CN108446200B - 基于大数据机器学习的服务器智能运维方法及计算机设备 - Google Patents
基于大数据机器学习的服务器智能运维方法及计算机设备 Download PDFInfo
- Publication number
- CN108446200B CN108446200B CN201810120656.5A CN201810120656A CN108446200B CN 108446200 B CN108446200 B CN 108446200B CN 201810120656 A CN201810120656 A CN 201810120656A CN 108446200 B CN108446200 B CN 108446200B
- Authority
- CN
- China
- Prior art keywords
- data
- server
- software
- performance data
- utilization rate
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提供一种基于大数据机器学习的服务器智能运维方法,将收集的服务器性能数据、服务器软件运行性能数据以及服务器软件资源配置数据进行存储;将收集的数据进行向量化,之后进行机器学习训练得到数据模型;获取当前的服务器性能数据,并根据数据模型得到所述软件的资源配置策略;服务器根据配置策略为所述软件配置资源;本发明还提供一种计算机设备,有效解决集群服务器的资源倾斜的问题,实现大规模集群服务器的运维智能分析数据并运维优化的目的。
Description
技术领域
本发明涉及一种基于大数据机器学习的服务器智能运维方法及计算机设备。
背景技术
现有方法是通过部署运维监控软件收集服务器使用率数据的运行日志数据,运维人员结合个人经验分析判断得出运维优化的参数配置。此方法在面对大规模服务器集群(服务器数量成百上千台的情况)的时候,将面临以下的问题:1、难以存储数据量庞大的运维日志文件;2、运维日志文件数据关系复杂并且数据量庞大,传统运维软件和人工分析无法从海量的历史数据中分析得出有效的优化模型;3、服务器优化配置无法从大规模集群的全局观进行优化配置参数,难以有效提升集群的整体性能,在大规模的集群中经常会出现资源和数据倾斜的问题。
发明内容
本发明要解决的技术问题,在于提供一种基于大数据机器学习的服务器智能运维方法及计算机设备,有效解决集群服务器的资源倾斜的问题,实现大规模集群服务器的运维智能分析数据并运维优化的目的。
本发明之一是这样实现的:一种基于大数据机器学习的服务器智能运维方法,包括:
步骤1、将收集的服务器性能数据、服务器软件运行性能数据以及服务器软件资源配置数据进行存储;
步骤2、将收集的数据进行向量化,之后进行机器学习训练得到数据模型;
步骤3、获取当前的服务器性能数据,并根据数据模型得到所述软件的资源配置策略;
步骤4、服务器根据配置策略为所述软件配置资源。
进一步地,所述步骤1进一步具体为:将收集的服务器性能数据、服务器软件运行性能数据以及服务器软件资源配置数据打上时间标签,并存储至大数据平台。
进一步地,所述服务器性能数据包括服务器CPU使用率、内存使用率、硬盘使用率、IO消耗、网络带宽资源使用率;所述服务器软件运行性能数据包括CPU使用率、内存使用率、硬盘使用率、IO消耗、网络带宽资源使用率。
进一步地,所述步骤2进一步具体为:根据时间段获取收集的数据,并进行向量化,之后进行机器学习训练得到数据模型。
本发明之二是这样实现的:一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
步骤1、将收集的服务器性能数据、服务器软件运行性能数据以及服务器软件资源配置数据进行存储;
步骤2、将收集的数据进行向量化,之后进行机器学习训练得到数据模型;
步骤3、获取当前的服务器性能数据,并根据数据模型得到所述软件的资源配置策略;
步骤4、服务器根据配置策略为所述软件配置资源。
进一步地,所述步骤1进一步具体为:将收集的服务器性能数据、服务器软件运行性能数据以及服务器软件资源配置数据打上时间标签,并存储至大数据平台。
进一步地,所述服务器性能数据包括服务器CPU使用率、内存使用率、硬盘使用率、IO消耗、网络带宽资源使用率;所述服务器软件运行性能数据包括CPU使用率、内存使用率、硬盘使用率、IO消耗、网络带宽资源使用率。
进一步地,所述步骤2进一步具体为:根据时间段获取收集的数据,并进行向量化,之后进行机器学习训练得到数据模型。
本发明具有如下优点:
1)存储海量数据:运用大数据解决集群服务器运维日志海量数据存储问题;
2)数据时间序列化:通过制定特殊的存储数据格式,实现数据的时间序列化;
3)机器学习智能优化:通过对大数据存储的海量历史数据,进行机器学习智能分析集群服务器运维状态和资源配置的智能优化参数,解决大规模集群运维数据分析困难;
4)大规模集群的全局资源优化:通过人对整个集群的数据进行大数据机器学习,分析系统可在集群全局优化的方向进行优化,实现智能优化资源配置参数,并将配置参数快速自动同步到集群所有的服务器。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明方法执行流程图。
具体实施方式
本发明基于大数据机器学习的服务器智能运维方法,包括:
步骤1、将收集的服务器性能数据、服务器软件运行性能数据以及服务器软件资源配置数据打上时间标签,并存储至大数据平台,所述服务器性能数据包括服务器CPU使用率、内存使用率、硬盘使用率、IO消耗、网络带宽资源使用率;所述服务器软件运行性能数据包括CPU使用率、内存使用率、硬盘使用率、IO消耗、网络带宽资源使用率;
步骤2、根据时间段获取收集的数据,并进行向量化,之后进行机器学习训练得到数据模型;
步骤3、获取当前的服务器性能数据,并根据数据模型得到所述软件的资源配置策略;
步骤4、服务器根据配置策略为所述软件配置资源。
本发明计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
步骤1、将收集的服务器性能数据、服务器软件运行性能数据以及服务器软件资源配置数据打上时间标签,并存储至大数据平台,所述服务器性能数据包括服务器CPU使用率、内存使用率、硬盘使用率、IO消耗、网络带宽资源使用率;所述服务器软件运行性能数据包括CPU使用率、内存使用率、硬盘使用率、IO消耗、网络带宽资源使用率;
步骤2、根据时间段获取收集的数据,并进行向量化,之后进行机器学习训练得到数据模型;
步骤3、获取当前的服务器性能数据,并根据数据模型得到所述软件的资源配置策略;
步骤4、服务器根据配置策略为所述软件配置资源。
本发明一种具体实施方式:
如图1所示,方案结构:
大数据探测存储运维数据模块、大数据探测存储软件运行性能参数模块、大数据机器学习分析运维数据模块、智能优化服务器参数模块
主要步骤:
A:服务器硬件运维数据探测
服务器运行日志数据收集探测器:实现轻量化脚本代码来收集服务器的相关性能参数,主要涉及服务器CPU使用率、内存使用率、硬盘使用率、IO消耗、网络带宽资源使用率等参数的收集。并且将这些关键数据打上时间标签,为后续实现大数据机器学习的时间序列化。
服务器运行日志数据存储到大数据集群:将日志数据转换为json数据格式,使用独创的时间格式Key-Value(服务器指标项-指标值)的格式存放到大数据平台有以下特点:数据多层嵌套将时间标签作为外层嵌套、通过时间标签可以快速搜索到某个时间点的所有集群的性能指标数据、并且可以轻易实现时间序列的数据流Streaming Data、机器学习使用时间序列等。实现日志存储文件的海量存储,并且通过大数据分布式计算引擎实现海量数据的秒级查询分析。
B:服务器软件运行日志探测:
软件运行性能数据收集探测器:实现轻量化脚本代码来收集软件运行性能的相关性能参数:软件进程实际占用资源数据(CPU、内存、带宽等使用量、络带宽资源使用率等参数的收集);系统资源隔离分配给软件的资源量(管理员分配给软件的CPU、内存、带宽资源);软件运行耗时;软件运行出现内存溢出等资源不足的报错数据。并且将这些关键数据打上时间标签,为后续实现大数据机器学习的时间序列化。
软件运行性能数据存储到大数据集群:软件运行性能数据转换为json数据格式,使用独创的时间格式Key-Value(软件性能指标项目-指标值)的格式存放到大数据平台,并且增加时间序列作为外层嵌套数据;例如:在2018年02月01日17:59时刻的服务器集群的资源使用日志数据的json格式{"2018_02_01_17_59":{"Server1":[{"cupUse":"80%",memUse":"256GB"}],"Server2":[{"cupUse":"88%",memUse":"258GB"}],"Server3":[{"cupUse":"98%",memUse":"306GB"}],}}。
C:大数据机器学习分析:
数据时间序列化:通过时间字段将软件运行资源配置数据、服务器运行日志数据、软件运行效果性能参数等历史数据实现时间序列化,并实现数据的时间关联。
数据向量化:将数据从文本数据转换为向量数据模型,即实现word2vec的转换。
机器学习分析数据:通过基于CNN神经网络进行机器学习算法更新尝试(主要使用卷积和算法、逻辑回归算法、K-Means聚类算法等多种算法的尝试)、并进行多次迭代参数配置、并且进行优化器Optimizer适配,通过这些方式路径进行对运维日志数据和软件性能数据进行机器学习训练得出数据模型。
D:智能优化服务器参数模块:
智能预测模型:基于人工智能深度学习的神经网络策略网络分析模型策略模型的训练方法是Policy Gradients,实现可以通过观察服务器运行的环境状态结合机器学习的数据模型,预测出目前应用软件资源应该配置的策略,以获得最大的软件运行性能效果,达到通过人工智能运维优化服务的目的;服务器的软件资源可以通过服务器的操作系统获取;配置策略是通过人工智能及其学习模型获取,是人工智能的神经网络自己学习训练获取的策略模型。
智能优化服务器配置:通过自动化配置脚本,同步配置信息实现每个应用软件在每台服务器上的cpu、内存占用、缓存大小、硬盘读取频率、最大访问并发数等资源进行针对性的优化,实现整个集群的资源优化。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (2)
1.一种基于大数据机器学习的服务器智能运维方法,其特征在于:包括:
步骤1、将收集的服务器性能数据、服务器软件运行性能数据以及服务器软件资源配置数据打上时间标签,通过时间字段将服务器性能数据、服务器软件运行性能数据以及服务器软件资源配置数据实现时间序列化,并实现数据的时间关联;并存储至大数据平台;
