CN109656696A - 一种数据api高效调用的处理方法 - Google Patents
一种数据api高效调用的处理方法 Download PDFInfo
- Publication number
- CN109656696A CN109656696A CN201811465139.8A CN201811465139A CN109656696A CN 109656696 A CN109656696 A CN 109656696A CN 201811465139 A CN201811465139 A CN 201811465139A CN 109656696 A CN109656696 A CN 109656696A
- Authority
- CN
- China
- Prior art keywords
- data
- server
- cluster
- api
- acquisition system
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
- G06F9/4856—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种数据API高效调用的处理方法，所述方法包括：S1、将云数据服务器集群中的所有数据对象组成一个数据集合，使用K‑means算法对数据集合进行聚类；S2、对于聚类后得到的两个数据集合，分别计算这两个数据集合中心点与最热数据对象间的欧式距离，距离小的数据集合即为热数据集合，在热数据集合中的数据称为热数据，反之，则为冷数据；S3、计算数据块热度；S4、计算集群中各服务器热度；S5、确定待迁移和目标服务器，实施数据迁移；S6、发起API并发调用，记录API调用响应时间。本发明通过基于冷热数据的数据均衡策略将热数据均衡分布到集群中各个服务器节点，从而有效降低了高并发数据API调用平均响应时间。
Description
技术领域
本发明属于大数据、云数据管理和数据服务领域，涉及云环境数据管理或数据开放共享平台中数据的API调用，更具体的说是一种集群数据管理环境下基于冷热数据均衡策略的数据API高效调用处理方法。
背景技术
数据API调用是用户或应用程序通过API接口有条件(如时间、地理空间、关联等)精确从服务器或服务器集群中获取所需数据，调用方式灵活、响应快、安全可控、无需对数据进行额外加工处理即可直接使用，且能够非常方便的获取到有效数据，基于API数据调用也是数据开放平台的最关键技术之一。。
近些年，随着互联网、大数据、人工智能的不断发展，越来越多基于大数据的智能应用和业务系统依赖数据API调用方式获取数据，以达到随时获取、快速响应、实时刷新等应用需求。为了达到快速响应的要求，在大数据环境下如何降低高并发API调用平均响应时间成为了一个重要问题。
在云服务器集群环境中，随着数据量的不断增大，可以动态添加服务器节点，且集群的均衡器会通过数据迁移的方式将数据均衡分布到各个服务器中，从而保证集群的高扩展性和高伸缩性。如在MongoDB集群中，自动分片机制将集合分成更小的数据块，通过数据迁移策略把这些数据块分散到不同的服务器节点，每个服务器节点存储及负载集合的一部分，从而不必使用更强大的服务器来存储更多的数据，以及处理更大的负载。在HBase集群中，当表的数据量不断增加，系统会监控此表以确保数据量不会超过一个配置的阈值，如果系统发现表容量超过了限制，则表会自动分裂，且有可能进行数据迁移以保证集群中数据均衡。
上述集群环境下数据均衡策略仅考虑了数据量均衡，并没有考虑每个服务器节点的数据热度均衡，可能会导致热数据集中存储在一个或少数几个服务器节点的情况。在高并发API调用时，可能会导致大量API调用集中访问一个服务器节点，而其他服务器节点没有或只有少量数据访问，从而导致API调用平均响应时间变慢。
因此，如何提供一种新的数据服务均衡策略，使API并发调用时对集群的访问负载均衡分布到各个服务器节点，从而减少API调用平均响应时间，是本领域技术亟需解决的问题。
发明内容
本发明的主要目的在于提供一种集群环境下基于冷热数据均衡策略的数据API高效调用处理方法，可以有效将热数据均衡分布到各个服务器节点，避免API并发调用时访问负载集中在一台或少数几台服务器节点上，从而减少API调用平均响应时间。
为了达到上述目的，本发明采用以下技术方案：
一种数据API高效调用的处理方法，包括以下步骤：
S1、将云数据服务器集群中的所有数据对象组成一个数据集合C，使用K-means算法对数据集合进行聚类；
S2、对于聚类后得到的两个数据集合，分别计算这两个数据集合中心点与最热数据对象间的欧式距离，距离小的数据集合即为热数据集合，在热数据集合中的数据称为热数据，反之，则为冷数据；
S3、计算集群中各个服务器中的数据块热度；所述数据块热度数计算方法为热数据个数除以总数据个数，即为该数据块热度；
S4、计算集群中各服务器热度；服务器热度计算方法为该服务器所有数据块热度之和除以数据块总个数，即为该服务器热度；
S5、确定待迁移服务器和目标服务器，实施数据迁移；
S6、通过API进行并发数据的调用，记录API调用响应时间。
作为优选的技术方案，步骤S1中，所述云数据服务器集群是多个虚拟机集群或物理服务器集群，用于管理数据开放共享平台或数据湖中的数据；所述数据集合C为一系列数据对象组成的集合。
作为优选的技术方案，步骤S1中，所述数据对象可以用二维向量P描述，P＝(w，h)，其中w为数据读操作占总操作的比重，其中，R、U、I、D分别代表读操作、更新操作、插入操作、删除操作的次数，h表示与时间变化的数据活跃值，根据话题热度趋势预测模型可以得出h与时间t之间的关系，即其中t为数据从创建到现在的时间，t＝tnow-tcreate，α、β和γ是模型参数。
作为优选的技术方案，步骤S1中，使用K-means算法对数据集合进行聚类，具体包括如下步骤：
S11、从数据集合C中任意选择两个数据对象作为C1、C2的初始中心点；所述C1、C2，表示聚类完成后得到的两个数据集合，初始时为空，即没有任何数据对象；
S12、对集合中的每个数据对象，分别计算与这两个中心点的欧氏距离，将其分配到最相似的集合，即距离最近的集合；
S13、重新计算C1、C2的中心点，计算C1、C2的集合变差，所述集合变差为集合中所有数据对象到中心点距离的平方之和；
S14、若集合变差小于指定阈值，此时聚类完成，否则，使用新的中心点继续执行步骤S12。
作为优选的技术方案，步骤S2中，所述中心点为数据集合中所有对象的w和h属性的均值组成的一个二维数据对象；所述最热数据对象为属性w和h均为最大值的数据对象。
作为优选的技术方案，步骤S3中，所述的数据块为集群中各服务器之间数据迁移的最小单位，每个数据块中包含若干个数据对象，数据块通常由数据管理系统确定。
作为优选的技术方案，步骤S5中，确定待迁移和目标服务器，具体实施包括如下步骤：
S51、获取到当前集群中所有服务器，确定每个服务器热度值、存储空间、块数据个数等信息；
S52、选取热度值最大和最小的服务器，计算热度差值，若差值大于触发数据迁移的阈值，则需要进行数据迁移，执行步骤S53，否则结束数据迁移；
S53、确定待迁移服务器和目标服务器，选取热度值最大的服务器为待迁移服务器，从热度值最小的服务器开始，寻找一个有足够存储空间的服务器作为目标服务器；
作为优选的技术方案，步骤S5中，实施的数据迁移，具体实施包括如下步骤：
S54、确定需要迁移的数据块，选取待迁移服务器中的一个或多个数据块，使得数据块热度值之和接近两个服务器热度差值的二分之一；
S55、将选定的数据块从待迁移服务器迁移到目标服务器；
S56、重新计算每个服务器热度值、存储空间、块数据个数等信息，继续执行步骤S52。
作为优选的技术方案，步骤S6中，对开放共享数据进行正常的并发读操作调用，并记录每次API调用时间，当API调用的平均时间超过所设的阈值或某数据调用超过最大允许值时，数据系统集群进行再次如上所示的优化处理，以确保数据API高效调用。
本发明与现有技术相比，具有如下优点和有益效果：
(1)本发明通过聚类算法对数据进行冷热属性判断，基于热数据的数据均衡策略，将热数据均衡迁移分布到集群中各个服务器节点。
(2)本发明集群环境下大量用户进行数据API调用时，依赖热数据负载均衡分布的各个服务器节点，从而降低了API调用平均响应时间，实现高效的数据API调用。
附图说明
下面将结合附图及实例对本发明作进一步说明，附图中：
图1是根据本发明一个实例的基于冷热数据的数据均衡策略流程图；
图2是根据本发明一个实例的K-means聚类算法流程图；
图3是根据本发明一个实例的数据迁移流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实例仅仅用以解释本发明，并不用于限定本发明。
图1是根据本发明一个实例的基于冷热数据的数据均衡策略流程图，参照该图1，一种数据API高效调用的处理方法，该方法中基于冷热数据的数据均衡策略开始于步骤S1，具体包括下述步骤：
在步骤S1中，将云数据服务器集群中的所有数据对象组成一个数据集合C，使用K-means算法对数据集合进行聚类，所述云数据服务器集群是多个虚拟机集群或物理服务器集群，用于管理数据开放共享平台或数据湖中的数据；所述数据集合C为一系列数据对象组成的集合；
所述数据对象可以用二维向量P描述，P＝(w，h)，其中w为数据读操作占总操作的比重，其中，R、U、I、D分别代表读操作、更新操作、插入操作、删除操作的次数，h表示与时间变化的数据活跃值，根据话题热度趋势预测模型可以得出h与时间t之间的关系，即其中t为数据从创建到现在的时间，t＝tnow-tcreate，α、β和γ是模型参数。
如图2所示，使用K-means算法对数据集合进行聚类，具体包括如下步骤：
S11、从数据集合C中任意选择两个数据对象作为C1、C2的初始中心点；所述C1、C2，表示聚类完成后得到的两个数据集合，初始时为空，即没有任何数据对象；
S12、对集合中的每个数据对象，分别计算与这两个中心点的欧氏距离，将其分配到最相似的集合，即距离最近的集合；
S13、重新计算C1、C2的中心点，计算C1、C2的集合变差，所述集合变差为集合中所有数据对象到中心点距离的平方之和；
