[发明专利]一种基于WN-Spline基线域算法的数据中心自驱排障方法及系统

权利要求书

1.一种基于WN-Spline基线域算法的数据中心自驱排障方法，其特征在于，所述方法包括：

建立数据中心场景下时序监控数据统一指标库，并进行数据清洗，建立数据仓库；

采用WN-Spline基线域算法建立时间序列模型，基于数据仓库预测指定时间窗口下统一指标库中各监控指标的基线域；所述采用WN-Spline基线域算法建立时间序列模型，基于数据仓库预测指定时间窗口下统一指标库中各监控指标的基线域具体包括：

从数据仓库中读入历史监控数据，按照时间窗口T将历史监控数据划分成Z个计算窗口；

逐个对计算窗口中的历史监控数据进行加权LSSVM非线性回归，计算基线离散点集合；

将基线离散点集合进行统一区间映射计算得到监控指标的基线域；

对基线域边缘曲线采样离散化并存储至指标预测数据库；

通过B-Spline插值进行指定时间窗口下的基线域预测；

基于指定时间窗口下统一指标库中各监控指标的基线域判断监控指标是否存在异常，通过自驱排障机制进行故障自愈。

2.根据权利要求1所述基于WN-Spline基线域算法的数据中心自驱排障方法，其特征在于，所述建立数据中心场景下时序监控数据统一指标库具体包括：

获取数据中心实际环境下实时产生的多维度监控数据信息，以计算机硬件层、计算机软件层、传感器层三个大类划分指标组，每个指标组依据不同的设备关键信息或软件类型划分为具体指标。

3.根据权利要求1所述基于WN-Spline基线域算法的数据中心自驱排障方法，其特征在于，所述逐个对计算窗口中的历史监控数据进行加权LSSVM非线性回归，计算基线离散点集合具体包括：

获取任一计算窗口W_N的监控数据样本{x_k，y_k}，N＝1,2,3,…,Z，k＝1,…,n，n为当前计算窗口内样本总数，基于加权LSSVM算法，考虑如下优化问题：

求解得到监控指标的加权LSSVM非线性回归模型：

其中，w为权重，γ为惩罚因子，函数是样本x_k到高维空间的非线性映射，e_k为模型误差，v_k为的加权系数，b为常数，K(x,x_k)为核函数，α_k为核函数系数；

将非线性回归模型作为时间序列模型，指定时间窗口内既定间隔时间点x，计算得到基线离散点集合S_WN＝{(x，y_N)|x∈[(N-1)T，NT])，y_N为非线性回归预测得到的时间点x对应的基线值。

4.根据权利要求3所述基于WN-Spline基线域算法的数据中心自驱排障方法，其特征在于，所述将基线离散点集合进行统一区间映射计算得到监控指标的基线域具体包括：

将不同计算窗口计算得到的基线离散点集合映射至同一区间x∈[0,T]，得出拟合监控指标基线域S_b＝{(x,y)|x∈[0,T],y∈[y_{xb_min},y_{xb_max}]}，y_{xb_min}、y_{xb_max}为监控指标基线值y对应的下限值和上限值；

为计算结果添加高斯随机值，高斯随机值的计算公式为其中SNR为已知的信噪比，Ps为信号的有效功率，len表示信号长度；

求解得到监控指标基线域S＝{(x,y)|x∈[0,T],y∈[y_{xb_min}-r,y_{xb_max}+r]}，即S＝{(x,y)|x∈[0,T],y∈[y_{x_min},y_{x_max}]}。