优化模型为第二线性回归模型，基于所述影响因子，利用所述第二线性回归模型对所述预测结果进行优化，其中，所述影响因子为时序周期内的环境温度、空气湿度，所述时序周期是否为工作日，所述时序周期内是否有大功耗操作，其计算公式为：
R＝at(x)+bx2i+cx3i+dx4i+ex5i+m
其中，x2表示环境温度，x3表示空气湿度，x4表示是否工作日，若是工作日，取1，若非工作日取0，x5表示是否有大功率操作，若有，则取1，若没有则取0，R表示最终的预测结果，a、b、c、d、e均表示常数。
进一步的，对所述优化后的预测结果进行校验，包括：
采用画图工具将理论数据和所述优化后的预测结果数据形成趋势图，所述趋势图为以时间点为横坐标、数据值为纵坐标的平面直角坐标系；
基于所述平面直角坐标系，比较两种数据在同一横坐标情形下纵坐标之间的差值绝对值；
当所述差值绝对值高于预设值时，则将预警信号发送至管理终端，管理终端可以根据预警值实时采取相应的管理措施。
另外，当机房或数据中心新增设备时，本申请可以将模型输出的结果存储到数据库，因为在采集服务器温度时，也可以采集到服务器本身的详细指标，如机型信息，可以将详细指标一并存储到数据库中，当机房或者数据中心新增了某些设备，如果这些设备的机型在机房或数据中心中已存在，本申请可以用预测的数据中心或机房中该机型的全部设备的未来温度的平均值可作为新增该机型设备的未来温度，通过已经预测了机房或数据中心中全部设备的温度，可以对服务器未来时间段的温度趋势进行预测，若超过预警值，则将预警信号发送给机房或数据中心管理员。
上述的服务器温度预测方法，包括：采集服务器相关的历史运行数据，对所述历史运行数据进行预处理，得到预处理后的数据特征值；基于所述预处理后的数据特征值构建第一预测模型和第二预测模型，其中所述第一预测模型为季节性时序算法模型，所述第二预测模型为第一线性回归模型；采集服务器实时运行数据，并将所述实时运行数据输入至所述第一预测模型和第二预测模型，得到第一输出值和第二输出值；利用预设的评估模型分析所述第一输出值和第二输出值在预测结果中的最优占比，根据所述最优占比得到所述预测结果；基于影响因子，利用数据优化模型对所述预测结果进行优化，得到优化后的预测结果，本申请利用历史运行数据构建两个预测模型，利用双重预测的方法提高了预测的准确性，进一步的，基于评估模型对两个预测模型的输出值的权重占比进行计算，根据权重占比计算获取预测结果，并在考虑影响服务器温度的影响因子的基础上对预测结果进行进一步的优化，得到最终的预测结果，可以更加准确的预测服务器温度的未来趋势，根据该预测结果可以帮助机房或数据中心管理员更好的管理机房或数据中心的设备，从而避免不必要的经济损失。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二
在一个实施例中，如图3所示，提供了一种服务器温度预测装置，包括：数据采集处理模块、模型构建模块、模型应用模块、占比计算模块和结果优化模块，其中：
数据采集处理模块，用于采集服务器相关的历史运行数据，对所述历史运行数据进行预处理，得到预处理后的数据特征值；
模型构建模块，用于基于所述预处理后的数据特征值构建第一预测模型和第二预测模型，其中所述第一预测模型为季节性时序算法模型，所述第二预测模型为第一线性回归模型；
模型应用模块，用于采集服务器实时运行数据，并将所述实时运行数据输入至所述第一预测模型和第二预测模型，得到第一输出值和第二输出值；
占比计算模块，用于利用预设的评估模型分析所述第一输出值和第二输出值在预测结果中的最优占比，根据所述最优占比得到所述预测结果；
结果优化模块，用于基于影响因子，利用数据优化模型对所述预测结果进行优化，得到优化后的预测结果。
所述装置还包括：验证模块，用于对所述优化后的预测结果进行校验。
作为一种较优的实施方式，本发明实施例中，所述数据采集处理模块具体用于：
定义所述历史运行数据的初始周期范围，所述历史运行数据包括服务器温度值；
采用python的for循环对所述初始周期范围进行处理：所述for循环从所述初始周期范围的最小值开始至最大值结束，定义循环中周期数为i；
将所述历史运行数据按所述循环中周期数i进行切割，取每个i范围数据的加和数定义为新的y值；
对所述新的y值进行差分，当差分结果趋于常数n时，将所述i选择为确定的周期，即预测模型的时序周期；
