一种电池冗余单元异常检测方法、系统、设备及介质与流程

1.本发明属于计算机领域，具体涉及一种电池冗余单元异常检测方法、系统、设备及介质。


背景技术：

2.数据安全是当今工业界安全生产的重要一环，在如今的各类别存储产品中，为保证系统的稳定运行和数据可用性和安全性，大多配备有电池冗余模块(bbu)。然而影响bbu正常运行的因素有很多，例如：温度，电压，湿度等等，故障产生难以预测，无法全面有效的进行人工保障，在出现故障时往往已对整体系统的运行和数据产生威胁。
3.因此，需要一种异常检测方案以应对上述问题。


技术实现要素：

4.为解决以上问题，本发明提出一种电池冗余单元异常检测方法，包括：
5.获取检测模型所需要的特征参数，并根据所述特征参数从对应设备收集第一特征数据并保存；
6.对收集的第一特征数据进行预处理，并将预处理后的所述第一特征数据输入到所述检测模型以得到第二特征数据；
7.根据所述第一特征数据和所述第二特征数据对电池冗余单元的状态进行预测。
8.在本发明的一些实施方式中，方法还包括：
9.采用自编码器作为检测模型，并通过所述自编码器根据所述第一特征数据生成第二特征数据。
10.在本发明的一些实施方式中，方法还包括：
11.计算生成的第二特征数据和所述第一特征数据的欧式距离，并判断所述欧式距离是否大于第一预定值，响应于所述欧式距离大于第一预定值，对所述检测模型进行优化。
12.在本发明的一些实施方式中，对所述检测模型进行优化，包括：
13.通过adam优化器和relu激活函数对所述检测模型进行优化。
14.在本发明的一些实施方式中，根据所述第一特征数据和所述第二特征数据对电池冗余单元的状态进行预测，包括：
15.通过所述自编码器和训练数据生成标准欧式距离；以及
16.判断所述第一特征数据和所述第二特征数据的欧式距离与所述标准欧式距离的差值；
17.响应于所述差值大于第二预定值则认为所述电池冗余单元异常。
18.在本发明的一些实施方式中，通过所述自编码器和训练数据生成标准欧式距离，包括：
19.通过所述自编码器根据训练数据中的多个第一特征数据计算多个第二特征数据；
20.计算多个第一特征数据和与之对应的多个第二特征数据的欧式距离，计算所述欧
式距离的平均值，并将所述平均值作为标准欧式距离。
21.在本发明的一些实施方式中，方法还包括：
22.获取所述电池冗余单元的真实状态，并筛选出所述真实状态为异常的电池冗余单元；
23.根据所述真实状态为异常的所述电池冗余单元的第一特征数据通过所述自编码器生成第二特征数据，并计算所述电池冗余单元的所述第一特征数据和第二特征数据的欧式距离；
24.将所述标准欧式距离与所述第二预定值相加得到界限阈值，并判断所述真实状态为异常的所述电池冗余单元的所述欧式距离与所述界限阈值的第二差值；
25.响应于所述第二差值小于所述第一预定值，不改变所述第二预定值；
26.响应于所述第二差值大于所述第一预定值，将所述真实状态为异常的所述电池冗余单元的所述欧式距离与所述标准欧式距离的差值作为第二预定值。
27.本发明的另一方面还提出了一种电池冗余单元异常检测系统，包括：
28.数据处理模块，所述数据处理模块配置用于获取检测模型所需要的特征参数，并根据所述特征参数从对应设备收集第一特征数据并保存；
29.计算模块，所述计算模块配置用于对收集的第一特征数据进行预处理，并将预处理后的所述第一特征数据输入到所述检测模型以得到第二特征数据；
30.判断模块，所述判断模块配置用于根据所述第一特征数据和所述第二特征数据对电池冗余单元的状态进行预测。
31.本发明的又一方面还提出了一种计算机设备，包括：
32.至少一个处理器；以及
33.存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现上述实施方式中任意一项所述方法的步骤。
34.本发明的再一方面还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述实施方式中任意一项所述方法的步骤。
35.通过本发明提出的一种电池冗余单元异常检测方法、系统、设备及介质，可有效预检测存储设备bbu运行状态，可作为维护设备正常运作和报警机制的有效辅助手段。可有效增加预警提前量和故障反应时间，避免严重故障的产生，最大程度上保障设备稳定运行和数据安全性和可靠性。
附图说明
36.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
37.图1为本发明实施例提出的一种电池冗余单元异常检测方法的实施例的方法流程图；
38.图2为本发明实施例提出的一种电池冗余单元异常检测系统的结构示意图；
39.图3为本发明实施例提出的一种计算机设备的结构示意图；
40.图4为本发明实施例提出的一种计算机存储介质的结构示意图；
41.图5为本发明一实施例提出的一种电池冗余单元异常检测方法的示意图。
具体实施方式
42.为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
43.需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
44.本发明应用于计算机运维方向，在一些数据中心中部署着大量的服务器，为保证服务器的稳定运行以及冗余的电源支持bbu(battery backup unit，电池冗余模块)，通常设置多个冗余电源为服务器提供在主电源故障时的服务器运行供电能力，防止因突发断电导致的数据及设备的损坏。
45.基于上述问题，为保证存储系统的稳定运行和数据的安全，可靠性，本文提出了一种基于无监督学习的、针对统一存储产品电池冗余模块故障预检测。本发明的方案能够收集大量bbu的实时运行数据，训练相应的无监督深度学习网络，以此提前筛选出异常运行状态，增加报警提前量，预防严重故障的产生。
46.如图1所示，本发明的第一方面提出了一种电池冗余单元异常检测方法，包括：
47.步骤s1、获取检测模型所需要的特征参数，并根据所述特征参数从对应设备收集第一特征数据并保存；
48.步骤s2、对收集的第一特征数据进行预处理，并将预处理后的所述第一特征数据输入到所述检测模型以得到第二特征数据；
49.步骤s3、根据所述第一特征数据和所述第二特征数据对电池冗余单元的状态进行预测。
50.在本发明的实施例中，在步骤s1中，在数据采集端，基于c语言编写的程序用于在服务器的bbu冗余电源侧周期性的收集bbu实时运行数据并可按需求存至本地或数据库。在从bbu收集第一特征数据时，采集端首先获取用于模型计算的参数有哪些，并根据这些参数从bbu收集相应的特征数据。可根据不同的模型的适应性进行调整，收集的特征数据根据需要选择保存到本地或者通过网络或者借助bmc的网络传输功能发送到远端服务器。
51.在本发明的一些实施例中，采集的第一特征数据包括：bbu的电压、电流、温度、环境湿度以及运行时间等相关数据。
52.在步骤s2中、对收集的数据进行预处理，在本实施例中采用z-score标准化的方式对收集的第一特征数据进行预处理，去除数据量纲和数值影响，优化数据分布，同时有利于提高模型训练的收敛速度。并将预处理后的数据输入到已经嵌入在可执行程序中的对应的检测模型进行预测，并接收检测模型输出的数据，即第二特征数据。
53.在步骤s3中，根据从bbu收集的第一特征数据和检测模型输出的第二特征数据的差异来预测bbu是否出现异常。
54.在本发明的一些实施方式中，方法还包括：
55.采用自编码器作为检测模型，并通过所述自编码器根据所述第一特征数据生成第二特征数据。
56.在本实施例中，采用自编码器作为本发明的检测模型，并通过训练好的自编码器对收集的bbu的第一数据特征进行编码与解码运算以生成第二特征数据。
57.在本发明的一些实施例中，采用dnn网络来搭建自编码器，根据现有数据拟定网络结构为：
58.n*64|64*128|128*64|64*32|32*16|16*32|32*64|64*128|128*64|64*n
59.其中，n为输入数据的数据类型。数据通过前端的编码网络将数编码为根据现有数据量压缩为含16个特征值的特征向量，继而采用后端的解码网络将特征向量重构成和原始数据相同维度的重构数据。即将第一特征数据通过编码网络和解码网络生成同维的第二特征数据。通过梯度下降法迭代降低重构数据和原始数据的偏差以完成模型的训练。encoder(编码网络)与decoder(解码网络)各含4层隐藏层(hidden layer)，充分保证其非线性模拟能力。并且以50条数据为一组(batch size)进行迭代训练。
60.在本发明的一些实施方式中，方法还包括：
61.计算生成的第二特征数据和所述第一特征数据的欧式距离，并判断所述欧式距离是否大于第一预定值，响应于所述欧式距离大于第一预定值，对所述检测模型进行优化。
62.在本实施例中，在训练自编码器时，通过模型输出的第二特征数据和原始输入的第一特征数据的欧式距离对自编码器进行优化。具体为设定一个阈值例如0.1，当自编码器输出的第二特征数据和第一特征数据的欧式距离大于0.1时则对模型进行优化，通过迭代训练直到自编码器所输出的第二特征数据与输入的第一特征数据的欧式距离小于0.1。
63.在本发明的一些实施方式中，对所述检测模型进行优化，包括：
64.通过adam优化器和relu激活函数对所述检测模型进行优化。
65.在本实施例中，如前所述，在通过第二特征数据和第一特征数据对自编码器进行训练与优化时，通过自编码器输出的第二特征数据和第一特征数据的欧式距离作为损失函数基准，使用adam优化器作为梯度下降优化器对模型进行优化，同时采用relu激活函数，对adam优化器进行调整与监测，避免梯度消失的情况发生，保证训练稳定。
66.在本发明的一些实施方式中，根据所述第一特征数据和所述第二特征数据对电池冗余单元的状态进行预测，包括：
67.通过所述自编码器和训练数据生成标准欧式距离；以及
68.判断所述第一特征数据和所述第二特征数据的欧式距离与所述标准欧式距离的差值；
69.响应于所述差值大于第二预定值则认为所述电池冗余单元异常。
70.在本实施例中，在使用自编码器对周期性收集到的bbu的状态进行预测时，通过自编码器对预处理后的bbu所对应的第一特征数据进行预测并获取到该自编码器输出的第二特征数据，进一步计算第一特征数据和第二特征数据的欧式距离。在获取到可以表示该bbu当前状态的欧式距离之后，将表示该bbu当前状态的欧式距离与标准欧式距离进行比较，如果该欧式距离与标准欧式距离的差值大于设定的第二预定值，例如0.2则认为该bbu的状态处于异常状态，并通过相应的报警机制向管理人员的监控端输出异常警告。
71.在本发明的一些实施例中，第二预定值可根据具体的数据特征的丰富度进行灵活
设定，在收集到的表示bbu状态的数据可以充分表征bbu的状态时，训练的自编码器的输出较稳定，第二预定值可设置的较小。在自编码器的输出波动较大时可根据需要设定较大的第二预定值。
72.在本发明的一些实施方式中，通过所述自编码器和训练数据生成标准欧式距离，包括：
73.通过所述自编码器根据训练数据中的多个第一特征数据计算多个第二特征数据；
74.计算多个第一特征数据和与之对应的多个第二特征数据的欧式距离，计算所述欧式距离的平均值，并将所述平均值作为标准欧式距离。
75.在本实施例中，可通过训练集中的多个第一特征数据借助训练好的自编码器计算多个第二特征数据，并逐个计算第一特征数据及其对应的第二特征数据的欧式距离，以求的多个欧式距离，再对多个欧式距离求其平均值进而得到一个可衡量当前多个bbu状态的标准欧式距离。用于在对bbu的状态进行预测时作为参考的标准值。
76.在本发明的一些实施方式中，方法还包括：
77.获取所述电池冗余单元的真实状态，并筛选出所述真实状态为异常的电池冗余单元；
78.根据所述真实状态为异常的所述电池冗余单元的第一特征数据通过所述自编码器生成第二特征数据，并计算所述电池冗余单元的所述第一特征数据和第二特征数据的欧式距离；
79.将所述标准欧式距离与所述第二预定值相加得到界限阈值，并判断所述真实状态为异常的所述电池冗余单元的所述欧式距离与所述界限阈值的第二差值；
80.响应于所述第二差值小于所述第一预定值，不改变所述第二预定值；
81.响应于所述第二差值大于所述第一预定值，将所述真实状态为异常的所述电池冗余单元的所述欧式距离与所述标准欧式距离的差值作为第二预定值。
82.在本实施例中，由于自编码器是无监督学习，模型的输出结果无需或无法通过真实的情况进行对照，或者说一个第一特征数据和第二数据所表示的状态无法反馈到模型中。为了使用于预测bbu状态的模型具备与bbu状态的相关性，本发明采用根据bbu的当前状态动态调整第二预定值的方式实现在模型外拟合bbu的状态。
83.具体的，如图5所示，在前所述的使用自编码器的预测机制中，自编码所输出的第二特征数据和原始的第一特征数据的欧式距离是服从正态分布，而第二预定值可以说是圈定bbu是异常或正常的边界，即如图5所示第二预定值与标准欧式距离的加减所限定的区域，表示bbu的状态为正常，当对应的bbu的状态的欧式距离与标准欧式距离之差大于第二预定值时则落入到图5所示的边界之外(可能在左侧即小于标准欧式距离，也可能在右侧大于欧式距离的情况)。基于此为使自编码器的输出更接近真实情况，
84.基于上述情况，本发明提出一种动态调整第二预定值的方案，即在通过自编码器对当前的多个bbu(一个服务器集群中的bbu数量很大，因此可以保证数据的稳定性)的状态进行预测，并计算出多个bbu的欧式距离，将异常的bbu的欧式距离与标准欧式距离作差并取其绝对值，如果该绝对值与第二预定值的差距小于0.1，则认为限定当前bbu状态的第二预定值还是稳定可靠的，继续使用该第二预定值。如果该绝对值与第二预定值的差距大于0.1说明当前的第二预定值已无法合适地限定正常bbu和异常bbu的范围，会导致异常的bbu
被认为是正常的而无法有效预测当前bbu的情况。即模型与实际情况完全脱节。此时可将异常的bbu的欧式距离与标准欧式距离之差的绝对值作为新的第二预定值。
85.在一些实施例中，当上述异常的bbu存在多个，且多个bbu的欧式距离与标准欧式距离之差的绝对值与第二预定值之差均大于0.1时，将多个异常的bbu的欧式距离的平均值作为边界，即将多个异常的bbu的欧式距离的平均值与标准欧式距离之差的绝对值作为新的第二预定值。
86.通过本发明提出的一种电池冗余单元异常检测方法、系统、设备及介质，可有效预检测存储设备bbu运行状态，可作为维护设备正常运作和报警机制的有效辅助手段。可有效增加预警提前量和故障反应时间，避免严重故障的产生，最大程度上保障设备稳定运行和数据安全性和可靠性。
87.如图2所示，本发明的另一方面还提出了一种电池冗余单元异常检测系统，包括：
88.数据处理模块1，所述数据处理模块1配置用于获取检测模型所需要的特征参数，并根据所述特征参数从对应设备收集第一特征数据并保存；
89.计算模块2，所述计算模块2配置用于对收集的第一特征数据进行预处理，并将预处理后的所述第一特征数据输入到所述检测模型以得到第二特征数据；
90.判断模块3，所述判断模块3配置用于根据所述第一特征数据和所述第二特征数据对电池冗余单元的状态进行预测。
91.如图3所示，本发明的又一方面还提出了一种计算机设备，包括：
92.至少一个处理器21；以及
93.存储器22，所述存储器2存储有可在所述处理器上运行的计算机指令23，所述指令23由所述处理器21执行时实现一种电池冗余单元异常检测方法，包括：
94.获取检测模型所需要的特征参数，并根据所述特征参数从对应设备收集第一特征数据并保存；
95.对收集的第一特征数据进行预处理，并将预处理后的所述第一特征数据输入到所述检测模型以得到第二特征数据；
96.根据所述第一特征数据和所述第二特征数据对电池冗余单元的状态进行预测。
97.在本发明的一些实施方式中，方法还包括：
98.采用自编码器作为检测模型，并通过所述自编码器根据所述第一特征数据生成第二特征数据。
99.在本发明的一些实施方式中，方法还包括：
100.计算生成的第二特征数据和所述第一特征数据的欧式距离，并判断所述欧式距离是否大于第一预定值，响应于所述欧式距离大于第一预定值，对所述检测模型进行优化。
101.在本发明的一些实施方式中，对所述检测模型进行优化，包括：
102.通过adam优化器和relu激活函数对所述检测模型进行优化。
103.在本发明的一些实施方式中，根据所述第一特征数据和所述第二特征数据对电池冗余单元的状态进行预测，包括：
104.通过所述自编码器和训练数据生成标准欧式距离；以及
105.判断所述第一特征数据和所述第二特征数据的欧式距离与所述标准欧式距离的差值；
106.响应于所述差值大于第二预定值则认为所述电池冗余单元异常。
107.在本发明的一些实施方式中，通过所述自编码器和训练数据生成标准欧式距离，包括：
108.通过所述自编码器根据训练数据中的多个第一特征数据计算多个第二特征数据；
109.计算多个第一特征数据和与之对应的多个第二特征数据的欧式距离，计算所述欧式距离的平均值，并将所述平均值作为标准欧式距离。
110.在本发明的一些实施方式中，方法还包括：
111.获取所述电池冗余单元的真实状态，并筛选出所述真实状态为异常的电池冗余单元；
112.根据所述真实状态为异常的所述电池冗余单元的第一特征数据通过所述自编码器生成第二特征数据，并计算所述电池冗余单元的所述第一特征数据和第二特征数据的欧式距离；
113.将所述标准欧式距离与所述第二预定值相加得到界限阈值，并判断所述真实状态为异常的所述电池冗余单元的所述欧式距离与所述界限阈值的第二差值；
114.响应于所述第二差值小于所述第一预定值，不改变所述第二预定值；
115.响应于所述第二差值大于所述第一预定值，将所述真实状态为异常的所述电池冗余单元的所述欧式距离与所述标准欧式距离的差值作为第二预定值。
116.如图4所示，本发明的再一方面还提出了一种计算机可读存储介质401，所述计算机可读存储介质401存储有计算机程序402，所述计算机程序402被处理器401执行时实现一种电池冗余单元异常检测方法，包括：
117.获取检测模型所需要的特征参数，并根据所述特征参数从对应设备收集第一特征数据并保存；
118.对收集的第一特征数据进行预处理，并将预处理后的所述第一特征数据输入到所述检测模型以得到第二特征数据；
119.根据所述第一特征数据和所述第二特征数据对电池冗余单元的状态进行预测。
120.在本发明的一些实施方式中，方法还包括：
121.采用自编码器作为检测模型，并通过所述自编码器根据所述第一特征数据生成第二特征数据。
122.在本发明的一些实施方式中，方法还包括：
123.计算生成的第二特征数据和所述第一特征数据的欧式距离，并判断所述欧式距离是否大于第一预定值，响应于所述欧式距离大于第一预定值，对所述检测模型进行优化。
124.在本发明的一些实施方式中，对所述检测模型进行优化，包括：
125.通过adam优化器和relu激活函数对所述检测模型进行优化。
126.在本发明的一些实施方式中，根据所述第一特征数据和所述第二特征数据对电池冗余单元的状态进行预测，包括：
127.通过所述自编码器和训练数据生成标准欧式距离；以及
128.判断所述第一特征数据和所述第二特征数据的欧式距离与所述标准欧式距离的差值；
129.响应于所述差值大于第二预定值则认为所述电池冗余单元异常。
130.在本发明的一些实施方式中，通过所述自编码器和训练数据生成标准欧式距离，包括：
131.通过所述自编码器根据训练数据中的多个第一特征数据计算多个第二特征数据；
132.计算多个第一特征数据和与之对应的多个第二特征数据的欧式距离，计算所述欧式距离的平均值，并将所述平均值作为标准欧式距离。
133.在本发明的一些实施方式中，方法还包括：
134.获取所述电池冗余单元的真实状态，并筛选出所述真实状态为异常的电池冗余单元；
135.根据所述真实状态为异常的所述电池冗余单元的第一特征数据通过所述自编码器生成第二特征数据，并计算所述电池冗余单元的所述第一特征数据和第二特征数据的欧式距离；
136.将所述标准欧式距离与所述第二预定值相加得到界限阈值，并判断所述真实状态为异常的所述电池冗余单元的所述欧式距离与所述界限阈值的第二差值；
137.响应于所述第二差值小于所述第一预定值，不改变所述第二预定值；
138.响应于所述第二差值大于所述第一预定值，将所述真实状态为异常的所述电池冗余单元的所述欧式距离与所述标准欧式距离的差值作为第二预定值。
139.以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
140.应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
141.上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
142.本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
143.本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现所述的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
144.最后需要说明的是，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，可以通过计算机程序来指令相关硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(rom)或随机存储记忆体(ram)等。所述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。