CN111124855A - 一种硬盘引入风险评估方法、系统及设备 - Google Patents
一种硬盘引入风险评估方法、系统及设备 Download PDFInfo
- Publication number
- CN111124855A CN111124855A CN201911205420.2A CN201911205420A CN111124855A CN 111124855 A CN111124855 A CN 111124855A CN 201911205420 A CN201911205420 A CN 201911205420A CN 111124855 A CN111124855 A CN 111124855A
- Authority
- CN
- China
- Prior art keywords
- hard disk
- test result
- risk
- introduction
- data
- 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 33
- 238000012502 risk assessment Methods 0.000 title claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 82
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000007637 random forest analysis Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 44
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000011056 performance test Methods 0.000 claims description 26
- 238000003066 decision tree Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000008676 import Effects 0.000 claims description 9
- 238000013499 data model Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009662 stress testing Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提出的一种硬盘引入风险评估方法、系统及设备，将现有硬盘引入测试项与人工智能模型随机森林算法相结合，科学的对硬盘引入进行风险评估，利用机器学习优势，提高产品良率，节约生产成本，促进客户体验，提高行业的竞争力。
Description
技术领域
本发明涉及服务器测试技术领域，更具体的说是涉及一种硬盘引入风险评估方法、系统及设备。
背景技术
硬盘作为服务器的重要存储媒介之一。硬盘引入前期对其进行引入风险评估有利于提高服务器整体的性能。硬盘是服务存储数据的核心。硬盘的性能直接影响服务器的整体性能。
当前，常用的硬盘测试测试项包含os安装测试(仅限于系统盘)、识别测试、基本信息测试、单盘性能测试、整机性能测试、可靠性测试、压力测试和散热测试等。这些测试对硬盘引入十分重要，通常同过于硬盘厂家的基线值对比作为硬盘引入标准，但是目前这些测试以及无法满足当前行业发展进步的需求，在这样的情况下，我们不仅仅要研发更科学的测试手段，同时也要在已有的测试数据里寻求科学有效的硬盘评估方法。
国内当前服务器行业在硬盘引入并未进行科学的风险评估，在硬盘测试的测试项目中并未直接与产品良率建立关系。通常，硬盘引入测试仅仅是判断内存测试项目中各个测试项是否满足厂家的基线值，各项测试数据均大于等于基线值就进行引入。这样的引入方法忽略了单个测试指标对服务器产品性能的影响，同时也不能够根据测试项的测试结果去对硬盘引入风险进行评估。由于没有科学风险评估方法，经常会出现新款硬盘的引入测试项均符合条件，但服务器产品的不良率还是居高不下，不仅造成成本上浪费，同时影响客户体验，对后期的服务器产品售后造成很大的困扰。
发明内容
针对以上问题，本发明的目的在于提供一种硬盘引入风险评估方法、系统及设备，将人工智能算法模型决策树随机森林分类器与硬盘入测试项目相结合，通过大数据验证的科学手段对硬盘引入进行风险评估，科学的提高服务器产品的生产良率，节约成本的同时，提高客户体验。
