數(shù)據(jù)中心作為關鍵設施,通常包含數(shù)以千計的數(shù)據(jù)處理設備,例如服務器、交換機和路由器等。隨著“互聯(lián)網(wǎng)+”時代的發(fā)展,其數(shù)量和規(guī)模均呈爆炸性增長態(tài)勢。機柜風扇損壞、服務器長期滿負荷工作等異常情況極易導致數(shù)據(jù)中心溫度過高,通常采用進一步降低空調(diào)溫度的方法來維持服務器安全可靠運行,由此導致巨大的電能消耗。因此對服務器進行熱故障診斷不僅可以極大地提高數(shù)據(jù)中心管理效率,保證數(shù)據(jù)中心安全可靠運行,也能夠在一定程度上提高空調(diào)制冷效率。通過比較分析數(shù)據(jù)中心溫度場感知方法,結合圖像處理及人工智能發(fā)展現(xiàn)狀,本研究提出基于紅外圖像的服務器熱故障狀態(tài)診斷方法,目的是根據(jù)診斷結果做出高效節(jié)能的熱管理決策,以優(yōu)化數(shù)據(jù)中心的能源配置和熱管理,進而保證數(shù)據(jù)中心可靠運行并降低數(shù)據(jù)中心能耗。為了驗證方法的有效性,本研究設計服務器四種常見的熱故障,通過紅外熱像儀采集處于不同運行情況下的服務器紅外圖像,建立服務器紅外圖像庫。本研究從圖像特征提取與分類器設計兩個關鍵技術出發(fā),設計兩種服務器熱故障診斷方法。一種是基于特征與支持向量機結合的服務器熱故障診斷方法。首先通過圖像增強算法突顯服務器熱分布區(qū)域,然后采用圖像標準化方法消除由于相...

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外數(shù)據(jù)中心監(jiān)測現(xiàn)狀
        1.2.1 國內(nèi)外發(fā)展現(xiàn)狀
        1.2.2 未來發(fā)展趨勢
    1.3 本文的主要研究內(nèi)容
        1.3.1 主要研究內(nèi)容
        1.3.2 章節(jié)安排
2 服務器熱故障診斷算法介紹
    2.1 服務器熱故障診斷關鍵技術
        2.1.1 圖像特征提取
        2.1.2 分類器設計
    2.2 實驗環(huán)境與算法硬件要求
        2.2.1 數(shù)據(jù)中心環(huán)境要求
        2.2.2 算法硬件要求
    2.3 服務器熱故障紅外圖像庫的建立
        2.3.1 圖像采集設備
        2.3.2 服務器熱故障種類
    2.4 本章小結
3 基于特征與SVM結合的服務器熱故障診斷方法
    3.1 圖像預處理
        3.1.1 圖像增強
        3.1.2 圖像標準化
    3.2 圖像特征提取
        3.2.1 紋理特征
        3.2.2 方向梯度直方圖特征
        3.2.3 圖像改進熵特征
    3.3 支持向量機
        3.3.1 支持向量機簡介
        3.3.2 支持向量機參數(shù)優(yōu)化
    3.4 實驗結果及性能分析
    3.5 本章小結
4 基于卷積神經(jīng)網(wǎng)絡的服務器熱故障診斷方法
    4.1 卷積神經(jīng)網(wǎng)絡網(wǎng)絡結構
        4.1.1 卷積層
        4.1.2 下采樣層
        4.1.3 全連接層
    4.2 AlexNet網(wǎng)絡模型結構說明
        4.2.1 ReLU函數(shù)
        4.2.2 Dropout層
        4.2.3 Softmax回歸
    4.3 服務器熱故障診斷方法分析
        4.3.1 卷積神經(jīng)網(wǎng)絡特征分析
        4.3.2 卷積神經(jīng)網(wǎng)絡訓練流程
    4.4 實驗結果與性能分析
    4.5 本章小結
結論
參考文獻
攻讀碩士學位期間發(fā)表學術論文情況
致謝



本文編號：3832333