摘要：IDC安防巡檢機(jī)器人的網(wǎng)絡(luò)監(jiān)控系統(tǒng)拓?fù)浣Y(jié)構(gòu)復(fù)雜且存在盲區(qū)，以整體思路設(shè)計(jì)的告警系統(tǒng)可能導(dǎo)致機(jī)器人無法準(zhǔn)確監(jiān)測(cè)到所有的安全事件或異常情況。提出基于分布式Hadoop的IDC安防巡檢機(jī)器人網(wǎng)絡(luò)監(jiān)控告警系統(tǒng)設(shè)計(jì)。引入HDFS體系結(jié)構(gòu)及MapReduce任務(wù)處理技術(shù)，設(shè)計(jì)Hadoop高性能監(jiān)控?cái)?shù)據(jù)處理平臺(tái)，降低運(yùn)維成本；在該平臺(tái)上設(shè)計(jì)IDC安防巡檢機(jī)器人網(wǎng)絡(luò)監(jiān)控系統(tǒng)，對(duì)數(shù)據(jù)中心實(shí)施全面巡檢；構(gòu)建基于能量特征變換的無閾值告警算法，提取監(jiān)控項(xiàng)數(shù)據(jù)中的能量、波動(dòng)以及時(shí)間3種特征，在此基礎(chǔ)上將隨機(jī)森林算法融合到模型中，自動(dòng)形成巡檢軟件設(shè)計(jì)并觸發(fā)告警。實(shí)驗(yàn)結(jié)果表明：所提方法具有較高的告警準(zhǔn)確率和效率，且能夠有效降低IDC運(yùn)維成本。

關(guān)鍵詞：Hadoop平臺(tái)；IDC；安防巡檢機(jī)器人；監(jiān)控告警；能量特征變換提取；隨機(jī)森林

中圖分類號(hào)：TP242.3；TP277文獻(xiàn)標(biāo)志碼：B文章編號(hào)：1671-5276（2024）06-0262-06

Abstract：As the network monitoring system topology of IDC security patrol robot is complex in structure with blind spots， its alarm system may cause the failure in accurately monitoring all security events or abnormalities. The design of IDC security patrol robot Network monitoring alarm system based on distributed Hadoop is proposed. The HDFS architecture and MapReduce task processing technology are introduced to design a Hadoop high-performance monitoring data processing platform for operation and maintenance cost reduction. The IDC security patrol robot Network monitoring system is designed on the platform to implement comprehensive patrol inspection on the data center. A threshold free alarm algorithm based on energy feature transformation is constructed to extract the three characteristics of energy， fluctuation and time in the monitoring item data. On this basis， the random forest algorithm is integrated into the model， automatically forming the patrol software design and trigger the alarm. The experimental results show that the proposed method has high alarm accuracy and efficiency and can effectively reduce IDC operation and maintenance costs.

Keywords：hadoop platform; IDC; security inspection robot; monitoring alarm; energy feature transformation extraction; random forest

0引言

互聯(lián)網(wǎng)數(shù)據(jù)中心（IDC）的運(yùn)行維護(hù)是一項(xiàng)重要且艱難的工作。IDC可使企業(yè)從繁雜、重復(fù)性以及低價(jià)值的維護(hù)工作中解脫出來，投入到價(jià)值更高的處理工作中去，雖然極大地提高了生產(chǎn)能力和效益，但隨之而來的安全問題也越來越多。數(shù)據(jù)運(yùn)營(yíng)公司在人工智能不斷發(fā)展的背景下，迫切需要考慮如何引入IDC安防巡檢機(jī)器人并采用完備的有效網(wǎng)絡(luò)監(jiān)控系統(tǒng)來應(yīng)對(duì)突發(fā)的災(zāi)難性事件，對(duì)異常情況及時(shí)告警并處理，保障網(wǎng)絡(luò)安全。因此IDC安防巡檢機(jī)器人網(wǎng)絡(luò)監(jiān)控系統(tǒng)告警技術(shù)已成為該領(lǐng)域的研究重點(diǎn)。

趙慶兵等［1］利用參數(shù)自回歸算法實(shí)現(xiàn)IDC巡檢機(jī)器人網(wǎng)絡(luò)監(jiān)控系統(tǒng)的早期預(yù)警。利用多維度時(shí)序數(shù)據(jù)進(jìn)行參數(shù)自回歸，實(shí)現(xiàn)了對(duì)系統(tǒng)正常工作狀態(tài)的估計(jì)，并從實(shí)測(cè)值中提取殘差的特征，在此基礎(chǔ)上設(shè)定一個(gè)動(dòng)態(tài)閾值，根據(jù)該閾值完成系統(tǒng)的狀態(tài)監(jiān)測(cè)和告警機(jī)制。但方法容易產(chǎn)生誤告警問題，加重運(yùn)維成本。林凌云等［2］利用知識(shí)圖譜技術(shù)建立IDC安防巡檢網(wǎng)絡(luò)監(jiān)控系統(tǒng)的故障告警策略。該方法首先以系統(tǒng)歷史事故和變位信號(hào)作為IDC監(jiān)控系統(tǒng)事故行為圖譜；其次利用異常行為建立系統(tǒng)異常行為圖譜；最后從圖譜中挖掘出告警信號(hào)之間的行為邏輯并顯示出來。該方法告警效率較低，同時(shí)也降低了系統(tǒng)的運(yùn)行效率。

為了解決上述系統(tǒng)設(shè)計(jì)方法中存在的問題，本文提出一種IDC安防巡檢機(jī)器人網(wǎng)絡(luò)監(jiān)控告警系統(tǒng)設(shè)計(jì)方法。

1系統(tǒng)基礎(chǔ)Hadoop平臺(tái)設(shè)計(jì)

IDC的海量運(yùn)維監(jiān)控?cái)?shù)據(jù)是動(dòng)態(tài)實(shí)時(shí)的，頻繁的數(shù)據(jù)采集，降低了監(jiān)控效率，不能及時(shí)得到作業(yè)系統(tǒng)狀態(tài)問題的反饋，且增加了服務(wù)器運(yùn)行成本。Hadoop平臺(tái)具有低成本、大規(guī)模、高效安全的優(yōu)勢(shì)［3］，因此將整個(gè)IDC安防巡檢機(jī)器人網(wǎng)絡(luò)監(jiān)控系統(tǒng)建立在Hadoop之上是實(shí)現(xiàn)低成本、高性能處理平臺(tái)的必要方式，其體系結(jié)構(gòu)如圖1所示。

Hadoop主要由提供數(shù)據(jù)存儲(chǔ)功能的HDFS和在集群環(huán)境中提供數(shù)據(jù)分析計(jì)算功能的MapReduce組成。

1）HDFS

HDFS［4］是一個(gè)獨(dú)立的分布式文件系統(tǒng)，其容錯(cuò)性較高，能夠根據(jù)IDC安防巡檢機(jī)器人網(wǎng)絡(luò)監(jiān)控系統(tǒng)所需要和查詢的條件，存儲(chǔ)任意形式的數(shù)據(jù)并自動(dòng)優(yōu)化數(shù)據(jù)流量，保障較高的帶寬，降低數(shù)據(jù)的丟失并提高工作效率。其體系結(jié)構(gòu)如圖2所示。

2）MapReduce

在IDC網(wǎng)絡(luò)監(jiān)控?cái)?shù)據(jù)采集時(shí)已經(jīng)將采集到的數(shù)據(jù)實(shí)時(shí)保存在HDFS中，基于此可以利用MapReduce完成數(shù)據(jù)的讀取和處理。通過Map階段和Reduce階段實(shí)現(xiàn)網(wǎng)絡(luò)監(jiān)控?cái)?shù)據(jù)的分析和處理，也同樣適用于離線大數(shù)據(jù)的計(jì)算分析，其工作原理如圖3所示。

由此即可搭建一個(gè)數(shù)據(jù)規(guī)模易擴(kuò)展、處理速度快的分布式海量數(shù)據(jù)處理監(jiān)控平臺(tái)，在該平臺(tái)上完成后續(xù)IDC安防巡檢機(jī)器人網(wǎng)絡(luò)監(jiān)控系統(tǒng)告警處理，能夠有效降低運(yùn)行成本和提高安全性。

2系統(tǒng)的硬件與軟件設(shè)計(jì)

2.1Hadoop平臺(tái)上監(jiān)控告警系統(tǒng)硬件設(shè)計(jì)

傳統(tǒng)的人工周期性安防巡檢存在巡檢內(nèi)容單一、數(shù)據(jù)重復(fù)率較高等缺陷，IDC運(yùn)維環(huán)境的復(fù)雜度以及巡檢人員工作能力等因素均會(huì)影響安防巡檢工作的質(zhì)量。為此，本文基于Hadoop平臺(tái)，引入IDC安防巡檢機(jī)器人［5］輔助替代人工巡檢。IDC安防巡檢機(jī)器人的網(wǎng)絡(luò)監(jiān)控系統(tǒng)主要由巡檢端和上機(jī)位監(jiān)控系統(tǒng)兩部分組成，總體設(shè)計(jì)框架如圖4所示。

巡檢端主要負(fù)責(zé)底層控制端實(shí)施數(shù)據(jù)采集（包含溫濕度信息、燃?xì)鉂舛刃畔⒑图兹舛刃畔⒌龋┮约白灾鲗?dǎo)航巡檢，其結(jié)構(gòu)如圖5所示。

在機(jī)器人巡檢端中，ARM微處理器［6］的主要任務(wù)是處理采集到的各種數(shù)據(jù)，若數(shù)據(jù)超過預(yù)警值則執(zhí)行語音報(bào)警和補(bǔ)救，以此減少經(jīng)濟(jì)損失，在此基礎(chǔ)上利用串口將信息傳輸給樹莓派，再通過樹莓派將信息從網(wǎng)絡(luò)上傳到監(jiān)控系統(tǒng)中。

當(dāng)IDC安防巡檢機(jī)器人完成巡檢任務(wù)后，會(huì)將采集到的巡檢數(shù)據(jù)信息自動(dòng)傳送到其網(wǎng)絡(luò)監(jiān)控系統(tǒng)中，再利用網(wǎng)絡(luò)監(jiān)控系統(tǒng)將信息傳送給上述設(shè)計(jì)的Hadoop平臺(tái)中，以此高效率、低成本地完成監(jiān)控信息存儲(chǔ)和分析處理，為后續(xù)監(jiān)控系統(tǒng)告警策略提供有利條件。

2.2軟件算法設(shè)計(jì)

本文所提方法通過上述方法獲取到監(jiān)控項(xiàng)數(shù)據(jù)后，建立一種基于能量特征變換提取的無閾值告警算法，該算法能夠在滿足實(shí)時(shí)業(yè)務(wù)告警需求的前提下，有效提高告警準(zhǔn)確性，其流程如圖6所示。

通過能量特征變換方法對(duì)監(jiān)控項(xiàng)數(shù)據(jù)進(jìn)行特征提取。能量特征變換是一種基于能量的特征提取方法，它能夠捕獲到信號(hào)中的能量分布特征并提取出能量相關(guān)的特征。

1）數(shù)據(jù)預(yù)處理

在監(jiān)控過程中，由于受到某些主要儀器故障以及巡檢環(huán)境干擾，會(huì)導(dǎo)致在監(jiān)控?cái)?shù)據(jù)采集過程中出現(xiàn)部分?jǐn)?shù)據(jù)缺失的現(xiàn)象。為了確保監(jiān)控項(xiàng)數(shù)據(jù)的質(zhì)量，利用數(shù)據(jù)填充法［7］，通過調(diào)整前后數(shù)據(jù)點(diǎn)的平均值填補(bǔ)中間的缺失數(shù)據(jù)，并采用滑窗建立數(shù)據(jù)集中的樣本，示意圖如圖7所示。

在Hadoop平臺(tái)上，滑窗窗口大小預(yù)設(shè)為5，監(jiān)控項(xiàng)每隔5min讀取一次監(jiān)控項(xiàng)數(shù)據(jù)，經(jīng)數(shù)據(jù)預(yù)處理后得到N個(gè)監(jiān)控值，相應(yīng)獲取（N－5）+1個(gè)數(shù)據(jù)樣本。

2）基于能量特征變換的特征提取

通過數(shù)據(jù)預(yù)處理獲取監(jiān)控?cái)?shù)據(jù)完整樣本后，根據(jù)IDC監(jiān)控項(xiàng)數(shù)據(jù)特點(diǎn)，采用基于能量特征變換的特征提取算法，提取以下3個(gè)方面的特征值。

a）能量

能量用于反映監(jiān)控值的大小，提取計(jì)算公式如下：

式中：g1、g2、g3分別代表當(dāng)前值、平均值以及能量值；u代表監(jiān)控值；t代表第t個(gè)時(shí)間點(diǎn)。

b）波動(dòng)

波動(dòng)用于反映監(jiān)控項(xiàng)數(shù)據(jù)的變化，計(jì)算公式如下：

式中：g4、g5、g6、g7分別表示斜率、標(biāo)準(zhǔn)差、高于均值個(gè)數(shù)以及相鄰絕對(duì)波動(dòng)；η表示全部監(jiān)控?cái)?shù)據(jù)的平均值；I表示當(dāng)前窗口內(nèi)大于η的數(shù)量。

c）時(shí)間特性

時(shí)間特性表征當(dāng)前監(jiān)控值與時(shí)間的關(guān)聯(lián)，計(jì)算公式如下：

式中g(shù)8、g9分別表示以周為周期以及以分鐘為周期的關(guān)聯(lián)挖掘時(shí)間。將當(dāng)前窗口t和前兩個(gè)窗口t－1、t－2中的特征組合作為最終特征值，表達(dá)式如下：

式中：At為每個(gè)窗口所提取的特征；Gi為組合特征集；t為窗口大小。

3）引入隨機(jī)森林劃分高維監(jiān)控項(xiàng)數(shù)據(jù)

利用隨機(jī)森林來進(jìn)行高維監(jiān)控項(xiàng)數(shù)據(jù)的劃分，輸出告警結(jié)果。隨機(jī)森林［8］是一種包含一系列樹結(jié)構(gòu)分類器，用j（x，Θk，k=1，2，…）描述，其中的Θk表示具有獨(dú)立均勻分布特性的隨機(jī)向量，分類過程分為3個(gè)步驟。

步驟1：子訓(xùn)練集生成

通過Bootstrap方法從大小為N的原始監(jiān)控?cái)?shù)據(jù)集中采樣N次，建立M個(gè)子訓(xùn)練集。

步驟2：特征選擇

從森林中所有樹節(jié)點(diǎn)中隨機(jī)選取部分特征，通過基尼指數(shù)法選取最優(yōu)特征劃分節(jié)點(diǎn)建立決策樹［9］?；嶂笖?shù)越高說明該監(jiān)控項(xiàng)數(shù)據(jù)純度越高，其一致性也越好，計(jì)算公式如下：

式中：Gini（·）為基尼指數(shù)；F為給定的數(shù)據(jù)樣本；K表示其類別；Fk代表第k個(gè)類別的數(shù)量。若引入特征A，則需將F分為V1和V2兩部分，由此得到基于特征A的數(shù)據(jù)樣本F的基尼指數(shù)計(jì)算公式：

步驟3：由所建立的全部決策樹生成M顆樹組成的森林，每棵樹的權(quán)重相同，利用森林投票機(jī)制選擇到最多的類別則是監(jiān)控項(xiàng)數(shù)據(jù)樣本的最終分類結(jié)果［10］，流程如圖8所示。

隨機(jī)森林具有較快的訓(xùn)練速度、較高的分類精度以及較強(qiáng)的抗噪能力，能夠有效劃分高維監(jiān)控項(xiàng)數(shù)據(jù)。為此將其引入到無閾值告警模型中完成訓(xùn)練，訓(xùn)練后的結(jié)果傳輸?shù)紿adoop平臺(tái)上的IDC安防巡檢機(jī)器人網(wǎng)絡(luò)監(jiān)控系統(tǒng)中，即可根據(jù)實(shí)際情況實(shí)時(shí)觸發(fā)告警并執(zhí)行相應(yīng)的措施。

3實(shí)驗(yàn)與分析

3.1實(shí)驗(yàn)設(shè)置

為了驗(yàn)證基于Hadoop的IDC安防巡檢機(jī)器人網(wǎng)絡(luò)監(jiān)控系統(tǒng)告警方法的整體有效性，需要對(duì)其展開測(cè)試。實(shí)驗(yàn)對(duì)象為IDC數(shù)據(jù)機(jī)房巡檢機(jī)器人RW400，在主測(cè)計(jì)算機(jī)上安裝Hadoop分布式文件系統(tǒng)和Hadoop計(jì)算框架，搭建以IDC安防巡檢機(jī)器人為核心的機(jī)器人網(wǎng)絡(luò)監(jiān)控系統(tǒng)告警實(shí)驗(yàn)平臺(tái)，實(shí)現(xiàn)相關(guān)軟件的運(yùn)行。

IDC安防巡檢機(jī)器人的巡檢環(huán)境設(shè)置如下。

1）攝像頭布置：實(shí)驗(yàn)選擇500 m2的中型IDC機(jī)房，在IDC機(jī)房?jī)?nèi)合理地布置攝像頭以覆蓋關(guān)鍵區(qū)域和設(shè)備。攝像頭可以固定在天花板上或掛在墻壁上，確保能夠完整記錄需要巡檢的區(qū)域。

2）傳感器安裝：在機(jī)房?jī)?nèi)部安裝合適的LM35溫度傳感器、DHT22濕度傳感器、MQ-2煙霧傳感器，以便監(jiān)測(cè)環(huán)境狀態(tài)并及時(shí)發(fā)現(xiàn)異常情況。

實(shí)驗(yàn)參數(shù)如下。

1）Hadoop集群的節(jié)點(diǎn)數(shù)量：共設(shè)置3個(gè)節(jié)點(diǎn)，其中一個(gè)用作主節(jié)點(diǎn)，其余節(jié)點(diǎn)用作工作節(jié)點(diǎn)，以提供基本的容錯(cuò)能力和高可用性。

2）使用YARN（yet another resource negotiator）來管理和分配計(jì)算資源，根據(jù)每個(gè)任務(wù)的需求動(dòng)態(tài)分配資源。

3）數(shù)據(jù)分片大小：128MB或64MB。

3.2結(jié)果分析

采用本文所提方法和文獻(xiàn)［1］方法、文獻(xiàn)［2］方法開展誤警率和告警準(zhǔn)確率、穩(wěn)定度以及運(yùn)行時(shí)間3個(gè)方面的測(cè)試。

1）誤警率和告警準(zhǔn)確率

在IDC運(yùn)維環(huán)境巡檢監(jiān)控告警過程中，IDC安防巡檢機(jī)器人極易出現(xiàn)誤警情況，導(dǎo)致告警精度較低，為此將誤警率作為衡量IDC安防巡檢機(jī)器人網(wǎng)絡(luò)監(jiān)控系統(tǒng)告警有效性的重要指標(biāo)之一。誤警率指的是本來正常的數(shù)據(jù)被誤認(rèn)為異常數(shù)據(jù)并觸發(fā)警告，利用所提方法和文獻(xiàn)［1］方法、文獻(xiàn)［2］方法并展開12次測(cè)試，得到圖9的對(duì)比結(jié)果。

由圖9可以看出，在實(shí)驗(yàn)次數(shù)不斷增加的前提下，文獻(xiàn)［1］方法和文獻(xiàn)［2］方法的誤警率波動(dòng)較大，文獻(xiàn)［1］方法的誤警率呈較大的增長(zhǎng)趨勢(shì)，而文獻(xiàn)［2］方法曲線波動(dòng)較大，穩(wěn)定性較差；相比之下，所提方法的誤警率最小，最多不超過15%，說明所提方法具有更好的運(yùn)行性能。

告警準(zhǔn)確率指的是異常監(jiān)控?cái)?shù)據(jù)被成功判斷為異常數(shù)據(jù)的概率以及正常監(jiān)控?cái)?shù)據(jù)被判斷為正常數(shù)據(jù)的概率，將其作為評(píng)估指標(biāo)，測(cè)試3種方法的告警準(zhǔn)確率，結(jié)果如圖10所示。

由圖10可知，隨著實(shí)驗(yàn)次數(shù)的增加，所提方法的告警準(zhǔn)確率始終保持在88%以上且過程較穩(wěn)定；文獻(xiàn)［1］方法的告警準(zhǔn)確率在前3次測(cè)試中雖然能夠保持在65%左右，但隨著實(shí)驗(yàn)次數(shù)的增加，該方法的告警準(zhǔn)確率出現(xiàn)變化，告警準(zhǔn)確率最低已經(jīng)降到32%，會(huì)直接導(dǎo)致誤告警的發(fā)生；文獻(xiàn)［2］方法的告警準(zhǔn)確率在全部測(cè)試中保持在50%～80%的范圍內(nèi)。對(duì)比可知，所提方法的告警準(zhǔn)確率相對(duì)較高，能夠有效增強(qiáng)網(wǎng)絡(luò)的安全性。

2）穩(wěn)定度

告警方法的穩(wěn)定度是保障IDC安防巡檢機(jī)器人監(jiān)控性能的第二個(gè)重要指標(biāo)，穩(wěn)定度越高，系統(tǒng)運(yùn)行的性能和可靠性越強(qiáng)，隨著監(jiān)控?cái)?shù)據(jù)的不斷增加，3種方法的穩(wěn)定度變化情況如圖11所示。

從圖11中可以看出，其他兩種傳統(tǒng)方法在監(jiān)控?cái)?shù)據(jù)較少的情況下，穩(wěn)定性較好，但隨著監(jiān)控?cái)?shù)據(jù)的增加，文獻(xiàn)［1］方法的運(yùn)算穩(wěn)定度出現(xiàn)大幅度下降的趨勢(shì)，文獻(xiàn)［2］方法的運(yùn)算穩(wěn)定度曲線不平穩(wěn)。由此可以說明所提方法具有更高的運(yùn)算穩(wěn)定度，在提高系統(tǒng)運(yùn)維穩(wěn)定性的同時(shí)，也能相應(yīng)地降低運(yùn)行時(shí)間。

3）運(yùn)行時(shí)間

在監(jiān)控?cái)?shù)據(jù)異常情況下的及時(shí)告警是保障IDC運(yùn)維環(huán)境安全的關(guān)鍵。告警方法的運(yùn)行時(shí)間越少，表明其告警實(shí)時(shí)性越高，對(duì)運(yùn)維環(huán)境安全的可靠性越強(qiáng)。在與上述測(cè)試條件相同的基礎(chǔ)上，采用3種方法對(duì)監(jiān)控?cái)?shù)據(jù)分別展開異常告警測(cè)試，結(jié)果統(tǒng)計(jì)如表1所示。

分析表1可得，所提方法在監(jiān)控?cái)?shù)據(jù)增加到最多的800個(gè)時(shí)，運(yùn)行時(shí)間為11.42ms，整體平均耗時(shí)為9.58ms；而文獻(xiàn)［1］方法耗時(shí)最長(zhǎng)，平均為23.44ms，高于所提方法13.86ms；文獻(xiàn)［2］方法雖然低于文獻(xiàn)［1］方法，但高于所提方法2.58ms。相比之下，所提方法具有更高的計(jì)算效率，同時(shí)也代表所提方法具有更高的告警效率，提高了系統(tǒng)的工作效率。

在此基礎(chǔ)上，對(duì)上述實(shí)驗(yàn)結(jié)果進(jìn)行實(shí)際驗(yàn)證。通過監(jiān)控系統(tǒng)對(duì)機(jī)器人進(jìn)行實(shí)時(shí)監(jiān)測(cè)，收集機(jī)器人傳感器數(shù)據(jù)和執(zhí)行狀態(tài)信息。利用Hadoop平臺(tái)進(jìn)行數(shù)據(jù)處理和分析，檢測(cè)異常情況并觸發(fā)相應(yīng)的告警。在上述設(shè)定的IDC安防巡檢機(jī)器人的巡檢環(huán)境下，基于Hadoop平臺(tái)構(gòu)建異常檢測(cè)模型，通過監(jiān)控系統(tǒng)實(shí)時(shí)采集機(jī)器人的傳感器數(shù)據(jù)和執(zhí)行狀態(tài)信息，記錄機(jī)器人的位置坐標(biāo)。當(dāng)機(jī)器人位置偏離預(yù)定區(qū)域，系統(tǒng)及時(shí)發(fā)送告警信息給相關(guān)人員。檢測(cè)異常情況結(jié)果統(tǒng)計(jì)如表2所示。

由表2可知，當(dāng)檢測(cè)到機(jī)器人位置偏離預(yù)定區(qū)域，IDC安防巡檢機(jī)器人網(wǎng)絡(luò)監(jiān)控系統(tǒng)告警信息發(fā)送時(shí)延最長(zhǎng)為3.34ms，表明所設(shè)計(jì)系統(tǒng)能夠及時(shí)觸發(fā)相應(yīng)的告警機(jī)制。運(yùn)維人員接收到告警信息后進(jìn)行驗(yàn)證和處理，還可以前往現(xiàn)場(chǎng)檢查機(jī)器人位置或傳感器狀態(tài)，或與機(jī)器人操作人員聯(lián)系確認(rèn)狀況。通過上述實(shí)際驗(yàn)證，可以確保IDC安防巡檢機(jī)器人的網(wǎng)絡(luò)監(jiān)控系統(tǒng)的可靠性、及時(shí)性和準(zhǔn)確性，提高IDC安全和機(jī)房設(shè)備維護(hù)的效率和可靠性。

