CN114168216B - 一种参数调优方法、设备及存储介质 - Google Patents
一种参数调优方法、设备及存储介质 Download PDFInfo
- Publication number
- CN114168216B CN114168216B CN202111404891.3A CN202111404891A CN114168216B CN 114168216 B CN114168216 B CN 114168216B CN 202111404891 A CN202111404891 A CN 202111404891A CN 114168216 B CN114168216 B CN 114168216B
- Authority
- CN
- China
- Prior art keywords
- tuning
- parameters
- tuning effect
- parameter
- test
- 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 99
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000000694 effects Effects 0.000 claims abstract description 209
- 238000012360 testing method Methods 0.000 claims abstract description 163
- 230000008569 process Effects 0.000 claims abstract description 64
- 238000004088 simulation Methods 0.000 claims abstract description 62
- 238000004458 analytical method Methods 0.000 claims description 36
- 238000010801 machine learning Methods 0.000 claims description 36
- 230000035945 sensitivity Effects 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000013139 quantization Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010998 test method Methods 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
- G06F9/445—Program loading or initiating
- G06F9/44568—Immediately runnable code
- G06F9/44578—Preparing or optimising for loading
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/217—Database tuning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/37—Compiler construction; Parser generation
-
- 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
- G06F9/4406—Loading of operating system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种参数调优方法、设备及存储介质。在本申请实施例中,可对待调优的目标参数组进行模拟调优测试,以获得调优效果测试值;根据所述目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值,确定所述多个参数各自与调优效果之间的非线性相关度;根据所述非线性相关度,从所述目标参数组中选择敏感参数;按照所述敏感参数,对所述待调优对象进行参数调优。据此,本申请实施例中,提出在参数调优过程中量化参数与调优效果之间的非线性关系,来更好地体现参数与调优效果之间的复杂关系,从而更加准确地筛选出敏感参数,并基于敏感参数缩小调优的搜索空间,进而可有效提升调优效率。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种参数调优方法、设备及存储介质。
背景技术
操作系统内核,编译器,以及数据库等领域中均存在针对参数的调优需求,较为有效的参数设置可以优化服务运行性能,提升整体服务质量。
当前主流的调优算法是基于贝叶斯理论的。根据实时反馈的调优效果,在预置的参数空间中进行动态搜索。但是,上述领域涉及的参数数量较多,可能高达成百上千维,应用贝叶斯算法时所需的搜索周期将非常长,这不仅导致调优效率低,还可能影响调优效果。
发明内容
本申请的多个方面提供一种参数调优方法及设备,用以提升参数调优效率。
本申请实施例提供一种参数调优方法,包括:
获取待调优的目标参数组,所述目标参数组中包含多个参数;
对所述目标参数组进行模拟调优测试,以获得调优效果测试值;
根据所述目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值,确定所述多个参数各自与调优效果之间的非线性相关度;
根据所述非线性相关度,从所述目标参数组中选择敏感参数;
按照所述敏感参数,对所述待调优对象进行参数调优。
本申请实施例还提供一种计算设备,包括存储器和处理器;
所述存储器用于存储一条或多条计算机指令;
所述处理器与所述存储器耦合,用于执行所述一条或多条计算机指令,以用于:
获取待调优的目标参数组,所述目标参数组中包含多个参数;
对所述目标参数组进行模拟调优测试,以获得调优效果测试值;