S14、若集合变差小于指定阈值，此时聚类完成，否则，使用新的中心点继续执行步骤S12。
在步骤S2中，对于聚类后得到的两个数据集合，分别计算这两个数据集合中心点与最热数据对象间的欧式距离，距离小的数据集合即为热数据集合，在热数据集合中的数据称为热数据，反之，则为冷数据；
所述中心点为数据集合中所有对象的w和h属性的均值组成的一个二维数据对象；所述最热数据对象为属性w和h均为最大值的数据对象。
在步骤S3中，计算集群中各个服务器中的数据块热度；所述数据块为集群中各服务器之间数据迁移的最小单位，每个数据块中包含若干个数据对象，数据块热度计算公式为其中Load(i,hot)为数据块i的热度，N(i,hot)为数据块中热数据条数，Ni为数据块中所有数据总和；
所述的数据块为集群中各服务器之间数据迁移的最小单位，每个数据块中包含若干个数据对象，数据块通常由数据管理系统确定。
在步骤S4中，计算集群中各服务器热度，服务器热度计算方法为该服务器所有数据块热度之和除以数据块总个数，计算公式为其中Load表示服务器热度，Load(i,hot)表示第i个数据块热度，n表示数据块总个数；
在步骤S5中，确定待迁移和目标服务器，实施数据迁移；
确定待迁移和目标服务器，具体实施包括如下步骤：
S51、获取到当前集群中所有服务器，确定每个服务器热度值、存储空间、块数据个数等信息；
S52、选取热度值最大和最小的服务器，计算热度差值，若差值大于触发数据迁移的阈值，则需要进行数据迁移，执行步骤S53，否则结束数据迁移；
S53、确定待迁移服务器和目标服务器，选取热度值最大的服务器为待迁移服务器，从热度值最小的服务器开始，寻找一个有足够存储空间的服务器作为目标服务器；
如图3所示，在上述步骤S5中，实施数据迁移的具体方法为：
S54、确定需要迁移的数据块，选取待迁移服务器中的一个或多个数据块，使得数据块热度值之和接近两个服务器热度差值的二分之一；
S55、将选定的数据块从待迁移服务器迁移到目标服务器；
S56、重新计算每个服务器热度值、存储空间、块数据个数信息，继续执行步骤S52；
在步骤S6中，通过API进行并发数据的调用，记录API调用响应时间。
步骤S6中，对开放共享数据进行正常的并发读操作调用，并记录每次API调用时间，当API调用的平均时间超过所设的阈值或某数据调用超过最大允许值时，数据系统集群进行再次如上所示的优化处理，以确保数据API高效调用。
应该理解，本发明并不局限于上述实施方式，凡是对本发明的各种改动或变型不脱离本发明的精神和范围，倘若这些改动和变型属于本发明的权利要求和等同技术范围之内，则本发明也意味着包含这些改动和变型。
Claims (9)
1.一种数据API高效调用的处理方法，其特征在于，包括以下步骤：
S1、将云数据服务器集群中的所有数据对象组成一个数据集合C，使用K-means算法对数据集合进行聚类；
S2、对于聚类后得到的两个数据集合，分别计算这两个数据集合中心点与最热数据对象间的欧式距离，距离小的数据集合即为热数据集合，在热数据集合中的数据称为热数据，反之，则为冷数据；
S3、计算集群中各个服务器中的数据块热度；所述数据块热度数计算方法为热数据个数除以总数据个数，即为该数据块热度；
S4、计算集群中各服务器热度；服务器热度计算方法为该服务器所有数据块热度之和除以数据块总个数，即为该服务器热度；
S5、确定待迁移服务器和目标服务器，实施数据迁移；
S6、通过API进行并发数据的调用，记录API调用响应时间。
2.根据权利要求1所述的一种数据API高效调用的处理方法，其特征在于，步骤S1中，所述云数据服务器集群是多个虚拟机集群或物理服务器集群，用于管理数据开放共享平台或数据湖中的数据；所述数据集合C为一系列数据对象组成的集合。
3.根据权利要求1所述的一种数据API高效调用的处理方法，其特征在于，步骤S1中，所述数据对象可以用二维向量P描述，P＝(w，h)，其中w为数据读操作占总操作的比重，其中，R、U、I、D分别代表读操作、更新操作、插入操作、删除操作的次数，h表示与时间变化的数据活跃值，根据话题热度趋势预测模型可以得出h与时间t之间的关系，即其中t为数据从创建到现在的时间，t＝tnow-tcreate，α、β和γ是模型参数。
4.根据权利要求1所述的一种数据API高效调用的处理方法，其特征在于，步骤S1中，使用K-means算法对数据集合进行聚类，具体包括如下步骤：
S11、从数据集合C中任意选择两个数据对象作为C1、C2的初始中心点；所述C1、C2，表示聚类完成后得到的两个数据集合，初始时为空，即没有任何数据对象；
S12、对集合中的每个数据对象，分别计算与这两个中心点的欧氏距离，将其分配到最相似的集合，即距离最近的集合；
S13、重新计算C1、C2的中心点，计算C1、C2的集合变差，所述集合变差为集合中所有数据对象到中心点距离的平方之和；
S14、若集合变差小于指定阈值，此时聚类完成，否则，使用新的中心点继续执行步骤S12。
5.根据权利要求1所述的一种数据API高效调用的处理方法，其特征在于，步骤S2中，所述中心点为数据集合中所有对象的w和h属性的均值组成的一个二维数据对象；所述最热数据对象为属性w和h均为最大值的数据对象。
