CN114818458A - 系统参数优化方法、装置、计算设备及介质 - Google Patents

系统参数优化方法、装置、计算设备及介质 Download PDF

Info

Publication number
CN114818458A
CN114818458A CN202210200151.6A CN202210200151A CN114818458A CN 114818458 A CN114818458 A CN 114818458A CN 202210200151 A CN202210200151 A CN 202210200151A CN 114818458 A CN114818458 A CN 114818458A
Authority
CN
China
Prior art keywords
parameter set
parameters
sensitive
parameter
tuning
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
Application number
CN202210200151.6A
Other languages
English (en)
Inventor
胡玉溪
王庆龙
王润哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba China Co Ltd
Original Assignee
Alibaba China Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba China Co Ltd filed Critical Alibaba China Co Ltd
Priority to CN202210200151.6A priority Critical patent/CN114818458A/zh
Publication of CN114818458A publication Critical patent/CN114818458A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/10Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Stored Programmes (AREA)

Abstract

本申请一个或多个实施例提供一种系统参数优化方法、装置、计算设备及介质。本申请对待优化系统的初始参数集合中的参数进行调优操作,基于所述调优操作的过程中得到的第一数据,确定所述初始参数集合中的敏感参数集合,对所述敏感参数集合中的参数进行调优操作,得到所述敏感参数集合的目标参数值,通过复用参数调优运行的中间数据确定敏感参数集合来进行参数降维,可以在减少运行轮次的情况下缩小参数空间,并通过对降维后的参数进一步进行优化操作,加速了参数调优的效率,实现更好的调优效果。

Description

系统参数优化方法、装置、计算设备及介质
技术领域
本说明书一个或多个实施例涉及计算机技术领域,尤其涉及一种系统参数优化方法、装置、计算设备及介质。
背景技术
操作系统内核,编译器,以及数据库等场景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。但是上述领域涉及的参数数量较多,可能高达成百上千维,因此主要依靠机器学习方法,基于大量调优数据记录,进行参数调优的算法和工具的研发。
然而目前的调参数优算法,在调优参数数目较多的情况下,通常存在参数空间巨大,调优轮次过多且收敛效率低下,甚至存在无法收敛的问题。
发明内容
有鉴于此,本说明书一个或多个实施例提供一种系统参数优化方法、装置、计算设备及介质。
为实现上述目的,本说明书一个或多个实施例提供技术方案如下:
根据本说明书一个或多个实施例的第一方面,提出一种系统参数优化方法,所述方法包括:
对待优化系统的初始参数集合中的参数进行调优操作;
基于调优操作过程中得到的第一数据,确定所述初始参数集合中的敏感参数集合,所述第一数据包括所述初始参数集合的参数值组合以及所对应的基准测试得分;
对所述敏感参数集合中的参数进行调优操作,得到所述敏感参数集合的目标参数值。
在一些实施例中,所述基于调优操作过程中得到的第一数据,确定所述初始参数集合中的敏感参数集合,包括:
基于调优操作过程中得到的第一数据,识别所述初始参数集合中的非敏感参数;
从所述初始参数集合中滤除识别到的非敏感参数,得到第一参数集合;
根据所述第一参数集合确定到所述初始参数集合中的敏感参数集合。
在一些实施例中,所述根据所述第一参数集合确定到所述初始参数集合中的敏感参数集合,包括:
将所述第一参数集合确定为所述敏感参数集合;或,
对所述第一参数集合进行调优操作;
基于调优操作过程中得到的第二数据,获得所述第一参数集合中各个参数的敏感度权重,所述第二数据包括所述第一参数集合的参数值组合以及所对应的基准测试得分,所述第一参数集合中所有参数的敏感度权重之和为1;
根据所述第一参数集合中各个参数的敏感度权重得到所述敏感参数集合。
在一些实施例中,所述根据所述第一参数集合中各个参数的敏感度权重得到所述敏感参数集合,包括:
在敏感度权重最高的第一数目个参数的敏感度权重之和大于敏感度权重阈值的情况下,根据所述第一数目个参数的敏感度得到所述敏感参数集合,其中,所述第一数目小于参数数目阈值;
在敏感度权重最高的第二数目个参数的敏感度权重之和不大于所述敏感度权重阈值的情况下,根据敏感度权重最高的第二设定数目个参数得到所述敏感参数集合,其中,所述第二设定数目等于所述参数数目阈值。
在一些实施例中,所述对所述敏感参数集合中的参数进行调优操作,得到所述敏感参数集合的目标参数值,包括:
获得对所述敏感参数集合中的参数的调优操作过程中得到的第三数据,所述第三数据包括所述敏感参数集合的参数值组合以及所对应的基准测试得分;
将所述第三数据所包含的参数值组合中,基准测试得分最高的参数值组合作为所述敏感参数集合的目标参数值。
在一些实施例中,所述方法还包括:
利用所述敏感参数集合更新所述初始参数集合,重复对更新后的初始参数集合中的参数进行调优操作,直到所得到的敏感参数集合满足设定要求。
在一些实施例中,所述方法还包括:
利用所述第一参数集合更新所述初始参数集合,重复对更新后的初始参数集合中的参数进行调优操作,直到所得到的敏感参数集合满足设定要求。
在一些实施例中,所述方法还包括:
利用所述敏感参数集合更新所述第一参数集合,重复对更新后的第一参数集合中的参数进行调优操作,直到所得到的敏感参数集合满足设定要求。
根据本说明书一个或多个实施例的第二方面,提出一种系统参数优化装置,所述装置包括:
第一调优单元,用于对待优化系统的初始参数集合中的参数进行调优操作;
识别单元,用于基于调优操作过程中得到的第一数据,确定所述初始参数集合中的敏感参数集合,所述第一数据包括所述初始参数集合的参数值组合以及所对应的基准测试得分;
第二调优单元,用于对所述敏感参数集合中的参数进行调优操作,得到所述敏感参数集合的目标参数值。
在一些实施例中,所述识别单元具体用于:
基于调优操作过程中得到的第一数据,识别所述初始参数集合中的非敏感参数;
从所述初始参数集合中滤除识别到的非敏感参数,得到第一参数集合;
根据所述第一参数集合确定到所述初始参数集合中的敏感参数集合。
在一些实施例中,所述识别单元在用于基于调优操作过程中得到的第一数据,确定所述初始参数集合中的敏感参数集合时,具体用于:
将所述第一参数集合确定为所述敏感参数集合;或,
对所述第一参数集合进行调优操作;
基于调优操作过程中得到的第二数据,获得所述第一参数集合中各个参数的敏感度权重,所述第二数据包括所述第一参数集合的参数值组合以及所对应的基准测试得分,所述第一参数集合中所有参数的敏感度权重之和为1;
根据所述第一参数集合中各个参数的敏感度权重得到所述敏感参数集合。
在一些实施例中,所述识别单元在用于所述根据所述第一参数集合中各个参数的敏感度权重得到所述敏感参数集合时,具体用于:
在敏感度权重最高的第一数目个参数的敏感度权重之和大于敏感度权重阈值的情况下,根据所述第一数目个参数的敏感度得到所述敏感参数集合,其中,所述第一数目小于参数数目阈值;
在敏感度权重最高的第二数目个参数的敏感度权重之和不大于所述敏感度权重阈值的情况下,根据敏感度权重最高的第二设定数目个参数得到所述敏感参数集合,其中,所述第二设定数目等于所述参数数目阈值。
在一些实施例中,所述第二调优单元具体用于:
获得对所述敏感参数集合中的参数的调优操作过程中得到的第三数据,所述第三数据包括所述敏感参数集合的参数值组合以及所对应的基准测试得分;
将所述第三数据所包含的参数值组合中,基准测试得分最高的参数值组合作为所述敏感参数集合的目标参数值。
在一些实施例中,所述装置还包括第一循环单元,用于:
利用所述敏感参数集合更新所述初始参数集合,重复对更新后的初始参数集合中的参数进行调优操作,直到所得到的敏感参数集合满足设定要求。
在一些实施例中,所述装置还包括第二循环单元,用于:
利用所述第一参数集合更新所述初始参数集合,重复对更新后的初始参数集合中的参数进行调优操作,直到所得到的敏感参数集合满足设定要求。
在一些实施例中,所述装置还包括第三循环单元,用于:
利用所述敏感参数集合更新所述第一参数集合,重复对更新后的第一参数集合中的参数进行调优操作,直到所得到的敏感参数集合满足设定要求。
根据本说明书一个或多个实施例的第三方面,提出了一种计算设备,该计算设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,处理器通过运行可执行指令以实现上述第一方面以及第一方面中任一实施例所提供的系统参数优化方法所执行的操作。
根据本说明书一个或多个实施例的第四方面,提出了一种计算机可读存储介质,其上存储有计算机指令,指令被处理器执行时实现上述第一方面以及第一方面中任一实施例所提供的系统参数优化方法所执行的操作。
根据本说明书一个或多个实施例的第五方面,提出了一种计算机程序产品,包括计算机程序,程序被处理器执行时实现上述第一方面以及第一方面中任一实施例所提供的系统参数优化方法所执行的操作。
本申请对待优化系统的初始参数集合中的参数进行调优操作,基于所述调优操作的过程中得到的第一数据,确定所述初始参数集合中的敏感参数集合,对所述敏感参数集合中的参数进行调优操作,得到所述敏感参数集合的目标参数值,通过复用参数调优运行的中间数据确定敏感参数集合来进行参数降维,可以在减少运行轮次的情况下缩小参数空间,并通过对降维后的参数进一步进行优化操作,加速了参数调优的效率,实现更好的调优效果。
附图说明
图1是一示例性实施例提供的一种系统参数优化方法的流程图。
图2是一示例性实施例提供的一种系统参数优化方法的示意图。
图3是一示例性实施例提供的另一种统参数优化方法的示意图。
图4是一示例性实施例提供的一种系统参数优化装置的框图。
图5是一示例性实施例提供的一种计算设备的示意结构图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。、
本申请提供了一种系统参数优化方法,用于对待优化系统,例如操作系统内核,编译器,以及数据库等的系统参数进行优化,使得系统参数的设置可以提高服务运行性能,提升整体服务质量。上述系统参数优化方法可以由计算设备执行,计算设备可以为服务器,如一台服务器、多台服务器、服务器集群、云计算平台等,或者,计算设备可以为终端设备,如台式计算机、便携式计算机、超级计算机等,本申请对计算设备的具体类型不加以限定。
图1是一示例性实施例提供的一种系统参数优化方法的流程图,该方法包括:
步骤101、对待优化系统的初始参数集合中的参数进行调优操作。
其中,进行调优操作的参数可以包括在待优化系统中可以进行动态设置并对应用性能产生影响的配置项,例如内核配置参数和应用配置参数等。
所述初始参数集合可以是待优化系统的全量参数,也可以是基于指定优化目标预先选择的部分参数,本公开实施例对于所述初始参数集合中参数的选择方式不进行限制。
对初始参数集合中的参数进行的调优操作包括利用多种调优算法,例如网格搜索算法、随机搜索算法、贝叶斯理论系统算法等等,不断地给出参数值组合,从而找到使系统应用性能得到提升的参数配置。系统的应用性能可以通过执行基准测试(Benchmark)程序,根据所得到的基准测试得分进行评估。
步骤102、基于调优操作过程中得到的第一数据,确定所述初始参数集合中的敏感参数集合。
调优操作的过程中得到的第一数据也即调优过程中产生的中间数据,包括所述初始参数集合的参数值组合以及所对应的基准测试得分,即该中间数据可以指示初始参数集合在各种参数值组合的情况下的系统应用性能。
在本公开实施例中,通过利用所述调优操作过程中得到的第一数据来确定敏感参数集合,例如利用所述第一数据来训练用于识别敏感参数的神经网络,复用调优操作的数据,实现了运行数据的复用。
步骤103、对所述敏感参数集合中的参数进行调优操作,得到所述敏感参数集合的目标参数值。
通过获得敏感参数集合,并通过对敏感参数集合中的参数进行调优操作得到目标参数值,实现了初始参数集合在维度上的下降,缩小了缩小参数空间,可以提升系统优化方法的运行效率。
本申请对待优化系统的初始参数集合中的参数进行调优操作,基于所述调优操作的过程中得到的第一数据,确定所述初始参数集合中的敏感参数集合,对所述敏感参数集合中的参数进行调优操作,得到所述敏感参数集合的目标参数值,通过复用参数调优运行的中间数据确定敏感参数集合来进行参数降维,可以在减少运行轮次的情况下缩小参数空间,并通过对降维后的参数进一步进行优化操作,加速了参数调优的效率,实现更好的调优效果。
介绍了本申请的基本实现过程之后,下面结合本申请的多个可选实施例,对本申请所提供的系统参数优化方法进行进一步说明。
在一些实施例中,可以通过以下方式确定所述初始参数集合中的敏感参数集合。
首先,基于调优操作过程中得到的第一数据,识别所述初始参数集合中的非敏感参数。
在一个示例中,可以将所述第一数据作为用于识别非敏感参数的神经网络的训练数据,从而可以复用调优过程中所产生的中间数据,来识别非敏感参数。
接下来,从所述初始参数集合中滤除识别到的非敏感参数,得到第一参数集合,并根据所述第一参数集合确定到所述初始参数集合中的敏感参数集合。
通过滤除初始参数集合中的非敏感参数,得到所述初始参数集合中的敏感参数集合,实现了对初始参数集合的降维。
举例来说,初始参数集合是一个100维的向量,每个维度对应一个参数。通过滤除初始参数集合中的非敏感参数得到的敏感参数集合可以是50维向量的。
在一些实施例中,可以将从初始参数集中滤除了非敏感参数后的第一参数集合直接作为敏感参数集合。由于直接进行敏感参数的识别,对于敏感参数识别算法的准确度要求非常高,如果错误评价了参数对评价标的影响度,那么对于后续的调优将产生极为严重的影响。本公开实施例提出的对不敏感参数筛选的方法,相较于直接识别敏感参数,提高了准确度以及可靠性;并且由于复用调优操作的数据,可以实现在减少运行轮次的情况下更快地找到敏感参数集合。
在一些实施例中,对于从初始参数集中滤除了非敏感参数后得到的第一参数集合,还可以进一步进行正向敏感参数的识别,来确定敏感参数集合。
具体地,可以对所述第一参数集合进行调优操作,并基于调优操作过程中得到的第二数据,获得所述第一参数集合中各个参数的敏感度权重,所述第二数据包括所述第一参数集合的参数值组合以及所对应的基准测试得分,所述第一参数集合中所有参数的敏感度权重之和为1,最后根据所述第一参数集合中各个参数的敏感度权重得到所述敏感参数集合。
在一个示例中,可以对第一参数集合运行调优操作,得到的第二数据包括每个参数值组合及对应的基准测试得分。可以将所述第二数据作为用于识别敏感参数的神经网络的训练数据,从而可以复用调优过程中所产生的中间数据,来识别敏感参数。
在本公开实施例中,通过复用第一参数集合的参数在调优运行过程中产生的中间数据来正向识别敏感参数,可以进一步对系统参数进行降维。并且,由于首先通过滤除非敏感参数得到了第一参数集合,在此基础上进行敏感参数的正向识别,降低了错误识别敏感参数的概率,提高了敏感参数识别的可靠性。
在一些实施例中,可以根据以下方式来根据所述第一参数集合中各个参数的敏感度权重得到敏感参数集合。
获得所述第一参数集合中各个参数的敏感度权重,其中,所述第一参数集合中所有参数的敏感度权重之和为1。
在敏感度权重最高的第一数目个参数的敏感度权重之和大于敏感度权重阈值的情况下,根据所述第一数目个参数的敏感度得到所述敏感参数集合,其中,所述第一数目小于参数数目阈值;在敏感度权重最高的第二数目个参数的敏感度权重之和不大于所述敏感度权重阈值的情况下,根据敏感度权重最高的第二设定数目个参数得到所述敏感参数集合,其中,所述第二设定数目等于所述参数数目阈值。所述敏感度权重阈值和参数数目阈值可以根据实际需要进行设置。
举例来说,可以将敏感度权重阈值设置成85%,将参数数目阈值设置为10。在第一参数集合中包含50个参数的情况下,如果前5个参数的敏感度权重之和已经可以达到大于85%的程度,说明前5个参数已经包含了绝大部分的敏感度权重较高的参数,则可以将该前个参数作为第二参数集合,也即作为最终确定的敏感参数集合。反之,在敏感度权重最高的前10个参数的敏感度权重之和小于或等于85%的情况下,说明各个参数的敏感度权重比较平均,那么则前10个参数作为敏感参数集合。
在本公开实施例中,通过根据第一参数集合中各个参数的敏感度权重进一步进行参数筛选,可以进一步提高敏感度参数识别的可靠性。
在一些实施例中,对于所确定的敏感参数集合,可以获得对所述敏感参数集合中的参数的调优操作过程中得到的第三数据,所述第三数据包括所述敏感参数集合的参数值组合以及所对应的基准测试得分;并将所述第三数据所包含的参数值组合中,基准测试得分最高的参数值组合作为所述敏感参数集合的目标参数值。
参见图2所示的一种系统参数优化方法的示意图。对于待优化系统的初始参数集合,可以运行多轮调优算法,例如网格搜索算法、随机搜索算法、贝叶斯理论系统算法等等,获得调优操作过程中得到的第一数据,该第一数据包括初始参数集合中各个参数的每个参数组合值X以及对应的基准测试得分Y。基于调优操作过程中得到的第一数据,可以确定敏感参数集合。
对于所得到的敏感参数集合,可以进一步进行参数调优操作。与对初始参数集合的调优操作类似,可以针对敏感参数集合运行多轮调优算法,获得调优操作过程中得到的第三数据,该第三数据包括敏感参数集合中各个参数的每个参数组合值X及对应的基准测试得分Y,并从第三数据中确定基准测试得分最高的参数值组合,也即最佳参数值组合,作为所述敏感参数集合的目标参数值。
在一些实施例中,可以重复执行确定敏感参数集合的过程,以实现多次参数降维,得到符合要求的敏感度参数。
在一个示例中,可以重复执行从初始参数集合滤除非敏感参数,得到第一参数集合,再从第一参数集合进行正向识别敏感参数,得到敏感参数集合这样的过程,直到所得到的敏感参数集合满足设要求。具体地,可以利用所得到的敏感参数集合更新所述初始参数集合,重复执行对更新后的初始参数集合中的参数进行调优操作,直到所得到的敏感参数集合满足设定要求。
在一个示例中,可以重复执行从初始参数集合滤除非敏感参数得到第一参数集合的过程,也即通过多次滤除识别到的非敏感参数,对初始参数集合进行多次降维,从而得到满足设定要求的敏感参数集合。具体地,可以利用所述第一参数集合更新所述初始参数集合,重复对更新后的初始参数集合中的参数进行调优操作,直到所得到的敏感参数集合满足设定要求。
在一个示例中,可以重复执行从第一参数集合中识别敏感参数,得到敏感参数集合的过程,也即通过进行多次正向敏感参数识别,对第一参数集合进行多次降维,从而得到满足设定要求的敏感参数集合。具体地,可以利用所述敏感参数集合更新所述第一参数集合,重复对更新后的第一参数集合中的参数进行调优操作,直到所得到的敏感参数集合满足设定要求。
参见图3所示的另一种系统参数优化方法的示意图。首先对所述初始参数集中的参数进行N轮调优,调优过程中得到的中间数据包括每一轮调优的参数值组合对应的基准测试得分。其中,N的数值可以根据初始参数集中的参数数目确定。以初始参数集中的参数数目为d为例,可以将N设置为1/4*d。本领域技术人员应当理解,N可以根据实际优化需要进行设置,本公开对于N的具体数值不进行限定。之后,利用所述中间数据识别非敏感参数,并从所述初始参数集合中滤除识别到的非敏感数据,得到第一参数集合。
在一些实施例中,可以利用第一参数集合更新所述初始参数集合,对更新后的初始参数集合重复执行进行N轮调优,识别非敏感参数,滤除非敏感参数的过程。
在第一参数组合中参数不满足设定要求的情况下,则基于第一参数集合再次进行降维操作。具体地,对第一参数集合的参数再次进行M轮调优,并根据调优过程中得到的中间数据获得第一参数集合中每个参数的敏感度权重。
在敏感度权重最高的第一数目个参数的敏感度权重之和大于敏感度权重阈值的情况下,根据所述第一数目个参数的敏感度得到所述敏感参数集合,其中,所述第一数目小于参数数目阈值;在敏感度权重最高的第二数目个参数的敏感度权重之和不大于所述敏感度权重阈值的情况下,根据敏感度权重最高的第二设定数目个参数得到所述敏感参数集合,其中,所述第二设定数目等于所述参数数目阈值。
在一些实施例中,可以利用敏感参数集合更新所述第一参数集合,对更新后的第一参数集合重复执行进行M轮调优,识别其中的敏感参数的过程。
在最终确定了敏感参数集合后,可以运行Q轮调优,调优过程中得到的中间数据包括每一轮调优的参数值组合对应的基准测试得分。其中,Q的数值同样可以根据初始参数集中的参数数目确定,例如可以将Q设置为1/2*d。根据所述中间数据,确定基准测试得分最高的参数值组合,也即最佳参数值组合,作为所述敏感参数集合的目标参数值。
在本公开实施例中,通过重复执行多次调优操作和降维操作,可以在减少运行软次的情况下实现所需要的降维效果,有效地缩小参数空间,提高参数调优的效率。
本申请还提供了一种系统参数优化装置,参见图4,图4是一示例性实施例提供的一种系统参数优化的示意结构图,该装置包括:
第一调优单元,用于对待优化系统的初始参数集合中的参数进行调优操作;
识别单元,用于基于调优操作过程中得到的第一数据,确定所述初始参数集合中的敏感参数集合,所述第一数据包括所述初始参数集合的参数值组合以及所对应的基准测试得分;
第二调优单元,用于对所述敏感参数集合中的参数进行调优操作,得到所述敏感参数集合的目标参数值。
在一些实施例中,所述识别单元具体用于:
基于调优操作过程中得到的第一数据,识别所述初始参数集合中的非敏感参数;
从所述初始参数集合中滤除识别到的非敏感参数,得到第一参数集合;
根据所述第一参数集合确定到所述初始参数集合中的敏感参数集合。
在一些实施例中,所述识别单元在用于基于调优操作过程中得到的第一数据,确定所述初始参数集合中的敏感参数集合时,具体用于:
将所述第一参数集合确定为所述敏感参数集合;或,
对所述第一参数集合进行调优操作;
基于调优操作过程中得到的第二数据,获得所述第一参数集合中各个参数的敏感度权重,所述第二数据包括所述第一参数集合的参数值组合以及所对应的基准测试得分,所述第一参数集合中所有参数的敏感度权重之和为1;
根据所述第一参数集合中各个参数的敏感度权重得到所述敏感参数集合。
在一些实施例中,所述识别单元在用于所述根据所述第一参数集合中各个参数的敏感度权重得到所述敏感参数集合时,具体用于:
在敏感度权重最高的第一数目个参数的敏感度权重之和大于敏感度权重阈值的情况下,根据所述第一数目个参数的敏感度得到所述敏感参数集合,其中,所述第一数目小于参数数目阈值;
在敏感度权重最高的第二数目个参数的敏感度权重之和不大于所述敏感度权重阈值的情况下,根据敏感度权重最高的第二设定数目个参数得到所述敏感参数集合,其中,所述第二设定数目等于所述参数数目阈值。
在一些实施例中,所述第二调优单元具体用于:
获得对所述敏感参数集合中的参数的调优操作过程中得到的第三数据,所述第三数据包括所述敏感参数集合的参数值组合以及所对应的基准测试得分;
将所述第三数据所包含的参数值组合中,基准测试得分最高的参数值组合作为所述敏感参数集合的目标参数值。
在一些实施例中,所述装置还包括循环单元,用于:
利用所述敏感参数集合更新所述初始参数集合,重复对更新后的初始参数集合中的参数进行调优操作,直到所得到的敏感参数集合满足设定要求。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本申请还提供了一种计算设备,参见图5,图5是一示例性实施例提供的一种计算设备的示意结构图。请参考图5,在硬件层面,该设备包括处理器502、内部总线504、网络接口506、内存508以及非易失性存储器510,当然还可能包括实现其他功能所需要的硬件。本说明书一个或多个实施例可以基于软件方式来实现,比如由处理器502从非易失性存储器510中读取对应的计算机程序到内存508中然后运行。当然,除了软件实现方式之外,本说明书一个或多个实施例并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本申请还提供了一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现本申请任一实施例所提供的系统参数优化方法。
上述实施例阐明的系统、装置或模块,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
在一个典型的配置中,计算机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、磁盘存储、量子存储器、基于石墨烯的存储介质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。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书一个或多个实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已,并不用以限制本说明书一个或多个实施例,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例保护的范围之内。

Claims (11)

1.一种系统参数优化方法,其特征在于,所述方法包括:
对待优化系统的初始参数集合中的参数进行调优操作;
基于调优操作过程中得到的第一数据,确定所述初始参数集合中的敏感参数集合,所述第一数据包括所述初始参数集合的参数值组合以及所对应的基准测试得分;
对所述敏感参数集合中的参数进行调优操作,得到所述敏感参数集合的目标参数值。
2.根据权利要求1所述的方法,其特征在于,所述基于调优操作过程中得到的第一数据,确定所述初始参数集合中的敏感参数集合,包括:
基于调优操作过程中得到的第一数据,识别所述初始参数集合中的非敏感参数;
从所述初始参数集合中滤除识别到的非敏感参数,得到第一参数集合;
根据所述第一参数集合确定到所述初始参数集合中的敏感参数集合。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一参数集合确定到所述初始参数集合中的敏感参数集合,包括:
将所述第一参数集合确定为所述敏感参数集合;或,
对所述第一参数集合进行调优操作;
基于调优操作过程中得到的第二数据,获得所述第一参数集合中各个参数的敏感度权重,所述第二数据包括所述第一参数集合的参数值组合以及所对应的基准测试得分,所述第一参数集合中所有参数的敏感度权重之和为1;
根据所述第一参数集合中各个参数的敏感度权重得到所述敏感参数集合。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一参数集合中各个参数的敏感度权重得到所述敏感参数集合,包括:
在敏感度权重最高的第一数目个参数的敏感度权重之和大于敏感度权重阈值的情况下,根据所述第一数目个参数的敏感度得到所述敏感参数集合,其中,所述第一数目小于参数数目阈值;
在敏感度权重最高的第二数目个参数的敏感度权重之和不大于所述敏感度权重阈值的情况下,根据敏感度权重最高的第二设定数目个参数得到所述敏感参数集合,其中,所述第二设定数目等于所述参数数目阈值。
5.根据权利要求1所述的方法,其特征在于,所述对所述敏感参数集合中的参数进行调优操作,得到所述敏感参数集合的目标参数值,包括:
获得对所述敏感参数集合中的参数的调优操作过程中得到的第三数据,所述第三数据包括所述敏感参数集合的参数值组合以及所对应的基准测试得分;
将所述第三数据所包含的参数值组合中,基准测试得分最高的参数值组合作为所述敏感参数集合的目标参数值。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述方法还包括:
利用所述敏感参数集合更新所述初始参数集合,重复对更新后的初始参数集合中的参数进行调优操作,直到所得到的敏感参数集合满足设定要求。
7.根据权利要求2至5中任一项所述的方法,其特征在于,所述方法还包括:
利用所述第一参数集合更新所述初始参数集合,重复对更新后的初始参数集合中的参数进行调优操作,直到所得到的第一参数集合满足设定要求。
8.根据权利要求3至5中任一项所述的方法,其特征在于,所述方法还包括:
利用所述敏感参数集合更新所述第一参数集合,重复对更新后的第一参数集合中的参数进行调优操作,直到所得到的敏感参数集合满足设定要求。
9.一种系统参数优化装置,其特征在于,所述装置包括:
第一调优单元,用于对待优化系统的初始参数集合中的参数进行调优操作;
识别单元,用于基于调优操作过程中得到的第一数据,确定所述初始参数集合中的敏感参数集合,所述第一数据包括所述初始参数集合的参数值组合以及所对应的基准测试得分;
第二调优单元,用于对所述敏感参数集合中的参数进行调优操作,得到所述敏感参数集合的目标参数值。
10.一种计算设备,其特征在于,所述计算设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现如权利要求1至8中任一项所述的系统参数优化方法。
11.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述指令被处理器执行时实现如权利要求1至8中任一项所述的系统参数优化方法。
CN202210200151.6A 2022-03-02 2022-03-02 系统参数优化方法、装置、计算设备及介质 Pending CN114818458A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210200151.6A CN114818458A (zh) 2022-03-02 2022-03-02 系统参数优化方法、装置、计算设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210200151.6A CN114818458A (zh) 2022-03-02 2022-03-02 系统参数优化方法、装置、计算设备及介质

Publications (1)

Publication Number Publication Date
CN114818458A true CN114818458A (zh) 2022-07-29

Family

ID=82529385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210200151.6A Pending CN114818458A (zh) 2022-03-02 2022-03-02 系统参数优化方法、装置、计算设备及介质

Country Status (1)

Country Link
CN (1) CN114818458A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116719584A (zh) * 2023-08-09 2023-09-08 腾讯科技(深圳)有限公司 数据处理方法、装置、计算机、存储介质及程序产品

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116719584A (zh) * 2023-08-09 2023-09-08 腾讯科技(深圳)有限公司 数据处理方法、装置、计算机、存储介质及程序产品
CN116719584B (zh) * 2023-08-09 2024-01-19 腾讯科技(深圳)有限公司 数据处理方法、装置、计算机、存储介质及程序产品

Similar Documents

Publication Publication Date Title
CN109544166B (zh) 一种风险识别方法和装置
JP5976115B2 (ja) 画像検索方法
CN111310784B (zh) 资源数据的处理方法及装置
CN111143685B (zh) 一种商品推荐方法及装置
CN114780537A (zh) 流表存储及报文转发方法、装置、计算设备及介质
CN114818458A (zh) 系统参数优化方法、装置、计算设备及介质
CN113849314A (zh) 一种数据处理模型部署方法及装置
CN114168318A (zh) 存储释放模型的训练方法、存储释放方法及设备
CN117763024A (zh) 一种数据分片抽取方法及装置
CN115442262B (zh) 一种资源评估方法、装置、电子设备及存储介质
US20170068977A1 (en) Estimating prospect lifetime values
CN111368864A (zh) 识别方法、可用性评估方法及装置、电子设备、存储介质
CN110264333B (zh) 一种风险规则确定方法和装置
CN115470190A (zh) 一种多存储池数据分类存储方法、系统与电子设备
CN113255933A (zh) 特征工程和图网络生成方法和装置、分布式系统
CN110221971B (zh) 搜索引擎的测试方法及装置、电子设备、存储介质
CN112232417A (zh) 分类方法及装置、存储介质、终端
CN116107761B (zh) 性能调优方法、系统、电子设备及可读存储介质
CN116611930A (zh) 金融产品的推荐方法、装置、处理器及电子设备
US20230281275A1 (en) Identification method and information processing device
CN113794727B (zh) 威胁情报特征库的生成方法、装置、存储介质及处理器
US20220309384A1 (en) Selecting representative features for machine learning models
KR20220101504A (ko) 그래프 컨볼루션 네트워크 학습 방법 및 장치
CN116414982A (zh) 文本的聚类方法、装置、处理器及电子设备
CN115373850A (zh) 一个残差曲线数据过滤筛选方法及相关设备

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