CN113626090B - 一种服务器固件配置方法、装置、设备及可读介质 - Google Patents
一种服务器固件配置方法、装置、设备及可读介质 Download PDFInfo
- Publication number
- CN113626090B CN113626090B CN202110903952.4A CN202110903952A CN113626090B CN 113626090 B CN113626090 B CN 113626090B CN 202110903952 A CN202110903952 A CN 202110903952A CN 113626090 B CN113626090 B CN 113626090B
- Authority
- CN
- China
- Prior art keywords
- configuration
- configuration item
- combinations
- combination
- use frequency
- 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 38
- 230000002776 aggregation Effects 0.000 claims abstract description 19
- 238000004220 aggregation Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009833 condensation Methods 0.000 description 2
- 230000005494 condensation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Classifications
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/4401—Bootstrapping
- G06F9/4411—Configuring for operating with peripheral devices; Loading of device drivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种服务器固件配置方法,包括:获取配置任务记录中的每条配置项组合,并基于所述配置项组合生成配置项组合数据库;基于关联学习算法对所述配置项组合数据库中的所述配置项组合进行筛选,以得到使用频率大于预设阈值且包含配置项数量最大的若干优选配置项组合;将所述若干优选配置项组合进行凝聚层次聚类,以得到相应的配置场景;以及根据用户需求选择对应的配置场景,并基于选择的所述配置场景进行服务器固件配置。本发明还公开了一种服务器固件配置装置、计算机设备和可读存储介质。本发明在固件配置方面挖掘了用户在固件配置中的价值信息,提供场景化固件配置方案,提高工作效率,并使得专业性强的配置项间的关联性可视化。
Description
技术领域
本发明涉及服务器运维技术领域,尤其涉及一种服务器固件配置方法、装置、设备及可读介质。
背景技术
目前在服务器管理的软件中,对于服务器的固件配置,仅仅提供了让用户进行固件配置的配置项全量列表页面,用户使用时需要在BMC、BIOS、RAID各大类中,以及在下一级的各类中去寻找目标,导致占用运维人员大量时间,运维效率低,而对于服务器通常24小时不间断的工作性质,提高运维效率至关重要。
而且服务器管理软件中对于固件配置这些专业化要求强的各配置项间的关联性并没有体现,缺乏对用户的可视化;而且对于不同用户来说存在有些项是零使用率的情况,缺少场景化的配置方案,
发明内容
有鉴于此,本发明实施例的目的在于提出一种服务器固件配置方法、装置、设备及可读介质,根据常用配置设置关联性强、频繁率高的配置项,减少用户在大量配置项中寻找目标的繁琐工作,通过提供用户化、场景化的组合频繁配置项来提高操作效率;另外综合考虑固件配置任务的更新情况,利用凝聚层次聚类思想将频繁项模型中配置组合进行聚类处理,输出的配置场景不断更新学习,使场景化更合理。在固件配置方面挖掘了用户在固件配置中的价值信息,提供场景化固件配置方案,提高工作效率,并使得专业性强的配置项间的关联性可视化。
基于上述目的,本发明实施例的一方面提供了一种服务器固件配置方法,包括以下步骤:获取配置任务记录中的每条配置项组合,并基于所述配置项组合生成配置项组合数据库;基于关联学习算法对所述配置项组合数据库中的所述配置项组合进行筛选,以得到使用频率大于预设阈值且包含配置项数量最大的若干优选配置项组合;将所述若干优选配置项组合进行凝聚层次聚类,以得到相应的配置场景;以及根据用户需求选择对应的配置场景,并基于选择的所述配置场景进行服务器固件配置。
在一些实施方式中,还包括:响应于检测到新的配置任务记录,则基于关联学习算法对所述新的配置任务记录中的配置项组合进行筛选,并重新进行凝聚层次聚类以得到新的场景配置。
在一些实施方式中,获取配置任务记录中的每条配置项组合,并基于所述配置项组合生成配置项组合数据库包括:获取配置任务记录中的每条配置项组合,以集合的方式生成配置项组合数据库。
在一些实施方式中,基于关联学习算法对所述配置项组合数据库中的所述配置项组合进行筛选,以得到使用频率大于预设阈值且包含配置项数量最大的若干优选配置项组合包括:统计每个单个配置项的使用频率并与预设阈值进行比较,以筛选出使用频率超过所述预设阈值的若干优选配置项组合;统计每个由若干所述优选配置项组合和一个单个配置项构成的配置项组合的使用频率,并判断是否存在使用频率大于所述预设阈值的所述配置项组合;若是存在使用频率大于所述预设阈值的所述配置项组合,则将使用频率大于所述预设阈值的所述配置项组合作为新的优选配置项组合,并返回上一步骤;若是不存在使用频率大于所述预设阈值的所述配置项组合,则输出若干所述优选配置项组合。
