CN111143134A - 故障处理方法、设备及计算机存储介质 - Google Patents
故障处理方法、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN111143134A CN111143134A CN201911422232.5A CN201911422232A CN111143134A CN 111143134 A CN111143134 A CN 111143134A CN 201911422232 A CN201911422232 A CN 201911422232A CN 111143134 A CN111143134 A CN 111143134A
- Authority
- CN
- China
- Prior art keywords
- fault
- ram
- cpu
- weight
- value
- 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
- 238000003672 processing method Methods 0.000 title abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 278
- 230000008569 process Effects 0.000 claims abstract description 248
- 238000012545 processing Methods 0.000 claims abstract description 73
- 230000002159 abnormal effect Effects 0.000 claims description 44
- 238000009434 installation Methods 0.000 claims description 19
- 230000026676 system process Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 231100000989 no adverse effect Toxicity 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response 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
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/14—Error detection or correction of the data by redundancy in operation
- G06F11/1402—Saving, restoring, recovering or retrying
- G06F11/1415—Saving, restoring, recovering or retrying at system level
- G06F11/1438—Restarting or rejuvenating
-
- 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
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
- G06F11/2236—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested to test CPU or processors
-
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5044—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering hardware capabilities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种故障处理方法、设备及计算机存储介质，所述故障处理方法包括：获取故障进程的故障信息，根据所述故障信息确定故障次数；获取预设的故障阈值，并获取系统性能信息；根据所述系统性能信息对所述故障阈值进行阈值调整；若所述故障次数大于所述阈值调整后的故障阈值，则向预设服务器发送故障进程禁用请求，并根据所述预设服务器基于所述故障进程禁用请求反馈的故障处理指令，对所述故障进程进行故障处理。本发明解决了现有故障处理机制中，终端的固定阈值无法与终端的实际运行性能相匹配的技术问题。
Description
技术领域
本发明涉及故障处理技术领域，尤其涉及一种故障处理方法、设备及计算机存储介质。
背景技术
目前针对终端中的故障进程，终端会有相应的故障处理机制。通过累计故障进程的故障次数，在故障次数达到某个阈值时，将故障信息上报并向服务器请求禁用故障进程。
以上方式能够明显提升单一终端的故障处理效果，但是，由于终端中的阈值是一个固定值，无法动态调整，而不同的终端的系统运行性能可能各不相同，例如有些终端的处理器更强劲，性能更加优越，能够支撑起故障应用更多次数的执行。例如有些终端的处理器性能较弱，其所具备的数据处理能力偏低，容易引起终端卡顿发热甚至崩溃等一系列问题，因而不足以支撑故障应用的多次运行。若终端的固定阈值过高，那么在终端故障次数未达到固定阈值之前，终端将无法上报故障请求禁用，性能较弱的终端也将出现严重的系统运行问题而无法正常使用。
因此，现有故障处理机制中，作为判断参考的固定阈值与终端的实际运行性能无法灵活匹配，大大降低了阈值的可用性。
发明内容
本发明的主要目的在于提供一种故障处理方法、设备及计算机存储介质，旨在解决现有故障处理机制中，终端的固定阈值无法与终端的实际运行性能相匹配的技术问题。
为实现上述目的，本发明实施例提供一种故障处理方法，所述故障处理方法包括：
获取故障进程的故障信息，根据所述故障信息确定故障次数；
获取预设的故障阈值，并获取系统性能信息；
根据所述系统性能信息对所述故障阈值进行阈值调整；
若所述故障次数大于所述阈值调整后的故障阈值，则向预设服务器发送故障进程禁用请求，并根据所述预设服务器基于所述故障进程禁用请求反馈的故障处理指令，对所述故障进程进行故障处理。
