CN109992356B - 一种自动启动虚拟机的方法及其系统 - Google Patents
一种自动启动虚拟机的方法及其系统 Download PDFInfo
- Publication number
- CN109992356B CN109992356B CN201910284920.3A CN201910284920A CN109992356B CN 109992356 B CN109992356 B CN 109992356B CN 201910284920 A CN201910284920 A CN 201910284920A CN 109992356 B CN109992356 B CN 109992356B
- Authority
- CN
- China
- Prior art keywords
- starting
- virtual machine
- classification
- virtual
- list
- 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
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45575—Starting, stopping, suspending or resuming virtual machine instances
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Stored Programmes (AREA)
Abstract
本申请公开了一种自动启动虚拟机的方法及其系统,其中自动启动虚拟机的方法,具体包括以下步骤:响应于接收到对于物理机的启动命令,获得物理机的当前运行信息;将运行信息输入神经网络预测模型;将预测结果与预定阈值进行比较;若预测结果超出预定阈值,将预测结果输入分类模型;根据分类模型的分类结果确定虚拟机的启动列表;启动启动列表中的虚拟机的关键数据。本申请能够通过神经网络预测模型对输入向量进行训练,最终进行预测,预测结果更加准确。
Description
技术领域
本申请涉及虚拟机启动领域,具体地,涉及一种自动启动虚拟机的方法及其系统。
背景技术
现有技术中,随着互联思想的无处不在,分布式计算机应用而生,随之虚拟化技术的应用也变得更加广泛,由于利用虚拟机能够实现对硬件异构性的有效屏蔽以及隔离软件,因此,虚拟机技术得以广泛发展,通常的虚拟机是在物理机上进行启动的,但是在启动过程中,均需要人为从硬盘中读取启动资源,过程繁琐且较慢,降低用户体验。
发明内容
本申请的目的在于提供一种自动启动虚拟机的方法和系统。在接收到对物理机的启动请求时,在物理机的启动同时能够获取物理机的运行信息,将运行信息放入神经网络模型进行预测,并最终选出将要启动的虚拟机,并对该虚拟机进行自启动,从而减少了人为响应和启动虚拟机的时间,使用户体验更加良好。
为达到上述目的,本申请提供了一种自动启动虚拟机的方法及其系统,其中自动启动虚拟机的方法具体包括以下步骤:响应于接收到对于物理机的启动命令,获得物理机的当前运行信息;将运行信息输入神经网络预测模型;将预测结果与预定阈值进行比较;若预测结果超出预定阈值,将预测结果输入分类模型;根据分类模型的分类结果确定虚拟机的启动列表;启动启动列表中的虚拟机的关键数据。
如上的,其中,物理机的当前运行信息包括当前物理机的存储容量、物理机运行的环境信息、物理机最近一次关机时加载的虚拟机数量、虚拟机型号、以及虚拟机开启的时间和关闭的时间中的一种或多种数据。
如上的,其中,预先对神经网络预测模型进行训练,通过将物理机不同时间段的运行信息作为输入向量进行收集,构建运行数据集合,从而训练神经网络预测模型,其中神经网络预测模型的训练过程具体包括以下步骤:对网络初始化;计算隐含层输出;计算输出层输出。
如上的,其中,分类模型根据一种或多种分类规则对预测结果进行分类,形成多个分类集合。
如上的,其中,分类规则包括虚拟机占用内存大小、和/或虚拟机占用cpu的情况。
如上的,其中,通过分类模型获得多个分类列表,每个分类列表中包括按照一定顺序排列的一个或多个虚拟机。
如上的,其中,在按照分类列表确定启动列表时,选择一个或多个分类列表,将选中的分类列表中的虚拟机加入启动列表中。
如上的,其中,关键数据包括与启动列表中的虚拟机绑定的标准镜像集合,标准镜像集合中的每一个标准镜像对应着启动列表中的一个虚拟机。
如上的,其中,若同时启动多个启动列表中的虚拟机,判断物理机中启动盘的容量大小,若启动盘的容量能够启动多个启动列表中的虚拟机,则对虚拟机按照指定顺序进行启动。
一种自动启动虚拟机的系统,具体包括处理单元、预测单元、启动单元;处理单元,响应于接收到对于物理机的启动命令,获得物理机的当前运行信息;预测单元,将运行信息作为输入向量输入神经网络预测模型,根据神经网络模型的输出结果进行预测;启动单元,根据预测结果确定启动列表,并启动列表中的虚拟机的关键数据。
本申请具有以下有益效果:
(1)本申请提供的自动启动虚拟机的方法及其系统能够通过神经网络预测模型对输入向量进行训练,最终进行预测,预测结果更加准确。
(2)本申请提供的自动启动虚拟机的方法及其系统能够自动启动虚拟机,并且对将要启动的虚拟机进行分类,在启动过程中更容易查找到对应的虚拟机,响应时间更短。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是根据本申请实施例提供的自动启动虚拟机的方法流程图;
