CN113656256A - 一种基于芯片异常运行的调控方法及系统 - Google Patents
一种基于芯片异常运行的调控方法及系统 Download PDFInfo
- Publication number
- CN113656256A CN113656256A CN202110988811.7A CN202110988811A CN113656256A CN 113656256 A CN113656256 A CN 113656256A CN 202110988811 A CN202110988811 A CN 202110988811A CN 113656256 A CN113656256 A CN 113656256A
- Authority
- CN
- China
- Prior art keywords
- chip
- data
- sample data
- chip operation
- group
- 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.)
- Withdrawn
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
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3031—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a motherboard or an expansion card
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供的一种基于芯片异常运行的调控方法及系统,涉及芯片运行监控技术领域。在本发明中,基于运行异常判断模型对多条芯片运行数据进行处理得到目标芯片的运行状态是否存在异常的判断结果,其中,每一条芯片运行数据用于表征目标芯片在对应的一个时刻或一个时间段内的运行状态参数,目标监控设备用于对目标芯片的运行状态进行监控以得到多条芯片运行数据;若判断结果为目标芯片的运行状态存在异常,则基于多条芯片运行数据生成目标芯片对应的运行控制信息;将运行控制信息发送给目标芯片,其中,目标芯片用于基于运行控制信息运行。基于上述方法,可以改善现有技术中在芯片异常运行时的调控效果不佳的问题。
Description
技术领域
本发明涉及芯片运行监控技术领域,具体而言,涉及一种基于芯片异常运行的调控方法及系统。
背景技术
芯片的类型较多,如处理芯片、存储芯片等,其中,在处理芯片中也具有多种不同功能的芯片。基于芯片具有的各种功能,使得芯片可以应用到较多的电子设备中,以进行相应的数据处理,使得电子设备的功能能够满足用户逐渐增加的各种需求。并且,由于电子设备的功能实际上是对应的一种芯片单独提供或多种芯片联合实现,因而,芯片的运行状态直接影响着电子设备是否能够正常的提供相应的功能。
因此,需要对芯片的运行状态进行监控,以在确定芯片的运行状态存在异常时,对芯片的运行进行调控。其中,经发明人研究发现,在现有技术中,一般是在芯片的运行状态存在异常时,直接对芯片的运行参数进行恢复默认参数处理,如此,可能使得恢复后的默认参数与当前的应用场景等因素不匹配,因而,存在调控效果不佳的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于芯片异常运行的调控方法及系统,以改善现有技术中在芯片异常运行时的调控效果不佳的问题。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于芯片异常运行的调控方法,基于预先训练得到的运行异常判断模型对目标监控设备监控得到的多条芯片运行数据进行处理,得到目标芯片的运行状态是否存在异常的判断结果,其中,所述运行异常判断模型为神经网络模型,每一条所述芯片运行数据用于表征所述目标芯片在对应的一个时刻或一个时间段内的运行状态参数,所述目标监控设备用于对所述目标芯片的运行状态进行监控以得到所述多条芯片运行数据;
若所述判断结果为所述目标芯片的运行状态存在异常,则基于所述多条芯片运行数据生成所述目标芯片对应的运行控制信息;
将所述运行控制信息发送给所述目标芯片,其中,所述目标芯片用于基于所述运行控制信息运行以使得对应的运行状态不存在异常。
在一些优选的实施例中,在上述基于芯片异常运行的调控方法中,所述若所述判断结果为所述目标芯片的运行状态存在异常,则基于所述多条芯片运行数据生成所述目标芯片对应的运行控制信息的步骤,包括:
若所述判断结果为所述目标芯片的运行状态存在异常,则获取用于训练所述运行异常判断模型的多组芯片运行样本数据,并在所述多组芯片运行样本数据中确定出多组第一芯片运行样本数据,其中,每一组第一芯片运行样本数据基于所述目标芯片在正常运行状态时监控得到,且每一组第一芯片运行样本数据包括多条芯片运行样本数据;
针对每一组第一芯片运行样本数据,计算该组第一芯片运行样本数据包括的多条芯片运行样本数据与所述多条芯片运行数据之间的数据相似度,得到该组第一芯片运行样本数据对应的数据相似度信息;
基于每一组第一芯片运行样本数据对应的数据相似度信息,在所述多组第一芯片运行样本数据中确定出至少一组第一芯片运行样本数据;
针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对所述多条芯片运行数据进行校正,以得到该组第一芯片运行样本数据对应的多条芯片运行校正数据;
针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,基于所述运行异常判断模型对该组第一芯片运行样本数据对应的多条芯片运行校正数据进行处理,得到对应的异常预测结果;
确定是否存在对应的异常预测结果为运行状态不存在异常的多条芯片运行校正数据,并在存在对应的异常预测结果为运行状态不存在异常的多条芯片运行校正数据时,基于该多条芯片运行校正数据生成所述目标芯片对应的运行控制信息。
在一些优选的实施例中,在上述基于芯片异常运行的调控方法中,所述针对每一组第一芯片运行样本数据,计算该组第一芯片运行样本数据包括的多条芯片运行样本数据与所述多条芯片运行数据之间的数据相似度,得到该组第一芯片运行样本数据对应的数据相似度信息的步骤,包括:
针对每一组第一芯片运行样本数据,计算该组第一芯片运行样本数据包括的多条芯片运行样本数据与所述多条芯片运行数据之间对应采集顺序位置的所述芯片运行样本数据与所述芯片运行数据之间的相似度,得到该组第一芯片运行样本数据对应的多个相似度信息;
针对每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对应的所述多个相似度信息,计算得到该组第一芯片运行样本数据对应的数据相似度,作为该组第一芯片运行样本数据对应的数据相似度信息。
在一些优选的实施例中,在上述基于芯片异常运行的调控方法中,所述针对每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对应的所述多个相似度信息,计算得到该组第一芯片运行样本数据对应的数据相似度,作为该组第一芯片运行样本数据对应的数据相似度信息的步骤,包括:
针对每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对应的所述多个相似度信息进行均值计算,以将得到相似度平均值作为该组第一芯片运行样本数据对应的数据相似度,以得到该组第一芯片运行样本数据对应的数据相似度信息。
在一些优选的实施例中,在上述基于芯片异常运行的调控方法中,所述基于每一组第一芯片运行样本数据对应的数据相似度信息,在所述多组第一芯片运行样本数据中确定出至少一组第一芯片运行样本数据的步骤,包括:
在得到的多个所述数据相似度信息中,确定出最大的目标数量个数据相似度信息,作为目标数据相似度信息;
在所述多组第一芯片运行样本数据中,确定出所述目标数据相似度信息对应的每一组第一芯片运行样本数据。
在一些优选的实施例中,在上述基于芯片异常运行的调控方法中,所述针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对所述多条芯片运行数据进行校正,以得到该组第一芯片运行样本数据对应的多条芯片运行校正数据的步骤,包括:
针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,计算该组第一芯片运行样本数据包括的多条芯片运行样本数据与所述多条芯片运行数据之间对应采集顺序位置的所述芯片运行样本数据与所述芯片运行数据之间的平均值,以得到该组第一芯片运行样本数据对应的多个芯片运行数据均值;
针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,将该组第一芯片运行样本数据对应的多个芯片运行数据均值确定为对应的多条芯片运行校正数据。
在一些优选的实施例中,在上述基于芯片异常运行的调控方法中,所述若所述判断结果为所述目标芯片的运行状态存在异常,则基于所述多条芯片运行数据生成所述目标芯片对应的运行控制信息的步骤,还包括:
在不存在对应的异常预测结果为运行状态不存在异常的多条芯片运行校正数据时,基于每一组第一芯片运行样本数据对应的数据相似度信息,在所述多组第一芯片运行样本数据中重新确定出至少一组新的第一芯片运行样本数据,直到基于所述至少一组新的第一芯片运行样本数据重新得到对应的运行状态不存在异常的多条新的芯片运行校正数据;
基于所述多条新的芯片运行校正数据,生成所述目标芯片对应的运行控制信息。
本发明实施例还提供一种基于芯片异常运行的调控系统,包括:
运行异常判断模块,用于基于预先训练得到的运行异常判断模型对目标监控设备监控得到的多条芯片运行数据进行处理,得到目标芯片的运行状态是否存在异常的判断结果,其中,所述运行异常判断模型为神经网络模型,每一条所述芯片运行数据用于表征所述目标芯片在对应的一个时刻或一个时间段内的运行状态参数,所述目标监控设备用于对所述目标芯片的运行状态进行监控以得到所述多条芯片运行数据;
控制信息生成模块,用于若所述判断结果为所述目标芯片的运行状态存在异常,则基于所述多条芯片运行数据生成所述目标芯片对应的运行控制信息;
控制信息发送模块,用于将所述运行控制信息发送给所述目标芯片,其中,所述目标芯片用于基于所述运行控制信息运行以使得对应的运行状态不存在异常。
在一些优选的实施例中,在上述基于芯片异常运行的调控系统中,所述控制信息生成模块包括:
第一单元,用于若所述判断结果为所述目标芯片的运行状态存在异常,则获取用于训练所述运行异常判断模型的多组芯片运行样本数据,并在所述多组芯片运行样本数据中确定出多组第一芯片运行样本数据,其中,每一组第一芯片运行样本数据基于所述目标芯片在正常运行状态时监控得到,且每一组第一芯片运行样本数据包括多条芯片运行样本数据;
第二单元,用于针对每一组第一芯片运行样本数据,计算该组第一芯片运行样本数据包括的多条芯片运行样本数据与所述多条芯片运行数据之间的数据相似度,得到该组第一芯片运行样本数据对应的数据相似度信息;
第三单元,用于基于每一组第一芯片运行样本数据对应的数据相似度信息,在所述多组第一芯片运行样本数据中确定出至少一组第一芯片运行样本数据;
第四单元,用于针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对所述多条芯片运行数据进行校正,以得到该组第一芯片运行样本数据对应的多条芯片运行校正数据;
第五单元,用于针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,基于所述运行异常判断模型对该组第一芯片运行样本数据对应的多条芯片运行校正数据进行处理,得到异常预测结果;
第六单元,用于确定是否存在对应的异常预测结果为运行状态不存在异常的多条芯片运行校正数据,并在存在对应的异常预测结果为运行状态不存在异常的多条芯片运行校正数据时,基于该多条芯片运行校正数据生成所述目标芯片对应的运行控制信息。
在一些优选的实施例中,在上述基于芯片异常运行的调控系统中,所述第二单元具体用于:
针对每一组第一芯片运行样本数据,计算该组第一芯片运行样本数据包括的多条芯片运行样本数据与所述多条芯片运行数据之间对应采集顺序位置的所述芯片运行样本数据与所述芯片运行数据之间的相似度,得到该组第一芯片运行样本数据对应的多个相似度信息;
针对每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对应的所述多个相似度信息,计算得到该组第一芯片运行样本数据对应的数据相似度,作为该组第一芯片运行样本数据对应的数据相似度信息。
本发明实施例提供的一种基于芯片异常运行的调控方法及系统,在基于运行异常判断模型对目标监控设备监控得到的多条芯片运行数据进行处理得到目标芯片的运行状态是否存在异常的判断结果之后,可以在判断结果为目标芯片的运行状态存在异常时基于得到的多条芯片运行数据生成目标芯片对应的运行控制信息,以对目标芯片的运行进行调控,其中,由于运行控制信息的生成参考了当前监控得到的多条芯片运行数据,使得运行控制信息可以与当前目标芯片的应用场景等因素匹配,因而,可以保证调控效果,从而改善现有技术中在芯片异常运行时的调控效果不佳的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的芯片运行监控服务器的示意图。
图2为本发明实施例提供的基于芯片异常运行的调控方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于芯片异常运行的调控系统包括的各模块的示意图。
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,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
如图1所示,本发明实施例提供了一种芯片运行监控服务器。其中,所述芯片运行监控服务器可以包括存储器和处理器。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。并且,所述存储器中可以存储有至少一个可以以软件或固件的形式,存在的软件功能模块。如此,所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的基于芯片异常运行的调控方法。
可选地,在一种可能的实现方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable ProgrammableRead-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,EEPROM)等。所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
结合图2,本发明实施例还提供一种基于芯片异常运行的调控方法,可应用于上述芯片运行监控服务器。其中,所述基于芯片异常运行的调控方法有关的流程所定义的方法步骤,可以由所述芯片运行监控服务器实现。下面将对图2所示的具体流程,进行详细阐述。
步骤100,基于预先训练得到的运行异常判断模型对目标监控设备监控得到的多条芯片运行数据进行处理,得到目标芯片的运行状态是否存在异常的判断结果。
在本发明实施例中,所述芯片运行监控服务器可以基于预先训练得到的运行异常判断模型对目标监控设备监控得到的多条芯片运行数据进行处理,得到目标芯片的运行状态是否存在异常的判断结果。
其中,所述运行异常判断模型为神经网络模型,每一条所述芯片运行数据用于表征所述目标芯片在对应的一个时刻或一个时间段内的运行状态参数,所述目标监控设备用于对所述目标芯片的运行状态进行监控以得到所述多条芯片运行数据。并且,若所述判断结果为所述目标芯片的运行状态存在异常,可以执行步骤200。
步骤200,基于多条芯片运行数据生成目标芯片对应的运行控制信息。
在本发明实施例中,所述芯片运行监控服务器可以在所述判断结果为所述目标芯片的运行状态存在异常时,基于所述多条芯片运行数据生成所述目标芯片对应的运行控制信息。
步骤300,将所述运行控制信息发送给所述目标芯片。
在本发明实施例中,所述芯片运行监控服务器可以将生成的所述运行控制信息发送给所述目标芯片。其中,所述目标芯片用于基于所述运行控制信息运行以使得对应的运行状态不存在异常。
基于上述方法,在基于运行异常判断模型对目标监控设备监控得到的多条芯片运行数据进行处理得到目标芯片的运行状态是否存在异常的判断结果之后,可以在判断结果为目标芯片的运行状态存在异常时基于得到的多条芯片运行数据生成目标芯片对应的运行控制信息,以对目标芯片的运行进行调控,其中,由于运行控制信息的生成参考了当前监控得到的多条芯片运行数据,使得运行控制信息可以与当前目标芯片的应用场景等因素匹配,因而,可以保证调控效果,从而改善现有技术中在芯片异常运行时的调控效果不佳的问题。
可选地,在一种可能的实现方式中,步骤100可以包括步骤110、步骤120和步骤130,如下所述。
步骤110,确定是否需要对目标芯片的运行状态进行监控,并在确定需要对所述目标芯片的运行状态进行监控时,生成对应的监控通知信息。
在本发明实施例中,所述芯片运行监控服务器可以先确定是否需要对目标芯片的运行状态进行监控,并在确定需要对所述目标芯片的运行状态进行监控时,生成对应的监控通知信息。
步骤120,将所述监控通知信息发送给所述目标芯片的目标监控设备,并获取所述目标监控设备基于所述监控通知信息对所述目标芯片的运行状态进行监控并发送的多条芯片运行数据。
在本发明实施例中,所述芯片运行监控服务器可以将所述监控通知信息发送给所述目标芯片的目标监控设备,并获取所述目标监控设备基于所述监控通知信息对所述目标芯片的运行状态进行监控并发送的多条芯片运行数据。其中,每一条所述芯片运行数据用于表征所述目标芯片在对应的一个时刻或一个时间段内的运行状态参数(如功耗、温度等),所述目标监控设备用于在接收到所述监控通知信息之后对所述目标芯片的运行状态进行监控以得到所述多条芯片运行数据。
步骤130,基于预先训练得到的运行异常判断模型对所述多条芯片运行数据进行处理,得到所述目标芯片的运行状态是否存在异常的判断结果。
在本发明实施例中,所述芯片运行监控服务器可以基于预先训练得到的运行异常判断模型对所述多条芯片运行数据进行处理,得到所述目标芯片的运行状态是否存在异常的判断结果。
其中,所述运行异常判断模型为神经网络模型。
基于上述步骤,在确定需要对所述目标芯片的运行状态进行监控时,可以先获取对应的多条芯片运行数据,使得可以基于预先训练得到的运行异常判断模型对获取的多条芯片运行数据进行处理,以得到目标芯片的运行状态是否存在异常的判断结果,其中,由于运行异常判断模型为神经网络模型,因而,可以使得得到的判断结果具有较高的准确度,从而提高对芯片进行运行状态异常监控的准确度,进而改善现有技术中存在的异常监控准确度不高的问题。
可选地,在一种可能的实现方式中,步骤110包括以下子步骤:
第一步,获取在历史上最近一次对目标芯片的运行状态进行监控的时间,得到对应的历史监控时间信息,并计算该历史监控时间信息与当前时间信息之间的差值,得到对应的监控时间差值信息;
第二步,确定所述监控时间差值信息与预先设置的时间差值阈值信息之间的大小关系,并在所述监控时间差值信息大于或等于所述时间差值阈值信息时,确定需要对所述目标芯片的运行状态进行监控,生成对应的监控通知信息(在所述监控时间差值信息小于所述时间差值阈值信息时,确定不需要对所述目标芯片的运行状态进行监控)。
可选地,在一种可能的实现方式中,所述确定所述监控时间差值信息与预先设置的时间差值阈值信息之间的大小关系,并在所述监控时间差值信息大于或等于所述时间差值阈值信息时,确定需要对所述目标芯片的运行状态进行监控,生成对应的监控通知信息的步骤,包括以下子步骤:
第一步,确定在历史上最近一次对所述目标芯片的运行状态进行监控时所述目标芯片的历史运行状态是否存在异常;
第二步,若所述目标芯片的历史运行状态存在异常,则确定所述监控时间差值信息与预先设置的第一时间差值阈值信息之间的大小关系,并在所述监控时间差值信息大于或等于所述第一时间差值阈值信息时,确定需要对所述目标芯片的运行状态进行监控,生成对应的监控通知信息;
第三步,若所述目标芯片的历史运行状态不存在异常,则确定所述监控时间差值信息与预先设置的第二时间差值阈值信息之间的大小关系,并在所述监控时间差值信息大于或等于所述第二时间差值阈值信息时,确定需要对所述目标芯片的运行状态进行监控,生成对应的监控通知信息,其中,所述第二时间差值阈值信息大于所述第一时间差值阈值信息。
可选地,在一种可能的实现方式中,所述在所述监控时间差值信息大于或等于所述第二时间差值阈值信息时,确定需要对所述目标芯片的运行状态进行监控,生成对应的监控通知信息的步骤,包括以下子步骤:
第一步,在所述监控时间差值信息大于或等于所述第二时间差值阈值信息时,确定需要对所述目标芯片的运行状态进行监控,并获取所述目标芯片的目标芯片标识信息(一种身份信息),其中,所述目标芯片属于所述目标监控设备携带的芯片,且所述目标监控设备携带有多个芯片;
第二步,基于所述目标芯片标识信息生成对应的监控通知信息,其中,所述目标监控设备用于基于所述监控通知信息中携带的所述目标芯片标识信息确定出所述目标芯片,以对所述目标芯片的运行状态进行监控。
可选地,在一种可能的实现方式中,步骤120包括以下子步骤:
第一步,开启目标端口(一种用于与所述所述目标芯片的目标监控设备进行通信的端口),并通过所述目标端口将所述监控通知信息发送给所述目标芯片的目标监控设备(如手机、服务器等电子设备);
第二步,在将所述监控通知信息发送给所述目标芯片的目标监控设备之后关闭所述目标端口(如此,可以降低对资源的消耗程度),并在目标时长后开启所述目标端口;
第三步,通过所述目标端口获取所述目标监控设备基于所述监控通知信息对所述目标芯片的运行状态进行监控并发送的多条芯片运行数据。
可选地,在一种可能的实现方式中,所述在将所述监控通知信息发送给所述目标芯片的目标监控设备之后关闭所述目标端口,并在目标时长后开启所述目标端口的步骤,包括以下子步骤:
第一步,基于所述监控通知信息中携带的所述目标监控设备对所述目标芯片的运行状态进行监控的监控信息,确定出目标时长,其中,所述目标时长用于表征所述目标监控设备对所述目标芯片进行监控的时长(可以是所述监控通知信息中携带有该时长,也可以是所述监控通知信息中携带有与该时长相关的信息,从而计算得到该时长);
第二步,在将所述监控通知信息发送给所述目标芯片的目标监控设备之后关闭所述目标端口,并在所述目标时长后开启所述目标端口。
可选地,在一种可能的实现方式中,步骤130包括以下子步骤:
第一步,基于预先配置的筛选规则对所述多条芯片运行数据进行筛选,得到所述多条芯片运行数据对应的多条目标芯片运行数据,其中,所述多条目标芯片运行数据的数量小于或等于所述多条芯片运行数据的数量;
第二步,基于预先训练得到的运行异常判断模型对所述多条目标芯片运行数据进行处理,得到所述目标芯片的运行状态是否存在异常的判断结果(即存在异常或不存在异常)。
可选地,在一种可能的实现方式中,所述基于预先配置的筛选规则对所述多条芯片运行数据进行筛选,得到所述多条芯片运行数据对应的多条目标芯片运行数据的步骤,包括以下子步骤:
第一步,确定训练所述运行异常判断模型的每一组样本数据的数量是否相同(作为一种优选地示例,可以是每一组样本数据的数量相同);
第二步,若训练所述运行异常判断模型的每一组样本数据的数量相同,则基于每一组样本数据的数量对所述多条芯片运行数据进行筛选,得到所述多条芯片运行数据对应的多条目标芯片运行数据,其中,所述多条目标芯片运行数据的数量等于每一组样本数据的数量;
第三步,若训练所述运行异常判断模型的每一组样本数据的数量不同,则确定出每一组样本数据的数量中的最大值和最小值,得到对应的第一数量和第二数量,并基于所述第一数量和所述第二数量构建对应的数量区间信息(即其中的最小值作为区间下限值、最大值作为区间上限值);
第四步,基于预先配置的目标采样参数对所述多条芯片运行数据进行筛选,得到对应的多条第一芯片运行数据,并确定所述多条第一芯片运行数据的数量是否属于所述数量区间信息(其中,所述目标采样参数一般设置得较小,避免出现过采样的问题);
第五步,若所述多条第一芯片运行数据的数量属于所述数量区间信息,则将多条第一芯片运行数据,确定为所述多条芯片运行数据对应的多条目标芯片运行数据,若所述多条第一芯片运行数据的数量大于所述数量区间信息,则基于所述目标采样参数对所述多条第一芯片运行数据进行筛选,得到对应的多条新的第一芯片运行数据,(如此,循环)直到得到的所述多条新的第一芯片运行数据的数量属于所述数量区间信息,并将当前的多条新的第一芯片运行数据,确定为所述多条芯片运行数据对应的多条目标芯片运行数据。
可选地,在一种可能的实现方式中,所述基于预先训练得到的运行异常判断模型对所述多条目标芯片运行数据进行处理,得到所述目标芯片的运行状态是否存在异常的判断结果的步骤,包括以下子步骤:
第一步,获取多组芯片运行样本数据,其中,每一组芯片运行样本数据包括多条芯片运行样本数据,且多组芯片运行样本数据中包括多组第一芯片运行样本数据和多组第二芯片运行样本数据,每一组第一芯片运行样本数据基于所述目标芯片在正常运行状态时监控得到,每一组第二芯片运行样本数据基于所述目标芯片在异常运行状态时监控得到;
第二步,基于所述多组芯片运行样本数据对目标神经网络进行训练得到对应的运行异常判断模型,其中,所述目标神经网络为二分类网络模型(可以是现有技术中的任意一个二分类网络模型,在此不做具体限定,对应的具体训练方式也可以参照对应的现有训练方式,在此不再一一赘述);
第三步,基于所述运行异常判断模型对所述多条目标芯片运行数据进行处理,得到所述目标芯片的运行状态是否存在异常的判断结果。
可选地,在一种可能的实现方式中,所述基于所述多组芯片运行样本数据对目标神经网络进行训练得到对应的运行异常判断模型的步骤,包括以下子步骤:
第一步,基于所述多组芯片运行样本数据中的多组第一芯片运行样本数据构建对应的第一数据集合,并基于所述多组芯片运行样本数据中的多组第二芯片运行样本数据构建对应的第二数据集合;
第二步,将所述第一数据集合分割为第一数据子集合和第二数据子集合,并将所述第二数据集合分割为第三数据子集合和第四数据子集合,其中,所述第一数据子集合和所述第二数据子集合之间的数据相似度满足预先设置的相似度条件,所述第三数据子集合和所述第四数据子集合之间的数据相似度满足预先设置的相似度条件;
第三步,基于所述第一数据子集合和所述第三数据子集合包括的每一组芯片运行样本数据对目标神经网络进行训练得到对应的新的神经网络,并基于所述第二数据子集合和所述第四数据子集合包括的每一组芯片运行样本数据对所述新的神经网络进行测试(并且,所述第一数据子集合包括的第一芯片运行样本数据的数量大于和所述第二数据子集合包括的第一芯片运行样本数据的数量,所述第三数据子集合包括的第一芯片运行样本数据的数量大于和所述第四数据子集合包括的第一芯片运行样本数据的数量),以在测试结果满足预设条件时将所述新的神经网络作为训练得到的运行异常判断模型(如测试的准确率大于或等于一阈值)。
可选地,在一种可能的实现方式中,所述将所述第一数据集合分割为第一数据子集合和第二数据子集合的步骤,包括以下子步骤:
第一步,计算所述第一数据集合中的每两组第一芯片运行样本数据之间的数据相似度(两组第一芯片运行样本数据之间的数据相似度,可以是指,先计算两组第一芯片运行样本数据之间对应采集先后顺序的每两条第一芯片运行样本数据之间的相似度,再基于每两条第一芯片运行样本数据之间的相似度计算得到两组第一芯片运行样本数据之间的数据相似度,如计算相似度之间的平均值作为该数据相似度),并基于对应的所述数据相似度且按照数据相似度最大的规则将所述第一数据集合分为多个子集合(例如,可以随机或者按照一定的策略预先确定多组第一芯片运行样本数据,然后,针对其它的每一组第一芯片运行样本数据,将该组第一芯片运行样本数据分到数据相似度最大的预先确定的一组第一芯片运行样本数据对应的子集合中,如此,对于预先确定的多组第一芯片运行样本数据,可以得到对应数量的多个子集合);
第二步,针对每一个所述子集合,将该子集合包括的多组第一芯片运行样本数据按照采集时间的先后关系排列,得到该子集合对应的第一数据序列,并针对每一条所述第一数据序列,按照预先设置的序列长度(该序列长度可以是指,包括的第一芯片运行样本数据的组数)将该第一数据序列分割为多条第一数据子序列;
第三步,针对每一条所述第一数据序列,计算该第一数据序列包括的所述多条第一数据子序列中每两条所述第一数据子序列之间的序列相似度(可以参照上述关于数据相似度的计算方式),并基于该第一数据序列包括的所述多条第一数据子序列中每两条所述第一数据子序列之间的序列相似度,按照序列相似度最小的规则对所述多条第一数据子序列进行聚类,得到该第一数据序列对应的两个子序列集合(参照上述子集合的划分方式),其中,所述序列相似度基于对应的两条所述第一数据子序列之间对应序列位置的两组第一芯片运行样本数据之间的数据相似度确定;
第四步,针对每一条所述第一数据序列,将该第一数据序列对应的两个子序列集合中的一个子序列集合作为第一子序列集合、另一个作为第二子序列集合,并遍历每一条所述第一数据序列;
第五步,将当前遍历到的所述第一数据序列作为目标第一数据序列,并基于所述目标第一数据序列对应的第一子序列集合和其它的每一条所述第一数据序列对应的第二子序列集合,确定出当前遍历到的所述第一数据序列对应的第一集合组合,以及基于所述目标第一数据序列对应的第二子序列集合和其它的每一条所述第一数据序列对应的第一子序列集合,确定出当前遍历到的所述第一数据序列对应的第二集合组合;
第六步,基于当前遍历到的所述第一数据序列对应的第一集合组合包括的每一组第一芯片运行样本数据,构建得到所述第一数据序列对应的第一候选数据子集合,并基于当前遍历到的所述第一数据序列对应的第二集合组合包括的每一组第一芯片运行样本数据,构建得到所述第一数据序列对应的第二候选数据子集合;
第七步,针对每一条所述第一数据序列,基于对应的每两组第一芯片运行样本数据之间的数据相似度,计算该第一数据序列对应的第一候选数据子集合和第二候选数据子集合之间的集合相似度(如计算数据相似度的平均值),并确定出具有最小值的目标集合相似度;
第八步,将所述目标集合相似度对应的第一候选数据子集合作为第一数据子集合,并将所述目标集合相似度对应的第二候选数据子集合作为第二数据子集合(如此,可以保障划分得到的第一数据子集合和第二数据子集合之间的相似度尽可能的较小,从而避免由于相似度较大使得基于第二数据子集合进行测试时,测试效果不佳的问题)。
可选地,在一种可能的实现方式中,将所述第二数据集合分割为第三数据子集合和第四数据子集合的具体方式,可以参照上述将所述第一数据集合分割为第一数据子集合和第二数据子集合的步骤。
可选地,在一种可能的实现方式中,步骤200包括以下子步骤:
第一步,若所述判断结果为所述目标芯片的运行状态存在异常,则获取用于训练所述运行异常判断模型的多组芯片运行样本数据,并在所述多组芯片运行样本数据中确定出多组第一芯片运行样本数据,其中,每一组第一芯片运行样本数据基于所述目标芯片在正常运行状态时监控得到,且每一组第一芯片运行样本数据包括多条芯片运行样本数据;
第二步,针对每一组第一芯片运行样本数据,计算该组第一芯片运行样本数据包括的多条芯片运行样本数据与所述多条芯片运行数据之间的数据相似度,得到该组第一芯片运行样本数据对应的数据相似度信息;
第三步,基于每一组第一芯片运行样本数据对应的数据相似度信息(各数据相似度信息之间的大小关系),在所述多组第一芯片运行样本数据中确定出至少一组第一芯片运行样本数据;
第四步,针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对所述多条芯片运行数据进行校正,以得到该组第一芯片运行样本数据对应的多条芯片运行校正数据(即每一组第一芯片运行样本数据对应有多条芯片运行校正数据);
第五步,针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,基于所述运行异常判断模型对该组第一芯片运行样本数据对应的多条芯片运行校正数据进行处理,得到对应的异常预测结果;
第六步,确定是否存在对应的异常预测结果为运行状态不存在异常的多条芯片运行校正数据,并在存在对应的异常预测结果为运行状态不存在异常的多条芯片运行校正数据时,基于该多条芯片运行校正数据生成所述目标芯片对应的运行控制信息(如将该多条芯片运行校正数据作为运行控制信息,目标芯片基于该多条芯片运行校正数据对应的运行参数运行)。
可选地,在一种可能的实现方式中,所述针对每一组第一芯片运行样本数据,计算该组第一芯片运行样本数据包括的多条芯片运行样本数据与所述多条芯片运行数据之间的数据相似度,得到该组第一芯片运行样本数据对应的数据相似度信息的步骤,包括以下子步骤:
第一步,针对每一组第一芯片运行样本数据,计算该组第一芯片运行样本数据包括的多条芯片运行样本数据与所述多条芯片运行数据之间对应采集顺序位置的所述芯片运行样本数据与所述芯片运行数据之间的相似度,得到该组第一芯片运行样本数据对应的多个相似度信息;
第二步,针对每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对应的所述多个相似度信息,计算得到该组第一芯片运行样本数据对应的数据相似度,(该数据相似度可以)作为该组第一芯片运行样本数据对应的数据相似度信息。
可选地,在一种可能的实现方式中,所述针对每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对应的所述多个相似度信息,计算得到该组第一芯片运行样本数据对应的数据相似度,作为该组第一芯片运行样本数据对应的数据相似度信息的步骤,包括以下子步骤:
针对每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对应的所述多个相似度信息进行均值计算,以将得到相似度平均值作为该组第一芯片运行样本数据对应的数据相似度,以得到该组第一芯片运行样本数据对应的数据相似度信息。
可选地,在一种可能的实现方式中,所述基于每一组第一芯片运行样本数据对应的数据相似度信息,在所述多组第一芯片运行样本数据中确定出至少一组第一芯片运行样本数据的步骤,包括以下子步骤:
第一步,在得到的多个所述数据相似度信息中,确定出最大的目标数量(预先配置得到)个数据相似度信息,作为目标数据相似度信息;
第二步,在所述多组第一芯片运行样本数据中,确定出所述目标数据相似度信息对应的每一组第一芯片运行样本数据。
可选地,在一种可能的实现方式中,所述针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对所述多条芯片运行数据进行校正,以得到该组第一芯片运行样本数据对应的多条芯片运行校正数据的步骤,包括以下子步骤:
第一步,针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,计算该组第一芯片运行样本数据包括的多条芯片运行样本数据与所述多条芯片运行数据之间对应采集顺序位置的所述芯片运行样本数据与所述芯片运行数据之间的平均值,以得到该组第一芯片运行样本数据对应的多个芯片运行数据均值;
第二步,针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,将该组第一芯片运行样本数据对应的多个芯片运行数据均值确定为对应的多条芯片运行校正数据。
可选地,在一种可能的实现方式中,所述若所述判断结果为所述目标芯片的运行状态存在异常,则基于所述多条芯片运行数据生成所述目标芯片对应的运行控制信息的步骤,还可以包括以下子步骤:
第一步,在不存在对应的异常预测结果为运行状态不存在异常的多条芯片运行校正数据时,基于每一组第一芯片运行样本数据对应的数据相似度信息,在所述多组第一芯片运行样本数据中重新确定出至少一组新的第一芯片运行样本数据,(如此循环,即至少进行一次)直到基于所述至少一组新的第一芯片运行样本数据重新得到对应的运行状态不存在异常的多条新的芯片运行校正数据;
第二步,基于所述多条新的芯片运行校正数据,生成所述目标芯片对应的运行控制信息。
结合图3,本发明实施例还提供一种基于芯片异常运行的调控系统,可应用于上述芯片运行监控服务器。其中,所述基于芯片异常运行的调控系统可以包括以下模块:
运行异常判断模块,用于基于预先训练得到的运行异常判断模型对目标监控设备监控得到的多条芯片运行数据进行处理,得到目标芯片的运行状态是否存在异常的判断结果,其中,所述运行异常判断模型为神经网络模型,每一条所述芯片运行数据用于表征所述目标芯片在对应的一个时刻或一个时间段内的运行状态参数,所述目标监控设备用于对所述目标芯片的运行状态进行监控以得到所述多条芯片运行数据;
控制信息生成模块,用于若所述判断结果为所述目标芯片的运行状态存在异常,则基于所述多条芯片运行数据生成所述目标芯片对应的运行控制信息;
控制信息发送模块,用于将所述运行控制信息发送给所述目标芯片,其中,所述目标芯片用于基于所述运行控制信息运行以使得对应的运行状态不存在异常。
可选地,在一种可能的实现方式中,所述控制信息生成模块包括:
第一单元,用于若所述判断结果为所述目标芯片的运行状态存在异常,则获取用于训练所述运行异常判断模型的多组芯片运行样本数据,并在所述多组芯片运行样本数据中确定出多组第一芯片运行样本数据,其中,每一组第一芯片运行样本数据基于所述目标芯片在正常运行状态时监控得到,且每一组第一芯片运行样本数据包括多条芯片运行样本数据;
第二单元,用于针对每一组第一芯片运行样本数据,计算该组第一芯片运行样本数据包括的多条芯片运行样本数据与所述多条芯片运行数据之间的数据相似度,得到该组第一芯片运行样本数据对应的数据相似度信息;
第三单元,用于基于每一组第一芯片运行样本数据对应的数据相似度信息,在所述多组第一芯片运行样本数据中确定出至少一组第一芯片运行样本数据;
第四单元,用于针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对所述多条芯片运行数据进行校正,以得到该组第一芯片运行样本数据对应的多条芯片运行校正数据;
第五单元,用于针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,基于所述运行异常判断模型对该组第一芯片运行样本数据对应的多条芯片运行校正数据进行处理,得到异常预测结果;
第六单元,用于确定是否存在对应的异常预测结果为运行状态不存在异常的多条芯片运行校正数据,并在存在对应的异常预测结果为运行状态不存在异常的多条芯片运行校正数据时,基于该多条芯片运行校正数据生成所述目标芯片对应的运行控制信息。
可选地,在一种可能的实现方式中,所述第二单元具体用于:
针对每一组第一芯片运行样本数据,计算该组第一芯片运行样本数据包括的多条芯片运行样本数据与所述多条芯片运行数据之间对应采集顺序位置的所述芯片运行样本数据与所述芯片运行数据之间的相似度,得到该组第一芯片运行样本数据对应的多个相似度信息;针对每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对应的所述多个相似度信息,计算得到该组第一芯片运行样本数据对应的数据相似度,作为该组第一芯片运行样本数据对应的数据相似度信息。
综上所述,本发明提供的一种基于芯片异常运行的调控方法及系统,在基于运行异常判断模型对目标监控设备监控得到的多条芯片运行数据进行处理得到目标芯片的运行状态是否存在异常的判断结果之后,可以在判断结果为目标芯片的运行状态存在异常时基于得到的多条芯片运行数据生成目标芯片对应的运行控制信息,以对目标芯片的运行进行调控,其中,由于运行控制信息的生成参考了当前监控得到的多条芯片运行数据,使得运行控制信息可以与当前目标芯片的应用场景等因素匹配,因而,可以保证调控效果,从而改善现有技术中在芯片异常运行时的调控效果不佳的问题。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于芯片异常运行的调控方法,其特征在于,包括:
基于预先训练得到的运行异常判断模型对目标监控设备监控得到的多条芯片运行数据进行处理,得到目标芯片的运行状态是否存在异常的判断结果,其中,所述运行异常判断模型为神经网络模型,每一条所述芯片运行数据用于表征所述目标芯片在对应的一个时刻或一个时间段内的运行状态参数,所述目标监控设备用于对所述目标芯片的运行状态进行监控以得到所述多条芯片运行数据;
若所述判断结果为所述目标芯片的运行状态存在异常,则基于所述多条芯片运行数据生成所述目标芯片对应的运行控制信息;
将所述运行控制信息发送给所述目标芯片,其中,所述目标芯片用于基于所述运行控制信息运行以使得对应的运行状态不存在异常。
2.如权利要求1所述的基于芯片异常运行的调控方法,其特征在于,所述若所述判断结果为所述目标芯片的运行状态存在异常,则基于所述多条芯片运行数据生成所述目标芯片对应的运行控制信息的步骤,包括:
若所述判断结果为所述目标芯片的运行状态存在异常,则获取用于训练所述运行异常判断模型的多组芯片运行样本数据,并在所述多组芯片运行样本数据中确定出多组第一芯片运行样本数据,其中,每一组第一芯片运行样本数据基于所述目标芯片在正常运行状态时监控得到,且每一组第一芯片运行样本数据包括多条芯片运行样本数据;
针对每一组第一芯片运行样本数据,计算该组第一芯片运行样本数据包括的多条芯片运行样本数据与所述多条芯片运行数据之间的数据相似度,得到该组第一芯片运行样本数据对应的数据相似度信息;
基于每一组第一芯片运行样本数据对应的数据相似度信息,在所述多组第一芯片运行样本数据中确定出至少一组第一芯片运行样本数据;
针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对所述多条芯片运行数据进行校正,以得到该组第一芯片运行样本数据对应的多条芯片运行校正数据;
针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,基于所述运行异常判断模型对该组第一芯片运行样本数据对应的多条芯片运行校正数据进行处理,得到对应的异常预测结果;
确定是否存在对应的异常预测结果为运行状态不存在异常的多条芯片运行校正数据,并在存在对应的异常预测结果为运行状态不存在异常的多条芯片运行校正数据时,基于该多条芯片运行校正数据生成所述目标芯片对应的运行控制信息。
3.如权利要求2所述的基于芯片异常运行的调控方法,其特征在于,所述针对每一组第一芯片运行样本数据,计算该组第一芯片运行样本数据包括的多条芯片运行样本数据与所述多条芯片运行数据之间的数据相似度,得到该组第一芯片运行样本数据对应的数据相似度信息的步骤,包括:
针对每一组第一芯片运行样本数据,计算该组第一芯片运行样本数据包括的多条芯片运行样本数据与所述多条芯片运行数据之间对应采集顺序位置的所述芯片运行样本数据与所述芯片运行数据之间的相似度,得到该组第一芯片运行样本数据对应的多个相似度信息;
针对每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对应的所述多个相似度信息,计算得到该组第一芯片运行样本数据对应的数据相似度,作为该组第一芯片运行样本数据对应的数据相似度信息。
4.如权利要求3所述的基于芯片异常运行的调控方法,其特征在于,所述针对每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对应的所述多个相似度信息,计算得到该组第一芯片运行样本数据对应的数据相似度,作为该组第一芯片运行样本数据对应的数据相似度信息的步骤,包括:
针对每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对应的所述多个相似度信息进行均值计算,以将得到相似度平均值作为该组第一芯片运行样本数据对应的数据相似度,以得到该组第一芯片运行样本数据对应的数据相似度信息。
5.如权利要求2所述的基于芯片异常运行的调控方法,其特征在于,所述基于每一组第一芯片运行样本数据对应的数据相似度信息,在所述多组第一芯片运行样本数据中确定出至少一组第一芯片运行样本数据的步骤,包括:
在得到的多个所述数据相似度信息中,确定出最大的目标数量个数据相似度信息,作为目标数据相似度信息;
在所述多组第一芯片运行样本数据中,确定出所述目标数据相似度信息对应的每一组第一芯片运行样本数据。
6.如权利要求2所述的基于芯片异常运行的调控方法,其特征在于,所述针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对所述多条芯片运行数据进行校正,以得到该组第一芯片运行样本数据对应的多条芯片运行校正数据的步骤,包括:
针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,计算该组第一芯片运行样本数据包括的多条芯片运行样本数据与所述多条芯片运行数据之间对应采集顺序位置的所述芯片运行样本数据与所述芯片运行数据之间的平均值,以得到该组第一芯片运行样本数据对应的多个芯片运行数据均值;
针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,将该组第一芯片运行样本数据对应的多个芯片运行数据均值确定为对应的多条芯片运行校正数据。
7.如权利要求2所述的基于芯片异常运行的调控方法,其特征在于,所述若所述判断结果为所述目标芯片的运行状态存在异常,则基于所述多条芯片运行数据生成所述目标芯片对应的运行控制信息的步骤,还包括:
在不存在对应的异常预测结果为运行状态不存在异常的多条芯片运行校正数据时,基于每一组第一芯片运行样本数据对应的数据相似度信息,在所述多组第一芯片运行样本数据中重新确定出至少一组新的第一芯片运行样本数据,直到基于所述至少一组新的第一芯片运行样本数据重新得到对应的运行状态不存在异常的多条新的芯片运行校正数据;
基于所述多条新的芯片运行校正数据,生成所述目标芯片对应的运行控制信息。
8.一种基于芯片异常运行的调控系统,其特征在于,包括:
运行异常判断模块,用于基于预先训练得到的运行异常判断模型对目标监控设备监控得到的多条芯片运行数据进行处理,得到目标芯片的运行状态是否存在异常的判断结果,其中,所述运行异常判断模型为神经网络模型,每一条所述芯片运行数据用于表征所述目标芯片在对应的一个时刻或一个时间段内的运行状态参数,所述目标监控设备用于对所述目标芯片的运行状态进行监控以得到所述多条芯片运行数据;
控制信息生成模块,用于若所述判断结果为所述目标芯片的运行状态存在异常,则基于所述多条芯片运行数据生成所述目标芯片对应的运行控制信息;
控制信息发送模块,用于将所述运行控制信息发送给所述目标芯片,其中,所述目标芯片用于基于所述运行控制信息运行以使得对应的运行状态不存在异常。
9.如权利要求8所述的基于芯片异常运行的调控系统,其特征在于,所述控制信息生成模块包括:
第一单元,用于若所述判断结果为所述目标芯片的运行状态存在异常,则获取用于训练所述运行异常判断模型的多组芯片运行样本数据,并在所述多组芯片运行样本数据中确定出多组第一芯片运行样本数据,其中,每一组第一芯片运行样本数据基于所述目标芯片在正常运行状态时监控得到,且每一组第一芯片运行样本数据包括多条芯片运行样本数据;
第二单元,用于针对每一组第一芯片运行样本数据,计算该组第一芯片运行样本数据包括的多条芯片运行样本数据与所述多条芯片运行数据之间的数据相似度,得到该组第一芯片运行样本数据对应的数据相似度信息;
第三单元,用于基于每一组第一芯片运行样本数据对应的数据相似度信息,在所述多组第一芯片运行样本数据中确定出至少一组第一芯片运行样本数据;
第四单元,用于针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对所述多条芯片运行数据进行校正,以得到该组第一芯片运行样本数据对应的多条芯片运行校正数据;
第五单元,用于针对所述至少一组第一芯片运行样本数据中的每一组第一芯片运行样本数据,基于所述运行异常判断模型对该组第一芯片运行样本数据对应的多条芯片运行校正数据进行处理,得到异常预测结果;
第六单元,用于确定是否存在对应的异常预测结果为运行状态不存在异常的多条芯片运行校正数据,并在存在对应的异常预测结果为运行状态不存在异常的多条芯片运行校正数据时,基于该多条芯片运行校正数据生成所述目标芯片对应的运行控制信息。
10.如权利要求9所述的基于芯片异常运行的调控系统,其特征在于,所述第二单元具体用于:
针对每一组第一芯片运行样本数据,计算该组第一芯片运行样本数据包括的多条芯片运行样本数据与所述多条芯片运行数据之间对应采集顺序位置的所述芯片运行样本数据与所述芯片运行数据之间的相似度,得到该组第一芯片运行样本数据对应的多个相似度信息;
针对每一组第一芯片运行样本数据,基于该组第一芯片运行样本数据对应的所述多个相似度信息,计算得到该组第一芯片运行样本数据对应的数据相似度,作为该组第一芯片运行样本数据对应的数据相似度信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110988811.7A CN113656256A (zh) | 2021-08-26 | 2021-08-26 | 一种基于芯片异常运行的调控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110988811.7A CN113656256A (zh) | 2021-08-26 | 2021-08-26 | 一种基于芯片异常运行的调控方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113656256A true CN113656256A (zh) | 2021-11-16 |
Family
ID=78492980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110988811.7A Withdrawn CN113656256A (zh) | 2021-08-26 | 2021-08-26 | 一种基于芯片异常运行的调控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113656256A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117149551A (zh) * | 2023-10-30 | 2023-12-01 | 鹰驾科技(深圳)有限公司 | 一种车载无线通信芯片的测试方法 |
-
2021
- 2021-08-26 CN CN202110988811.7A patent/CN113656256A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117149551A (zh) * | 2023-10-30 | 2023-12-01 | 鹰驾科技(深圳)有限公司 | 一种车载无线通信芯片的测试方法 |
CN117149551B (zh) * | 2023-10-30 | 2024-02-09 | 鹰驾科技(深圳)有限公司 | 一种车载无线通信芯片的测试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113656255A (zh) | 一种基于芯片运行数据的运行异常判断方法 | |
US11570070B2 (en) | Network device classification apparatus and process | |
CN112800116B (zh) | 一种业务数据的异常检测方法及装置 | |
CN108829715B (zh) | 用于检测异常数据的方法、设备和计算机可读存储介质 | |
CN112529204A (zh) | 模型训练方法、装置及系统 | |
CN108460397B (zh) | 设备故障类型的分析方法、装置、储存介质和电子设备 | |
CN111489517B (zh) | 螺丝锁附异常警报方法、装置、计算机装置及存储介质 | |
WO2007120965A2 (en) | High-efficiency time-series archival system for telemetry signals | |
US20190156226A1 (en) | Equipment maintenance prediction system and operation method thereof | |
US11157380B2 (en) | Device temperature impact management using machine learning techniques | |
US10282458B2 (en) | Event notification system with cluster classification | |
US11593299B2 (en) | Data analysis device, data analysis method and data analysis program | |
CN110611531B (zh) | 一种光模块故障诊断和预警的方法、装置以及系统 | |
CN110705598A (zh) | 智能模型管理方法、装置、计算机设备及存储介质 | |
CN114240243A (zh) | 一种基于动态系统辨识的精馏塔产品质量预测方法及装置 | |
CN113656256A (zh) | 一种基于芯片异常运行的调控方法及系统 | |
CN114140712A (zh) | 一种自动图像识别分发系统及方法 | |
Gajic et al. | An improved anomaly detection in mobile networks by using incremental time-aware clustering | |
CN113672469A (zh) | 一种基于芯片异常运行的关联芯片运行控制方法及系统 | |
EP3796599A1 (en) | Evaluation device and evaluation method | |
CN113612645A (zh) | 一种物联网数据处理方法及系统 | |
CN116049658B (zh) | 一种风电机组异常数据识别方法、系统、设备及介质 | |
CN116566766A (zh) | 一种智慧电力网关管控方法及系统 | |
US11188064B1 (en) | Process flow abnormality detection system and method | |
CN114418460B (zh) | 应用于bim的施工流程信息分析方法及建设管理系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211116 |