基于深度时序学习的数据中心热风险智能检测与预警研究.pdfVIP

贺晓，朱旭，闫若飞，吴帅，刘湃，吴江风本期专题

基于深度时序学习的数据中心热风险智能检测与预警研究MonthlyTopic

基于深度时序学习的数据中心

热风险智能检测与预警研究

ResearchonIntelligentDetectionandEarlyWarningofThermal

HazardinDataCenterBasedonDeepTime-seriesLearningModels

111211

贺晓，朱旭，闫若飞，吴帅，刘湃，吴江风（1.中讯邮电咨询设计院有限公司，北京100048；2.中国联合网络

通信集团有限公司，北京100033）

111211

HeXiao，ZhuXu，YanRuofei，WuShuai，LiuPai，WuJiangfeng（1.ChinaInformationTechnologyDesigningConsultingInsti⁃

tuteCo.，Ltd.，Beijing100048；2.ChinaUnitedNetworkCommunicationsGroupCo.，Ltd.，Beijing100033）

摘要：关键词：

数据中心内部设备产热量巨大，制冷系统运行不佳会导致热量堆积产生热风数据中心；热风险；深度学习；Bi-LSTM

险。提出了一种基于Bi-LSTM的深度学习网络的数据中心热风险管理方法，doi：10.12045/j.issn.1007-3043.2024.10.002

通过对机房计算节点的温度场数据进行预处理和热风险标识，使用历史数据对文章编号：1007-3043（2024）10-0007-07

数据中心机房计算节点热风险进行预警。针对机房内复杂的热环境，使用统计中图分类号：TU248.7

学方法从时空2个维度判定热风险标签，用于网络的训练，并将所得模型与传文献标识码：A

统机器学习模型进行对比，所提方法对热风险的预测精度可达99.07%，比传统开放科学（资源服务）标识码（OSID）：

机器学习模型的预测精度提升6.6%，可实现可靠的热风险预警管理。

Abstract：

Theequipmentsindatacentergenerateenormousheat.Weakcoolingsystemmaycausethermalaccumulation，leadingto

thermalhazardindatacenter.ItproposesathermalriskmanagementmethodindatacenterbasedonBi-LSTMdeeplearning

network.Bypreprocessingthetemperaturefielddataofthecomputingnodesinthedatacenterandidentifyingthethermal

risks，historicaldataisusedtowarnthethermalrisksofthecomputingnodesinthedatacenter.Aimingatthecomplex

thermalenvironmentinthecomputerroom，statisticalspatial-temporalanalysisisemployedtodeterminethermalrisklabels

fromtwodimensionsoftimeandspacefornetworktraining.TheproposedmethodiscomparedtothetraditionalSVMmodel，

andtheresultsshowthattheproposedmethodprovidesthermalhazardpredictionof99.07%accuracy，with6.6%

improvementcomparedtoSVM，whichpresentsreliablepredictio