用单变量时间序列数据集的模体和组合建模预测设备使用的制作方法

背景技术：

1、随着计算机系统的复杂性、尺寸和处理能力的增加，由这些计算机系统执行的处理也继续增长。监测系统已经变得越来越流行，以尝试管理由计算机系统执行的应用并提高计算机系统的整体效率。然而，这是一项困难的任务。数据以不断增加的速度被创建，使得难以审查。当数据的审查被传递给第三方时，由第三方接收的数据可能无法接入计算机系统中的所有环境数据。

2、另外，数据室基础设施通常很复杂并且难以跟踪。适当的能源度量被需要来确定服务器以及更广泛的数据中心的功率需求。标准输入电源生成通常是一种“一刀切”策略，这会增加成本并降低数据中心的性能和健康状况。这样的问题需要务实的解决方案来辅助数据中心管理员更有效地管理其资源并降低与运行基础设施相关联的总体成本。

技术实现思路

技术特征：

1.一种系统，包括：

2.根据权利要求1所述的系统，其中所述第一数据定义与所述多个模体的有向图相对应，所述有向图包括数据点之间的加权边。

3.根据权利要求1所述的系统，其中所述第一数据定义和所述第二数据定义被存储为javascript对象表示法json文件，并且所述系统还：

4.根据权利要求1所述的系统，其中所述被监测设备是it数据中心中的服务器中的处理器。

5.根据权利要求1所述的系统，其中所述多个集群包括所述原始时间序列数据的子集的局部极小值和局部极大值。

6.根据权利要求5所述的系统，其中所述系统还：

7.根据权利要求6所述的系统，其中对所述多个集群中的每个集群的所述质心的所述确定使用考虑所述原始时间序列数据的线性方式的定制k-均值集群算法。

8.根据权利要求1所述的系统，其中被调度为在所述未来时间段的所述一部分期间要在所述被监测设备处被执行的所述工作负载是被减小的工作负载。

9.根据权利要求1所述的系统，其中所述原始时间序列数据包括所述被监测设备的输入功率周期数据。

10.根据权利要求1所述的系统，其中所述第一数据定义使用第一机器学习模型被生成，所述第二数据定义使用第二机器学习模型被生成，并且所述第一机器学习模型和所述第二机器学习模型不同于获得经预测的功耗数据的经训练的所述机器学习模型。

11.根据权利要求10所述的系统，其中所述第二机器学习模型是以下之一：sarma、fbprophet、holt-winter-es或门控循环单元网络。

12.一种计算机实现的方法，包括：

13.根据权利要求12所述的计算机实现的方法，其中所述第一数据定义与所述多个模体的有向图相对应，所述有向图包括数据点之间的加权边。

14.根据权利要求12所述的计算机实现的方法，其中所述第一数据定义和所述第二数据定义被存储为javascript对象表示法json文件，并且所述方法还包括：

15.根据权利要求12所述的计算机实现的方法，其中所述被监测设备是it数据中心中的服务器中的处理器。

16.根据权利要求12所述的计算机实现的方法，其中所述多个集群包括所述原始时间序列数据的子集的局部极小值和局部极小值。

17.根据权利要求16所述的计算机实现的方法，其中所述方法还包括：

18.根据权利要求17所述的计算机实现的方法，其中对多个集群中的每个集群的所述质心的所述确定使用考虑所述原始时间序列数据的线性方式的定制k-均值集群算法。

19.根据权利要求12所述的计算机实现的方法，其中被调度为在所述未来时间段的所述一部分期间要在所述被监测设备处被执行的所述工作负载是被减小的工作负载。

20.根据权利要求12所述的计算机实现的方法，其中所述原始时间序列数据包括所述被监测设备的输入功率周期数据。

技术总结本公开涉及用单变量时间序列数据集的模体和组合建模预测设备使用。提供了用于将来自被监测设备的时间序列数据集压缩成经压缩的数据集表示的系统和方法。使用无监督机器学习模型，系统可以对时间序列数据集的连续数据点集合进行分组，并使用距离算法将第一集群分组到第一模体。许多模体可以被生成来标识时间序列数据集中的不同数据签名。多个模体可以被使用以生成数据定义、模体序列图、有向图或数据点的其他组合。这些数据点可以通过求和过程与由第二机器学习模型生成的其他数据点相组合。求和过程的输出可以被使用以预测数据中心中被监测设备的设备使用。技术研发人员：M·S·吉尔,D·萨蒂亚纳拉亚纳穆尔蒂,M·C·塞沙,A·马亨德兰受保护的技术使用者：慧与发展有限责任合伙企业技术研发日：技术公布日：2024/9/12