本发明属于数据管理技术领域，特别涉及一种运行数据管理系统。
背景技术：
数据中心是一种需要消耗大量能源并且对环境变量要求较高的设施。例如，如果温度过高会减少元器件寿命，同时温度过低电池的放电容量也会下降。早先物理学家通过分析制冷系统的构造并结合流体力学的公式来尝试解决这个问题，但是在复杂多变的实际情况中很容易忽略一些微小的因素，并且建模过程需要十分充足的专业知识，工程量巨大。
目前控制数据中心温湿度的方法的研究主要集中于通过cfd模拟来均衡负载或者改变设备和空调的拓扑位置。但是经过实际研究发现，很多超大型机房的制冷参数并不像想象中的那么简单。例如通常是由制冷机组来直接控制室内空调，且制冷机组和空调也不是一一对应关系。这就使cfd模拟变得困难——无法直接设置所需参数，难以分别对应关系。
近几年来，深度神经网络广泛应用于各种领域。尤其是在应对数据量巨大的系统的情况下：神经网络对复杂系统建模具有优势，因为神经网络不需要用户预设模型的交互特征，而是在特征中寻找模式和交互，然后自动生成最佳匹配模型。得到准确的模拟模型之后，需要得到一个最优的参数组合使得温湿度最符合标准。目前使用机器学习算法计算最优解通常是较为方便、准确的。遗传算法的优点是能很好的处理约束，能很好的跳出局部最优，最终得到全局最优解，全局搜索能力强，但常规的算法也会导致结果的不准确。
技术实现要素：
本发明的系统能够有效地自动化精确推荐在不同外界条件下的制冷参数最优组合，减少人工参与的程度，提高制冷系统的准确度，确保服务器安全运行
本发明提供了一种运行数据管理系统，用于数据中心进行制冷管理，所述系统包括：
监控模块，用于对所述数据中心的实时数据进行监控；
获取模块，用于获取数据中心制冷参数及外界环境参数；
处理模块，用于对所述制冷参数及外界环境参数进行预处理和格式化；
构建模块，用于基于神经网络的制冷参数，构建机柜温湿度模型；
分组模块，用于根据位置，将数据中心制冷系统中的机柜进行分组；
评级模块，用于构建分级分段适应度机制对制冷状况进行评级；
优化模块，用于根据遗传算法迭代求出数据中心制冷的最佳设置参数组合，确定所述制冷系统的最佳运行模式；
输出模块，用于将所述最佳运行模式和设置参数组合进行数据输出；
应用模块，用于将所述最佳运行模式和设置参数组合应用于所述数据中心制冷系统。
本发明的系统可以应用于数据中心制冷系统的自动化设置优化，能够有效地自动化精确推荐在不同外界条件下的制冷参数最优组合，适用于各种种类不同、数量不同的制冷参数组合。此发明在减少人工参与、解决传统人工温度控制耗时耗力问题的同时，还从效果和速度两方面性能上超过了原始的人工和贪心算法，不仅能够合理地调整制冷系统的各种参数，而且使其制冷状况符合标准值的能力大大提高，能够很好地应用到实际的数据中心制冷系统中去。并且，对于其中适应度函数的设置，为了更好的关照到距离标准值差异更大的数值，在神经网络模型的基础上，设置了一个分层、分段的评价函数，如此可以更完整地考虑距离与评级分数的关系。另外，输入相似度值的计算公式的创新，也可以更迅速更准确地得到相似度值。
附图说明
下面参照附图并结合实例来进一步描述本发明。其中：
图1为本发明的系统框架图；
图2为本发明实施例的格式化输入数据示意图；
图3为本发明实施例的神经网络模拟部分效果示意图；
图4为本发明实施例的自动化设置推荐和传统方法优化效果对比简化示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作做进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，本发明的一种运行数据管理系统，用于数据中心进行制冷管理，所述系统包括：
监控模块，用于对所述数据中心的实时数据进行监控；
获取模块，用于获取数据中心制冷参数及外界环境参数；