步骤2、将服务器性能数据、服务器软件运行性能数据以及服务器软件资源配置数据从文本数据转换为向量数据模型,即实现word2vec的转换;通过基于CNN神经网络进行机器学习算法更新尝试、并进行多次迭代参数配置、并且进行优化器Optimizer适配,对向量数据模型进行机器学习训练得出数据模型;
步骤3、获取当前的服务器性能数据,并根据数据模型得到所述软件的资源配置策略;
步骤4、服务器根据配置策略为所述软件配置资源;
服务器运行日志数据收集探测器收集服务器性能参数,所述服务器性能数据包括服务器CPU使用率、内存使用率、硬盘使用率、IO消耗、网络带宽资源使用率;软件运行性能数据收集探测器收集服务器软件运行性能数据,所述服务器软件运行性能数据为软件进程实际占用资源数据;所述服务器软件运行性能数据包括软件CPU使用率、软件内存使用率、软件硬盘使用率、软件IO消耗、软件网络带宽资源使用率;服务器软件资源配置数据为系统资源隔离分配给软件的资源量,即分配给软件的CPU、内存、带宽资源。
2.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于:所述处理器执行所述程序时实现以下步骤:
步骤1、将收集的服务器性能数据、服务器软件运行性能数据以及服务器软件资源配置数据打上时间标签,通过时间字段将服务器性能数据、服务器软件运行性能数据以及服务器软件资源配置数据实现时间序列化,并实现数据的时间关联;并存储至大数据平台;
步骤2、将服务器性能数据、服务器软件运行性能数据以及服务器软件资源配置数据从文本数据转换为向量数据模型,即实现word2vec的转换;通过基于CNN神经网络进行机器学习算法更新尝试、并进行多次迭代参数配置、并且进行优化器Optimizer适配,对向量数据模型进行机器学习训练得出数据模型;
步骤3、获取当前的服务器性能数据,并根据数据模型得到所述软件的资源配置策略;
服务器运行日志数据收集探测器收集服务器性能参数,所述服务器性能数据包括服务器CPU使用率、内存使用率、硬盘使用率、IO消耗、网络带宽资源使用率;软件运行性能数据收集探测器收集服务器软件运行性能数据,所述服务器软件运行性能数据为软件进程实际占用资源数据;所述服务器软件运行性能数据包括软件CPU使用率、软件内存使用率、软件硬盘使用率、软件IO消耗、软件网络带宽资源使用率;服务器软件资源配置数据为系统资源隔离分配给软件的资源量,即分配给软件的CPU、内存、带宽资源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810120656.5A CN108446200B (zh) | 2018-02-07 | 2018-02-07 | 基于大数据机器学习的服务器智能运维方法及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810120656.5A CN108446200B (zh) | 2018-02-07 | 2018-02-07 | 基于大数据机器学习的服务器智能运维方法及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108446200A CN108446200A (zh) | 2018-08-24 |
CN108446200B true CN108446200B (zh) | 2021-10-29 |
Family
ID=63191995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810120656.5A Active CN108446200B (zh) | 2018-02-07 | 2018-02-07 | 基于大数据机器学习的服务器智能运维方法及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108446200B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109412829B (zh) * | 2018-08-30 | 2020-11-17 | 华为技术有限公司 | 一种资源配置的预测方法及设备 |
CN109522193A (zh) * | 2018-10-22 | 2019-03-26 | 网宿科技股份有限公司 | 一种运维数据的处理方法、系统及装置 |
US11252046B2 (en) * | 2018-12-14 | 2022-02-15 | Juniper Networks, Inc. | System for identifying and assisting in the creation and implementation of a network service configuration using Hidden Markov Models (HMMs) |
CN109800127A (zh) * | 2019-01-03 | 2019-05-24 | 众安信息技术服务有限公司 | 一种基于机器学习的系统故障诊断智能化运维方法及系统 |
CN109857550B (zh) * | 2019-01-07 | 2024-08-06 | 平安科技(深圳)有限公司 | 基于机器学习的资源配置方法、装置、设备及存储介质 |
CN110032449A (zh) * | 2019-04-16 | 2019-07-19 | 苏州浪潮智能科技有限公司 | 一种优化gpu服务器的性能的方法及装置 |
CN111124782A (zh) * | 2019-12-18 | 2020-05-08 | 无线生活(杭州)信息科技有限公司 | 一种智能配置计算机集群的方法及装置 |
CN111290913A (zh) * | 2020-02-04 | 2020-06-16 | 复旦大学 | 一种基于运维数据预测的故障定位可视化系统和方法 |
CN112130991B (zh) * | 2020-08-28 | 2024-07-23 | 北京思特奇信息技术股份有限公司 | 一种基于机器学习的应用程序控制方法和系统 |
US11921601B1 (en) * | 2022-09-20 | 2024-03-05 | Motorola Solutions, Inc. | Device configuration using sensitivity analysis |
CN115576586B (zh) * | 2022-11-15 | 2023-04-07 | 四川蜀天信息技术有限公司 | 一种智能运营与维护服务器的服务端程序的方法 |
CN115981970B (zh) * | 2023-03-20 | 2023-05-16 | 建信金融科技有限责任公司 | 运维数据分析方法、装置、设备和介质 |
CN116107630B (zh) * | 2023-04-13 | 2023-06-20 | 四川观想科技股份有限公司 | 一种大数据运维监控的多平台适配方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005174201A (ja) * | 2003-12-15 | 2005-06-30 | Hitachi Ltd | リソース割り当てシステム、方法及びプログラム |
CN101639793A (zh) * | 2009-08-19 | 2010-02-03 | 南京邮电大学 | 一种基于支持向量回归机的网格负载预测方法 |
CN102004671A (zh) * | 2010-11-15 | 2011-04-06 | 北京航空航天大学 | 一种云计算环境下数据中心基于统计模型的资源管理方法 |
CN104820072A (zh) * | 2015-04-30 | 2015-08-05 | 重庆大学 | 基于云计算的电子鼻空气质量监测系统及其方法 |
CN106412075A (zh) * | 2016-10-14 | 2017-02-15 | 郑州云海信息技术有限公司 | 一种基于云计算的资源配置方法及装置 |
-
2018
- 2018-02-07 CN CN201810120656.5A patent/CN108446200B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005174201A (ja) * | 2003-12-15 | 2005-06-30 | Hitachi Ltd | リソース割り当てシステム、方法及びプログラム |
CN101639793A (zh) * | 2009-08-19 | 2010-02-03 | 南京邮电大学 | 一种基于支持向量回归机的网格负载预测方法 |
CN102004671A (zh) * | 2010-11-15 | 2011-04-06 | 北京航空航天大学 | 一种云计算环境下数据中心基于统计模型的资源管理方法 |
CN104820072A (zh) * | 2015-04-30 | 2015-08-05 | 重庆大学 | 基于云计算的电子鼻空气质量监测系统及其方法 |
CN106412075A (zh) * | 2016-10-14 | 2017-02-15 | 郑州云海信息技术有限公司 | 一种基于云计算的资源配置方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108446200A (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446200B (zh) | 基于大数据机器学习的服务器智能运维方法及计算机设备 | |
Jensen et al. | Time series management systems: A survey | |
US10331490B2 (en) | Scalable cloud-based time series analysis | |
US10484301B1 (en) | Dynamic resource distribution using periodicity-aware predictive modeling | |
US20200143246A1 (en) | Demand classification based pipeline system for time-series data forecasting | |
CN106547882A (zh) | 一种智能电网中营销大数据的实时处理方法及系统 | |
Hamrouni et al. | A survey of dynamic replication and replica selection strategies based on data mining techniques in data grids | |
Shekhawat et al. | Datacenter workload classification and characterization: An empirical approach | |
US11880272B2 (en) | Automated methods and systems that facilitate root-cause analysis of distributed-application operational problems and failures by generating noise-subtracted call-trace-classification rules | |
WO2021103823A1 (zh) | 模型更新系统、模型更新方法及相关设备 | |
Uriarte et al. | Service clustering for autonomic clouds using random forest | |
Qazi et al. | Workload prediction of virtual machines for harnessing data center resources | |
Idrees et al. | Adaptive distributed energy-saving data gathering technique for wireless sensor networks | |
KR101686919B1 (ko) | 빅데이터에 기반한 추론 엔진을 관리하는 방법 및 장치 | |
CN112052081A (zh) | 一种任务调度方法、装置及电子设备 | |
Donta et al. | The promising role of representation learning for distributed computing continuum systems | |
CN116502162A (zh) | 边缘算力网络中的异常算力联邦检测方法、系统及介质 | |
Aksar et al. | Proctor: A semi-supervised performance anomaly diagnosis framework for production hpc systems | |
Li et al. | Situation-aware multivariate time series anomaly detection through active learning and contrast VAE-based models in large distributed systems | |
Tuli et al. | Deepft: Fault-tolerant edge computing using a self-supervised deep surrogate model | |
Li et al. | MicroSketch: Lightweight and adaptive sketch based performance issue detection and localization in microservice systems | |
Sato et al. | Access-pattern and bandwidth aware file replication algorithm in a grid environment | |
Zheng et al. | Towards edge-cloud collaborative machine learning: A quality-aware task partition framework | |
CN117172093A (zh) | 基于机器学习的Linux系统内核配置的策略优化方法及装置 | |
Scheinert et al. | Karasu: A collaborative approach to efficient cluster configuration for big data analytics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 350000 21 / F, building 5, f District, Fuzhou Software Park, 89 software Avenue, Gulou District, Fuzhou City, Fujian Province Applicant after: FUJIAN SINOREGAL SOFTWARE Co.,Ltd. Address before: Floor 20-21, building 5, area F, Fuzhou Software Park, 89 software Avenue, Gulou District, Fuzhou City, Fujian Province 350000 Applicant before: FUJIAN SINOREGAL SOFTWARE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |