CN111061505A - 基于机器学习的优化打ab包方法 - Google Patents
基于机器学习的优化打ab包方法 Download PDFInfo
- Publication number
- CN111061505A CN111061505A CN201911202896.0A CN201911202896A CN111061505A CN 111061505 A CN111061505 A CN 111061505A CN 201911202896 A CN201911202896 A CN 201911202896A CN 111061505 A CN111061505 A CN 111061505A
- Authority
- CN
- China
- Prior art keywords
- resource
- packaging
- utilization rate
- machine learning
- information
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/71—Version control; Configuration management
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明涉提供了一种基于机器学习的优化打AB包方法，其特征在于，该方法包括以下步骤设定时间段对游戏客户端进行监控，获取设定时间段内游戏多份客户端的加载及卸载信息，根据加载及卸载信息计算资源使用率；根据资源使用率将对应的资源文件属性信息进行数字化编码，并为资源文件属性信息分配对应的权重，得到调权后的参数数组；对参数数字使用多种算法进行优化，得到对应的AB打包列表，根据打包列表对对应资源文件进行打包处理，再次计算资源使用率；循环执行上一步骤得到最优的AB打包列表，将最优的AB打包列表作为对客户端资源文件的打包规则。本发明的有益效果为：使AB包更加合理，减少内存中加载的资源数量，降低内存使用，提高游戏体验。
Description
技术领域
本发明属于计算机游戏领域，具体涉及了一种基于机器学习的优化打AB包方法。
背景技术
Unity引擎打asset bundle包(简称AB包)技术。
目前的Unity打AB包时，一般是有以下几种方案：
1.按照资源的依赖来分包
2.按照资源文件夹分包
3.按照资源类型来分包
按照以上的1种或多种组合形式打出来的AB包，由于unity加载的单位是AB包，那么如果分包不合理，会导致加载在内存中的资源并没有被使用，从而造成浪费，使内存虚高，也有可能会基于内存的限制造成频繁的加载和卸载AB包，从而使帧率下降，降低玩家体验。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了基于机器学习的优化打AB包方法，应用机器学习的方法，不断地学习游戏行为模式和资源模式并用于指导打包，使AB包更加符合游戏的变化和用户行为习惯，提高用户体验。
本发明的技术方案包括一种基于机器学习的优化打AB包方法，其特征在于，该方法包括以下步骤：S100，每隔设定时间段对游戏客户端进行监控，获取设定时间段内游戏多份客户端的加载及卸载信息，根据所述加载及卸载信息计算资源使用率；S200，根据所述资源使用率将对应的资源文件属性信息进行数字化编码，并为资源文件属性信息分配对应的权重，得到调权后的参数数组；
S300，对所述参数数字使用多种算法进行优化，得到对应的AB打包列表，根据所述打包列表对对应资源文件进行打包处理，再次计算资源使用率；S400，循环执行所述S300得到最优的AB打包列表，将最优的AB打包列表作为对客户端资源文件的打包规则。
根据所述的基于机器学习的优化打AB包方法，其中S100具体包括：S110，在客户端注入监控程序，所述监控程序在游戏内加载资源和卸载资源的相应接口调用时，同时将资源加载及卸载资源的信息发送给服务端写入日志；S120，在设定时间段内，分析服务端收集到的资源加载/卸载时间表，将设定时间段采集的多份数据进行预处理；S130，对所述S120进行预处理的多份数据进行计算，得到结果数组，以及每个资源的使用生命周期，其中，所述结果数据包括是每个输入的资源使用率，所述资源使用率包括大小使用率和数量使用率。
根据所述的基于机器学习的优化打AB包方法，其中预处理包括将加载及卸载信息的上传时间减去起始采集时间，得到客户端的游戏相对时间。
根据所述的基于机器学习的优化打AB包方法，其中S200具体包括：S210，遍历客户端全部资源文件，得到对应属性信息，对资源文件的属性信息进行保留信息相关性的数字化编码，得到资源属性信息数组，其中属性信息包括资源路径、资源大小、资源提交人、资源提交信息及资源加载/卸载时间，S220，对场景优先级进行数字化编码，得到对应的场景优先级数组；S230，根据资源文件的数量及资源文件的运行时间，计算数量和运行时间的比值，得到对应的质量分数数组；S240，为资源路径、资源大小、资源提交人、资源提交信息、资源加载/卸载时间、场景优先级及质量分数分配对应的权重。
根据所述的基于机器学习的优化打AB包方法，其中数字化编码具体包括：将资源文件信息中包括有数字标识的信息进行整型编码，以及，将不包括有数字标识的通过映射方法转换为整型编码。
根据所述的基于机器学习的优化打AB包方法，其中S300具体包括：S310，对所述资源属性信息数组、所述质量分数数组及质量分数数组根据调权，得到调权后的参数数组；S320，将该参数数组传到优化端，使用多种算法计算优化结果。
根据所述的基于机器学习的优化打AB包方法，其中算法包括分场景聚类算法、贪婪算法及多重聚类算法。
根据所述的基于机器学习的优化打AB包方法，其中分场景聚类算法通过分场景聚类算法，将所有参数数组输入合并，并按场景分组，对每个场景单独使用输入数组聚类，按照场景优先级去重资源，得到对应的AB打包列表。
根据所述的基于机器学习的优化打AB包方法，其中贪婪算法具体包括：对所有输入的资源文件数据，计算出资源文件对应的下一个资源原出现的概率表，取出资源后面出现概率最高的资源Y，进而查找Y后面出现概率最高的资源Z，依次执行直到可以得到一个资源加载顺序表，加载顺序列表来计算得到对应的AB打包列表。
根据所述的基于机器学习的优化打AB包方法，其中多重聚类算法用于对所有输入，按照设定的优先级顺序来聚类，聚类结果则按照优先级顺序对资源进行去重得到对应的AB打包列表。
根据所述的基于机器学习的优化打AB包方法，其中S400具体包括：S410，将每个算法计算好的得到对应的AB打包列表对客户端资源文件计算资源大小使用率和数量使用率，得到返回的资源使用率；S420，对每个算法，比较所述S100得到资源使用率与所述S410得到的资源使用率，调整所述设定权重；S430，循环执行所述S410～S420，直至资源使用率达到设定范围；S440，将达到设定范围的资源使用率对应的参数数组作为下个设定时间段的其实输入参数；S450，经过多次计算，得到最高使用率的对应的AB打包列表，将最高使用率的对应的AB打包列表作为客户端游戏资源的打包规则进行打包处理。
本发明的有益效果为：使AB包更加合理，减少内存中加载的资源数量，降低内存使用，提高游戏体验。
附图说明
下面结合附图和实施例对本发明进一步地说明；
图1所示为根据本发明实施方式的总体流程图。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
图1所示为根据本发明实施方式的总体流程图。具体包括：S100，每隔设定时间段对游戏客户端进行监控，获取设定时间段内游戏多份客户端的加载及卸载信息，根据加载及卸载信息计算资源使用率；S200，根据资源使用率将对应的资源文件属性信息进行数字化编码，并为资源文件属性信息分配对应的权重，得到调权后的参数数组；S300，对参数数字使用多种算法进行优化，得到对应的AB打包列表，根据打包列表对对应资源文件进行打包处理，再次计算资源使用率；S400，循环执行S300得到最优的AB打包列表，将最优的AB打包列表作为对客户端资源文件的打包规则。
基于图1所示的流程，本发明提出了以下的具体实施方式，包括：
第一步：使用注入技术，将监控程序注入到目标手游，用于收集信息；
第二步：注入的程序会在游戏内加载资源和卸载资源的相关接口调用时，同时将资源加载/卸载资源的信息发送给服务端写入日志；
第三步：每一次有客户端打开游戏游玩，后台会收集资源的加载和卸载信息；
第四步：每隔一段时间(例如一天)，分析服务端收集到的资源加载/卸载时间表，将这段时间(今天)内收集到的多份数据(由于数据以手机/pc端的IP地址为单位，因此数据量取决于每天进行游玩的客户端数量*游玩时间)进行预处理，使上传时间统一减去起始时间得到一个游戏相对时间(秒数)；
第五步：后台分析第四步中得到的数据，可以得到一个结果数组(内容是每一个输入的资源使用率，包括大小使用率和数量使用率)，以及每一个资源的使用生命周期(加载时间和卸载时间，每个资源在同份输入可能会存在多次加载和卸载)。
第六步：遍历全部资源，可以得到每个资源的路径，大小，提交人，提交时间等信息。
第七步：将第六步中得到的信息进行数字化编码，并最大程度地保留信息相关性(例如，将资源文件夹看做是一个树，广度优先遍历整个树，每个文件/文件夹的编码递增，则每一个资源文件可以得到一串数字化编码来表示他所在的每级路径，例如1,25,43,96,125和1,25,43,96,126。这样在同一个路径中的两个文件编码差异最小，即在树节点上的距离为1。编码差异越小的，说明两个文件的关联性越强。并且每级编码的优先级按照层级递增)。
第八步：将场景的优先级进行数字化编码，得到一个一维数组。
第九步：对每份输入文件，将资源名去重后得到一个资源数量，用这个资源数量除以该文件的执行总时长，得到一个输入质量分数。我们认为这个分数越高，则信息密度越大，也就代表这个输入信息越优质。所有的输入文件都计算出分数后，得到一个输入质量结果数组
第十步：对于资源路径、大小、提交人、提交信息、加载/卸载时间、场景优先级、输入质量，分别指定一个权重，作为可调参数。
第十一步：将第五步，第七步，第八步，第九步中得到的信息，分别乘以第十步中的权重，得到一个调权后的参数数组。将该参数数组传到优化端，使用多种算法计算优化结果(本例中，我们使用了分场景聚类算法、贪婪算法和多重聚类算法，具体见后表)，得到多个asset-bundle列表。
第十二步：将每一个算法计算好的优化结果(asset-bundle列表)分别发送给计算端计算资源大小使用率和数量使用率。
第十三步：对每一个算法，比较第十一步和第五步的返回结果，并且按照返回结果以及历史结果，调整第十步中的可调参数。
第十四步：循环第十二步到十三步，直到使用率稳定收敛到一个很小的浮动区间。
第十五步：保留现有的参数，作为下一个时间段(第二天)的起始输入参数，可以节约下一个时间段的计算量。
第十六步：比较结果，选择一个使用率最高的算法输出的优化asset-bundle表当做打包规则，则可以得出一个更优的打包方式，提高资源使用率，降低游戏内存占用。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (11)
1.一种基于机器学习的优化打AB包方法，其特征在于，该方法包括以下步骤：
S100，每隔设定时间段对游戏客户端进行监控，获取设定时间段内游戏多份客户端的加载及卸载信息，根据所述加载及卸载信息计算资源使用率；
S200，根据所述资源使用率将对应的资源文件属性信息进行数字化编码，并为资源文件属性信息分配对应的权重，得到调权后的参数数组；
S300，对所述参数数字使用多种算法进行优化，得到对应的AB打包列表，根据所述打包列表对对应资源文件进行打包处理，再次计算资源使用率；
S400，循环执行所述S300得到最优的AB打包列表，将最优的AB打包列表作为对客户端资源文件的打包规则。
2.根据权利要求1所述的基于机器学习的优化打AB包方法，其特征在于，所述S100具体包括：
S110，在客户端注入监控程序，所述监控程序在游戏内加载资源和卸载资源的相应接口调用时，同时将资源加载及卸载资源的信息发送给服务端写入日志；
S120，在设定时间段内，分析服务端收集到的资源加载/卸载时间表，将设定时间段采集的多份数据进行预处理；
S130，对所述S120进行预处理的多份数据进行计算，得到结果数组，以及每个资源的使用生命周期，其中，所述结果数据包括是每个输入的资源使用率，所述资源使用率包括大小使用率和数量使用率。
3.根据权利要求2所述的基于机器学习的优化打AB包方法，其特征在于，所述预处理包括将加载及卸载信息的上传时间减去起始采集时间，得到客户端的游戏相对时间。
4.根据权利要求2所述的基于机器学习的优化打AB包方法，其特征在于，所述S200具体包括：
S210，遍历客户端全部资源文件，得到对应属性信息，对资源文件的属性信息进行保留信息相关性的数字化编码，得到资源属性信息数组，其中属性信息包括资源路径、资源大小、资源提交人、资源提交信息及资源加载/卸载时间，
S220，对场景优先级进行数字化编码，得到对应的场景优先级数组；
S230，根据资源文件的数量及资源文件的运行时间，计算数量和运行时间的比值，得到对应的质量分数数组；
S240，为资源路径、资源大小、资源提交人、资源提交信息、资源加载/卸载时间、场景优先级及质量分数分配对应的权重。
5.根据权利要求2所述的基于机器学习的优化打AB包方法，其特征在于，所述数字化编码具体包括：
将资源文件信息中包括有数字标识的信息进行整型编码，以及，将不包括有数字标识的通过映射方法转换为整型编码。
6.根据权利要求1所述的基于机器学习的优化打AB包方法，其特征在于，所述S300具体包括：
S310，对所述资源属性信息数组、所述质量分数数组及质量分数数组根据调权，得到调权后的参数数组；
S320，将该参数数组传到优化端，使用多种算法计算优化结果。
7.根据权利要求6所述的基于机器学习的优化打AB包方法，其特征在于，所述算法包括分场景聚类算法、贪婪算法及多重聚类算法。
8.根据权利要求6所述的基于机器学习的优化打AB包方法，其特征在于，所述分场景聚类算法通过分场景聚类算法，将所有参数数组输入合并，并按场景分组，对每个场景单独使用输入数组聚类，按照场景优先级去重资源，得到对应的AB打包列表。
9.根据权利要求6所述的基于机器学习的优化打AB包方法，其特征在于，所述贪婪算法具体包括：
对所有输入的资源文件数据，计算出资源文件对应的下一个资源原出现的概率表，取出资源后面出现概率最高的资源Y，进而查找Y后面出现概率最高的资源Z，依次执行直到可以得到一个资源加载顺序表，加载顺序列表来计算得到对应的AB打包列表。
10.根据权利要求6所述的基于机器学习的优化打AB包方法，其特征在于，所述多重聚类算法具体包括：
对于所有输入，按照设定的优先级顺序来聚类，聚类结果则按照优先级顺序对资源进行去重得到对应的AB打包列表。
11.根据权利要求1所述的基于机器学习的优化打AB包方法，其特征在于，所述S400具体包括：
S410，将每个算法计算好的得到对应的AB打包列表对客户端资源文件计算资源大小使用率和数量使用率，得到返回的资源使用率；
S420，对每个算法，比较所述S100得到资源使用率与所述S410得到的资源使用率，调整所述设定权重；
S430，循环执行所述S410～S420，直至资源使用率达到设定范围；
S440，将达到设定范围的资源使用率对应的参数数组作为下个设定时间段的其实输入参数；
S450，经过多次计算，得到最高使用率的对应的AB打包列表，将最高使用率的对应的AB打包列表作为客户端游戏资源的打包规则进行打包处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911202896.0A CN111061505B (zh) | 2019-11-29 | 2019-11-29 | 基于机器学习的优化打ab包方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911202896.0A CN111061505B (zh) | 2019-11-29 | 2019-11-29 | 基于机器学习的优化打ab包方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111061505A true CN111061505A (zh) | 2020-04-24 |
| CN111061505B CN111061505B (zh) | 2021-12-07 |
Family
ID=70299359
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911202896.0A Active CN111061505B (zh) | 2019-11-29 | 2019-11-29 | 基于机器学习的优化打ab包方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111061505B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111991805A (zh) * | 2020-07-06 | 2020-11-27 | 广州西山居世游网络科技有限公司 | 一种资源打包方法及系统 |
| CN111991804A (zh) * | 2020-07-06 | 2020-11-27 | 广州西山居世游网络科技有限公司 | 基于动态规划算法的打包方法及系统 |
| CN111991811A (zh) * | 2020-07-06 | 2020-11-27 | 广州西山居世游网络科技有限公司 | 基于Unity的深度多进程打包方法、装置及可读介质 |
| CN112732267A (zh) * | 2021-01-11 | 2021-04-30 | 珠海金山网络游戏科技有限公司 | 减少bundle依赖链冗余的方法、装置及介质 |
| CN113018837A (zh) * | 2021-02-03 | 2021-06-25 | 杭州师范大学 | 一种掼蛋扑克的机器博弈出牌方法、系统及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008085735A1 (en) * | 2007-01-05 | 2008-07-17 | Microsoft Corporation | Integration media on gaming consoles |
| CN107230245A (zh) * | 2016-03-25 | 2017-10-03 | 北京神州泰岳软件股份有限公司 | 一种基于Unity3D着色器显示机房地面温场分布的方法和装置 |
| CN107436787A (zh) * | 2017-07-31 | 2017-12-05 | 腾讯科技（深圳）有限公司 | 资源处理方法、装置、存储介质和电子装置 |
| CN107908401A (zh) * | 2017-12-13 | 2018-04-13 | 上海幻维数码创意科技有限公司 | 基于Unity引擎的多媒体文件制作方法 |
| CN108897567A (zh) * | 2018-06-08 | 2018-11-27 | 广州虎牙信息科技有限公司 | 基于Unity的软件加载文件的方法、装置、设备及存储介质 |
| CN110058918A (zh) * | 2019-04-29 | 2019-07-26 | 努比亚技术有限公司 | 图片处理方法、可穿戴设备及计算机可读存储介质 |
-
2019
- 2019-11-29 CN CN201911202896.0A patent/CN111061505B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008085735A1 (en) * | 2007-01-05 | 2008-07-17 | Microsoft Corporation | Integration media on gaming consoles |
| CN107230245A (zh) * | 2016-03-25 | 2017-10-03 | 北京神州泰岳软件股份有限公司 | 一种基于Unity3D着色器显示机房地面温场分布的方法和装置 |
| CN107436787A (zh) * | 2017-07-31 | 2017-12-05 | 腾讯科技（深圳）有限公司 | 资源处理方法、装置、存储介质和电子装置 |
| CN107908401A (zh) * | 2017-12-13 | 2018-04-13 | 上海幻维数码创意科技有限公司 | 基于Unity引擎的多媒体文件制作方法 |
| CN108897567A (zh) * | 2018-06-08 | 2018-11-27 | 广州虎牙信息科技有限公司 | 基于Unity的软件加载文件的方法、装置、设备及存储介质 |
| CN110058918A (zh) * | 2019-04-29 | 2019-07-26 | 努比亚技术有限公司 | 图片处理方法、可穿戴设备及计算机可读存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111991805A (zh) * | 2020-07-06 | 2020-11-27 | 广州西山居世游网络科技有限公司 | 一种资源打包方法及系统 |
| CN111991804A (zh) * | 2020-07-06 | 2020-11-27 | 广州西山居世游网络科技有限公司 | 基于动态规划算法的打包方法及系统 |
| CN111991811A (zh) * | 2020-07-06 | 2020-11-27 | 广州西山居世游网络科技有限公司 | 基于Unity的深度多进程打包方法、装置及可读介质 |
| CN112732267A (zh) * | 2021-01-11 | 2021-04-30 | 珠海金山网络游戏科技有限公司 | 减少bundle依赖链冗余的方法、装置及介质 |
| CN113018837A (zh) * | 2021-02-03 | 2021-06-25 | 杭州师范大学 | 一种掼蛋扑克的机器博弈出牌方法、系统及存储介质 |
| CN113018837B (zh) * | 2021-02-03 | 2024-04-02 | 杭州师范大学 | 一种掼蛋扑克的机器博弈出牌方法、系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111061505B (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111061505B (zh) | 基于机器学习的优化打ab包方法 | |
| US10747780B2 (en) | Blockchain-based data processing method and device | |
| CN102132577B (zh) | 基于模型的资源分配 | |
| CN113612749B (zh) | 一种面向入侵行为的溯源数据聚类方法及装置 | |
| CN110069341B (zh) | 边缘计算中结合功能按需配置的有依赖关系任务的调度方法 | |
| CN111694656A (zh) | 基于多智能体深度强化学习的集群资源调度方法及系统 | |
| CN104052803A (zh) | 一种去中心化的分布式渲染方法及渲染系统 | |
| CN110012364A (zh) | 主播推荐方法、装置及存储介质 | |
| CN110134430A (zh) | 一种数据打包方法、装置、存储介质和服务器 | |
| CN112565775A (zh) | 用于音视频转码的方法、装置及存储介质 | |
| CN106446210A (zh) | 一种多媒体文件搜索方法、服务器及客户端 | |
| CN110018997B (zh) | 一种基于hdfs的海量小文件存储优化方法 | |
| CN108595526A (zh) | 资源推荐方法及装置 | |
| CN113496422B (zh) | 一种基于区块链的推广资源分配方法及大数据信息云平台 | |
| CN107122805A (zh) | 一种用户聚类方法和装置 | |
| CN107688660B (zh) | 并行执行计划的执行方法及装置 | |
| CN110825533A (zh) | 一种数据发射方法及装置 | |
| CN106502793A (zh) | 一种游戏资源的调配方法和设备 | |
| CN101635686A (zh) | 资源管理方法 | |
| CN117348804A (zh) | 面向数联网监管系统的分层存储方法、系统及存储介质 | |
| US20230334325A1 (en) | Model Training Method and Apparatus, Storage Medium, and Device | |
| CN110569447B (zh) | 一种网络资源的推荐方法、装置及存储介质 | |
| CN110399095A (zh) | 一种存储空间的统计方法和装置 | |
| CN112764935B (zh) | 大数据处理方法、装置、电子设备及存储介质 | |
| CN105468603B (zh) | 数据选择方法及装置 |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 519000 Room 102, 202, 302 and 402, No. 325, Qiandao Ring Road, Tangjiawan Town, high tech Zone, Zhuhai City, Guangdong Province, Room 102 and 202, No. 327 and Room 302, No. 329 Patentee after: Zhuhai Jinshan Digital Network Technology Co.,Ltd. Address before: 519000 Room 102, 202, 302 and 402, No. 325, Qiandao Ring Road, Tangjiawan Town, high tech Zone, Zhuhai City, Guangdong Province, Room 102 and 202, No. 327 and Room 302, No. 329 Patentee before: ZHUHAI KINGSOFT ONLINE GAME TECHNOLOGY Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |