CN110019978A - 一种数据处理方法及装置 - Google Patents

一种数据处理方法及装置 Download PDF

Info

Publication number
CN110019978A
CN110019978A CN201711147939.0A CN201711147939A CN110019978A CN 110019978 A CN110019978 A CN 110019978A CN 201711147939 A CN201711147939 A CN 201711147939A CN 110019978 A CN110019978 A CN 110019978A
Authority
CN
China
Prior art keywords
correlation
degree
index
measurement
data processing
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.)
Pending
Application number
CN201711147939.0A
Other languages
English (en)
Inventor
林炳辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201711147939.0A priority Critical patent/CN110019978A/zh
Publication of CN110019978A publication Critical patent/CN110019978A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种数据处理方法及装置，包括：获取异常期间的多个测量指标的数据；选择不同测量指标之间相关程度大于相关性阈值的测量指标，生成相关集；根据所述相关集，确定异常原因。通过本申请的处理，简单、自动地发现了各测量指标之间的强相关，当产品线某个实体发生故障时，根据测量指标与测量指标的关联关系形成的强连通集即可简单、自动地判断出故障的原因。

Description

一种数据处理方法及装置
技术领域
本申请涉及但不限于计算机技术，尤指一种数据处理方法及装置。
背景技术
当产品线发生故障时，要想解决故障往往需要先定位故障原因，传统通常是通过人工对系统各指标的分析来确定故障原因，显然，这种依靠人工来确定异常原因的方法费时又费力。
发明内容
为了解决上述技术问题，本发明提供一种数据处理方法及装置，能够简单、自动地对异常原因进行定位。
为了达到本发明目的，本发明提供了一种数据处理方法，包括：
获取异常期间的多个测量指标的数据；
选择不同测量指标之间相关程度大于相关性阈值的测量指标，生成相关集；
根据所述相关集，确定异常原因。
可选地，所述不同测量指标之间相关程度的计算方法包括：
以各个所述测量指标的数据作为样本集，计算表示所述不同测量指标之间相关程度的矩阵；
其中，矩阵中的x行、y列的值代表测量指标x与测量指标y的相关程度。
可选地，所述生成相关集包括：
利用所述相关程度大于相关性阈值的测量指标初始化连通图，以使得生成的联通图中的各连通子图为相对于相关性阈值的强连通集；
对生成的连通图的连通子图进行搜索得到强连通集的集合。
可选地，所述连通图的联通子图包括两个或两个以上，所述根据相关集确定异常原因之前，还包括：
分别设置所述连通图中的点和边的权重；
计算点和边的加权和得到对应的连通子图的权重；
根据每个连通子图的权重找到前K个的连通子图，前K个连通子图构成所述强相关集。
本申请还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行上述任一项所述的数据处理方法。
本申请再提供了一种实现数据处理的装置，包括处理器、存储器；其中，存储器上存储有可被处理器运行的计算机程序：获取异常期间的多个测量指标的数据；选择不同测量指标之间相关程度大于相关性阈值的指标，生成相关集；根据所述相关集，确定异常原因。
本申请又提供了一种数据处理装置，包括：获取模块、处理模块，以及确定模块，其中，
获取模块，用于获取异常期间的多个测量指标的数据；
