一种智慧城市数据中心的设备布置方法与流程

1.本发明涉及人工智能技术领域，具体地说，涉及一种智慧城市数据中心的设备布置方法。


背景技术：

2.随着计算机与网络技术的发展，服务器、网络通信设备等it设备正在向着小型化、网络化、机架化的方向发展，智慧城市的数据中心机房内需要放置很多数据存储机柜、散热装置等各种设备，是综合布线和信息化网络设备的核心，也是信息网络系统的数据汇聚中心，其特点是设备24h不间断运行，电源和空调不允许中断，对机房的洁净度、温湿度要求较高。
3.而长期以来，数据存储机柜被看作it应用中容纳服务器的低值、附属产品，并不为人重视。但是，低价值的数据存储机柜却是昂贵的it设备最直接的物理保护，重视it设备本身却忽视其所处的it微环境的做法，例如，热量管理、线缆管理、机柜电源分配、兼容性及其他先进性能，机柜布置不合理会导致数据中心的数据存储机柜故障率高，性能降低，资源浪费等，只有合理的规划设备布局，才能充分发挥各子系统的功能，便于今后的扩充，方便运维人员的管理，节省投资。


技术实现要素：

4.为解决以上问题，本发明提供一种智慧城市数据中心的设备布置方法，其包括以下步骤：步骤s1，将机房设备的平面模型抽象成俯视状态下的抽象多边形，录入模板库；步骤s2，获得数据中心的各房间的边界的位置信息；步骤s3，使用深度视觉方法根据空间的特征来识别房间名称；步骤s4，使用多重遗传算法进行机房设备布置，所述多重遗传算法包括采用遗传算法获得整个数据存储设备每个房间的机房设备分配的多个第一基因编码串，以及对于每个房间的多个所述第一基因编码串分别采用遗传算法获得各机房设备布局的第二基因编码串，具体包括：步骤s51，使用机房设备的抽象多边形的中心在房间内的横坐标x、纵坐标y、机房设备在水平面内的旋转角度α作为一个机房设备的第二基因编码，将所有的机房设备的位置分别形成第二基因编码，连接成每个房间的机房设备布局的第二基因编码串；步骤s52，设计各房间的机房设备布局规则函数，机房设备布局规则函数包括每种机房设备之间的功能依赖性、方位约束、规范约束；步骤s53，设计新颖性函数，所述新颖性函数是指对于越新颖的布局方式，赋予越高的分值；步骤s54，将机房设备布局规则函数和新颖性函数结合相应的权重组合成适应性函数如下：
5.f(g)＝e1*g
11
+e1*g
12
+
…
e
h
*g
ih
+e
n
*g
n
+e*f
6.其中，f(g)是适应性函数；
7.g
ih
是第i个机房设备布局规则函数的第h个指标，e
h
是g
ih
对应的权值；
8.n表示所有机房设备布局规则函数的指标的总数；
9.f是新颖性函数；e是f对应的权值，
10.步骤s55，对应每个房间的第二基因编码串判断是否达到适应度阈值；步骤s56，对于没有达到适应度阈值的房间，进行组合交叉和变异，将新的第二基因编码串再次执行步骤s54、步骤s55迭代循环，直至达到适应度阈值。
11.此外，优选地，还包括：步骤s6，将生成的机房设备布局的第一基因编码串解码成机房设备的抽象多边形，并查询模型库，将第二基因编码串解码成机房设备的布局的位置参数，从而将机房设备的平面模型绘制到机房平面图内。
12.此外，优选地，设计新颖性函数的步骤包括：通过识别已有的室内布局图，将其中的机房设备以及机房设备的方位提取出来，形成包含多种机房设备布局v1，v2
…
，vn的对比基因库，其中，v1，v2
…
，vn分别为第二基因编码串；将对比基因库的第二基因编码串v1，v2
…
，vn和待比较的新布局的第二基因编码串b分别采用余弦相似度算法来计算相似度，并将相似度低于相似度阈值的认定为具有一定的新颖性；对于低于相似度阈值的，用范数表示第二基因编码串vn和第二基因编码串b的差异度，获得b与v1，v2
…
，vn的差异度的总和，差异度的总和越高，则新颖性越高。
13.本发明采用多重遗传算法，针对整个数据中心利用遗传算法生成多个机房设备分配方案，对每个机房设备分配方案再利用遗传算法分别按照各房间进行遗传算法计算，得到各个房间的布局方案，能够快速批量生成符合布局规则函数判断、新颖性判断、先验知识的机房设备布局方案。
附图说明
14.通过结合下面附图对其实施例进行描述，本发明的上述特征和技术优点将会变得更加清楚和容易理解。
15.图1是表示本发明实施例的智慧城市数据中心的设备布置方法的流程图；
16.图2是表示本发明实施例的数据中心机柜排布的示意图。
具体实施方式
17.下面将参考附图来描述本发明的实施例。本领域的普通技术人员可以认识到，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式或其组合对所描述的实施例进行修正。因此，附图和描述在本质上是说明性的，而不是用于限制权利要求的保护范围。此外，在本说明书中，附图未按比例画出，并且相同的附图标记表示相同的部分。
18.图1是表示本发明涉及的智慧城市数据中心的设备布置方法的流程图。下面参考图1来说明本发明的实施例。
19.本实施例的智慧城市数据中心的设备布置方法包括以下步骤：
20.步骤s1，将一些常用机房设备的平面模型(俯视的情况下)抽象成对应的抽象多边形，录入模板库。例如，正方体设备俯视的平面模型是正方形，长方体设备的平面模型是长方形。当然本实施例不排除还可能是更复杂的其他抽象多边形的形式。
21.步骤s2，获得数据中心机房的边界信息。数据中心可以是一个整个的房间，也可能是多个连通的房间。在此可以使用二值化的方法将机房平面图转换为灰度图，再用泛洪法将每个房间的边界提取出来。
22.其中，二值化是通过设定灰度值阈值，并将机房平面图的各点的像素值与灰度值
阈值比较，大于等于灰度值阈值的像素点像素值设为255，小于灰度值阈值的像素点像素值设为0，从而将机房平面图转换为灰度图。灰度值阈值可以是选0至255的中位值。
23.其中，泛洪法获取灰度图中的各个连通域(即各个房间的区域)，通过标记把这些区域分别提取出来。计算连通域就是检查各像素与其相邻像素的连通性。可以从左至右扫描一行，然后向下换行继续从左至右扫描，每扫描到一个像素，都检查像素位置的上、下、左、右的紧邻像素值，也可以是检查上、下、左、右、左上、右上、左下、右下的紧邻的像素值。
24.下面以上、下、左、右检查为例说明一下具体步骤：
25.假设当前位置的像素值为255，检查它左边和上边的两个邻接像素(这两个像素一定会在当前像素之前被扫描到)。这两个像素值和标记的组合有以下四种情况：
26.1)左边和上边的像素值都为0，则给当前位置的像素一个新的标记(表示一个新的连通域的开始)；
27.2)左边和上边只有一个像素值为255，则当前位置的像素与像素值为255的像素的标记相同；
28.3)左边和上边的像素值都为255且标记相同，则当前位置的像素的标记与左边和上边的像素的标记相同；
29.4)左边和上边的像素值为255且标记不同，则将其中的较小的标记赋给当前位置的像素，然后从右至左回溯到区域的开始像素为止，每次回溯再分别执行上述4个步骤。
30.通过以上4个步骤就可以从灰度图中提取出各房间的区域。
31.步骤s3，使用深度视觉方法根据空间的特征(如：地板、烟道、方位、面积等)来自动识别空间名，并结合一些先验知识编写规则函数进行修正。例如，深度视觉方法采用神经网络模型来提取房间的特征，然后进行分类识别，从而确定命名。具体包括以下步骤：
32.步骤s31，建立训练集和测试集，训练集中包含训练图片以及其对应的真实标签，各训练图片是一些房间的俯视图，各房间的特征包括例如电源接口的位置、窗户朝向、房间大小等。测试集中包含测试图像，要通过训练训练集中的图片来对测试集中的图片进行预测。
33.步骤s32，构建深度神经网络，深度神经网络包含一个输入层、三个隐藏层和一个输出层。层与层之间为全连接，且每一层的输出和输入之间存在一个线性关系，对于深度神经网络的第r层的第j个神经元表示为：
[0034][0035]
其中r-1层包含m个神经元；
[0036]
表示第r-1层第k个神经元到的权重；
[0037]
表示到的偏移；
[0038]
σ(
·
)为激活函数；
[0039]
w是线性关系系数；
[0040]
b是偏倚；
[0041]
输出层采用softmax分类器，输出概率值最大的神经元的索引作为神经网络对房
间图片的预测结果。
[0042]
步骤s4，使用多重遗传算法进行机房设备布置，所述多重遗传算法包括获得整个数据中心机房的机房设备分配的遗传算法，以及对于各个房间的机房设备布局的遗传算法，具体地，包括以下子步骤：
[0043]
步骤s41，将每个机房设备(包括种类、外形和尺寸的不同)分别形成第一基因编码，从而建立机房设备与基因之间的映射关系。
[0044]
步骤s42，随机初始化一个种群，所述种群中包含了多个机房设备分配的方案，每个方案就是将不同的机房设备分配到整个数据中心机房的各个房间中(但此时还未进行机房设备布局)，每个方案对应由第一基因编码组成的第一基因编码串，每个第一基因编码串可以称为遗传算法中的种群中的一个基因个体。
[0045]
步骤s43，用第一适应性函数对每一个基因个体作一次适应度评估，第一适应性函数包含对于整套房间的一些先验知识，例如，数据中心通常包括用于存放机柜的主机房、基本工作间(包括办公室、更衣室等)、第一类辅助房间(包括维修室、仪器室、备件间、存储介质存放间、资料室)、第二类辅助房间(包括低压配电、ups电源室、蓄电池室、精密空调系统用房、气体灭火器材间等)、第三类辅助房间(包括储藏室、一般休息室、洗手间等)组成的。
[0046]
根据各设备与各房间的匹配性，例如主机房通常有机柜、空调,ups,配电柜,火灾自动报警设备等，维修室通常有相应的维修设备，休息室室通常有床。将以上先验知识形成判断条件，组成第一适应性函数，通过第一适应性函数的评分，将低于适应度阈值的机柜分配方案排除。还可以根据自己的偏好作为先验知识来设置第一适应性函数，以使得其排布更符合自己的意愿。
[0047]
步骤s44，对于没有达到分值的方案，进行组合交叉和变异，其中组合交叉是指将一个布局中的一个或多个基因与另一个布局中的对应位置的基因进行交换，从而得到新的整体的第一基因编码串。所述变异是指将基因编码串以变异概率、随机指定的某一位或某几位基因做变异运算，从而形成新的整体的基因编码串。对应二进制编码串，就是随机指定的某一位或某几位做“1”和“0”的转换。例如二进制编码01_11_01_10_10_11经过基因突变后，可能变成新的编码串00_11_01_01_10_11，将新的第一基因编码串再次执行s43、s44迭代循环，从而逐步提高适应性函数的分值，直至达到适应度阈值；
[0048]
步骤s45，产生多个符合适应度阈值的机房设备分配方案。
[0049]
然后，在步骤s5，对应每个机房设备分配方案中的任一个，再次采用并行计算对每个房间使用遗传算法来演化，确定机房设备的布局。具体对应每一个房间，包括以下子步骤：
[0050]
步骤s51，设计遗传算法的基因编码，使用机房设备的抽象多边形的中心在房间内的横坐标x、纵坐标y、机房设备在水平面内的旋转角度α作为一个机房设备的第二基因编码，横坐标x、纵坐标y、旋转角度α可以是采用二进制编码形成。将所有的机房设备的位置分别形成第二基因编码，按照顺序排成一列，如：x1_y1_α1_x2_y2_α2_..._xn_yn_αn，形成一个整体机房设备布局的第二基因编码串。其中，横坐标x、纵坐标y、旋转角度α的初始值可以是人为设定，例如设置x、y的初始值使得抽象多边形与房间的边界达到一个设定距离，设置α的初始值为0。
[0051]
对于每一个房间，随机生成多条第二基因编码串作为初始种群，第二基因编码串
表示为：
[0052][0053]
其中，向量k
m
表示该房间的第m条第二基因编码串，表示种群中第m条第二基因编码串的第j个机房设备的第二基因编码，n表示一个房间内机房设备的总数。例如，一条第二基因编码串，可以是结合了坐标及角度信息的依次排列的24u(1200mm*600mm*600mm)、32u(1600mm*600mm*600mm)、42u(2000mm*600mm*600mm)
……
的机柜。
[0054]
步骤s52，设计各空间的机房设备布局规则函数，机房设备布局规则函数包括每种机房设备之间的功能依赖性、方位约束、基本的规范约束，越符合规范约束的赋予越高的分值。例如机房设备布置应与电源位置相适应，以便于强、弱电缆的敷设；例如相同品牌的机房设备倾向于布置在同一区域，便于维护操作；例如机房设备采用"背靠背、面对面"摆放，使冷热空气有效分开，例如两列机房设备之间的过道净宽d不应小于1.2m。
[0055]
其中，对于距离方面的规则函数，可以设置距离阈值，例如通过机柜100的位置坐标计算两列机柜之间的过道的宽度，若是低于设定的距离阈值，则判定不符合该条规范约束。或者对于机房设备与墙面的距离，也是可以通过设定的距离阈值来判断是否符合该条规范约束。如果超出了距离阈值，则判定不符合该条规范约束，从而剔除一种布局方案。
[0056]
对于方位约束，以机柜应背靠背、面对面为例来说明。首先验证机柜的旋转角度α是否一致，如果不一致，则直接剔除该种布局方案。若一致，则进一步判断机柜和机柜之间是否满足背靠背、面对面的特征。
[0057]
可以在机柜的第二基因编码中增设几位来表示其正面以及背面的位置坐标，并以临近的两个机柜的正面的位置坐标来判断是否符合先验知识。例如，对于一个第二基因编码串x1_y1_α1_a_x2_y2_b_x3_y3_x4_y4_α4_a_x5_y5_b_x6_y6，其中，第二基因编码x1_y1_α1_a_x2_y2_b_x3_y3表示第一机柜，x1_y1_α1是第一机柜的中心的坐标和旋转角度，a_x2_y2表示第一机柜正面中心的坐标，b_x3_y3表示第一机柜背面中心的坐标。
[0058]
x4_y4_α4_a_x5_y5_b_x6_y6表示第二机柜，同样的，x4_y4_α4表示第二机柜的中心坐标和旋转角度。a_x5_y5表示第二机柜正面中心的坐标，b_x6_y6表示第二机柜背面中心的坐标。
[0059]
通过以下公式来判断两个第二机柜是否为背面相对：
[0060]
z1＝q1+q2+p1
[0061]
其中，p1是两个机柜背面之间的距离，
[0062]
z1是两个机柜正面之间的距离；
[0063]
q1是一个机柜的正面与背面之间的宽度；
[0064]
q2是另一个机柜的正面与背面之间的宽度。
[0065]
步骤s53，设计新颖性函数，所述新颖性函数是指对于越新颖的布局方式，赋予越高的分值。判断新颖性的方法是通过对比生成的布局与现存的、已有的布局之间的相似度，来计算其新颖度，与现有布局相似度越高的新颖度越低，具体操作如下：
[0066]
步骤s531，通过识别已有的室内布局图，将其中的机房设备以及机房设备的方位提取出来，通过与上述步骤s51相同的第二基因编码的形式，形成一个包含多种机房设备布局v1，v2
…
，vn的对比基因库，其中，v1，v2
…
，vn分别为第二基因编码串；
[0067]
步骤s532，当计算一个布局的新颖性时，将对比基因库的第二基因编码串v1，v2
…
，vn和待比较的新布局的第二基因编码串b分别归一化；
[0068]
步骤s533，计算方位差向量δ＝v1-b，用范数||δ||表示第二基因编码串v1和第二基因编码串b的差异度，同样地，计算v2直至an的第二基因编码串分别与新布局的第二基因编码串b的差异度，获得b与v1，v2
…
，vn的差异度的总和，差异度的总和越高，说明新颖性越高，则赋予的分值越高。
[0069]
在步骤s54，将以上一系列的机房设备布局规则函数和新颖性函数结合相应的权重组合成遗传算法中的适应性函数。
[0070]
f(g)＝e1*g
11
+e1*g
12
+
…
e
h
*g
ih
+e
n
*g
n
+e*f
[0071]
其中，f(g)是适应性函数；
[0072]
g
ih
是第i个机房设备布局规则函数的第h个指标，e
h
是g
ih
对应的权值；
[0073]
n表示所有机房设备布局规则函数的指标的总数；
[0074]
f是新颖性函数；e是f对应的权值，
[0075]
由此，对于一项机房设备布局，将其第二基因编码串输入到适应性函数中，就可以得到一个分值。对应每个房间，在该房间的不同布局都会得到一个分值，也就是适应性分值。
[0076]
在步骤s55，对应每个房间，判断是否达到适应度阈值，如果各房间都达到适应度阈值，将各房间的演化结果合并，就形成最优的机房设备布局，并执行步骤s6。如果有房间的适应度未达到适应度阈值，则执行以下步骤s56。
[0077]
在步骤s56，对于没有达到适应度阈值的房间，进行组合交叉和变异，将新的第二基因编码串再次执行步骤s54、步骤s55迭代循环，从而逐步提高适应性函数的分值，直至达到适应度阈值；
[0078]
在步骤s6，将生成的每个演化实例的最优的机房设备布局的第一基因编码串解码成具体机房设备的抽象多边形，并查询模型库，将第二基因编码串解码成机房设备的布局的位置参数，选择相应的平面模型绘制到机房平面图内，生成一系列相应的输出文件。
[0079]
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。