CN111985648A - 一种硬盘性能测试方案生成方法、系统、终端及存储介质 - Google Patents
一种硬盘性能测试方案生成方法、系统、终端及存储介质 Download PDFInfo
- Publication number
- CN111985648A CN111985648A CN202010814892.4A CN202010814892A CN111985648A CN 111985648 A CN111985648 A CN 111985648A CN 202010814892 A CN202010814892 A CN 202010814892A CN 111985648 A CN111985648 A CN 111985648A
- Authority
- CN
- China
- Prior art keywords
- phenotype
- fitness
- individuals
- individual
- iterative
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000011056 performance test Methods 0.000 title claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 56
- 230000002068 genetic effect Effects 0.000 claims abstract description 45
- 238000012216 screening Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram 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
- 230000035772 mutation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 108700028369 Alleles Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
- G11C29/04—Detection or location of defective memory elements, e.g. cell constructio details, timing of test signals
- G11C29/08—Functional testing, e.g. testing during refresh, power-on self testing [POST] or distributed testing
- G11C29/10—Test algorithms, e.g. memory scan [MScan] algorithms; Test patterns, e.g. checkerboard patterns
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提供一种硬盘性能测试方案生成方法、系统、终端及存储介质,包括:将读写测试工具的配置参数作为遗传算法的基因型,并将与配置参数相关的测试指令作为表现型;根据配置参数取值将相应的表现型个体划分为多个种群,并利用遗传算法对各种群内的表现型个体进行种群内交叉处理;获取新表现型个体的适应度;根据适应度采用轮盘赌选择方式从各种群采集多个表现型个体作为迭代种群;利用所述遗传算法对所述迭代种群进行迭代筛选,直至筛选出适应度最好的表现型个体,并将所述适应度最好的表现型个体输出为测试方案。本发明利用遗传算法的思想生成NVMeSSD最优性能测试方案,不仅大大提高了工作效率,而且测试方案的可复用性比较强。
Description
技术领域
本发明涉及硬盘测试技术领域,具体涉及一种硬盘性能测试方案生成方法、系统、终端及存储介质。
背景技术
性能作为NVMe SSD的一项重要指标,客户是非常重视的,较高的性能值也是NVMeSSD盘一个很好的卖点。NVMe SSD表现出来的性能值不仅受盘的硬件设计和软件质量的影响,测试方案也会有较大的影响,所以明确NVMe SSD产品获得性能最优值的测试方案也是至关重要的。现有的NVMe SSD性能测试方案多数是依据行业经验约定俗成的,并不能很好的依据NVMe SSD自身不同的软硬件环境测试出适合自身的最优性能值。
发明内容
针对现有技术的上述不足,本发明提供一种硬盘性能测试方案生成方法、系统、终端及存储介质,以解决上述技术问题。
第一方面,本发明提供一种硬盘性能测试方案生成方法,包括:
将读写测试工具的配置参数作为遗传算法的基因型,并将与配置参数相关的测试指令作为表现型;
根据配置参数取值将相应的表现型个体划分为多个种群,并利用遗传算法对各种群内的表现型个体进行种群内交叉处理,更新各种群的表现型个体;
分别对硬盘执行各种群的表现型个体,并将各表现型个体的测试性能结果作为各表现型个体的适应度;
根据各表现型个体的适应度采用轮盘赌选择方式从各种群采集多个表现型个体,并将采集的多个表现型个体划分至迭代种群;
利用所述遗传算法对所述迭代种群进行迭代筛选,直至筛选出适应度最好的表现型个体,并将所述适应度最好的表现型个体输出为测试方案。
进一步的,所述将与配置参数相关的测试指令作为表现型,包括:
获取配置参数与测试指令的对应关系;
根据所述对应关系通过遗传算法构建基因型与表现型的映射关系。
进一步的,所述根据配置参数取值将相应的表现型个体划分为多个种群,包括:
将配置参数中的操作类型参数取值分为读操作类型、写操作类型和读写操作类型;
将操作类型参数取值为读操作类型的基因型对应的表现型划分至读种群;
将操作类型参数取值为写操作类型的基因型对应的表现型划分至写种群;
将操作类型参数取值为读写操作类型的基因型对应的表现型划分至读写种群。
进一步的,所述将各表现型个体的测试性能结果作为各表现型个体的适应度,包括:
设置测试性能结果中的硬盘性能与适应度的转换关系;
根据所述转换关系将各表现型个体的测试性能结果转换为适应度。
进一步的,所述将采集的多个表现型个体划分至迭代种群,包括:
将从读种群采集的多个表现型个体划分至迭代读种群;
将从写种群采集的多个表现型个体划分至迭代写种群;
将从读写种群采集的多个表现型个体划分至迭代读写种群。
进一步的,所述利用遗传算法对所述迭代种群进行迭代筛选,包括:
利用遗传算法对所述迭代种群内的表现型个体对应的基因型进行交叉处理,获取交叉处理生成的新一代表现型个体;
根据新一代表现型个体的测试性能结构获取新一代表现型个体的适应度,判断新一代表现型个体的适应度中是否存在相较于所有历史适应度的最高适应度:
若是,则根据新一代表现型个体的适应度对新一代表现型个体进行演化,并继续执行迭代筛选;
若否,则输出历史适应度中的最高适应度所属的最佳表现型个体及所述最佳表现型个体对应的基因型。
第二方面,本发明提供一种硬盘性能测试方案生成系统,包括:
初始设置单元,配置用于将读写测试工具的配置参数作为遗传算法的基因型,并将与配置参数相关的测试指令作为表现型;
种群划分单元,配置用于根据配置参数取值将相应的表现型个体划分为多个种群,并利用遗传算法对各种群内的表现型个体进行种群内交叉处理,更新各种群的表现型个体;
个体评分单元,配置用于分别对硬盘执行各种群的表现型个体,并将各表现型个体的测试性能结果作为各表现型个体的适应度;
个体筛选单元,配置用于根据各表现型个体的适应度采用轮盘赌选择方式从各种群采集多个表现型个体,并将采集的多个表现型个体划分至迭代种群;
迭代筛选单元,配置用于利用所述遗传算法对所述迭代种群进行迭代筛选,直至筛选出适应度最好的表现型个体,并将所述适应度最好的表现型个体输出为测试方案。
进一步的,所述迭代筛选单元包括:
交叉处理模块,配置用于利用遗传算法对所述迭代种群内的表现型个体对应的基因型进行交叉处理,获取交叉处理生成的新一代表现型个体;
适应获取模块,配置用于根据新一代表现型个体的测试性能结构获取新一代表现型个体的适应度,判断新一代表现型个体的适应度中是否存在相较于所有历史适应度的最高适应度;
迭代筛选模块,配置用于若新一代表现型个体的适应度中存在相较于所有历史适应度的最高适应度,则根据新一代表现型个体的适应度对新一代表现型个体进行演化,并继续执行迭代筛选;
迭代终止模块,配置用于若新一代表现型个体的适应度中不存在相较于所有历史适应度的最高适应度,则输出历史适应度中的最高适应度所属的最佳表现型个体及所述最佳表现型个体对应的基因型。
第三方面,提供一种终端,包括:
处理器、存储器,其中,
该存储器用于存储计算机程序,
该处理器用于从存储器中调用并运行该计算机程序,使得终端执行上述的终端的方法。
第四方面,提供了一种计算机存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
本发明的有益效果在于,
本发明提供的硬盘性能测试方案生成方法、系统、终端及存储介质,通过以fio工具的配置参数作为遗传算法的基因型,以由fio参数决定的fio完整指令作为遗传算法的表现型,通过编码、初始化种群、评估种群中个体适应度、选择、交叉、变异、再到评估个体适应度的遗传算法思想生成NVMe SSD的最优性能测试方案。本发明利用遗传算法的思想生成NVMe SSD最优性能测试方案,不仅能测试出NVMe SSD较高的性能值,大大提高了工作效率,而且测试方案的可复用性比较强。
此外,本发明设计原理可靠,结构简单,具有非常广泛的应用前景。
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,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的方法的示意性流程图。
图2是本发明一个实施例的系统的示意性框图。
图3为本发明实施例提供的一种终端的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,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,都应当属于本发明保护的范围。
下面对本发明中出现的关键术语进行解释。
遗传算法(Genetic Algorithm,GA)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。
轮盘赌选择法又称比例选择方法.其基本思想是:各个个体被选中的概率与其适应度大小成正比。
图1是本发明一个实施例的方法的示意性流程图。其中,图1执行主体可以为一种硬盘性能测试方案生成系统。
如图1所示,该方法100包括:
步骤110,将读写测试工具的配置参数作为遗传算法的基因型,并将与配置参数相关的测试指令作为表现型;
步骤120,根据配置参数取值将相应的表现型个体划分为多个种群,并利用遗传算法对各种群内的表现型个体进行种群内交叉处理,更新各种群的表现型个体;
步骤130,分别对硬盘执行各种群的表现型个体,并将各表现型个体的测试性能结果作为各表现型个体的适应度;
步骤140,根据各表现型个体的适应度采用轮盘赌选择方式从各种群采集多个表现型个体,并将采集的多个表现型个体划分至迭代种群;
步骤150,利用所述遗传算法对所述迭代种群进行迭代筛选,直至筛选出适应度最好的表现型个体,并将所述适应度最好的表现型个体输出为测试方案。
为了便于对本发明的理解,下面以本发明硬盘性能测试方案生成方法的原理,结合实施例中对硬盘性能测试方案进行选择的过程,对本发明提供的硬盘性能测试方案生成方法做进一步的描述。
具体的,所述硬盘性能测试方案生成方法包括:
S1、将读写测试工具的配置参数作为遗传算法的基因型,并将与配置参数相关的测试指令作为表现型。
遗传算法的编码可以看作是从表现型到基因型的映射,以fio工具中的rw=write/randwrite/read/randread/rw/randrw、bs=4k/8k/16k/32k/64k/128k、iodepth=1/4/8/16/32/64/128/256等参数作为基因型,由基因型决定的fio完整指令作为表现型P={P1、P2、……Pn}。
S2、根据配置参数取值将相应的表现型个体划分为多个种群,并利用遗传算法对各种群内的表现型个体进行种群内交叉处理,更新各种群的表现型个体。
完成编码后,将{P1、P2、。。。。。。Pn}划分为种群,第一代以rw参数为依据划分为三个种群,rw=write/randwrite的Pi(Pi∈P)为写种群,rw=read/rangread的Pj(Pj∈P)为读种群,rw=rw/randrw的Pz(Pz∈P)为读写种群。第二代以后的种群划分依据交叉后的个体,写种群内个体交叉形成的个体仍然属于写种群,读种群内个体交叉形成的个体仍然属于读种群,写种群、读种群、读写种群的种群间个体交叉和读写种群内个体交叉形成的个体均属于读写种群。
S3、分别对硬盘执行各种群的表现型个体,并将各表现型个体的测试性能结果作为各表现型个体的适应度。
评估种群中个体适应度:使用P中的个体对NVMe SSD进行测试,以NVMe SSD达到稳态后的性能结果为依据对各个种群中的个体进行排序,NVMe SSD的性能值越高,则对应的个体的适应度越好,根据排序以百分制的形式为种群中的个体适应度打分。例如,NVMe SSD的性能项的参数值为由1-10,将其等比例换算为百分制适应度,如某个体的测试性能结果为6,则其相应的适应度为60。
S4、根据各表现型个体的适应度采用轮盘赌选择方式从各种群采集多个表现型个体,并将采集的多个表现型个体划分至迭代种群。
依据个体适应度分数,采用轮盘赌选择的方式对个体进行选择,即个体的适应度分数越高,被选中的概率就会越大。为了保证能够测得更高的NVMe SSD性能值,且下一轮的个体数量不会太少,在前几轮选择时每个种群中都会选出多个个体。
S5、利用所述遗传算法对所述迭代种群进行迭代筛选,直至筛选出适应度最好的表现型个体,并将所述适应度最好的表现型个体输出为测试方案。
将选择后的个体进行交叉,通过交叉可以形成新的个体,例如写种群中选中的个体Pi1、Pi2通过交叉操作形成新的个体Pi1Pi2、Pi2Pi1,同样的方式写种群、读种群、读写种群中的个体也可以种群内交叉和种群间交叉。
将个体中某些基因被其它等位基因替换形成新个体的过程就是变异。例如bs=4k这个基因型被bs=128k替换形成新个体我们就认为此个体为变异产生的,虽然变异的概率不高,但是还是会存在的,会影响到下一代的个体。
在经过了编码、初始化种群、评估种群中个体适应度、选择、交叉、变异等过程后会砍掉部分第一代个体,并且形成下一代个体,然后再以下一代个体为父代,再次通过评估种群中个体适应度、选择、交叉、变异等过程形成下一代个体,监控每一代个体的适应度,判断当前代的个体中是否存在相较于历史适应度的最高适应度,若存在则说明还需迭代筛选,若不存在则可以终止迭代筛选的演化过程。
遗传解码可以看作是从基因型到表现型的映射,通过解码获得NVMe SSD性能最优值的个体,查找个体对应的基因型,可以明确该基因型和个体为具体的NVMe SSD性能测试方案。
如图2所示,该系统200包括:
初始设置单元210,配置用于将读写测试工具的配置参数作为遗传算法的基因型,并将与配置参数相关的测试指令作为表现型;
种群划分单元220,配置用于根据配置参数取值将相应的表现型个体划分为多个种群,并利用遗传算法对各种群内的表现型个体进行种群内交叉处理,更新各种群的表现型个体;
个体评分单元230,配置用于分别对硬盘执行各种群的表现型个体,并将各表现型个体的测试性能结果作为各表现型个体的适应度;
个体筛选单元240,配置用于根据各表现型个体的适应度采用轮盘赌选择方式从各种群采集多个表现型个体,并将采集的多个表现型个体划分至迭代种群;
迭代筛选单元250,配置用于利用所述遗传算法对所述迭代种群进行迭代筛选,直至筛选出适应度最好的表现型个体,并将所述适应度最好的表现型个体输出为测试方案。
可选地,作为本发明一个实施例,所述迭代筛选单元包括:
交叉处理模块,配置用于利用遗传算法对所述迭代种群内的表现型个体对应的基因型进行交叉处理,获取交叉处理生成的新一代表现型个体;
适应获取模块,配置用于根据新一代表现型个体的测试性能结构获取新一代表现型个体的适应度,判断新一代表现型个体的适应度中是否存在相较于所有历史适应度的最高适应度;
迭代筛选模块,配置用于若新一代表现型个体的适应度中存在相较于所有历史适应度的最高适应度,则根据新一代表现型个体的适应度对新一代表现型个体进行演化,并继续执行迭代筛选;
迭代终止模块,配置用于若新一代表现型个体的适应度中不存在相较于所有历史适应度的最高适应度,则输出历史适应度中的最高适应度所属的最佳表现型个体及所述最佳表现型个体对应的基因型。
图3为本发明实施例提供的一种终端300的结构示意图,该终端300可以用于执行本发明实施例提供的硬盘性能测试方案生成方法。
其中,该终端300可以包括:处理器310、存储器320及通信单元330。这些组件通过一条或多条总线进行通信,本领域技术人员可以理解,图中示出的服务器的结构并不构成对本发明的限定,它既可以是总线形结构,也可以是星型结构,还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。
其中,该存储器320可以用于存储处理器310的执行指令,存储器320可以由任何类型的易失性或非易失性存储终端或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。当存储器320中的执行指令由处理器310执行时,使得终端300能够执行以下上述方法实施例中的部分或全部步骤。
处理器310为存储终端的控制中心,利用各种接口和线路连接整个电子终端的各个部分,通过运行或执行存储在存储器320内的软件程序和/或模块,以及调用存储在存储器内的数据,以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit,简称IC)组成,例如可以由单颗封装的IC所组成,也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说,处理器310可以仅包括中央处理器(Central Processing Unit,简称CPU)。在本发明实施方式中,CPU可以是单运算核心,也可以包括多运算核心。
通信单元330,用于建立通信信道,从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
本发明还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文:read-only memory,简称:ROM)或随机存储记忆体(英文:random access memory,简称:RAM)等。
因此,本发明通过以fio工具的配置参数作为遗传算法的基因型,以由fio参数决定的fio完整指令作为遗传算法的表现型,通过编码、初始化种群、评估种群中个体适应度、选择、交叉、变异、再到评估个体适应度的遗传算法思想生成NVMe SSD的最优性能测试方案。本发明利用遗传算法的思想生成NVMe SSD最优性能测试方案,不仅能测试出NVMe SSD较高的性能值,大大提高了工作效率,而且测试方案的可复用性比较强,本实施例所能达到的技术效果可以参见上文中的描述,此处不再赘述。
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单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述,但本发明并不限于此。在不脱离本发明的精神和实质的前提下,本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换,而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种硬盘性能测试方案生成方法,其特征在于,包括:
将读写测试工具的配置参数作为遗传算法的基因型,并将与配置参数相关的测试指令作为表现型;
根据配置参数取值将相应的表现型个体划分为多个种群,并利用遗传算法对各种群内的表现型个体进行种群内交叉处理,更新各种群的表现型个体;
分别对硬盘执行各种群的表现型个体,并将各表现型个体的测试性能结果作为各表现型个体的适应度;
根据各表现型个体的适应度采用轮盘赌选择方式从各种群采集多个表现型个体,并将采集的多个表现型个体划分至迭代种群;
利用所述遗传算法对所述迭代种群进行迭代筛选,直至筛选出适应度最好的表现型个体,并将所述适应度最好的表现型个体输出为测试方案。
2.根据权利要求1所述的方法,其特征在于,所述将与配置参数相关的测试指令作为表现型,包括:
获取配置参数与测试指令的对应关系;
根据所述对应关系通过遗传算法构建基因型与表现型的映射关系。
3.根据权利要求1所述的方法,其特征在于,所述根据配置参数取值将相应的表现型个体划分为多个种群,包括:
将配置参数中的操作类型参数取值分为读操作类型、写操作类型和读写操作类型;
将操作类型参数取值为读操作类型的基因型对应的表现型划分至读种群;
将操作类型参数取值为写操作类型的基因型对应的表现型划分至写种群;
将操作类型参数取值为读写操作类型的基因型对应的表现型划分至读写种群。
4.根据权利要求1所述的方法,其特征在于,所述将各表现型个体的测试性能结果作为各表现型个体的适应度,包括:
设置测试性能结果中的硬盘性能与适应度的转换关系;
根据所述转换关系将各表现型个体的测试性能结果转换为适应度。
5.根据权利要求3所述的方法,其特征在于,所述将采集的多个表现型个体划分至迭代种群,包括:
将从读种群采集的多个表现型个体划分至迭代读种群;
将从写种群采集的多个表现型个体划分至迭代写种群;
将从读写种群采集的多个表现型个体划分至迭代读写种群。
6.根据权利要求1所述的方法,其特征在于,所述利用遗传算法对所述迭代种群进行迭代筛选,包括:
利用遗传算法对所述迭代种群内的表现型个体对应的基因型进行交叉处理,获取交叉处理生成的新一代表现型个体;
根据新一代表现型个体的测试性能结构获取新一代表现型个体的适应度,判断新一代表现型个体的适应度中是否存在相较于所有历史适应度的最高适应度:
若是,则根据新一代表现型个体的适应度对新一代表现型个体进行演化,并继续执行迭代筛选;
若否,则输出历史适应度中的最高适应度所属的最佳表现型个体及所述最佳表现型个体对应的基因型。
7.一种硬盘性能测试方案生成系统,其特征在于,包括:
初始设置单元,配置用于将读写测试工具的配置参数作为遗传算法的基因型,并将与配置参数相关的测试指令作为表现型;
种群划分单元,配置用于根据配置参数取值将相应的表现型个体划分为多个种群,并利用遗传算法对各种群内的表现型个体进行种群内交叉处理,更新各种群的表现型个体;
个体评分单元,配置用于分别对硬盘执行各种群的表现型个体,并将各表现型个体的测试性能结果作为各表现型个体的适应度;
个体筛选单元,配置用于根据各表现型个体的适应度采用轮盘赌选择方式从各种群采集多个表现型个体,并将采集的多个表现型个体划分至迭代种群;
迭代筛选单元,配置用于利用所述遗传算法对所述迭代种群进行迭代筛选,直至筛选出适应度最好的表现型个体,并将所述适应度最好的表现型个体输出为测试方案。
8.根据权利要求7所述的系统,其特征在于,所述迭代筛选单元包括:
交叉处理模块,配置用于利用遗传算法对所述迭代种群内的表现型个体对应的基因型进行交叉处理,获取交叉处理生成的新一代表现型个体;
适应获取模块,配置用于根据新一代表现型个体的测试性能结构获取新一代表现型个体的适应度,判断新一代表现型个体的适应度中是否存在相较于所有历史适应度的最高适应度;
迭代筛选模块,配置用于若新一代表现型个体的适应度中存在相较于所有历史适应度的最高适应度,则根据新一代表现型个体的适应度对新一代表现型个体进行演化,并继续执行迭代筛选;
迭代终止模块,配置用于若新一代表现型个体的适应度中不存在相较于所有历史适应度的最高适应度,则输出历史适应度中的最高适应度所属的最佳表现型个体及所述最佳表现型个体对应的基因型。
9.一种终端,其特征在于,包括:
处理器;
用于存储处理器的执行指令的存储器;
其中,所述处理器被配置为执行权利要求1-6任一项所述的方法。
10.一种存储有计算机程序的计算机可读存储介质,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010814892.4A CN111985648B (zh) | 2020-08-13 | 2020-08-13 | 一种硬盘性能测试方案生成方法、系统、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010814892.4A CN111985648B (zh) | 2020-08-13 | 2020-08-13 | 一种硬盘性能测试方案生成方法、系统、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111985648A true CN111985648A (zh) | 2020-11-24 |
CN111985648B CN111985648B (zh) | 2022-05-31 |
Family
ID=73434267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010814892.4A Active CN111985648B (zh) | 2020-08-13 | 2020-08-13 | 一种硬盘性能测试方案生成方法、系统、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985648B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030101000A1 (en) * | 2001-07-24 | 2003-05-29 | Bader Joel S. | Family based tests of association using pooled DNA and SNP markers |
CN111178529A (zh) * | 2019-12-31 | 2020-05-19 | 中科曙光国际信息产业有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
CN111209939A (zh) * | 2019-12-27 | 2020-05-29 | 冶金自动化研究设计院 | 一种具有智能参数优化模块的svm分类预测方法 |
-
2020
- 2020-08-13 CN CN202010814892.4A patent/CN111985648B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030101000A1 (en) * | 2001-07-24 | 2003-05-29 | Bader Joel S. | Family based tests of association using pooled DNA and SNP markers |
CN111209939A (zh) * | 2019-12-27 | 2020-05-29 | 冶金自动化研究设计院 | 一种具有智能参数优化模块的svm分类预测方法 |
CN111178529A (zh) * | 2019-12-31 | 2020-05-19 | 中科曙光国际信息产业有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111985648B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7125358B2 (ja) | 計算機システム及び入力データに対する予測結果の根拠に関する情報の提示方法 | |
Lavarenne et al. | The spring of systems biology-driven breeding | |
CN110288199A (zh) | 产品质量预测的方法 | |
CN105471647B (zh) | 一种电力通信网故障定位方法 | |
CN109886699A (zh) | 行为识别方法及装置、电子设备、存储介质 | |
CN115185804A (zh) | 服务器性能预测方法、系统、终端及存储介质 | |
CN110111606A (zh) | 一种基于eemd-iaga-bp神经网络的船舶交通流预测方法 | |
CN115391561A (zh) | 图网络数据集的处理方法、装置、电子设备、程序及介质 | |
CN111582315B (zh) | 样本数据处理方法、装置及电子设备 | |
CN109214660A (zh) | 基于大数据分析的表计供应商绩效评价方法和系统 | |
CN113144624A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN114202174A (zh) | 一种电价风险等级预警方法、装置及存储介质 | |
CN110472659A (zh) | 数据处理方法、装置、计算机可读存储介质和计算机设备 | |
CN111985648B (zh) | 一种硬盘性能测试方案生成方法、系统、终端及存储介质 | |
CN105354346B (zh) | 一种风电机组参数辨识方法 | |
GB2420886A (en) | Scoring mechanism for automatically generated test programs | |
CN116421197A (zh) | 决策规则的确定方法及装置、设备及存储介质 | |
CN115600926A (zh) | 项目后评价方法、装置、电子设备及存储介质 | |
CN115641198A (zh) | 用户运营方法、装置、电子设备和存储介质 | |
CN108256694A (zh) | 基于重复遗传算法的模糊时间序列预测系统、方法及装置 | |
CN114742173A (zh) | 一种基于神经网络的变压器故障诊断方法及系统 | |
CN109800933A (zh) | 风险评估方法及装置、存储介质、电子设备 | |
CN113627513A (zh) | 一种训练数据生成方法、系统、电子设备及存储介质 | |
CN109492913B (zh) | 一种配电终端的模块化风险预测方法、装置及可存储介质 | |
CN113642226A (zh) | 基于多目标进化算法的公平机器学习模型的训练方法 |
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 |