CN115185721A - 一种基于人工智能的数据处理方法及系统 - Google Patents
一种基于人工智能的数据处理方法及系统 Download PDFInfo
- Publication number
- CN115185721A CN115185721A CN202210806614.3A CN202210806614A CN115185721A CN 115185721 A CN115185721 A CN 115185721A CN 202210806614 A CN202210806614 A CN 202210806614A CN 115185721 A CN115185721 A CN 115185721A
- Authority
- CN
- China
- Prior art keywords
- target
- memory
- cluster
- server
- time window
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/008—Reliability or availability analysis
-
- 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
- G06F11/3037—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a memory, e.g. virtual memory, cache
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请提供一种基于人工智能的方法,应用于人工智能数据处理系统,人工智能数据处理系统包括内存计算集群、CPU集群、GPU集群和存储器集群;存储器集群包括若干云存储服务器,每一云存储服务器均包括控制电路、若干散热器和若干存储器;该方法包括:获取目标存储器在目标时间窗口内对应的温度标识集S;获取目标存储器在目标时间窗口内对应的读写次数标识集U;获取目标存储器的存储器信息C;根据f获取目标服务器信息Ff;根据T、C和Ff确定目标存储器对应的目标特征向量Q;将Q输入目标AI模型,以得到目标AI模型输出的目标存储器对应的预测故障发生概率V。本申请能够通过分析目标存储器在时间窗口内的使用情况,使得最终确定的V更加准确。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种基于人工智能的数据处理方法及系统。
背景技术
一般的人工智能数据处理系统中,存储器集群需要对内存计算集群、CPU集群、GPU集群等提供可靠的支持。但是存储器集群中的存储器会有自己的使用寿命和损坏概率。所以为了保证存储器集群能够提供可靠的支持,需要对存储器集群中的存储器(如硬盘)进行故障发生预测,故而预测存储器的损坏时间是一个非常重要的技术难题,现有技术中心,多通过直接采用存储器的历史读写次数和存储器的理论寿命等参数,预测存储器达到实际寿命的时间,从而估算预判发生损坏的时间。
发明内容
有鉴于此,本申请提供一种基于人工智能的数据处理方法,至少部分解决现有技术中存在的问题。
在本实施例的一方面,提供一种基于人工智能的数据处理方法,应用于人工智能数据处理系统,所述人工智能数据处理系统包括内存计算集群、CPU集群、GPU集群和存储器集群;所述内存计算集群、CPU集群和GPU集群均与存储器集群连接;所述存储器集群包括若干云存储服务器,每一所述云存储服务器均包括控制电路、若干散热器和若干存储器;
所述方法包括:
步骤S100,获取目标存储器在目标时间窗口内对应的温度标识集S={S1,S2,...,Sn},其中,目标时间窗口的结束时间为当前时间,目标时间窗口包括n个连续排布的时间段,目标时间窗口的长度为n*ΔT,ΔT为每一时间段的长度,Sn为第n个时间段对应的温度标识;
步骤S200,获取目标存储器在目标时间窗口内对应的读写次数标识集U={U1,U2,...,Un},其中,Un为第n个时间段对应的读写次数标识;
步骤S300,获取目标存储器的存储器信息C={D,Y,f},其中,D为所述目标存储器对应的位置坐标信息,Y为所述目标存储器的历史读写次数标识,f为所述目标存储器所在的云存储服务器对应的服务器标识;
步骤S400,根据f获取目标服务器信息Ff={Rf,Pf,Kf,Af},其中,Rf为目标服务器中目标散热器的位置坐标信息,Pf为所述目标散热器的额定功率,Kf为目标服务器中目标控制电路的位置坐标信息,Af为所述目标控制电路的额定电流;其中,所述目标服务器为所述目标存储器所在的云存储服务器;D、Rf、Kf均对应同一坐标系;
步骤S500,根据T、C和Ff确定所述目标存储器对应的目标特征向量Q;
Q=(dist(D,Rf)/Pf,dist(D,Kf)/Af,Y,T1,T2,...,Tn,U1,U2,...,Un);
其中,dist(D,Rf)为所述目标存储器与所述目标散热器的距离,dist(D,Kf)为所述目标存储器与所述目标控制电路的距离,dist()为预设的距离确定函数;
步骤S600,将Q输入目标AI模型,以得到目标AI模型输出的所述目标存储器对应的预测故障发生概率V;
V符合如下条件:
V=w1*dist(D,Rf)/Pf+w2*dist(D,Kf)/Af+w3*Y+y1*T1+y2*T2+...+yn*Tn+z1*U1+z2*U2+...+zn*Un;
其中,w1,w2,w3,y1,y2,...,yn,z1,z2,...,zn为所述目标AI模型在经过训练后得到的参数。
在本实施例的一方面,提供一种基于人工智能的数据处理系统,包括内存计算集群、CPU集群、GPU集群和存储器集群;所述内存计算集群、CPU集群和GPU集群均与存储器集群连接;所述存储器集群包括若干云存储服务器,每一所述云存储服务器均包括控制电路、若干散热器和若干存储器;
所述存储器集群用于执行以下方法:
获取目标存储器在目标时间窗口内对应的温度标识集S={S1,S2,...,Sn},其中,目标时间窗口的结束时间为当前时间,目标时间窗口包括n个连续排布的时间段,目标时间窗口的长度为n*ΔT,ΔT为每一时间段的长度,Sn为第n个时间段对应的温度标识,n∈[800,1200],ΔT∈[8min,12min];
获取目标存储器在目标时间窗口内对应的读写次数标识集U={U1,U2,...,Un},其中,Un为第n个时间段对应的读写次数标识;
获取目标存储器的存储器信息C={D,Y,f},其中,D为所述目标存储器对应的位置坐标信息,Y为所述目标存储器的历史读写次数标识,f为所述目标存储器所在的云存储服务器对应的服务器标识;
根据f获取目标服务器信息Ff={Rf,Pf,Kf,Af},其中,Rf为目标服务器中目标散热器的位置坐标信息,Pf为所述目标散热器的额定功率,Kf为目标服务器中目标控制电路的位置坐标信息,Af为所述目标控制电路的额定电流;其中,所述目标服务器为所述目标存储器所在的云存储服务器;D、Rf、Kf均对应同一坐标系;
根据T、C和Ff确定所述目标存储器对应的目标特征向量Q;
Q=(dist(D,Rf)/Pf,dist(D,Kf)/Af,Y,T1,T2,...,Tn,U1,U2,...,Un);
其中,dist(D,Rf)为所述目标存储器与所述目标散热器的距离,dist(D,Kf)为所述目标存储器与所述目标控制电路的距离,dist()为预设的距离确定函数;
将Q输入目标AI模型,以得到目标AI模型输出的所述目标存储器对应的预测故障发生概率V;
V符合如下条件:
V=w1*dist(D,Rf)/Pf+w2*dist(D,Kf)/Af+w3*Y+y1*T1+y2*T2+...+yn*Tn+z1*U1+z2*U2+...+zn*Un;
其中,w1,w2,w3,y1,y2,...,yn,z1,z2,...,zn为所述目标AI模型在经过训练后得到的参数。
本申请提供的一种基于人工智能的数据处理方法,能够获取目标存储器在对应的时间窗口内的温度标识集和读写次数标识集,并将温度标识集和读写次数标识集作为目标存储器的目标特征向量的一部分,同时控制了时间窗口的长度和结束时间,使得这些参数能够反应出目标存储器在距离当前时间较短(相较于目标存储器整体使用寿命)的一段时间内的温度变化情况和读写次数分布情况。由于存储器在一段较短的时间内的使用情况会诱发其发生故障,如连续长时间高温或高频率读写。故而本申请中,通过将温度标识集和读写次数标识集中的参数作为目标特征向量的一部分,使得目标AI模型在得到预测故障发生概率V时,能够通过分析目标存储器在时间窗口内的使用情况(通过温度标识集和读写次数标识集反映),使得最终确定的V更加准确。同时,外部散热效果和磁场也是经常导致存储器发生故障的重要因素之一,本申请中目标特征向量中的dist(D,Rf)/Pf能够反映出目标散热器对目标存储器的散热效果,dist(D,Kf)/Af能够反映出目标控制电路的电流产生的磁场对目标存储的影响,从而使得目标AI模型在得到预测故障发生概率V更加精准。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,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它的附图。
图1为本申请实施例中提供的云存储服务器的结构框图。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合;并且,基于本公开中的实施例,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,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
根据本申请的一个方面,提供一种基于人工智能的数据处理方法,应用于人工智能数据处理系统,所述人工智能数据处理系统包括内存计算集群、CPU集群、GPU集群和存储器集群;所述内存计算集群、CPU集群和GPU集群均与存储器集群连接,且能够访问存储器集群;
所述存储器集群包括若干云存储服务器,每一所述云存储服务器均包括控制电路、若干散热器和若干存储器;其中,控制电路可以为一个或多个,本实施例中,每一所述云存储服务器中包括控制电路组、散热器组合存储器组,控制电路组包括多个控制电路,散热器组包括多个散热器,存储器组包括多个存储器。其中,云存储服务器的结构如图1所示。
本实施例提供的一种基于人工智能的数据处理方法,具体包括以下步骤:
步骤S100,获取目标存储器在目标时间窗口内对应的温度标识集S={S1,S2,...,Sn},其中,目标时间窗口的结束时间为当前时间,目标时间窗口包括n个连续排布的时间段,目标时间窗口的长度为n*ΔT,ΔT为每一时间段的长度,Sn为第n个时间段对应的温度标识,n∈[800,1200],ΔT∈[8min,12min]。本实施例中,通过控制n和ΔT的取值范围使得时间窗口的长度控制在4.5天到10天之内,同事,时间窗口的结束时间为当前时间,使得温度标识集能够反应出目标存储器在时间窗口对应的时间内的温度变化情况。具体的,每一时间段对应的温度标识通过以下方法进行确定:
步骤S110,获取目标存储器在目标时间窗口内对应的温度数据集Sls={S1ls,S2ls,...,Snls},其中,Snls为目标存储器在第n个时间段中的所有温度数据;具体的,每一温度数据可以包含多个温度数据。即在温度采集周期小于ΔT时,在每一时间段对应的所有温度数据为多个温度数据。
步骤S120,根据Sls确定S,其中,Sn为Snls对应的温度标识;
Si符合以下条件:
Avg(Sils)<TEMP1,则Si=0;
TEMP1≤Avg(Sils)<TEMP2,则Si=1;
TEMP2≤Avg(Sils)<TEMP3,则Si=2;
TEMP3≤Avg(Sils)<TEMP4,则Si=3;
TEMP4≤Avg(Sils),则Si=4;
TEMP1<TEMP2<TEMP3<TEMP4;
TEMP2-TEMP1>TEMP3-TEMP2>TEMP4-TEMP3;
其中,Si为S中第i个温度标识,Sils为目标存储器在第i个时间段中的所有温度数据,i=1,2,...,n,Avg()为预设的平均值确定函数,TEMP1,TEMP2,TEMP3,TEMP4为预设的温度阈值。具体的,TEMP1=30℃,TEMP2=45℃,TEMP3=55℃,TEMP4=60℃
本实施例中,通过上述多个温度区间,对每一时间段对应的所有温度数据进行分箱处理。同时,目标存储器在不同的温度下,温度的等同数值变化对目标存储器的影响大小不一样,如温度在30℃以下时,是存储器的正常工作温度区间,故而对目标存储器基本没有影响,但在温度达到55℃以后,温度每提高1℃都会对存储器造成较大影响。故而,本实施例中,确定Si的多个温度范围,其对应的最终值不同,且温度区间的长度也会逐步减小(即TEMP2-TEMP1>TEMP3-TEMP2>TEMP4-TEMP3),使得温度标识能够更加准确的反应出其对应的温度对目标存储器的影响。
步骤S200,获取目标存储器在目标时间窗口内对应的读写次数标识集U={U1,U2,...,Un},其中,Un为第n个时间段对应的读写次数标识。读写次数标识集能够反应出目标存储器在时间窗口对应的时间内的读写频率。具体的,每一时间段对应的读写次数标识通过以下方法进行确定:
步骤S210,获取目标存储器在目标时间窗口内对应的读写次数集Uls={U1ls,U2ls,...,Unls},其中,Unls为目标存储器在第n个时间段中的读写次数。例如,若Unls=5000,则表明在目标存储器在第n个时间段中共读写5000次。
步骤S220,根据Uls确定U,其中,Un为Unls对应的温度标识;
Ui符合以下条件:
Uils<Num1,则Ui=0;
Num1≤Uils<Num2,则Ui=1;
Num2≤Uils<Num3,则Ui=2;
Num3≤Uils<Num4,则Ui=3;
Num4≤Uils,则Ui=4;
Num1<Num2<Num3<Num4;
Num2-Num1>Num3-Num2>Num4-Num3;
其中,Ui为U中第i个温度标识,Uils为目标存储器在第i个时间段中的读写次数,i=1,2,...,n,Avg()为预设的平均值确定函数,Num1,Num2,Num3,Num4为预设的次数阈值。具体的Num1=1000,Num2=5000,Num3=7000,Num4=7500
本实施例中,通过上述多个读写次数区间,对每一时间段对应的读写次数进行分箱处理。同时,由于存储器具有正常工作的读写次数区间,故而在同样的时间长度内,不同的读写次数会影响存储器的当前状态,若读写次数在正常工作能力范围内,则不会使存储器的当前状态下降,但在短时间内若读写次数过大,则会影响存储器在接下来一段时间内的状态,而读写次数值越大,存储器向上兼容的能力则越差。故而,本实施例中,通过设置多个读写次数范围,确定Ui的具体数值,数值越大表示再这个及下一个时间段内目标存储器的状态是下降的。且读写次数区间的长度逐渐减小。
