CN112463556B - 一种卷可见的等待时间的预测方法、系统、设备以及介质 - Google Patents

一种卷可见的等待时间的预测方法、系统、设备以及介质 Download PDF

Info

Publication number
CN112463556B
CN112463556B CN202011180295.7A CN202011180295A CN112463556B CN 112463556 B CN112463556 B CN 112463556B CN 202011180295 A CN202011180295 A CN 202011180295A CN 112463556 B CN112463556 B CN 112463556B
Authority
CN
China
Prior art keywords
waiting time
time length
predicted
sample
visible
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
Application number
CN202011180295.7A
Other languages
English (en)
Other versions
CN112463556A (zh
Inventor
张振广
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.)
Suzhou Inspur Intelligent Technology Co Ltd
Original Assignee
Suzhou Inspur Intelligent Technology Co Ltd
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 Suzhou Inspur Intelligent Technology Co Ltd filed Critical Suzhou Inspur Intelligent Technology Co Ltd
Priority to CN202011180295.7A priority Critical patent/CN112463556B/zh
Publication of CN112463556A publication Critical patent/CN112463556A/zh
Application granted granted Critical
Publication of CN112463556B publication Critical patent/CN112463556B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F11/34—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
    • G06F11/3003—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
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/321—Display for diagnostics, e.g. diagnostic result display, self-test user interface
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/324—Display of status information
    • G06F11/328—Computer systems status display
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Debugging And Monitoring (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种卷可见的等待时间的预测方法，包括以下步骤：获取映射逻辑卷时每一操作所消耗的时长并构建成待预测样本；将所述待预测样本与奖惩因子相乘后，与预设均值相加以得到预测等待时长；将所述预测等待时长与当前已等待时长进行对比；响应于所述当前已等待时长大于所述预测等待时长，根据所述当前已等待时长确定发生故障的概率并反馈。本发明还公开了一种系统、计算机设备以及可读存储介质。本发明提出的方案能够根据映射逻辑卷的时长预测逻辑卷可见的等待时长。其次，等待过程中，动态提示剩余等待时长，如果耗时超过预测总时长时，预估发生故障的概率。这样通过上述方法，使用户不再盲目等待，实时了解运行动态。

Description

一种卷可见的等待时间的预测方法、系统、设备以及介质
技术领域
本发明涉及预测领域，具体涉及一种卷可见的等待时间的预测方法、系统、设备以及存储介质。
背景技术
存储系统与主机连接后，可以将卷映射到主机，以便给主机提供存储空间。卷映射的步骤包括创建卷、创建target、绑定主机、绑定IQN、映射卷、登录主机、扫描主机，然后等待片刻，即可在主机上看到逻辑卷。
由于卷映射的所有操作中，创建卷、创建target、绑定主机、绑定IQN、映射卷、登录主机、扫描主机的耗时会影响逻辑卷在主机上可见的等待时长，然而，等待多长时间才能看到逻辑卷，没有固定的公式，目前一般是每隔一段时间查看一次，直到可见。
由此可知，等待逻辑卷可见的过程，存在盲目性。如果能够预测等待总时长，或者等待中能够提示剩余时长，将会一定程度上方便用户。
发明内容
有鉴于此，为了克服上述问题的至少一个方面，本发明实施例提出一种卷可见的等待时间的预测方法，包括以下步骤：
获取映射逻辑卷时每一操作所消耗的时长并构建成待预测样本；
将所述待预测样本与奖惩因子相乘后，与预设均值相加以得到预测等待时长；
将所述预测等待时长与当前已等待时长进行对比；
响应于所述当前已等待时长大于所述预测等待时长，根据所述当前已等待时长确定发生故障的概率并反馈。
在一些实施例中，还包括：
获取样本数据并根据所述样本数据计算所述奖惩因子和所述预设均值。
在一些实施例中，获取样本数据并根据所述样本数据计算所述奖惩因子和所述预设均值，进一步包括：
获取若干个由每一操作所消耗的时长以及逻辑卷可见的等待时长构成的原始样本；
根据所述若干个原始样本计算所述每一操作所消耗的时长的均值以及逻辑卷可见的等待时长的均值；
将所述原始样本中的每一操作所消耗的时长和逻辑卷可见的等待时长分别减去对应的均值得到加工后的样本；
根据所述加工后的样本计算所述奖惩因子。
在一些实施例中，根据所述加工后的样本计算所述奖惩因子，进一步包括：
利用预设的回归函数和最小二乘法确定所述奖惩因子。
在一些实施例中，根据所述当前已等待时长确定发生故障的概率，进一步包括：
将若干个所述原始样本中的逻辑卷可见的等待时长统计成直方图；
判断所述当前已等待时长在所述直方图中的位置；
根据所述位置划分所述直方图得到的两部分的面积计算发生故障的概率。
在一些实施例中，还包括：
响应于所述当前已等待时长小于所述预测等待时长，将所述预测等待时长减去所述当前已等待时长得到的剩余等待时长反馈给用户。
基于同一发明构思，根据本发明的另一个方面，本发明的实施例还提供了一种卷可见的等待时间的预测系统，包括：
获取模块，所述获取模块配置为获取映射逻辑卷时每一操作所消耗的时长并构建成待预测样本；
预测模块，所述预测模块配置为将所述待预测样本与奖惩因子相乘后，与预设均值相加以得到预测等待时长；
对比模块，所述对比模块配置为将所述预测等待时长与当前已等待时长进行对比；
故障预测模块，所述故障预测模块配置为响应于所述当前已等待时长大于所述预测等待时长，根据所述当前已等待时长确定发生故障的概率并反馈。
在一些实施例中，还包括计算模块，所述计算模块配置为：
获取样本数据并根据所述样本数据计算所述奖惩因子和所述预设均值。
基于同一发明构思，根据本发明的另一个方面，本发明的实施例还提供了一种计算机设备，包括：
至少一个处理器；以及
存储器，所述存储器存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时执行如上所述的任一种卷可见的等待时间的预测方法的步骤。
基于同一发明构思，根据本发明的另一个方面，本发明的实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时执行如上所述的任一种卷可见的等待时间的预测方法的步骤。
本发明具有以下有益技术效果之一：本发明提出的方案能够根据映射逻辑卷的时长预测逻辑卷可见的等待时长。其次，等待过程中，动态提示剩余等待时长，如果耗时超过预测总时长时，预估发生故障的概率。这样通过上述方法，使用户不再盲目等待，实时了解运行动态。
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一些实施例，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，还可以根据这些附图获得其他的实施例。
图1为本发明的实施例提供的卷可见的等待时间的预测方法的流程示意图；
图2为本发明的实施例提供的直方图的示意图；
图3为本发明的实施例提供的卷可见的等待时间的预测系统的结构示意图；
图4为本发明的实施例提供的计算机设备的结构示意图；
图5为本发明的实施例提供的计算机可读存储介质的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
根据本发明的一个方面，本发明的实施例提出一种卷可见的等待时间的预测方法，如图1所示，其可以包括步骤：
S1，获取映射逻辑卷时每一操作所消耗的时长并构建成待预测样本；
S2，将所述待预测样本与奖惩因子相乘后，与预设均值相加以得到预测等待时长；
S3，将所述预测等待时长与当前已等待时长进行对比；
S4，响应于所述当前已等待时长大于所述预测等待时长，根据所述当前已等待时长确定发生故障的概率并反馈。
本发明提出的方案能够根据映射逻辑卷的时长预测逻辑卷可见的等待时长。其次，等待过程中，动态提示剩余等待时长，如果耗时超过预测总时长时，预估发生故障的概率。这样通过上述方法，使用户不再盲目等待，实时了解运行动态。
在一些实施例中，还包括：
获取样本数据并根据所述样本数据计算所述奖惩因子和所述预设均值。
具体的，奖惩因子和预设均值可以根据采集到的多个实际样本数据计算得到，并且奖惩因子和预设均值可以根据不断采集的样本进行更新。例如，当利用当前的奖惩因子和预设均值预测出当前的逻辑卷的可见时间后，可以将当前产生的新的数据(即本次映射逻辑卷所产生的数据)作为新的样本对奖惩因子和预设均值进行更新。当然也可以在得到多个样本数据后再对奖惩因子和预设均值进行更新，而不是每次预测后均更新一次奖惩因子和预设均值。
