CN111158981A - 一种cdn硬盘可靠运行状态的实时监控方法及系统 - Google Patents

一种cdn硬盘可靠运行状态的实时监控方法及系统 Download PDF

Info

Publication number
CN111158981A
CN111158981A CN201911363810.2A CN201911363810A CN111158981A CN 111158981 A CN111158981 A CN 111158981A CN 201911363810 A CN201911363810 A CN 201911363810A CN 111158981 A CN111158981 A CN 111158981A
Authority
CN
China
Prior art keywords
hard disk
operation state
evaluation
unit
safe operation
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
CN201911363810.2A
Other languages
English (en)
Inventor
郭荣春
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.)
Xian University of Posts and Telecommunications
Original Assignee
Xian University of Posts and Telecommunications
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 Xian University of Posts and Telecommunications filed Critical Xian University of Posts and Telecommunications
Priority to CN201911363810.2A priority Critical patent/CN111158981A/zh
Publication of CN111158981A publication Critical patent/CN111158981A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3037—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a memory, e.g. virtual memory, cache
    • 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
    • G06F11/3452—Performance evaluation by statistical analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明提供了一种CDN硬盘可靠运行状态的实时监控方法及系统，监控方法包括以下步骤：获取硬盘smart数据，构建硬盘安全运行状态评价模型，得出每台硬盘的当前运行状态；基于硬盘的当前运行状态，对每个参数的权重进行修正，然后基于硬盘安全运行状态进行相对性评价，评价不同硬盘的安全运行状态。监控系统包括构建单元、修正单元和评价单元，构建单元，用于构建硬盘安全运行状态评价模型；修正单元，基于硬盘smart数据修正硬盘安全运行状态下每个参数的权重；评价单元，评价不同硬盘的安全运行状态。本发明针对通过构建评价指标、评价维度实现了对硬盘安全运行的评价体系，克服了原有评价的时效性低的问题，更好地支撑CDN提供可靠的服务。