根据所述目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值,确定所述多个参数各自与调优效果之间的非线性相关度;
根据所述非线性相关度,从所述目标参数组中选择敏感参数;
按照所述敏感参数,对所述待调优对象进行参数调优。
本申请实施例还提供一种存储计算机指令的计算机可读存储介质,当所述计算机指令被一个或多个处理器执行时,致使所述一个或多个处理器执行前述的参数调优方法。
在本申请实施例中,可对待调优的目标参数组进行模拟调优测试,以获得调优效果测试值;根据所述目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值,确定所述多个参数各自与调优效果之间的非线性相关度;根据所述非线性相关度,从所述目标参数组中选择敏感参数;按照所述敏感参数,对所述待调优对象进行参数调优。据此,本申请实施例中,提出在参数调优过程中量化参数与调优效果之间的非线性关系,来更好地体现参数与调优效果之间的复杂关系,从而更加准确地筛选出敏感参数,并基于敏感参数缩小调优的搜索空间,进而可有效提升调优效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请一示例性实施例提供的一种参数调优方法的流程示意图;
图2为本申请一示例性实施例提供的参数调优装置的结构示意图;
图3为本申请一示例性实施例提供的一种非线性分析器的结构示意图;
图4为本申请又一示例性实施例提供的一种计算设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
目前,主流的调优算法是基于贝叶斯理论的,但在参数数量较多的情况下,应用贝叶斯算法时所需的搜索周期将非常长,这不仅导致调优效率低,还可能影响调优效果。为此,本申请的一些实施例中:可对待调优的目标参数组进行模拟调优测试,以获得调优效果测试值;根据所述目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值,确定所述多个参数各自与调优效果之间的非线性相关度;根据所述非线性相关度,从所述目标参数组中选择敏感参数;按照所述敏感参数,对所述待调优对象进行参数调优。据此,本申请实施例中,提出在参数调优过程中量化参数与调优效果之间的非线性关系,来更好地体现参数与调优效果之间的复杂关系,从而更加准确地筛选出敏感参数,并基于敏感参数缩小调优的搜索空间,进而可有效提升调优效率。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本申请一示例性实施例提供的一种参数调优方法的流程示意图,该方法可由参数调优装置执行,该参数调优装置可实现为软件和/或硬件的结合,该参数调优装置可集成在计算设备中。参考图1,该方法包括:
步骤100、获取待调优的目标参数组,目标参数组中包含多个参数;
步骤101、对目标参数组进行模拟调优测试,以获得调优效果测试值;
步骤102、根据目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值,确定多个参数各自与调优效果之间的非线性相关度;
步骤103、根据非线性相关度,从目标参数组中选择敏感参数;
步骤104、按照敏感参数,进行参数调优。
本实施例提供的参数调优方法可应用于各种存在参数调优需求的场景中。例如,操作系统内核调优、编译器调优、数据库调优等场景,本实施例对应用场景不做具体限定。在不同的应用场景中,待调优的目标参数组可能存在差别,本实施例中,可根据实际需求确定目标参数组。本实施例中,对目标参数组中的参数数量、类型等均不作限定。例如,关注网络性能的情况下,可将与网络性能相关的内核参数圈定在目标参数组中。这样,本实施例中,目标参数组中可包含一个或多个参数,对于目标参数组仅包含一个参数的情况,可直接对该参数进行调优,而本实施例重点关注目标参数组中包含多个参数的情况,改善这种情况下的参数调优效率。
在步骤101中,可对目标参数组进行模拟调优测试,以获得调优效果测试值。其中,本实施例中的调优效果可以包含一种或多种维度,还是以上述的关注网络性能的情况为例,该示例中,调优效果可包括吞吐量、延时等多种维度。对此,本实施例中,可对目标参数组进行多次模拟调优测试,每次模拟调优测试可产生各维度的调优效果测试值。在一种可选的实现方案中:可采用基准测试benchmark技术,对目标参数组进行模拟调优测试,以获得调优效果测试值。在该示例性方案中,可,在单次模拟调优测试过程中,可调整目标参数组中的参数取值,并按照这些参数取值利用benchemark技术模拟真实场景的调优效果,从而产生一种或多种维度下的调优效果测试值。图2为本申请一示例性实施例提供的参数调优装置的结构示意图,参考图2,参数调优装置包含输入模块10,输入模块10可用于执行步骤101的操作,并将处理结果提供给关系识别模块20。
通过模拟调优测试过程,针对单个维度的调优效果,可获得数据集【(x1,y1),(x2,y2)…(xi,yi)…(xn,yn)】,其中,n表示模拟调优测试次数,xi表示第i次模拟调优测试过程中目标参数组中的参数取值,yi表示在第i次模拟调优测试过程中获得的调优效果测试值。在调优效果包含多个维度的情况下,其它维度的调优效果下也可获得相应的数据集。值得说明的是,上述数据集仅是用来示意目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值的状态,并不限定这些数据的记录形式。可选地,上述数据集可采用矩阵形式进行记录,以目标参数集中包含100个参数为例,10次模拟调优测试过程中的参数取值可记录在100*10维的矩阵中,该矩阵中每一行用于记录单次模拟调优测试过程中的100个参数取值;而10个调优效果测试值可记录在1*10维的矩阵中,该矩阵中每一行用于记录单次模拟调优测试过程中的调优效果测试值。当然,这仅是示例性的,本实施例并不限于此。另外,本实施例中,在条件允许的情况下,上述数据集中的数据量越多,后续步骤中的处理精度将越高。
在此基础上,步骤102中,以目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值作为分析依据,来确定多个参数各自与调优效果之间的非线性相关度。具体来说,在调优效果包括多个维度的情况下,步骤102中,可分别确定多个参数各自与某一维度的调优效果之间的非线性相关度,例如,可确定多个参数各自与网络吞吐量之间的非线性相关度,还可确定多个参数各自与网络延迟之间的非线性相关度。其中,本实施例中,非线性相关度可用于表征参数与调优效果之间的非线性关系。关于非线性相关度的产生方案将在后文中进行详述。
参数与调优效果之间存在非常复杂的影响关系,本实施例中,提出对参数与调优效果之间的非线性关系进行量化分析,而基于非线性相关度可更加准确、更加完善地表征参数与调优效果之间的影响关系。参考图2,参数调优装置中的关系识别模块20,可用于执行步骤102中的操作,其中,关系识别模块20中可包含非线性分析器21,据此,可由关系识别模块20中的非线性分析器21来执行步骤102的相关操作。
基于此,在步骤103中,可根据非线性相关度,从目标参数组中选择敏感参数。其中,基于非线性相关度可更加准确地表征目标参数组中多个参数各自与调优效果之间的影响关系,因此,可更加准确地发现调优效果对于多个参数的调优动作的敏感程度,从而可在目标参数组中选出调优效果对应的敏感参数。本实施例中,敏感参数是指其上发生调优操作时对调优效果的影响较为敏感的参数。可以理解的是,敏感参数通常是目标参数组中的部分参数,因此,步骤103中,可将调优的搜索空间缩小至仅包含敏感参数,这远小于原本的目标参数组,因此,可实现对调优的搜索空间的优化。而由于引入了非线性相关度参与表征参数与调优效果之间的影响关系,所以可非常准确地选择出敏感参数,这可有效保证调优效果。参考图2,参数调优装置中的输出模块30,可用于执行步骤103中的步骤。
当然,本实施例中,并不是限定仅依赖非线性相关度来表征参数与调优效果之间的影响关系,而是通过非线性相关度来加持对参数与调优效果之间的影响关系的表征效果。本实施例中,除了非线性相关度之外,还可获取目标参数组中多个参数各自与调优效果之间的互信息值和/或线性相关度来协同表征多个参数各自与调优效果之间的影响关系。
对此,在步骤103中,还可获取多个参数各自与调优效果之间的线性相关度和/或互信息值;根据线性相关度和/或互信息值对非线性相关度进行校正,以获得多个参数各自对应的敏感指数;按照敏感指数,从目标参数组中选择敏感参数。其中,互信息中可用于表征多个参数各自与调优效果之间的互信息,互信息可体现参数与调优效果之间是否存在关系以及关系的强弱等信息。而线性相关度则可用于表征多个参数各自与调优效果之间的线性关系。关于互信息值和线性相关度的产生方案将在后文中进行详述。这样,本实施例中,通过互信息值、线性相关度对非线性相关度的校正,可更加准确地表征参数与调优效果之间的影响关系,进而保证敏感系数识别的准确性和稳定性。参考图2,参数调优装置中关系识别模块20还可包含互信息分析器22、线性分析器23和融合器24,其中,互信息分析器22可用于获取多个参数各自与调优效果之间的互信息值,线性分析器可用于获取多个参数各自与调优效果之间的线性相关度,而融合器24则可用于根据线性相关度和/或互信息值对非线性相关度进行校正,以获得多个参数各自对应的敏感指数。
在确定出敏感参数后,本实施例中,可按照敏感参数,进行参数调优。也即使,可只针对敏感参数进行调优操作,而不再对目标参数组中的其它参数进行调优操作,这可大大减少调优的搜索空间,从而有效提高参数调优效率。参考图2,参数调优装置还可包含调优模块40,用于按照敏感参数,进行参数调优。
本实施例中,可按照敏感参数,实现参数自调优,一种示例性的自调优方案可以是:在给定的参数取值空间中,根据一定的算法,根据实时反馈自动在参数取值空间中搜索求解合适的参数取值。这样,本实施例中可实现智能化、自动化的参数调优。本实施例对参数调优的具体调优逻辑不做限定。
据此,本实施例中,可对待调优的目标参数组进行模拟调优测试,以获得调优效果测试值;根据所述目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值,确定所述多个参数各自与调优效果之间的非线性相关度;根据所述非线性相关度,从所述目标参数组中选择敏感参数;按照所述敏感参数,对所述待调优对象进行参数调优。据此,本申请实施例中,提出在参数调优过程中量化参数与调优效果之间的非线性关系,来更好地体现参数与调优效果之间的复杂关系,从而更加准确地筛选出敏感参数,并基于敏感参数缩小调优的搜索空间,进而可有效提升调优效率。
在上述或下述实施例中,可采用多种实现方式来产生目标参数组中多个参数各自与调优效果之间的非线性相关度。
在一种可选的实现方式中,可将目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值提供给机器学习模型,以供机器学习模型捕捉目标参数组中多个参数各自与调优效果之间的非线性关系;利用模型解释器对机器学习模型捕捉到的非线性关系进行量化,以产生多个参数各自与调优效果之间的非线性相关度。其中,机器学习模型可采用非线性机器学习模型,包括但不限于多项式模型、支持向量机模型、决策树模型、各种神经网络模型等,实际应用中,可按需选择使用。
在该实现方式中,可将将目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值作为训练样本,训练该机器学习模型,从而使得机器学习模型捕捉目标参数组中多个参数各自与调优效果之间的非线性关系。其中,非线性机器学习模型的复杂度较大,因此,在该实现方式中提出,可将该机器学习模型作为黑盒处理,并采用可解释人工智能技术对该机器学习模型进行解释,从而实现对该机器学习模型捕捉到的非线性关系进行量化。
图3为本申请一示例性实施例提供的一种非线性分析器的结构示意图,参考图3,非线性分析器21中可包含非线性机器学习模型210和模型解释器211。其中,非线性机器学习模型可学习参数与调优效果之间的非线性关系,为此,可将前文中提及的数据集【(x1,y1),(x2,y2)…(xi,yi)…(xn,yn)】作为训练样本输入给非线性机器学习模型210,以供其学习X(作为模型输入数据)和Y(作为模型预测结果)之间的非线性关系。而对于模型解释器211来说,则可通过统计学或博弈论的方法估计非线性机器学习模型210对于输入数据和预测结果之间相关性的识别程度,从而实现对对非线性机器学习模型210捕捉到的非线性关系进行量化。
在该实现方式中,量化过程可以是:可利用机器学习模型,按照捕捉到的非线性关系构造更多模拟调优测试过程中的参数取值和对应的调优效果测试值;将对目标参数组进行模拟调优测试操作产生的和机器学习模型构建的参数取值和对应的调优效果测试值提供给模型解释器;利用模型解释器生成多个参数各自与调优效果之间的非线性相关度。参考图2,非线性机器学习模型210可按照捕捉到的非线性关系构造出更多的模拟调优测试过程中的参数取值和对应的调优效果测试值,从而增强前述步骤101中的模拟调优测试操作产生的数据集。例如,可将该数据集中的n从100增强至1000。这样,在足够数据的支持下,模型解释器211可通过统计学或博弈论的方法量化目标参数组中多个参数各自与调优效果之间的非线性关系。
在一种示例性方案中:在模型解释器中,采用沙普利Shapley算法,根据参数取值和对应的调优效果测试值分析多个参数各自对调优效果的贡献度;基于多个参数各自对调优效果的贡献度,确定多个参数各自与调优效果之间的非线性相关度。其中,沙普利算法可解释机器学习模型中不同输入数据对预测结果的贡献度,在该示例性方案中,可将多个参数各自对调优效果的贡献度的绝对值进行归一化,以获得多个参数各自与调优效果之间的非线性相关度。举例来说,若模拟调优测试操作产生的数据集中的n从100被增强至1000,则相当于向模型解释器提供了1000次模拟调优测试过程中的(参数取值,调优效果测试值),则模型解释器可针对每一次模拟调优测试过程中的(参数取值,调优效果测试值)输出多个参数各自对应的贡献度,例如,目标参数组中包含200个参数,则针对一次模拟调优测试过程,模型解释器可输出200个贡献度。经过1000次量化后,每个参数将获得针对调优效果的1000个贡献度,这里可将参数A的1000个贡献度进行求均值、求中值等方式产生出一个最终的贡献度,作为参数A对调优效果的贡献度,同样,可获得其它199个参数对调优效果的贡献度。之后可将200个参数各自对调优效果的贡献度进行归一化,以产生200个参数各自与调优效果之间的非线性相关度。
应当理解的是,本实施例中还可采用其它实现方式来产生目标参数组中多个参数各自与调优效果之间的非线性相关度,本实施例并不限于此,例如,可在步骤101中进行足够多次数的模拟调优测试,以产生足量的数据集,并在足量数据集的基础上应用可统计学或博弈论等,来量化出目标参数组中多个参数各自与调优效果之间的非线性相关度。
本实施例中,可采用多种实现方式产生目标参数组中多个参数各自与调优效果之间的互信息值。
在一种可选的实现方式中,可对目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值进行互信息分析,以产生多个参数各自与调优效果之间的互信息值。在该实现方式中,图2中的互信息分析器22可构建一个互信息分析模型,该互信息分析模型可采用机器学习模型,并可主要基于互信息(Mutual Information)原理捕捉前述模拟调优测试过程产生的数据集中xi和yi的相关程度,作为互信息值。此原理假设目标参数组中的多个参数相互独立,因此只关注单个参数和调优效果之间的统计相关性。因此,通过互信息分析可以捕捉包括线性和非线性相关性,能够比较全面的捕捉到目标参数组中多个参数各自与调优效果之间的相关性。在此基础上,可将多个参数各自与调优参数之间的互信息分析结果的绝对值经过归一化到0-1区间后,作为多个参数各自与调优参数之间的互信息值。
在调优效果包含多种维度的情况下,以其中的目标调优效果为例,可从模拟调优测试过程中产生的调优效果测试值中选择目标调优效果对应的至少一个调优效果测试值以及所处至少一个目标模拟调优测试过程中的参数取值;对至少一个目标模拟测试过程中的参数取值和对应的调优效果测试值进行互信息分析,以产生多个参数与目标调优效果之间的互信息值;其中,目标调优效果为调优效果中的任意一种。举例来说,若针对网络吞吐量的模拟调优测试次数为100,则可获取该100次模拟调优测试过程中的(参数取值,调优效果测试值),并将100组(参数取值,调优效果测试值)提供给图2中的互信息分析器,若目标参数组中包含200个参数,互信息分析器可针对每组(参数取值,调优效果测试值)输出200个互信息分析结果,这样,可获得参数A与网络吞吐量之间的100个互信息分析结果,这里可将参数A的100个互信息分析结果进行求均值、求中值等方式产生出一个最终的互信息分析结果,作为参数A与网络吞吐量之间的最终互信息分析结果,同样,可获得目标参数组中其它199个参数与网络吞吐量之间的最终互信息分析结果。之后可将200个参数各自与对网络吞吐量之间的互信息分析结果的绝对值进行归一化,以产生200个参数各自与网络吞吐量之间的互信息值。
应当理解的是,本实施例中还可采用其它实现方式来产生目标参数组中多个参数各自与调优效果之间的互信息值,本实施例并不限于此。
本实施例中,可采用多种实现方式产生目标参数组中多个参数各自与调优效果之间的线性相关度。
在一种可选的实现方式中,可对目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值进行线性分析,以产生多个参数各自与调优效果之间的线性相关度。在该实现方式中,图2中的线性分析器23可构造一个线性回归模型F_L用于根据目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值,学习参数取值与调优效果测试值之间的函数关系,即令模型预测值为F_L(X;W)=sum{i=1,...,n}(w_i*x_i+b_i),其中,i表示第i次模拟调优测试,xi表示第i次模拟调优测试过程中的参数取值,wi表示在第i次模拟调优测试过程中多个参数各自对应的线性系数。通过优化模型预测值和真实得分的最小二乘差可训练模型参数W=\{w_i,w_2,...,w_n\},这些模型参数W的绝对值经过归一化到0-1区间后,可作为基于线性回归识别的线性相关度。
在调优效果包含多种维度的情况下,以其中的目标调优效果为例,可从模拟调优测试过程中产生的调优效果测试值中选择目标调优效果对应的至少一个调优效果测试值以及所处至少一个目标模拟调优测试过程中的参数取值;对至少一个目标模拟测试过程中的参数取值和对应的调优效果测试值进行线性分析,以产生多个参数与目标调优效果之间的线性相关度;其中,目标调优效果为调优效果中的任意一种。举例来说,若针对网络吞吐量的模拟调优测试次数为100,则可获取该100次模拟调优测试过程中的(参数取值,调优效果测试值),并将100组(参数取值,调优效果测试值)提供给图2中的线性分析器,若目标参数组中包含200个参数,线性分析器可针对每组(参数取值,调优效果测试值)输出200个线性分析结果,这样,可获得参数A与网络吞吐量之间的100个线性分析结果,这里可将参数A的100个线性分析结果进行求均值、求中值等方式产生出一个最终的线性分析结果,作为参数A与网络吞吐量之间的最终线性分析结果,同样,可获得目标参数组中其它199个参数与网络吞吐量之间的最终线性分析结果。之后可将200个参数各自与对网络吞吐量之间的线性分析结果的绝对值进行归一化,以产生200个参数各自与网络吞吐量之间的线性相关度。
参考图2,关系识别模块20中的融合器24,可用于将互信息分析器,线性分析器,和非线性分析器输出的分析结果进行聚合。一种示例性的聚合方式可以是:确定线性相关度、互信息值和非线性相关度各自对应的权重;在目标参数下,按照权重,对线性相关度、互信息值和非线性相关度进行加权有何,以获得目标参数对应的敏感系数;其中,目标参数为多个参数中的任意一个。这里,采用线性加权的聚合方式,其中的各个权重可以根据实际需要调整。在参数调优方面,由于互信息分析器和线性分析器的分析结果主要作为基线用于校准非线性分析器的分析结果,即当非线性分析器由于参数之间相关性强,从而忽略一些冗余参数时,如果这些参数和调优效果存在明显的线性或非线性相关性,聚合机制可以提升这些参数的最终敏感系数,从而避免出现不符合直觉的分析结果。由于非线性分析器的分析结果为主要结果,因此可以将互信息值,线性相关度,和非线性相关度按照1:1:2的比例进行加权求和,以获得敏感系数。采用线性加权的方式可以使得最终得到的敏感系数对比较极端的分析结果更鲁棒,较不容易被极值影响。
当然,上述的聚合方式仅是示例性的,本实施并不限于此。
综上,本实施例中,可聚合多种不同机器学习算法来量化目标参数组中多个参数各自与调优效果之间复杂的影响关系,提供筛选敏感参数的机制,优化调优的搜索空间,整体提升调优效率。其中,非线性机器学习模型可负责捕捉多个参数各自和调优效果之间复杂的非线性关系,进而通过可解释算法提取量化此非线性关系。同时利用互信息分析模块和线性回归模型捕捉多个参数和调优效果之间较为明显的互信息及线性关系,并基于此对非线性关系的量化结果进行调整,保障敏感参数整体识别的稳定性。
需要说明的是,上述实施例所提供方法的各步骤的执行主体均可以是同一设备,或者,该方法也由不同设备作为执行主体。比如,步骤101至步骤103的执行主体可以为设备A;又比如,步骤101和102的执行主体可以为设备A,步骤103的执行主体可以为设备B;等等。
另外,在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。
图4为本申请又一示例性实施例提供的一种计算设备的结构示意图。如图4所示,该计算设备包括:存储器44和处理器41。
处理器41,与存储器44耦合,用于执行存储器44中的计算机程序,以用于:
获取待调优的目标参数组,目标参数组中包含多个参数;
对目标参数组进行模拟调优测试,以获得调优效果测试值;
根据目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值,确定多个参数各自与调优效果之间的非线性相关度;
根据非线性相关度,从目标参数组中选择敏感参数;
按照敏感参数,对待调优对象进行参数调优。
在一可选实施例中,处理器41在根据目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值,确定多个参数各自与调优效果之间的非线性相关度时,用于:
将目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值提供给机器学习模型,以供机器学习模型捕捉目标参数组中多个参数各自与调优效果之间的非线性关系;
利用模型解释器对机器学习模型捕捉到的非线性关系进行量化,以产生多个参数各自与调优效果之间的非线性相关度。
在一可选实施例中,处理器41在利用模型解释器对机器学习模型捕捉到的非线性关系进行量化,以产生多个参数各自与调优效果之间的非线性相关度时,用于:
利用机器学习模型,按照捕捉到的非线性关系构造更多模拟调优测试过程中的参数取值和对应的调优效果测试值;
将对目标参数组进行模拟调优测试操作产生的和机器学习模型构建的参数取值和对应的调优效果测试值提供给模型解释器;
利用模型解释器生成多个参数各自与调优效果之间的非线性相关度。
在一可选实施例中,处理器41在利用模型解释器生成多个参数各自与调优效果之间的非线性相关度时,用于:
在模型解释器中,采用沙普利Shapley算法,根据参数取值和对应的调优效果测试值分析多个参数各自对调优效果的贡献度;
基于多个参数各自对调优效果的贡献度,确定多个参数各自与调优效果之间的非线性相关度。
在一可选实施例中,处理器41在根据非线性相关度,从目标参数组中选择敏感参数时,用于:
获取多个参数各自与调优效果之间的线性相关度和/或互信息值;
根据线性相关度和/或互信息值对非线性相关度进行校正,以获得多个参数各自对应的敏感指数;
按照敏感指数,从目标参数组中选择敏感参数。
在一可选实施例中,处理器41在获取多个参数各自与调优效果之间的线性相关度时,用于:对目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值进行线性分析,以产生多个参数各自与调优效果之间的线性相关度;
处理器41在获取多个参数各自与调优效果之间的互信息值时,用于:对目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值进行互信息分析,以产生多个参数各自与调优效果之间的互信息值。
在一可选实施例中,处理器41在对目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值进行互信息分析,以产生多个参数各自与调优效果之间的互信息值时,用于:
针对目标调优效果,从模拟调优测试过程中产生的调优效果测试值中选择目标调优效果对应的至少一个调优效果测试值以及所处至少一个目标模拟调优测试过程中的参数取值;
对至少一个目标模拟测试过程中的参数取值和对应的调优效果测试值进行互信息分析,以产生多个参数与目标调优效果之间的互信息值;
其中,目标调优效果为调优效果中的任意一种。
在一可选实施例中,处理器41在根据线性相关度和互信息值对非线性相关度进行校正,以获得多个参数各自对应的敏感指数时,用于:
确定线性相关度、互信息值和非线性相关度各自对应的权重;
在目标参数下,按照权重,对线性相关度、互信息值和非线性相关度进行加权有何,以获得目标参数对应的敏感系数;
其中,目标参数为多个参数中的任意一个。
在一可选实施例中,处理器41在对目标参数组进行模拟调优测试,以获得调优效果测试值时,用于:
采用基准测试benchmark技术,对目标参数组进行模拟调优测试,以获得调优效果测试值。
进一步,如图4所示,该计算设备还包括:通信组件42、电源组件43等其它组件。图4中仅示意性给出部分组件,并不意味着计算设备只包括图4所示组件。
值得说明的是,上述关于计算设备各实施例中的技术细节,可参考前述的方法实施例中的相关描述,为节省篇幅,在此不再赘述,但这不应造成本申请保护范围的损失。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被执行时能够实现上述方法实施例中可由计算设备执行的各步骤。
上述图4中的存储器,用于存储计算机程序,并可被配置为存储其它各种数据以支持在计算平台上的操作。这些数据的示例包括用于在计算平台上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器可以由任何类型的易失性或非易失性存储设备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。
上述图4中的通信组件,被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络,如WiFi,2G、3G、4G/LTE、5G等移动通信网络,或它们的组合。在一个示例性实施例中,通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
上述图4中的电源组件,为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统,一个或多个电源,及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种参数调优方法,包括:
获取待调优的目标参数组,所述目标参数组中包含多个参数;
对所述目标参数组进行模拟调优测试,以获得调优效果测试值;
将所述目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值提供给机器学习模型;
利用模型解释器对所述机器学习模型捕捉到的所述目标参数组中多个参数各自与调优效果之间的非线性关系进行量化,以确定所述多个参数各自与调优效果之间的非线性相关度;
根据所述非线性相关度,从所述目标参数组中选择敏感参数;
按照所述敏感参数,对待调优对象进行参数调优。
2.根据权利要求1所述的方法,所述利用模型解释器对所述机器学习模型捕捉到的所述非线性关系进行量化,以产生所述多个参数各自与调优效果之间的非线性相关度,包括:
利用所述机器学习模型,按照捕捉到的所述非线性关系构造更多模拟调优测试过程中的参数取值和对应的调优效果测试值;
将所述对所述目标参数组进行模拟调优测试操作产生的和所述机器学习模型构建的参数取值和对应的调优效果测试值提供给所述模型解释器;
利用所述模型解释器生成所述多个参数各自与调优效果之间的非线性相关度。
3.根据权利要求2所述的方法,所述利用所述模型解释器生成所述多个参数各自与调优效果之间的非线性相关度,包括:
在所述模型解释器中,采用沙普利Shapley算法,根据所述参数取值和对应的调优效果测试值分析所述多个参数各自对调优效果的贡献度;
基于所述所述多个参数各自对调优效果的贡献度,确定所述多个参数各自与调优效果之间的非线性相关度。
4.根据权利要求1所述的方法,所述根据所述非线性相关度,从所述目标参数组中选择敏感参数,包括:
获取所述多个参数各自与调优效果之间的线性相关度和/或互信息值;
根据所述线性相关度和/或互信息值对所述非线性相关度进行校正,以获得所述多个参数各自对应的敏感指数;
按照所述敏感指数,从所述目标参数组中选择敏感参数。
5.根据权利要求4所述的方法,所述获取所述多个参数各自与调优效果之间的线性相关度,包括:对所述目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值进行线性分析,以产生所述多个参数各自与调优效果之间的线性相关度;
所述获取所述多个参数各自与调优效果之间的互信息值,包括:对所述目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值进行互信息分析,以产生所述多个参数各自与调优效果之间的互信息值。
6.根据权利要求5所述的方法,所述对所述目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值进行互信息分析,以产生所述多个参数各自与调优效果之间的互信息值,包括:
针对目标调优效果,从模拟调优测试过程中产生的调优效果测试值中选择所述目标调优效果对应的至少一个调优效果测试值以及所处至少一个目标模拟调优测试过程中的参数取值;
对所述至少一个目标模拟测试过程中的参数取值和对应的调优效果测试值进行互信息分析,以产生所述多个参数与所述目标调优效果之间的互信息值;
其中,所述目标调优效果为所述调优效果中的任意一种。
7.根据权利要求4所述的方法,所述根据所述线性相关度和互信息值对所述非线性相关度进行校正,以获得所述多个参数各自对应的敏感指数,包括:
确定所述线性相关度、所述互信息值和所述非线性相关度各自对应的权重;
在目标参数下,按照所述权重,对所述线性相关度、所述互信息值和所述非线性相关度进行加权求和,以获得所述目标参数对应的敏感系数;
其中,所述目标参数为所述多个参数中的任意一个。
8.根据权利要求1所述的方法,所述对所述目标参数组进行模拟调优测试,以获得调优效果测试值,包括:
采用基准测试benchmark技术,对所述目标参数组进行模拟调优测试,以获得调优效果测试值。
9.一种计算设备,包括存储器和处理器;
所述存储器用于存储一条或多条计算机指令;
所述处理器与所述存储器耦合,用于执行所述一条或多条计算机指令,以用于:
获取待调优的目标参数组,所述目标参数组中包含多个参数;
对所述目标参数组进行模拟调优测试,以获得调优效果测试值;
将所述目标参数组在模拟调优测试过程中的参数取值和对应的调优效果测试值提供给机器学习模型;
利用模型解释器对所述机器学习模型捕捉到的所述目标参数组中多个参数各自与调优效果之间的非线性关系进行量化,以确定所述多个参数各自与调优效果之间的非线性相关度;
根据所述非线性相关度,从所述目标参数组中选择敏感参数;
按照所述敏感参数,对待调优对象进行参数调优。
10.一种存储计算机指令的计算机可读存储介质,当所述计算机指令被一个或多个处理器执行时,致使所述一个或多个处理器执行权利要求1-8任一项所述的参数调优方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111404891.3A CN114168216B (zh) | 2021-11-24 | 2021-11-24 | 一种参数调优方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111404891.3A CN114168216B (zh) | 2021-11-24 | 2021-11-24 | 一种参数调优方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114168216A CN114168216A (zh) | 2022-03-11 |
CN114168216B true CN114168216B (zh) | 2024-04-26 |
Family
ID=80480346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111404891.3A Active CN114168216B (zh) | 2021-11-24 | 2021-11-24 | 一种参数调优方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114168216B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1987905A (zh) * | 2006-12-14 | 2007-06-27 | 东华大学 | 一种基于模糊逻辑的神经网络输入参数筛选方法 |
CN108959741A (zh) * | 2018-06-20 | 2018-12-07 | 天津大学 | 一种基于海洋物理生态耦合模型的参数优化方法 |
CN110405343A (zh) * | 2019-08-15 | 2019-11-05 | 山东大学 | 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法 |
CN110825629A (zh) * | 2019-10-31 | 2020-02-21 | 深圳市商汤科技有限公司 | 参数调优方法及相关装置 |
CN111025899A (zh) * | 2019-11-21 | 2020-04-17 | 复旦大学 | 一种非线性动态质量系统预测方法 |
CN111651887A (zh) * | 2020-06-03 | 2020-09-11 | 中国科学院华南植物园 | 一套数值模型参数不确定性分析方法 |
CN111859799A (zh) * | 2020-07-14 | 2020-10-30 | 西安交通大学 | 基于复杂机电系统耦合关系模型评估数据准确性的方法及装置 |
CN112015619A (zh) * | 2020-08-19 | 2020-12-01 | 浙江无极互联科技有限公司 | 通过参数调优筛选系统核心关键指标的方法 |
CN112015620A (zh) * | 2020-08-19 | 2020-12-01 | 浙江无极互联科技有限公司 | 一种自动调优网站服务端系统参数的方法 |
CN112463763A (zh) * | 2020-11-19 | 2021-03-09 | 东北大学 | 基于RF算法的MySQL数据库参数筛选方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI549007B (zh) * | 2013-02-07 | 2016-09-11 | 先知科技股份有限公司 | 製程參數的搜尋與分析方法及其電腦程式產品 |
TWI625682B (zh) * | 2017-12-01 | 2018-06-01 | 財團法人工業技術研究院 | 參數最佳化方法、裝置以及非暫態電腦可讀取媒體 |
CN110162857A (zh) * | 2019-05-14 | 2019-08-23 | 北京工业大学 | 一种面向复杂工业过程难测参数的软测量方法 |
-
2021
- 2021-11-24 CN CN202111404891.3A patent/CN114168216B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1987905A (zh) * | 2006-12-14 | 2007-06-27 | 东华大学 | 一种基于模糊逻辑的神经网络输入参数筛选方法 |
CN108959741A (zh) * | 2018-06-20 | 2018-12-07 | 天津大学 | 一种基于海洋物理生态耦合模型的参数优化方法 |
CN110405343A (zh) * | 2019-08-15 | 2019-11-05 | 山东大学 | 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法 |
CN110825629A (zh) * | 2019-10-31 | 2020-02-21 | 深圳市商汤科技有限公司 | 参数调优方法及相关装置 |
CN111025899A (zh) * | 2019-11-21 | 2020-04-17 | 复旦大学 | 一种非线性动态质量系统预测方法 |
CN111651887A (zh) * | 2020-06-03 | 2020-09-11 | 中国科学院华南植物园 | 一套数值模型参数不确定性分析方法 |
CN111859799A (zh) * | 2020-07-14 | 2020-10-30 | 西安交通大学 | 基于复杂机电系统耦合关系模型评估数据准确性的方法及装置 |
CN112015619A (zh) * | 2020-08-19 | 2020-12-01 | 浙江无极互联科技有限公司 | 通过参数调优筛选系统核心关键指标的方法 |
CN112015620A (zh) * | 2020-08-19 | 2020-12-01 | 浙江无极互联科技有限公司 | 一种自动调优网站服务端系统参数的方法 |
CN112463763A (zh) * | 2020-11-19 | 2021-03-09 | 东北大学 | 基于RF算法的MySQL数据库参数筛选方法 |
Non-Patent Citations (1)
Title |
---|
一种基于敏感性分析的改进参数筛选方法;黄欣;李倩玉;骆亦其;薛巍;;电子技术应用(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114168216A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101967089B1 (ko) | 컨볼루션 신경망 기반의 완전 기준 이미지 품질 평가 | |
Pavlyshenko | Machine learning, linear and bayesian models for logistic regression in failure detection problems | |
CN115757745A (zh) | 基于人工智能的业务场景控制方法、系统及云平台 | |
CN111768247A (zh) | 下单率预测方法、设备及可读存储介质 | |
CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
Sarangpure et al. | Automating the Machine Learning Process using PyCaret and Streamlit | |
CN117435505B (zh) | 一种性能测试脚本可视化生成方法 | |
CN114168216B (zh) | 一种参数调优方法、设备及存储介质 | |
CN115730507A (zh) | 模型引擎的构建、核函数处理方法、设备及存储介质 | |
Bhorkar et al. | DeepAuto: A hierarchical deep learning framework for real-time prediction in cellular networks | |
CN112712181A (zh) | 模型构建优化方法、装置、设备和可读存储介质 | |
CN115687659A (zh) | 基于人工智能的erp信息发布方法及ai系统 | |
CN109086201A (zh) | 软件自动化测试方法及系统 | |
CN115358410A (zh) | 预训练模型的领域增强方法、装置、设备及存储介质 | |
CN114490413A (zh) | 测试数据的准备方法及装置、存储介质和电子设备 | |
CN112906883A (zh) | 用于深度神经网络的混合精度量化策略确定方法和系统 | |
CN110895508B (zh) | 生成遍历测试路径的方法及装置 | |
CN117973904B (zh) | 智能制造的产能分析方法及系统 | |
CN116665020B (zh) | 基于算子融合的图像识别方法、装置、设备及存储介质 | |
CN113656279B (zh) | 基于残差网络和度量注意机制的代码气味检测方法 | |
CN116935102B (zh) | 一种轻量化模型训练方法、装置、设备和介质 | |
CN116527411B (zh) | 数据安全智能防护模型构建方法、装置及协作平台 | |
US20230306377A1 (en) | Offline machine learning for automatic action determination | |
CN117172789A (zh) | 用于可疑交易监测的风险评估模型构建方法及装置 | |
CN118052310A (zh) | 一种时序预测优化方法、设备及存储介质 |
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 |