步骤S300,获取目标存储器的存储器信息C={D,Y,f},D=(XD,YD,ZD);其中,D为所述目标存储器对应的位置坐标信息,Y为所述目标存储器的历史读写次数标识,f为所述目标存储器所在的云存储服务器对应的服务器标识。D能够表示出目标传感器在目标服务器内的位置。XD、YD、ZD分别为所述目标存储器的横坐标、纵坐标和高度坐标;
步骤S400,根据f获取目标服务器信息Ff={Rf,Pf,Kf,Af},其中,Rf为目标服务器中目标散热器的位置坐标信息,Pf为所述目标散热器的额定功率,Kf为目标服务器中目标控制电路的位置坐标信息,Af为所述目标控制电路的额定电流;其中,所述目标服务器为所述目标存储器所在的云存储服务器;D、Rf、Kf均对应同一坐标系;目标存储器为目标服务器内多个存储器中的一个。
具体的,所述目标散热器为所述目标服务器内的若干散热器中,与所述目标存储器具有相同的位置标识,且距离所述目标存储器距离最小的散热器。所述目标控制电路为所述目标服务器内的若干控制电路中,与所述目标存储器具有相同的位置标识,且距离所述目标存储器距离最小的控制电路。
步骤S500,根据T、C和Ff确定所述目标存储器对应的目标特征向量Q;
Q=(dist(D,Rf)/Pf,dist(D,Kf)/Af,Y,T1,T2,...,Tn,U1,U2,...,Un);
其中,dist(D,Rf)为所述目标存储器与所述目标散热器的距离,dist(D,Kf)为所述目标存储器与所述目标控制电路的距离,dist()为预设的距离确定函数;
步骤S600,将Q输入目标AI模型,以得到目标AI模型输出的所述目标存储器对应的预测故障发生概率V;
V符合如下条件:
V=w1*dist(D,Rf)/Pf+w2*dist(D,Kf)/Af+w3*Y+y1*T1+y2*T2+...+yn*Tn+z1*U1+z2*U2+...
+zn*Un;
其中,w1,w2,w3,y1,y2,...,yn,z1,z2,...,zn为所述目标AI模型在经过训练后得到的参数。
本实施例提供的一种基于人工智能的数据处理方法,能够获取目标存储器在对应的时间窗口内的温度标识集和读写次数标识集,并将温度标识集和读写次数标识集作为目标存储器的目标特征向量的一部分,同时控制了时间窗口的长度和结束时间,使得这些参数能够反应出目标存储器在距离当前时间较短(相较于目标存储器整体使用寿命)的一段时间内的温度变化情况和读写次数分布情况。由于存储器在一段较短的时间内的使用情况会诱发其发生故障,如连续长时间高温或高频率读写。故而本实施例中,通过将温度标识集和读写次数标识集中的参数作为目标特征向量的一部分,使得目标AI模型在得到预测故障发生概率V时,能够通过分析目标存储器在时间窗口内的使用情况(通过温度标识集和读写次数标识集反映),使得最终确定的V更加准确。同时,外部散热效果和磁场也是经常导致存储器发生故障的重要因素之一,本实施例中目标特征向量中的dist(D,Rf)/Pf能够反映出目标散热器对目标存储器的散热效果,dist(D,Kf)/Af能够反映出目标控制电路的电流产生的磁场对目标存储的影响,从而使得目标AI模型在得到预测故障发生概率V更加精准。
在本申请的一种示例性实施例中,w1,w2,w3,y1,y2,...,yn,z1,z2,...,zn,根据以下步骤获取:
步骤710,获取第一数据集M={M1,M2,...Mj},其中,Mj为第j个第一类存储器对应的特征向量,所述第一类存储器为数据库内对应的当前状态为损坏的存储器;每一第一类存储器对应的时间窗口的结束时间为对应的当前状态确定为损坏的时间,每一第一类存储器对应的时间窗口与目标时间窗口的长度相同。本实施例中,第一类存储器指对应的存储器,而第一类存储器的特征向量为用于对初始AI模型进行训练的训练数据。第二类存储器同理,后续不加赘述。M中每一特征向量对应的标记故障发生概率为1。即对应的样本标记为1。
步骤720,根据数据库中每一第一类存储器的存储器类型ID和生产时间,确定至少一个目标信息,每一所述目标信息包括一组对应的目标存储器类型ID和目标生产时间,任意两个目标信息间,对应的目标存储器类型ID和/或目标生产时间间存在差异。一个目标信息对应一个产品批次。例如,若第一类存储器为500个,其中,100个对应第一批次,250个对应第二批次,150和对应第三批次,则目标信息则为3个。
步骤730,将每一目标信息对应的至少一个当前状态为未损坏的存储器确定为第二类存储器,以确定出若干第二类存储器。其中当前状态为未损坏的存储器表示其目前处于正常工作状态。
步骤740,获取每一第二类存储器对应的特征向量,得到第二数据集H={H1,H2,...,Hg},其中,Hg为第g个第二类存储器的特征向量;每一第二类存储器对应的时间窗口的结束时间为对应的目标信息相同的第一类存储器的当前状态确定为损坏的时间(即同一产品批次的第一类存储器的损坏时间),每一第二类存储器对应的时间窗口与目标时间窗口的长度相同。具体的,若同一目标信息对应多个第一类存储器和多个第二类存储器,则第二类存储器对应的时间窗口的结束时间可以为对应的任一第一类存储器的损坏时间,或对应的多个第一类存储器的损坏时间内最靠后的损坏时间。H中每一特征向量对应的标记故障发生概率为0,即对应的样本标记为0。
具体的,第一类存储器的特征向量和第二类存储器的特征向量的形式可参考P中的参数进行设置。
步骤750,根据M和H对初始AI模型进行训练,以得到目标AI模型。
本实施例中,将第一类存储器同批次的为损坏的存储器作为第一类存储器,使得训练时,初始AI模型能够根据同批次的正第二类存储器在一定时间内的状态之间的情况,更好的优化w1,w2,w3,y1,y2,...,yn,z1,z2,...,zn的取值,使得得到的目标AI模块能够得到更加准确的V。
进一步的,训练所述初始AI模型时的约束条件为:
w1+w2+w3=rat1;
y1+y2+...+yn=rat2;
z1+z2+...+zn=rat2;
w1,w2,w3,y1,y2,...,yn,z1,z2,...,zn≠0;
其中,rat1和rat2为预设的系数约束值,rat1+rat2=1。
本实施例中,y1,y2,...,yn的和与z1,z2,...,zn的和相同,使得目标AI模块能够更好地平衡一定时间内温度和读写次数对目标存储器的影响。
在本申请的一种示例性实施例中,在所述步骤S400之后,所述方法还包括:
步骤S410,获取所述目标服务器的最大高度坐标ZMAX,和最小高度坐标ZMIN;
进一步的,本实施例中,相较于前一实施例,Q内的参数会发生变化,具体的:
Q=(CZ,dist(D,Rf)/Pf,dist(D,Kf)/Af,Y,T1,T2,...,Tn,U1,U2,...,Un);
其中,CZ为所述目标存储器对应于所述目标服务器的位置标识;
当ZMIN<ZD<ZMIN+(ZMAX-ZMIN)/3时,表示目标存储器在目标服务器的下部位置,CZ=1;
当ZMIN+(ZMAX-ZMIN)/3≤ZD≤ZMIN+2(ZMAX-ZMIN)/3时,表示目标存储器在目标服务器的中部位置,CZ=2;
当2(ZMAX-ZMIN)/3<ZD<ZMAN时,表示目标存储器在目标服务器的上部位置,CZ=1。
存储器在服务器中的位置不同时,其发生故障的概率也是不同的。具体的,通过对大量存储器进行故障分析中得出,设置在服务器中部的存储器,其发生故障的概率更高。故而,本实施例中,通过ZD于ZMIN和ZMAX之间的关系(上述三个CZ的确定条件),确定出目标传感器在目标服务器中的区域,并使得在不同位置时,CZ的数值不同,反映出目标存储器在目标服务器中的位置对目标存储器发生故障的概率的影响,使得得到的目标AI模块能够得到更加准确的V。
在本实施例的一方面,提供一种基于人工智能的数据处理系统,包括内存计算集群、CPU集群、GPU集群和存储器集群;所述内存计算集群、CPU集群和GPU集群均与存储器集群连接;所述存储器集群包括若干云存储服务器,每一所述云存储服务器均包括控制电路、若干散热器和若干存储器;
所述存储器集群用于执行以下方法:
获取目标存储器在目标时间窗口内对应的温度标识集S={S1,S2,...,Sn},其中,目标时间窗口的结束时间为当前时间,目标时间窗口包括n个连续排布的时间段,目标时间窗口的长度为n*ΔT,ΔT为每一时间段的长度,Sn为第n个时间段对应的温度标识,n∈[800,1200],ΔT∈[8min,12min];
获取目标存储器在目标时间窗口内对应的读写次数标识集U={U1,U2,...,Un},其中,Un为第n个时间段对应的读写次数标识;
获取目标存储器的存储器信息C={D,Y,f},其中,D为所述目标存储器对应的位置坐标信息,Y为所述目标存储器的历史读写次数标识,f为所述目标存储器所在的云存储服务器对应的服务器标识;
根据f获取目标服务器信息Ff={Rf,Pf,Kf,Af},其中,Rf为目标服务器中目标散热器的位置坐标信息,Pf为所述目标散热器的额定功率,Kf为目标服务器中目标控制电路的位置坐标信息,Af为所述目标控制电路的额定电流;其中,所述目标服务器为所述目标存储器所在的云存储服务器;D、Rf、Kf均对应同一坐标系;
根据T、C和Ff确定所述目标存储器对应的目标特征向量Q;
Q=(dist(D,Rf)/Pf,dist(D,Kf)/Af,Y,T1,T2,...,Tn,U1,U2,...,Un);
其中,dist(D,Rf)为所述目标存储器与所述目标散热器的距离,dist(D,Kf)为所述目标存储器与所述目标控制电路的距离,dist()为预设的距离确定函数;
将Q输入目标AI模型,以得到目标AI模型输出的所述目标存储器对应的预测故障发生概率V;
V符合如下条件:
V=w1*dist(D,Rf)/Pf+w2*dist(D,Kf)/Af+w3*Y+y1*T1+y2*T2+...+yn*Tn+z1*U1+z2*U2+...
+zn*Un;
其中,w1,w2,w3,y1,y2,...,yn,z1,z2,...,zn为所述目标AI模型在经过训练后得到的参数。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
根据本申请的这种实施方式的电子设备。电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于:上述至少一个处理器、上述至少一个储存器、连接不同系统组件(包括储存器和处理器)的总线。
其中,所述储存器存储有程序代码,所述程序代码可以被所述处理器执行,使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种示例性实施方式的步骤。
储存器可以包括易失性储存器形式的可读介质,例如随机存取储存器(RAM)和/或高速缓存储存器,还可以进一步包括只读储存器(ROM)。
储存器还可以包括具有一组(至少一个)程序模块的程序/实用工具,这样的程序模块包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线可以为表示几类总线结构中的一种或多种,包括储存器总线或者储存器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
电子设备也可以与一个或多个外部设备(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备交互的设备通信,和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口进行。并且,电子设备还可以通过网络适配器与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器通过总线与电子设备的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本申请的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本申请各种示例性实施方式的步骤。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本申请示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于人工智能的数据处理方法,其特征在于,应用于人工智能数据处理系统,所述人工智能数据处理系统包括内存计算集群、CPU集群、GPU集群和存储器集群;所述内存计算集群、CPU集群和GPU集群均与存储器集群连接;所述存储器集群包括若干云存储服务器,每一所述云存储服务器均包括控制电路、若干散热器和若干存储器;
所述方法包括:
步骤S100,获取目标存储器在目标时间窗口内对应的温度标识集S={S1,S2,...,Sn},其中,目标时间窗口的结束时间为当前时间,目标时间窗口包括n个连续排布的时间段,目标时间窗口的长度为n*ΔT,ΔT为每一时间段的长度,Sn为第n个时间段对应的温度标识;
步骤S200,获取目标存储器在目标时间窗口内对应的读写次数标识集U={U1,U2,...,Un},其中,Un为第n个时间段对应的读写次数标识;
步骤S300,获取目标存储器的存储器信息C={D,Y,f},其中,D为所述目标存储器对应的位置坐标信息,Y为所述目标存储器的历史读写次数标识,f为所述目标存储器所在的云存储服务器对应的服务器标识;
步骤S400,根据f获取目标服务器信息Ff={Rf,Pf,Kf,Af},其中,Rf为目标服务器中目标散热器的位置坐标信息,Pf为所述目标散热器的额定功率,Kf为目标服务器中目标控制电路的位置坐标信息,Af为所述目标控制电路的额定电流;其中,所述目标服务器为所述目标存储器所在的云存储服务器;D、Rf、Kf均对应同一坐标系;
步骤S500,根据T、C和Ff确定所述目标存储器对应的目标特征向量Q;
Q=(dist(D,Rf)/Pf,dist(D,Kf)/Af,Y,T1,T2,...,Tn,U1,U2,...,Un);
其中,dist(D,Rf)为所述目标存储器与所述目标散热器的距离,dist(D,Kf)为所述目标存储器与所述目标控制电路的距离,dist()为预设的距离确定函数;
步骤S600,将Q输入目标AI模型,以得到目标AI模型输出的所述目标存储器对应的预测故障发生概率V;
V符合如下条件:
V=w1*dist(D,Rf)/Pf+w2*dist(D,Kf)/Af+w3*Y+y1*T1+y2*T2+...+yn*Tn+z1*U1+z2*U2+...+zn*Un;
其中,w1,w2,w3,y1,y2,...,yn,z1,z2,...,zn为所述目标AI模型在经过训练后得到的参数。
2.根据权利要求1所述的方法,其特征在于,w1,w2,w3,y1,y2,...,yn,z1,z2,...,zn,根据以下步骤获取:
步骤710,获取第一数据集M={M1,M2,...Mj},其中,Mj为第j个第一类存储器对应的特征向量,所述第一类存储器为数据库内对应的当前状态为损坏的存储器;每一第一类存储器对应的时间窗口的结束时间为对应的当前状态确定为损坏的时间,每一第一类存储器对应的时间窗口与目标时间窗口的长度相同;M中每一特征向量对应的标记故障发生概率为1;
步骤720,根据数据库中每一第一类存储器的存储器类型ID和生产时间,确定至少一个目标信息,每一所述目标信息包括一组对应的目标存储器类型ID和目标生产时间,任意两个目标信息间,对应的目标存储器类型ID和/或目标生产时间间存在差异;
步骤730,将每一目标信息对应的至少一个当前状态为未损坏的存储器确定为第二类存储器,以确定出若干第二类存储器;
步骤740,获取每一第二类存储器对应的特征向量,得到第二数据集H={H1,H2,...,Hg},其中,Hg为第g个第二类存储器的特征向量;每一第二类存储器对应的时间窗口的结束时间为对应的目标信息相同的第一类存储器的当前状态确定为损坏的时间,每一第二类存储器对应的时间窗口与目标时间窗口的长度相同;H中每一特征向量对应的标记故障发生概率为0;
步骤750,根据M和H对初始AI模型进行训练,以得到目标AI模型。
3.根据权利要求1所述的方法,其特征在于,训练所述初始AI模型时的约束条件为:
w1+w2+w3=rat1;
y1+y2+...+yn=rat2;
z1+z2+...+zn=rat2;
w1,w2,w3,y1,y2,...,yn,z1,z2,...,zn≠0;
其中,rat1和rat2为预设的系数约束值,rat1+rat2=1。
4.根据权利要求1所述的方法,其特征在于,所述步骤S100,包括:
步骤S110,获取目标存储器在目标时间窗口内对应的温度数据集Sls={S1ls,S2ls,...,Snls},其中,Snls为目标存储器在第n个时间段中的所有温度数据;
步骤S120,根据Sls确定S,其中,Sn为Snls对应的温度标识;
Si符合以下条件:
Avg(Sils)<TEMP1,则Si=0;
TEMP1≤Avg(Sils)<TEMP2,则Si=1;
TEMP2≤Avg(Sils)<TEMP3,则Si=2;
TEMP3≤Avg(Sils)<TEMP4,则Si=3;
TEMP4≤Avg(Sils),则Si=4;
TEMP1<TEMP2<TEMP3<TEMP4;
TEMP2-TEMP1>TEMP3-TEMP2>TEMP4-TEMP3;
其中,Si为S中第i个温度标识,Sils为目标存储器在第i个时间段中的所有温度数据,i=1,2,...,n,Avg()为预设的平均值确定函数,TEMP1,TEMP2,TEMP3,TEMP4为预设的温度阈值。
5.根据权利要求1所述的方法,其特征在于,所述步骤S200,包括:
步骤S210,获取目标存储器在目标时间窗口内对应的读写次数集Uls={U1ls,U2ls,...,Unls},其中,Unls为目标存储器在第n个时间段中的读写次数;
步骤S220,根据Uls确定U,其中,Un为Unls对应的温度标识;
Ui符合以下条件:
Uils<Num1,则Ui=0;
Num1≤Uils<Num2,则Ui=1;
Num2≤Uils<Num3,则Ui=2;
Num3≤Uils<Num4,则Ui=3;
Num4≤Uils,则Ui=4;
Num1<Num2<Num3<Num4;
Num2-Num1>Num3-Num2>Num4-Num3;
其中,Ui为U中第i个温度标识,Uils为目标存储器在第i个时间段中的读写次数,i=1,2,...,n,Avg()为预设的平均值确定函数,Num1,Num2,Num3,Num4为预设的次数阈值。
6.根据权利要求1所述的方法,其特征在于,D=(XD,YD,ZD);其中,XD、YD、ZD分别为所述目标存储器的横坐标、纵坐标和高度坐标;
在所述步骤S400之后,所述方法还包括:
步骤S410,获取所述目标服务器的最大高度坐标ZMAX,和最小高度坐标ZMIN;
Q=(CZ,dist(D,Rf)/Pf,dist(D,Kf)/Af,Y,T1,T2,...,Tn,U1,U2,...,Un);
其中,CZ为所述目标存储器对应于所述目标服务器的位置标识;
当ZMIN<ZD<ZMIN+(ZMAX-ZMIN)/3时,CZ=1;
当ZMIN+(ZMAX-ZMIN)/3≤ZD≤ZMIN+2(ZMAX-ZMIN)/3时,CZ=2;
当2(ZMAX-ZMIN)/3<ZD<ZMAN时,CZ=1。
7.根据权利要求6所述的方法,其特征在于,所述目标散热器为所述目标服务器内的若干散热器中,与所述目标存储器具有相同的位置标识,且距离所述目标存储器距离最小的散热器。
8.根据权利要求6所述的方法,其特征在于,所述目标控制电路为所述目标服务器内的若干控制电路中,与所述目标存储器具有相同的位置标识,且距离所述目标存储器距离最小的控制电路。
