CN103856348A - 服务器的配置方法和装置 - Google Patents
服务器的配置方法和装置 Download PDFInfo
- Publication number
- CN103856348A CN103856348A CN201210520886.3A CN201210520886A CN103856348A CN 103856348 A CN103856348 A CN 103856348A CN 201210520886 A CN201210520886 A CN 201210520886A CN 103856348 A CN103856348 A CN 103856348A
- Authority
- CN
- China
- Prior art keywords
- operation duration
- server
- under
- probability
- delaying
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Computer And Data Communications (AREA)
Abstract
本申请公开了一种服务器的配置方法和装置,其中,该方法包括:获取运行时长维度参数和实际时间维度参数,其中,上述运行时长维度参数用于指示不同运行时长下服务器的宕机概率,上述实际时间维度参数用于指示不同实际时间下上述服务器的宕机概率;根据上述运行时长维度参数和实际时间维度参数计算上述服务器在预定时间点上的宕机概率;根据上述服务器在预定时间点上的宕机概率对上述服务器进行配置。本申请解决了现有技术中仅通过实际维度参数所指示的宕机概率对服务器进行配置而导致的对服务器的配置不合理的技术问题,达到了有效区分周期性规律和突发情况以提高对服务器进行配置的合理性的技术效果。
Description
技术领域
本申请涉及互联网领域,具体而言,涉及一种服务器的配置方法和装置。
背景技术
计算中心的服务器数量的动态配置一直是行业中的一大难题。动态配置的主要依据是对整个中心的服务器宕机概率进行预测的预测结果。然而,现实中服务器的运行总是伴随着一些有规律的周期性波动(例如:早上或者晚上会存在不同的使用高峰期和使用低谷期,或者节假日会经常出现网络使用高峰期)以及一些不规律的由外在因素造成的波动(例如:自然灾害、停电、以及人为的临时大促销活动等等)。当这些有规律的周期性波动和不规律的临时性波动重叠时,会使得正常的服务器整体宕机的概率预测出现比较大的偏差,从而导致很难从根本上区分在同个时间点发生的突然的高频率宕机事件是由于正常波动引起的还是由外来事件引起的。上述情况的发生,使得在对整条历史宕机概率曲线进行观察和预测时,无法很好地在数量上确定这两种因素各自的所产生的效应。
对于有规律的周期性分解,目前业界比较通行的做法主要包括以下步骤:
S1:估计趋势;
S2:消除序列中的趋势;
S3:估计周期因素;
然后,重复执行上述步骤S1至S3,最终估计出趋势因素和不规则因素。
参考图1,在理想状况下(即,没有外生突发因素的干扰的情况下),实线为实际服务器中心的宕机发生率。根据传统方法,将实线部分不断地进行移动平均平滑后,就可以得到趋势线(虚线表示的线)。然后将实际的宕机发生率减去趋势线,就可以获得在单一指标(宕机发生率)的周期性分解。值得注意的是,图中的周期长短只是示例,事实上没有限制,可以是早上至晚上的周期,也可以是季度的季节性周期。
然而,现实的情况通常比这种情况要复杂的多,外在的不可抗因素或者人为的活动总是不定期的会在某个时间点发生。例如,可能服务器中心的空调突然失灵(图中左边的第一个虚线波动);或者,某销售旺季导致网站访问量突然猛增(比如图中右边的实线波动)。这些波动可能在整条宕机发生率曲线上面的任何一个时间点上发生(图中只是举了2个例子)。对于这些波动通过单纯的平滑操作后就很难完全消除,即使消除了,当用实际发生率减去趋势线后,这些波动也会干扰正常的周期性波动,从而改变真正的周期性规律。
仍以上述图1为例进行说明,波动部分会将整体的周期性因素拉高,因为单纯的一元数据无法区分这些波动是常规的还是临时的。
上面介绍的现有技术中的方法主要存在以下几个缺点:
1)仅基于一个维度的数据,当这条线出现较大的波动时,趋势线、周期性、以及不规则因素之间很难进行区分。尤其是当外部政策影响正好和周期性波动发生在同一时间点时,这种区别很难在数据上进行区分。
2)由于估计趋势线用的是移动平均,对于最接近现在的几个点的估计通常不如历史数据准确。比如,如果采用6个月移动平均的话,那么2012年1月到2012年6月的平均只能代表3、4月的数,而对于6月份的代表性就相对较差(因为理论上6月需要3-9月的平均才能代表。但是如果站在当前6月份这个点上,6月以后的数据是没有的)
针对上述仅通过实际维度参数所指示的宕机概率对服务器进行配置而导致的对服务器的配置不合理的技术问题,尚未提出有效的解决方法。
发明内容
本申请提供了一种服务器的配置方法和装置,以至少解决了现有技术中仅通过实际维度参数所指示的宕机概率对服务器进行配置而导致的对服务器的配置不合理的技术问题。
根据本申请的一个方面,提供了一种服务器的配置方法,包括:获取运行时长维度参数和实际时间维度参数,其中,运行时长维度参数用于指示不同运行时长下服务器的宕机概率,实际时间维度参数用于指示不同实际时间下服务器的宕机概率;根据运行时长维度参数和实际时间维度参数计算服务器在预定时间点上的宕机概率;根据服务器在预定时间点上的宕机概率对服务器进行配置。
优选地,根据运行时长维度参数和实际时间维度参数计算服务器在预定时间点上的宕机概率包括:根据运行时长维度参数计算得到服务器周期参数,其中,服务器周期参数用于指示服务器在预定的每个运行时长周期上去除了由突发事件所带来的不规律值之后的宕机概率;将服务器周期参数与实际时间维度参数进行叠加得到服务器在预定时间点上的宕机概率。
优选地,运行时长维度参数为不同运行时长下服务器的实际宕机概率,根据运行时长维度参数计算得到服务器周期参数包括:在每个运行时长周期内将不同运行时长下服务器的实际宕机概率进行平滑拟合,以得到服务器在不同运行时长下的拟合宕机概率,其中,每个周期内的运行时长的取值范围相同;将实际宕机概率减去拟合宕机概率得到不同运行时长中每个运行时长下的差分值;根据不同运行时长中每个运行时长下的差分值判断不同运行时长中的每个运行时长下是否存在由突发事件所带来的不规律值;对于不同运行时长中的第一运行时长,将每个运行时长周期内第一运行时长下服务器的实际宕机概率的平均值减去第一运行时长下由突发事件所带来的不规律值,以得到服务器周期参数,其中,第一运行时长下存在由突发事件所带来的不规律值;对于不同运行时长中的第二运行时长,将每个运行时长周期内第二运行时长下服务器的实际宕机概率的平均值作为服务器周期参数,其中,第二运行时长下不存在由突发事件所带来的不规律值。