处理模块，用于对所述制冷参数及外界环境参数进行预处理和格式化；
构建模块，用于基于神经网络的制冷参数，构建机柜温湿度模型；
分组模块，用于根据位置，将数据中心制冷系统中的机柜进行分组；
评级模块，用于构建分级分段适应度机制对制冷状况进行评级；
优化模块，用于根据遗传算法迭代求出数据中心制冷的最佳设置参数组合，确定所述制冷系统的最佳运行模式；
输出模块，用于将所述最佳运行模式和设置参数组合进行数据输出；
应用模块，用于将所述最佳运行模式和设置参数组合应用于所述数据中心制冷系统。
优选地，其中，所述获取模块，用于获取数据中心制冷参数及外界环境参数，具体包括：
读取单元，用于利用restful接口读取所述数据中心制冷参数及外界环境参数；
特征分组单元，用于根据实际拓扑位置和操作方法对所述数据中心制冷参数及外界环境参数进行分组并选取特征和标签。
优选地，其中，所述处理模块，用于对所述制冷参数及外界环境参数进行预处理和格式化，具体包括：
预处理单元，用于对所述制冷参数及外界环境参数进行预处理，根据所述特征和标签，通过主成分分析提取其主要特征信息，
格式化单元，用于对所述主要特征信息进行格式化和归一化，输出所需参数数据集；
其中，所述预处理单元具体包括：
编码单元，用于将已得到的所述制冷参数及外界环境参数中的非数值性数据项进行one-hot编码；
筛选单元，用于使用iforest检测筛选并剔除离群值；
主成分单元，用于采用xgboost进行交叉验证，基于主成分分析得到各个特征的重要度，剔除重要性低的特征数据项，保留主要特征信息。
处理模块对制冷参数及外界环境参数进行预处理和格式化后的结果如图2所示。
优选地，其中，所述构建模块，用于基于神经网络的制冷参数，构建机柜温湿度模型，具体包括：
分类单元，用于将所述数据集按照5:1的比例分为训练集和测试集；
输入单元，用于将训练集随机打乱顺序后分批次输入神经网络；
网络模型单元，用于构建以全连接层、batch_norm层、激活层、损失层组成的神经网络模型；
输出单元，用于使用adam优化梯度下降的方式迭代降低损失层输出；
测试单元，用于使用所述测试集进行模型测试，若测试不通过则调节神经网络参数，重复进行所述输入单元、模型单元、输出单元的操作并保存神经网络模型，直到满足测试条件；
温湿度模型单元，用于基于当前神经网络的制冷参数，构建机柜温湿度模型；
其中，所述网络模型单元具体包括：
归一单元，用于将数据输入经过batch_norm层，其中，方差和均值通过直接计算每个批次的数据得到，缩放系数和偏移系数由网络学习得到；
第一执行单元，用于将所述归一单元的执行结果输入全连接层和prelu激活层交替的单元结构，重复n次；
第二执行单元，用于将所述第一执行单元的执行结果输入全连接层和tanh激活层单元结构；
第三执行单元，用于将所述第二执行单元的执行结果输入到损失层中，其中，损失函数为mse；
其中，所述测试单元具体包括：
计算单元，用于计算训练集的数据输入输出对和测试集的数据输入输出对的输入相似度值和输出差值，所述输入相似度值的计算包括：
其中，mi代表第i批训练集数据输入的均值，m代表测试集数据输入的均值，σi代表第i批训练集数据输入的标准差，σ代表测试集数据输入的标准差；
确定单元，用于确定是否满足以下测试条件：a.所述输入相似度值是否大于或等于相似度阈值，以及b.所述输出差值是否小于或等于差值阈值；
调节单元，用于若存在不满足上述条件的数据批次，则对神经网络参数进行调节，重复执行所述输入单元、网络模型单元、输出单元的操作并保存神经网络模型，直到满足测试条件。
本发明实施例中通过构建模块构建了机柜温湿度模型，该模型输出的模拟值(simuaitedvalue)与真实值(truevalue)的比对结果如图3所示，其中纵坐标表示相对湿度(relativehumidity)，横坐标表示湿度点(humiditypoints)。
优选地，其中，所述评级模块，用于构建分级分段适应度机制对制冷状况进行评级，具体包括：
划分单元，用于计算模拟值和标准值的绝对差值，并按照实际情况划分不同档次的阈值区间；
划分单元，用于根据所述绝对差值以及模拟值所处在的阈值区间，计算评级分数，其中，距离标准值越远的阈值区间其评级分数下降越快；
权重单元，用于统计各分组中的各个机柜通过划分单元计算的所述评级分数，并分配不同权重计算所述分组和整个数据中心制冷系统的最终评级分数，权重分配方式是l2正则化后所占比重的倒数。
优选地，其中，所述优化模块，用于根据遗传算法迭代求出数据中心制冷的最佳设置参数组合，确定所述制冷系统的最佳运行模式，具体包括：
初始化单元，用于初始化种群，所述种群中每个维度代表一个可调制冷参数，其中，初始化标准基于各参数的均值；
产生单元，用于父种群分别经过选择、交叉、变异步骤产生下一代种群，其中每一步骤的概率取决于所述评级模块中得到的评级分数；
调整单元，用于对所述选择、交叉、变异的概率进行自适应调整，调整方式遵循随着适应度即评级分数的提高，个体保留概率线性提高；
迭代单元，用于重复执行所述产生单元、调整单元，直到达到优化标准或迭代次数为止；
推荐单元，用于得到所述数据中心制冷系统的最佳推荐设置参数组合，确定所述制冷系统的最佳运行模式。
优选地，其中，所述n＝4。
如图4所示，优化模块采用遗传算法迭代求解出的结果明显优于传统算法。
本发明的系统可以应用于数据中心制冷系统的自动化设置优化，能够有效地自动化精确推荐在不同外界条件下的制冷参数最优组合，适用于各种种类不同、数量不同的制冷参数组合。此发明在减少人工参与、解决传统人工温度控制耗时耗力问题的同时，还从效果和速度两方面性能上超过了原始的人工和贪心算法，不仅能够合理地调整制冷系统的各种参数，而且使其制冷状况符合标准值的能力大大提高，能够很好地应用到实际的数据中心制冷系统中去。并且，对于其中适应度函数的设置，为了更好的关照到距离标准值差异更大的数值，在神经网络模型的基础上，设置了一个分层、分段的评价函数，如此可以更完整地考虑距离与评级分数的关系。另外，输入相似度值的计算公式的创新，也可以更迅速更准确地得到相似度值。
本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
1.一种运行数据管理系统，其特征在于，所述系统用于数据中心进行制冷管理，所述系统包括：
监控模块，用于对所述数据中心的实时数据进行监控；
获取模块，用于获取数据中心制冷参数及外界环境参数；
处理模块，用于对所述制冷参数及外界环境参数进行预处理和格式化；
构建模块，用于基于神经网络的制冷参数，构建机柜温湿度模型；
分组模块，用于根据位置，将数据中心制冷系统中的机柜进行分组；
评级模块，用于构建分级分段适应度机制对制冷状况进行评级；
优化模块，用于根据遗传算法迭代求出数据中心制冷的最佳设置参数组合，确定所述制冷系统的最佳运行模式；
输出模块，用于将所述最佳运行模式和设置参数组合进行数据输出；
应用模块，用于将所述最佳运行模式和设置参数组合应用于所述数据中心制冷系统。
2.如权利要求1所述的系统，其中，所述获取模块，用于获取数据中心制冷参数及外界环境参数，具体包括：
读取单元，用于利用restful接口读取所述数据中心制冷参数及外界环境参数；
特征分组单元，用于根据实际拓扑位置和操作方法对所述数据中心制冷参数及外界环境参数进行分组并选取特征和标签。
3.如权利要求1所述的系统，其中，所述处理模块，用于对所述制冷参数及外界环境参数进行预处理和格式化，具体包括：
预处理单元，用于对所述制冷参数及外界环境参数进行预处理，根据所述特征和标签，通过主成分分析提取其主要特征信息，
格式化单元，用于对所述主要特征信息进行格式化和归一化，输出所需参数数据集；
其中，所述预处理单元具体包括：
编码单元，用于将已得到的所述制冷参数及外界环境参数中的非数值性数据项进行one-hot编码；
筛选单元，用于使用iforest检测筛选并剔除离群值；
主成分单元，用于采用xgboost进行交叉验证，基于主成分分析得到各个特征的重要度，剔除重要性低的特征数据项，保留主要特征信息。
4.如权利要求1所述的系统，其中，所述构建模块，用于基于神经网络的制冷参数，构建机柜温湿度模型，具体包括：
分类单元，用于将所述数据集按照5:1的比例分为训练集和测试集；
输入单元，用于将训练集随机打乱顺序后分批次输入神经网络；
网络模型单元，用于构建以全连接层、batch_norm层、激活层、损失层组成的神经网络模型；
输出单元，用于使用adam优化梯度下降的方式迭代降低损失层输出；
测试单元，用于使用所述测试集进行模型测试，若测试不通过则调节神经网络参数，重复进行所述输入单元、模型单元、输出单元的操作并保存神经网络模型，直到满足测试条件；
温湿度模型单元，用于基于当前神经网络的制冷参数，构建机柜温湿度模型；
其中，所述网络模型单元具体包括：
归一单元，用于将数据输入经过batch_norm层，其中，方差和均值通过直接计算每个批次的数据得到，缩放系数和偏移系数由网络学习得到；
第一执行单元，用于将所述归一单元的执行结果输入全连接层和prelu激活层交替的单元结构，重复n次；
第二执行单元，用于将所述第一执行单元的执行结果输入全连接层和tanh激活层单元结构；
第三执行单元，用于将所述第二执行单元的执行结果输入到损失层中，其中，损失函数为mse；
其中，所述测试单元具体包括：
计算单元，用于计算训练集的数据输入输出对和测试集的数据输入输出对的输入相似度值和输出差值，所述输入相似度值的计算包括：
其中，mi代表第i批训练集数据输入的均值，m代表测试集数据输入的均值，σi代表第i批训练集数据输入的标准差，σ代表测试集数据输入的标准差；
确定单元，用于确定是否满足以下测试条件：a.所述输入相似度值是否大于或等于相似度阈值，以及b.所述输出差值是否小于或等于差值阈值；
调节单元，用于若存在不满足上述条件的数据批次，则对神经网络参数进行调节，重复执行所述输入单元、网络模型单元、输出单元的操作并保存神经网络模型，直到满足测试条件。
5.如权利要求1所述的系统，其中，所述评级模块，用于构建分级分段适应度机制对制冷状况进行评级，具体包括：
划分单元，用于计算模拟值和标准值的绝对差值，并按照实际情况划分不同档次的阈值区间；
划分单元，用于根据所述绝对差值以及模拟值所处在的阈值区间，计算评级分数，其中，距离标准值越远的阈值区间其评级分数下降越快；
权重单元，用于统计各分组中的各个机柜通过划分单元计算的所述评级分数，并分配不同权重计算所述分组和整个数据中心制冷系统的最终评级分数，权重分配方式是l2正则化后所占比重的倒数。
6.如权利要求1所述的系统，其中，所述优化模块，用于根据遗传算法迭代求出数据中心制冷的最佳设置参数组合，确定所述制冷系统的最佳运行模式，具体包括：
初始化单元，用于初始化种群，所述种群中每个维度代表一个可调制冷参数，其中，初始化标准基于各参数的均值；
产生单元，用于父种群分别经过选择、交叉、变异步骤产生下一代种群，其中每一步骤的概率取决于所述评级模块中得到的评级分数；
调整单元，用于对所述选择、交叉、变异的概率进行自适应调整，调整方式遵循随着适应度即评级分数的提高，个体保留概率线性提高；
迭代单元，用于重复执行所述产生单元、调整单元，直到达到优化标准或迭代次数为止；
推荐单元，用于得到所述数据中心制冷系统的最佳推荐设置参数组合，确定所述制冷系统的最佳运行模式。
7.如权利要求4所述的系统，其中，所述n＝4。
技术总结