CN111124782A - 一种智能配置计算机集群的方法及装置 - Google Patents
一种智能配置计算机集群的方法及装置 Download PDFInfo
- Publication number
- CN111124782A CN111124782A CN201911310252.3A CN201911310252A CN111124782A CN 111124782 A CN111124782 A CN 111124782A CN 201911310252 A CN201911310252 A CN 201911310252A CN 111124782 A CN111124782 A CN 111124782A
- Authority
- CN
- China
- Prior art keywords
- computer cluster
- task
- performance data
- data
- analyzing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013499 data model Methods 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims description 30
- 238000004088 simulation Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—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
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3485—Performance evaluation by tracing or monitoring for I/O devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2247—Verification or detection of system hardware configuration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能配置计算机集群的方法及装置。所述智能配置计算机集群的方法,包括:解析出计算机集群中的各个任务所需的性能数据;构建所述计算机集群中的各个任务的性能数据模型库;使用所述性能数据库中的各种任务组合,模拟出相应的计算机集群的较优的调参数据;分析待运行的任务组合,实时设置计算机集群的调参数据。本发明可依据计算机集群的历史数据,进行机器学习,实现了无需人为方式的参与,就可自动的实时的针对待运行的任务组合设置出高效率的调参数据。
Description
技术领域
本发明涉及集群运算技术领域,特别涉及一种智能配置计算机集群的方法及装置。
背景技术
使用计算机集群来解决各种需要海量计算量的项目,成为了各行各业在发展中必须要面对的内容。可是,不同类型的任务组合,对计算机集群的性能数据的需求是不一样。而设置计算机集群的性能数据,需要调整的调参数据的选项可能会上千个。传统方式中,通过人为的方式对调参数据进行调整,但是人为的方式主要以经验为主,面对经验所不能涵盖的情况时,难以给出准确的调整方案。还有,面对调参数据的上千个的可选项时,人为的方式就算找到较优的调整方案,也需要花费很多时间来完成。如何妥善的解决上述问题,就成为了业界亟待解决的课题。
发明内容
本发明提供一种智能配置计算机集群的方法及装置,用以可依据计算机集群的历史数据,进行机器学习,实现了无需人为方式的参与,就可自动的实时的针对待运行的任务组合设置出高效率的调参数据。
根据本发明实施例的第一方面,提供一种智能配置计算机集群的方法,包括:
解析出计算机集群中的各个任务所需的性能数据;
构建所述计算机集群中的各个任务的性能数据模型库;
使用所述性能数据库中的各种任务组合,模拟出相应的计算机集群的较优的调参数据;
分析待运行的任务组合,实时设置计算机集群的调参数据。
在一个实施例中,所述分析出计算机集群中的各个任务所需的性能数据,包括:
获取计算机集群的历史运行日志;
根据计算机集群的历史运行日志,解析出各个任务所需的性能数据,所述性能数据包括I/O处理性能数据和运算力性能数据;
根据计算机集群的历史运行日志,解析计算机集群在各个历史调参数据下的性能数据。
在一个实施例中,所述构建所述计算机集群中的各个任务的性能数据模型库,包括:
对所述计算机集群中的各个任务进行聚类分析;
使用机器学习对所述聚类分析的结果进行学习;
构建所述计算机集群中的各个任务的性能数据模型库。
在一个实施例中,所述使用所述性能数据库中的各种任务组合,模拟出相应的计算机集群的较优的调参数据,包括:
使用不同的调参数据对所述性能数据库中的各种任务组合进行测试;
分析所述测试结果,所述测试结果包括计算机集群的平均性能数据、排名前n个调参数据和不同调参数据下的性能数据对比。
