CN112612641B - 一种模型训练的保护方法、装置、电子设备及存储介质 - Google Patents
一种模型训练的保护方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112612641B CN112612641B CN202011488829.2A CN202011488829A CN112612641B CN 112612641 B CN112612641 B CN 112612641B CN 202011488829 A CN202011488829 A CN 202011488829A CN 112612641 B CN112612641 B CN 112612641B
- Authority
- CN
- China
- Prior art keywords
- model
- termination
- training
- model information
- shared memory
- 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
- 238000012549 training Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000011084 recovery Methods 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 19
- 238000013135 deep learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 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
- G06F11/07—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
- G06F11/1446—Point-in-time backing up or restoration of persistent data
- G06F11/1458—Management of the backup or restore process
-
- 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
- G06F9/54—Interprogram communication
- G06F9/544—Buffers; Shared memory; Pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Retry When Errors Occur (AREA)
Abstract
本发明提供了一种模型训练的保护方法，属于人工智能的技术领域，缓解了现有技术中存在的深度学习模型训练效率较低、容错能力低的技术问题。所述方法包括：在模型训练的过程中监测终止信号；当监测到终止信号时，获取共享内存中的最新模型信息，所述共享内存用于存储训练模型时的模型信息；将所述最新模型信息保存为模型恢复文件；根据模型恢复文件进行模型的恢复。
Description
技术领域
本发明涉及人工智能的技术领域，尤其是涉及一种模型训练的保护方法、装置、电子设备及存储介质。
背景技术
深度学习方法是当今人工智能领域非常重要的一项技术，已被广泛应用于人脸识别、语音识别、自动驾驶场景中。卷积神经网络及循环神经网络是深度学习方法中典型的网络结构，具有参数多、计算量大等特点，因此深度学习模型训练及保存过程耗时较长，需保证模型训练生命周期稳定运行，且异常中断后可以稳定恢复模型训练过程。
容错能力是指系统在运行时有错误或中断被激活的情况下，系统仍能保证不间断提供服务的方法与技术，该能力高低对于系统具有至关重要的作用。如果容错能力较低，系统在正常情况下无法进行有效恢复运行，因此在应用系统中必须采用大量的容错技术来保证系统稳定的运行及有效恢复。除容错能力外，深度学习系统的计算效率也是衡量系统性能的重要指标之一，若计算效率较低，花费大量时间及人力成本，无法满足实际生产需要。现有技术深度学习训练集模型保存过程存在计算效率低，面对多人多任务协同时，效率受限，容错能力较低的技术问题。
发明内容
本发明的目的在于提供模型训练的保护方法、装置、电子设备及存储介质，缓解了现有技术中存在的效率较低，容错能力较低的技术问题。
第一方面，本发明提供的模型训练的保护方法，包括以下步骤：
在模型训练的过程中监测终止信号；
当监测到终止信号时，获取共享内存中的最新模型信息，所述共享内存用于存储训练模型时的模型信息；
将所述最新模型信息保存为模型恢复文件；
根据模型恢复文件进行模型的恢复。
进一步的，所述模型训练的保护方法，还包括：
以预设周期获取模型训练信息，保存至共享内存。
进一步的，所述在模型训练的过程中监测终止信号的步骤之前，还包括：
根据配置文件设定保存模型的位置及文件名。
进一步的，所述模型训练的保护方法，还包括：当监测到终止信号时，判断终止类型。
进一步的，所述终止类型包括：
正常终止、用户终止、程序异常终止以及系统异常终止。
进一步的，所述模型训练的保护方法，还包括：
当终止类型为用户终止、程序异常终止时，获取模型训练信息，保存至共享内存。
进一步的，所述模型训练信息包括：
在训练阶段保存超网络参数、采样参数以及训练的期数；
在训练结束时保存超网络参数、备选网络集数组列表以及精度。
第二方面，本发明还提供一种模型训练的保护装置，包括：
信号获取模块，用于在模型训练的过程中监测终止信号；