4結(jié)語

為了降低IDC運(yùn)維成本，保障運(yùn)維環(huán)境的安全性，提出基于Hadoop的IDC安防巡檢機(jī)器人網(wǎng)絡(luò)監(jiān)控系統(tǒng)告警方法。首先設(shè)計(jì)低成本、高效率的Hadoop數(shù)據(jù)處理平臺(tái)，在該平臺(tái)上引入IDC安防巡檢機(jī)器人網(wǎng)絡(luò)監(jiān)控系統(tǒng)，用于數(shù)據(jù)中心運(yùn)維環(huán)境的全面巡檢，最后以獲取到的巡檢監(jiān)控?cái)?shù)據(jù)為基礎(chǔ)，將隨機(jī)森林融入到建立的基于能量特征變換的無閾值告警模型中，實(shí)現(xiàn)IDC安防巡檢機(jī)器人網(wǎng)絡(luò)監(jiān)控系統(tǒng)告警。本方法能夠有效提升IDC安防巡檢機(jī)器人網(wǎng)絡(luò)監(jiān)控系統(tǒng)告警的準(zhǔn)確率及穩(wěn)定度，且方法耗時(shí)較短，具有重要的實(shí)際應(yīng)用意義。

參考文獻(xiàn)：

［1］ 趙慶兵，魏士源，翟小飛，等. 基于參數(shù)自回歸算法的核電廠關(guān)鍵設(shè)備早期預(yù)警方法研究［J］. 核動(dòng)力工程，2021，42（6）：209-214.

［2］ 林凌云，陳青，金磊，等. 基于知識(shí)圖譜的變電站告警信息故障知識(shí)表示研究與應(yīng)用［J］. 電力系統(tǒng)保護(hù)與控制，2022，50（12）：90-99.

［3］ 朱嘉斌. 基于Hadoop+MPP架構(gòu)的城市軌道交通大數(shù)據(jù)中心建設(shè)方案［J］. 城市軌道交通研究，2022，25（5）：54-57.

［4］ 喬嘉林，黃向東，楊義繁，等. 基于著色Petri網(wǎng)的HDFS數(shù)據(jù)一致性建模與分析［J］. 軟件學(xué)報(bào)，2021，32（10）：2993-3013.

［5］ 賀曉峰，廖志偉，肖華明，等. 智能巡檢機(jī)器人傳感與控制系統(tǒng)研究與設(shè)計(jì)［J］. 中國(guó)煤炭，2022，48（增刊1）：1-5.

［6］ 王春露，田瑞冬，趙旭，等. ARM處理器分支預(yù)測(cè)漏洞分析測(cè)評(píng)及新漏洞發(fā)現(xiàn)［J］. 西安交通大學(xué)學(xué)報(bào)，2021，55（7）：71-78.

［7］ 熊中敏，郭懷宇，吳月欣. 缺失數(shù)據(jù)處理方法研究綜述［J］. 計(jì)算機(jī)工程與應(yīng)用，2021，57（14）：27-38.

［8］ 吳忠強(qiáng)，曹碧蓮，侯林成，等. 基于小波包變換和隨機(jī)森林算法的光伏系統(tǒng)故障分類［J］. 計(jì)量學(xué)報(bào)，2021，42（12）：1650-1657.

［9］ 吳澤楓，李成剛，宋勇，等. 基于NB-IoT模塊的機(jī)器人監(jiān)控系統(tǒng)移動(dòng)應(yīng)用開發(fā)［J］. 機(jī)械制造與自動(dòng)化，2021，50（1）：161-163，197.

［10］ 鄭伶俊. 變電站巡檢機(jī)器人系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)［J］. 機(jī)械制造與自動(dòng)化，2023，52（2）：162-165，188.

收稿日期：20230808

第一作者簡(jiǎn)介：張晨（1981—），男，四川成都人，工程師，本科，研究方向?yàn)殡娮有畔⒐こ?，zdz5412145@yeah.net。

DOI：10.19344/j.cnki.issn1671-5276.2024.06.052