Description

一种CDN硬盘可靠运行状态的实时监控方法及系统
技术领域
本发明涉及计算机技术领域，特殊是涉及一种CDN硬盘可靠运行状态的实施监控方法及系统。
背景技术
网络带宽的带宽越来越高，给人们带来的便利也越来越多。IPTV让人们可以随时随地的享受各种影视资源。CDN(全称是Content Delivery Network，即内容分发服务器)在IPTV中发挥着重要的作用。CDN最重要的是硬盘，缓存内容都是存储在硬盘上面的。硬盘的好坏直接决定着CDN能力的发挥，所以能及时发现受损的硬盘显得尤为重要。
目前缺乏对CDN硬盘的运行状态进行实时监控的有效手段，通常是在服务器系统出现异常的时候，通过分析系统日志才能发现是硬盘故障，此时硬盘故障已经发生，而且已经影响了服务器的正常运行，目前无法及时对硬盘故障进行监控。
因此，对CDN硬盘可靠运行状态进行实时监控，以及提高监控及时性是本领域技术人员亟需解决的技术问题。
需要注意的是，本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
发明内容
本发明目的在于提供了一种CDN硬盘可靠运行状态的实时监控方法及系统，实现了对CDN硬盘的实时监控，从而确定导致CAN能力下降的硬盘隐患。
为实现上述目的本发明采用如下技术方案：
该CDN硬盘可靠运行状态的实时监控方法，包括以下步骤：
S1：获取硬盘smart数据，构建硬盘安全运行状态评价模型，得出每台硬盘的当前运行状态；
S2：基于硬盘的当前运行状态，对每个参数的权重进行修正，然后基于硬盘安全运行状态进行相对性评价，评价不同硬盘的安全运行状态。
进一步地，还包括S3：根据评价结果，将存在风险的硬盘向管理员发送警告。
进一步地，上述S1中构建硬盘安全运行状态评价模型，包括以下步骤：
S101：采集硬盘smart数据；
S102：处理硬盘smart数据；
S103：拆分硬盘smart数据；
S104：通过离线训练分类器得到分类超平面，并离线验证硬盘当前状态；
进一步地，上述S102具体是：采用主成分分析法将硬盘smart数据降维，并映射到特征空间。
进一步地，上述S103具体是：将S102处理后的硬盘smart数据采用高斯核函数处理，然后拆分为训练数据集和预测数据集。
进一步地，上述S104中离线训练分类器，包括以下步骤：
在训练数据集中，硬盘smart数据包括底层数据读取错误率、磁盘读写通量性能、主轴起旋时间、启停计数、重映射扇区计数，依次分别标记为Kn，其中n＝1,2,3,4,5；
将K1作为正集，K2、K3、K4、K5作为负集，K1、K2、K3、K4、K5一同输入到SVM训练机器学习算法中进行训练，得到分类超平面f1(x)；
将K2作为正集，K1、K3、K4、K5作为负集，K1、K2、K3、K4、K5一同输入到SVM训练机器学习算法中进行训练，得到分类超平面f2(x)；
将K3作为正集，K1、K2、K4、K5作为负集，K1、K2、K3、K4、K5一同输入到SVM训练机器学习算法中进行训练，得到分类超平面f3(x)；
将K4作为正集，K1、K2、K3、K5作为负集，K1、K2、K3、K4、K5一同输入到SVM训练机器学习算法进行训练，得到分类超平面f4(x)；
将K5作为正集，K1、K2、K3、K4作为负集，K1、K2、K3、K4、K5一同输入到SVM训练机器学习算法进行训练，得到分类超平面f5(x)；
其中，分类超平面fm(x)＝ωTX+b，m＝1,2,3,4,5；其中，ωT为分类超平面的斜率，X＝[x1,x2,…,x4]，b为常数；
所述S104中离线验证硬盘当前状态具体是：
计算并比较预测数据集中每类数据到所对应的分类超平面f1(x)、f2(x)、f3(x)、f4(x)、f5(x)的欧氏距离，欧氏距离最小的分类超平面fm(x)，即为硬盘的当前运行状态。
进一步地，上述S2中相对性评价具体是：
比价任意两台硬盘的当前运行状态，若两台硬盘的当前运行状态fm(x)为不同分类超平面，则比价fm(x)的当前运行状态，得出硬盘的安全运行状态是否良好；若两台硬盘的当前状态fm(x)为同一个分类超平面，则比较两台硬盘的当当前运行状态fm(x)对应的欧式距离，欧式距离近的则硬盘的安全运行状态较好，欧式距离远的则反之。
基于上述监控方法的CDN硬盘可靠运行状态的实时监控系统，包括构建单元、修正单元和评价单元；
所述构建单元，用于构建硬盘安全运行状态评价模型，得出每个硬盘的当前运行状态；
所述修正单元，基于硬盘smart数据修正硬盘安全运行状态下每个参数的权重；
所述评价单元，基于硬盘安全运行状态进行相对性评价，评价不同硬盘的安全运行状态。
进一步地，还包括推送单元，所述推送单元用于推送硬盘运行状态评价结果。
进一步地，上述构建单元包括采集单元、处理单元、拆分单元和离线训练与离线验证单元；
所述采集单元，用于采集硬盘smart数据；
所述处理单元，用于处理硬盘smart数据；
所述拆分单元，用于拆分硬盘smart数据；
所述离线训练与离线验证单元，用于离线训练分类器和离线验证硬盘当前状态。
本发明的有益效果：
1、本发明基于硬盘smart数据的结果，通过构建多级评价指标来形成硬盘的实时评价体系，采用SVM算法并构建实时评价模型，减少了技术人员人工判定风险硬盘的劳动量，并提升了评价结果的可靠性，有助于提升CDN可靠运行水平；使用非人工标注的方式，减少了大量的人力成本。
2、本发明针对硬盘构建动态化的实时评价指标，建立硬盘的监控运行评价模型，实现对硬盘运行情况的实时评价，通过构建评价指标、评价维度实现了对硬盘安全运行的评价体系，该评价体系克服了原有评价的时效性低的问题，更好地支撑CDN提供可靠的服务。
附图说明
图1是本发明监控方法的模型流程图；
图2是本发明实施例中数据降到一维后的分布情况示意图；
图3是本发明实施例中分类平面的效果示意图；
图4是本发明监控系统的结构框图；
图5是本发明监控系统中构建单元的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征或特性可以以任何合适的方式结合在一个或更多实施方式中。
本发明基于SVM(全称Support Vector Machine)支持向量机原理，建立CDN硬盘可靠风险系数的线性回归模型，拟定不同硬盘的实时运行状态下安全运行风险系数相对指标。通过构建评价指标、评价维度实现了对CDN硬盘可靠的评价体系，该评价体系克服了运检状态评价的时效性低的问题，评价结果保障了CDN硬盘可靠运行。
如图1所示，该CDN硬盘可靠运行状态的实时监控方法，包括数据采集、PCA降维、拆分数据集、SVM算法训练验证等步骤。
S1：获取硬盘smart数据(即硬盘运行数据)，构建硬盘安全运行状态评价模型，得出每台硬盘的当前运行状态；
其中，构建CDN硬盘安全运行状态评价模型，包括以下步骤：
S101：采集硬盘运行数据；
S102：处理硬盘运行数据；
为方便观察数据的分布情况及选择合适的算法，通过PCA主成分分析法将各类硬盘运行数据降维并映射到特征空间，数据降到一维后的分布情况如图2所示。
sklearn封装的PCA方法，做PCA的代码如下。PCA方法参数n_components，如果设置为整数，则n_components＝k。如果将其设置为小数，则说明降维后的数据能保留的信息。
pca＝PCA(n_components＝1)
S103：拆分硬盘运行数据；
首先采用高斯核函数处理硬盘运行数据；然后将经过高斯核函数处理后的硬盘运行数据拆分为训练数据集和预测数据集。
高斯核函数处理的作用为：按一定规律统一改变样本的特征数据得到新的样本，新的样本按新的特征数据能更好的分类，由于新的样本的特征数据与原始样本的特征数据呈一定规律的对应关系，因此根据新的样本的分布及分类情况，得出原始样本的分类情况。
S104：离线训练分类器和离线验证硬盘当前运行状态。
离线训练分类器，包括以下步骤：
在训练数据集中，将K1作为正集，K2、K3、K4……Kn作为负集，K1、K2、K3、K4……Kn一同输入到SVM训练机器学习算法中进行训练，得到分类超平面f1(x)；
将K2作为正集，K1、K3、K4……Kn作为负集，K1、K2、K3、K4……Kn一同输入到SVM训练机器学习算法中进行训练，得到分类超平面f2(x)；
将K3作为正集，K1、K2、K4……Kn作为负集，K1、K2、K3、K4……Kn一同输入到SVM训练机器学习算法进行训练，得到分类超平面f3(x)；
将K4作为正集，K1、K2、K3……Kn作为负集，K1、K2、K3、K4……Kn一同输入到SVM训练机器学习算法进行训练，得到分类超平面f4(x)；
其中，分类超平面fm(x)＝ωTX+b，m＝1,2,3,4....n；其中，ωT为分类超平面的斜率，X＝[x1,x2,…,x4]，b为常数；为了数据的可视化将数据降成一维，分类平面的效果如图2所示，可以看到一条直线将颜色不同的数据均匀的分在了两边。
离线验证硬盘当前状态，具体为：
分别计算并比较预测数据集中每类数据到所对应的分类超平面f1(x)、f2(x)、f3(x)、f4(x).....fn(x)的欧氏距离，欧氏距离最小的分类超平面fm(x)，即为硬盘当前的状态。
S2：基于硬盘的当前运行状态，对每个参数的权重进行修正，然后基于硬盘安全运行状态进行相对性评价，评价不同硬盘的安全运行状态。
其中，相对性评价具体是：比价任意两台硬盘的当前运行状态，若两台硬盘的当前运行状态fm(x)为不同分类超平面，则比价fm(x)的当前运行状态，得出硬盘的安全运行状态是否良好；若两台硬盘的当前状态fm(x)为同一个分类超平面，则比较两台硬盘的当当前运行状态fm(x)对应的欧式距离，欧式距离近的则硬盘的安全运行状态较好，欧式距离远的则反之。
S3：根据评价结果，将存在风险的硬盘向管理员发送警告。其中，硬盘可靠运行状态分为优秀，良好，及格和告警四类。
以下以某地区CDN硬盘为例对本发明做进一步详细介绍：
该地区CDN服务器硬盘品牌分为：希捷，西部数据，东芝，三星，联想，金士顿，戴尔等。类型分为：机械硬盘和固态硬盘。缓存为：16MB及以下，32MB，64MB，128MB，256M等。
S1：构建硬盘安全运行状态评价模型；
S101：采集硬盘运行数据：
Figure BDA0002337876120000061
其中rij表示第i个硬盘类别对第j个指标设置的值。
S102：用PCA主成分分析法对数据进行降维处理,降维后的指标为k个；
Figure BDA0002337876120000062
S103：拆分硬盘运行数据，包括：
高斯核函数处理后的硬盘运行数据；将经过高斯核函数处理后的硬盘运行数据拆分为训练数据集和预测集。
S104：离线训练分类器和离线验证硬盘当前状态。
具体为：采用高斯核函数，训练svm分类器，clf＝svm.SVC(C＝0.8,kernel＝'rbf',gamma＝20,decision_function_shape＝'ovr')。
其中：C为float参数默认值为1.0
错误项的惩罚系数。C越大，即对分错样本的惩罚程度越大，因此在训练样本中准确率越高，但是泛化能力降低，也就是对测试数据的分类准确率降低。相反，减小C的话，容许训练样本中有一些误分类错误样本，泛化能力强。对于训练样本带有噪声的情况，一般采用后者，把训练样本集中错误分类的样本作为噪声。由于本实验中使用人工标注可能存在错误的分类，故设置为0.8。
kernel＝'rbf'，使用高斯核函数。
Gamma为高斯核函数的系数。
decision_function_shape：处理多分类问题，一对一用ovo，一对多用ovr，默认为ovr。
本发明实施例的分类器的准确率(被分对的样本数除以所有的样本数)为：训练集的准确率为0.9366666667，预测集的准确率为0.85。
S2：基于不同硬盘的实时运行状态下安全运行状态的相对性评价权重，评价不硬盘的安运行状态。
计算欧式距离的python方法如下：d＝np.sqrt(np.sum(np.square(x-y)))。
S3：根据以上步骤计算的硬盘的评价结果，确认不同硬盘中可能存在的风险硬盘，将存在风险的硬盘向管理员发送警告。
如图4所示，该CDN硬盘可靠运行状态的实时监控系统，包括构建单元、修正单元和评价单元；
构建单元，用于构建CDN硬盘安全运行状态评价模型，得出每个硬盘的当前运行状态；
修正单元，基于硬盘smart数据修正硬盘安全运行状态下每个参数的权重；
评价单元，基于硬盘安全运行状态进行相对性评价，评价不同硬盘的安全运行状态。
该系统还包括推送单元，推送单元用于推送硬盘运行状态评价结果。
如图5所示，该构建单元包括采集单元、处理单元、拆分单元和离线训练与离线验证单元；
采集单元，用于采集硬盘运行数据；
处理单元，用于处理硬盘运行数据；
拆分单元，用于拆分硬盘运行数据；
离线训练与离线验证单元，用于离线训练分类器和离线验证硬盘当前状态。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种CDN硬盘可靠运行状态的实时监控方法，其特征在于，包括以下步骤：
S1：获取硬盘smart数据，构建硬盘安全运行状态评价模型，得出每台硬盘的当前运行状态；
S2：基于硬盘的当前运行状态，对每个参数的权重进行修正，然后基于硬盘安全运行状态进行相对性评价，评价不同硬盘的安全运行状态。
2.根据权利要求1所述的额CDN硬盘可靠运行状态的实时监控方法，其特征在于，还包括S3：根据评价结果，将存在风险的硬盘向管理员发送警告。
3.根据权利要求1所述的CDN硬盘可靠运行状态的实时监控方法，其特征在于，所述S1中构建硬盘安全运行状态评价模型，包括以下步骤：
S101：采集硬盘smart数据；
S102：处理硬盘smart数据；
S103：拆分硬盘smart数据；
S104：通过离线训练分类器得到分类超平面，并离线验证硬盘当前状态。
4.根据权利要求3所述的CDN硬盘可靠运行状态的实时监控方法，其特征在于，所述S102具体是：采用主成分分析法将硬盘smart数据降维，并映射到特征空间。
5.根据权利要求4所述的CDN硬盘可靠运行状态的实时监控方法，其特征在于，所述S103具体是：将S102处理后的硬盘smart数据采用高斯核函数处理，然后拆分为训练数据集和预测数据集。
6.根据权利要求5所述的CDN硬盘可靠运行状态的实时监控方法，其特征在于，
所述S104中离线训练分类器，包括以下步骤：
在训练数据集中，硬盘smart数据包括底层数据读取错误率、磁盘读写通量性能、主轴起旋时间、启停计数、重映射扇区计数，依次分别标记为Kn，其中n＝1,2,3,4,5；
将K1作为正集，K2、K3、K4、K5作为负集，K1、K2、K3、K4、K5一同输入到SVM训练机器学习算法中进行训练，得到分类超平面f1(x)；
将K2作为正集，K1、K3、K4、K5作为负集，K1、K2、K3、K4、K5一同输入到SVM训练机器学习算法中进行训练，得到分类超平面f2(x)；
将K3作为正集，K1、K2、K4、K5作为负集，K1、K2、K3、K4、K5一同输入到SVM训练机器学习算法中进行训练，得到分类超平面f3(x)；
将K4作为正集，K1、K2、K3、K5作为负集，K1、K2、K3、K4、K5一同输入到SVM训练机器学习算法进行训练，得到分类超平面f4(x)；
将K5作为正集，K1、K2、K3、K4作为负集，K1、K2、K3、K4、K5一同输入到SVM训练机器学习算法进行训练，得到分类超平面f5(x)；
其中，分类超平面fm(x)＝ωTX+b，m＝1,2,3,4,5；其中，ωT为分类超平面的斜率，X＝[x1,x2,…,x4]，b为常数；
所述S104中离线验证硬盘当前状态具体是：
计算并比较预测数据集中每类数据到所对应的分类超平面f1(x)、f2(x)、f3(x)、f4(x)、f5(x)的欧氏距离，欧氏距离最小的分类超平面fm(x)，即为硬盘的当前运行状态。
7.根据权利要求6所述的CDN硬盘可靠运行状态的实时监控方法，其特征在于，所述S2中相对性评价具体是：
比价任意两台硬盘的当前运行状态，若两台硬盘的当前运行状态fm(x)为不同分类超平面，则比价fm(x)的当前运行状态，得出硬盘的安全运行状态是否良好；若两台硬盘的当前状态fm(x)为同一个分类超平面，则比较两台硬盘的当当前运行状态fm(x)对应的欧式距离，欧式距离近的则硬盘的安全运行状态较好，欧式距离远的则反之。
8.一种基于权利要求1-7的CDN硬盘可靠运行状态的实时监控系统，其特征在于：包括构建单元、修正单元和评价单元；
所述构建单元，用于构建硬盘安全运行状态评价模型，得出每个硬盘的当前运行状态；
所述修正单元，基于硬盘smart数据修正硬盘安全运行状态下每个参数的权重；
所述评价单元，基于硬盘安全运行状态进行相对性评价，评价不同硬盘的安全运行状态。
9.根据权利要求8所述的CDN硬盘可靠运行状态的实时监控系统，其特征在于：还包括推送单元，所述推送单元用于推送硬盘运行状态评价结果。
10.根据权利要求8所述的CDN硬盘可靠运行状态的实时监控系统，其特征在于：所述构建单元包括采集单元、处理单元、拆分单元和离线训练与离线验证单元；
所述采集单元，用于采集硬盘smart数据；
所述处理单元，用于处理硬盘smart数据；
所述拆分单元，用于拆分硬盘smart数据；
所述离线训练与离线验证单元，用于离线训练分类器和离线验证硬盘当前状态。
CN201911363810.2A 2019-12-26 2019-12-26 一种cdn硬盘可靠运行状态的实时监控方法及系统 Pending CN111158981A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911363810.2A CN111158981A (zh) 2019-12-26 2019-12-26 一种cdn硬盘可靠运行状态的实时监控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911363810.2A CN111158981A (zh) 2019-12-26 2019-12-26 一种cdn硬盘可靠运行状态的实时监控方法及系统

Publications (1)

Publication Number Publication Date
CN111158981A true CN111158981A (zh) 2020-05-15

Family

ID=70556848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911363810.2A Pending CN111158981A (zh) 2019-12-26 2019-12-26 一种cdn硬盘可靠运行状态的实时监控方法及系统

Country Status (1)

Country Link
CN (1) CN111158981A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150067410A1 (en) * 2013-08-27 2015-03-05 Tata Consultancy Services Limited Hardware failure prediction system
CN104494600A (zh) * 2014-12-16 2015-04-08 电子科技大学 一种基于svm算法的驾驶员意图识别方法
CN104503874A (zh) * 2014-12-29 2015-04-08 南京大学 一种云计算平台的硬盘故障预测方法
CN108986869A (zh) * 2018-07-26 2018-12-11 南京群顶科技有限公司 一种使用多模型预测的磁盘故障检测方法
CN109408328A (zh) * 2018-10-08 2019-03-01 郑州云海信息技术有限公司 一种硬盘健康状态的监测方法、装置以及设备
CN109739739A (zh) * 2018-12-28 2019-05-10 中兴通讯股份有限公司 磁盘故障的预测方法、设备及存储介质
CN110322135A (zh) * 2019-06-26 2019-10-11 国网江苏省电力有限公司南京供电分公司 一种电网设备安全运行状态的实时监控方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150067410A1 (en) * 2013-08-27 2015-03-05 Tata Consultancy Services Limited Hardware failure prediction system
CN104494600A (zh) * 2014-12-16 2015-04-08 电子科技大学 一种基于svm算法的驾驶员意图识别方法
CN104503874A (zh) * 2014-12-29 2015-04-08 南京大学 一种云计算平台的硬盘故障预测方法
CN108986869A (zh) * 2018-07-26 2018-12-11 南京群顶科技有限公司 一种使用多模型预测的磁盘故障检测方法
CN109408328A (zh) * 2018-10-08 2019-03-01 郑州云海信息技术有限公司 一种硬盘健康状态的监测方法、装置以及设备
CN109739739A (zh) * 2018-12-28 2019-05-10 中兴通讯股份有限公司 磁盘故障的预测方法、设备及存储介质
CN110322135A (zh) * 2019-06-26 2019-10-11 国网江苏省电力有限公司南京供电分公司 一种电网设备安全运行状态的实时监控方法及系统

Similar Documents

Publication Publication Date Title
US20220300828A1 (en) Automated dynamic data quality assessment
Jiménez‐Valverde et al. Discrimination capacity in species distribution models depends on the representativeness of the environmental domain
TWI639824B (zh) 用於自動及手動缺陷分類之整合的方法、設備及非暫態電腦可讀取儲存媒介
US9715723B2 (en) Optimization of unknown defect rejection for automatic defect classification
CN109447461B (zh) 用户信用评估方法及装置、电子设备、存储介质
CN104520806A (zh) 用于云监控的异常检测
CN110991474A (zh) 一种机器学习建模平台
CN112883990A (zh) 数据分类方法及装置、计算机存储介质、电子设备
CN117455417B (zh) 一种智能风控审批策略自动迭代优化方法及系统
CN113313538A (zh) 用户消费能力预测方法、装置、电子设备和存储介质
US20060248096A1 (en) Early detection and warning systems and methods
CN114782123A (zh) 一种信用评估方法及系统
CN111158981A (zh) 一种cdn硬盘可靠运行状态的实时监控方法及系统
CN110826616B (zh) 信息处理方法及装置、电子设备、存储介质
US20210216542A1 (en) Systems and method for dynamically updating materiality distributions and classifications
US11210604B1 (en) Processing dynamic data within an adaptive oracle-trained learning system using dynamic data set distribution optimization
CN113641823A (zh) 文本分类模型训练、文本分类方法、装置、设备及介质
CN111431909A (zh) 用户实体行为分析中分组异常检测方法及装置、终端
CN115423024A (zh) 数据处理方法、装置、设备、存储介质及程序产品
US20230075530A1 (en) Anomaly Detection Using Gaussian Process Variational Autoencoder (GPVAE)
CN118052825A (zh) 一种玻璃绝缘子表面瑕疵检测方法
CN113592159A (zh) 基于被测系统自动分层探测技术的性能测试与监控系统
CN114492542A (zh) 一种有载分接开关的运行状态的检测方法及检测装置
CA3196652A1 (en) Systems and method for dynamically updating materiality distributions and classifications in multiple dimensions
Li et al. Insulator OOD state identification algorithm based on distribution calibration with smooth classification boundaries

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
TA01 Transfer of patent application right

Effective date of registration: 20201124

Address after: 710000 No. 28 West Xianning Road, Shaanxi, Xi'an

Applicant after: XI'AN JIAOTONG University

Applicant after: XI'AN University OF POSTS & TELECOMMUNICATIONS

Address before: 710061 No.618, West Chang'an Street, Chang'an District, Xi'an City, Shaanxi Province

Applicant before: XI'AN University OF POSTS & TELECOMMUNICATIONS

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210330

Address after: 710000 No. 563 Chang'an South Road, Xi'an City, Shaanxi Province

Applicant after: XI'AN University OF POSTS & TELECOMMUNICATIONS

Address before: 710000 No. 28 West Xianning Road, Shaanxi, Xi'an

Applicant before: XI'AN JIAOTONG University

Applicant before: XI'AN University OF POSTS & TELECOMMUNICATIONS

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20200515

RJ01 Rejection of invention patent application after publication