可选地，所述获取故障进程的故障信息，根据所述故障信息确定故障次数的步骤还包括：
获取故障进程的故障信息，并确定所述故障信息的故障类别；
统计所述故障类别的故障类别次数；
若所述故障类别次数大于预设的类别阈值，则将所述故障类别次数确认为故障次数。
可选地，所述根据所述系统性能信息对所述故障阈值进行阈值调整的步骤包括：
根据所述系统性能信息分别计算所述故障进程的CPU占用率权重值、RAM占用率权重值和故障安装属性权重值；
根据所述CPU占用率权重值、RAM占用率权重值和故障安装属性权重值计算故障总权重，并根据所述故障总权重对所述故障阈值进行阈值调整。
可选地，所述根据所述系统性能信息计算所述故障进程的CPU占用率权重值的步骤包括：
根据所述系统性能信息获取总CPU占用率，并根据所述总CPU占用率获取CPU异常比权重值、CPU异常概率参数和CPU常量；
根据所述总CPU占用率、CPU异常比权重值、CPU异常概率参数和CPU常量，生成总CPU占用率权重；
根据所述系统性能信息获取故障CPU占用率，并根据所述故障CPU占用率获取CPU故障异常比权重值和CPU故障常量，根据所述故障CPU占用率、CPU故障异常比权重值和CPU故障常量，生成故障CPU占用权重；
根据所述系统性能信息确定CPU权重比率，并根据所述总CPU占用率权重、所述故障CPU占用权重和所述CPU权重比率，生成获取CPU占用率权重值。
可选地，所述根据所述系统性能信息计算所述故障进程的RAM占用率权重值的步骤包括：
根据所述系统性能信息获取RAM空缺值，并根据所述RAM空缺值获取RAM异常比权重值、RAM异常概率参数和RAM常量；
根据所述RAM空缺值、RAM异常比权重值、RAM异常概率参数和RAM常量，生成RAM总占用率权重；
根据所述系统性能信息获取故障RAM占用率，并根据所述故障RAM占用率获取RAM故障异常比权重值和RAM故障常量，根据所述故障RAM占用率、RAM故障异常比权重值和RAM故障常量，生成故障RAM占用权重；
根据所述系统性能信息确定RAM权重比率，并根据所述RAM总占用率权重、所述故障RAM占用权重和所述RAM权重比率，生成获取RAM占用率权重值。
可选地，所述根据所述系统性能信息计算所述故障进程的故障安装属性权重值的步骤包括：
若所述故障进程为系统预设进程，则获取第一权重因子；
若所述故障进程为非系统预设进程，则获取第二权重因子；
根据所述系统性能信息获取属性权重比率；
根据所述第一权重因子或第二权重因子，以及预设的属性权重比例，生成故障安装属性权重值。
可选地，所述根据所述预设服务器基于所述故障进程禁用请求反馈的故障处理指令，对所述故障进程进行故障处理的步骤包括：
确定所述预设服务器基于所述故障进程禁用请求反馈的故障处理指令；
获取所述故障处理指令的处理类型，并根据所述处理类型对所述故障进程执行所述处理类型对应的操作。
可选地，所述根据所述处理类型对所述故障进程执行所述处理类型对应的操作的步骤包括：
若所述处理类型为故障进程升级类型或故障进程重启类型，则执行预设的故障进程升级操作或故障进程重启操作；
若所述处理类型为故障进程禁用类型，则获取所述故障进程的进程类型；
若所述进程类型为非系统进程，则执行预设的故障进程禁用操作；
若所述进程类型为系统进程，则执行预设的故障进程升级操作或故障进程重启操作。
此外，为实现上述目的，本发明还提供一种设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的故障处理程序，其中：
所述故障处理程序被所述处理器执行时实现如上所述的故障处理方法的步骤。
此外，为实现上述目的，本发明还提供计算机存储介质；
所述计算机存储介质上存储有故障处理程序，所述故障处理程序被处理器执行时实现如上述的故障处理方法的步骤。
本发明的技术方案中，获取故障进程的故障信息，根据所述故障信息确定故障次数；获取预设的故障阈值，并获取系统性能信息；根据所述系统性能信息对所述故障阈值进行阈值调整；若所述故障次数大于所述阈值调整后的故障阈值，则向预设服务器发送故障进程禁用请求，并根据所述预设服务器基于所述故障进程禁用请求反馈的故障处理指令，对所述故障进程进行故障处理。通过以上方案，通过终端设备自身的实际性能状况调整固定阈值，从而根据不同终端的实际运行性能，动态确定不同终端的故障上报情况，解决了终端的固定阈值无法与终端的实际运行性能相匹配的技术问题，使得作为判断参考的阈值与终端的实际运行性能灵活匹配，从而提升终端阈值的可用性。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明故障处理方法一实施例的流程示意图；
图3为本发明故障处理方法一实施例的总CPU占用率与权重曲线之间的函数相关性示意图；
图4为本发明故障处理方法一实施例的故障CPU占用率与权重曲线之间的函数相关性示意图。
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例方案的主要思路是：获取故障进程的故障信息，根据所述故障信息确定故障次数；获取预设的故障阈值，并获取系统性能信息；根据所述系统性能信息对所述故障阈值进行阈值调整；若所述故障次数大于所述阈值调整后的故障阈值，则向预设服务器发送故障进程禁用请求，并根据所述预设服务器基于所述故障进程禁用请求反馈的故障处理指令，对所述故障进程进行故障处理。通过以上方案，通过终端设备自身的实际性能状况调整固定阈值，从而根据不同终端的实际运行性能，动态确定不同终端的故障上报情况，解决了终端的固定阈值无法与终端的实际运行性能相匹配的技术问题，使得作为判断参考的阈值与终端的实际运行性能灵活匹配，从而提升终端阈值的可用性。
本发明实施例考虑到，由于终端中的阈值是一个固定值，无法动态调整，而不同的终端的系统运行性能可能各不相同，例如有些终端的处理器更强劲，性能更加优越，能够支撑起故障应用更多次数的执行。如果不考虑到各终端的实际运行性能，每个终端在检测到故障次数大于固定阈值就直接上报请求禁用，那么性能更强劲的终端无法体现其高性能的作用。
本发明提供一种解决方案，通过终端设备自身的实际性能状况调整固定阈值，从而根据不同终端的实际运行性能，动态确定不同终端的故障上报情况，解决了终端的固定阈值无法与终端的实际运行性能相匹配的技术问题，使得作为判断参考的阈值与终端的实际运行性能灵活匹配，从而提升终端阈值的可用性。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明实施例设备可以是PC机或服务器设备。
如图1所示，该设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及故障处理程序。
在图1所示的设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的故障处理程序，并执行下述故障处理方法各个实施例中的操作。
基于上述硬件结构，提出本发明故障处理方法实施例。
本发明提供一种故障处理方法，在故障处理方法一实施例中，参照图2，所述故障处理方法包括：
步骤S10，获取故障进程的故障信息，根据所述故障信息确定故障次数；
步骤S20，获取预设的故障阈值，并获取系统性能信息；
步骤S30，根据所述系统性能信息对所述故障阈值进行阈值调整；
步骤S40，若所述故障次数大于所述阈值调整后的故障阈值，则向预设服务器发送故障进程禁用请求，并根据所述预设服务器基于所述故障进程禁用请求反馈的故障处理指令，对所述故障进程进行故障处理。
该故障处理方法主要应用于终端设备上，具体内容如下：
步骤S10，获取故障进程的故障信息，根据所述故障信息确定故障次数；
所述故障进程指的是终端设备在正常运行过程中检测到的发生异常故障的进程。本实施例中，不同应用会有对应的进程执行，例如闹钟应用的定时进程、闹铃进程等等。若检测到故障进程，则证明当前正在运行的进程无法发挥其正常功能。每个进程发生故障时终端会记录相应的故障日志，并生成故障信息。终端设备中预设有故障代码表，所述故障代码表中将每一种可能出现的故障情况分别采用一个故障代码来表示。例如，故障代码格式采用32位格式，其中高16位代表模块号，低16位代表故障号。可以理解的是，同一天内同一故障码，同一故障描述的故障认定为同一故障事件。因此，所述故障信息指的是故障码、故障描述、故障进程名、故障进程对应版本号和故障时间的信息集合体。当故障列表中数据条数超出限定列表长度时，新的故障错误覆盖故障时间最久的记录。故障列表中记录了各种故障信息，每条故障信息代表一次故障记录，通过统计记录条数可获取当前故障进程所发生故障异常的故障次数。
进一步地，所述获取故障进程的故障信息，根据所述故障信息确定故障次数的步骤还包括：
步骤A1，获取故障进程的故障信息，并确定所述故障信息的故障类别；
步骤A2，统计所述故障类别的故障类别次数；
步骤A3，若所述故障类别次数大于预设的类别阈值，则将所述故障类别次数确认为故障次数。
不同的故障进程所引发的故障类别可能存在差异，而同一故障进程可能发生不同的故障类别，即在长期使用中，故障进程可能发生各种不同的故障类别。因此，在获取到故障进程的故障信息后，需要对故障信息进行故障类别分类。所述故障类别指的是故障进程所属的显性特征，例如故障类别可以是进程加载无反应，也可以是进程所占用的资源不足等等。终端设备本地建立故障列表，可以限定列表长度，例如1000条。每次故障发生时，根据故障代码及故障描述查询是否在故障列表中，如果当前故障进程的故障类别已经在故障列表中，则该故障类别的故障类别次数加1，故障信息不上报到服务器；如果故障信息没有在故障列表中，则故障上报服务器，并将故障信息添加入故障队列中。
本实施例设置了类别阈值，终端获取故障信息后，分析确定故障信息的故障类别，并统计该故障类别的故障类别次数(即故障进程发生该故障类别的故障次数)，若故障类别次数大于类别阈值，证明当前该故障类别的故障情况达到可以上报服务器的界限条件，此时，将所述故障类别次数确认为故障次数。
步骤S20，获取预设的故障阈值，并获取系统性能信息；
步骤S30，根据所述系统性能信息对所述故障阈值进行阈值调整；
在本实施例中，所述系统性能信息反映当前终端运行状况的优良情况，若系统性能信息数据中处理器版本为最新一代或两代版本，发热程度低于预设的系统平均发热值的百分之八十，屏幕帧率值fps大于40，则代表终端性能强劲，运行状况良好；反之系统性能信息数据中任一项数据达不到标准，则代表终端性能较弱，运行状况不佳。而终端性能对故障阈值的大小有一定影响，若终端性能强劲，则能够提升故障阈值的容载能力，即终端能够提高故障进程的故障次数的上限值；若终端性能一般，则对故障阈值的容载能力不高，即终端需要在现有的故障次数的基础上调低故障次数的阈值。因此可通过系统性能信息对所述故障阈值进行阈值调整。
具体地，所述根据所述系统性能信息对所述故障阈值进行阈值调整的步骤包括：
步骤B1，根据所述系统性能信息分别计算所述故障进程的CPU占用率权重值、RAM占用率权重值和故障安装属性权重值；
本实施例中，通过系统性能信息计算故障进程的CPU占用率权重值、RAM占用率权重值和故障安装属性权重值。所述CPU占用率权重值指的是CPU占用率在本次阈值调整中所占的权重；所述RAM占用率权重值指的是RAM占用率在本次阈值调整中所占的权重；所述故障安装属性权重值指的是故障进程的安装属性在本次阈值调整中所占的权重。
具体地，所述根据所述系统性能信息计算所述故障进程的CPU占用率权重值的步骤包括：
步骤B11，根据所述系统性能信息获取总CPU占用率，并根据所述总CPU占用率获取CPU异常比权重值、CPU异常概率参数和CPU常量；
步骤B12，根据所述总CPU占用率、CPU异常比权重值、CPU异常概率参数和CPU常量，生成总CPU占用率权重；
步骤B13，根据所述系统性能信息获取故障CPU占用率，并根据所述故障CPU占用率获取CPU故障异常比权重值和CPU故障常量，根据所述故障CPU占用率、CPU故障异常比权重值和CPU故障常量，生成故障CPU占用权重；
步骤B14，根据所述系统性能信息确定CPU权重比率，并根据所述总CPU占用率权重、所述故障CPU占用权重和所述CPU权重比率，生成获取CPU占用率权重值。
参照图3和图4，图3为本发明故障处理方法一实施例的总CPU占用率与权重曲线之间的函数相关性示意图，图4为本发明故障处理方法一实施例的故障CPU占用率与权重曲线之间的函数相关性示意图。
为方便理解，本实施例采用符号代替系统性能信息的各种指标信息。系统性能信息可通过实时监测的方式获取到。所述总CPU占用率指的是当前CPU资源被占用的总比率；所述CPU异常比权重值指的是当前CPU正常情况下发生异常时占用资源的权重值；所述CPU异常概率参数指的是当前CPU发生异常情况的概率；所述CPU常量指的是当前CPU正常情况的常量指标值。
本实施例获取到总CPU占用率，而总CPU占用率与CPU异常比权重值、CPU异常概率参数和CPU常量具有对应的映射关系，不同数值的总CPU占用率对应有不同的CPU异常比权重值、CPU异常概率参数和CPU常量。即总CPU占用率的具体数值确定时，所述CPU异常比权重值、CPU异常概率参数和CPU常量也分别具有唯一确定的数值。
同理，所述故障CPU占用率指的是当前CPU资源被故障进程占用的总比率；所述CPU故障异常比权重值指的是当前CPU在当前该故障发生时占用资源的权重值；所述CPU故障常量指的是当前CPU发生故障时的常量指标值。
本实施例获取到故障CPU占用率，而故障CPU占用率与CPU故障异常比权重值和CPU故障常量具有对应的映射关系，不同数值的故障CPU占用率对应有不同的CPU故障异常比权重值和CPU故障常量。即故障CPU占用率的具体数值确定时，所述CPU故障异常比权重值和CPU故障常量也分别具有唯一确定的数值。
假设总CPU占用率为A、CPU异常比权重值为M、CPU异常概率参数为W、CPU常量为φ，那么根据A、M、W和φ，可获得总CPU占用率权重。具体地，将W和A的乘积同φ的和作为sin()的参数，所获取的函数值与M的积加上K所得的和即为a。通过算法公式表示即为：a＝Msin(WA+φ)+K，将A、M、W和φ的具体数值代入算法公式中，从而得到总CPU占用率权重a。
假设故障CPU占用率为Ai、CPU故障异常比权重值为Mi、CPU故障常量为φi，那么根据Ai、Mi和φi，可获得故障CPU占用权重。具体地，将Ai和φi的和作为sin()的参数，所获取的函数值与Mi的积即为ai。通过算法公式表示即为：ai＝Misin(Ai+φi)，将Ai、Mi和φi的具体数值代入算法公式中，从而得到故障CPU占用权重ai。
在获取到总CPU占用率权重a和故障CPU占用权重ai之后，终端设备将根据系统性能信息确定CPU权重比率，所述CPU权重比率代表当前CPU在总的系统运行情况中所占的比例。根据a、ai和CPU权重比率，得到CPU占用率权重值，具体地，将a和ai的和与CPU权重比率做乘积运算，所获取的积即为CPU占用率权重值。通过算法公式表示即为：CPU占用率权重值＝(a+ai)*CPU权重比率。
可以理解的是，故障CPU占用率Ai越高，引起总CPU占用率A越高，故障CPU占用权重ai就越大；相对应的，总CPU占用率A高，而故障CPU占用率Ai较少时，因CPU异常概率参数W高，故障CPU占用权重依然为高。CPU异常比权重值M的数值具体可根据总CPU占用率A确定，A越高，则M也越高；同理，CPU故障异常比权重值Mi的数值具体可根据故障CPU占用率Ai确定，Ai越高，则Mi也越高。
假设当前总CPU占用率A为30％，当前故障CPU占用率Ai为20％，因系统当前性能较好，总CPU占用率权重a为0.5，但故障进程占用资源较多，故障CPU占用权重ai为0.5；而CPU在整个系统中所占的CPU权重比率为60％。因此，CPU占用率权重值＝(0.5+0.5)*0.6＝0.6；
假设当前总CPU占用率A为99％，当前故障CPU占用率Ai为20％，因系统当前性能较差，总CPU占用率权重a为10，故障CPU占用权重ai为0.5；而CPU在整个系统中所占的CPU权重比率为60％。因此，CPU占用率权重值＝(10+0.5)*0.6＝6.3。
进一步地，所述根据所述系统性能信息计算所述故障进程的RAM占用率权重值的步骤包括：
步骤B15，根据所述系统性能信息获取RAM空缺值，并根据所述RAM空缺值获取RAM异常比权重值、RAM异常概率参数和RAM常量；
步骤B16，根据所述RAM空缺值、RAM异常比权重值、RAM异常概率参数和RAM常量，生成RAM总占用率权重；
步骤B17，根据所述系统性能信息获取故障RAM占用率，并根据所述故障RAM占用率获取RAM故障异常比权重值和RAM故障常量，根据所述故障RAM占用率、RAM故障异常比权重值和RAM故障常量，生成故障RAM占用权重；
步骤B18，根据所述系统性能信息确定RAM权重比率，并根据所述RAM总占用率权重、所述故障RAM占用权重和所述RAM权重比率，生成获取RAM占用率权重值。
所述RAM空缺值指的是当前RAM的剩余闲置比率，对应地总的RAM总数减去RAM空缺值即为当前RAM资源被占用的总比率；所述RAM异常比权重值指的是当前RAM正常情况下发生异常时占用资源的权重值；所述RAM异常概率参数指的是当前RAM发生异常情况的概率；所述RAM常量指的是当前RAM正常情况的常量指标值。
本实施例获取到RAM空缺值，而RAM空缺值与RAM异常比权重值、RAM异常概率参数和RAM常量具有对应的映射关系，不同数值的RAM空缺值对应有不同的RAM异常比权重值、RAM异常概率参数和RAM常量，即RAM空缺值的具体数值确定时，所述RAM异常比权重值、RAM异常概率参数和RAM常量也分别具有唯一确定的数值。
假设RAM空缺率为free、则总RAM占用率A’为(RAM-free)/RAM，RAM异常比权重值为M’、RAM异常概率参数为W’、RAM常量为φ’，那么根据总RAM占用率A’、M’、W’和φ’，可获得RAM总占用率权重Bi。
具体地，将W’和A’乘积同φ’的和作为sin()的参数，所获取的函数值与M’的积加上K’所得的和即为Bi。通过算法公式表示即为：Bi＝M’sin(W’A’+φ’)+K’，将A’、M’、W’和φ’的具体数值代入算法公式中，从而得到RAM总占用率权重Bi。
同理，所述故障RAM占用率指的是当前RAM资源被故障进程占用的总比率；所述RAM故障异常比权重值当前RAM在当前该故障发生时占用资源的权重值；所述RAM故障常量指的是当前RAM发生故障时的常量指标值。
本实施例获取到故障RAM占用率，而故障RAM占用率与RAM故障异常比权重值和RAM故障常量具有对应的映射关系，不同数值的故障RAM占用率对应有不同的RAM故障异常比权重值和RAM故障常量，即故障RAM占用率的具体数值确定时，所述RAM故障异常比权重值和RAM故障常量也分别具有唯一确定的数值。
假设故障进程RAM占用率为Ai’，RAM故障异常比权重值为Mi’、RAM故障常量为φi’，那么根据Ai’、Mi’、φi’，可获得故障进程RAM占用权重。具体地，将Ai’和φi’的和作为sin()的参数，所获取的函数值与Mi’的积即为Bj。通过算法公式表示即为：Bj＝Mi’sin(Ai’+φi’)，将Ai’、Mi’和φi’的具体数值代入算法公式中，从而得到故障进程RAM占用权重Bj。
在获得RAM总占用率权重Bi和故障进程RAM占用权重Bj之后，终端设备将根据系统性能信息确定RAM权重比率，所述RAM权重比率代表当前RAM在总的系统运行情况中所占的比例。根据Bi、Bj和RAM权重比率，得到RAM占用率权重值，具体地，将Bi和Bj的和与RAM权重比率做乘积运算，所获取的积即为RAM占用率权重值。通过算法公式表示即为：RAM占用率权重值＝(Bi+Bj)*RAM权重比率。
假设当前总的RAM为2G，free值为1.5G，则总RAM占用率A’为(2G-1.5G)/2G，当前故障进程RAM占用15M，相应的故障进程RAM占用率Ai’为(15M/(1024M*2))，因系统当前性能较好，RAM总占用率权重Bi的权重为0.3，故障进程相对于free值占用资源较少，故障进程RAM占用权重Bj为0.1；RAM在整个系统权重中占比30％。所以RAM占用率权重值＝(0.3+0.1)*0.3＝0.12；
假设当前总的RAM为2G，free值为150M，则总RAM占用率A’为(2G-(150/1024)G)/2G，当前故障进程RAM占用15M，相应的故障进程RAM占用率Ai’为(15M/(1024M*2))，因系统当前性能较差，RAM总占用率权重Bi的权重为10，故障进程相对于free值占用资源较多，故障进程RAM占用权重Bj为1；RAM在整个系统权重中占比30％。所以RAM占用率权重值＝(10+1)*0.3＝3.3。
进一步地，所述根据所述系统性能信息计算所述故障进程的故障安装属性权重值的步骤包括：
步骤B19，若所述故障进程为系统预设进程，则获取第一权重因子；
步骤B110，若所述故障进程为非系统预设进程，则获取第二权重因子；
步骤B111，根据所述系统性能信息获取属性权重比率；
步骤B112，根据所述第一权重因子或第二权重因子，以及预设的属性权重比例，生成故障安装属性权重值。
本实施例中，系统预设进程指的是终端预设在系统中，以供正常运行系统所需的进程，而非系统预设进程指的是终端中新增加的并非用于维持系统正常运行的进程，可在当前终端系统中运行但不影响系统基本的正常运行。故障进程若是系统预设进程，那么该故障进程将占有较大的权重比例，若是非系统预设进程，那么该故障进程将不具有较大的权重比例。所述权重比例根据是否为系统预设进程而分为两种，假设故障进程为系统预设进程，则获取所述系统预设进程的第一权重因子Ci，所述第一权重因子Ci优选常数70％，若故障进程为非系统预设进程，则获取所述非系统预设进程的第二权重因子Cj，所述第二权重因子Cj优选常数30％。
获取到第一权重因子Ci和第二权重因子Cj之后，终端设备将根据系统性能信息确定属性权重比率，所述属性权重比率代表当前故障进程的系统属性在总的系统运行情况中所占的比例。本实施例中，根据Ci、Cj和属性权重比率，得到故障安装属性权重值，具体地，将Ci和Cj的和作为乘数，与属性权重比率进行乘积运算，所述乘积运算所获取到的积即为故障安装属性权重值。通过算法公式表示即为：故障安装属性权重值＝(Ci+Cj)*属性权重比率。将Ci和Cj的具体数值代入算法公式中，从而得到故障安装属性权重值。
步骤B2，根据所述CPU占用率权重值、RAM占用率权重值和故障安装属性权重值计算故障总权重，并根据所述故障总权重对所述故障阈值进行阈值调整。
根据CPU占用率权重值A、RAM占用率权重值B和故障安装属性权重值C，进行综合计算，以获得所述故障进程的故障总权重。故障总权重代表当前故障进程在终端中所占有的CPU资源和RAM资源的总权重。具体地，所述CPU占用率权重值A与RAM占用率权重值B以及故障安装属性权重值C三者的和即为故障总权重。通过以下公式表示：故障总权重＝CPU占用率权重值A+RAM占用率权重值B+故障安装属性权重值C。同时利用故障总权重和故障阈值，可计算获得新的故障阈值，具体地，所述预设的故障阈值与故障总权重的商即为新的故障阈值。通过以下所述公式表示：新的故障阈值＝预设的故障阈值/故障总权重。
步骤S40，若所述故障次数大于所述阈值调整后的故障阈值，则向预设服务器发送故障进程禁用请求，并根据所述预设服务器基于所述故障进程禁用请求反馈的故障处理指令，对所述故障进程进行故障处理。
所述故障进程禁用请求指的是请求对故障进程执行禁用的指令。可以理解的是，阈值调整后的故障阈值是终端根据故障阈值和本地系统运行情况综合获取到的阈值信息，该阈值调整后的故障阈值更加符合终端的实际系统运行状况，因此可将阈值调整后的故障阈值作为阈值判断标准，以便后续统计故障次数进行判断参考。
在完成阈值调整之后，本实施例将根据故障次数和调整后的故障阈值进行比对，若故障次数大于阈值调整后的故障阈值，此时向服务器发送故障进程禁用请求。所述故障进程禁用请求是向服务器请求禁止运行当前的故障进程。终端将获取到预设服务器反馈的故障处理指令，并对所述故障进程进行故障处理。
具体地，所述根据所述预设服务器基于所述故障进程禁用请求反馈的故障处理指令，对所述故障进程进行故障处理的步骤包括：
步骤C1，确定所述预设服务器基于所述故障进程禁用请求反馈的故障处理指令；
预设服务器将反馈给终端设备相应的故障处理指令。所述故障处理指令是服务器下发的故障进程处理指令，为终端提供故障处理参考；由于所述服务器同时与多台终端设备进行连接，因此服务器下发的故障处理指令是综合多个终端的故障信息以及禁用请求后分析获取到的指令，服务器端有相应的非禁用名单，即该名单内的进程不允许禁用，如果在名单内，则相应进程不允许禁用，如果不在名单内，则相应进程允许禁用。根据这一规则生成故障处理指令下发至终端。
步骤C2，获取所述故障处理指令的处理类型，并根据所述处理类型对所述故障进程执行所述处理类型对应的操作。
终端获取到故障处理指令后，并分析故障处理指令的处理类型。在终端中，为避免对故障进程的故障处理造成更大范围的终端故障，需要根据故障处理指令的处理类型不同，执行不同的故障处理操作。
具体地，所述根据所述处理类型对所述故障进程执行所述处理类型对应的操作的步骤包括：
步骤C21，若所述处理类型为故障进程升级类型或故障进程重启类型，则执行预设的故障进程升级操作或故障进程重启操作；
步骤C22，若所述处理类型为故障进程禁用类型，则获取所述故障进程的进程类型；
步骤C23，若所述进程类型为非系统进程，则执行预设的故障进程禁用操作；
步骤C24，若所述进程类型为系统进程，则执行预设的故障进程升级操作或故障进程重启操作。
处理类型为故障进程升级类型或故障进程重启类型，证明当前不对故障进程进行禁用，此时可根据故障处理指令的处理类型故障进程升级操作或故障进程重启操作。若处理类型为故障进程禁用类型，则需要根据故障进程的进程类别进行判断。本实施例中，所述进程类型可分为两种，一种为系统类型，一种为非系统类型。所述系统类型的进程能够保障系统的正常运行，而非系统类型的进程依附于系统进程的正常进行而存在，以提供额外的子功能。因此，系统类型的进程保障了当前终端设备的正常运行，关闭或缺失了系统类型的进程，将导致整个终端设备无法正常运行，也就无法提供基于系统运行之上的其他功能。在本实施例中，在检测到故障进程的进程类型为系统类型时，终端设备将直接执行故障进程升级操作或故障进程重启操作。即保障所述故障进程的持续运行，即使故障进程产生了大量的资源开销，也不能对故障进程进行关闭、禁用、卸载操作等，以避免由于该系统类型的故障进程被关闭、被禁用、被卸载之后导致系统直接崩溃，导致造成更严重的系统问题。
反之，若故障进程的进程类型为非系统类型，则证明当前的故障进程并非关系到系统正常运行的系统进程。也就是说，即使对故障进程进行关闭、禁用、卸载操作，也不会对当前终端设备的系统正常运行产生不良影响，此时将根据所述故障处理指令执行故障进程禁用操作。
进一步地，在android系统中，运行中的进程不仅仅是应用进程(即java进程)，还有系统守护进程和服务进程(即native进程)。
具体地，可通过判断故障进程为java进程还是native进程进行处理：使用“pmlist packages|grep进程名”有返回值的进程是java进程，适用于以下步骤a；没有返回值的进程是native进程，适用于步骤b。
步骤a：对于java进程，根据故障进程信息获取到的进程号，对应的找到应用包名。进一步地，所述java进程可以是终端设备中的系统预安装应用进程，也可以是非系统预安装应用进程，具体可分情况执行：
步骤a1：对于系统预安装应用进程，判断所述应用进程是否经过升级，如经过升级，则使用“pm uninstall包名”方式卸载更新的升级包；若所述应用进程未经过升级，则使用“am force-stop包名”禁止应用进程运行。
步骤a2：对于非系统预安装应用进程，使用“am force-stop包名”禁止应用进程运行。
步骤b：对于native进程，根据故障进程信息获取到进程名，使用“setpropctl.stop进程名”禁止native进程运行。
此外，本发明实施例还提出一种设备，设备包括：存储器109、处理器110及存储在存储器109上并可在处理器110上运行的故障处理程序，所述故障处理程序被处理器110执行时实现上述的故障处理方法各实施例的步骤。
此外，本发明还提供了一种计算机存储介质，所述计算机存储介质存储有故障处理程序，所述故障处理程序还可被处理器执行以用于实现上述故障处理方法各实施例的步骤。
本发明设备及计算机存储介质的具体实施方式的拓展内容与上述故障处理方法各实施例基本相同，在此不做赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (10)
1.一种故障处理方法，其特征在于，所述故障处理方法包括：
获取故障进程的故障信息，根据所述故障信息确定故障次数；
获取预设的故障阈值，并获取系统性能信息；
根据所述系统性能信息对所述故障阈值进行阈值调整；
若所述故障次数大于所述阈值调整后的故障阈值，则向预设服务器发送故障进程禁用请求，并根据所述预设服务器基于所述故障进程禁用请求反馈的故障处理指令，对所述故障进程进行故障处理。
2.如权利要求1所述的故障处理方法，其特征在于，所述获取故障进程的故障信息，根据所述故障信息确定故障次数的步骤还包括：
获取故障进程的故障信息，并确定所述故障信息的故障类别；
统计所述故障类别的故障类别次数；
若所述故障类别次数大于预设的类别阈值，则将所述故障类别次数确认为故障次数。
3.如权利要求1所述的故障处理方法，其特征在于，所述根据所述系统性能信息对所述故障阈值进行阈值调整的步骤包括：
根据所述系统性能信息分别计算所述故障进程的CPU占用率权重值、RAM占用率权重值和故障安装属性权重值；
根据所述CPU占用率权重值、RAM占用率权重值和故障安装属性权重值计算故障总权重，并根据所述故障总权重对所述故障阈值进行阈值调整。
4.如权利要求3所述的故障处理方法，其特征在于，所述根据所述系统性能信息计算所述故障进程的CPU占用率权重值的步骤包括：
根据所述系统性能信息获取总CPU占用率，并根据所述总CPU占用率获取CPU异常比权重值、CPU异常概率参数和CPU常量；
根据所述总CPU占用率、CPU异常比权重值、CPU异常概率参数和CPU常量，生成总CPU占用率权重；
根据所述系统性能信息获取故障CPU占用率，并根据所述故障CPU占用率获取CPU故障异常比权重值和CPU故障常量，根据所述故障CPU占用率、CPU故障异常比权重值和CPU故障常量，生成故障CPU占用权重；
根据所述系统性能信息确定CPU权重比率，并根据所述总CPU占用率权重、所述故障CPU占用权重和所述CPU权重比率，生成获取CPU占用率权重值。
5.如权利要求3所述的故障处理方法，其特征在于，所述根据所述系统性能信息计算所述故障进程的RAM占用率权重值的步骤包括：
根据所述系统性能信息获取RAM空缺值，并根据所述RAM空缺值获取RAM异常比权重值、RAM异常概率参数和RAM常量；
根据所述RAM空缺值、RAM异常比权重值、RAM异常概率参数和RAM常量，生成RAM总占用率权重；
根据所述系统性能信息获取故障RAM占用率，并根据所述故障RAM占用率获取RAM故障异常比权重值和RAM故障常量，根据所述故障RAM占用率、RAM故障异常比权重值和RAM故障常量，生成故障RAM占用权重；
根据所述系统性能信息确定RAM权重比率，并根据所述RAM总占用率权重、所述故障RAM占用权重和所述RAM权重比率，生成获取RAM占用率权重值。
6.如权利要求3所述的故障处理方法，其特征在于，所述根据所述系统性能信息计算所述故障进程的故障安装属性权重值的步骤包括：
若所述故障进程为系统预设进程，则获取第一权重因子；
若所述故障进程为非系统预设进程，则获取第二权重因子；
根据所述系统性能信息获取属性权重比率；
根据所述第一权重因子或第二权重因子，以及预设的属性权重比例，生成故障安装属性权重值。
7.如权利要求1所述的故障处理方法，其特征在于，所述根据所述预设服务器基于所述故障进程禁用请求反馈的故障处理指令，对所述故障进程进行故障处理的步骤包括：
确定所述预设服务器基于所述故障进程禁用请求反馈的故障处理指令；
获取所述故障处理指令的处理类型，并根据所述处理类型对所述故障进程执行所述处理类型对应的操作。
8.如权利要求1至7任一项所述的故障处理方法，其特征在于，所述根据所述处理类型对所述故障进程执行所述处理类型对应的操作的步骤包括：
若所述处理类型为故障进程升级类型或故障进程重启类型，则执行预设的故障进程升级操作或故障进程重启操作；
若所述处理类型为故障进程禁用类型，则获取所述故障进程的进程类型；
若所述进程类型为非系统进程，则执行预设的故障进程禁用操作；
若所述进程类型为系统进程，则执行预设的故障进程升级操作或故障进程重启操作。
9.一种设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在处理器上运行的故障处理程序，所述故障处理程序被所述处理器执行时实现如权利要求1至8中任一项所述的故障处理方法的步骤。
10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有故障处理程序，所述故障处理程序被处理器执行时实现如权利要求1至8中任一项所述的故障处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911422232.5A CN111143134B (zh) | 2019-12-30 | 2019-12-30 | 故障处理方法、设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911422232.5A CN111143134B (zh) | 2019-12-30 | 2019-12-30 | 故障处理方法、设备及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111143134A true CN111143134A (zh) | 2020-05-12 |
| CN111143134B CN111143134B (zh) | 2024-06-04 |
Family
ID=70523028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911422232.5A Active CN111143134B (zh) | 2019-12-30 | 2019-12-30 | 故障处理方法、设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111143134B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080027680A1 (en) * | 2006-07-25 | 2008-01-31 | Microsoft Corporation | Stability Index Display |
| CN103514068A (zh) * | 2012-06-28 | 2014-01-15 | 北京百度网讯科技有限公司 | 内存故障自动定位方法 |
| CN105825314A (zh) * | 2015-01-08 | 2016-08-03 | 国家电网公司 | 一种基于集中运维模式的监视信息分析方法和系统 |
| CN106294076A (zh) * | 2016-08-24 | 2017-01-04 | 浪潮(北京)电子信息产业有限公司 | 一种服务器关联故障预测方法及其系统 |
| CN108710545A (zh) * | 2018-03-23 | 2018-10-26 | 上海精鲲计算机科技有限公司 | 一种远程监控故障自愈系统 |
| CN109144813A (zh) * | 2018-07-26 | 2019-01-04 | 郑州云海信息技术有限公司 | 一种云计算系统服务器节点故障监控系统及方法 |
| CN109144559A (zh) * | 2018-09-26 | 2019-01-04 | 深圳壹账通智能科技有限公司 | 一种更新数据包的推送方法及服务器 |
| CN109144835A (zh) * | 2018-08-02 | 2019-01-04 | 广东浪潮大数据研究有限公司 | 一种应用服务故障的自动预测方法、装置、设备及介质 |
| CN109165138A (zh) * | 2018-08-01 | 2019-01-08 | 网宿科技股份有限公司 | 一种监控设备故障的方法和装置 |
| CN109542724A (zh) * | 2018-11-14 | 2019-03-29 | 北京达佳互联信息技术有限公司 | 应用程序异常处理方法、装置、电子设备及存储介质 |
| US20190306733A1 (en) * | 2018-03-30 | 2019-10-03 | Fujitsu Limited | Abnormality detecting method and abnormality detecting device |
| US20190349247A1 (en) * | 2018-05-14 | 2019-11-14 | Netflix, Inc. | Scalable and real-time anomaly detection |
-
2019