对极度离散的所述历史运行数据进行优化处理，所述历史运行数据出现极度离散情形的判断标准为：
以所述确定的周期i为单位，取所述历史运行数据中i小时的第1到第i小时，做i次差分运算；
若差分运算结果的数值高于预设值，表示所述历史运行数据出现极度离散情形；
利用周期i内的服务器温度平均值替换出现极度离散情形的历史运行数据；
采用差分策略对所述确定的周期i内的所有历史运行数据进行序列平稳化处理，得到所述第一预测模型的差分参数d。
作为一种较优的实施方式，本发明实施例中，所述模型构建模块具体用于：
所述季节性时序算法模型包括三个参数，分别为差分参数d、回归参数p、滑动平均参数q：
定义所述回归参数p和滑动平均参数q的范围为{0,1,2}，利用网络搜索策略遍历参数的9种组合；
将所述9种组合和所述差分参数d应用到时序算法中，得到9种预测结果；
利用最小信息化准则对所述9种预测结果取最优，并将所述最小信息化准则确定得到的d、p、q参数作为所述第一预测模型的最终入参，形成所述第一预测模型。
作为一种较优的实施方式，本发明实施例中，所述占比计算模块具体用于：
利用熵权策略构建的所述预设的评估模型；
基于所述评估模型计算所述第一输出值和第二输出值在预测结果中所占的最优权重；
根据权重占比对两个预测模型的输出值进行求和运算，得到所述预测结果。
作为一种较优的实施方式，本发明实施例中，所述结果优化模块具体用于：
所述数据优化模型为第二线性回归模型，基于所述影响因子，利用所述第二线性回归模型对所述预测结果进行优化，其中，所述影响因子为以下至少一项：时序周期内的环境温度、时序周期内的空气湿度、时序周期是否为工作日、时序周期内是否有大功耗操作。
作为一种较优的实施方式，本发明实施例中，所述验证模块具体用于：
采用画图工具将理论数据和所述优化后的预测结果数据形成趋势图，所述趋势图为以时间点为横坐标、数据值为纵坐标的平面直角坐标系；
基于所述平面直角坐标系，比较两种数据在同一横坐标情形下纵坐标之间的差值绝对值；
当所述差值绝对值高于预设值时，则将预警信号发送至管理终端。
关于服务器温度预测装置的具体限定可以参见上文中对于服务器温度预测方法的限定，在此不再赘述。上述服务器温度预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
实施例三
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种服务器温度预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
S1：采集服务器相关的历史运行数据，对所述历史运行数据进行预处理，得到预处理后的数据特征值；
S2：基于所述预处理后的数据特征值构建第一预测模型和第二预测模型，其中所述第一预测模型为季节性时序算法模型，所述第二预测模型为第一线性回归模型；
S3：采集服务器实时运行数据，并将所述实时运行数据输入至所述第一预测模型和第二预测模型，得到第一输出值和第二输出值；
S4：利用预设的评估模型分析所述第一输出值和第二输出值在预测结果中的最优占比，根据所述最优占比得到所述预测结果；
S5：基于影响因子，利用数据优化模型对所述预测结果进行优化，得到优化后的预测结果。
作为一种较优的实施方式，本发明实施例中，处理器执行计算机程序时还实现以下步骤：
定义所述历史运行数据的初始周期范围，所述历史运行数据包括服务器温度值；
采用python的for循环对所述初始周期范围进行处理：所述for循环从所述初始周期范围的最小值开始至最大值结束，定义循环中周期数为i；
将所述历史运行数据按所述循环中周期数i进行切割，取每个i范围数据的加和数定义为新的y值；
对所述新的y值进行差分，当差分结果趋于常数n时，将所述i选择为确定的周期，即预测模型的时序周期；
对极度离散的所述历史运行数据进行优化处理，所述历史运行数据出现极度离散情形的判断标准为：
以所述确定的周期i为单位，取所述历史运行数据中i小时的第1到第i小时，做i次差分运算；
若差分运算结果的数值高于预设值，表示所述历史运行数据出现极度离散情形；
利用周期i内的服务器温度平均值替换出现极度离散情形的历史运行数据；
采用差分策略对所述确定的周期i内的所有历史运行数据进行序列平稳化处理，得到所述第一预测模型的差分参数d。
作为一种较优的实施方式，本发明实施例中，处理器执行计算机程序时还实现以下步骤：
所述季节性时序算法模型包括三个参数，分别为差分参数d、回归参数p、滑动平均参数q：
定义所述回归参数p和滑动平均参数q的范围为{0,1,2}，利用网络搜索策略遍历参数的9种组合；
将所述9种组合和所述差分参数d应用到时序算法中，得到9种预测结果；
利用最小信息化准则对所述9种预测结果取最优，并将所述最小信息化准则确定得到的d、p、q参数作为所述第一预测模型的最终入参，形成所述第一预测模型。
作为一种较优的实施方式，本发明实施例中，处理器执行计算机程序时还实现以下步骤：
利用熵权策略构建的所述预设的评估模型；
基于所述评估模型计算所述第一输出值和第二输出值在预测结果中所占的最优权重；
根据权重占比对两个预测模型的输出值进行求和运算，得到所述预测结果。
作为一种较优的实施方式，本发明实施例中，处理器执行计算机程序时还实现以下步骤：
所述数据优化模型为第二线性回归模型，基于所述影响因子，利用所述第二线性回归模型对所述预测结果进行优化，其中，所述影响因子为以下至少一项：时序周期内的环境温度、时序周期内的空气湿度、时序周期是否为工作日、时序周期内是否有大功耗操作。
作为一种较优的实施方式，本发明实施例中，处理器执行计算机程序时还实现以下步骤：
采用画图工具将理论数据和所述优化后的预测结果数据形成趋势图，所述趋势图为以时间点为横坐标、数据值为纵坐标的平面直角坐标系；
基于所述平面直角坐标系，比较两种数据在同一横坐标情形下纵坐标之间的差值绝对值；
当所述差值绝对值高于预设值时，则将预警信号发送至管理终端。
实施例四
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
S1：采集服务器相关的历史运行数据，对所述历史运行数据进行预处理，得到预处理后的数据特征值；
S2：基于所述预处理后的数据特征值构建第一预测模型和第二预测模型，其中所述第一预测模型为季节性时序算法模型，所述第二预测模型为第一线性回归模型；
S3：采集服务器实时运行数据，并将所述实时运行数据输入至所述第一预测模型和第二预测模型，得到第一输出值和第二输出值；
S4：利用预设的评估模型分析所述第一输出值和第二输出值在预测结果中的最优占比，根据所述最优占比得到所述预测结果；
S5：基于影响因子，利用数据优化模型对所述预测结果进行优化，得到优化后的预测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
定义所述历史运行数据的初始周期范围，所述历史运行数据包括服务器温度值；
采用python的for循环对所述初始周期范围进行处理：所述for循环从所述初始周期范围的最小值开始至最大值结束，定义循环中周期数为i；
将所述历史运行数据按所述循环中周期数i进行切割，取每个i范围数据的加和数定义为新的y值；
对所述新的y值进行差分，当差分结果趋于常数n时，将所述i选择为确定的周期，即预测模型的时序周期；
对极度离散的所述历史运行数据进行优化处理，所述历史运行数据出现极度离散情形的判断标准为：
以所述确定的周期i为单位，取所述历史运行数据中i小时的第1到第i小时，做i次差分运算；
若差分运算结果的数值高于预设值，表示所述历史运行数据出现极度离散情形；
利用周期i内的服务器温度平均值替换出现极度离散情形的历史运行数据；
采用差分策略对所述确定的周期i内的所有历史运行数据进行序列平稳化处理，得到所述第一预测模型的差分参数d。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述季节性时序算法模型包括三个参数，分别为差分参数d、回归参数p、滑动平均参数q：
定义所述回归参数p和滑动平均参数q的范围为{0,1,2}，利用网络搜索策略遍历参数的9种组合；
将所述9种组合和所述差分参数d应用到时序算法中，得到9种预测结果；
利用最小信息化准则对所述9种预测结果取最优，并将所述最小信息化准则确定得到的d、p、q参数作为所述第一预测模型的最终入参，形成所述第一预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
利用熵权策略构建的所述预设的评估模型；