本发明为实现上述目的，通过以下技术方案实现：一种硬盘引入风险评估方法，包括如下步骤：
S1：将硬盘的单盘性能测试结果、整体性能测试结果和压力测试结果记录为标准化数据；
S2：将所述标准化数据组成按顺序组成的数据矩阵，完成训练数据模型的建立；
S3：硬盘引入风险等级标准化，设定硬盘引入风险等级参数；
S4：建立硬盘测试参数与硬盘引入风险等级参数的对应关系，确定每一款硬盘的硬盘风险引入等级，并生成分类数据；
S5：根据分类数据生成分类结果，并将分类结果加入所述数据矩阵，生成最终训练数据矩阵；
S6：使用最终训练数据矩阵训练决策树随机森林算法模型；
S7：训练完毕后使用决策树随机森林算法模型对新引入的硬盘进行风险等级预测。
进一步，所述步骤S1包括：
将硬盘单盘顺序读写性能测试结果、单盘随机读写性能测试结果、单盘混合读写性能测试结果、整体顺序读写性能测试结果、整体随机读写性能测试结果、整体混合读写性能测试结果和压力测试结果进行标准化记录。
进一步，所述步骤S3包括：
将硬盘引入风险等级标准化，良率高于95％记作A，良率介于95％-90％之间记作B，良率介于90％-85％之间记作C，良率低于85％记作D。
进一步，所述步骤S4包括：
整理已有硬盘测试参数与硬盘引入风险等级参数的对应关系，每一款硬盘的参数分别对硬盘引入风险评估等级，并生成分类数据。
进一步，所述步骤S5具体为：
根据分类数据生成分类结果，将分类结果加入数据矩阵的最后一列，形成最终训练数据矩阵。
进一步，所述压力测试结果包括：大IO顺序读写混合压力测试结果和小IO随机读写混合压力测试结果。
相应的，本发明还公开了一种硬盘引入风险评估系统，包括：
记录单元，用于将硬盘的单盘性能测试结果、整体性能测试结果和压力测试结果记录为标准化数据；
模型建立单元，用于将所述标准化数据组成按顺序组成的数据矩阵，完成训练数据模型的建立；
标准化单元，用于硬盘引入风险等级标准化，设定硬盘引入风险等级参数；
等级评定单元，用于建立硬盘测试参数与硬盘引入风险等级参数的对应关系，确定每一款硬盘的硬盘风险引入等级，并生成分类数据；
矩阵生成单元，用于根据分类数据生成分类结果，并将分类结果加入所述数据矩阵，生成最终训练数据矩阵；
训练单元，用于使用最终训练数据矩阵训练决策树随机森林算法模型；
风险等级预测单元，用于训练完毕后使用决策树随机森林算法模型对新引入的硬盘进行风险等级预测。
相应的，本发明还公开了一种硬盘引入风险评估设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上文任一项所述硬盘引入风险评估方法步骤。
对比现有技术，本发明有益效果在于：本发明提供了一种硬盘引入风险评估方法、系统及设备，将现有硬盘引入测试项与人工智能模型随机森林算法相结合，科学的对硬盘引入进行风险评估，利用机器学习优势，提高产品良率，节约生产成本，促进客户体验，提高行业的竞争力。
由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。
附图说明
为了更清楚地说明本发明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发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
附图1是本发明的方法流程图。
附图2是本发明的决策树随机森林算法模型训练框图。
附图3是本发明的预测风险等级流程图。
附图4是本发明的系统结构图。
具体实施方式
下面结合附图对本发明的具体实施方式做出说明。
实施例一：
如图1所示，本实施例提供了一种硬盘引入风险评估方法，包括如下步骤：
S1：将硬盘的单盘性能测试结果、整体性能测试结果和压力测试结果记录为标准化数据。
本步骤具体为：将硬盘单盘顺序读写性能测试结果、单盘随机读写性能测试结果、单盘混合读写性能测试结果、整体顺序读写性能测试结果、整体随机读写性能测试结果、整体混合读写性能测试结果和压力测试结果进行标准化记录。所述压力测试结果包括：大IO顺序读写混合压力测试结果和小IO随机读写混合压力测试结果。
S2：将所述标准化数据组成按顺序组成的数据矩阵，完成训练数据模型的建立。
S3：硬盘引入风险等级标准化，设定硬盘引入风险等级参数。具体为：将硬盘引入风险等级标准化，良率高于95％记作A，良率介于95％-90％之间记作B，良率介于90％-85％之间记作C，良率低于85％记作D。
S4：建立硬盘测试参数与硬盘引入风险等级参数的对应关系，确定每一款硬盘的硬盘风险引入等级，并生成分类数据。具体为：整理已有硬盘测试参数与硬盘引入风险等级参数的对应关系，每一款硬盘的参数分别对硬盘引入风险评估等级，并生成分类数据。
S5：根据分类数据生成分类结果，并将分类结果加入所述数据矩阵，生成最终训练数据矩阵。具体为：根据分类数据生成分类结果，将分类结果加入数据矩阵的最后一列，形成最终训练数据矩阵。
S6：使用最终训练数据矩阵训练决策树随机森林算法模型。
S7：训练完毕后使用决策树随机森林算法模型对新引入的硬盘进行风险等级预测。
实施例二：
本实施例提供了一种硬盘引入风险评估方法，包括：
将硬盘单盘顺序读写性能测试结果(216个参数)、单盘随机读写性能测试结果(180个参数)、单盘混合读写性能测试结果(64个参数)、整体顺序读写性能测试结果(2个参数)、整体随机读写性能测试结果(4个参数)、整体混合读写性能测试结果(2个参数)和压力测试结果(大IO顺序读写混合压力测试2个参数，小IO随机读写混合压力测试2个参数)进行标准化，依次分别记录为A1、A2、…..A474。将标准化的数据组成按顺序组成数据矩阵，以此建立训练数据模型。
将硬盘引入风险等级标准化，良率高于95％记作A，良率介于95％-90％之间记作B，良率介于90％-85％之间记作C，良率低于85％记作D。
整理出已有硬盘测试参数与硬盘引入风险等级参数的对应关系，每一款硬盘的参数(A1～A474)分别对硬盘引入风险评估等级(A、B、C或D)，500组数据。将分类结果加入数据矩阵最后一列，形成最终训练数据矩阵。
如图2所示，使用这500组数据去训练决策树随机森林算法模型，部分代码如下：
训练完毕后对新引入的硬盘进行风险等级预测，预测风险等级过程如图3所示。在预测的结果，可读取出新引入的硬盘进行风险等级(A、B、C或D)。根据客户需求，判断该款硬盘是否在引入的安全风险等级内，科学的提高服务器产品的生产良率，节约成本的同时，提高客户体验。
根据实际需求，后期可以不断增加训练样本的数量，同时可以细化出更多的风险评估等级，通过大数据的手段，精准实现硬盘引入的风险评估。
通过以上两个实施例可知，本发明主要包含硬盘引入测试项目的选择、建立数据模型，硬盘数据主成分分析(PCA)、数据正则化以及数据降维处理、训练数据、分类算法。本发明的测试项包含单盘性能测试、整体性能测试和压力测试。选择以上三项测试的原因是这三个测试项目的测试结果可以做标准化处理，从而可以忽略突变因素的影响，可以提高本发明的可靠性。
训练数据为各款已引入的硬盘的单盘顺序读写性能测试结果、单盘随机读写性能测试结果、单盘混合读写性能测试结果、整体顺序读写性能测试结果、整体随机读写性能测试结果、整体混合读写性能测试结果和压力测试结果，以及对应的服务器产品良率。分类算法主要采用决策树随机森林算法。
另外，根据实际需求，后期可以不断增加训练样本的数量，同时可以细化出更多的风险评估等级，通过大数据的手段，精准实现硬盘引入的风险评估。
相应的，如图2所示，本发明还公开了一种硬盘引入风险评估系统，包括：记录单元，用于将硬盘的单盘性能测试结果、整体性能测试结果和压力测试结果记录为标准化数据；
模型建立单元，用于将所述标准化数据组成按顺序组成的数据矩阵，完成训练数据模型的建立；
标准化单元，用于硬盘引入风险等级标准化，设定硬盘引入风险等级参数；
等级评定单元，用于建立硬盘测试参数与硬盘引入风险等级参数的对应关系，确定每一款硬盘的硬盘风险引入等级，并生成分类数据；
矩阵生成单元，用于根据分类数据生成分类结果，并将分类结果加入所述数据矩阵，生成最终训练数据矩阵；
训练单元，用于使用最终训练数据矩阵训练决策树随机森林算法模型；
风险等级预测单元，用于训练完毕后使用决策树随机森林算法模型对新引入的硬盘进行风险等级预测。
相应的，本发明还公开了一种硬盘引入风险评估设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上文任一项所述硬盘引入风险评估方法步骤。
综上，本发明将现有硬盘引入测试项与人工智能模型随机森林算法相结合，科学的对硬盘引入进行风险评估，利用机器学习优势，提高产品良率，节约生产成本，促进客户体验，提高行业的竞争力。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中如U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，包括若干指令用以使得一台计算机终端(可以是个人计算机，服务器，或者第二终端、网络终端等)执行本发明各个实施例所述方法的全部或部分步骤。本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于终端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。
