CN111459779B - 一种服务器质量等级分类方法和系统 - Google Patents
一种服务器质量等级分类方法和系统 Download PDFInfo
- Publication number
- CN111459779B CN111459779B CN202010174035.2A CN202010174035A CN111459779B CN 111459779 B CN111459779 B CN 111459779B CN 202010174035 A CN202010174035 A CN 202010174035A CN 111459779 B CN111459779 B CN 111459779B
- Authority
- CN
- China
- Prior art keywords
- parameters
- quality
- parameter
- server
- capability
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- 238000012827 research and development Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000013461 design Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000017525 heat dissipation Effects 0.000 claims description 4
- 230000007334 memory performance Effects 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 abstract description 2
- 238000007792 addition Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F11/3452—Performance evaluation by statistical analysis
-
- 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
- G06F11/3476—Data logging
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提出了一种服务器质量等级分类方法,根据服务器的生命周期对服务器的质量参数进行分层和归类;对分层和归类后的质量参数的每个子参数做统一化处理;对服务器均采取依次对质量参数进行赋值、参数统一和参数相加的方式对服务器质量等级分级;积累数据;将积累的数据输入到朴素贝叶斯分类器中,对朴素贝叶斯分类器进行训练,得出参数,再将参数重新带入到参数赋值中,最后对比不同服务器的性能。基于本发明提出的分类方法,还提出了一种分类系统。本发明在研发、测试、量产三个阶段对参数进行把控,同时又将参数分分层和统一,引入了智能分类算法,无论在有无样本的情况均可以对服务器质量等级进行区分,提高质量的稳定性。
Description
技术领域
本发明属于服务器质量分类技术领域,特别涉及一种服务器质量等级分类方法和系统。
背景技术
服务器是计算机的一种,它比普通计算机运行更快、负载更高、价格更贵。服务器在网络中为其它客户机,如PC机、智能手机、ATM等终端甚至是火车系统等大型设备提供计算或者应用服务。服务器具有高速的CPU运算能力、长时间的可靠运行、强大的I/O外部数据吞吐能力以及更好的扩展性。根据服务器所提供的服务,一般来说服务器都具备承担响应服务请求、承担服务、保障服务的能力。服务器作为电子设备,其内部的结构十分的复杂,但与普通的计算机内部结构相差不大,如:cpu、硬盘、内存,系统、系统总线等。
2018年,中国X86服务器出货量为330万台,同比增长26%;收入为170亿美元,同比增长55%,近五年复合增长率约19%。拉动市场增长的主要行业为互联网、电信、金融和服务行业,出货量增速均超过20%,其中大型互联网和运营商的增长尤其强劲。到2023年中国X86服务器出货量将超过525万台,未来5年收入复合增长率将达9.7%。因此,对服务器进行质量等级分类就显得尤为重要,质量等级分类可以分为两个层次,一个层次是同类型不同机型的横向质量分类等级,一个层次是同类型同机型的纵向质量分级。通过质量分级,可以筛选出一批优中选优的机型,可以应用到重点行业。目前,服务器厂商只对服务器产品质量,要么“合格”,要么“不合格”。无法定位出合格中是否存在“优秀”的产品,不合格中是否存在“非常差”的产品。缺乏多级分层。同时,在各项指标相互交错中很难判定出哪个好,哪个差。举例说明服务器A具有两个参数A1和A2,服务器B与之相对应的参数B1和B2,若A1好于B1,同时A2差于A2,这种情况便无法区分出服务器A和服务器B的好坏。
在现有技术中,不做分级处理,只分出合格和不合格,或者利用某种现成的智能算法进行分级处理。不做分级处理,无法做到优中选优。利用某种现成的智能算法进行分级处理,当前智能算法依赖于大量的学习样本,难以落地,并且学习训练过程较为复杂,会造成人力物力的大量浪费。
发明内容
本发明提出了一种服务器质量等级分类方法和系统,将贝叶斯、加权平均和统计量结合利用,成为分类模块,现服务器质量等级分类。
为了实现上述目的,本发明提出了一种服务器质量等级分类方法,该方法包括以下步骤:
S1:根据服务器的生命周期对服务器的质量参数进行分层和归类;
S2:对分层和归类后的质量参数的每个子参数求第一平均值,再将子参数的当前值与第一平均值相除,将每个质量参数的子参数做统一化处理;
S3:对同类型不同机型的服务器和同类型同机型的服务器均采取依次对质量参数进行赋值、参数统一和参数相加的方式对服务器质量等级分级;
S4:对质量等级分类的服务器出货后进行跟踪,积累数据;
S5:将积累的数据输入到朴素贝叶斯分类器中,对朴素贝叶斯分类器进行训练,得出参数,再将参数重新带入到步骤S3的参数赋值中,然后对比不同服务器的性能。
进一步的,在步骤S1中,根据服务器的生命周期对服务器的质量参数分为研发阶段质量参数、测试阶段质量参数和量产阶段质量参数;
所述研发阶段质量参数包括项目人员设计能力、BUG总数和技术的成熟性;
所述测试阶段质量参数包括部件兼容程度、BUG总数、性能参数、稳定性参数和功耗参数;
所述量产阶段质量参数为一次性通过率。
进一步的,所述项目人员设计能力的子参数包括系统工程师能力、电子工程师能力、PCB工程师能力、逻辑工程师能力、BIOS工程师能力、BMC工程师能力、电源工程师能力,信号完整性工程师能力,结构工程师能力和散热工程师能力。
进一步的,所述部件兼容程度的子参数包括内存兼容性、网卡兼容性、硬盘兼容性、RAID卡兼容性和显卡兼容性。
进一步的,所述性能参数的子参数包括CPU性能、内存性能、网卡性能、硬盘性能和显卡性能。
进一步的,在步骤S3中,对同类型同机型的服务器的质量参数进行赋值时,剔除掉子参数项目人员设计能力。
本发明还提出了一种服务器质量等级分类系统,包括分层归类模块、统一化处理模块、等级分级模块、跟踪模块和训练模块;
所述分层归类模块用于根据服务器的生命周期对服务器的质量参数进行分层和归类;
所述统一化处理模块用于对分层和归类后的质量参数的每个子参数求第一平均值,再将子参数的当前值与第一平均值相除,将每个质量参数的子参数做统一化处理;
所述等级分级模块用于对同类型不同机型的服务器和同类型同机型的服务器均采取依次对质量参数进行赋值、参数统一和参数相加的方式对服务器质量等级分类;
所述跟踪模块用于对质量等级分类的服务器出货后进行跟踪,积累数据;
所述训练模块用于将积累的数据输入到朴素贝叶斯分类器中,对朴素贝叶斯分类器进行训练,得出参数,再将参数重新带入到参数赋值中,然后对比不同服务器的性能。
进一步的,所述等级分级模块包括第一等级分级模块和第二等级分级模块;
所述第一等级分级模块用于对同类型不同机型的服务器依次对质量参数进行赋值、参数统一和参数相加的方式进行分类;
所述第二等级分级模块用于对同类型同机型的服务器剔除掉子参数项目人员设计能力之后,对质量参数进行赋值、参数统一和参数相加的方式进行分类。
发明内容中提供的效果仅仅是实施例的效果,而不是发明所有的全部效果,上述技术方案中的一个技术方案具有如下优点或有益效果:
本发明实施例提出了一种服务器质量等级分类方法,第一步,根据服务器的生命周期对服务器的质量参数进行分层和归类;第二步,对分层和归类后的质量参数的每个子参数求第一平均值,再将子参数的当前值与第一平均值相除,将每个质量参数的子参数做统一化处理;第三步,对同类型不同机型的服务器和同类型同机型的服务器均采取依次对质量参数进行赋值、参数统一和参数相加的方式对服务器质量等级分级;第四步,对质量等级分类的服务器出货后进行跟踪,积累数据;第五步,将积累的数据输入到朴素贝叶斯分类器中,对朴素贝叶斯分类器进行训练,得出参数,再将参数重新带入到步骤3的参数赋值中,然后对比不同服务器的性能。基于本发明提出的一种服务器质量等级分类方法,还提出了一种服务器服务质量等级分类系统。本发明在研发、测试、量产三个阶段对参数进行把控,同时又将参数分分层和统一,引入了智能分类算法,但又不依赖于算法,对算法分类进行了优化,无论在有无样本的情况依然可以对服务器质量等级进行区分,提高质量的稳定性。
附图说明
如图1给出了本发明实施例1一种服务器质量等级分类方法流程图;
如图2给出了本发明实施例1一种服务器质量等级分类系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本发明实施例1提出了一种服务器质量等级分类方法,如图1给出了一种服务器质量等级分类方法流程图。
在步骤S101中,根据服务器的生命周期对服务器的质量参数进行分层和归类。本发明将服务器质量参数分为三个部分研发阶段质量参数、测试阶段质量参数和量产阶段质量参数,对服务器质量参数进行分层与归类。
其中,研发阶段质量参数包含项目人员设计能力、BUG总数以及技术的成熟性,分别记作A、B、C。
测试阶段质量参数包含部件兼容程度、BUG总数、性能参数、稳定性参数、功耗参数,分别记作D、E、F、G、H。
量产阶段质量参数包含一次性通过率,分别记作K。
在步骤S102中,对分层和归类后的质量参数的每个子参数求第一平均值,再将子参数的当前值与第一平均值相除,将每个质量参数的子参数做统一化处理。
其中,项目人员设计能力子参数包括系统工程师能力、电子工程师能力、PCB工程师能力、逻辑工程师能力、BIOS工程师能力、BMC工程师能力、电源工程师能力,信号完整性工程师能力,结构工程师能力、散热工程师能力,分别记作A1、A2、A3、A4、A5、A6、A7、A8、A9、A10。
部件兼容程度子参数包括内存兼容性、网卡兼容性、硬盘兼容性、RAID卡兼容性、显卡兼容性,分别记作D1、D2、D3、D4、D5。
性能参数子参数包括CPU性能、内存性能、网卡性能、硬盘性能、显卡性能,分别记作F1、F2、F3、F4、F5。
将所有项目人员设计能力子参数指标进行统一,以系统工程师能力A1为例,将所有系统工程师能力评分并取平均值,再将当前系统工程师能力评分与所有系统工程师能力评分的平均值相除,记作A11。其他子参数按照此方法进行操作,分别记作A12、A13、A14、A15、A16、A17、A18、A19、A110。
将A11、A12、A13、A14、A15、A16、A17、A18、A19、A110取平均值后,赋给A。
采取同样的方式,将部件兼容程度子参数指标进行统一,以内存兼容性为例,将内存兼容性评分并取平均值,再将当前内存兼容性评分与所有内存兼容性评分的平均值相除,记作D11。其他子参数按照此方法进行操作,分别记作D12、D13、D14、D15。
将D11、D12、D13、D14、D15取平均后,赋值为D。
同样的方式,将性能参数子参数指标分别统一化,赋值为F。
在步骤S103中,对同类型不同机型的服务器和同类型同机型的服务器均采取依次对质量参数进行赋值、参数统一和参数相加的方式对服务器质量等级分级。
其中,对同类型不同机型的服务器质量等级分级遵循以下方法,以服务器a和服务器b为例,赋予参数可以分别表示为a(A、B、C、D、E、F、G、H、K)和b(A、B、C、D、E、F、G、H、K)。
根据需要和侧重点的不同,可以为A、B、C、D、E、F、G、H、K赋予不同的权值,比如若更注重服务器性能,便可以对F参数赋较大的权值,但最大权值不应超过20%,若超过20%,便忽略了其他参数的影响。
赋予权值后,分别记录a(x1A、x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K)和b(y1A、y2B、y3C、y4D、y5E、y6F、y7G、y8H、y9K)。
将a(x1A、x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K)和b(x1A、x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K)的参数统一。
将服务器a的x1A、x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K参数相加,并赋予a;将服务器b的x1A、x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K参数相加,并赋予b。
若a > b,则服务器a质量等级好于服务器b质量等级;若a < b,则服务器a质量等级差于服务器b质量等级。
对于,同类型同机型的服务器质量等级分级遵循以下方法,相对于同类型不同机型服务器等级分级,需要剔除掉参数项目人员设计能力A。
以服务器a和服务器b为例,赋予参数可以分别表示为a(B、C、D、E、F、G、H、K)和b(B、C、D、E、F、G、H、K)。
根据需要和侧重点的不同,可以为B、C、D、E、F、G、H、K赋予不同的权值,比如若更注重服务器性能,便可以对F参数赋较大的权值,但最大权值不应超过20%,若超过20%,便忽略了其他参数的影响。
赋予权值后,分别记录a(x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K)和b(y2B、y3C、y4D、y5E、y6F、y7G、y8H、y9K)。
将a(x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K)和b(x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K)的参数统一。
将服务器a的x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K参数相加,并赋予a;将服务器b的x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K参数相加,并赋予b。
若a > b,则服务器a质量等级好于服务器b质量等级;若a < b,则服务器a质量等级差于服务器b质量等级。
在步骤S104中,对质量等级分类的服务器出货后进行跟踪,积累数据。后期可以对本发明的方法出货的服务器进行跟踪,并记录跟踪结果,积累数据。
在步骤S105中,将积累的数据输入到朴素贝叶斯分类器中,对朴素贝叶斯分类器进行训练,得出参数,再将参数重新带入到步骤3的参数赋值中,然后对比不同服务器的性能。
根据前期分类结果再联系到后续的跟踪结果,并输入到朴素贝叶斯分类器中,对朴素贝叶斯分类器进行训练。训练完毕后,再将朴素贝叶斯的分类结果作为一个参数L,再将参数L重新带入到步骤S103的参数赋值中,比较其大小即可,即a(x1A、x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K、x10L)和b(y1A、y2B、y3C、y4D、y5E、y6F、y7G、y8H、y9K、x10L)。同时按照一定时间或者数据的积累,逐步提高L参数权值。
基于本发明提出的一种服务器质量等级分类方法,还提出了一种服务器质量等级分类系统。如图2给出了本发明实施例1提出的一种服务器质量等级分类系统结构图,该系统包括分层归类模块、统一化处理模块、等级分级模块、跟踪模块和训练模块;
分层归类模块用于根据服务器的生命周期对服务器的质量参数进行分层和归类。
本发明将服务器质量参数分为三个部分研发阶段质量参数、测试阶段质量参数和量产阶段质量参数,对服务器质量参数进行分层与归类。
其中,研发阶段质量参数包含项目人员设计能力、BUG总数以及技术的成熟性,分别记作A、B、C。
测试阶段质量参数包含部件兼容程度、BUG总数、性能参数、稳定性参数、功耗参数,分别记作D、E、F、G、H。
量产阶段质量参数包含一次性通过率,分别记作K。
统一化处理模块用于对分层和归类后的质量参数的每个子参数求第一平均值,再将子参数的当前值与第一平均值相除,将每个质量参数的子参数做统一化处理。
其中,项目人员设计能力子参数包括系统工程师能力、电子工程师能力、PCB工程师能力、逻辑工程师能力、BIOS工程师能力、BMC工程师能力、电源工程师能力,信号完整性工程师能力,结构工程师能力、散热工程师能力,分别记作A1、A2、A3、A4、A5、A6、A7、A8、A9、A10。
部件兼容程度子参数包括内存兼容性、网卡兼容性、硬盘兼容性、RAID卡兼容性、显卡兼容性,分别记作D1、D2、D3、D4、D5。
性能参数子参数包括CPU性能、内存性能、网卡性能、硬盘性能、显卡性能,分别记作F1、F2、F3、F4、F5。
将所有项目人员设计能力子参数指标进行统一,以系统工程师能力A1为例,将所有系统工程师能力评分并取平均值,再将当前系统工程师能力评分与所有系统工程师能力评分的平均值相除,记作A11。其他子参数按照此方法进行操作,分别记作A12、A13、A14、A15、A16、A17、A18、A19、A110。
将A11、A12、A13、A14、A15、A16、A17、A18、A19、A110取平均值后,赋给A。
采取同样的方式,将部件兼容程度子参数指标进行统一,以内存兼容性为例,将内存兼容性评分并取平均值,再将当前内存兼容性评分与所有内存兼容性评分的平均值相除,记作D11。其他子参数按照此方法进行操作,分别记作D12、D13、D14、D15。
将D11、D12、D13、D14、D15取平均后,赋值为D。
同样的方式,将性能参数子参数指标分别统一化,赋值为F。
等级分级模块用于对同类型不同机型的服务器和同类型同机型的服务器均采取依次对质量参数进行赋值、参数统一和参数相加的方式对服务器质量等级分类。
等级分级模块包括第一等级分级模块和第二等级分级模块;第一等级分级模块。
第一等级分级模块用于对同类型不同机型的服务器依次对质量参数进行赋值、参数统一和参数相加的方式进行分类;以服务器a和服务器b为例,赋予参数可以分别表示为a(A、B、C、D、E、F、G、H、K)和b(A、B、C、D、E、F、G、H、K)。
根据需要和侧重点的不同,可以为A、B、C、D、E、F、G、H、K赋予不同的权值,比如若更注重服务器性能,便可以对F参数赋较大的权值,但最大权值不应超过20%,若超过20%,便忽略了其他参数的影响。
赋予权值后,分别记录a(x1A、x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K)和b(y1A、y2B、y3C、y4D、y5E、y6F、y7G、y8H、y9K)。
将a(x1A、x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K)和b(x1A、x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K)的参数统一。
将服务器a的x1A、x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K参数相加,并赋予a;将服务器b的x1A、x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K参数相加,并赋予b。
若a > b,则服务器a质量等级好于服务器b质量等级;若a < b,则服务器a质量等级差于服务器b质量等级。
第二等级分级模块用于对同类型同机型的服务器剔除掉子参数项目人员设计能力之后,对质量参数进行赋值、参数统一和参数相加的方式进行分类。相对于同类型不同机型服务器等级分级,需要剔除掉参数项目人员设计能力A。
以服务器a和服务器b为例,赋予参数可以分别表示为a(B、C、D、E、F、G、H、K)和b(B、C、D、E、F、G、H、K)。
根据需要和侧重点的不同,可以为B、C、D、E、F、G、H、K赋予不同的权值,比如若更注重服务器性能,便可以对F参数赋较大的权值,但最大权值不应超过20%,若超过20%,便忽略了其他参数的影响。
赋予权值后,分别记录a(x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K)和b(y2B、y3C、y4D、y5E、y6F、y7G、y8H、y9K)。
将a(x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K)和b(x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K)的参数统一。
将服务器a的x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K参数相加,并赋予a;将服务器b的x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K参数相加,并赋予b。
若a > b,则服务器a质量等级好于服务器b质量等级;若a < b,则服务器a质量等级差于服务器b质量等级。
跟踪模块用于对质量等级分类的服务器出货后进行跟踪,积累数据。
训练模块用于将积累的数据输入到朴素贝叶斯分类器中,对朴素贝叶斯分类器进行训练,得出参数,再将参数重新带入到参数赋值中,然后对比不同服务器的性能。
根据前期分类结果再联系到后续的跟踪结果,并输入到朴素贝叶斯分类器中,对朴素贝叶斯分类器进行训练。训练完毕后,再将朴素贝叶斯的分类结果作为一个参数L,再将参数L重新带入到参数赋值中,比较其大小即可,即a(x1A、x2B、x3C、x4D、x5E、x6F、x7G、x8H、x9K、x10L)和b(y1A、y2B、y3C、y4D、y5E、y6F、y7G、y8H、y9K、x10L)。同时按照一定时间或者数据的积累,逐步提高L参数权值。
内容仅仅是对本发明的结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (7)
1.一种服务器质量等级分类方法,其特征在于,包括以下步骤:
S1:根据服务器的生命周期对服务器的质量参数进行分层和归类;在步骤S1中,根据服务器的生命周期对服务器的质量参数分为研发阶段质量参数、测试阶段质量参数和量产阶段质量参数;所述研发阶段质量参数包括项目人员设计能力、BUG总数和技术的成熟性;所述测试阶段质量参数包括部件兼容程度、BUG总数、性能参数、稳定性参数和功耗参数;所述量产阶段质量参数为一次性通过率;
S2:对分层和归类后的质量参数的每个子参数求第一平均值,再将子参数的当前值与第一平均值相除,将每个质量参数的子参数做统一化处理;
S3:对同类型不同机型的服务器和同类型同机型的服务器均采取依次对质量参数进行赋值、参数统一和参数相加的方式对服务器质量等级分级;
S4:对质量等级分类的服务器出货后进行跟踪,积累数据;
S5:将积累的数据输入到朴素贝叶斯分类器中,对朴素贝叶斯分类器进行训练,得出参数,再将参数重新带入到步骤S3的参数赋值中,然后对比不同服务器的性能。
2.根据权利要求1所述的一种服务器质量等级分类方法,其特征在于,所述项目人员设计能力的子参数包括系统工程师能力、电子工程师能力、PCB工程师能力、逻辑工程师能力、BIOS工程师能力、BMC工程师能力、电源工程师能力,信号完整性工程师能力,结构工程师能力和散热工程师能力。
3.根据权利要求1所述的一种服务器质量等级分类方法,其特征在于,所述部件兼容程度的子参数包括内存兼容性、网卡兼容性、硬盘兼容性、RAID卡兼容性和显卡兼容性。
4.根据权利要求1所述的一种服务器质量等级分类方法,其特征在于,所述性能参数的子参数包括CPU性能、内存性能、网卡性能、硬盘性能和显卡性能。
5.根据权利要求1所述的一种服务器质量等级分类方法,其特征在于,在步骤S3中,对同类型同机型的服务器的质量参数进行赋值时,剔除掉子参数项目人员设计能力。
6.一种服务器质量等级分类系统,其特征在于,包括分层归类模块、统一化处理模块、等级分级模块、跟踪模块和训练模块;
所述分层归类模块用于根据服务器的生命周期对服务器的质量参数进行分层和归类;所述分层归类模块实现的过程为:根据服务器的生命周期对服务器的质量参数分为研发阶段质量参数、测试阶段质量参数和量产阶段质量参数;所述研发阶段质量参数包括项目人员设计能力、BUG总数和技术的成熟性;所述测试阶段质量参数包括部件兼容程度、BUG总数、性能参数、稳定性参数和功耗参数;所述量产阶段质量参数为一次性通过率;
所述统一化处理模块用于对分层和归类后的质量参数的每个子参数求第一平均值,再将子参数的当前值与第一平均值相除,将每个质量参数的子参数做统一化处理;
所述等级分级模块用于对同类型不同机型的服务器和同类型同机型的服务器均采取依次对质量、参数进行赋值、参数统一和参数相加的方式对服务器质量等级分类;
所述跟踪模块用于对质量等级分类的服务器出货后进行跟踪,积累数据;
所述训练模块用于将积累的数据输入到朴素贝叶斯分类器中,对朴素贝叶斯分类器进行训练,得出参数,再将参数重新带入到参数赋值中,然后对比不同服务器的性能。
7.根据权利要求6所述的一种服务器质量等级分类系统,其特征在于,所述等级分级模块包括第一等级分级模块和第二等级分级模块;
所述第一等级分级模块用于对同类型不同机型的服务器依次对质量参数进行赋值、参数统一和参数相加的方式进行分类;
所述第二等级分级模块用于对同类型同机型的服务器剔除掉子参数项目人员设计能力之后,对质量参数进行赋值、参数统一和参数相加的方式进行分类 。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010174035.2A CN111459779B (zh) | 2020-03-13 | 2020-03-13 | 一种服务器质量等级分类方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010174035.2A CN111459779B (zh) | 2020-03-13 | 2020-03-13 | 一种服务器质量等级分类方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111459779A CN111459779A (zh) | 2020-07-28 |
CN111459779B true CN111459779B (zh) | 2023-01-06 |
Family
ID=71684449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010174035.2A Active CN111459779B (zh) | 2020-03-13 | 2020-03-13 | 一种服务器质量等级分类方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111459779B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103168227A (zh) * | 2010-10-19 | 2013-06-19 | 3M创新有限公司 | 已制造幅材产品数字样品的计算机辅助评级分配 |
CN109800082A (zh) * | 2018-12-18 | 2019-05-24 | 平安科技(深圳)有限公司 | 结合实际功耗采购服务器的方法、装置及存储介质 |
-
2020
- 2020-03-13 CN CN202010174035.2A patent/CN111459779B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103168227A (zh) * | 2010-10-19 | 2013-06-19 | 3M创新有限公司 | 已制造幅材产品数字样品的计算机辅助评级分配 |
CN109800082A (zh) * | 2018-12-18 | 2019-05-24 | 平安科技(深圳)有限公司 | 结合实际功耗采购服务器的方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111459779A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107168995B (zh) | 一种数据处理方法及服务器 | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN111539493B (zh) | 一种告警预测方法、装置、电子设备及存储介质 | |
CN104021264A (zh) | 一种缺陷预测方法及装置 | |
CN117726240B (zh) | 一种基于卷积神经网络的质量评价分类方法及系统 | |
CN110708285B (zh) | 流量监控方法、装置、介质及电子设备 | |
CN110689070A (zh) | 一种业务预测模型的训练方法及装置 | |
CN111461815B (zh) | 订单识别模型生成方法、识别方法、系统、设备和介质 | |
CN114519519A (zh) | 基于gbdt算法与逻辑回归模型的企业违约风险评估方法设备及介质 | |
CN115576834A (zh) | 支撑故障还原的软件测试复用方法、系统、终端及介质 | |
CN111400122B (zh) | 一种硬盘健康度评估方法及装置 | |
CN111459779B (zh) | 一种服务器质量等级分类方法和系统 | |
CN116992602B (zh) | 一种基于失效状态表征的可靠性模糊评价方法、电子设备和存储介质 | |
CN115689407A (zh) | 账户异常检测方法、装置以及终端设备 | |
CN117291707A (zh) | 贷款申请处理方法、装置、电子设备和存储介质 | |
US11227288B1 (en) | Systems and methods for integration of disparate data feeds for unified data monitoring | |
Gao et al. | Software defect prediction based on adaboost algorithm under imbalance distribution | |
CN115564578B (zh) | 欺诈识别模型生成方法 | |
CN115169832A (zh) | 一种基于曲线形态变化的敏感性分析方法及系统 | |
CN115185768A (zh) | 系统的故障识别方法、系统、电子设备和存储介质 | |
CN114510405A (zh) | 指标数据评估方法、装置、设备、存储介质及程序产品 | |
CN114974462A (zh) | 缓蚀效率预测模型的训练方法、装置、设备及存储介质 | |
Rakcheep et al. | Enhancing testing cell set efficiency: A machine learning approach on hard disk drive data | |
CN116542511B (zh) | 风控模型创建方法、装置、电子设备及存储介质 | |
CN118378177B (zh) | 一种多分类模型预测分布调整方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |