CN114297008A - 一种云主机性能预测方法、装置、终端及存储介质 - Google Patents
一种云主机性能预测方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN114297008A CN114297008A CN202111556586.6A CN202111556586A CN114297008A CN 114297008 A CN114297008 A CN 114297008A CN 202111556586 A CN202111556586 A CN 202111556586A CN 114297008 A CN114297008 A CN 114297008A
- Authority
- CN
- China
- Prior art keywords
- cloud host
- performance
- performance prediction
- training
- data
- 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- Withdrawn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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 230000004044 response Effects 0.000 claims abstract description 18
- 238000011056 performance test Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000007667 floating Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本发明涉及云主机性能预测领域，具体公开一种云主机性能预测方法、装置、终端及存储介质，对云主机进行性能测试，获得性能数据；将所获得性能数据构建测试集和训练集；基于测试集和训练集，采用神经网络算法进行训练，建立云主机性能预测模型；实时采集云主机性能数据，利用云主机性能预测模型对云主机性能进行预测。本发明使用神经网络算法建立预测模型，对云主机进行性能预测，得到较准确的预测结果，从而对云主机进行准确的把握，及时增大云主机的资源，防止资源耗尽或者响应迟钝，达到智能运维的效果。
Description
技术领域
本发明涉及云主机性能预测领域，具体涉及一种云主机性能预测方法、装置、终端及存储介质。
背景技术
随着云计算在各个行业的快速渗透，传统企业也在不断尝试将原有业务迁移到云平台，如何提供稳定而高效的云主机平台是各云厂商的生产目标。
性能是云主机提供的最重要能力之一，对数据中心的顺畅运维非常关键。云主机时云平台中起着大脑中枢的作用，所以对数据中心的运维人员，一个重大挑战是如何确保云主机性能满足业务系统的需求，避免性能问题。解决这个问题的前提，是对云主机性能需求有明确的了解，并能准确预测未来需求。目前，简单算法无法应对复杂的实际情况，对云主机性能预测不准确。
发明内容
为解决上述问题，本发明提供一种云主机性能预测方法、装置、终端及存储介质，使用神经网络算法建立预测模型，对云主机进行性能预测，得到较准确的预测结果，从而对云主机进行准确的把握，及时增大云主机的资源，防止资源耗尽或者响应迟钝，达到智能运维的效果。
第一方面，本发明的技术方案提供一种云主机性能预测方法，包括以下步骤：
对云主机进行性能测试，获得性能数据；
将所获得性能数据构建测试集和训练集；
基于测试集和训练集，采用神经网络算法进行训练，建立云主机性能预测模型；
实时采集云主机性能数据，利用云主机性能预测模型对云主机性能进行预测。
进一步地，对云主机进行性能测试，获得性能数据，具体包括：
对云主机的CPU进行测试，获得CPU的浮点计算能力值和整型事务计算能力值；
对云主机的内存进行测试，获得内存带宽和可持续运行带宽；
对云主机的网络进行测试，获得物理网络运行带宽和时延，以及虚拟网络运行带宽和时延；
对云主机的磁盘进行测试，获得磁盘的IOPS值。
进一步地，云主机性能预测模型的输出数据为云主机的服务响应时间。
进一步地，采用神经网络算法进行训练时，设置4个隐层节点数。
第二方面，本发明的技术方案提供一种云主机性能预测装置，包括，
测试模块：对云主机进行性能测试，获得性能数据；
数据集构建模块：将所获得性能数据构建测试集和训练集；
模型训练模块：基于测试集和训练集，采用神经网络算法进行训练，建立云主机性能预测模型；
性能预测模块：实时采集云主机性能数据，利用云主机性能预测模型对云主机性能进行预测。
进一步地，测试模块对云主机进行性能测试，获得性能数据，具体包括：
对云主机的CPU进行测试，获得CPU的浮点计算能力值和整型事务计算能力值；
对云主机的内存进行测试，获得内存带宽和可持续运行带宽；
对云主机的网络进行测试，获得物理网络运行带宽和时延，以及虚拟网络运行带宽和时延；
对云主机的磁盘进行测试，获得磁盘的IOPS值。
进一步地，云主机性能预测模型的输出数据为云主机的服务响应时间。
进一步地，采用神经网络算法进行训练时，设置4个隐层节点数。
第三方面，本发明的技术方案提供一种终端，包括：
存储器，用于存储云主机性能预测程序；
处理器，用于执行所述云主机性能预测程序时实现如上述任一项所述云主机性能预测方法的步骤。
第四方面，本发明的技术方案提供一种计算机可读存储介质，所述可读存储介质上存储有云主机性能预测程序，所述云主机性能预测程序被处理器执行时实现如上述任一项所述云主机性能预测方法的步骤。
本发明提供的一种云主机性能预测方法、装置、终端及存储介质，相对于现有技术，具有以下有益效果：使用神经网络算法建立预测模型，对云主机进行性能预测，得到较准确的预测结果，从而对云主机进行准确的把握，及时增大云主机的资源，防止资源耗尽或者响应迟钝，达到智能运维的效果。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案，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的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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附图。
图1是本发明提供的一种云主机性能预测方法流程示意图。
图2是本发明提供的一种云主机性能预测装置结构示意框图。
图3为本发明提供的一种终端的结构示意图。
具体实施方式
以下对本发明涉及的部分术语进行解释。
云主机：是云计算在基础设施应用上的重要组成部分，位于云计算产业链金字塔底层，产品源自云计算平台，云主机是一种类似VPS主机的虚拟化技术，VPS是采用虚拟软件，VZ或VM在一台主机上虚拟出多个类似独立主机的部分，能够实现单机多用户，每个部分都可以做单独的操作系统，管理方法同主机一样。
神经网络：是由人工模拟的神经元结构建立的数学模型。神经网络由大量该模型的节点构成，每个节点代表一个神经元，每个神经元即接收前一层网络对其的输入又产生对其后一层节点的输出，每一条连接的边有权值，网络的输出根据网络的连接方式、权值和所采用的激励函数而不同。
本发明的技术构思是，针对当前简单算法对云主机性能预测不准确的问题，提供一种云主机性能预测方案，首先对云主机进行性能测试，获得性能数据；之后将所获得性能数据构建测试集和训练集；基于测试集和训练集，采用神经网络算法进行训练，建立云主机性能预测模型；实际进行预测时，实时采集云主机性能数据，利用云主机性能预测模型对云主机性能进行预测。本发明使用神经网络算法建立预测模型，对云主机进行性能预测，得到较准确的预测结果，从而对云主机进行准确的把握，及时增大云主机的资源，防止资源耗尽或者响应迟钝，达到智能运维的效果。
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。显然，所描述的实施例仅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。
实施例一
如图1所示为本实施例一提供的一种云主机性能预测方法流程示意图，包括以下步骤。
S101，对云主机进行性能测试，获得性能数据。
S102，将所获得性能数据构建测试集和训练集。
S103，基于测试集和训练集，采用神经网络算法进行训练，建立云主机性能预测模型。
S104，实时采集云主机性能数据，利用云主机性能预测模型对云主机性能进行预测。
本实施例一提供的一种云主机性能预测方法，使用神经网络算法建立预测模型，对云主机进行性能预测，得到较准确的预测结果，从而对云主机进行准确的把握，及时增大云主机的资源，防止资源耗尽或者响应迟钝，达到智能运维的效果。
为进一步对本发明进行解释，以下结合上述步骤，基于本发明原理提供一具体实施例，该具体实施例的基本思想是：利用一系列工具设置不同的参数对云主机进行压测，得到预训练的数据集；对数据集进行归一化处理，并把数据集按照1:10的比例划分测试集与数据集；构建神经网络模型，将数据集输入到模型中进行训练，对模型调优筛选；利用训练好的模型对云主机的响应时间进行预测。
第一阶段，云主机性能数据收集。
云主机的性能数据主要包括CPU、内存、网络和磁盘的性能数据。
通过linpack和sybench测试工具分别对云主机CPU浮点计算能力和整型事务计算能力测试，获得CPU的浮点计算能力值和整型事务计算能力值。
利用stream工具分别对内存进行copy、scale、add、triad操作获取可持续运行带宽，利用sysbench工具对内存进行带宽测试，获得内存带宽。
利用Fio磁盘测试工具对虚拟机的磁盘进行IOPS读写(随机读写)及顺序读写测试，获得磁盘的IOPS(Input/Output Operations Per Second，每秒读写次数)值。
利用Iperf和Netperf工具对物理网络和虚拟网络进行带宽、时延测试，获得物理网络运行带宽和时延，以及虚拟网络运行带宽和时延。
通过对CPU、内存、网络、磁盘的一系列测试得到云主机的测试数据集，作为模型输入的样本数据。
第二阶段，数据划分与数据归一。
对第一阶段获取的数据集进行归一化处理，并把数据集按照1:10的比例划分测试集与数据集。
第三阶段，神经网络模型构建阶段。
神经网络输入输出设置：由于本方法的输入参数有四个：CPU、内存、磁盘以及网络，所以输入层的节点个数与输入参数个数相同，选择为四个。本实施例只需得到一个结果：服务响应时间，所以输出层的节点个数只需设置为一个。
网络隐层数的设置：对于神经网络输入层和输出层是固定的，唯一影响网络层数的因素是隐层的数目，同时隐层的数目在BP神经网络的泛化性能和训练速度上起着主要作用。理论上单隐层的BP神经网络就可以模拟任何非线性的映射。一般来说设置多少个隐层神经元与样本中规律的复杂程度以及样本噪声的大小有紧密的关系。对于波动较大，同时较复杂的非线性函数会需要较多的隐层神经元来提高映射能力。
根据神经网络隐层节点个数的经验公式：
其中m为输入节点的个数，n为输出节点的个数，α超参数为[1,10]的随机整数。通过对模型的反复训练比较得出隐层的节点个数为4的BP神经网络的误差最小，对样本的逼近效果最好。所以设定隐层节点数为4。
第四阶段：神经网络模型训练。
将训练集输入到神经网络中，每个神经元都接收一些输入，并做一些点积计算，输出是服务响应时间。使用Sigmoid激活函数作为网络的输出，降低了模型的训练难度，使模型更容易收敛。同时神经网络的损失函数采用mse均方误差损失函数。Sigmoid激活函数与mse损失函数如下,
、y分别表示预测值与实际值，m为每批次输入的样本数。x为全连接层的输出值。
第五阶段，模型预测阶段。
采集测试的数据，经过数据预处理阶段输入到训练好的模型，预测当前测试数据下云主机服务响应时间。
实施例二
本实施例二提供一种云主机性能预测装置，用于实现前述的云主机性能预测方法。
如图2所示为本实施例二提供的一种云主机性能预测装置结构示意图，包括以下功能模块。
测试模块101：对云主机进行性能测试，获得性能数据。
对云主机的性能测试包括对CPU、内存、网络和磁盘的测试，获得CPU、内存、网络和磁盘的性能数据。
具体包括：对云主机的CPU进行测试，获得CPU的浮点计算能力值和整型事务计算能力值；对云主机的内存进行测试，获得内存带宽和可持续运行带宽；对云主机的网络进行测试，获得物理网络运行带宽和时延，以及虚拟网络运行带宽和时延；对云主机的磁盘进行测试，获得磁盘的IOPS值。
数据集构建模块102：将所获得性能数据构建测试集和训练集。
将数据集按照1:10的比例构建测试集和训练集。
模型训练模块103：基于测试集和训练集，采用神经网络算法进行训练，建立云主机性能预测模型。
采用神经网络算法进行训练时，设置4个隐层节点数。需要说明的是，云主机性能预测模型的输出数据为云主机的服务响应时间。
性能预测模块104：实时采集云主机性能数据，利用云主机性能预测模型对云主机性能进行预测。
本实施例的云主机性能预测装置用于实现前述的云主机性能预测方法，因此该装置中的具体实施方式可见前文中的云主机性能预测方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
另外，由于本实施例的云主机性能预测装置用于实现前述的云主机性能预测方法，因此其作用与上述方法的作用相对应，这里不再赘述。
实施例三
图3为本发明实施例提供的一种终端装置300的结构示意图，包括：处理器310、存储器320及通信单元330。所述处理器310用于实现存储器320中保存的云主机性能预测程序时实现以下步骤：
对云主机进行性能测试，获得性能数据；
将所获得性能数据构建测试集和训练集；
基于测试集和训练集，采用神经网络算法进行训练，建立云主机性能预测模型；
实时采集云主机性能数据，利用云主机性能预测模型对云主机性能进行预测。
本发明使用神经网络算法建立预测模型，对云主机进行性能预测，得到较准确的预测结果，从而对云主机进行准确的把握，及时增大云主机的资源，防止资源耗尽或者响应迟钝，达到智能运维的效果。
在一些具体实施例中，所述处理器310执行存储器320中保存的云主机性能预测子程序时，具体可以实现：对云主机的CPU进行测试，获得CPU的浮点计算能力值和整型事务计算能力值；对云主机的内存进行测试，获得内存带宽和可持续运行带宽；对云主机的网络进行测试，获得物理网络运行带宽和时延，以及虚拟网络运行带宽和时延；对云主机的磁盘进行测试，获得磁盘的IOPS值。
在一些具体实施例中，所述处理器310执行存储器320中保存的云主机性能预测子程序时，具体可以实现：云主机性能预测模型的输出数据为云主机的服务响应时间。
在一些具体实施例中，所述处理器310执行存储器320中保存的云主机性能预测子程序时，具体可以实现：采用神经网络算法进行训练时，设置4个隐层节点数。
该终端装置300包括处理器310、存储器320及通信单元330。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中，该存储器320可以用于存储处理器310的执行指令，存储器320可以由任何类型的易失性或非易失性存储终端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。当存储器320中的执行指令由处理器310执行时，使得终端300能够执行以下上述方法实施例中的部分或全部步骤。
处理器310为存储终端的控制中心，利用各种接口和线路连接整个电子终端的各个部分，通过运行或执行存储在存储器320内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit，简称IC)组成，例如可以由单颗封装的IC所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器310可以仅包括中央处理器(Central Processing Unit，简称CPU)。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。
通信单元330，用于建立通信信道，从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
实施例四
本发明还提供一种计算机存储介质，这里所说的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：ROM)或随机存储记忆体(英文：random accessmemory，简称：RAM)等。
计算机存储介质存储有云主机性能预测程序，所述云主机性能预测程序被处理器执行时实现以下步骤：
对云主机进行性能测试，获得性能数据；
将所获得性能数据构建测试集和训练集；
基于测试集和训练集，采用神经网络算法进行训练，建立云主机性能预测模型；
实时采集云主机性能数据，利用云主机性能预测模型对云主机性能进行预测。
本发明使用神经网络算法建立预测模型，对云主机进行性能预测，得到较准确的预测结果，从而对云主机进行准确的把握，及时增大云主机的资源，防止资源耗尽或者响应迟钝，达到智能运维的效果。
在一些具体实施例中，所述可读存储介质中存储的云主机性能预测子程序被处理器执行时，具体可以实现：对云主机的CPU进行测试，获得CPU的浮点计算能力值和整型事务计算能力值；对云主机的内存进行测试，获得内存带宽和可持续运行带宽；对云主机的网络进行测试，获得物理网络运行带宽和时延，以及虚拟网络运行带宽和时延；对云主机的磁盘进行测试，获得磁盘的IOPS值。
在一些具体实施例中，所述可读存储介质中存储的云主机性能预测子程序被处理器执行时，具体可以实现：云主机性能预测模型的输出数据为云主机的服务响应时间。
在一些具体实施例中，所述可读存储介质中存储的云主机性能预测子程序被处理器执行时，具体可以实现：采用神经网络算法进行训练时，设置4个隐层节点数。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献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如U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，包括若干指令用以使得一台计算机终端(可以是个人计算机，服务器，或者第二终端、网络终端等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，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，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，在本发明各个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。
以上公开的仅为本发明的优选实施方式，但本发明并非局限于此，任何本领域的技术人员能思之的没有创造性的变化，以及在不脱离本发明原理前提下所作的若干改进和润饰，都应落在本发明的保护范围内。
Claims (10)
1.一种云主机性能预测方法，其特征在于，包括以下步骤：
对云主机进行性能测试，获得性能数据；
将所获得性能数据构建测试集和训练集；
基于测试集和训练集，采用神经网络算法进行训练，建立云主机性能预测模型；
实时采集云主机性能数据，利用云主机性能预测模型对云主机性能进行预测。
2.根据权利要求1所述的云主机性能预测方法，其特征在于，对云主机进行性能测试，获得性能数据，具体包括：
对云主机的CPU进行测试，获得CPU的浮点计算能力值和整型事务计算能力值；
对云主机的内存进行测试，获得内存带宽和可持续运行带宽；
对云主机的网络进行测试，获得物理网络运行带宽和时延，以及虚拟网络运行带宽和时延；
对云主机的磁盘进行测试，获得磁盘的IOPS值。
3.根据权利要求2所述的云主机性能预测方法，其特征在于，云主机性能预测模型的输出数据为云主机的服务响应时间。
4.根据权利要求3所述的云主机性能预测方法，其特征在于，采用神经网络算法进行训练时，设置4个隐层节点数。
5.一种云主机性能预测装置，其特征在于，包括，
测试模块：对云主机进行性能测试，获得性能数据；
数据集构建模块：将所获得性能数据构建测试集和训练集；
模型训练模块：基于测试集和训练集，采用神经网络算法进行训练，建立云主机性能预测模型；
性能预测模块：实时采集云主机性能数据，利用云主机性能预测模型对云主机性能进行预测。
6.根据权利要求5所述的云主机性能预测装置，其特征在于，测试模块对云主机进行性能测试，获得性能数据，具体包括：
对云主机的CPU进行测试，获得CPU的浮点计算能力值和整型事务计算能力值；
对云主机的内存进行测试，获得内存带宽和可持续运行带宽；
对云主机的网络进行测试，获得物理网络运行带宽和时延，以及虚拟网络运行带宽和时延；
对云主机的磁盘进行测试，获得磁盘的IOPS值。
7.根据权利要求6所述的云主机性能预测装置，其特征在于，云主机性能预测模型的输出数据为云主机的服务响应时间。
8.根据权利要求7所述的云主机性能预测装置，其特征在于，采用神经网络算法进行训练时，设置4个隐层节点数。
9.一种终端，其特征在于，包括：
存储器，用于存储云主机性能预测程序；
处理器，用于执行所述云主机性能预测程序时实现如权利要求1-4任一项所述云主机性能预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述可读存储介质上存储有云主机性能预测程序，所述云主机性能预测程序被处理器执行时实现如权利要求1-4任一项所述云主机性能预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111556586.6A CN114297008A (zh) | 2021-12-17 | 2021-12-17 | 一种云主机性能预测方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111556586.6A CN114297008A (zh) | 2021-12-17 | 2021-12-17 | 一种云主机性能预测方法、装置、终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114297008A true CN114297008A (zh) | 2022-04-08 |
Family
ID=80967057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111556586.6A Withdrawn CN114297008A (zh) | 2021-12-17 | 2021-12-17 | 一种云主机性能预测方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114297008A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115865684A (zh) * | 2023-02-03 | 2023-03-28 | 浪潮电子信息产业股份有限公司 | 一种主机调度方法、系统、设备及计算机可读存储介质 |
| CN116450485A (zh) * | 2023-06-09 | 2023-07-18 | 杭州谐云科技有限公司 | 一种应用性能干扰的检测方法和系统 |
-
2021
- 2021-12-17 CN CN202111556586.6A patent/CN114297008A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115865684A (zh) * | 2023-02-03 | 2023-03-28 | 浪潮电子信息产业股份有限公司 | 一种主机调度方法、系统、设备及计算机可读存储介质 |
| CN116450485A (zh) * | 2023-06-09 | 2023-07-18 | 杭州谐云科技有限公司 | 一种应用性能干扰的检测方法和系统 |
| CN116450485B (zh) * | 2023-06-09 | 2023-11-10 | 杭州谐云科技有限公司 | 一种应用性能干扰的检测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7087079B2 (ja) | 深層学習アプリケーションのための堅牢な勾配重み圧縮方式 | |
| CN107045503B (zh) | 一种特征集确定的方法及装置 | |
| CN114297008A (zh) | 一种云主机性能预测方法、装置、终端及存储介质 | |
| CN106502889B (zh) | 预测云软件性能的方法和装置 | |
| CN111260255B (zh) | 一种配电网运行参数关键因素分析方法、系统以及设备 | |
| WO2008134143A1 (en) | Resource model training | |
| CN106980623A (zh) | 一种数据模型的确定方法及装置 | |
| CN112016691B (zh) | 一种量子线路的构建方法及装置 | |
| CN113610069B (zh) | 基于知识蒸馏的目标检测模型训练方法 | |
| CN110472268A (zh) | 一种桥梁监测数据模态识别方法及装置 | |
| CN112100910A (zh) | 一种处理器的功耗模型训练方法、功耗测试方法及装置 | |
| CN110083518B (zh) | 一种基于AdaBoost-Elman的虚拟机软件老化预测方法 | |
| CN112465141A (zh) | 模型压缩方法、装置、电子设备及介质 | |
| Li et al. | Improved LSTM-based prediction method for highly variable workload and resources in clouds | |
| CN115439192A (zh) | 医疗商品信息的推送方法及装置、存储介质、计算机设备 | |
| CN115016966A (zh) | 基于Transformer的计量自动化系统故障预测方法、装置及存储介质 | |
| CN115794570A (zh) | 压力测试方法、装置、设备及计算机可读存储介质 | |
| CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
| Urgese et al. | Top-down profiling of application specific many-core neuromorphic platforms | |
| US11205092B2 (en) | Clustering simulation failures for triage and debugging | |
| CN106648895A (zh) | 一种处理数据的方法、装置及终端 | |
| CN113762421B (zh) | 分类模型的训练方法、流量分析方法、装置及设备 | |
| CN115757002A (zh) | 一种能耗确定方法、装置、设备及计算机可读存储介质 | |
| CN110472233A (zh) | 基于知识库内头尾实体分布的关系相似度度量方法及系统 | |
| CN114692903A (zh) | 用于设备故障检测的方法及终端设备 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220408 |
|
| WW01 | Invention patent application withdrawn after publication |