图2是根据本申请实施例提供的自动启动虚拟机的系统内部结构示意图;
图3是根据本申请实施例提供的自动启动虚拟机的系统子模块内部结构示意图;
图4是根据本申请实施例提供的自动启动虚拟机的系统另一子模块内部结构示意图;
图5是根据本申请实施例提供的自动启动虚拟机的系统又一子模块内部结构示意图。
具体实施方式
下面结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请是一种自动启动虚拟机的方法和系统。根据本申请,在接收到对物理机的启动请求时,在物理机的启动同时能够获取物理机的运行信息,将运行信息放入神经网络模型进行预测,并最终选出将要启动的虚拟机,并对该虚拟机进行自启动,从而减少了人为响应和启动虚拟机的时间,使用户体验更加良好。
如图1所示为本申请提供的自动启动虚拟机的方法流程图。
步骤S110:响应于接收到对于物理机的启动命令,获得物理机的当前运行信息。
优选地,建立与物理机之间的私有信道用于接收启动命令,私有信道是加密信道,只有通过相互认证之后的双方才能进行通信,通信之后的信息加密保存,由于对于物理机启动的命令必须是经过认证的机器发出的,所以使用私有信道传输启动命令,进一步的,私有信道的实现可例如在物理机的驱动文件和与该物理机通信的终端的驱动文件中分别预留一段数据空间,写入加密秘钥,从而构建私有信道,通过私有信道实现启动命令的接收与发送。
在接收到对于物理机的启动命令之后,获取物理机的当前运行信息,物理机的当前运行信息例如包括当前物理机的存储容量、物理机运行的环境信息、物理机最近一次关机时加载的虚拟机数量、虚拟机型号、以及这些虚拟机开启的时间和关闭的时间中的一种或多种数据。
步骤S120:将运行信息输入神经网络预测模型。
将获得的物理机的运行信息输入神经网络预测模型,优选地,本实施例中的神经网络预测模型为BP神经网络预测模型。
进一步的,预先对神经网络预测模型进行训练,通过将物理机不同时间段的运行信息作为输入向量进行收集,构建运行数据集合,从而训练神经网络预测模型。
进一步地,其中神经网络预测模型的训练过程具体包括以下步骤:
步骤D1:对网络初始化。
将输入向量放入训练后的神经网络预测模型中对网络初始化,其中根据初始化结果确定网络输入层的节点数、隐含层节点数、输出层节点数,以及输入层、输出层以及隐含层之间的连接权重值、隐含层阈值、输出层阈值。输入向量包括物理机运行数据,以及物理机加载虚拟机的历史数据等。
其中网络输入层的节点数、隐含层节点数、输出层节点数,以及输入层、输出层以及隐含层之间的连接权重值、隐含层阈值、输出层阈值的确定通过现有技术能够得出,在此不再进行阐述。
步骤D2:计算隐含层输出。
根据输入向量,输入层和隐含层间连接权值,以及隐含层阈值,计算隐含层输出。
步骤D3:计算输出层输出。
根据隐含层输出、各层之间的连接权值和输出层阈值,计算BP神经网络预测输出。
示例性地,本实施例中预测输出为将要启动的虚拟机的类型及其数量。优选地,运行信息中包含的数据发生改变,则预测输出也将发生改变。例如运行信息中包括虚拟机的开启时间,虚拟机A的开启时间为x,则根据时间x预测下一次开启虚拟机A的开启时间。再例如运行信息中包括虚拟机的数量,在物理机运行中虚拟机的数量发生了改变,如关闭了虚拟机A,则预测关闭虚拟机A之后是否还需要启动虚拟机,以及启动的虚拟机型号。
步骤S130:将预测结果与预定阈值进行比较。
具体地,预定阈值为预先设置好的固定阈值,示例性地,若预定阈值为启动虚拟机10-15个,预测结果为启动虚拟机20个,说明预测结果超出了预定阈值,则执行步骤S140。
步骤S140:将预测结果输入分类模型。
具体地,分类模型能够对预测结果进行分类,优选地,根据预测结果中虚拟机的类型对预测结果进行分类。
示例性地,分类模型可以根据虚拟机占用内存的大小、或者根据虚拟机占用cpu的情况等一种或多种分类规则对预测结果进行分类,从而形成多个分类集合,优选地,分类规则为预先设置并且可以被人为修改。
步骤S150:根据分类模型的分类结果确定虚拟机的启动列表。
通过分类模型获得多个分类列表,每个分类列表中包括按照一定顺序排列的一个或多个虚拟机,例如按照占用内存的大小形成的分类列表一,按照虚拟机占用cpu的情况形成的分类列表二。在按照分类列表确定启动列表时,可以选择一个或多个分类列表,将选中的分类列表中的虚拟机加入启动列表中,进一步的,还可以选择分类列表中排在前几位的虚拟机加入启动列表中。
步骤S160:启动所述启动列表中的虚拟机的关键数据。
具体地,所述关键数据包括与启动列表中的虚拟机绑定的标准镜像集合,标准镜像集合中的每一个标准镜像对应着启动列表中的一个虚拟机。所述标准镜像中包含能够启动虚拟机的数据与标志位,进一步地,启动虚拟机的数据包括加载虚拟机对应的运行环境、必要的驱动软件等。
在启动虚拟机时系统自动获取关键数据中的启动数据,进一步地,响应于获取启动数据后,关键数据中的标志位置0,代表该标志位已无效,启动数据已被获取。若标志位为1,则代表启动数据还未被获取。
进一步地,启动数据未被获取包括两种情况,一种为与启动数据对应的虚拟机仍未启动,另一种为与启动数据对应的虚拟机正在准备启动,但该标志位还未进行修改,此时应对标志位为1的虚拟机进行再次判断。
具体地,通过与虚拟机对应的标准镜像查找与标准镜像对应的延伸镜像,其中延伸镜像中的资源为虚拟机在准备启动时的数据,若判断延伸镜像中的资源数据与虚拟机未启动时的资源数据相比发生了波动改变,则判定该虚拟机已经准备启动,系统应查找下一个应启动的虚拟机。
若同时启动多个启动列表中的虚拟机,优选地,还包括判断物理机中启动盘的容量的步骤,判断启动盘的容量是否能够启动多个启动列表中的虚拟机,如果容量满足要求,则同时加载多个启动列表中的虚拟机,否则根据执行情况对启动列表进行排序,优选执行排序靠前的启动列表。
示例性地,若在执行中物理机的内存减少,在此情况下,应优选启动占用较小内存的启动列表中的虚拟机,防止物理机的内存被占满无法运行,将余下未启动的虚拟机加入虚拟机启动队列,在满足条件时,例如有其他虚拟机关闭时,从该启动队列中启动虚拟机。
图2为本申请实施例提供的预加载虚拟机的系统。
如图2所示,该系统包括处理单元201、预测单元202、启动单元203。
如图3所示,其中处理单元201包括接收模块301、获取模块302。
处理单元201,响应于接收到对于物理机的启动命令,获得物理机的当前运行信息。
具体地,接收模块301用于接收对于物理机的启动命令。
获取模块302与接收模块301连接,用于物理机启动后获取物理机的当前运行信息。
如图4所示,其中预测单元202包括训练模块401、初始化模块402、计算模块403。
预测单元202与处理单元201连接,用于将运行信息作为输入向量输入神经网络预测模型,根据神经网络模型的输出结果进行预测。
具体地,训练模块401用于预先对神经网络预测模型进行训练,通过将物理机不同时间段的运行信息作为输入向量进行收集,构建运行数据集合,从而训练神经网络预测模型。
初始化模块402与训练模块401连接,用于将输入向量放入训练后的神经网络预测模型中对网络初始化。
计算模块403与初始化模块402连接,用于计算隐含层输出和输出层输出。
如图5所示,启动单元203包括比较模块501、输入模块502、列表确定模块503、关键数据启动模块504、第三判断模块505。
启动单元203与预测单元202连接,用于根据预测结果确定启动列表,并启动列表中的虚拟机的关键数据。
具体地,比较模块501用于将预测结果与预定阈值进行比较。
输入模块502与比较模块501连接,用于若预测结果超过预定阈值,则将预测结果输入分类模型中。
列表确定模块503与输入模块502连接,用于根据分类模型的分类结果确定虚拟机的启动列表。
关键数据启动模块504与列表确定模块503连接,用于将启动列表中虚拟机的关键数据启动,从而启动虚拟机。
第三判断模块505与关键数据启动模块504连接,用于若同时启动多个列表中的虚拟机,判断物理机中启动盘的容量。
具体地,关键数据启动模块504还包括以下子模块,标志位第一判断模块、标志位第二判断模块(图中未示出)。
标志位第一判断模块用于判断关键数据中的标志位。
标志位第二判断模块与标志位第一判断模块连接,用于若标志位为1时则对标志位为1的虚拟机进行再次判断,判断其是否为正在准备启动。
本申请具有以下有益效果:
(1)本申请提供的自动启动虚拟机的方法及其系统能够通过神经网络预测模型对输入向量进行训练,最终进行预测,预测结果更加准确。
(2)本申请提供的自动启动虚拟机的方法及其系统能够自动启动虚拟机,并且对将要启动的虚拟机进行分类,在启动过程中更容易查找到对应的虚拟机,响应时间更短。
虽然当前申请参考的示例被描述,其只是为了解释的目的而不是对本申请的限制,对实施方式的改变,增加和/或删除可以被做出而不脱离本申请的范围。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种自动启动虚拟机的方法,其特征在于,具体包括以下步骤:
响应于接收到对于物理机的启动命令,获得物理机的当前运行信息;
将运行信息输入神经网络预测模型;
将预测结果与预定阈值进行比较;
若预测结果超出预定阈值,将预测结果输入分类模型;
根据分类模型的分类结果确定虚拟机的启动列表;
启动所述启动列表中的虚拟机的关键数据;
所述分类模型根据一种或多种分类规则对预测结果进行分类,形成多个分类集合;所述分类规则包括虚拟机占用内存大小、和/或虚拟机占用cpu的情况;
通过分类模型获得多个分类列表,每个分类列表中包括按照一定顺序排列的一个或多个虚拟机;在按照分类列表确定启动列表时,选择一个或多个分类列表,将选中的分类列表中的虚拟机加入启动列表中;
关键数据包括与启动列表中的虚拟机绑定的标准镜像集合,标准镜像集合中的每一个标准镜像对应着启动列表中的一个虚拟机,标准镜像中包含能够启动虚拟机的数据与标志位,在启动虚拟机时系统自动获取关键数据中的启动数据,响应于获取启动数据后,关键数据中的标志位置为0代表该标志位已无效,启动数据已被获取;标志位为1代表启动数据还未被获取,系统对标志位为1的虚拟机进行再次判断;
系统通过与虚拟机对应的标准镜像查找与标准镜像对应的延伸镜像,若延伸镜像中的资源数据与虚拟机未启动时的资源数据相比发生了波动改变,则判定该虚拟机已经准备启动,系统查找下一个应启动的虚拟机。
2.如权利要求1所述的自动启动虚拟机的方法,其特征在于,物理机的当前运行信息包括当前物理机的存储容量、物理机运行的环境信息、物理机最近一次关机时加载的虚拟机数量、虚拟机型号、以及虚拟机开启的时间和关闭的时间中的一种或多种数据。
3.如权利要求1所述的自动启动虚拟机的方法,其特征在于,预先对神经网络预测模型进行训练,通过将物理机不同时间段的运行信息作为输入向量进行收集,构建运行数据集合,从而训练神经网络预测模型,其中神经网络预测模型的训练过程具体包括以下步骤:
对网络初始化;
计算隐含层输出;
计算输出层输出。
4.如权利要求1所述的自动启动虚拟机的方法,其特征在于,若同时启动多个启动列表中的虚拟机,判断物理机中启动盘的容量大小,若启动盘的容量能够启动多个启动列表中的虚拟机,则对虚拟机按照指定顺序进行启动。
5.一种自动启动虚拟机的系统,使用如权利要求1-4任意一种自动启动虚拟机的方法,其特征在于,具体包括处理单元、预测单元、启动单元;
处理单元,响应于接收到对于物理机的启动命令,获得物理机的当前运行信息;
预测单元,将运行信息作为输入向量输入神经网络预测模型,根据神经网络模型的输出结果进行预测;
启动单元,根据预测结果确定启动列表,并启动列表中的虚拟机的关键数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910284920.3A CN109992356B (zh) | 2019-04-10 | 2019-04-10 | 一种自动启动虚拟机的方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910284920.3A CN109992356B (zh) | 2019-04-10 | 2019-04-10 | 一种自动启动虚拟机的方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109992356A CN109992356A (zh) | 2019-07-09 |
CN109992356B true CN109992356B (zh) | 2021-11-16 |
Family
ID=67132779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910284920.3A Active CN109992356B (zh) | 2019-04-10 | 2019-04-10 | 一种自动启动虚拟机的方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109992356B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023092430A1 (zh) * | 2021-11-25 | 2023-06-01 | 国云科技股份有限公司 | 一种虚拟机初始化方法、装置、终端设备及存储介质 |
CN114579196A (zh) * | 2022-05-06 | 2022-06-03 | 成都前锋信息技术股份有限公司 | 基于自学习的计算机启动盘启动顺序控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850441A (zh) * | 2015-05-26 | 2015-08-19 | 北京汉柏科技有限公司 | 一种云计算平台虚拟机自启动的系统及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473115B (zh) * | 2013-09-06 | 2017-04-05 | 华为技术有限公司 | 虚拟机放置方法和装置 |
CN105589704B (zh) * | 2014-10-22 | 2018-08-21 | 北京云巢动脉科技有限公司 | 一种加速虚拟机启动的方法及系统 |
US9898315B1 (en) * | 2014-11-24 | 2018-02-20 | Amazon Technologies, Inc. | Management of demand for virtual computing resources |
CN105893113A (zh) * | 2016-03-29 | 2016-08-24 | 上海携程商务有限公司 | 虚拟机的管理系统及管理方法 |
CN106775924B (zh) * | 2016-11-07 | 2018-08-07 | 北京百度网讯科技有限公司 | 虚拟机启动方法和装置 |
-
2019
- 2019-04-10 CN CN201910284920.3A patent/CN109992356B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850441A (zh) * | 2015-05-26 | 2015-08-19 | 北京汉柏科技有限公司 | 一种云计算平台虚拟机自启动的系统及方法 |
Non-Patent Citations (1)
Title |
---|
基于负载特征表示的云资源管理算法研究;刘春红;《中国博士学位论文全文数据库 息科技辑》;20180915;第2.1、3.1-3.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109992356A (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3452954B1 (en) | Dynamic classifier selection based on class skew | |
US8732587B2 (en) | Systems and methods for displaying trustworthiness classifications for files as visually overlaid icons | |
CN102938721A (zh) | 用于动态地可扩展的虚拟交换机的装置和方法 | |
CN109992356B (zh) | 一种自动启动虚拟机的方法及其系统 | |
WO2021104132A1 (zh) | 一种基于云虚拟机的数据访问方法及设备 | |
CN107329836B (zh) | 多系统的内存管理方法、管理装置以及移动终端 | |
US20230379268A1 (en) | Resource scheduling method and system, electronic device, computer readable storage medium | |
CN113222073B (zh) | 训练广告推荐模型的方法及装置 | |
US20210406568A1 (en) | Utilizing multiple stacked machine learning models to detect deepfake content | |
US20230421534A1 (en) | Autotuning a virtual firewall | |
EP3059692A1 (en) | System and method for antivirus checking of objects from a plurality of virtual machines | |
CN110929129A (zh) | 一种信息检测方法、设备及机器可读存储介质 | |
CN111143033B (zh) | 基于可伸缩操作系统的操作执行方法及装置 | |
US10839066B1 (en) | Distinguishing human from machine input using an animation | |
US11989293B2 (en) | Systems, methods, and media for identifying and responding to malicious files having similar features | |
CN115878991A (zh) | 一种信任模型的训练方法及装置 | |
US7287228B2 (en) | On-demand and incremental application adaptation | |
CN109814982B (zh) | 一种虚拟机自动启动的方法及其系统 | |
US11841925B1 (en) | Enabling automatic classification for multi-label classification problems with label completion guarantees | |
EP4318318A1 (en) | Information processing device for improving quality of generator of generative adversarial network (gan) | |
US11783325B1 (en) | Removal probability-based weighting for resource access | |
US20240155172A1 (en) | Systems and methods for determining viewing options for content based on scoring content dimensions | |
US20230359711A1 (en) | Processing an input stream of a user device to facilitate security associated with an account of a user of the user device | |
US20230422094A1 (en) | Systems and methods for determining loads of base stations for connection with fixed wireless access devices | |
KR102193157B1 (ko) | 컨테이너 서비스 제공을 위한 장치 및 방법 |
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: 20220812 Address after: Room 1701, Building B, Incubator, No. 300 Changjiang Road, Yantai District, China (Shandong) Pilot Free Trade Zone, Yantai City, Shandong Province, 264000 Patentee after: Wuji digital technology (Yantai) Co.,Ltd. Address before: 101300 Beijing Shunyi District Airport Street, No. 1 Anhua Street, 1st Building, 1st Floor, No. 2159 Patentee before: BEIJING LONGPU INTELLIGENT TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |