[发明专利]一种利用马尔科夫模型分析与预测机房故障的方法

说明书

一种利用马尔科夫模型分析与预测机房故障的方法，该方法根据历史告警故障数据构建马尔科夫模型矩阵，并根据当前的新告警故障数据按照马尔科夫模型矩阵推断是否发生故障状态转移，再将新告警故障数据和预测故障状态转移以网络消息的形式发生至运维人员，最后将新告警故障数据加入历史告警故障数据中进行数据更新，以方便提高下一次推断故障状态转移的准确性，该方法根据历史告警故障数据构建马尔科夫模型矩阵，判断出告警故障数据的不同状态之间的内在联系，而且利用马尔科夫模型分析新产生的新告警故障数据，判断出对无人机房将来会发生的问题并且对相关运维人员进行预警，而不是被动式等待问题出现并且解决，因此提高了运维人员的工作效率。

技术领域

本发明涉及一种利用马尔科夫模型分析与预测机房故障的方法，属于机房检测技术领域。

背景技术

目前各大运营商在机房管理上都采用无人值守智慧化管理方式，运维人员通过远程监控手段来降低运维成本，即利用摄像机对监视对象中设备及其运行情况的监视，但是人工监控要求工作人员一直在屏幕前，不但工作量大，而且难免会有疏漏。而且故障发生后，由运维人员及时处理，完全取决于运维人员的工作经验以及工作效率，只能被动式等待问题出现并且解决。

而且机房故障状态会发生转移，比如水浸设备故障发生后，有一定概率发生电压过高，或者过低相关故障，烟感设备故障发生后，也有一定概率发生红外设备等关联设备故障，但目前只能通过运维人员的长期工作获取的经验来预防这些问题的发生。

发明内容

为解决上述现有技术中存在的技术问题，本发明提供了一种利用马尔科夫模型分析与预测机房故障的方法，该方法利用马尔科夫模型分析新产生的新告警故障数据，预判出对无人机房将来会发生的问题并且进行预警，从而对机房运维人员起到提前预判问题的发生，同时提高了运维人员的工作效率。

实现本发明目的的技术方案为，一种利用马尔科夫模型分析与预测机房故障的方法，至少包括以下步骤：

(1)根据历史告警故障数据计算出初始经验值，再根据初始经验值构建马尔科夫模型矩阵，且初始经验值存储到经验库中，其中马尔科夫模型矩阵的计算公式为：

p_ij＝p(E_j/E_i) 式1

式1中，E_i为故障第i种状态概率，E_j为故障第j种状态概率，p_ij为从状态i到状态j的条件概率即故障第i种状态转为故障第j种状态的状态转移概率；式2中，P为状态转移概率矩阵，p_ij为从状态i到状态j的条件概率；式3中，p_ij为从状态i到状态j 的条件概率；

(2)根据马尔科夫模型矩阵设定不同阈值，再将采集得到的新告警故障数据值与阈值A进行比对，若数据值小于相应阈值A，则作为普通故障或者事件进行丢弃；若数据值大于相应阈值A，则认定为故障状态转移，且将新告警故障数据值根据马尔科夫模型数据并行计算出其他条件概率，再将条件概率值与相应的阈值B进行比对，若条件概率值小于相应阈值B，则作为极低故障状态转移事件丢弃；若条件概率值大于相应阈值 B，则将新告警故障数据和预测故障状态转移以网络消息的形式输出；

(3)将新告警故障数据加入历史告警故障数据中进行数据更新，即故障状态产生次数加历史状态次数形成总历史状态次数，且更新后的历史告警故障数据更新马尔科夫模型矩阵，再将更新后的历史告警故障数据进行存储。

对上述技术方案的进一步改进为：步骤(1)所述历史告警故障数据以周或月或年为时间范围内的告警故障数据结合而成。

且步骤(3)所述更新后的历史告警故障数据以故障名称、故障状态、马尔科夫模型矩阵、故障更新日期、相应阈值的数据结构进行存储。