优选地,在每个运行时长周期内将不同运行时长下服务器的实际宕机概率进行平滑拟合包括:在每个运行时长周期内将不同运行时长下服务器的实际宕机概率进行线性拟合;或者在每个运行时长周期内将不同运行时长下服务器的实际宕机概率进行非线性拟合。
优选地,根据不同运行时长中每个运行时长下的差分值判断不同运行时长中的每个运行时长下是否存在由突发事件所带来的不规律值包括:对于不同运行时长中的每个运行时长执行以下步骤,其中,当前执行的运行时长为第三运行时长:判断是否连续预定个周期内的第三运行时长下的差分值的绝对值超过预定阈值;若是连续预定个周期内的第三运行时长下的差分值的绝对值超过预定阈值,则判断出第三运行时长下存在由突发事件所带来的不规律值,并将连续预定个周期内的第三运行时长下的差分值进行平均,以作为第三运行时长下存在由突发事件所带来的不规律值;否则,则判断出第三运行时长下不存在由突发事件所带来的不规律值。
优选地,根据不同运行时长中每个运行时长下的差分值判断不同运行时长中的每个运行时长下是否存在由突发事件所带来的不规律值包括:对于不同运行时长中的每个运行时长执行以下步骤,其中,当前执行的运行时长为第四运行时长:统计符合预定条件的周期的个数,其中,预定条件为第四运行时长下的差分值的绝对值超过预定阈值;判断符合预定条件的周期的个数是否超过预定个数;若是符合预定条件的周期的个数超过预定个数,则判断出第四运行时长下存在由突发事件所带来的不规律值,并将符合预定条件的周期内第四运行时长下的差分值进行平均,以作为第四运行时长下存在由突发事件所带来的不规律值;否则,则判断出第四运行时长下不存在由突发事件所带来的不规律值。
根据本申请的另一方面,提供了一种服务器的配置装置,包括:获取单元,用于获取运行时长维度参数和实际时间维度参数,其中,运行时长维度参数用于指示不同运行时长下服务器的宕机概率,实际时间维度参数用于指示不同实际时间下服务器的宕机概率;计算单元,用于根据运行时长维度参数和实际时间维度参数计算服务器在预定时间点上的宕机概率;配置单元,用于根据服务器在预定时间点上的宕机概率对服务器进行配置。
优选地,计算单元包括:计算模块,用于根据运行时长维度参数计算得到服务器周期参数,其中,服务器周期参数用于指示服务器在预定的每个运行时长周期上去除了由突发事件所带来的不规律值之后的宕机概率;叠加模块,用将服务器周期参数与实际时间维度参数进行叠加得到服务器在预定时间点上的宕机概率。
优选地,计算模块包括:拟合子模块,用于在运行时长维度参数为不同运行时长下服务器的实际宕机概率的情况下,在每个运行时长周期内将不同运行时长下服务器的实际宕机概率进行平滑拟合,以得到服务器在不同运行时长下的拟合宕机概率,其中,每个周期内的运行时长的取值范围相同;第一计算子模块,用于将实际宕机概率减去拟合宕机概率得到不同运行时长中每个运行时长下的差分值;判断子模块,用于根据不同运行时长中每个运行时长下的差分值判断不同运行时长中的每个运行时长下是否存在由突发事件所带来的不规律值;第二计算子模块,用于对于不同运行时长中的第一运行时长,将每个运行时长周期内第一运行时长下服务器的实际宕机概率的平均值减去第一运行时长下由突发事件所带来的不规律值,以得到服务器周期参数,其中,第一运行时长下存在由突发事件所带来的不规律值;第三计算子模块,用于对于不同运行时长中的第二运行时长,将每个运行时长周期内第二运行时长下服务器的实际宕机概率的平均值作为服务器周期参数,其中,第二运行时长下不存在由突发事件所带来的不规律值。
优选地,判断子模块还用于对不同运行时长中的每个运行时长执行以下步骤,其中,当前执行的运行时长为第三运行时长:判断是否连续预定个周期内的第三运行时长下的差分值的绝对值超过预定阈值;若是连续预定个周期内的第三运行时长下的差分值的绝对值超过预定阈值,则判断出第三运行时长下存在由突发事件所带来的不规律值,并将连续预定个周期内的第三运行时长下的差分值进行平均,以作为第三运行时长下存在由突发事件所带来的不规律值;否则,则判断出第三运行时长下不存在由突发事件所带来的不规律值。
在本申请中,同时获取运行时长维度参数和实际时间维度参数,从而通过两个方面来标识服务器的宕机概率,然后根据这两个参数计算得到服务器在预定时间点上的宕机概率,进而根据获取的结果对服务器进行配置,通过这种方式有效解决了现有技术中仅通过实际维度参数所指示的宕机概率对服务器进行配置而导致的对服务器的配置不合理的技术问题,达到了有效区分周期性规律和突发情况以提高对服务器进行配置的合理性的技术效果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是相关技术中服务器的实际宕机概率和平滑后得到的趋势线的示意图;
图2是根据本申请实施例的服务器的配置系统的一种优选结构示意图;
图3是根据本申请实施例的服务器的配置装置的一种优选结构示意图;
图4是根据本申请实施例的服务器的配置装置的另一种优选结构示意图;
图5是根据本申请实施例的服务器的配置装置的又一种优选结构示意图;
图6是根据本申请实施例的服务器的配置方法的一种优选流程图;
图7是根据本申请实施例的计算服务器在预定时间点上的宕机概率的一种优选流程图;
图8是根据本申请实施例的服务器组在整个生命周期中的宕机概率的曲线示意图;
图9是根据本申请实施例的按日期排列的不同运行年限的服务器组宕机概率的曲线示意图;
图10是根据本申请实施例的按运行时长排列的服务器组宕机概率的曲线示意图;
图11是根据本申请实按运行时长排列服务器组宕机概率的曲线示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
在描述本申请的各实施例的进一步细节之前,将参考图2来描述可用于实现本申请的原理的一个合适的计算体系结构。在以下描述中,除非另外指明,否则将参考由一个或多个计算机执行的动作和操作的符号表示来描述本申请的各实施例。由此,可以理解,有时被称为计算机执行的这类动作和操作包括计算机的处理单元对以结构化形式表示数据的电信号的操纵。这一操纵转换了数据或在计算机的存储器系统中的位置上维护它,这以本领域的技术人员都理解的方式重配置或改变了计算机的操作。维护数据的数据结构是具有数据的格式所定义的特定属性的存储器的物理位置。然而,尽管在上述上下文中描述本申请,但它并不意味着限制性的,如本领域的技术人员所理解的,后文所描述的动作和操作的各方面也可用硬件来实现。
转向附图,其中相同的参考标号指代相同的元素,本申请的原理被示为在一个合适的计算环境中实现。以下描述基于所述的本申请的实施例,并且不应认为是关于此处未明确描述的替换实施例而限制本申请。
图2示出了可用于这些设备的一个示例计算机体系结构的示意图。出于描述的目的,所绘的体系结构仅为合适环境的一个示例,并非对本申请的使用范围或功能提出任何局限。也不应将该计算系统解释为对图2所示的任一组件或其组合具有任何依赖或需求。
本申请的原理可以使用其它通用或专用计算或通信环境或配置来操作。适用于本申请的众所周知的计算系统、环境和配置的示例包括但不限于,个人计算机、服务器,多处理器系统、基于微处理的系统、小型机、大型计算机、以及包括任一上述系统或设备的分布式计算环境。
在其最基本的配置中,图2中的服务器的配置系统200至少包括:一个网站的服务器202以及一个或多个客户端204。服务器202可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置、用于存储数据的存储装置以及与客户端通信的传输装置;客户端204可以包括:微处理器MCU、与服务器通信的传输装置、与用户交互的显示装置。在本说明书和权利要求书中,“系统”也可以被定义为能够执行软件、固件或微码来实现功能的任何硬件组件或硬件组件的组合服务器的配置系统200甚至可以是分布式的,以实现分布式功能。
如本申请所使用的,术语“模块”、“组件”或“单元”可以指在服务器的配置系统200上执行的软件对象或例程。此处所描述的不同组件、模块、单元、引擎和服务可被实现为在服务器的配置系统200上执行(例如,作为单独的线程)的对象或进程。尽管此处所描述的系统和方法较佳地以软件来实现,但是硬件或软件和硬件的组合的实现也是可能并被构想的。
实施例1
图3是根据本申请实施例服务器的配置装置的一种优选的结构示意图,优选的,本实施例中的装置位于服务器202上或者客户端204上。
优选的,如图3所示的服务器的配置装置可以包括获取单元302、计算单元304以及配置单元306:
1)获取单元302,用于获取运行时长维度参数和实际时间维度参数,其中,所述运行时长维度参数用于指示不同运行时长下服务器的宕机概率,所述实际时间维度参数用于指示不同实际时间下所述服务器的宕机概率。优选地,上述的时长维度参数和实际实线维度参数等可以是由第三方服务器根据每个服务器的运行状态进行统计和汇总后得到的。
2)计算单元304,与获取单元302耦合,用于根据所述运行时长维度参数和实际时间维度参数计算所述服务器在预定时间点上的宕机概率;即,增加了一个运行时长维度参数,并利用该运行时长维度参数来重新确定宕机概率,从而可以有效确定突发事件对宕机概率的影响。
3)配置单元306,与计算单元304耦合,用于根据所述服务器在预定时间点上的宕机概率对所述服务器进行配置。优选地,所谓对服务器进行配置主要是在预计服务器宕机发生概率高的时间段增加备用服务器数量,而在低发的时间段可以相应的减少服务器备份数量,从而在效率上更好的实时配置实际需要运行的服务器数量。
在上述优选实施方式,同时获取运行时长维度参数和实际时间维度参数,从而通过两个方面来标识服务器的宕机概率,然后根据这两个参数计算得到服务器在预定时间点上的宕机概率,进而根据获取的结果对服务器进行配置,通过这种方式有效解决了现有技术中仅通过实际维度参数所指示的宕机概率对服务器进行配置而导致的对服务器的配置不合理的技术问题,达到了有效区分周期性规律和突发情况以提高对服务器进行配置的合理性的技术效果。
下面将结合几种优选的实施方式对上述计算单元304所执行的步骤进行具体的描述。
在生成预定时间点上的宕机概率的过程中,可以先由运行时长维度上的宕机概率参数计算服务器的周期宕机参数,然后将实际时间维度参数和服务器周期宕机参数进行叠加最终得到预定时间点上的宕机概率,从而实现对服务器宕机概率的一个有效预测。在一个优选实施方式中,如图4所示,计算单元304包括:计算模块402,用于根据所述运行时长维度参数计算得到服务器周期参数,其中,所述服务器周期参数用于指示所述服务器在预定的每个运行时长周期上去除了由突发事件所带来的不规律值之后的宕机概率;叠加模块404,与计算模块402耦合,用将所述服务器周期参数与实际时间维度参数进行叠加得到所述服务器在预定时间点上的宕机概率。
在上述运行时长维度参数是不同运行时长下服务器的实际宕机概率的情况下,在一个优选实施方式中,如图5所示,上述计算模块包括:拟合子模块502,用于在所述运行时长维度参数为所述不同运行时长下服务器的实际宕机概率的情况下,在所述每个运行时长周期内将所述不同运行时长下服务器的实际宕机概率进行平滑拟合,以得到所述服务器在所述不同运行时长下的拟合宕机概率,其中,所述每个周期内的运行时长的取值范围相同;第一计算子模块504,用于将所述实际宕机概率减去所述拟合宕机概率得到所述不同运行时长中每个运行时长下的差分值;判断子模块506,用于根据所述不同运行时长中每个运行时长下的所述差分值判断所述不同运行时长中的每个运行时长下是否存在由突发事件所带来的不规律值;第二计算子模块508,用于对于所述不同运行时长中的第一运行时长,将所述每个运行时长周期内所述第一运行时长下服务器的实际宕机概率的平均值减去所述第一运行时长下由突发事件所带来的不规律值,以得到所述服务器周期参数,其中,所述第一运行时长下存在由突发事件所带来的不规律值;第三计算子模块510,用于对于所述不同运行时长中的第二运行时长,将所述每个运行时长周期内所述第二运行时长下服务器的实际宕机概率的平均值作为所述服务器周期参数,其中,所述第二运行时长下不存在由突发事件所带来的不规律值。
在上述根据所述运行时长维度参数和实际时间维度参数计算所述服务器在预定时间点上的宕机概率的过程中的核心思想就是,先拟合得到在不同运行时长下服务器的宕机概率,然后,根据拟合得到的这样一个概率来计算实际宕机概率和该拟合概率之间的一个差分值,从而确定是否在这样一个运行时长内存在突发事件,如果有,就减去这样的一个突发事件带来的不规律值,如果没有就直接将拟合的概率作为最终的服务器周期参数。
优选地,上述拟合的方式可以采用线性拟合也可以采用非线性拟合,本申请在此不做限定,可以根据需要以及拟合的效果决定最终的拟合方式。在一个优选实施方式中,在所述每个运行时长周期内将所述不同运行时长下服务器的实际宕机概率进行平滑拟合可以包括:在每个运行时长周期内将不同运行时长下服务器的实际宕机概率进行线性拟合;或者在每个运行时长周期内将不同运行时长下服务器的实际宕机概率进行非线性拟合。
根据拟合概率曲线和实际的宕机概率曲线来确定是否存在有突发事件所带来的不规律的过程可以是预先设定一个阈值,如果差分值大于这样一个预定的阈值,则可以认为出现了突发事件所带来的不规律变化。优选地,对于这个突发事件所带来的不规律值可以是连续预定个周期内的差分值的一个平均值。通过这样一个求平均的运算可以提高该不规律值的可靠性。在一个优选实施方式中,在一个优选实施方式中,上述判断子模块还用于对不同运行时长中的每个运行时长执行以下步骤,其中,当前执行的运行时长定义为第三运行时长:
步骤S1:判断是否连续预定个周期内的所述第三运行时长下的差分值的绝对值超过预定阈值;
步骤S2:若是连续预定个周期内的所述第三运行时长下的差分值的绝对值超过预定阈值,则判断出所述第三运行时长下存在由突发事件所带来的不规律值,并将所述连续预定个周期内的所述第三运行时长下的差分值进行平均,以作为所述第三运行时长下存在由突发事件所带来的不规律值;否则,则判断出所述第三运行时长下不存在由突发事件所带来的不规律值。
或者,也可以确定超出预定阈值的周期的个数是否达到一个设定值,如果大于,则可以认为存在突发事件。在一个优选实施方式中,根据所述不同运行时长中每个运行时长下的所述差分值判断所述不同运行时长中的每个运行时长下是否存在由突发事件所带来的不规律值包括:对于不同运行时长中的每个运行时长执行以下步骤,其中,当前执行的运行时长为第四运行时长:
步骤S1:统计符合预定条件的周期的个数,其中,预定条件为第四运行时长下的差分值的绝对值超过预定阈值;
步骤S2:判断符合预定条件的周期的个数是否超过预定个数;
步骤S3:若是符合预定条件的周期的个数超过预定个数,则判断出第四运行时长下存在由突发事件所带来的不规律值,并将符合预定条件的周期内第四运行时长下的差分值进行平均,以作为第四运行时长下存在由突发事件所带来的不规律值;否则,则判断出第四运行时长下不存在由突发事件所带来的不规律值。
实施例2
在图2至图5所示的系统的基础上,本申请提供了一种优选的服务器的配置方法。如图6所示,该方法可以包括如下步骤:
步骤S602:获取运行时长维度参数和实际时间维度参数,其中,运行时长维度参数用于指示不同运行时长下服务器的宕机概率,实际时间维度参数用于指示不同实际时间下服务器的宕机概率;优选地,上述的时长维度参数和实际实线维度参数等可以是由第三方服务器根据每个服务器的运行状态进行统计和汇总后得到的。
步骤S604:根据运行时长维度参数和实际时间维度参数计算服务器在预定时间点上的宕机概率;即,增加了一个运行时长维度参数,并利用该运行时长维度参数来重新确定宕机概率,从而可以有效确定突发事件对宕机概率的影响。
步骤S606:根据服务器在预定时间点上的宕机概率对服务器进行配置。优选地,所谓对服务器进行配置主要是在预计服务器宕机发生概率高的时间段增加备用服务器数量,而在低发的时间段可以相应的减少服务器备份数量,从而在效率上更好的实时配置实际需要运行的服务器数量。
在上述优选实施方式,同时获取运行时长维度参数和实际时间维度参数,从而通过两个方面来标识服务器的宕机概率,然后根据这两个参数计算得到服务器在预定时间点上的宕机概率,进而根据获取的结果对服务器进行配置,通过这种方式有效解决了现有技术中仅通过实际维度参数所指示的宕机概率对服务器进行配置而导致的对服务器的配置不合理的技术问题,达到了有效区分周期性规律和突发情况以提高对服务器进行配置的合理性的技术效果。
下面将结合几种优选的实施方式对上述步骤S604进行具体的描述。
在生成预定时间点上的宕机概率的过程中,可以先由运行时长维度上的宕机概率参数计算服务器的周期宕机参数,然后将实际时间维度参数和服务器周期宕机参数进行叠加最终得到预定时间点上的宕机概率,从而实现对服务器宕机概率的一个有效预测。在一个优选实施方式中,根据所述运行时长维度参数和实际时间维度参数计算所述服务器在预定时间点上的宕机概率可以如图7所示,包括以下步骤:
步骤S702:根据运行时长维度参数计算得到服务器周期参数,其中,服务器周期参数用于指示服务器在预定的每个运行时长周期上去除了由突发事件所带来的不规律值之后的宕机概率;
步骤S704:将服务器周期参数与实际时间维度参数进行叠加得到服务器在预定时间点上的宕机概率。
在上述运行时长维度参数是不同运行时长下服务器的实际宕机概率的情况下,根据所述运行时长维度参数计算得到服务器周期参数可以包括:
步骤S1:在每个运行时长周期内将不同运行时长下服务器的实际宕机概率进行平滑拟合,以得到服务器在不同运行时长下的拟合宕机概率,其中,每个周期内的运行时长的取值范围相同(即,在每个周期所对应的时间长度是相同的);
步骤S2:将实际宕机概率减去拟合宕机概率得到不同运行时长中每个运行时长下的差分值;
步骤S3:根据不同运行时长中每个运行时长下的差分值判断不同运行时长中的每个运行时长下是否存在由突发事件所带来的不规律值;
步骤S4:对于不同运行时长中的第一运行时长,将每个运行时长周期内第一运行时长下服务器的实际宕机概率的平均值减去第一运行时长下由突发事件所带来的不规律值,以得到服务器周期参数,其中,第一运行时长下存在由突发事件所带来的不规律值;
步骤S5:对于不同运行时长中的第二运行时长,将每个运行时长周期内第二运行时长下服务器的实际宕机概率的平均值作为所述服务器周期参数,其中,第二运行时长下不存在由突发事件所带来的不规律值。
在上述根据所述运行时长维度参数和实际时间维度参数计算所述服务器在预定时间点上的宕机概率的过程中的核心思想就是,先拟合得到在不同运行时长下服务器的宕机概率,然后,根据拟合得到的这样一个概率来计算实际宕机概率和该拟合概率之间的一个差分值,从而确定是否在这样一个运行时长内存在突发事件,如果有,就减去这样的一个突发事件带来的不规律值,如果没有就直接将拟合的概率作为最终的服务器周期参数。
优选地,上述拟合的方式可以采用线性拟合也可以采用非线性拟合,本申请在此不做限定,可以根据需要以及拟合的效果决定最终的拟合方式。在一个优选实施方式中,在所述每个运行时长周期内将所述不同运行时长下服务器的实际宕机概率进行平滑拟合可以包括:在每个运行时长周期内将不同运行时长下服务器的实际宕机概率进行线性拟合;或者在每个运行时长周期内将不同运行时长下服务器的实际宕机概率进行非线性拟合。
根据拟合概率曲线和实际的宕机概率曲线来确定是否存在有突发事件所带来的不规律的过程可以是预先设定一个阈值,如果差分值大于这样一个预定的阈值,则可以认为出现了突发事件所带来的不规律变化。优选地,对于这个突发事件所带来的不规律值可以是连续预定个周期内的差分值的一个平均值。通过这样一个求平均的运算可以提高该不规律值的可靠性。在一个优选实施方式中,根据所述不同运行时长中每个运行时长下的所述差分值判断所述不同运行时长中的每个运行时长下是否存在由突发事件所带来的不规律值可以对不同运行时长中的每个运行时长执行以下步骤来判断的,其中,当前执行的运行时长定义为第三运行时长:
步骤S1:判断是否连续预定个周期内的第三运行时长下的差分值的绝对值超过预定阈值;
步骤S2:若是连续预定个周期内的所述第三运行时长下的差分值的绝对值超过预定阈值,则判断出第三运行时长下存在由突发事件所带来的不规律值,并将连续预定个周期内的所述第三运行时长下的差分值进行平均,以作为所述第三运行时长下存在由突发事件所带来的不规律值;否则,则判断出所述第三运行时长下不存在由突发事件所带来的不规律值。
或者,也可以确定超出预定阈值的周期的个数是否达到一个设定值,如果大于,则可以认为存在突发事件。在一个优选实施方式中,根据所述不同运行时长中每个运行时长下的所述差分值判断所述不同运行时长中的每个运行时长下是否存在由突发事件所带来的不规律值包括:对于不同运行时长中的每个运行时长执行以下步骤,其中,当前执行的运行时长为第四运行时长:
步骤S1:统计符合预定条件的周期的个数,其中,预定条件为第四运行时长下的差分值的绝对值超过预定阈值;
步骤S2:判断符合预定条件的周期的个数是否超过预定个数;
步骤S3:若是符合预定条件的周期的个数超过预定个数,则判断出第四运行时长下存在由突发事件所带来的不规律值,并将符合预定条件的周期内第四运行时长下的差分值进行平均,以作为第四运行时长下存在由突发事件所带来的不规律值;否则,则判断出第四运行时长下不存在由突发事件所带来的不规律值。
实施例3
本申请提供了一种优选的实施例来进一步对本申请进行解释,但是值得注意的是,该优选实施例只是为了更好的描述本申请,并不构成对本申请不当的限定。
组成服务器中心总体宕机概率通常是由不同采购时间、投入运行时间以及不同运行时长的服务器组共同决定的,例如:10%的服务器组已经运行了5年,15%的服务器组已经运行了4年,……,20%的服务器组已经运行了1年。以此类推,对于这些经历了不同运行时长的服务器组本身由于质量、品牌、以及配置的不同,对应的整个生命周期,通常都会经历由故障低发期,到故障稳定期,再到故障高发期。对于这样一个生命周期如果以运行时长为一个时间维度可以采用如图8所示的曲线来描述。其中,横轴为服务器组运行时长(以月份为单位),纵轴为宕机概率。由图8可知,一开始服务器为新机器时,发生宕机的概率非常低,然而运行一段时间后,机器开始老化,宕机发生概率就开始增长。对于硬件来说,这样的服务生命周期的模式本身是非常有规律和可观测的。
然而,不同的服务器组之间由于质量、品牌、以及配置之间存在着差异,因此如果把不同质量、品牌、以及配置的服务器组的宕机生命周期按照运行时长组合起来的话,就可以得出相似机群在不同月份(或年份)投入运行的各自的生命周期曲线。然后将这些不同月份(或年份)的周期曲线分别按照日期和运行时间来描述,就可以发现,不同的维度(运行时长)可以清晰的将外生因素和周期性因素从趋势线上分解出来。
以图9为例进行说明,图9中的,实线(即“——”线)、虚线1(即“....”线)、虚线2(即“·-·-”线)分别为2005年,2006年,2007年投入运行的所有服务器组。由于投入运行时间点在时间轴上是不同的,可以看到他们的宕机发生率是错开的。这是一种排列宕机发生率的方式。作为另外一种排列方式,也可以以实际运行时长作为横轴来排列,如图10所示,这样同样的3条曲线将叠在一起,因为他们基本上都会有一个从低到平稳到高的整体趋势,这种生命周期在服务器硬件的集群上是通常是非常有规律和可观测的。
很明显的可以看到,通过不同的排列方式,同样发生的一个外生随机事件(即,突发事件),即图9和图10中的虚线部分,在图9中由于重叠在一个时间点上,很难被区分开,但是在不同维度上(运行时长上)可以被明确的分离开。因为显然,同样的突发事件对于这3组机群来讲是发生在它们各自不同的运行生命周期月份上的。
具体的分解方法如下(参考表1,周期以月度为例子,其中的列A-I表述了整个分解流程):
步骤S1:(表1:列A-D):以服务器为单位,根据投入运行时间(即运行时长)和日期,对其实际发生的宕机率进行汇总,汇总后的数据将呈现为表1中列A至列D。
根据表1中的数据,通过不同维度的展现,就可以构造出图9和图10的分解曲线(曲线只是作为示意)。
表1
其中,I列中每个格子的h值可能不同的,在H列中可以按照时长排列并提炼出来的不规则部分(其最终将对应发生的实际日期点)。举例而言:如果2005年6月确定有不规则部分,则在I列中计算6月的周期值时就需要减去这部分不规则值;如果其他月份没有不规则部分就不用减,有的话,每个都要减。
步骤S2:(E列-F列),将表1的数据以图10的维度(运行时长)排列,然后将排列后的n条曲线做加权平均并做平滑处理,优选地,可使用常用的中心移动平均法进行平滑处理,例如,如表1所示:e51=(x1+y1+z1+....)/n,即,以多条曲线在该点的平均值作为该点平滑后的值。。平均并平滑后即可得到所有服务器的宕机概率的平均线(如图11所示粗实线)。将平滑的橙色线除以每条分线(细实线,虚线1和虚线2),可得到各自相对于平均线的比例差,这个比例差可以被认为是每条分线的相对好坏,其中,所谓相对好坏可以理解为:对于平均宕机概率超过平均线的服务器群则认为是质量较差的机群,相反,对于平均宕机概率低于平均线的服务器群则认为是质量较好的机群。
步骤S3:(G列),将总体平均线(F列),和每一条分线进行回归拟合。其中,拟合的方法可以使用线性拟合(或非线性拟合,拟合方法不限)。拟合后可以获得一条预测的平滑分线。
下面以线性拟合为例进行说明,记D列的X为(x1,x2,x3...)的向量作为自变量(dependentvariable),F为(f51,f52…)的向量作为解释变量(explanatory variable),线性回归后可得到基于每个F列值相对应拟合出来的Xhat值(该拟合可由SAS实现)。例如可以按照最小二乘法计算Xhat值,Xhat=F(F’F)-1F’X,其中,F’为F向量的转置矩阵;F-1表示求矩阵F的逆矩阵。
步骤S4:(列H,将x的原始值减去拟合后的大X值,获得的差分值按照运行时长排列(如图11所示),比较连续几个月的差分值和总体平均值的差别就可获得不规则因素值。以表1为例,x3-X3,y4-Y4,z5-Z5…如果呈现出连续的不同于x、y、z各自的平均差分值,例如:正负超过50%或者统计上95%的置信区间,即可判断此处为不规律值。将这些不规律的值进行平均,就可以获得该不规律(独立于有规律的周期值)的具体值。
步骤S5:列I),在获得不规律值后,再将步骤S4中的差分值d按照日期进行排序,然后计算同周期下的差分平均值,再用该差分平均值减去某特定日期的不规律值,就可以得到分离后的有规律的周期波动值。周期1=average(d51,d61,d71…),周期2=average(d52,d62,d72…)。其中,在步骤S4中所提及的不规律值简单而言,如果2005年6月在第四步中发现有不规则部分,则在I列中计算6月的周期值时就需要减去这部分不规则值;如果其他月份没有就不用减,有的话,每个都要减。
通过上述步骤S1至S5,获得的周期性值就是经过分离和净化后的真实周期值,即,这样获得的周期性值就是去除突发事件后得到的真实的周期值。通过该真实的周期值对趋势线进行处理后就可以对未来实时的服务器宕机概率有一个更准确的预测。对于趋势线的计算过程,可以采用常规的趋势线计算方法实现,在此不再赘述。最终确定的动态服务器宕机概率的预测值可以定义为:趋势线+周期值。
在本发明的上述实施例中,利用双重维度来确定宕机概率的周期性规律,从而实现周期性和外生因素(突发事件)进行有效的分解,相对于相关技术中的周期性分解增加了对数据进行排列、拟合等过程。通过上述方式有效保证了后续的周期性和外生因素被更好更准确地提炼出来,当这些因素被完全提炼出来后,获得的周期性规律就可以更准确地用于后续宕机概率的实时预测了。
相关技术中一般都是采用常规的周期性分解对在一个维度上的数据进行多次迭代平滑处理的方法,例如:常规的交易周期性分解就是用原始交易的不断多次平滑迭代来获得趋势线,从而确定其周期性规律,本申请所提供的方法可以在第二个维度上重新构造新维度的生命周期线,从而达到更好的分解效果。即,在原有数据上增加另外一个运行时长维度(与原有的实际时间维度正交),将数据根据运行时长的新维度按照表1和图10的方式进行重新排列组合,并通过新的组合重新获取新维度(例如,可以是时长维度)上的平滑周期线,从而更好更准确地分离出周期性因素和外生政策因素。
通过这种方式进行周期性规律的确定的结果更为准确,可以更准确地分离出周期性波动,并能准确确定出周期性波动之外的外生政策因素对趋势线和自然周期性曲线的影响,可以有效避免一维数据平滑时在两端移动平均上波动。
通过以上的描述可知,本申请具有以下优势:同时获取运行时长维度参数和实际时间维度参数,从而通过两个方面来标识服务器的宕机概率,然后根据这两个参数计算得到服务器在预定时间点上的宕机概率,进而根据获取的结果对服务器进行配置,通过这种方式有效解决了现有技术中仅通过实际维度参数所指示的宕机概率对服务器进行配置而导致的对服务器的配置不合理的技术问题,达到了有效区分周期性规律和突发情况以提高对服务器进行配置的合理性的技术效果。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种服务器的配置方法,其特征在于,包括:
获取运行时长维度参数和实际时间维度参数,其中,所述运行时长维度参数用于指示不同运行时长下服务器的宕机概率,所述实际时间维度参数用于指示不同实际时间下所述服务器的宕机概率;
根据所述运行时长维度参数和实际时间维度参数计算所述服务器在预定时间点上的宕机概率;
根据所述服务器在预定时间点上的宕机概率对所述服务器进行配置。
2.根据权利要求1所述的方法,其特征在于,根据所述运行时长维度参数和实际时间维度参数计算所述服务器在预定时间点上的宕机概率包括:
根据所述运行时长维度参数计算得到服务器周期参数,其中,所述服务器周期参数用于指示所述服务器在预定的每个运行时长周期上去除了由突发事件所带来的不规律值之后的宕机概率;
将所述服务器周期参数与实际时间维度参数进行叠加得到所述服务器在预定时间点上的宕机概率。
3.根据权利要求2所述的方法,其特征在于,所述运行时长维度参数为所述不同运行时长下服务器的实际宕机概率,根据所述运行时长维度参数计算得到服务器周期参数包括:
在所述每个运行时长周期内将所述不同运行时长下服务器的实际宕机概率进行平滑拟合,以得到所述服务器在所述不同运行时长下的拟合宕机概率,其中,所述每个周期内的运行时长的取值范围相同;
将所述实际宕机概率减去所述拟合宕机概率得到所述不同运行时长中每个运行时长下的差分值;
根据所述不同运行时长中每个运行时长下的所述差分值判断所述不同运行时长中的每个运行时长下是否存在由突发事件所带来的不规律值;
对于所述不同运行时长中的第一运行时长,将所述每个运行时长周期内所述第一运行时长下服务器的实际宕机概率的平均值减去所述第一运行时长下由突发事件所带来的不规律值,以得到所述服务器周期参数,其中,所述第一运行时长下存在由突发事件所带来的不规律值;
对于所述不同运行时长中的第二运行时长,将所述每个运行时长周期内所述第二运行时长下服务器的实际宕机概率的平均值作为所述服务器周期参数,其中,所述第二运行时长下不存在由突发事件所带来的不规律值。
4.根据权利要求3所述的方法,其特征在于,在所述每个运行时长周期内将所述不同运行时长下服务器的实际宕机概率进行平滑拟合包括:
在所述每个运行时长周期内将所述不同运行时长下服务器的实际宕机概率进行线性拟合;或者
在所述每个运行时长周期内将所述不同运行时长下服务器的实际宕机概率进行非线性拟合。
5.根据权利要求3所述的方法,其特征在于,根据所述不同运行时长中每个运行时长下的所述差分值判断所述不同运行时长中的每个运行时长下是否存在由突发事件所带来的不规律值包括:
对于所述不同运行时长中的每个运行时长执行以下步骤,其中,当前执行的运行时长为第三运行时长:
判断是否连续预定个周期内的所述第三运行时长下的差分值的绝对值超过预定阈值;
若是所述连续预定个周期内的所述第三运行时长下的差分值的绝对值超过预定阈值,则判断出所述第三运行时长下存在由突发事件所带来的不规律值,并将所述连续预定个周期内的所述第三运行时长下的差分值进行平均,以作为所述第三运行时长下存在由突发事件所带来的不规律值;否则,则判断出所述第三运行时长下不存在由突发事件所带来的不规律值。
6.根据权利要求3所述的方法,其特征在于,根据所述不同运行时长中每个运行时长下的所述差分值判断所述不同运行时长中的每个运行时长下是否存在由突发事件所带来的不规律值包括:
对于所述不同运行时长中的每个运行时长执行以下步骤,其中,当前执行的运行时长为第四运行时长:
统计符合预定条件的周期的个数,其中,所述预定条件为所述第四运行时长下的差分值的绝对值超过预定阈值;
判断所述符合预定条件的周期的个数是否超过预定个数;
若是所述符合预定条件的周期的个数超过所述预定个数,则判断出所述第四运行时长下存在由突发事件所带来的不规律值,并将所述符合预定条件的周期内所述第四运行时长下的差分值进行平均,以作为所述第四运行时长下存在由突发事件所带来的不规律值;否则,则判断出所述第四运行时长下不存在由突发事件所带来的不规律值。
7.一种服务器的配置装置,其特征在于,包括:
获取单元,用于获取运行时长维度参数和实际时间维度参数,其中,所述运行时长维度参数用于指示不同运行时长下服务器的宕机概率,所述实际时间维度参数用于指示不同实际时间下所述服务器的宕机概率;
计算单元,用于根据所述运行时长维度参数和实际时间维度参数计算所述服务器在预定时间点上的宕机概率;
配置单元,用于根据所述服务器在预定时间点上的宕机概率对所述服务器进行配置。
8.根据权利要求7所述的装置,其特征在于,所述计算单元包括:
计算模块,用于根据所述运行时长维度参数计算得到服务器周期参数,其中,所述服务器周期参数用于指示所述服务器在预定的每个运行时长周期上去除了由突发事件所带来的不规律值之后的宕机概率;
叠加模块,用将所述服务器周期参数与实际时间维度参数进行叠加得到所述服务器在预定时间点上的宕机概率。
9.根据权利要求8所述的装置,其特征在于,所述计算模块包括:
拟合子模块,用于在所述运行时长维度参数为所述不同运行时长下服务器的实际宕机概率的情况下,在所述每个运行时长周期内将所述不同运行时长下服务器的实际宕机概率进行平滑拟合,以得到所述服务器在所述不同运行时长下的拟合宕机概率,其中,所述每个周期内的运行时长的取值范围相同;
第一计算子模块,用于将所述实际宕机概率减去所述拟合宕机概率得到所述不同运行时长中每个运行时长下的差分值;
判断子模块,用于根据所述不同运行时长中每个运行时长下的所述差分值判断所述不同运行时长中的每个运行时长下是否存在由突发事件所带来的不规律值;
第二计算子模块,用于对于所述不同运行时长中的第一运行时长,将所述每个运行时长周期内所述第一运行时长下服务器的实际宕机概率的平均值减去所述第一运行时长下由突发事件所带来的不规律值,以得到所述服务器周期参数,其中,所述第一运行时长下存在由突发事件所带来的不规律值;
第三计算子模块,用于对于所述不同运行时长中的第二运行时长,将所述每个运行时长周期内所述第二运行时长下服务器的实际宕机概率的平均值作为所述服务器周期参数,其中,所述第二运行时长下不存在由突发事件所带来的不规律值。
10.根据权利要求9所述的装置,其特征在于,所述判断子模块还用于对所述不同运行时长中的每个运行时长执行以下步骤,其中,当前执行的运行时长为第三运行时长:
判断是否连续预定个周期内的所述第三运行时长下的差分值的绝对值超过预定阈值;
若是所述连续预定个周期内的所述第三运行时长下的差分值的绝对值超过预定阈值,则判断出所述第三运行时长下存在由突发事件所带来的不规律值,并将所述连续预定个周期内的所述第三运行时长下的差分值进行平均,以作为所述第三运行时长下存在由突发事件所带来的不规律值;否则,则判断出所述第三运行时长下不存在由突发事件所带来的不规律值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210520886.3A CN103856348B (zh) | 2012-12-06 | 2012-12-06 | 服务器的配置方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210520886.3A CN103856348B (zh) | 2012-12-06 | 2012-12-06 | 服务器的配置方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103856348A true CN103856348A (zh) | 2014-06-11 |
CN103856348B CN103856348B (zh) | 2017-04-05 |
Family
ID=50863593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210520886.3A Active CN103856348B (zh) | 2012-12-06 | 2012-12-06 | 服务器的配置方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103856348B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040078167A1 (en) * | 2002-10-15 | 2004-04-22 | The Procter & Gamble Company | Process for determining competing cause event probability and/or system availability during the simultaneous occurrence of multiple events |
CN1506829A (zh) * | 2002-12-06 | 2004-06-23 | 中国科学院计算技术研究所 | 预防软件由于长时间运行而发生错误的方法 |
CN1874348A (zh) * | 2006-01-10 | 2006-12-06 | 华为技术有限公司 | 一种多处理单元负载均衡方法和多处理单元系统 |
US20080103715A1 (en) * | 2006-10-27 | 2008-05-01 | Omron Corporation | Operating condition monitoring apparatus, method for monitoring operating condition and program |
CN101820384A (zh) * | 2010-02-05 | 2010-09-01 | 浪潮(北京)电子信息产业有限公司 | 一种集群服务动态分配方法及装置 |
CN101834901A (zh) * | 2010-05-04 | 2010-09-15 | 电子科技大学 | 基于t检测模型的网络坐标系统输入时延预处理方法 |
CN102179722A (zh) * | 2010-12-20 | 2011-09-14 | 西安瑞特快速制造工程研究有限公司 | 基于比例故障率模型的数控机床运行可靠性评估方法 |
CN102520697A (zh) * | 2011-12-16 | 2012-06-27 | 西安建筑科技大学 | 一种远程协同诊断的现场信息预处理方法 |
CN102570447A (zh) * | 2011-12-13 | 2012-07-11 | 中国电力科学研究院 | 一种电网发展阶段划分方法 |
CN102629760A (zh) * | 2011-12-13 | 2012-08-08 | 国网电力科学研究院 | 适应频率安全稳定的低频切泵及减载协调优化方法 |
-
2012
- 2012-12-06 CN CN201210520886.3A patent/CN103856348B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040078167A1 (en) * | 2002-10-15 | 2004-04-22 | The Procter & Gamble Company | Process for determining competing cause event probability and/or system availability during the simultaneous occurrence of multiple events |
CN1506829A (zh) * | 2002-12-06 | 2004-06-23 | 中国科学院计算技术研究所 | 预防软件由于长时间运行而发生错误的方法 |
CN1874348A (zh) * | 2006-01-10 | 2006-12-06 | 华为技术有限公司 | 一种多处理单元负载均衡方法和多处理单元系统 |
US20080103715A1 (en) * | 2006-10-27 | 2008-05-01 | Omron Corporation | Operating condition monitoring apparatus, method for monitoring operating condition and program |
CN101820384A (zh) * | 2010-02-05 | 2010-09-01 | 浪潮(北京)电子信息产业有限公司 | 一种集群服务动态分配方法及装置 |
CN101834901A (zh) * | 2010-05-04 | 2010-09-15 | 电子科技大学 | 基于t检测模型的网络坐标系统输入时延预处理方法 |
CN102179722A (zh) * | 2010-12-20 | 2011-09-14 | 西安瑞特快速制造工程研究有限公司 | 基于比例故障率模型的数控机床运行可靠性评估方法 |
CN102570447A (zh) * | 2011-12-13 | 2012-07-11 | 中国电力科学研究院 | 一种电网发展阶段划分方法 |
CN102629760A (zh) * | 2011-12-13 | 2012-08-08 | 国网电力科学研究院 | 适应频率安全稳定的低频切泵及减载协调优化方法 |
CN102520697A (zh) * | 2011-12-16 | 2012-06-27 | 西安建筑科技大学 | 一种远程协同诊断的现场信息预处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103856348B (zh) | 2017-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446041B (zh) | 一种服务器压力预警方法、系统及终端设备 | |
CN105471671A (zh) | 一种云平台资源自定义监控规则的方法 | |
CN110503136A (zh) | 台区线损异常分析方法、计算机可读存储介质及终端设备 | |
CN107995006A (zh) | 一种云环境下基于消息触发的实时计费系统 | |
CN113568740B (zh) | 基于联邦学习的模型聚合方法、系统、设备及介质 | |
CN112508261B (zh) | 一种基于神经网络的配电变压器负荷分层预测方法及装置 | |
Da Costa et al. | Modeling, classifying and generating large-scale google-like workload | |
CN116804957A (zh) | 一种系统监控方法及装置 | |
CN105260253A (zh) | 一种服务器故障测算方法和装置 | |
Haridass et al. | A batch service queueing system with multiple vacations, setup time and server’s choice of admitting reservice | |
CN111638988A (zh) | 一种基于深度学习的云主机故障智能预测方法 | |
CN109165045A (zh) | 一种调整服务器的硬件配置的方法和装置 | |
CN108549981B (zh) | 一种提高大批量并行业务流程服务质量的方法 | |
CN116846074B (zh) | 一种基于大数据的智慧电能监管方法及系统 | |
CN111783487A (zh) | 一种读卡器设备的故障预警方法及装置 | |
CN103856348A (zh) | 服务器的配置方法和装置 | |
CN204287842U (zh) | 中央处理设备 | |
CN106506282A (zh) | 一种提高云平台监控性能及规模的监控方法 | |
Guo et al. | Load prediction of multi‐type electric vehicle charging stations based on secondary decomposition and feature selection | |
CN115471215A (zh) | 一种业务流程处理方法及装置 | |
Forshaw et al. | Trace-driven simulation for energy consumption in high throughput computing systems | |
CN114201369A (zh) | 一种服务器集群管理方法、装置、电子设备及存储介质 | |
Garg et al. | Online optimization with dynamic temporal uncertainty: Incorporating short term predictions for renewable integration in intelligent energy systems | |
CN107479977B (zh) | 一种确定设备性能的方法和设备 | |
CN114036029A (zh) | 一种服务器的磁盘空间使用预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20191210 Address after: P.O. Box 31119, grand exhibition hall, hibiscus street, 802 West Bay Road, Grand Cayman, Cayman Islands Patentee after: Innovative advanced technology Co., Ltd Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Patentee before: Alibaba Group Holding Co., Ltd. |