网络数据中心IT设备人工智能化运维应用

张华兵， 周英耀， 徐 磊， 石宏宇， 孙 滨

(1. 北京大学 信息科学技术学院， 北京 100871；

2. 南方电网 数字电网研究院有限公司， 广州 510663；
3. 郑州工业应用技术学院 信息工程学院， 郑州 451150)

近年来，智能网络领域的技术水平发展迅速，网络已经走进千家万户[1].随着网络的不断推广使用，网络故障产生较为频繁，这就需要网络数据中的IT设备对其进行人工智能化的运维应用，所以要寻找一种更加高效的网络运维应用新方法[2].

曾治安等[3]采用移动互联网技术对继电保护设备运维进行分析，该运维方法主要以智能运维平台为核心，智能分析实施检测数据和全过程业务数据，实现设备的在线监测、缺陷故障告警及核心运维业务的全过程管控.蒲天骄等[4]指出了人工智能关键技术框架及各类算法的应用特点和范围，总结了各类典型运维场景中的人工智能应用进展与困难，并提出了解决思路.郭江博等[5]以通用技术架构模型、视图和控制器为基础，结合微信小程序，用Php语言设计开发了基于云服务的医院IT运维平台，通过此平台可实现工单报修、巡检、监控、报警及知识管理等功能，缩短维修响应时间，但存在稳定性验证不全的问题.为解决并改进上述运维数据应用测试方法中存在的问题，本文进行了网络数据中心IT设备人工智能化运维应用测试研究.

本文将VRNN算法以及分层剪枝策略相结合，对网络中心IT设备的异常数据进行定位.

1.1 训练模型

本文以VRNN为基础模型，将深度生成模型与长短期记忆网络相结合提出新的模型结构，并对其进行训练.由于该模型是VAE与长短期记忆网络结合的产物，所以在网络数据中心，每一时刻t都包含着自编码网络单元，该单元依赖于长短期记忆网络中时刻状态变量[6]，因此在构建VRNN模型时需全面考虑序列数据的时间依赖.

设定网络中心IT设备的输入数据为x，由于网络数据中心IT设备的检测指标为每一时刻t的标量，所以需要使用滑动窗口技术[7]，将t时刻的输入数据x转化为长度W矢量表现形式，即W=(xt-W+1，xt-W，…，xt).

在VRNN模型中，将隐变量z设定为正态先验分布，ht-1表示基于长短期记忆网络的隐藏状态，对神经网络进行必要的映射变换[8].linear表示线性变换函数，relu以及softplus表示非线性激活函数.神经网络的隐藏层状态为h′t-1.神经网络需要使用线性单元对非线性激活函数进行表示[9]，即

(1)

网络序列的上一时刻隐藏状态h′t-1可由非线性的映射获取，为规避网络中经常出现的梯度消失问题，利用relu激活函数对其进行线性变换[10].通过线性的变换函数获取隐变量zt的分布均值μzt，最后通过对h′t-1的线性变换以及非线性激活函数映射，获取隐变量zt的标准差σzt.

过程中隐变量zt的先验分布参数设定表达式为

(2)

式中：φ为神经网络的神经元；
N与I为两个隐变量之间的中间数和系数.由于网络数据中心的局部变化较小，所以经过计算的σZ值可能会趋近于0，从而导致log2σz值接近负无穷，所以在对高斯变量的似然性进行计算时，会产生数值问题[11]，因此要对网络的后验状态以及模型分布进行方差计算.