在一些实施例中，获取样本数据并根据所述样本数据计算所述奖惩因子和所述预设均值，进一步包括：
获取若干个由每一操作所消耗的时长以及逻辑卷可见的等待时长构成的原始样本；
根据所述若干个原始样本计算所述每一操作所消耗的时长的均值以及逻辑卷可见的等待时长的均值；
将所述原始样本中的每一操作所消耗的时长和逻辑卷可见的等待时长分别减去对应的均值得到加工后的样本；
根据所述加工后的样本计算所述奖惩因子。
在一些实施例中，根据所述加工后的样本计算所述奖惩因子，进一步包括：
利用预设的回归函数和最小二乘法确定所述奖惩因子。
具体的，每个原始样本包括7个输入特征，分别是创建卷、创建target、绑定主机、绑定IQN、映射卷、登录主机、扫描主机，输出特征是逻辑卷可见的等待时长。输入和输出特征的单位均是秒(s)，时间较长的特征，需要将其他单位转换成秒。
接着，计算每个特征(7个输入和1个输出)的均值。
均值
Figure BDA0002749944040000061
其中，i表示第i个特征，取值范围1～8。k表示第k个样本，取值范围1～N，N为样本总数。
Figure BDA0002749944040000062
为第k个样本的第i个特征值。
然后，加工原始样本。
Figure BDA0002749944040000063
接着，使用最小二乘法拟合下面函数，拟合的过程就是求解奖惩因子θ的过程：
回归函数
Figure BDA0002749944040000064
其中n是特征数。x代表样本，
Figure BDA0002749944040000065
x0＝1，θ代表权重向量，
Figure BDA0002749944040000066
则θT＝(θ0 θ1 θ2 θ3 θ4 θ5 θ6 θ7)。
需要说明的是，x1～x7分别代表创建卷、创建target、绑定主机、绑定IQN、映射卷、登录主机、扫描主机，然后将每一个样本的数据带入回归函数h(x)中得到一个只有权重向量为未知数的方程组，然后利用最小二乘法计算该方程组的最优解作为最终的权重向量。当然求取该方程组的最优解也可以采用其他算法，最小二乘法只是其中一种。
在一些实施例中，可以通过多次映射卷获取大量原始样本，上述特征的时长跟对接的存储类型、存储与主机的部署网络有很大关系，可以将同一存储的操作归为一类原始样本，然后对同一类样本进行建模分析，避免将不同存储的样本放在一起分析。
在一些实施例中，根据所述当前已等待时长确定发生故障的概率，进一步包括：
将若干个所述原始样本中的逻辑卷可见的等待时长统计成直方图；
判断所述当前已等待时长在所述直方图中的位置；
根据所述位置划分所述直方图得到的两部分的面积计算发生故障的概率。
具体的，若当前已耗时超过预测总时长时，不再预测剩余时长，而是利用区间概率预测发生故障的概率。可以先将多个原始样本中的“逻辑卷可见的等待时长”统计成直方图的形式，如图2所示，并根据当前时间t所在位置确定故障概率。
计算公式可以为：
Figure BDA0002749944040000071
其中，a为直方图的组距，M为总组数，q为当前时间所在组，pi为每组的频数，pq为q组的频数，pi*为每组的面积。
在图2示出的直方图中，组距为0.4，总组数为17，当前时间t在第12组，因此，
Figure BDA0002749944040000072
在一些实施例中，还包括：
响应于所述当前已等待时长小于所述预测等待时长，将所述预测等待时长减去所述当前已等待时长得到的剩余等待时长反馈给用户。
具体的，若当前已等待时长小于预测等待时长，则将剩余还需等待时长展示给用户，避免用户盲目等待。
本发明提出的方案，根据逻辑卷在映射时的操作步骤对应的时长以及可见的等待时长建立原始数据，再根据原始数据得到奖惩因子后，根据奖惩因子进行预测。并且当等待耗时未超过预测总时长时，则预测剩余时长。当挂载耗时超过预测总时长时，利用区间概率预测发生故障的概率。这样本发明提出的方案就能够根据映射逻辑卷的时长预测逻辑卷可见的等待时长。其次，等待过程中，动态提示剩余等待时长，如果耗时超过预测总时长时，预估发生故障的概率。这样通过上述方法，使用户不再盲目等待，实时了解运行动态。
基于同一发明构思，根据本发明的另一个方面，本发明的实施例还提供了一种卷可见的等待时间的预测系统400，如图3所示，包括：
获取模块401，所述获取模块401配置为获取映射逻辑卷时每一操作所消耗的时长并构建成待预测样本；
预测模块402，所述预测模块402配置为将所述待预测样本与奖惩因子相乘后，与预设均值相加以得到预测等待时长；
对比模块403，所述对比模块403配置为将所述预测等待时长与当前已等待时长进行对比；
故障预测模块404，所述故障预测模块404配置为响应于所述当前已等待时长大于所述预测等待时长，根据所述当前已等待时长确定发生故障的概率并反馈。
在一些实施例中，还包括计算模块，所述计算模块配置为：
获取样本数据并根据所述样本数据计算所述奖惩因子和所述预设均值。
基于同一发明构思，根据本发明的另一个方面，如图4所示，本发明的实施例还提供了一种计算机设备501，包括：
至少一个处理器520；以及
存储器510，存储器510存储有可在处理器上运行的计算机程序511，处理器520执行程序时执行如上的任一种卷可见的等待时间的预测方法的步骤。
基于同一发明构思，根据本发明的另一个方面，如图5所示，本发明的实施例还提供了一种计算机可读存储介质601，计算机可读存储介质601存储有计算机程序指令610，计算机程序指令610被处理器执行时执行如上的任一种卷可见的等待时间的预测方法的步骤。
最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。
此外，应该明白的是，本文的计算机可读存储介质(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (7)

1.一种卷可见的等待时间的预测方法，其特征在于，包括以下步骤：
获取映射逻辑卷时每一操作所消耗的时长并构建成待预测样本；
将所述待预测样本与奖惩因子相乘后，与预设均值相加以得到预测等待时长；
将所述预测等待时长与当前已等待时长进行对比；
响应于所述当前已等待时长大于所述预测等待时长，根据所述当前已等待时长确定发生故障的概率并反馈；
所述方法还包括：
获取样本数据并根据所述样本数据计算所述奖惩因子和所述预设均值；
其中，获取样本数据并根据所述样本数据计算所述奖惩因子和所述预设均值，进一步包括：
获取若干个由每一操作所消耗的时长以及逻辑卷可见的等待时长构成的原始样本；
根据若干个所述原始样本计算所述每一操作所消耗的时长的均值以及逻辑卷可见的等待时长的均值；
将所述原始样本中的每一操作所消耗的时长和逻辑卷可见的等待时长分别减去对应的均值得到加工后的样本；
根据所述加工后的样本计算所述奖惩因子。
2.如权利要求1所述的方法，其特征在于，根据所述加工后的样本计算所述奖惩因子，进一步包括：
利用预设的回归函数和最小二乘法确定所述奖惩因子。
3.如权利要求1所述的方法，其特征在于，根据所述当前已等待时长确定发生故障的概率，进一步包括：
将若干个所述原始样本中的逻辑卷可见的等待时长统计成直方图；
判断所述当前已等待时长在所述直方图中的位置；
根据所述位置划分所述直方图得到的两部分的面积计算发生故障的概率。
4.如权利要求1所述的方法，其特征在于，还包括：
响应于所述当前已等待时长小于所述预测等待时长，将所述预测等待时长减去所述当前已等待时长得到的剩余等待时长反馈给用户。
5.一种卷可见的等待时间的预测系统，其特征在于，包括：
获取模块，所述获取模块配置为获取映射逻辑卷时每一操作所消耗的时长并构建成待预测样本；
预测模块，所述预测模块配置为将所述待预测样本与奖惩因子相乘后，与预设均值相加以得到预测等待时长；
对比模块，所述对比模块配置为将所述预测等待时长与当前已等待时长进行对比；
故障预测模块，所述故障预测模块配置为响应于所述当前已等待时长大于所述预测等待时长，根据所述当前已等待时长确定发生故障的概率并反馈；
计算模块，所述计算模块配置为获取样本数据并根据所述样本数据计算所述奖惩因子和所述预设均值；
其中，所述计算模块还配置为：
获取若干个由每一操作所消耗的时长以及逻辑卷可见的等待时长构成的原始样本；
根据若干个所述原始样本计算所述每一操作所消耗的时长的均值以及逻辑卷可见的等待时长的均值；
将所述原始样本中的每一操作所消耗的时长和逻辑卷可见的等待时长分别减去对应的均值得到加工后的样本；
根据所述加工后的样本计算所述奖惩因子。
6.一种计算机设备，包括：
至少一个处理器；以及
存储器，所述存储器存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时执行如权利要求1-4任意一项所述的方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时执行如权利要求1-4任意一项所述的方法的步骤。
CN202011180295.7A 2020-10-29 2020-10-29 一种卷可见的等待时间的预测方法、系统、设备以及介质 Active CN112463556B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011180295.7A CN112463556B (zh) 2020-10-29 2020-10-29 一种卷可见的等待时间的预测方法、系统、设备以及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011180295.7A CN112463556B (zh) 2020-10-29 2020-10-29 一种卷可见的等待时间的预测方法、系统、设备以及介质

Publications (2)

Publication Number Publication Date
CN112463556A CN112463556A (zh) 2021-03-09
CN112463556B true CN112463556B (zh) 2023-01-06

Family

ID=74834710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011180295.7A Active CN112463556B (zh) 2020-10-29 2020-10-29 一种卷可见的等待时间的预测方法、系统、设备以及介质

Country Status (1)

Country Link
CN (1) CN112463556B (zh)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753890B (zh) * 2020-06-11 2022-05-31 苏州浪潮智能科技有限公司 一种基于逻辑回归的两地三中心故障预测方法及系统

Also Published As

Publication number Publication date
CN112463556A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
US7778715B2 (en) Methods and systems for a prediction model
CN109120462B (zh) 机会网络链路的预测方法、装置及可读存储介质
CN110908795A (zh) 云计算集群混部作业调度方法、装置、服务器及存储装置
CN110287332B (zh) 云环境下仿真模型选择方法与装置
KR102038703B1 (ko) 동적 전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법 및 그 시스템
CN113780466A (zh) 模型迭代优化方法、装置、电子设备和可读存储介质
CN111290967A (zh) 一种软件缺陷预测方法、装置、设备及存储介质
CN112686371A (zh) 网络结构搜索方法、装置、设备、存储介质及程序产品
CN111881023A (zh) 一种基于多模型对比的软件老化预测方法及装置
CN111222553B (zh) 机器学习模型的训练数据处理方法、装置和计算机设备
CN111159481B (zh) 图数据的边预测方法、装置及终端设备
CN115080397A (zh) 系统可靠性测试方法、装置、设备和存储介质
CN112463556B (zh) 一种卷可见的等待时间的预测方法、系统、设备以及介质
CN113076901A (zh) 模型稳定性解释方法、装置、设备及存储介质
CN111158918B (zh) 支撑点并行枚举负载均衡方法、装置、设备及介质
US20080126029A1 (en) Run-Time Characterization of On-Demand Analytical Model Accuracy
CN112732519A (zh) 一种事件监控方法及装置
CN112148483A (zh) 一种容器迁移方法及相关装置
KR20030005409A (ko) 이미지 품질에 대한 알고리즘들의 랜덤 시스템을최적화하기 위한 스케일러블 확장형 시스템 및 방법
CN115086314B (zh) 一种交互数据处理的方法和相关装置
CN112861951B (zh) 一种图像神经网络参数的确定方法及电子设备
CN117093429B (zh) 一种服务器稳定性评价方法及系统
CN114615144B (zh) 网络优化方法及系统
CN116384452B (zh) 动态网络模型构建方法、装置、设备及存储介质
US20220051085A1 (en) Runtime hyper-heterogeneous optimization for processing circuits executing inference model

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