CN114637560A - 设备管理方法、电子设备和计算机程序产品 - Google Patents
设备管理方法、电子设备和计算机程序产品 Download PDFInfo
- Publication number
- CN114637560A CN114637560A CN202011486216.5A CN202011486216A CN114637560A CN 114637560 A CN114637560 A CN 114637560A CN 202011486216 A CN202011486216 A CN 202011486216A CN 114637560 A CN114637560 A CN 114637560A
- Authority
- CN
- China
- Prior art keywords
- attributes
- attribute
- device attributes
- user
- determining
- 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.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 17
- 238000004590 computer program Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 description 19
- 238000012549 training Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 16
- 238000001914 filtration Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 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
- 238000007670 refining Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/70—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer
- G06F21/71—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer to assure secure computing or processing of information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
-
- 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
- G06F9/451—Execution arrangements for user interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- 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
- 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
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- 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)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开的实施例涉及一种设备管理方法、电子设备和计算机程序产品。该方法可以包括获取与多个设备有关的第一设备属性集合。第一设备属性集合包括由用户设置过的至少一个设备属性。该方法还可以包括:确定与多个设备有关的第二设备属性集合。这里,第二设备属性集合中包括的设备属性不同于上述至少一个设备属性。该方法进一步包括:接收用户对第二设备属性集合中的设备属性的设置。此外,该方法还可以包括:基于第一设备属性集合和第二设备属性集合中被设置过的设备属性,从多个设备中确定待处理的设备。本公开的实施例可以为用户展示较有可能被用户设置的设备属性,从而提高了整个设备管理系统的智能化水平。
Description
技术领域
本公开总体上涉及计算机网络领域,更具体地,涉及设备管理方法、电子设备和计算机程序产品。
背景技术
在对网络设备进行管理时,管理员通常会设置一些过滤条件来从大量网络设备中选择出部分网络设备,并为这些设备提供相应的处理策略,诸如设备保护策略。应理解,这些过滤条件通常是由管理员针对不同的设备属性而确定的特定类别、数值范围、以及各设备属性之间的组合关系等。随着计算机网络技术的不断发展,过滤条件的粒度不断减小,因此系统支持的设备属性的数目也越来越多。由于图形用户界面(GUI)的尺寸受限,能够向用户展示的设备属性的数目是有限的。因此,用户只能手动输入和查找与过滤条件相关的一些设备属性,显著增加了管理成本。
发明内容
本公开的实施例提供了设备管理方法、设备和相应的计算机程序产品。
在本公开的第一方面,提供了一种设备管理方法。该方法可以包括获取与多个设备有关的第一设备属性集合。这里,第一设备属性集合包括由用户设置过的至少一个设备属性。该方法还可以包括:确定与多个设备有关的第二设备属性集合。这里,第二设备属性集合中包括的设备属性不同于上述至少一个设备属性。该方法进一步包括:接收用户对第二设备属性集合中的设备属性的设置。此外,该方法还可以包括:基于第一设备属性集合和第二设备属性集合中被设置过的设备属性,从多个设备中确定待处理的设备。
在某些实施例中,确定与多个设备有关的第二设备属性集合可以包括:将第一设备属性集合应用于设备属性预测模型以确定第二设备属性集合,设备属性预测模型是将被设置的第一参考属性集合作为输入以及将未被设置的第二参考属性集合作为输出来训练得到的。
在某些实施例中,确定与多个设备有关的第二设备属性集合可以包括:基于第一设备属性集合确定各设备属性将被用户设置的概率;以及将概率高于阈值概率的设备属性确定为属于第二设备属性集合。
在某些实施例中,该方法还可以包括:从多个预定设备保护策略中选择与被设置过的设备属性相对应的设备保护策略;以及以选择的设备保护策略保护待处理的设备中的数据。
在某些实施例中,该方法还可以包括:将第一设备属性集合和第二设备属性集合用于进一步训练设备属性预测模型。
在某些实施例中,第一设备属性集合与第二设备属性集合中的设备属性包括以下中的至少一种:操作系统类型、文件系统类型、文件系统尺寸、虚拟机名称、以及虚拟机尺寸。
在本公开的第二方面,提供了一种电子设备。该设备可以包括:至少一个处理单元;以及至少一个存储器,其耦合至至少一个处理单元并且存储有机器可执行指令,当指令由至少一个处理单元执行时,使得设备执行动作,该动作可以包括:获取与多个设备有关的第一设备属性集合,所述第一设备属性集合包括由用户设置过的至少一个设备属性;确定与所述多个设备有关的第二设备属性集合,所述第二设备属性集合中包括的设备属性不同于所述至少一个设备属性;接收所述用户对所述第二设备属性集合中的设备属性的设置;以及基于所述第一设备属性集合和所述第二设备属性集合中被设置过的设备属性,从所述多个设备中确定待处理的设备。
在本公开的第三方面,提供了一种计算机程序产品。该计算机程序产品被有形地存储在非瞬态计算机可读介质上并且包括机器可执行指令,机器可执行指令在被执行时使机器执行根据第一方面的方法的步骤。
提供发明内容部分是为了以简化的形式来介绍对概念的选择,它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征,也无意限制本公开的范围。
附图说明
通过结合附图对本公开示例性实施例进行更详细的描述,本公开的上述以及其它目标、特征和优势将变得更加明显,其中,在本公开示例性实施例中,相同的参考标号通常代表相同部件。
图1示出了本公开的多个实施例能够在其中实现的示例环境的示意图;
图2示出了本公开的多个实施例能够在其中实现的详细示例环境的示意图;
图3示出了根据本公开的实施例的用于管理设备的过程的流程图;
图4示出了根据本公开的实施例的使用和更新模型的过程的示意图;以及
图5示出了能够实施本公开的多个实施例的计算设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其它明确的和隐含的定义。
为了实现更细粒度的网络设备管理,网络系统通常会包含越来越多的设备属性,从而支持越来越复杂的过滤条件。目前遇到的问题在于,在图形用户界面上没有足够的空间来显示全部设备属性。当管理员想要使用未显示的设备属性来创建过滤条件时,他们通常无法从设备列表中看到想要使用的设备属性,也无法从设备列表中获得有关这些设备属性的任何信息。对于管理员或其他用户而言,使用隐藏的设备属性来构建适当的过滤条件是非常困难的,这是非常糟糕的用户体验。
目前,解决上述问题的一种方案是允许管理员或用户手动地自行定义设备列表的可见设备属性。然而,由于管理员通常使用不同的设备属性来构建各种动态过滤条件,因此该方案要求管理员频繁且手动地更新可见设备属性的配置。因此,该方案并未提升用户体验。
此外,解决上述问题的另一种方案是根据管理员或用户的选择动态确定可见设备属性。例如,在管理员选择了一个设备属性之后,用户界面会立即刷新可见设备属性的列表,以便确保该设备属性的列被显示在可见设备属性的列表中。由此可见,该方案同样需要选择相应的设备属性,无法避免大量的手动输入,用户体验仍未提升。
为了至少部分地解决上述以及其他潜在的问题和缺陷,本公开的实施例提出了一种管理网络设备的方案,尤其是为管理员或用户优先显示部分设备属性的方案。在该方案中,需要预先训练一个预测模型,用于基于管理员或用户已经设置过的设备属性来预测其他设备属性将被管理员选择或设置的可能性。之后,每当用户对相应设备属性进行设置,该预测模型均会预测出其他设备属性被选择或设置的概率,进而将概率较大的一个或多个设备属性展示给管理员。管理员可以对展示的设备属性进行设置,并且可以基于这些设置确定设备管理的过滤条件。因此,本方案能够准确且高效地实现设备管理,从而能够及时发现用户需求,为用户推荐合适的设备属性,从而产生适当的过滤条件,并且还降低了网络设备管理的技术门槛。以下首先结合图1讨论本公开的基本构思。
图1示出了本公开的多个实施例能够在其中实现的示例环境100的示意图。如图1所示,示例环境100中包含用户设置110、计算设备120和待处理设备130。在图1中,用户设置110可以是管理员或其他用户对相应设备属性的设置信息,以用于确定需要进行管理的网络设备的动态过滤条件。作为示例,用户设置110可以是用户对相应设备属性设置的类型或数值范围。例如,针对设备属性为操作系统的情况,用户可以将过滤条件设置为在多个网络设备中选择操作系统为linux的网络设备。此外,“动态”的过滤条件体现在过滤条件可以被随时更改,并且设备以及保护策略也可以随时发生变化,每当发生改变时,计算设备120均会对基于当前过滤条件对设备进行重新分组。
应理解,用户设置的过滤条件会作为用户设置110输入计算设备120。计算设备120被配置为基于用户设置110从多个网络设备中选择符合相应过滤条件的部分网络设备,作为待处理设备130。具体地,为了简化用户的操作流程,计算设备120中设置有预测模型140,用于基于用户已设置的设备属性来预测用户将要设置的设备属性,并将预测的设备属性向用户优先展示。这里,计算设备120可以是具有计算能力的电子设备,包括但不限于个人计算机、服务器计算机、手持或膝上型设备、移动设备(诸如移动电话、个人数字助理(PDA)、媒体播放器等)、多处理器系统、消费电子产品、小型计算机、大型计算机、工作站、服务器、包括上述系统或设备中的任意一个的分布式计算环境等。
还应理解,计算设备120对待处理设备130的确定旨在为待处理设备130选择相应的保护策略。保护策略通常定义了在什么时间、以何种方式、以多少频率将相应设备中的数据备份到何处。例如,保护策略可以包括各种数据备份方式,例如全数据备份、更新数据备份等,还可以包括备份频率,例如每日备份、每周备份等。应理解,为待处理设备130选择保护策略仅是示例性的,本公开专注于从多个网络设备中选择待处理设备,不限于为符合过滤条件的待处理设备选择相应保护策略,还可以对符合过滤条件的待处理设备执行其他操作。
下文将通过图2对预测模型140的构建和使用进行描述。
图2示出了本公开的多个实施例能够在其中实现的详细示例环境200的示意图。与图1类似地,示例环境200可以包含计算设备220、第一设备属性集合210和第二设备属性集合230。具体地,第一设备属性集合210包含由用户设置过的至少一个设备属性,第二设备属性集合230包含未被用户设置过的至少一个设备属性。此外,示例环境200总体上可以包括模型训练系统260和模型应用系统270。作为示例,模型训练系统260和/或模型应用系统270可以在如图1所示的计算设备120中或者如图2所示的计算设备220中实现。应当理解,仅出于示例性的目的描述示例环境200的结构和功能并不旨在限制本文所描述主题的范围。本文所描述主题可以在不同的结构和/或功能中实施。
如前所述,根据本公开的用于预测用户将要设置的设备属性的方案可以分为两个阶段:模型训练阶段和模型应用阶段。在模型训练阶段中,模型训练系统260可以利用训练数据集250来训练用于预测用户将要设置的设备属性的模型240。在模型应用阶段中,模型应用系统270可以接收经训练的模型240和第一设备属性集合210,从而确定第二设备属性集合230。在某些实施例中,训练数据集250可以是经标注的参考属性集合。例如,训练数据集可以将被用户设置的第一参考属性集合作为模型240的输入以及将未被用户设置的第二参考属性集合作为模型240的输出,以便训练模型240。
应理解,模型240还可以被构建为用于预测用户将要设置的设备属性的深度学习网络。这样的深度学习网络也可以被称为深度学习模型。在一些实施例中,用于预测用户将要设置的设备属性的深度学习网络可以包括多个网络,其中每个网络可以是一个多层神经网络,其可以由大量的神经元组成。通过训练过程,每个网络中的神经元的相应参数能够被确定。
上文描述的技术方案仅用于示例,而非限制本发明。为了更清楚地解释上述方案的原理,下文将参考图3来更详细描述确定待处理设备的过程。
图3示出了根据本公开的实施例的用于管理设备的过程300的流程图。在某些实施例中,过程300可以在图5示出的设备中实现。作为示例,过程300可以在图1所示的计算设备120或者图2所示的计算设备220中实现。现参照图3描述根据本公开实施例的用于预测用户将要设置的设备属性的过程300。为了便于理解,在下文描述中提及的具体数据均是示例性的,并不用于限定本公开的保护范围。
在302,计算设备220可以获取与多个设备有关的第一设备属性集合210。作为示例,第一设备属性集合210可以包括由用户设置过的至少一个设备属性。在某些实施例中,第一设备属性集合210中可以包含各种设备属性,例如,操作系统类型、文件系统类型、文件系统尺寸、虚拟机名称、虚拟机尺寸、虚拟机标签(VM Tag)、数据库尺寸、数据中心名称、资源池等。如果这些设备属性中的一部分属于第一设备属性集合210,则说明该部分设备属性是已经被用户设置过的设备属性。计算设备220可以在后续操作中基于这些设备属性来确定用户想要继续设置的设备属性。
在304,计算设备220可以确定与这些设备有关的第二设备属性集合230。作为示例,第二设备属性集合230中包括的设备属性不同于由用户设置过的上述至少一个设备属性。换言之,计算设备220可以基于由用户设置过的至少一个设备属性来预测用户将要设置的一个或多个设备属性。
在某些实施例中,为了确定与这些设备有关的第二设备属性集合230,计算设备220可以将第一设备属性集合210应用于被配置为预测设备属性的模型240,以确定第二设备属性集合230。模型240可以是通过将被用户设置过的第一参考属性集合作为输入以及将未被用户设置过的第二参考属性集合作为输出来训练得到的,其中的第一参考属性集合和第二参考属性集合即为训练数据集250。应理解,训练数据集250是经标记的数据。通过使用模型240来预测第二设备属性集合230,可以为用户提供具有参考价值的推荐,从而减少了用户的手动操作。与此同时,对于模型240的预测结果可以为入门级用户提供指引,从而降低了网络设备管理的技术门槛。
作为示例,可以将作为管理员的用户对用于管理网络设备的过滤条件进行设置的历史操作用作训练数据集250。例如,当模型被设置为基于一个或多个已被设置过的设备属性来预测下一个设备属性时,可以将历史数据中用户设置的第N个到第N+M-1个设备属性作为模型240的输入、以及将历史数据中用户设置的第N+M个设备属性作为模型240的输入。这里,N、M均为大于或等于一的整数。此外,可以基于独热编码(One Hot Encoding,OHE)技术将训练数据集最终处理为多个向量形式的特征表示,以便用于模型训练。
在某些实施例中,计算设备220还可以基于第一设备属性集合210确定各设备属性将被用户设置的概率。应理解,可以利用上述模型240来基于第一设备属性集合210确定其他设备属性或所有设备属性将被用户选择或设置的概率。进而,计算设备220可以将概率较高(例如,高于预定阈值)的一个或多个设备属性确定为属于第二设备属性集合230,或者确定为第二设备属性集合230本身。以此方式,可以为用户推荐概率较高的设备属性,并且在大多数情况下,推荐的设备属性即为用户想要设置的设备属性,从而节约了用户的人力成本。
在306,计算设备220可以接收用户对第二设备属性集合230中的设备属性的设置。换言之,在计算设备220中的模型240确定了第二设备属性集合230之后,计算设备220被配置为向用户展示第二设备属性集合230。用户可以选择第二设备属性集合230中的至少一个设备属性,并对其进行设置。
之后,在308,计算设备220可以基于第一设备属性集合210和第二设备属性集合230中被设置过的设备属性确定一个过滤条件,并且从多个设备中确定符合该过滤条件的待处理设备130。
进而,计算设备220可以从多个预定设备保护策略中选择一个保护策略,该保护策略与被设置过的上述设备属性相对应。换言之,该保护策略与用户设置的过滤条件相对应。之后,计算设备220可以根据选择的该保护策略来保护待处理设备130中的数据。例如,可以根据待处理设备130的类型来选择不同级别的保护策略。应理解,为待处理设备130选择保护策略仅是示例性的,本公开专注于从多个网络设备中选择待处理设备130,不限于为符合过滤条件的待处理设备130选择相应保护策略,还可以对符合过滤条件的待处理设备130执行其他操作。例如,基于与使用时长相关的过滤条件来确定哪些设备需要被替换等。
通过执行上述实施例,本公开可以为用户展示较有可能被用户设置的设备属性,从而提高了整个设备管理系统的智能化水平。用户利用本公开的设备管理系统可以便捷地设置设备的过滤条件,从而及时、准确地为特定类型的设备提供相应服务。此外,本公开的实施例降低了网络设备管理的技术门槛,可以为入门级用户提供诸如第二设备属性集合230中的至少一个设备属性的参考和指引。
除了上述实施方式外,为了优化模型240的预测准确性,可以将上述第一设备属性集合210以及第二设备属性集合230作为训练数据继续训练模型240。图4示出了根据本公开的实施例的使用和更新模型的过程的示意图。
一方面,如图4所示,图形用户界面(GUI)410与应用服务器420中的第一模型421进行交互(401)。具体地,用户可以通过GUI 410对第一设备属性集合210进行设置,此时,设置信息被上传至应用服务器420中的第一模型421。第一模型421基于第一设备属性集合210确定第二设备属性集合230,并将第二设备属性集合230展示给用户,使得用户便于进一步设置更多的设备属性,从而完善过滤条件。
另一方面,用户可以选择至少上传与第一设备属性集合210和第二设备属性集合230相关联的历史操作数据,以便训练出更为个性化的预测模型,从而提升用户体验。具体地,用户可以通过GUI 410将历史操作数据上传至应用服务器420中的数据存储设备422(402)。进而,这些操作数据经过处理被传输至训练服务器430中的训练模块432(403)。训练模块432可以将上述第一设备属性集合210作为模型的输入以及将上述第二设备属性集合230作为模型的输出来训练服务器430中的第二模型431(404)。当第二模型431被训练后,基于第二模型431的参数来更新或升级第一模型421(405)。通过利用用户的操作数据定期训练预测模型,可以进一步提高模型预测的准确性,并且可以针对每个用户提供个性化服务。
图5示出了能够实施本公开的多个实施例的计算设备500的示意性框图。如图所示,计算设备500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的计算机程序指令或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序指令,来执行各种适当的动作和处理。在RAM 503中,还可存储计算设备500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
计算设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许计算设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理,例如过程300,可由处理单元501执行。例如,在一些实施例中,过程300可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到计算设备500上。当计算机程序被加载到RAM 503并由CPU 501执行时,可以执行上文描述的过程300的一个或多个动作。
本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分,所述模块、程序段或指令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。在有些作为替换的实现中,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。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (13)
1.一种设备管理方法,包括:
获取与多个设备有关的第一设备属性集合,所述第一设备属性集合包括由用户设置过的至少一个设备属性;
确定与所述多个设备有关的第二设备属性集合,所述第二设备属性集合中包括的设备属性不同于所述至少一个设备属性;
接收所述用户对所述第二设备属性集合中的设备属性的设置;以及
基于所述第一设备属性集合和所述第二设备属性集合中被设置过的设备属性,从所述多个设备中确定待处理的设备。
2.根据权利要求1所述的方法,其中确定与所述多个设备有关的所述第二设备属性集合包括:
将所述第一设备属性集合应用于设备属性预测模型以确定所述第二设备属性集合,所述设备属性预测模型是将被设置的第一参考属性集合作为输入以及将未被设置的第二参考属性集合作为输出来训练得到的。
3.根据权利要求1所述的方法,其中确定与所述多个设备有关的所述第二设备属性集合包括:
基于所述第一设备属性集合确定各设备属性将被所述用户设置的概率;以及
将概率高于阈值概率的设备属性确定为属于所述第二设备属性集合。
4.根据权利要求1所述的方法,还包括:
从多个预定设备保护策略中选择与被设置过的所述设备属性相对应的设备保护策略;以及
以选择的所述设备保护策略保护所述待处理的设备中的数据。
5.根据权利要求2所述的方法,还包括:
将所述第一设备属性集合和所述第二设备属性集合用于进一步训练所述设备属性预测模型。
6.根据权利要求1所述的方法,其中所述第一设备属性集合与所述第二设备属性集合中的设备属性包括以下中的至少一种:
操作系统类型;
文件系统类型;
文件系统尺寸;
虚拟机名称;以及
虚拟机尺寸。
7.一种电子设备,包括:
至少一个处理单元;以及
至少一个存储器,其耦合至所述至少一个处理单元并且存储有机器可执行指令,当所述指令由所述至少一个处理单元执行时,使得所述设备执行动作,所述动作包括:
获取与多个设备有关的第一设备属性集合,所述第一设备属性集合包括由用户设置过的至少一个设备属性;
确定与所述多个设备有关的第二设备属性集合,所述第二设备属性集合中包括的设备属性不同于所述至少一个设备属性;
接收所述用户对所述第二设备属性集合中的设备属性的设置;以及
基于所述第一设备属性集合和所述第二设备属性集合中被设置过的设备属性,从所述多个设备中确定待处理的设备。
8.根据权利要求7所述的设备,其中确定与所述多个设备有关的所述第二设备属性集合包括:
将所述第一设备属性集合应用于设备属性预测模型以确定所述第二设备属性集合,所述设备属性预测模型是将被设置的第一参考属性集合作为输入以及将未被设置的第二参考属性集合作为输出来训练得到的。
9.根据权利要求7所述的设备,其中确定与所述多个设备有关的所述第二设备属性集合包括:
基于所述第一设备属性集合确定各设备属性将被所述用户设置的概率;以及
将概率高于阈值概率的设备属性确定为属于所述第二设备属性集合。
10.根据权利要求7所述的设备,所述动作还包括:
从多个预定设备保护策略中选择与被设置过的所述设备属性相对应的设备保护策略;以及
以选择的所述设备保护策略保护所述待处理的设备中的数据。
11.根据权利要求8所述的设备,所述动作还包括:
将所述第一设备属性集合和所述第二设备属性集合用于进一步训练所述设备属性预测模型。
12.根据权利要求7所述的设备,其中所述第一设备属性集合与所述第二设备属性集合中的设备属性包括以下中的至少一种:
操作系统类型;
文件系统类型;
文件系统尺寸;
虚拟机名称;以及
虚拟机尺寸。
13.一种计算机程序产品,所述计算机程序产品被有形地存储在非瞬态计算机可读介质上并且包括机器可执行指令,所述机器可执行指令在被执行时使机器执行根据权利要求1至6中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011486216.5A CN114637560A (zh) | 2020-12-16 | 2020-12-16 | 设备管理方法、电子设备和计算机程序产品 |
US17/238,849 US11995219B2 (en) | 2020-12-16 | 2021-04-23 | Method, electronic equipment, and computer program product for device management |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011486216.5A CN114637560A (zh) | 2020-12-16 | 2020-12-16 | 设备管理方法、电子设备和计算机程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114637560A true CN114637560A (zh) | 2022-06-17 |
Family
ID=81942660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011486216.5A Pending CN114637560A (zh) | 2020-12-16 | 2020-12-16 | 设备管理方法、电子设备和计算机程序产品 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11995219B2 (zh) |
CN (1) | CN114637560A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160364573A1 (en) * | 2015-06-11 | 2016-12-15 | Qualcomm Incorporated | Techniques for data monitoring to mitigate transitive problem in object-oriented contexts |
US20180343254A1 (en) * | 2005-11-28 | 2018-11-29 | ThreatMETRIX PTY LTD. | Method and system for tracking machines on a network using fuzzy guid technology |
US20190129807A1 (en) * | 2017-10-27 | 2019-05-02 | EMC IP Holding Company | Method and device for managing a virtual machine |
US20190318026A1 (en) * | 2018-04-17 | 2019-10-17 | International Business Machines Corporation | Resource condition correction using intelligently configured dashboard widgets |
US20190324784A1 (en) * | 2018-04-20 | 2019-10-24 | EMC IP Holding Company LLC | Method, device and computer-readable for managing virtual machines |
CN111104247A (zh) * | 2018-10-25 | 2020-05-05 | 伊姆西Ip控股有限责任公司 | 管理数据复制的方法、设备和计算机程序产品 |
CN111459692A (zh) * | 2019-01-18 | 2020-07-28 | 伊姆西Ip控股有限责任公司 | 用于预测驱动器故障的方法、设备和计算机程序产品 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10620790B2 (en) * | 2016-11-08 | 2020-04-14 | Microsoft Technology Licensing, Llc | Insight objects as portable user application objects |
US11032410B2 (en) * | 2016-11-08 | 2021-06-08 | Microsoft Technology Licensing, Llc | Mobile data insight platforms for data analysis |
CN114064350A (zh) * | 2020-08-07 | 2022-02-18 | 伊姆西Ip控股有限责任公司 | 数据保护方法、电子设备和计算机程序产品 |
CN115964219A (zh) * | 2021-10-08 | 2023-04-14 | 伊姆西Ip控股有限责任公司 | 推荐保护策略的方法、电子设备和计算机程序产品 |
-
2020
- 2020-12-16 CN CN202011486216.5A patent/CN114637560A/zh active Pending
-
2021
- 2021-04-23 US US17/238,849 patent/US11995219B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180343254A1 (en) * | 2005-11-28 | 2018-11-29 | ThreatMETRIX PTY LTD. | Method and system for tracking machines on a network using fuzzy guid technology |
US20160364573A1 (en) * | 2015-06-11 | 2016-12-15 | Qualcomm Incorporated | Techniques for data monitoring to mitigate transitive problem in object-oriented contexts |
US20190129807A1 (en) * | 2017-10-27 | 2019-05-02 | EMC IP Holding Company | Method and device for managing a virtual machine |
US20190318026A1 (en) * | 2018-04-17 | 2019-10-17 | International Business Machines Corporation | Resource condition correction using intelligently configured dashboard widgets |
US20190324784A1 (en) * | 2018-04-20 | 2019-10-24 | EMC IP Holding Company LLC | Method, device and computer-readable for managing virtual machines |
CN111104247A (zh) * | 2018-10-25 | 2020-05-05 | 伊姆西Ip控股有限责任公司 | 管理数据复制的方法、设备和计算机程序产品 |
CN111459692A (zh) * | 2019-01-18 | 2020-07-28 | 伊姆西Ip控股有限责任公司 | 用于预测驱动器故障的方法、设备和计算机程序产品 |
Also Published As
Publication number | Publication date |
---|---|
US11995219B2 (en) | 2024-05-28 |
US20220188461A1 (en) | 2022-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9588738B2 (en) | Supporting software application developers to iteratively refine requirements for web application programming interfaces | |
US10304024B2 (en) | Intelligent key performance indicator catalog | |
US20160349944A1 (en) | Dynamic tidy correlated icon depending on the favorite | |
US11436129B2 (en) | System, method and recording medium for generating mobile test sequences | |
US10976904B2 (en) | Graphical chatbot interface facilitating user-chatbot interaction | |
US10783068B2 (en) | Generating representative unstructured data to test artificial intelligence services for bias | |
US10820154B2 (en) | Location-based home screen customization | |
US20220164163A1 (en) | Floating-point computation with threshold prediction for artificial intelligence system | |
US11410023B2 (en) | Lexicographic deep reinforcement learning using state constraints and conditional policies | |
CN113312156A (zh) | 用于确定任务的执行进度的方法、设备和计算机程序产品 | |
US9471879B2 (en) | Dynamic mathematical validation using data mining | |
US20170024654A1 (en) | Predicting capacity based upon database elements | |
US20200097813A1 (en) | Deep learning model for probabilistic forecast of continuous manufacturing process | |
US20230267323A1 (en) | Generating organizational goal-oriented and process-conformant recommendation models using artificial intelligence techniques | |
CN114637560A (zh) | 设备管理方法、电子设备和计算机程序产品 | |
CN113448668B (zh) | 一种跳过弹窗的方法、装置及电子设备 | |
US10936297B2 (en) | Method, device, and computer program product for updating software | |
CN113672885A (zh) | 一种应用授权方法、装置及电子设备 | |
CN111046338A (zh) | 使用复值矢量自回归的多步提前预测 | |
US20180060768A1 (en) | Method and system for creating mapping between business models | |
US20210273871A1 (en) | Process-aware trace synthesis for training process learning | |
CN111831473B (zh) | 备份管理的方法、设备和计算机程序产品 | |
US20210019825A1 (en) | Time-Based Watch List Management | |
CN113035151A (zh) | 用于显示图像的方法、电子设备和计算机可读介质 | |
CN112882998A (zh) | 文件存储方法、电子设备和计算机程序产品 |
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 |