处理模块，用于选择不同测量指标之间相关程度大于相关性阈值的指标，生成相关集；
确定模块，用于根据所述相关集，确定异常原因。
可选地，所述处理模块还用于：
以各个所述测量指标的数据作为样本集，计算表示所述不同测量指标之间相关程度的矩阵；其中，矩阵中的x行、y列的值代表测量指标x与测量指标y的相关程度。
可选地，所述处理模块具体用于：利用所述相关程度大于相关性阈值的测量指标初始化连通图，以使得生成的联通图中的各连通子图为相对于相关性阈值的强连通集；对生成的连通图的连通子图进行搜索得到强连通集的集合。
可选地，还包括：设置模块，用于分别设置所述连通图中的点和边的权重；
计算点和边的加权和得到对应的连通子图的权重；
根据每个连通子图的权重找到前K个的连通子图，前K个连通子图构成所述强相关集。
本申请技术方案包括：获取异常期间的多个测量指标的数据；选择不同测量指标之间相关程度大于相关性阈值的指标，生成相关集；根据所述相关集，确定异常原因。通过本申请的处理，简单、自动地发现了各测量指标之间的强相关，当产品线某个实体发生故障时，根据测量指标与测量指标的关联关系形成的强连通集即可简单、自动地判断出故障的原因。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1为本申请实施例中数据处理方法的流程图；
图2为本申请实施例中数据处理装置的组成结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请的实施例进行详细说明。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任意组合。
在本申请一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1为本申请实施例中数据处理方法的流程图，如图1所示，包括：
步骤100：获取异常期间的多个测量指标的数据。
本步骤中，测量指标可以包括但不限于以下任意组合：CPU占用率、实例输入输出(IO)频率和数据量、实例CPU使用率、负载(load)值、内存占用率、网络流量等。测量指标可以分为原因指标和结果指标，比如：CPU占用率，load值，内存使用率等是结果指标，一旦结果指标发生异常，仍然不知道异常的根源在哪即不能确定异常原因。再如：实例IO接口、实例CPU使用率、实例内存使用率等是原因指标，如果原因指标发生异常，则是可以知道异常的根源在哪的即能够确定异常原因。
可选地，获取的数据可以是异常期间，如故障时间段(开始时间sTime，结束时间eTime)内所形成的时序数据集，时序数据集中包括按照预先设置采集周期采集到的数据值组成的数据集。
步骤101：选择不同测量指标之间相关程度大于相关性阈值的测量指标，生成相关集。
可选地，不同测量指标之间相关程度的计算方法包括：
以各个所述测量指标的数据作为样本集，计算表示所述不同测量指标之间相关程度的矩阵；其中，矩阵中的x行、y列的值代表测量指标x与测量指标y的相关程度。
比如，假设有N个测量指标，则可以以各个测量指标的时序数据集作为各个测量指标的样本集，利用如皮尔逊积矩相关系数(PPMCC，Pearson product-moment correlationcoefficient)算法等计算出Pearson相关性矩阵Matrix(N×N)，矩阵Matrix(N×N)中的x行、y列的值代表测量指标x与测量指标y的相关程度，取值范围为-1～+1，数值的绝对值越大，表明测量指标x与测量指标y的相关性越强。也就是说，通过PPMCC算法算出了时序数据集中各个时序数据之间的相关程度。
其中，PPMCC算法用于度量两个变量之间的相关程度，其值介于-1与1之间。PPMCC算法的具体实现并不用于限定本申请的保护范围，这里不再赘述，这里强调的是，采用PPMCC算法获得了各测量指标之间的相关程度。
可选地，生成相关集包括：
利用所述相关程度大于相关性阈值的测量指标初始化连通图，以使得生成的联通图中的各连通子图为相对于相关性阈值的强连通集；
对生成的连通图的连通子图进行搜索得到强连通集的集合。