6.根据权利要求1所述一种数据API高效调用的处理方法，其特征在于，步骤S3中，所述的数据块为集群中各服务器之间数据迁移的最小单位，每个数据块中包含若干个数据对象，数据块通常由数据管理系统确定。
7.根据权利要求1所述的一种数据API高效调用的处理方法，其特征在于，步骤S5中，确定待迁移和目标服务器，具体实施包括如下步骤：
S51、获取到当前集群中所有服务器，确定每个服务器热度值、存储空间、块数据个数等信息；
S52、选取热度值最大和最小的服务器，计算热度差值，若差值大于触发数据迁移的阈值，则需要进行数据迁移，执行步骤S53，否则结束数据迁移；
S53、确定待迁移服务器和目标服务器，选取热度值最大的服务器为待迁移服务器，从热度值最小的服务器开始，寻找一个有足够存储空间的服务器作为目标服务器。
8.根据权利要求7所述的一种数据API高效调用的处理方法，其特征在于，步骤S5中，实施的数据迁移，具体实施包括如下步骤：
S54、确定需要迁移的数据块，选取待迁移服务器中的一个或多个数据块，使得数据块热度值之和接近两个服务器热度差值的二分之一；
S55、将选定的数据块从待迁移服务器迁移到目标服务器；
S56、重新计算每个服务器热度值、存储空间、块数据个数信息，继续执行步骤S52。
9.根据权利要求1所述一种数据API高效调用的处理方法，其特征在于，步骤S6中，对开放共享数据进行正常的并发读操作调用，并记录每次API调用时间，当API调用的平均时间超过所设的阈值或某数据调用超过最大允许值时，数据系统集群进行再次如上所示的优化处理，以确保数据API高效调用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811465139.8A CN109656696B (zh) | 2018-12-03 | 2018-12-03 | 一种数据api高效调用的处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811465139.8A CN109656696B (zh) | 2018-12-03 | 2018-12-03 | 一种数据api高效调用的处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109656696A true CN109656696A (zh) | 2019-04-19 |
| CN109656696B CN109656696B (zh) | 2020-10-16 |
Family
ID=66111180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811465139.8A Active CN109656696B (zh) | 2018-12-03 | 2018-12-03 | 一种数据api高效调用的处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109656696B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113407118A (zh) * | 2021-06-24 | 2021-09-17 | 九江职业技术学院 | 一种数据存储装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729599A (zh) * | 2013-10-31 | 2014-04-16 | 深圳酷派技术有限公司 | 数据调用的处理方法及装置 |
| CN104850629A (zh) * | 2015-05-21 | 2015-08-19 | 杭州天宽科技有限公司 | 一种基于改进k-means算法的海量智能用电数据分析方法 |
| CN106874213A (zh) * | 2017-01-12 | 2017-06-20 | 杭州电子科技大学 | 一种融合多种机器学习算法的固态硬盘热数据识别方法 |
| CN107341210A (zh) * | 2017-06-26 | 2017-11-10 | 西安理工大学 | Hadoop平台下的C‑DBSCAN‑K聚类算法 |
-
2018
- 2018-12-03 CN CN201811465139.8A patent/CN109656696B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729599A (zh) * | 2013-10-31 | 2014-04-16 | 深圳酷派技术有限公司 | 数据调用的处理方法及装置 |
| CN104850629A (zh) * | 2015-05-21 | 2015-08-19 | 杭州天宽科技有限公司 | 一种基于改进k-means算法的海量智能用电数据分析方法 |
| CN106874213A (zh) * | 2017-01-12 | 2017-06-20 | 杭州电子科技大学 | 一种融合多种机器学习算法的固态硬盘热数据识别方法 |