同理，在本发明各个实施例中的各处理单元可以集成在一个功能模块中，也可以是各个处理单元物理存在，也可以两个或两个以上处理单元集成在一个功能模块中。
结合附图和具体实施例，对本发明作进一步说明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所限定的范围。
Claims (8)
1.一种硬盘引入风险评估方法，其特征在于，包括如下步骤：
S1：将硬盘的单盘性能测试结果、整体性能测试结果和压力测试结果记录为标准化数据；
S2：将所述标准化数据组成按顺序组成的数据矩阵，完成训练数据模型的建立；
S3：硬盘引入风险等级标准化，设定硬盘引入风险等级参数；
S4：建立硬盘测试参数与硬盘引入风险等级参数的对应关系，确定每一款硬盘的硬盘风险引入等级，并生成分类数据；
S5：根据分类数据生成分类结果，并将分类结果加入所述数据矩阵，生成最终训练数据矩阵；
S6：使用最终训练数据矩阵训练决策树随机森林算法模型；
S7：训练完毕后使用决策树随机森林算法模型对新引入的硬盘进行风险等级预测。
2.根据权利要求1所述的硬盘引入风险评估方法，其特征在于，所述步骤S1包括：
将硬盘单盘顺序读写性能测试结果、单盘随机读写性能测试结果、单盘混合读写性能测试结果、整体顺序读写性能测试结果、整体随机读写性能测试结果、整体混合读写性能测试结果和压力测试结果进行标准化记录。
3.根据权利要求1所述的硬盘引入风险评估方法，其特征在于，所述步骤S3包括：
将硬盘引入风险等级标准化，良率高于95％记作A，良率介于95％-90％之间记作B，良率介于90％-85％之间记作C，良率低于85％记作D。
4.根据权利要求1所述的硬盘引入风险评估方法，其特征在于，所述步骤S4包括：
整理已有硬盘测试参数与硬盘引入风险等级参数的对应关系，每一款硬盘的参数分别对硬盘引入风险评估等级，并生成分类数据。
5.根据权利要求1所述的硬盘引入风险评估方法，其特征在于，所述步骤S5具体为：
根据分类数据生成分类结果，将分类结果加入数据矩阵的最后一列，形成最终训练数据矩阵。
6.根据权利要求2所述的硬盘引入风险评估方法，其特征在于，所述压力测试结果包括：大IO顺序读写混合压力测试结果和小IO随机读写混合压力测试结果。
7.一种硬盘引入风险评估系统，其特征在于，包括：
记录单元，用于将硬盘的单盘性能测试结果、整体性能测试结果和压力测试结果记录为标准化数据；
模型建立单元，用于将所述标准化数据组成按顺序组成的数据矩阵，完成训练数据模型的建立；
标准化单元，用于硬盘引入风险等级标准化，设定硬盘引入风险等级参数；
等级评定单元，用于建立硬盘测试参数与硬盘引入风险等级参数的对应关系，确定每一款硬盘的硬盘风险引入等级，并生成分类数据；
矩阵生成单元，用于根据分类数据生成分类结果，并将分类结果加入所述数据矩阵，生成最终训练数据矩阵；
训练单元，用于使用最终训练数据矩阵训练决策树随机森林算法模型；
风险等级预测单元，用于训练完毕后使用决策树随机森林算法模型对新引入的硬盘进行风险等级预测。
8.一种硬盘引入风险评估设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述硬盘引入风险评估方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911205420.2A CN111124855A (zh) | 2019-11-29 | 2019-11-29 | 一种硬盘引入风险评估方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911205420.2A CN111124855A (zh) | 2019-11-29 | 2019-11-29 | 一种硬盘引入风险评估方法、系统及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111124855A true CN111124855A (zh) | 2020-05-08 |
Family
ID=70497059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911205420.2A Pending CN111124855A (zh) | 2019-11-29 | 2019-11-29 | 一种硬盘引入风险评估方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111124855A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135167A (zh) * | 2019-05-14 | 2019-08-16 | 电子科技大学 | 一种随机森林的边缘计算终端安全等级评估方法 |
| CN110209542A (zh) * | 2019-05-21 | 2019-09-06 | 苏州浪潮智能科技有限公司 | 一种基于朴素贝叶斯分类器的内存测试方法 |
-
2019
- 2019-11-29 CN CN201911205420.2A patent/CN111124855A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135167A (zh) * | 2019-05-14 | 2019-08-16 | 电子科技大学 | 一种随机森林的边缘计算终端安全等级评估方法 |
| CN110209542A (zh) * | 2019-05-21 | 2019-09-06 | 苏州浪潮智能科技有限公司 | 一种基于朴素贝叶斯分类器的内存测试方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110490720A (zh) | 财务数据分析预警方法、装置、计算机设备和存储介质 | |
| CN109376093B (zh) | 保险产品的测试方法及装置、存储介质及电子设备 | |
| CN110891000B (zh) | 一种gpu带宽性能的检测方法、系统及相关装置 | |
| CN114742124A (zh) | 一种异常数据处理方法、系统及装置 | |
| CN112231163A (zh) | 一种多功能计算机检测设备及其运行方法 | |
| CN109710472A (zh) | 内存自动化测试与分级方法 | |
| CN111124855A (zh) | 一种硬盘引入风险评估方法、系统及设备 | |
| CN116955071A (zh) | 故障分类方法、装置、设备及存储介质 | |
| CN114722789B (zh) | 数据报表集成方法、装置、电子设备及存储介质 | |
| CN108345541A (zh) | 一种程序检测方法及系统 | |
| CN115713345A (zh) | 变量筛选方法、装置、非易失性存储介质及处理器 | |
| CN115543702A (zh) | 一种多源固态硬盘协同故障诊断方法、系统、设备及介质 | |
| CN115421989A (zh) | 芯片测试结果的处理方法和装置 | |
| CN109670026B (zh) | 一种测试数据报告生成方法及报告生成系统 | |
| CN106909511A (zh) | 一种基于RedwoodHQ的自动化测试方法 | |
| CN112035513A (zh) | Sql语句性能优化方法、装置、终端及存储介质 | |
| CN112967759A (zh) | 基于内存堆栈技术的dna物证鉴定str分型比对方法 | |
| CN113157556A (zh) | 一种基于选择主成分识别的行业建筑软件缺陷管理方法 | |
| CN111400375A (zh) | 一种基于财务业务数据商机挖掘方法及装置 | |
| CN118445597B (zh) | 一种数据比对方法、装置、电子设备及存储介质 | |
| CN115167173B (zh) | 一种智能驾驶仿真集群测试的结果记录方法 | |
| CN113656238B (zh) | 一种智能终端的ai工业应用能力测试方法和系统 | |
| Viedt et al. | Prescriptive and descriptive quality metrics for the quality assessment of operational data | |
| CN115098337A (zh) | 一种智能预警信息的处理方法、系统、设备及介质 | |
| CN113849414A (zh) | 一种页面展示自动化测试系统和方法 |
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 |