在一个实施例中,所述分析待运行的任务组合,实时设置计算机集群的调参数据,包括:
分析待运行的任务组合,得到所述待运行的任务组合所需的性能数据;
根据历史模拟的结果,实时设置计算机集群的调参数据。
根据本发明实施例的第二方面,提供一种智能配置计算机集群的装置,包括:
解析模块,用于解析出计算机集群中的各个任务所需的性能数据;
构建模块,用于构建所述计算机集群中的各个任务的性能数据模型库;
模拟模块,用于使用所述性能数据库中的各种任务组合,模拟出相应的计算机集群的较优的调参数据;
设置模块,用于分析待运行的任务组合,实时设置计算机集群的调参数据。
在一个实施例中,所述解析模块,包括:
获取子模块,用于获取计算机集群的历史运行日志;
第一解析子模块,用于根据计算机集群的历史运行日志,解析出各个任务所需的性能数据,所述性能数据包括I/O处理性能数据和运算力性能数据;
第二解析子模块,用于根据计算机集群的历史运行日志,解析计算机集群在各个历史调参数据下的性能数据。
在一个实施例中,所述构建模块,包括:
聚类子模块,用于对所述计算机集群中的各个任务进行聚类分析;
学习子模块,用于使用机器学习对所述聚类分析的结果进行学习;
构建子模块,用于构建所述计算机集群中的各个任务的性能数据模型库。
在一个实施例中,所述模拟模块。包括:
测试子模块,用于使用不同的调参数据对所述性能数据库中的各种任务组合进行测试;
第一分析子模块,用于分析所述测试结果,所述测试结果包括计算机集群的平均性能数据、排名前n个调参数据和不同调参数据下的性能数据对比。
在一个实施例中,所述设置模块,包括:
第二分析子模块,用于分析待运行的任务组合,得到所述待运行的任务组合所需的性能数据;
设置子模块,用于根据历史模拟的结果,实时设置计算机集群的调参数据。
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所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明一示例性实施例示出的一种智能配置计算机集群的方法的流程图;
图2为本发明一示例性实施例示出的一种智能配置计算机集群的方法的步骤S11的流程图;
图3为本发明一示例性实施例示出的一种智能配置计算机集群的方法的步骤S12的流程图;
图4为本发明一示例性实施例示出的一种智能配置计算机集群的方法的步骤S13的流程图;
图5为本发明一示例性实施例示出的一种智能配置计算机集群的方法的步骤S14的流程图;
图6为本发明一示例性实施例示出的一种智能配置计算机集群的装置的框图;
图7为本发明一示例性实施例示出的一种智能配置计算机集群的装置的解析模块61的框图;
图8为本发明一示例性实施例示出的一种智能配置计算机集群的装置的构建模块62的框图;
图9为本发明一示例性实施例示出的一种智能配置计算机集群的装置的模拟模块63的框图;
图10为本发明一示例性实施例示出的一种智能配置计算机集群的装置的设置模块64的框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图1是根据一示例性实施例示出的一种智能配置计算机集群的方法流程图,如图1所示,该智能配置计算机集群的方法,包括以下步骤S11-S14:
在步骤S11中,解析出计算机集群中的各个任务所需的性能数据;
在步骤S12中,构建所述计算机集群中的各个任务的性能数据模型库;
在步骤S13中,使用所述性能数据库中的各种任务组合,模拟出相应的计算机集群的较优的调参数据;
在步骤S14中,分析待运行的任务组合,实时设置计算机集群的调参数据。
在一个实施例中,使用计算机集群来解决各种需要海量计算量的项目,成为了各行各业在发展中必须要面对的内容。可是,不同类型的任务组合,对计算机集群的性能数据的需求是不一样。而设置计算机集群的性能数据,需要调整的调参数据的选项可能会上千个。传统方式中,通过人为的方式对调参数据进行调整,但是人为的方式主要以经验为主,面对经验所不能涵盖的情况时,难以给出准确的调整方案。还有,面对调参数据的上千个的可选项时,人为的方式就算找到较优的调整方案,也需要花费很多时间来完成。本实施例中可妥善的解决上述问题。
解析出计算机集群中的各个任务所需的性能数据。其中,获取计算机集群的历史运行日志;根据计算机集群的历史运行日志,解析出各个任务所需的性能数据,该性能数据包括I/O处理性能数据和运算力性能数据;根据计算机集群的历史运行日志,解析计算机集群在各个历史调参数据下的性能数据。
构建该计算机集群中的各个任务的性能数据模型库。其中,对该计算机集群中的各个任务进行聚类分析;使用机器学习对该聚类分析的结果进行学习;构建该计算机集群中的各个任务的性能数据模型库。
使用该性能数据库中的各种任务组合,模拟出相应的计算机集群的较优的调参数据。其中,使用不同的调参数据对该性能数据库中的各种任务组合进行测试;分析该测试结果,该测试结果包括计算机集群的平均性能数据、排名前n个调参数据和不同调参数据下的性能数据对比。
分析待运行的任务组合,实时设置计算机集群的调参数据。其中,分析待运行的任务组合,得到该运行的任务组合所需的性能数据;根据历史模拟的结果,实时设置计算机集群的调参数据。
本实施例中的技术方案可依据计算机集群的历史数据,进行机器学习,实现了无需人为方式的参与,就可自动的实时的针对待运行的任务组合设置出高效率的调参数据。
在一个实施例中,如图2所示,步骤S11包括如下步骤S21-S23:
在步骤S21中,获取计算机集群的历史运行日志;
在步骤S22中,根据计算机集群的历史运行日志,解析出各个任务所需的性能数据,所述性能数据包括I/O处理性能数据和运算力性能数据;
在步骤S23中,根据计算机集群的历史运行日志,解析计算机集群在各个历史调参数据下的性能数据。;
在一个实施例中,获取计算机集群在一段时间内的历史运行日志,根据历史运行日志中记载的数据内容,分析出各个任务所需的I/O处理性能数据和运算力性能数据。将同一时刻t1内,所有的任务所需的I/O处理性能数据和运算力性能数据进行叠加,就可获取在时刻t1的理论最佳的计算机集群的性能参数。当然,通过历史运行日志中记载的数据内容,也可解析出计算机集群在时刻t1的实际的性能参数,同时也可其获取在时刻t1的调参数据。计算机集群在时刻t1的实际的性能参数与时刻t1的理论最佳的计算机集群的性能参数可能存在一定的数值差,这也为后续如何妥善的设置调参数据做出了铺垫。
在一个实施例中,如图3所示,步骤S12包括如下步骤S31-S33:
在步骤S31中,对所述计算机集群中的各个任务进行聚类分析;
在步骤S32中,使用机器学习对所述聚类分析的结果进行学习;
在步骤S33中,构建所述计算机集群中的各个任务的性能数据模型库。
在一个实施例中,对该计算机集群中的各个任务进行聚类分析,可以得出各个任务是计算密集型任务还是I/O密集型任务,以及各个任务中的I/O处理性能数据所占的比重和运算力性能数据所占的比重。机器学习的人工智能学习策略可以根据已产生的数据进行自动的改进,不断的优化聚类分析的结果,从而构建该计算机集群中的各个任务的性能数据模型库。
在一个实施例中,如图4所示,步骤S14包括如下步骤S41-S42:
在步骤S41中,使用不同的调参数据对所述性能数据库中的各种任务组合进行测试;
在步骤S42中,分析所述测试结果,所述测试结果包括计算机集群的平均性能数据、排名前n个调参数据和不同调参数据下的性能数据对比。
在一个实施例中,计算机集群同时运行的任务往往不是一个类型的任务,多种不同类型的任务会同时运行,而且该些类型的任务的数量会时时的变化。使用计算机集群默认的较佳的调参数据进行测试,然后会在该默认的较佳的调参数据进行智能化的调整。在不同的调整策略之下,通过测试可得到相应的测试结果。分析不同的调整策略之下的计算机集群的性能数据的对比。分析出在不同的调整策略之下,优先级排名前n的测试结果,并分析这些测试结果对应的调参数据。
在一个实施例中,如图5所示,步骤S14包括如下步骤S51-S52:
在步骤S51中,分析待运行的任务组合,得到所述待运行的任务组合所需的性能数据;
在步骤S52中,根据历史模拟的结果,实时设置计算机集群的调参数据。
在一个实施例中,计算机集群通过分析待运行的任务组合,通过上述实施例中的技术方案,就可通过所述性能数据模型库来计算出所述待运行的任务组合所需的性能数据。根据计算机集群的历史运行数据和历史模拟的结果,机器学习会得到一个较优的调参数据。实时设置计算机集群使用该较优的调参数据来配置该计算机集群。
在一个实施例中,图6是根据一示例性实施例示出的一种智能配置计算机集群的装置框图。如图6示,该装置包括解析模块61、构建模块62、模拟模块63和设置模块64。
该解析模块61,用于解析出计算机集群中的各个任务所需的性能数据;
该构建模块62,用于构建所述计算机集群中的各个任务的性能数据模型库;
该模拟模块63,用于使用所述性能数据库中的各种任务组合,模拟出相应的计算机集群的较优的调参数据;
该设置模块64,用于分析待运行的任务组合,实时设置计算机集群的调参数据。
如图7所示,该解析模块61包括获取子模块71、第一解析子模块72和第二解析子模块73。
该获取子模块71,用于获取计算机集群的历史运行日志;
该第一解析子模块72,用于根据计算机集群的历史运行日志,解析出各个任务所需的性能数据,所述性能数据包括I/O处理性能数据和运算力性能数据;
该第二解析子模块73,用于根据计算机集群的历史运行日志,解析计算机集群在各个历史调参数据下的性能数据。
如图8所示,该构建模块62包括聚类子模块81、学习子模块82和构建子模块83。
该聚类子模块81,用于对所述计算机集群中的各个任务进行聚类分析;
该学习子模块82,用于使用机器学习对所述聚类分析的结果进行学习;
该构建子模块83,用于构建所述计算机集群中的各个任务的性能数据模型库。
如图9所示,该模拟模块63包括测试子模块91和第一分析子模块92。
该测试子模块91,用于使用不同的调参数据对所述性能数据库中的各种任务组合进行测试;
该第一分析子模块92,用于分析所述测试结果,所述测试结果包括计算机集群的平均性能数据、排名前n个调参数据和不同调参数据下的性能数据对比。
如图10所示,该设置模块64包括第二分析子模块101和设置子模块102。
该第二分析子模块101,用于分析待运行的任务组合,得到所述待运行的任务组合所需的性能数据;
该设置子模块102,用于根据历史模拟的结果,实时设置计算机集群的调参数据。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种智能配置计算机集群的方法,其数据在于,包括:
解析出计算机集群中的各个任务所需的性能数据;
构建所述计算机集群中的各个任务的性能数据模型库;
使用所述性能数据库中的各种任务组合,模拟出相应的计算机集群的较优的调参数据;
分析待运行的任务组合,实时设置计算机集群的调参数据。
2.如权利要求1所述的方法,其数据在于,所述分析出计算机集群中的各个任务所需的性能数据,包括:
获取计算机集群的历史运行日志;
根据计算机集群的历史运行日志,解析出各个任务所需的性能数据,所述性能数据包括I/O处理性能数据和运算力性能数据;
根据计算机集群的历史运行日志,解析计算机集群在各个历史调参数据下的性能数据。
3.如权利要求1所述的方法,其数据在于,所述构建所述计算机集群中的各个任务的性能数据模型库,包括:
对所述计算机集群中的各个任务进行聚类分析;
使用机器学习对所述聚类分析的结果进行学习;
构建所述计算机集群中的各个任务的性能数据模型库。
4.如权利要求1所述的方法,其数据在于,所述使用所述性能数据库中的各种任务组合,模拟出相应的计算机集群的较优的调参数据,包括:
使用不同的调参数据对所述性能数据库中的各种任务组合进行测试;
分析所述测试结果,所述测试结果包括计算机集群的平均性能数据、排名前n个调参数据和不同调参数据下的性能数据对比。
5.如权利要求1所述的方法,其数据在于,所述分析待运行的任务组合,实时设置计算机集群的调参数据,包括:
分析待运行的任务组合,得到所述待运行的任务组合所需的性能数据;
根据历史模拟的结果,实时设置计算机集群的调参数据。
6.一种智能配置计算机集群的装置,其特征在于,包括:
解析模块,用于解析出计算机集群中的各个任务所需的性能数据;
构建模块,用于构建所述计算机集群中的各个任务的性能数据模型库;
模拟模块,用于使用所述性能数据库中的各种任务组合,模拟出相应的计算机集群的较优的调参数据;
设置模块,用于分析待运行的任务组合,实时设置计算机集群的调参数据。
7.根据权利要求6的装置,其特征在于,所述解析模块,包括:
获取子模块,用于获取计算机集群的历史运行日志;
第一解析子模块,用于根据计算机集群的历史运行日志,解析出各个任务所需的性能数据,所述性能数据包括I/O处理性能数据和运算力性能数据;
第二解析子模块,用于根据计算机集群的历史运行日志,解析计算机集群在各个历史调参数据下的性能数据。
8.根据权利要求6的装置,其特征在于,所述构建模块,包括:
聚类子模块,用于对所述计算机集群中的各个任务进行聚类分析;
学习子模块,用于使用机器学习对所述聚类分析的结果进行学习;
构建子模块,用于构建所述计算机集群中的各个任务的性能数据模型库。
9.根据权利要求6的装置,其特征在于,所述模拟模块。包括:
测试子模块,用于使用不同的调参数据对所述性能数据库中的各种任务组合进行测试;
第一分析子模块,用于分析所述测试结果,所述测试结果包括计算机集群的平均性能数据、排名前n个调参数据和不同调参数据下的性能数据对比。
10.根据权利要求6的装置,其特征在于,所述设置模块,包括:
第二分析子模块,用于分析待运行的任务组合,得到所述待运行的任务组合所需的性能数据;
设置子模块,用于根据历史模拟的结果,实时设置计算机集群的调参数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911310252.3A CN111124782A (zh) | 2019-12-18 | 2019-12-18 | 一种智能配置计算机集群的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911310252.3A CN111124782A (zh) | 2019-12-18 | 2019-12-18 | 一种智能配置计算机集群的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111124782A true CN111124782A (zh) | 2020-05-08 |
Family
ID=70499669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911310252.3A Pending CN111124782A (zh) | 2019-12-18 | 2019-12-18 | 一种智能配置计算机集群的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111124782A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718479A (zh) * | 2014-12-04 | 2016-06-29 | 中国电信股份有限公司 | 跨idc大数处理架构下执行策略生成方法、装置 |
CN108446200A (zh) * | 2018-02-07 | 2018-08-24 | 福建星瑞格软件有限公司 | 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 |
CN109144734A (zh) * | 2018-09-12 | 2019-01-04 | 郑州云海信息技术有限公司 | 一种容器资源配额分配方法和装置 |
-
2019
- 2019-12-18 CN CN201911310252.3A patent/CN111124782A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718479A (zh) * | 2014-12-04 | 2016-06-29 | 中国电信股份有限公司 | 跨idc大数处理架构下执行策略生成方法、装置 |
CN108446200A (zh) * | 2018-02-07 | 2018-08-24 | 福建星瑞格软件有限公司 | 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 |
CN109144734A (zh) * | 2018-09-12 | 2019-01-04 | 郑州云海信息技术有限公司 | 一种容器资源配额分配方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993299A (zh) | 数据训练方法及装置、存储介质、电子装置 | |
CN105224458A (zh) | 一种数据库测试方法及系统 | |
CN113177732A (zh) | 一种工艺流程管理方法、装置、介质及终端设备 | |
CN111459490B (zh) | 一种自动适配硬件平台的语音识别引擎移植方法及装置 | |
CN111580411A (zh) | 控制参数优化方法、装置和系统 | |
CN109597733A (zh) | 一种多功能高效动态芯片验证仿真方法和设备 | |
US20150120271A1 (en) | System and method for visualization and optimization of system of systems | |
CN111651365B (zh) | 接口自动化测试方法及装置 | |
CN113204495A (zh) | 基于b/s架构的自动化测试方法、装置、存储介质及设备 | |
CN112527676A (zh) | 模型自动化测试方法、装置及存储介质 | |
Mossige et al. | Using CP in automatic test generation for ABB robotics’ paint control system | |
CN109885390A (zh) | 分子对接云计算流程控制方法 | |
CN104008046A (zh) | 程序的测试方法以及用于测试程序的设备 | |
CN117290255A (zh) | 一种基于Python和Locust框架的批量接口性能测试方法 | |
CN106843822B (zh) | 一种执行代码生成方法及设备 | |
CN111124782A (zh) | 一种智能配置计算机集群的方法及装置 | |
CN107919998B (zh) | 基于JMeter的传感器服务端功能测试方法与系统 | |
CN115220707B (zh) | 一种基于区块链的软件开发管理方法及系统 | |
KR101335657B1 (ko) | 실시간 시뮬레이터와 시스템 스위칭을 이용한 대규모 dcs 검증 장치 및 그 검증방법 | |
CN114610648A (zh) | 一种测试方法、装置及设备 | |
CN112084117B (zh) | 一种测试方法和装置 | |
CN113792435A (zh) | 数据模型建立方法和装置、服务器 | |
CN109829490A (zh) | 修正向量搜索方法、目标分类方法及设备 | |
CN111786824A (zh) | 数据中心能效比优化方法、系统、设备及可读存储介质 | |
CN112527631A (zh) | bug定位方法、系统、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200508 |