在一些实施方式中,将所述若干优选配置项组合进行凝聚层次聚类,以得到相应的配置场景包括:将所述若干优选配置项组合输入到频繁项模型中,计算所述优选配置项组合之间的相似度,并基于所述相似度对所述优选配置项组合进行合并,以得到相应的配置场景。
在一些实施方式中,还包括:响应于检测到新的配置任务记录,则基于关联学习算法对所述新的配置任务记录中的配置项组合进行筛选;将筛选出的新的优选配置项组合输入到频繁项模型中,重新计算所述优选配置项组合之间的相似度,并基于所述相似度对所述优选配置项组合进行合并,以得到新的配置场景。
在一些实施方式中,所述关联学习算法包括Apriori算法。
本发明实施例的另一方面,还提供了一种服务器固件配置装置,包括:第一配置模块,配置用于获取配置任务记录中的每条配置项组合,并基于所述配置项组合生成配置项组合数据库;第二配置模块,配置用于基于关联学习算法对所述配置项组合数据库中的所述配置项组合进行筛选,以得到使用频率大于预设阈值且包含配置项数量最大的若干优选配置项组合;第三配置模块,配置用于将所述若干优选配置项组合进行凝聚层次聚类,以得到相应的配置场景;以及第四配置模块,配置用于根据用户需求选择对应的配置场景,并基于选择的所述配置场景进行服务器固件配置。
本发明实施例的再一方面,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,存储器存储有可在处理器上运行的计算机指令,指令由处理器执行时实现上述方法的步骤。
本发明实施例的再一方面,还提供了一种计算机可读存储介质,计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。
本发明具有以下有益技术效果:挖掘用户进行的固件配置记录这些价值信息,在服务器管理软件中增加包含数据处理、Apr配置组合以及智能识别场景三部分组成的固件配置场景化模块,根据数据库中存储的用户固件配置行为信息,筛选、统计每条记录中配置项的集合存入数据库做持久化处理,依据Apriori算法处理配置项集合数据,获得配置项间的关联频繁组合放入频繁项模型中,当有新的配置记录时,会再次统计分析数据并将新的关联频繁组合放入频繁项模型中,智能识别场景算法会受到新配置项的触发,对频繁项模型中旧组合以及新组合利用凝聚层次聚类算法输出配置场景,该方案有效地挖掘并处理用户固件配置信息,给予配置场景化方案,不仅可以提高用户的操作效率,而且可视化了配置项间的关联性。
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为本发明提供的服务器固件配置方法的实施例的示意图;
图2为本发明提供的服务器固件配置装置的实施例的示意图;
图3为本发明提供的计算机设备的实施例的示意图;
图4为本发明提供的计算机可读存储介质的实施例的示意图。
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。
基于上述目的,本发明实施例的第一个方面,提出了服务器固件配置方法的实施例。图1示出的是本发明提供的服务器固件配置方法的实施例的示意图。如图1所示,本发明实施例包括如下步骤:
S01、获取配置任务记录中的每条配置项组合,并基于配置项组合生成配置项组合数据库;
S02、基于关联学习算法对配置项组合数据库中的配置项组合进行筛选,以得到使用频率大于预设阈值且包含配置项数量最大的若干优选配置项组合;
S03、将若干优选配置项组合进行凝聚层次聚类,以得到相应的配置场景;以及
S04、根据用户需求选择对应的配置场景,并基于选择的配置场景进行服务器固件配置。
在本实施例中,主要应用于服务器批量运维场景下,基于用户使用行为对服务器固件配置功能加入了常用配置栏,提供场景化配置,充分利用数据库中配置任务记录信息,分析、统计每条任务记录中配置项集合并存入数据库中,依据Apriori算法的思路,获得配置项间的关联频繁组合放入频繁项模型中;当有新的配置记录时,会再次统计分析数据并将新的关联频繁组合放入频繁项模型中,智能识别场景部分会受到新配置项的触发,对频繁项模型中旧组合以及新组合利用凝聚层次聚类算法更新输出配置场景,有效地挖掘用户操作信息,促使管理软件更智能化和用户化。
在本实施例中,在固件配置中加入场景化固件配置模块,该模块结合用户使用行为给出用户化和智能化的服务器固件配置场景,提高运维效率并且透明化配置项间的关联性。场景化固件配置模块主要有三部分组成:数据处理部分,数据处理部分依赖于数据库中固件配置信息记录负责抽取配置项数据信息并存入数据库中;Apr配置组合部分,Apr配置组合部分以服务器固件的各配置项为入参,结合数据库中配置信息记录,计算服务器配置项的操作频率,通过Apriori算法计算输出常用配置组合;智能识别场景部分,智能化识别场景部分依据Apr配置组合部分计算出的多个频繁组合项依据凝聚层次算法,合并相似度高的频繁组合项,得到合理的几种配置场景。
在本实施例中,首先分析、筛选数据库中固件配置任务记录信息,提取每条任务记录中配置项组合,将统计数据存入数据库中;关联学习算法依据数据库中的数据,首先统计单个配置项及其使用频率,然后统计大于设定阈值Vflag的两个配置项组合,从数据库中统计对应使用频率,筛选掉低于阈值Vflag的组合,接着进行三个以及以上配置项组合及对应使用频率,并筛选掉低于阈值的组合,直到不能再叠加到大于阈值要求的组合;将关联学习算法中得到的组合放入频繁项模型中;当有新的固件配置任务记录时,触发关联学习算法训练出新的配置项组合,输出到频繁配置项模型中;根据频繁项模型,场景识别算法将多个组合项依据凝聚层次聚类思想,计算组合项间的相似度,合并相似度高的组合项,减少配置场景间的重复度,最终得到相应的配置场景;服务器管理软件中以常用配置形式展示场景识别算法中得到的几种场景配置,与完全配置并列展示,供用户选择使用。
在本发明的一些实施例中,还包括:响应于检测到新的配置任务记录,则基于关联学习算法对新的配置任务记录中的配置项组合进行筛选,并重新进行凝聚层次聚类以得到新的场景配置。
在本实施例中,当有新的固件配置任务记录时,获取配置任务记录中的每条配置项组合,并基于配置项组合生成配置项组合数据库;基于关联学习算法对配置项组合数据库中的配置项组合进行筛选,以得到使用频率大于预设阈值且包含配置项数量最大的若干优选配置项组合;将若干优选配置项组合进行凝聚层次聚类,以得到相应的配置场景。
在本发明的一些实施例中,获取配置任务记录中的每条配置项组合,并基于配置项组合生成配置项组合数据库包括:获取配置任务记录中的每条配置项组合,以集合的方式生成配置项组合数据库。
在本实施例中,依据数据库中每条配置任务记录统计配置项之间的组合,以集合的方式存入数据库中。
在本发明的一些实施例中,基于关联学习算法对配置项组合数据库中的配置项组合进行筛选,以得到使用频率大于预设阈值且包含配置项数量最大的若干优选配置项组合包括:统计每个单个配置项的使用频率并与预设阈值进行比较,以筛选出使用频率超过预设阈值的若干优选配置项组合;统计每个由若干优选配置项组合和一个单个配置项构成的配置项组合的使用频率,并判断是否存在使用频率大于预设阈值的配置项组合;若是存在使用频率大于预设阈值的配置项组合,则将使用频率大于预设阈值的配置项组合作为新的优选配置项组合,并返回上一步骤;若是不存在使用频率大于预设阈值的配置项组合,则输出若干优选配置项组合。
在本实施例中,扫描数据库对每个候选配置项计数,分别与设定的频繁度阈值Vflag比较,保留大于阈值的配置项得到1项配置项频率集L1;由L1与自身连接产生2项配置项候选集C2,扫描数据库对每个2项配置项候选集计数再分别与频繁度阈值比较,筛选出2项配置项频率集L2;依据Apriori算法,k个配置项组合来自k-1个配置组合项统计数据中基于k-1个配置项相同只有一位不同的组合数据得到k项配置项候选集,扫描得到每个k项配置项候选集的频率数值然后与设定阈值比对,保留大于阈值的组合作为k项配置项频率集Lk,如此下去,直到不能产生满足频繁度阈值的集合为止,输出前一步产生的配置项频率集。
在本发明的一些实施例中,将若干优选配置项组合进行凝聚层次聚类,以得到相应的配置场景包括:将若干优选配置项组合输入到频繁项模型中,计算优选配置项组合之间的相似度,并基于相似度对优选配置项组合进行合并,以得到相应的配置场景。
在本实施例中,层次聚类时"自顶向下"的算法开始把所有数据看作一个聚类,通过不断分割大的聚类直到每一个单一的数据都被划分。根据聚类簇之间距离的计算方法的不同,层次聚类算法可以大致分为:单链接(Single-link)算法,全链接算法(complete-link)或均链接算法(average-link)。凝聚层次聚类是一种自底向上的策略,首先将每个对象作为一个簇,然后合并这些原子簇为越来越大的簇,直到所有的对象都在一个簇中,或者某个终结条件被满足,绝大多数层次聚类方法属于这一类,它们只是在簇间相似度的定义上有所不同。分裂的层次聚类与凝聚的层次聚类相反,采用自顶向下的策略,它首先将所有对象置于同一个簇中,然后逐渐细分为越来越小的簇,直到每个对象自成一簇,或者达到了某个终止条件。
在本实施例中,将若干优选配置项组合输入到频繁项模型中,频繁配置项模型中的多个配置组合项记为集合D={d1,d1,…,di,…,dk},智能场景识别部分将集合D中的每个配置组合项di看作一个具有单个成员的簇hi={di},构成D的聚类H={h1,h2,…,hi,…,hk},然后计算H中每个簇(hi,hj)间的相似度lik{hi,hj},合并具有最大相似度的簇,形成新的聚类,以此下去,将相似度高的配置组合项合并,最终输出重复度小的配置场景。其中使用Average Linkage作为两个簇间的距离度量标准,如有两个组合项(M2,B1)和(R3,M5),该组合项间的相似度度量为:
通过该部分计算组合数据点间的相似性,对相识性高的组合项进行再合并,得到最终的固件配置场景,并将得到的配置场景在服务器管理软件页面的常用配置栏展示供用户使用。
在本发明的一些实施例中,还包括:响应于检测到新的配置任务记录,则基于关联学习算法对新的配置任务记录中的配置项组合进行筛选;将筛选出的新的优选配置项组合输入到频繁项模型中,重新计算优选配置项组合之间的相似度,并基于相似度对优选配置项组合进行合并,以得到新的配置场景。
在本实施例中,当有新的固件配置任务记录时,触发关联学习算法训练出新的配置项组合,输出到频繁配置项模型中,并触发场景识别部分。
在本发明的一些实施例中,关联学习算法包括Apriori算法。
在本实施例中,Apriori算法是一种最有影响力的挖掘布尔关联规则的频繁项集的算法,它使用一种称作逐层搜索的迭代方法,k项集用于探索(k+1)项集。首先,找出频繁1项集的集合。该集合记作L1。L1用于找频繁2项集的集合L2,而L2用于找L2,如此下去,直到不能找到k项集。
需要特别指出的是,上述服务器固件配置方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减,因此,这些合理的排列组合变换之于服务器固件配置方法也应当属于本发明的保护范围,并且不应将本发明的保护范围局限在实施例之上。
基于上述目的,本发明实施例的第二个方面,提出了一种服务器固件配置装置。图2示出的是本发明提供的服务器固件配置装置的实施例的示意图。如图2所示,本发明实施例包括如下模块:第一配置模块S11,配置用于获取配置任务记录中的每条配置项组合,并基于配置项组合生成配置项组合数据库;第二配置模块S12,配置用于基于关联学习算法对配置项组合数据库中的配置项组合进行筛选,以得到使用频率大于预设阈值且包含配置项数量最大的若干优选配置项组合;第三配置模块S13,配置用于将若干优选配置项组合进行凝聚层次聚类,以得到相应的配置场景;以及第四配置模块S14,配置用于根据用户需求选择对应的配置场景,并基于选择的配置场景进行服务器固件配置。
基于上述目的,本发明实施例的第三个方面,提出了一种计算机设备。图3示出的是本发明提供的计算机设备的实施例的示意图。如图3所示,本发明实施例包括如下装置:至少一个处理器S21;以及存储器S22,存储器S22存储有可在处理器上运行的计算机指令S23,指令由处理器执行时实现以上方法的步骤。
本发明还提供了一种计算机可读存储介质。图4示出的是本发明提供的计算机可读存储介质的实施例的示意图。如图4所示,计算机可读存储介质存储S31有被处理器执行时执行如上方法的计算机程序S32。
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,服务器固件配置方法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。其中,程序的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。上述计算机程序的实施例,可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
此外,根据本发明实施例公开的方法还可以被实现为由处理器执行的计算机程序,该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被处理器执行时,执行本发明实施例公开的方法中限定的上述功能。
此外,上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
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。
在一个或多个示例性设计中,功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现,则可以将功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质,该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的,该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备,或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外,任何连接都可以适当地称为计算机可读介质。例如,如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件,则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的,磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘,其中磁盘通常磁性地再现数据,而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
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,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)
1.一种服务器固件配置方法,其特征在于,包括以下步骤:
获取配置任务记录中的每条配置项组合,并基于所述配置项组合生成配置项组合数据库;
基于关联学习算法对所述配置项组合数据库中的所述配置项组合进行筛选,以得到使用频率大于预设阈值且包含配置项数量最大的若干优选配置项组合;
将所述若干优选配置项组合进行凝聚层次聚类,以得到相应的配置场景;以及
根据用户需求选择对应的配置场景,并基于选择的所述配置场景进行服务器固件配置,
其中:
基于关联学习算法对所述配置项组合数据库中的所述配置项组合进行筛选,以得到使用频率大于预设阈值且包含配置项数量最大的若干优选配置项组合包括:
统计每个单个配置项的使用频率并与预设阈值进行比较,以筛选出使用频率超过所述预设阈值的若干优选配置项组合;
统计每个由若干所述优选配置项组合和一个单个配置项构成的配置项组合的使用频率,并判断是否存在使用频率大于所述预设阈值的所述配置项组合;
若是存在使用频率大于所述预设阈值的所述配置项组合,则将使用频率大于所述预设阈值的所述配置项组合作为新的优选配置项组合,并返回上一步骤;
若是不存在使用频率大于所述预设阈值的所述配置项组合,则输出若干所述优选配置项组合;
将所述若干优选配置项组合进行凝聚层次聚类,以得到相应的配置场景包括:
将所述若干优选配置项组合输入到频繁项模型中,计算所述优选配置项组合之间的相似度,并基于所述相似度对所述优选配置项组合进行合并,以得到相应的配置场景;
响应于检测到新的配置任务记录,则基于关联学习算法对所述新的配置任务记录中的配置项组合进行筛选;
将筛选出的新的优选配置项组合输入到频繁项模型中,重新计算所述优选配置项组合之间的相似度,并基于所述相似度对所述优选配置项组合进行合并,以得到新的配置场景。
2.根据权利要求1所述的服务器固件配置方法,其特征在于,还包括:
响应于检测到新的配置任务记录,则基于关联学习算法对所述新的配置任务记录中的配置项组合进行筛选,并重新进行凝聚层次聚类以得到新的场景配置。
3.根据权利要求1所述的服务器固件配置方法,其特征在于,获取配置任务记录中的每条配置项组合,并基于所述配置项组合生成配置项组合数据库包括:
获取配置任务记录中的每条配置项组合,以集合的方式生成配置项组合数据库。
4.根据权利要求1所述的服务器固件配置方法,其特征在于,所述关联学习算法包括Apriori算法。
5.一种服务器固件配置装置,其特征在于,包括:
第一配置模块,配置用于获取配置任务记录中的每条配置项组合,并基于所述配置项组合生成配置项组合数据库;
第二配置模块,配置用于基于关联学习算法对所述配置项组合数据库中的所述配置项组合进行筛选,以得到使用频率大于预设阈值且包含配置项数量最大的若干优选配置项组合;
第三配置模块,配置用于将所述若干优选配置项组合进行凝聚层次聚类,以得到相应的配置场景;以及
第四配置模块,配置用于根据用户需求选择对应的配置场景,并基于选择的所述配置场景进行服务器固件配置,
其中:
基于关联学习算法对所述配置项组合数据库中的所述配置项组合进行筛选,以得到使用频率大于预设阈值且包含配置项数量最大的若干优选配置项组合包括:
统计每个单个配置项的使用频率并与预设阈值进行比较,以筛选出使用频率超过所述预设阈值的若干优选配置项组合;
统计每个由若干所述优选配置项组合和一个单个配置项构成的配置项组合的使用频率,并判断是否存在使用频率大于所述预设阈值的所述配置项组合;
若是存在使用频率大于所述预设阈值的所述配置项组合,则将使用频率大于所述预设阈值的所述配置项组合作为新的优选配置项组合,并返回上一步骤;
若是不存在使用频率大于所述预设阈值的所述配置项组合,则输出若干所述优选配置项组合;
将所述若干优选配置项组合进行凝聚层次聚类,以得到相应的配置场景包括:
将所述若干优选配置项组合输入到频繁项模型中,计算所述优选配置项组合之间的相似度,并基于所述相似度对所述优选配置项组合进行合并,以得到相应的配置场景;
响应于检测到新的配置任务记录,则基于关联学习算法对所述新的配置任务记录中的配置项组合进行筛选;
将筛选出的新的优选配置项组合输入到频繁项模型中,重新计算所述优选配置项组合之间的相似度,并基于所述相似度对所述优选配置项组合进行合并,以得到新的配置场景。
6. 一种计算机设备,其特征在于,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指令,所述指令由所述处理器执行时实现权利要求1-4任意一项所述方法的步骤。
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实现权利要求1-4任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110903952.4A CN113626090B (zh) | 2021-08-06 | 2021-08-06 | 一种服务器固件配置方法、装置、设备及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110903952.4A CN113626090B (zh) | 2021-08-06 | 2021-08-06 | 一种服务器固件配置方法、装置、设备及可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113626090A CN113626090A (zh) | 2021-11-09 |
CN113626090B true CN113626090B (zh) | 2023-12-29 |
Family
ID=78383321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110903952.4A Active CN113626090B (zh) | 2021-08-06 | 2021-08-06 | 一种服务器固件配置方法、装置、设备及可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113626090B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649422A (zh) * | 2016-06-12 | 2017-05-10 | 中国移动通信集团湖北有限公司 | 关键词提取方法及装置 |
CN111047220A (zh) * | 2019-12-27 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 一种风控阈值条件确定方法、装置、设备和可读介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10397810B2 (en) * | 2016-01-08 | 2019-08-27 | Futurewei Technologies, Inc. | Fingerprinting root cause analysis in cellular systems |
US10908614B2 (en) * | 2017-12-19 | 2021-02-02 | Here Global B.V. | Method and apparatus for providing unknown moving object detection |
-
2021
- 2021-08-06 CN CN202110903952.4A patent/CN113626090B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649422A (zh) * | 2016-06-12 | 2017-05-10 | 中国移动通信集团湖北有限公司 | 关键词提取方法及装置 |
CN111047220A (zh) * | 2019-12-27 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 一种风控阈值条件确定方法、装置、设备和可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113626090A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11516219B2 (en) | System and method for role mining in identity management artificial intelligence systems using cluster based analysis of network identity graphs | |
US10862928B1 (en) | System and method for role validation in identity management artificial intelligence systems using analysis of network identity graphs | |
CN111309824B (zh) | 实体关系图谱显示方法及系统 | |
US20190058719A1 (en) | System and a method for detecting anomalous activities in a blockchain network | |
US9171334B1 (en) | Tax data clustering | |
US20170300744A1 (en) | Method and apparatus for determining identity identifier of face in face image, and terminal | |
CN111368867B (zh) | 档案归类方法及系统、计算机可读存储介质 | |
CN107895008B (zh) | 基于大数据平台的情报信息热点发现方法 | |
CN112052251B (zh) | 目标数据更新方法和相关装置、设备及存储介质 | |
CN109325232A (zh) | 一种基于lda的用户行为异常分析方法、系统及存储介质 | |
JP5441554B2 (ja) | 時系列データ類似判定装置、時系列データ類似判定プログラム、記録媒体及び時系列データ類似判定方法 | |
US20060184474A1 (en) | Data analysis apparatus, data analysis program, and data analysis method | |
US20110016114A1 (en) | Probabilistic link strength reduction | |
Al Abd Alazeez et al. | EINCKM: An Enhanced Prototype-based Method for Clustering Evolving Data Streams in Big Data. | |
US9251192B2 (en) | Information matching apparatus, information matching system and method of matching information for outputting matching result | |
US20170147675A1 (en) | High dimensional clusters profile generation | |
US11875234B2 (en) | Systems and/or methods for machine-learning based data correction and completion in sparse datasets | |
JP6972935B2 (ja) | 関連スコア算出システム、方法およびプログラム | |
CN115619245A (zh) | 一种基于数据降维方法的画像构建和分类方法及系统 | |
CN113626090B (zh) | 一种服务器固件配置方法、装置、设备及可读介质 | |
CN104794234A (zh) | 用于同业对标的数据处理方法和装置 | |
CN112925899A (zh) | 排序模型建立方法、案件线索推荐方法、装置及介质 | |
CN113990466A (zh) | 医疗资源管理方法、装置、电子设备及存储介质 | |
KR101815968B1 (ko) | 그룹 분리 기능을 제공하기 위한 악성코드 분류 시스템 및 그 방법 | |
CN105787075A (zh) | 一种基于数据挖掘的事件预测方法和装置 |
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 |