买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开一种基于TS‑Decomposition的数据中心高频故障时域预警方法及系统，所述方法包括：获取数据中心场景下的时序监控数据并进行数据清洗,得到历史时序数据的监测值；分析时序数据的数值影响因素，基于TS‑Decomposition算法对时序数据进行时序分解，并根据历史时序数据的监测值进行数值影响因素计算；根据数值影响因素计算结果建立时序预测模型，进行时序数据趋势预测，得到未来时序数据的预测值；根据历史时序数据的监测值及未来时序数据的预测值进行混合计算，判断时序数据的故障时域；进行数据中心高频故障时域预警。本发明通过挖掘时序数据中的关联关系，对时序数据进行趋势预测，分析数据中的故障高频分布区间，在发生故障之前预测到发生故障的趋势。

主权项：1.一种基于TS-Decomposition的数据中心高频故障时域预警方法，其特征在于，所述方法包括：获取数据中心场景下的时序监控数据并进行数据清洗得到历史时序数据的监测值；分析时序数据的数值影响因素，基于TS-Decomposition算法对时序数据进行时序分解，并根据历史时序数据的监测值进行数值影响因素计算；根据数值影响因素计算结果建立时序预测模型，根据时序预测模型进行时序数据趋势预测，得到未来时序数据的预测值；针对不同的时间序列数值类型，根据历史时序数据的监测值及未来时序数据的预测值进行混合计算，判断时序数据的故障时域；根据时序数据的故障时域进行数据中心高频故障时域预警；所述分析时序数据的数值影响因素，基于TS-Decomposition算法对时序数据进行时序分解，并根据历史时序数据的监测值进行数值影响因素计算具体包括：数据清洗后的历史时序数据包括周期性时序数据和区间性时序数据；对于周期性时序数据，其数值影响因素包括：长期趋势因素Tt、循环变动因素Ct和不规则变动因素It,基于TS-Decomposition算法对时序数据进行乘法模型分解有：Xt＝Tt×Ct×It其中，Xt为时间序列全变动，代表已知的时序数据本身的值；Tt为长期趋势因素，Ct为循环变动因素，It为不规则变动因素；对于区间性时序数据，其数值影响因素包括：长期趋势因素、不规则变动因素；根据时序数据的类型对历史时序数据进行预处理，消除循环变动因素Ct对历史时序数据数值的影响；采用趋势推理法拟合出趋势函数，得到长期趋势因素Tt，根据预处理结果和得到的长期趋势因素，计算得到不规则变动因素It，其中，Tt与Xt具有相同的量纲，Ct与It为比率；所述针对不同的时间序列数值类型，根据历史时序数据的监测值及未来时序数据的预测值进行混合计算，判断时序数据的故障时域具体包括：历史时序数据的监测值记为数列A{a1,a2,a3,...,an}，将未来时序数据的预测值记为数列B{b1,b2,b3,...,bn}，针对不同应用场景，采用不同的混合策略对数列A和数列B进行混合计算，得到混合数列Cn，将混合数列Cn与不同场景下对应指标的阈值下限值和阈值上限值比较，根据比较结果得到时序数据的故障时域；所述针对不同应用场景，采用不同的混合策略对数列A和数列B进行混合计算，得到混合数列Cn，具体包括：1针对数值波动小于第一预设阈值的的周期性时序数据，采用叠加法，记混合后的数列为数列Cn，有Cn＝An1+An2+...+Ank+Bn其中k为周期性数据的小周期个数，n为一个周期所含的数值个数；Ank表示第k个小周期的历史时序数据的监测值，Bn表示未来时序数据的预测值；2针对数值波动大于第二预设阈值的周期性时序数据，采用均值法，记混合后的数列为数列Cn： Anm表示第m个周期性时序数据的监测值；3针对时间敏感的周期性时序数据，采用加权法，记混合后的数列为数列Cn： 其中k为周期性数据的小周期个数，n为一个周期所含的数值个数，λ为加权指数，取值范围为[0,1]；4针对数值波动范围在预设的区间范围之间的周期性时序数据，采用峰值法，记混合后的数列为数列Cn：Cn＝maxAn1||An2...||Ank||Bn所得的数列Cn为各个小周期的单时间节点最大值组成的数列。

全文数据：

权利要求：

百度查询： 中国地质大学(武汉) 基于TS-Decomposition的数据中心高频故障时域预警方法及系统