比如，根据表示测量指标相关性的矩阵Matrix(NxN)，可以获知任意测量指标之间的相关性，可选地，生成相关集可以包括：如果测量指标x与测量指标y的相关程度大于预先设置的相关性阈值t，则添加边(x,y)到已初始化为空图的连通图G中，这样，最后生成的联通图G中的各连通子图为相对于相关性阈值t的强连通集；通过如洪水填充(Flood Fill)算法等，在连通图G的连通子图的搜索得到强连通集的集合。
其中，Flood fill算法是从一个区域中提取若干个连通的点与其他相邻区域区分开(或分别染成不同颜色)的经典算法。具体如何利用Flood fill算法
通过本申请的处理，简单、自动地发现了各测量指标之间的间接的强相关性，比如：对于系统负载值与脏页大小的相关性大于预先设置的相关性阈值t，脏页大小与应用程序A的相关性大于预先设置的相关性阈值t，而系统负载值与应用程序A的相关性小于预先设置的相关性阈值t的情况，根据生成的连通子图就能找到系统负载值与应用程序A的关系并且知道是因为脏页大小指标的因素，系统负载值与应用程序A是有强相关性的。
步骤102：根据所述相关集，确定异常原因。
如果相关集的一个连通子图中既有原因指标又有结果指标，那么，则可以按原因指标-->结果指标来对异常原因做出推断。比如一个强连通集的元素包含：系统负载值，实例A的IO数据量，那么，可以推断出实例A的IO数据量异常引起了系统负载值升高，从而引起主机异常。
需要说明的是，原因指标和结果指标都是实现确定的，如果强相关集的一个连通子图中只有结果指标，说明其中的结果指标是原因指标。如果强相关集的一个连通子图中只有原因指标，说明并不是本申请感兴趣的现象，不需要注意。
可选地，如果连通图G的联通子图可能有很多个，本申请数据处理方法中的根据相关集确定异常原因之前还包括：
给连通图G中的点即测量指标和边即测量指标间的相关程度分别设定权重，其中，权重可以根据业务需求来设置；计算点和边的加权和得到一个连通子图的权重；根据每个连通子图的权重找到前K个(TopK)的连通子图，前K个连通子图构成所述强相关集。
通过本申请提供的实施例，当产品线某个实体发生故障时，根据测量指标与测量指标的关联关系形成的强连通集即可简单、自动地判断出故障的原因。
本申请还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行上述任一项所述的数据处理方法。
本申请还提供了一种实现数据处理的装置，包括处理器、存储器；存储器上存储有可被处理器运行的计算机程序：获取异常期间的多个测量指标的数据；选择不同测量指标之间相关程度大于相关性阈值的测量指标，生成相关集；根据所述相关集，确定异常原因。
图2为本申请实施例中数据处理装置的组成结构示意图，如图2所示，至少包括：获取模块、处理模块，以及确定模块，其中，
获取模块，用于获取异常期间的多个测量指标的数据；
处理模块，用于选择不同测量指标之间相关程度大于相关性阈值的指标，生成相关集；
确定模块，用于根据所述相关集，确定异常原因。
可选地，获取的数据可以是异常期间如故障时间段(开始时间sTime，结束时间eTime)内所形成的时序数据集，时序数据集中包括按照预先设置采集周期采集到的数据值组成的数据集。
可选地，处理模块还用于：以各个所述测量指标的数据作为样本集，计算表示所述不同测量指标之间相关程度的矩阵；其中，矩阵中的x行、y列的值代表测量指标x与测量指标y的相关程度。比如，以各个测量指标的时序数据集作为各个测量指标的样本集，利用如皮尔逊积矩相关系数(PPMCC，Pearson product-moment correlation coefficient)算法等计算出Pearson相关性矩阵Matrix(N×N)，矩阵Matrix(N×N)中的x行、y列的值代表测量指标x与测量指标y的相关程度，取值范围为-1～+1，数值的绝对值越大，表明测量指标x与测量指标y的相关性越强。其中，N表示测量指标的数量，为大于1的整数。
可选地，处理模块具体用于：利用所述相关程度大于相关性阈值的测量指标初始化连通图，以使得生成的联通图中的各连通子图为相对于相关性阈值的强连通集；对生成的连通图的连通子图进行搜索得到强连通集的集合。比如：对于矩阵Matrix(N×N)，如果指标x与指标y的相关程度大于预先设置的相关性阈值t，则添加边(x,y)到已初始化为空图的连通图G中，这样，最后生成的联通图G中的各连通子图为相对于相关性阈值t的强连通集；通过如洪水填充(Flood Fill)算法等，在连通图G的连通子图的搜索得到强连通集的集合。