| CN107341210A (zh) * | 2017-06-26 | 2017-11-10 | 西安理工大学 | Hadoop平台下的C‑DBSCAN‑K聚类算法 |
Non-Patent Citations (2)
| Title |
|---|
| 冯超政: "基于冷热数据的MongoDB自动分片机制", 《计算机工程》 * |
| 范冰冰: "面向调用API的开放数据存储管理研究", 《计算机应用与软件》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113407118A (zh) * | 2021-06-24 | 2021-09-17 | 九江职业技术学院 | 一种数据存储装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109656696B (zh) | 2020-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100476742C (zh) | 基于对象存储设备的负载平衡方法 | |
| CN110134495B (zh) | 一种容器跨主机在线迁移方法、存储介质及终端设备 | |
| CN104065568B (zh) | 一种Web服务器集群的路由方法 | |
| US10356150B1 (en) | Automated repartitioning of streaming data | |
| WO2017076184A1 (zh) | 分布式文件系统中的数据写入方法和装置 | |
| CN106648456B (zh) | 基于用户访问量以及预测机制的动态副本文件访问方法 | |
| CN108200156A (zh) | 一种云环境下分布式文件系统的动态负载均衡方法 | |
| CN111258980B (zh) | 一种云存储系统中基于组合预测的动态文件放置方法 | |
| CN106445677A (zh) | 负载均衡方法及设备 | |
| CN105681052B (zh) | 一种用于数据中心分布式文件存储的节能方法 | |
| CN106534308A (zh) | 一种分布式存储系统中解决数据块访问热点的方法及装置 | |
| CN108647155A (zh) | 一种基于深度学习的多级cache共享的方法和装置 | |
| CN107623732A (zh) | 一种基于云平台的数据存储方法、装置、设备及存储介质 | |
| US20230229580A1 (en) | Dynamic index management for computing storage resources | |
| CN107426315B (zh) | 一种基于BP神经网络的分布式缓存系统Memcached的改进方法 | |
| CN111026337A (zh) | 一种基于机器学习和ceph思想的分布式储存方法 | |
| CN109656696A (zh) | 一种数据api高效调用的处理方法 | |
| CN107395708A (zh) | 一种处理下载请求的方法和装置 | |
| CN110362277A (zh) | 基于混合存储系统的数据分类存储方法 | |
| CN112328171A (zh) | 数据分布预测方法、数据均衡方法、设备及存储介质 | |
| CN113608876A (zh) | 基于负载类型感知的分布式文件系统元数据负载均衡方法 | |
| CN107689876A (zh) | 分布式对象存储系统中元数据的分布管理方法 | |
| CN108259583B (zh) | 一种数据动态迁移方法及装置 | |
| Tatarnikova et al. | Algorithms for placing files in tiered storage using Kohonen map | |
| CN107491264A (zh) | 一种分布式系统中的数据写入方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230627 Address after: Building G1, No. 17, Software Road, Tianhe District, Guangzhou, Guangdong 510660 Patentee after: GUANGZHOU BINGO SOFTWARE CO.,LTD. Address before: 510631 School of computer science, South China Normal University, 55 Zhongshan Avenue West, Tianhe District, Guangzhou City, Guangdong Province Patentee before: SOUTH CHINA NORMAL University |
|
| TR01 | Transfer of patent right |