#зоопарк_одобряет #дорогая_редакция

Как поймать незаметные сбои в системах охлаждения дата-центров с помощью графовых нейросетей

Прогрессирующие аномалии в системах охлаждения дата-центров (например, медленные утечки хладагента или загрязнение теплообменников) - настоящая головная боль для индустрии. Они проявляются как долговременные дрейфы показателей, которые сложно отличить от нормальных рабочих колебаний. Если их не заметить вовремя, это ведет к росту энергопотребления, ускоренному износу оборудования, остановкам и дорогостоящим внеплановым простоям.

Коллектив сотрудников УНЦ ИИ УрФУ @urfu_ru и лаборатории Лямбда ФКН ВШЭ @hse_official предложил промышленное решение для непрерывного мониторинга такой инфраструктуры на основе пространственно-временных графовых нейронных сетей. Метод использует Graph Deviation Network для прогнозирования тепловых и операционных показателей с датчиков, а аномалии детектируются через системный анализ ошибок этого прогнозирования.

Результаты на реальном промышленном стенде показывают, что внедрение физической топологии в граф существенно улучшает метрики и сокращает время обнаружения аномалий по сравнению с базовыми подходами. При этом все метрики проверялись в жестких и реалистичных условиях: частота ложных срабатываний на нормальных данных строго ограничена уровнем не более 1%.

Статья вышла в журнале IEEE Transactions on Industry Applications (IF 5.2)