可选地，确定模块具体用于：根据相关集中的连通子图中原因指标和/或结果指标，对异常原因和异常类型做出推断。
可选地，本申请异常原因确定装置还包括：设置模块，用于给连通图G中的点即指标和边即指标间的相关程度分别设定权重，其中，权重可以根据业务需求来设置；计算点和边的加权和得到一个连通子图的权重；根据每个连通子图的权重找到前K个(TopK)的连通子图，这前K个连通子图构成所述强相关集。
虽然本申请所揭露的实施方式如上，但所述的内容仅为便于理解本申请而采用的实施方式，并非用以限定本申请。任何本申请所属领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种数据处理方法，其特征在于，包括：
获取异常期间的多个测量指标的数据；
选择不同测量指标之间相关程度大于相关性阈值的指标，生成相关集；
根据所述相关集，确定异常原因。
2.根据权利要求1所述的数据处理方法，其特征在于，所述不同测量指标之间相关程度的计算方法包括：
以各个所述测量指标的数据作为样本集，计算表示所述不同测量指标之间相关程度的矩阵；
其中，矩阵中的x行、y列的值代表测量指标x与测量指标y的相关程度。
3.根据权利要求1所述的数据处理方法，其特征在于，所述生成相关集包括：
利用所述相关程度大于相关性阈值的测量指标初始化连通图，以使得生成的联通图中的各连通子图为相对于相关性阈值的强连通集；
对生成的连通图的连通子图进行搜索得到强连通集的集合。
4.根据权利要求3所述的数据处理方法，其特征在于，所述连通图的联通子图包括两个或两个以上，所述根据相关集确定异常原因之前，还包括：
分别设置所述连通图中的点和边的权重；
计算点和边的加权和得到对应的连通子图的权重；
根据每个连通子图的权重找到前K个的连通子图，前K个连通子图构成所述强相关集。
5.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行上述权利要求1～权利要求4任一项所述的数据处理方法。
6.一种实现数据处理的装置，包括处理器、存储器；其中，存储器上存储与偶可被处理器运行的计算机程序：获取异常期间的多个测量指标的数据；选择不同测量指标之间相关程度大于相关性阈值的测量指标，生成相关集；根据所述相关集，确定异常原因。
7.一种数据处理装置，其特征在于，至少包括：获取模块、处理模块，以及确定模块，其中，
获取模块，用于获取异常期间的多个测量指标的数据；
处理模块，用于选择不同测量指标之间相关程度大于相关性阈值的指标，生成相关集；
确定模块，用于根据所述相关集，确定异常原因。
8.根据权利要求7所述的数据处理装置，其特征在于，所述处理模块还用于：
以各个所述测量指标的数据作为样本集，计算表示所述不同测量指标之间相关程度的矩阵；其中，矩阵中的x行、y列的值代表测量指标x与测量指标y的相关程度。
9.根据权利要求7所述的数据处理装置，其特征在于，所述处理模块具体用于：利用所述相关程度大于相关性阈值的测量指标初始化连通图，以使得生成的联通图中的各连通子图为相对于相关性阈值的强连通集；对生成的连通图的连通子图进行搜索得到强连通集的集合。
10.根据权利要求9所述的数据处理装置，其特征在于，还包括：设置模块，用于分别设置所述连通图中的点和边的权重；
计算点和边的加权和得到对应的连通子图的权重；
根据每个连通子图的权重找到前K个的连通子图，前K个连通子图构成所述强相关集。
CN201711147939.0A 2017-11-17 2017-11-17 一种数据处理方法及装置 Pending CN110019978A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711147939.0A CN110019978A (zh) 2017-11-17 2017-11-17 一种数据处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711147939.0A CN110019978A (zh) 2017-11-17 2017-11-17 一种数据处理方法及装置

Publications (1)

Publication Number Publication Date
CN110019978A true CN110019978A (zh) 2019-07-16

Family

ID=67186762

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711147939.0A Pending CN110019978A (zh) 2017-11-17 2017-11-17 一种数据处理方法及装置

Country Status (1)

Country Link
CN (1) CN110019978A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037106A (zh) * 2020-08-07 2020-12-04 汉威科技集团股份有限公司 一种基于特征互相关性和概率密度的数据异常分析方法
WO2023273224A1 (zh) * 2021-06-30 2023-01-05 天翼云科技有限公司 指标异常数据溯源方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102063433A (zh) * 2009-11-16 2011-05-18 华为技术有限公司 相关项推荐方法和装置
CN103559225A (zh) * 2013-10-21 2014-02-05 北京航空航天大学 Web服务资源库数据的清洗方法和服务器
CN105894360A (zh) * 2016-03-31 2016-08-24 百度在线网络技术（北京）有限公司 作弊订单识别方法、装置及系统
CN106130761A (zh) * 2016-06-22 2016-11-16 北京百度网讯科技有限公司 数据中心的故障网络设备的识别方法和装置
CN106254175A (zh) * 2016-07-26 2016-12-21 北京蓝海讯通科技股份有限公司 一种集群异常节点检测方法、应用和计算设备
CN106502815A (zh) * 2016-10-20 2017-03-15 北京蓝海讯通科技股份有限公司 一种异常原因定位方法、装置和计算设备
US20170102984A1 (en) * 2015-10-13 2017-04-13 Huawei Technologies Co., Ltd. Fault Diagnosis Method and Apparatus for Big-Data Network System
CN106953745A (zh) * 2017-02-28 2017-07-14 中国联合网络通信集团有限公司 网络问题评估的方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102063433A (zh) * 2009-11-16 2011-05-18 华为技术有限公司 相关项推荐方法和装置
CN103559225A (zh) * 2013-10-21 2014-02-05 北京航空航天大学 Web服务资源库数据的清洗方法和服务器
US20170102984A1 (en) * 2015-10-13 2017-04-13 Huawei Technologies Co., Ltd. Fault Diagnosis Method and Apparatus for Big-Data Network System
CN105894360A (zh) * 2016-03-31 2016-08-24 百度在线网络技术（北京）有限公司 作弊订单识别方法、装置及系统
CN106130761A (zh) * 2016-06-22 2016-11-16 北京百度网讯科技有限公司 数据中心的故障网络设备的识别方法和装置
CN106254175A (zh) * 2016-07-26 2016-12-21 北京蓝海讯通科技股份有限公司 一种集群异常节点检测方法、应用和计算设备
CN106502815A (zh) * 2016-10-20 2017-03-15 北京蓝海讯通科技股份有限公司 一种异常原因定位方法、装置和计算设备
CN106953745A (zh) * 2017-02-28 2017-07-14 中国联合网络通信集团有限公司 网络问题评估的方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冯海林, 刘三阳, 宋月: "网络系统可靠性分析的马尔可夫过程法", 系统工程与电子技术, no. 11 *
韩光臣, 孙树栋, 王军强, 蔡志强: "复杂系统模糊概率故障图模型研究", 中国机械工程, no. 09 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037106A (zh) * 2020-08-07 2020-12-04 汉威科技集团股份有限公司 一种基于特征互相关性和概率密度的数据异常分析方法
CN112037106B (zh) * 2020-08-07 2023-12-15 汉威科技集团股份有限公司 一种基于特征互相关性和概率密度的数据异常分析方法
WO2023273224A1 (zh) * 2021-06-30 2023-01-05 天翼云科技有限公司 指标异常数据溯源方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
US8812947B1 (en) Ranking graphical visualizations of a data set according to data attributes
CN105468510A (zh) 对软件质量进行评估与追踪的方法和系统
US9269182B2 (en) System and method for identifying entry points of a hierarchical structure
US20140237343A1 (en) Method and system for optimizing rendering of data tables
US9472002B1 (en) Graphing parameters of a virtualized computing environment
CN110019978A (zh) 一种数据处理方法及装置
CN108319749A (zh) 一种确定示功图的方法及装置
CN111125088B (zh) 多层级数据处理方法和装置
Vernier et al. Quantitative comparison of dynamic treemaps for software evolution visualization
CN110969000B (zh) 数据合并的处理方法及装置
CN107566826B (zh) 栅格图像处理器的测试方法及装置
CN109508738A (zh) 一种信息处理方法及相关设备
CN108040250A (zh) 一种智能电视性能的评估方法和装置
Lucy Bayesian inference for orbital eccentricities
CN104574455B (zh) 图像重建方法及装置
CN106155866A (zh) 一种监控cpu核心频率的方法及装置
EP3465470A1 (en) Method and device for generating an electronic document specification based on a n-dimensional data source
CN110019357B (zh) 数据库查询脚本生成方法及装置
CN107016028A (zh) 数据处理方法及其设备
JPWO2013105404A1 (ja) 信頼度計算装置、信頼度計算方法、及びプログラム
CN106294127B (zh) 基于聚类的面向对象软件测试用例生成方法
Alexandru et al. Chiral symmetry breaking and chiral polarization: Tests for finite temperature and many flavors
CN114168456A (zh) 一种基于3d-gis的前端性能自动化测试方法
Paun Fractal surface analysis of Zircaloy-4 SEM micrographs using the time-series method
CN110580731B (zh) 3d文字渲染方法、介质、设备及装置

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40010849

Country of ref document: HK