模型信息获取模块，用于当监测到终止信号时，获取共享内存中的最新模型信息，所述共享内存用于存储训练模型时的模型信息；
模型信息保存模块，用于将所述最新模型信息保存为模型恢复文件；
模型恢复模块，用于根据模型恢复文件进行模型的恢复。
第三方面，本发明还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本发明还提供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机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述方法。
本发明提供的模型训练保护方法，通过监测模型训练终止信号，当监测到终止信号时，及时保存共享内存中的最新模型信息，并将最新模型信息保存为模型恢复文件，并根据模型恢复文件对模型进行恢复，进而提升模型训练的效率，提升模型训练的容错能力。
相应地，本发明实施例提供的一种模型训练的保护装置、电子设备及计算机可读存储介质，也同样具有上述技术效果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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附图。
图1为本发明实施例提供的模型训练的保护方法第一流程图；
图2为本发明实施例提供的模型训练的保护方法第二流程图；
图3为本发明实施例提供的模型训练的保护装置示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
本发明实施例中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，本发明实施例提供的模型训练的保护方法，包括以下步骤：
S11：在模型训练的过程中监测终止信号；
S12：当监测到终止信号时，获取共享内存中的最新模型信息，所述共享内存用于存储训练模型时的模型信息；
S13：将所述最新模型信息保存为模型恢复文件；
S14：根据模型恢复文件进行模型的恢复。
本发明实施例提供的模型训练保护方法，通过监测模型训练终止信号，当监测到终止信号时，及时保存共享内存中的最新模型信息，并将最新模型信息保存为模型恢复文件，并根据模型恢复文件对模型进行恢复，进而提升模型训练的效率，提升模型训练的容错能力。
在一种可能的实施方式中，所述模型训练的保护方法，还包括：
以预设周期获取模型训练信息，保存至共享内存。
通过预设周期获取模型训练信息，保证共享内存存有最新的模型训练信息，当发生故障时，为模型恢复提供数据。
在一种可能的实施方式中，所述在模型训练的过程中监测终止信号的步骤之前，还包括：
根据配置文件设定保存模型的位置及文件名。
设定保存位置以及文件名后，模型恢复时可以根据位置及文件名准确查找出模型信息。
如图2所示，在一种可能的实施方式中，所述模型训练的保护方法，还包括：
S21：在模型训练的过程中监测终止信号；
S22：当监测到终止信号时，判断终止类型。
不同的终止类型对应不同的解决办法，通过终止类型判断后续的处理方案，上述S21与前文所述步骤S11完全相同，此处不再赘述。
在一种可能的实施方式中，所述终止类型包括：
正常终止、用户终止、程序异常终止以及系统异常终止。
在一种可能的实施方式中，所述模型训练的保护方法，还包括：
S23：当终止类型为用户终止、程序异常终止时，获取模型训练信息，保存至共享内存；
S24：根据模型恢复文件进行模型的恢复。
当终止类型为用户终止、程序异常终止时，需要保护进程对模型进行恢复，上述S24与前文所述步骤S14完全相同，此处不再赘述。
在一种可能的实施方式中，所述模型训练信息包括：
在训练阶段保存超网络参数、采样参数以及训练的期数；
在训练结束时保存超网络参数、备选网络集数组列表以及精度。
不同阶段需要保存的内容不同，正常结束与训练时的保存内容存在一定的差异，根据不同的需求保存不同的内容。
本发明实施例提供的模型训练的保护方法，具体实施方式如下：
AutoML(自动机器学习)是一种通过智能算法进行深度学习建模的深度学习任务，在AutoML建模过程中，会生成多个深度学习模型进行训练迭代，具备搜索空间大、消耗算力大，耗时长、容错能力低等特点。对AutoML深度学习模型训练过程进行优化，提升AutoML任务计算效率，并提升其容错能力。
主进程进行AutoML的模型搜索及模型训练，保护进程对训练过程进行保护；通过建立共享内存，是主进程与保护进程通过共享内存进行模型信息共享，实现AutoML深度学习模型训练集保存目标。
首先根据任务配置文件输入的参数设定模型的保存位置及文件名，在该位置增量式修改模型文件。
每隔预设时间自动保存一次模型，各阶段保存的内容如下：
AutoML训练阶段保存超网络参数，采样器参数、训练的epoch数；
AutoML结束时保存超网络参数、备选网络集数组列表和精度。
在深度学习模型训练过程中，由于用户及意外的情况，训练任务可能终止，任务类型一般分为正常终止、用户终止、程序异常终止、系统异常终止。
当任务正常终止时，保存终止码为0，正常终止的任务无需额外进行保护，所以不需要额外进行以恢复为目的的保存；
当用户终止程序时，保存终止码为1，共享内存即刻保存当前时刻的模型信息，保存内容与按时间间隔相同；
当程序异常终止时，保存终止码为2，共享内存即刻保存当前时刻的模型信息，保存内容与用户终止程序的内容相同；
当程序意外终止时，保存终止码为3，此时共享内存无法即刻获取最新的模型信息，但由于有定时保存的进程，仍可以获得预设时间的保存内容，即仍然可以提升出现错误时的保护能力。
当终止类型为用户终止、异常终止及意外终止时，将共享内存中的最新模型信息保存为模型文件。
根据任务配置文件输入的参数读取模型断点信息，按照断点模型信息进行模型的恢复，恢复内容包括模型结构、参数、超参数以及训练的期数，根据模型结构数进行模型重建，从而实现模型加载目标。
如图3所示，本发明实施例还提供了一种模型训练的保护装置，包括：
信号获取模块1，用于在模型训练的过程中监测终止信号；
模型信息获取模块2，用于当监测到终止信号时，获取共享内存中的最新模型信息，所述共享内存用于存储训练模型时的模型信息；
模型信息保存模块3，用于将所述最新模型信息保存为模型恢复文件；
模型恢复模块4，用于根据模型恢复文件进行模型的恢复。
对应于上述方法，本发明实施例还提供了一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
对应于上述方法，本发明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机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述方法的步骤。
本发明实施例所提供的装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
又例如，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，再例如，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通信接口，装置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，在本发明提供的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。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。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以权利要求的保护范围为准。
Claims (5)
1.一种模型训练的保护方法，其特征在于，包括以下步骤：
以预设周期获取模型信息，保存至共享内存；
在模型训练的过程中监测终止信号；
当监测到终止信号时，获取共享内存中的最新模型信息，所述共享内存用于存储训练模型时的模型信息；判断终止类型，所述终止类型包括正常终止、用户终止、程序异常终止以及系统异常终止；当终止类型为用户终止、程序异常终止时，获取模型信息，保存至共享内存；
将所述最新模型信息保存为模型恢复文件；
根据模型恢复文件进行模型的恢复；
所述模型信息包括：
在训练阶段保存超网络参数、采样参数以及训练的期数；
在训练结束时保存超网络参数、备选网络集数组列表以及精度。
2.根据权利要求1所述的模型训练的保护方法，其特征在于，所述在模型训练的过程中监测终止信号的步骤之前，还包括：
根据配置文件设定保存模型的位置及文件名。
3.一种模型训练的保护装置，其特征在于，包括：
信号获取模块，用于以预设周期获取模型信息，保存至共享内存；在模型训练的过程中监测终止信号；
模型信息获取模块，用于当监测到终止信号时，获取共享内存中的最新模型信息，所述共享内存用于存储训练模型时的模型信息；判断终止类型，所述终止类型包括正常终止、用户终止、程序异常终止以及系统异常终止；当终止类型为用户终止、程序异常终止时，获取模型信息，保存至共享内存；
模型信息保存模块，用于将所述最新模型信息保存为模型恢复文件；
模型恢复模块，用于根据模型恢复文件进行模型的恢复；
所述模型信息包括：
在训练阶段保存超网络参数、采样参数以及训练的期数；
在训练结束时保存超网络参数、备选网络集数组列表以及精度。
4.一种电子设备，包括存储器、处理器，所述存储器中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计算机程序时实现上述权利要求1至2任一项所述的方法的步骤。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述权利要求1至2任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011488829.2A CN112612641B (zh) | 2020-12-16 | 2020-12-16 | 一种模型训练的保护方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011488829.2A CN112612641B (zh) | 2020-12-16 | 2020-12-16 | 一种模型训练的保护方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112612641A CN112612641A (zh) | 2021-04-06 |
| CN112612641B true CN112612641B (zh) | 2022-12-02 |
Family
ID=75239817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011488829.2A Active CN112612641B (zh) | 2020-12-16 | 2020-12-16 | 一种模型训练的保护方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112612641B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117040245A (zh) * | 2023-08-21 | 2023-11-10 | 中南大学 | 一种自适应工艺的中频电源智能控制系统及控制方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150324690A1 (en) * | 2014-05-08 | 2015-11-12 | Microsoft Corporation | Deep Learning Training System |
| CN109344823A (zh) * | 2018-09-11 | 2019-02-15 | 福建天晴在线互动科技有限公司 | 基于区块链机制的ocr深度学习方法、存储介质 |
| CN110737504A (zh) * | 2019-08-31 | 2020-01-31 | 苏州浪潮智能科技有限公司 | 一种深度学习模型训练容错方法、系统、终端及存储介质 |
| CN110990871A (zh) * | 2019-11-29 | 2020-04-10 | 腾讯云计算（北京）有限责任公司 | 基于人工智能的机器学习模型训练方法、预测方法及装置 |
-
2020
- 2020-12-16 CN CN202011488829.2A patent/CN112612641B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150324690A1 (en) * | 2014-05-08 | 2015-11-12 | Microsoft Corporation | Deep Learning Training System |
| CN109344823A (zh) * | 2018-09-11 | 2019-02-15 | 福建天晴在线互动科技有限公司 | 基于区块链机制的ocr深度学习方法、存储介质 |
| CN110737504A (zh) * | 2019-08-31 | 2020-01-31 | 苏州浪潮智能科技有限公司 | 一种深度学习模型训练容错方法、系统、终端及存储介质 |
| CN110990871A (zh) * | 2019-11-29 | 2020-04-10 | 腾讯云计算（北京）有限责任公司 | 基于人工智能的机器学习模型训练方法、预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112612641A (zh) | 2021-04-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8516499B2 (en) | Assistance in performing action responsive to detected event | |
| CN106681862B (zh) | 数据的增量恢复方法和装置 | |
| CN113657715A (zh) | 一种基于核密度估计调用链的根因定位方法及系统 | |
| CN112612641B (zh) | 一种模型训练的保护方法、装置、电子设备及存储介质 | |
| CN116049146B (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
| CN116643775A (zh) | 一种车辆ota升级控制方法及相关设备 | |
| CN112988440A (zh) | 一种系统故障预测方法、装置、电子设备及存储介质 | |
| CN110659147B (zh) | 一种基于模块自检行为的自修复方法和系统 | |
| CN110704257A (zh) | 固态硬盘及其质量监测方法、装置和计算机可读存储介质 | |
| CN113884976B (zh) | 一种基于云平台的智能电表数据保护方法、系统 | |
| CN114003172B (zh) | 存储容量校正方法、装置、计算机设备以及存储介质 | |
| CN114528151A (zh) | 一种基于控制站的数据备份还原方法、装置、设备和介质 | |
| CN112799911A (zh) | 一种节点健康状态检测方法、装置、设备及存储介质 | |
| CN111209267B (zh) | 信息提供方法、系统、设备和存储介质 | |
| CN112527557A (zh) | 一种数据恢复方法、装置、设备及计算机可读存储介质 | |
| CN112487004A (zh) | 基于数据血缘自动控制任务的方法、装置、介质及系统 | |
| CN114844778B (zh) | 核心网的异常检测方法、装置、电子设备及可读存储介质 | |
| CN118012674B (zh) | 一种向后故障恢复方法、云操作系统以及智能计算平台 | |
| CN115237680B (zh) | 一种分布式数据恢复系统及方法 | |
| CN116107859B (zh) | 容器故障预测方法、装置、电子设备及存储介质 | |
| CN111913805B (zh) | 一种cpu利用率计算方法及装置 | |
| CN115001998B (zh) | 一种消息服务的容灾方法和装置 | |
| CN117389692B (zh) | 虚拟机容灾保护方法、装置、电子设备及存储介质 | |
| CN110147355B (zh) | 数据同步方法、装置及服务器 | |
| CN116204349A (zh) | 基于交易时间消耗的监控预警方法、装置及电子设备 |
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 |