基于所述评估模型计算所述第一输出值和第二输出值在预测结果中所占的最优权重；
根据权重占比对两个预测模型的输出值进行求和运算，得到所述预测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述数据优化模型为第二线性回归模型，基于所述影响因子，利用所述第二线性回归模型对所述预测结果进行优化，其中，所述影响因子为以下至少一项：时序周期内的环境温度、时序周期内的空气湿度、时序周期是否为工作日、时序周期内是否有大功耗操作。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
采用画图工具将理论数据和所述优化后的预测结果数据形成趋势图，所述趋势图为以时间点为横坐标、数据值为纵坐标的平面直角坐标系；
基于所述平面直角坐标系，比较两种数据在同一横坐标情形下纵坐标之间的差值绝对值；
当所述差值绝对值高于预设值时，则将预警信号发送至管理终端。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种服务器温度预测方法，其特征在于，所述方法包括：
采集服务器相关的历史运行数据，对所述历史运行数据进行预处理，得到预处理后的数据特征值；
基于所述预处理后的数据特征值构建第一预测模型和第二预测模型，其中所述第一预测模型为季节性时序算法模型，所述第二预测模型为第一线性回归模型；
采集服务器实时运行数据，并将所述实时运行数据输入至所述第一预测模型和第二预测模型，得到第一输出值和第二输出值；
利用预设的评估模型分析所述第一输出值和第二输出值在预测结果中的最优占比，根据所述最优占比得到所述预测结果；
基于影响因子，利用数据优化模型对所述预测结果进行优化，得到优化后的预测结果。
2.根据权利要求1所述的服务器温度预测方法，其特征在于，所述方法还包括对所述优化后的预测结果进行校验，具体为：
采用画图工具将理论数据和所述优化后的预测结果数据形成趋势图，所述趋势图为以时间点为横坐标、数据值为纵坐标的平面直角坐标系；
基于所述平面直角坐标系，比较两种数据在同一横坐标情形下纵坐标之间的差值绝对值；
当所述差值绝对值高于预设值时，则将预警信号发送至管理终端。
3.根据权利要求1所述的服务器温度预测方法，其特征在于，所述对所述历史运行数据进行预处理包括：
定义所述历史运行数据的初始周期范围，所述历史运行数据包括服务器温度值；
采用python的for循环对所述初始周期范围进行处理：
所述for循环从所述初始周期范围的最小值开始至最大值结束，定义循环中周期数为i；
将所述历史运行数据按所述循环中周期数i进行切割，取每个i范围数据的加和数定义为新的y值；
对所述新的y值进行差分，当差分结果趋于常数n时，将所述i选择为确定的周期，即预测模型的时序周期。
4.根据权利要求3所述的服务器温度预测方法，其特征在于，所述预处理还包括：
对极度离散的所述历史运行数据进行优化处理，所述历史运行数据出现极度离散情形的判断标准为：
以所述确定的周期i为单位，取所述历史运行数据中i小时的第1到第i小时，做i次差分运算；
若差分运算结果的数值高于预设值，表示所述历史运行数据出现极度离散情形；
利用周期i内的服务器温度平均值替换出现极度离散情形的历史运行数据；
采用差分策略对所述确定的周期i内的所有历史运行数据进行序列平稳化处理，得到所述第一预测模型的差分参数d。
5.根据权利要求1所述的服务器温度预测方法，其特征在于：
所述季节性时序算法模型包括三个参数，分别为差分参数d、回归参数p、滑动平均参数q：
定义所述回归参数p和滑动平均参数q的范围为{0,1,2}，利用网络搜索策略遍历参数的9种组合；
将所述9种组合和所述差分参数d应用到时序算法中，得到9种预测结果；
利用最小信息化准则对所述9种预测结果取最优，并将所述最小信息化准则确定得到的d、p、q参数作为所述第一预测模型的最终入参，形成所述第一预测模型。
6.根据权利要求1所述的服务器温度预测方法，其特征在于，所述利用预设的评估模型分析所述第一输出值和第二输出值在预测结果中的最优占比，根据所述最优占比得到所述预测结果，包括：
利用熵权策略构建的所述预设的评估模型；
基于所述评估模型计算所述第一输出值和第二输出值在预测结果中所占的最优权重；
根据权重占比对两个预测模型的输出值进行求和运算，得到所述预测结果。
7.根据权利要求1所述的服务器温度预测方法，其特征在于，所述基于影响因子，利用数据优化模型对所述预测结果进行优化，得到优化后的预测结果包括：
所述数据优化模型为第二线性回归模型，基于所述影响因子，利用所述第二线性回归模型对所述预测结果进行优化，其中，所述影响因子为以下至少一项：时序周期内的环境温度、时序周期内的空气湿度、时序周期是否为工作日、时序周期内是否有大功耗操作。
8.一种服务器温度预测装置，其特征在于，所述装置包括：
数据采集处理模块，用于采集服务器相关的历史运行数据，对所述历史运行数据进行预处理，得到预处理后的数据特征值；
模型构建模块，用于基于所述预处理后的数据特征值构建第一预测模型和第二预测模型，其中所述第一预测模型为季节性时序算法模型，所述第二预测模型为第一线性回归模型；
模型应用模块，用于采集服务器实时运行数据，并将所述实时运行数据输入至所述第一预测模型和第二预测模型，得到第一输出值和第二输出值；
占比计算模块，用于利用预设的评估模型分析所述第一输出值和第二输出值在预测结果中的最优占比，根据所述最优占比得到所述预测结果；
结果优化模块，用于基于影响因子，利用数据优化模型对所述预测结果进行优化，得到优化后的预测结果。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210843584.3A CN115237710A (zh) | 2022-07-18 | 2022-07-18 | 服务器温度预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210843584.3A CN115237710A (zh) | 2022-07-18 | 2022-07-18 | 服务器温度预测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115237710A true CN115237710A (zh) | 2022-10-25 |
Family
ID=83673962
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210843584.3A Pending CN115237710A (zh) | 2022-07-18 | 2022-07-18 | 服务器温度预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115237710A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115685941A (zh) * | 2022-11-04 | 2023-02-03 | 中国电子工程设计院有限公司 | 一种基于机柜热点温度预测的机房运行调控方法及装置 |
| CN116963482A (zh) * | 2023-09-21 | 2023-10-27 | 广东云下汇金科技有限公司 | 一种基于数据中心暖通***的智能化节能方法及相关设备 |
| CN117040137A (zh) * | 2023-10-09 | 2023-11-10 | 国网山东省电力公司聊城供电公司 | 基于多源数据的环网柜温升预警方法、***、终端及介质 |
| CN117249036A (zh) * | 2023-11-20 | 2023-12-19 | 南方电网调峰调频发电有限公司检修试验分公司 | 一种抽水蓄能***、水轮发电机组状态评估方法及装置 |
-
2022
- 2022-07-18 CN CN202210843584.3A patent/CN115237710A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115685941A (zh) * | 2022-11-04 | 2023-02-03 | 中国电子工程设计院有限公司 | 一种基于机柜热点温度预测的机房运行调控方法及装置 |
| CN116963482A (zh) * | 2023-09-21 | 2023-10-27 | 广东云下汇金科技有限公司 | 一种基于数据中心暖通***的智能化节能方法及相关设备 |
| CN116963482B (zh) * | 2023-09-21 | 2023-12-05 | 广东云下汇金科技有限公司 | 一种基于数据中心暖通***的智能化节能方法及相关设备 |
| CN117040137A (zh) * | 2023-10-09 | 2023-11-10 | 国网山东省电力公司聊城供电公司 | 基于多源数据的环网柜温升预警方法、***、终端及介质 |
| CN117040137B (zh) * | 2023-10-09 | 2024-05-07 | 国网山东省电力公司聊城供电公司 | 基于多源数据的环网柜温升预警方法、***、终端及介质 |
| CN117249036A (zh) * | 2023-11-20 | 2023-12-19 | 南方电网调峰调频发电有限公司检修试验分公司 | 一种抽水蓄能***、水轮发电机组状态评估方法及装置 |
| CN117249036B (zh) * | 2023-11-20 | 2024-02-20 | 南方电网调峰调频发电有限公司检修试验分公司 | 一种抽水蓄能***、水轮发电机组状态评估方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115237710A (zh) | 服务器温度预测方法、装置、计算机设备和存储介质 | |
| CN108959934B (zh) | 安全风险评估方法、装置、计算机设备和存储介质 | |
| US7107187B1 (en) | Method for modeling system performance | |
| CN112150311A (zh) | 能耗异常状态检测方法、装置、计算机设备和存储介质 | |
| CN112380044B (zh) | 数据异常检测方法、装置、计算机设备和存储介质 | |
| CN113407371A (zh) | 数据异常监测方法、装置、计算机设备和存储介质 | |
| CN109714201B (zh) | 网络***可靠性评估方法、装置、计算机设备和存储介质 | |
| CN111738404B (zh) | 模型训练任务处理方法、装置、电子设备和存储介质 | |
| CN112884199B (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
| CN112541016A (zh) | 用电异常检测方法、装置、计算机设备和存储介质 | |
| CN114240243A (zh) | 一种基于动态***辨识的精馏塔产品质量预测方法及装置 | |
| CN110888625A (zh) | 基于需求变更和项目风险对代码质量进行控制的方法 | |
| CN110990135A (zh) | 基于深度迁移学习的Spark作业时间预测方法和装置 | |
| CN114168318A (zh) | 存储释放模型的训练方法、存储释放方法及设备 | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| CN113254153B (zh) | 流程任务处理方法、装置、计算机设备和存储介质 | |
| CN113158435B (zh) | 基于集成学习的复杂***仿真运行时间预测方法与设备 | |
| CN108921459B (zh) | 指标生成方法、装置、计算机设备和存储介质 | |
| CN115879248B (zh) | 一种适用于真空泵的全生命周期管理方法和*** | |
| CN113808727B (zh) | 设备监控方法、装置、计算机设备和可读存储介质 | |
| CN110544031A (zh) | 电能表可靠度预计方法、装置、计算机设备和存储介质 | |
| CN112015723A (zh) | 数据等级划分方法、装置、计算机设备和存储介质 | |
| CN113626578B (zh) | 一种密封材料的智能分析方法及*** | |
| CN112303811B (zh) | 空调运行数据的处理方法、装置、***、空调和存储介质 | |
| CN113610225A (zh) | 质量评估模型训练方法、装置、电子设备及存储介质 |
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 |