- 2019-12-30 CN CN201911422232.5A patent/CN111143134B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080027680A1 (en) * | 2006-07-25 | 2008-01-31 | Microsoft Corporation | Stability Index Display |
| CN103514068A (zh) * | 2012-06-28 | 2014-01-15 | 北京百度网讯科技有限公司 | 内存故障自动定位方法 |
| CN105825314A (zh) * | 2015-01-08 | 2016-08-03 | 国家电网公司 | 一种基于集中运维模式的监视信息分析方法和系统 |
| CN106294076A (zh) * | 2016-08-24 | 2017-01-04 | 浪潮(北京)电子信息产业有限公司 | 一种服务器关联故障预测方法及其系统 |
| CN108710545A (zh) * | 2018-03-23 | 2018-10-26 | 上海精鲲计算机科技有限公司 | 一种远程监控故障自愈系统 |
| US20190306733A1 (en) * | 2018-03-30 | 2019-10-03 | Fujitsu Limited | Abnormality detecting method and abnormality detecting device |
| US20190349247A1 (en) * | 2018-05-14 | 2019-11-14 | Netflix, Inc. | Scalable and real-time anomaly detection |
| CN109144813A (zh) * | 2018-07-26 | 2019-01-04 | 郑州云海信息技术有限公司 | 一种云计算系统服务器节点故障监控系统及方法 |
| CN109165138A (zh) * | 2018-08-01 | 2019-01-08 | 网宿科技股份有限公司 | 一种监控设备故障的方法和装置 |
| CN109144835A (zh) * | 2018-08-02 | 2019-01-04 | 广东浪潮大数据研究有限公司 | 一种应用服务故障的自动预测方法、装置、设备及介质 |
| CN109144559A (zh) * | 2018-09-26 | 2019-01-04 | 深圳壹账通智能科技有限公司 | 一种更新数据包的推送方法及服务器 |
| CN109542724A (zh) * | 2018-11-14 | 2019-03-29 | 北京达佳互联信息技术有限公司 | 应用程序异常处理方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111143134B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110996352B (zh) | 一种流量控制方法、装置、计算机设备及存储介质 | |
| WO2019169724A1 (zh) | 服务器并发数控制方法、装置、计算机设备及存储介质 | |
| US9529694B2 (en) | Techniques for adaptive trace logging | |
| EP2414932B1 (en) | Execution of a plugin according to plugin stability level | |
| US20220029884A1 (en) | Network Resource Management Devices Methods And Systems | |
| CN107395414B (zh) | 一种基于输出裁决的负反馈控制方法及系统 | |
| CN111198759B (zh) | 一种内存优化方法、系统、终端设备及可读存储介质 | |
| US20120210323A1 (en) | Data processing control method and computer system | |
| US9330265B2 (en) | Method for component access control and electronic device | |
| CN111209110A (zh) | 一种实现负载均衡的任务调度管理方法、系统和存储介质 | |
| US10642585B1 (en) | Enhancing API service schemes | |
| CN113220723A (zh) | 一种流量控制方法、装置、计算机设备及存储介质 | |
| CN112256417A (zh) | 一种数据请求处理方法、装置及计算机可读存储介质 | |
| JP7387469B2 (ja) | 通信装置、監視サーバ及びログ収集方法 | |
| CN115185777A (zh) | 一种异常检测方法、装置、可读存储介质以及电子设备 | |
| CN113794650B (zh) | 并发请求的处理方法、计算机设备和计算机可读存储介质 | |
| CN111538585A (zh) | 一种基于node.js的服务器进程调度方法、系统和装置 | |
| CN111949421B (zh) | Sdk调用方法、装置、电子设备和计算机可读存储介质 | |
| CN113595773A (zh) | 信息处理方法、装置、电子设备和存储介质 | |
| CN111143134A (zh) | 故障处理方法、设备及计算机存储介质 | |
| CN114422530A (zh) | 流量控制方法、装置和计算机设备和存储介质 | |
| CN114827157A (zh) | 集群任务处理方法、装置、系统、电子设备及可读介质 | |
| US20210240536A1 (en) | Allocation and management of computing platform resources | |
| CN116048645A (zh) | 算法插件加载方法、装置、存储介质及电子设备 | |
| CN111614747B (zh) | 一种信息处理方法及装置 |
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 |