1.2 获取参数分布

在VRNN的重构过程中，需要依赖于隐变量zt以及网络的隐藏状态h′t-1.设定重建的VRNN模型数据为xt，且服从高斯分布.首先要对隐变量zt的后验分布进行数据采集，并将采集的数据进行映射变换处理[12]，从而获取重建xt的分布参数，整个过程计算表达式为

(3)

(4)

基于VRNN模块的隐藏状态对时刻状态变量ht进行计算，计算表达式为

(5)

式中，fθ为长短期记忆网络中神经元激活函数.在对VRNN隐藏层状态以及ht-1更新过程中，需要利用输入变量xt以及隐变量zt对其进行计算.通过编码网络对输入数据进行映射处理，学习网络数据中心后验分布逼近隐变量zt的真实分布，并让其服从高斯分布，过程计算表达式为

(6)

1.3 异常数据剔除

基于上述VRNN模型训练效果，利用分层剪枝策略对网络中心IT设备运维应用中的异常数据进行定位搜索，实现异常数据的剔除.首先利用数据挖掘中的Apriori算法，设定网络数据中心IT设备的数据元素为e，中心的层数为l，l+1层为网络中心元素的高潜在层，该网络中心的数据集为BSet(l).若高潜在层中的元素e分数较高，则可将该元素看作根本原因元素.若获取的l层元素不存在于BSet(l)中，要利用分层剪枝策略将获取的子集合进行修剪，从而缩减搜索空间，并对数据集中的异常数据进行定位、剔除，从而形成新的网络数据中心IT设备的数据集A.异常数据定位流程图如图1所示.

图1 异常数据定位流程Fig.1 Flow chart of abnormal data location

利用数据中心IT设备获取数据的安全类型指标，利用可量化的安全评估模型[15]对其进行运维应用测试.

2.1 安全类型指标

首先设定安全评估模型为P，且该模型是由各个安全段组合构成的P={P1，P2，…，PN}.Pi包含了不同的安全指标.安全扫描引擎会对网络数据中心IT设备中的数据集合A={A1，A2，…，AN}中各个数据的安全状态进行检测，扫描引擎的状态分析表达式为

S=[Sij，Lij，Oij]

(7)

式中：Sij为安全数据检测的分数；
Lij为安全的漏洞级别；
Oij为数据的固定方式.在Oij中，0为弱点数据，1为安全数据.

2.2 应用测试过程

将网络数据中心的IT设备数据集作为UP访问的数据集合，Pi对应于UPi，可将设备中的数据资源视图作为全局的数据资源视图的子集，获取实际的安全分数USij.依据数据的安全分数，采用“一票否决”的策略降低数据严重漏洞得分.在该项决策中，获取的关键检查项分数若低于设定阈值，则Lij为0，与之相关的USi也为0.

当进行网络数据中心IT设备漏洞修复时[16]，安全修复引擎会依据Oij对设备中的漏洞进行修复，从而完成网络数据中心IT设备人工智能化的运维应用.

为了验证上述测试方法的整体有效性，对使用本文方法前后的异常数据定位时间进行测试.同时，将文献[3]、文献[4]、文献[5]方法与本文提出方法进行对比，分别针对信噪比、测试精度以及稳定性进行测试.本次仿真实验的操作系统为Windows 10，搭载i7处理器，计算机的内存为16 GB，硬盘存储空间为2 T，在MATLAB仿真平台进行实验.

3.1 异常数据定位前后测试时间对比与分析

在网络数据中心IT设备中随机选取3 000个数据，对比异常数据定位前后测试时间，测试结果如表1所示.

依据表1可知，异常数据进行定位前所需花费的检测时间要远远高于异常数定位后的测试时间，这主要是因为本文方法利用VRNN算法对网络数据中心IT设备中的异常数据进行了定位，并将其剔除数据集，在定位后可以缩减运维应用所需的测试时间.

表1 异常数据定位前后测试时间对比结果Tab.1 Comparative results of test time before and after abnormal data location

3.2 信噪比测试结果与分析

在进行运维应用测试时，容易受到噪声的影响，因此本文将4种方法在运维应用测试时的信噪比情况进行对比分析.在测试过程中，将噪声频谱扩展至100 MHz，选取3 000组的实验数据进行测试，信噪比值越高，说明抗噪声能力越好；
信噪比值越低，说明抗噪声能力越低.测试结果如图2所示.

图2 不同方法的信噪比测试结果Fig.2 Test results of signal to noise ratio with different methods

由图2可以看出，4种方法的信噪比随着测试数据的增加呈逐渐下降趋势.本文方法的信噪比值整体来看较为平稳，并且随着数据量的增加，可将信噪比稳定在110 dB以上.文献[3]方法在测试初期信噪比能略低于本文方法，但随着数据量的增加，信噪比呈快速下降趋势.文献[5]方法的信噪比是最差的，低于前3种方法，最后只能将信噪比值能控制在60 dB.

3.3 精度测试结果与分析

选取3 000组实验数据进行测试，在进行测试时有可能会受信号通道的影响，在设备数据中添加随机信号干扰源对4种方法的平均测试精度进行测试，测试结果如图3所示.

由图3可知，4种测试方法的平均测试精度均在80%以上，文献[5]和文献[4]方法在测试初期的平均测试精度不相上下，但是随着测试时间的增加，文献[4]的测试精度逐渐低于文献[5]的精度.本文方法在测试初期的测试平均精度浮动较大，但是随着测试时间的增加，所检测的平均测试精度也随之增加，波动逐渐趋向平稳，精度最高可达92%以上.

图3 不同方法的平均测试精度检测结果Fig.3 Test results of average test accuracy with different methods

3.4 稳定性测试结果与分析

运维应用测试过程的稳定性受到μzt值的影响，μzt值越高，稳定性越好，说明测试的安全性越好.因此本文对4种方法在运维应用测试时的μzt值进行检测，检测结果如图4所示.

图4 不同方法运维应用测试时μzt值Fig.4 Test results of μzt value for operation and maintenance application with different methods

由图4可知，μzt值随着测试次数的增加呈下降的趋势.本文方法虽也处于下降趋势，但是其μzt值最低也未低于0.30，最高可达到0.39，相对来讲测试过程最稳定，安全性最好.文献[3]在测试初期的μzt值与本文方法的相接近，但随着测试次数的增加，文献[3]的μzt值呈急速下降的趋势.文献[5]的μzt值始终低于其他方法，说明该方法稳定性能最差.综上所述，本文方法的μzt值要高于其他方法，可达到0.39，证明本文方法的测试过程最稳定，安全性最好.

为了解决传统测试方法中存在的问题，本文提出网络数据中心IT设备人工智能化运维策略.首先利用VRNN算法对网络数据中心IT设备中的异常数据进行定位；
再利用可量化的安全评估模型对其进行运维应用测试.对比实验证明，本文提出方法抗噪声性能较好，检测精度最高可达92%以上，μzt值能够达到0.39，稳定性较好，具有较高的实用性能.但所提方法对异常数据定位因素的研究不够充分，今后会针对这一问题继续对该方法进行优化处理.

猜你喜欢 信噪比运维数据中心 关于间接蒸发冷机组在数据中心中应用的节能分析电子乐园·下旬刊(2022年5期)2022-05-13两种64排GE CT冠脉成像信噪比与剂量对比分析研究现代仪器与医疗(2022年1期)2022-04-19基于经验分布函数快速收敛的信噪比估计器北京理工大学学报(2021年12期)2022-01-13浅析数据中心空调节能发展趋势建材发展导向(2021年7期)2021-07-16自跟踪接收机互相关法性能分析舰船电子对抗(2020年1期)2020-04-27基于深度学习的无人机数据链信噪比估计算法北京航空航天大学学报(2019年9期)2019-10-26基于GPS的电力运维轨迹定位系统信息技术时代·上旬刊(2019年2期)2019-09-10IT运维管理系统的设计及应用科学导报·科学工程与电力(2019年33期)2019-09-102017第十届中国数据中心大会榜单中国计算机报(2017年25期)2017-07-15电子政务甲方运维管理的全生命周期信息化建设(2009年2期)2009-06-02

推荐访问:智能化 数据中心 设备