9.根据权利要求1所述的方法,其特征在于,n∈[800,1200],ΔT∈[8min,12min]。
10.一种基于人工智能的数据处理系统,其特征在于,包括内存计算集群、CPU集群、GPU集群和存储器集群;所述内存计算集群、CPU集群和GPU集群均与存储器集群连接;所述存储器集群包括若干云存储服务器,每一所述云存储服务器均包括控制电路、若干散热器和若干存储器;
所述存储器集群用于执行以下方法:
获取目标存储器在目标时间窗口内对应的温度标识集S={S1,S2,...,Sn},其中,目标时间窗口的结束时间为当前时间,目标时间窗口包括n个连续排布的时间段,目标时间窗口的长度为n*ΔT,ΔT为每一时间段的长度,Sn为第n个时间段对应的温度标识,n∈[800,1200],ΔT∈[8min,12min];
获取目标存储器在目标时间窗口内对应的读写次数标识集U={U1,U2,...,Un},其中,Un为第n个时间段对应的读写次数标识;
获取目标存储器的存储器信息C={D,Y,f},其中,D为所述目标存储器对应的位置坐标信息,Y为所述目标存储器的历史读写次数标识,f为所述目标存储器所在的云存储服务器对应的服务器标识;
根据f获取目标服务器信息Ff={Rf,Pf,Kf,Af},其中,Rf为目标服务器中目标散热器的位置坐标信息,Pf为所述目标散热器的额定功率,Kf为目标服务器中目标控制电路的位置坐标信息,Af为所述目标控制电路的额定电流;其中,所述目标服务器为所述目标存储器所在的云存储服务器;D、Rf、Kf均对应同一坐标系;
根据T、C和Ff确定所述目标存储器对应的目标特征向量Q;
Q=(dist(D,Rf)/Pf,dist(D,Kf)/Af,Y,T1,T2,...,Tn,U1,U2,...,Un);
其中,dist(D,Rf)为所述目标存储器与所述目标散热器的距离,dist(D,Kf)为所述目标存储器与所述目标控制电路的距离,dist()为预设的距离确定函数;
将Q输入目标AI模型,以得到目标AI模型输出的所述目标存储器对应的预测故障发生概率V;
V符合如下条件:
V=w1*dist(D,Rf)/Pf+w2*dist(D,Kf)/Af+w3*Y+y1*T1+y2*T2+...+yn*Tn+z1*U1+z2*U2+...+zn*Un;
其中,w1,w2,w3,y1,y2,...,yn,z1,z2,...,zn为所述目标AI模型在经过训练后得到的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210806614.3A CN115185721B (zh) | 2022-07-08 | 2022-07-08 | 一种基于人工智能的数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210806614.3A CN115185721B (zh) | 2022-07-08 | 2022-07-08 | 一种基于人工智能的数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115185721A true CN115185721A (zh) | 2022-10-14 |
CN115185721B CN115185721B (zh) | 2023-01-31 |
Family
ID=83517165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210806614.3A Active CN115185721B (zh) | 2022-07-08 | 2022-07-08 | 一种基于人工智能的数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115185721B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116414662A (zh) * | 2023-04-24 | 2023-07-11 | 山东溯源安全科技有限公司 | 一种存储空间扩容提示方法、装置、电子设备及存储介质 |
CN116684046A (zh) * | 2023-07-03 | 2023-09-01 | 国广顺能(上海)能源科技有限公司 | 一种低通信质量下数据上传异常处理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101479708A (zh) * | 2006-06-28 | 2009-07-08 | 精工爱普生株式会社 | 半导体存储装置管理系统、半导体存储装置、主机装置、程序、半导体存储装置的管理方法 |
CN112433896A (zh) * | 2020-11-05 | 2021-03-02 | 北京浪潮数据技术有限公司 | 一种服务器磁盘故障预测方法、装置、设备及存储介质 |
US20210117822A1 (en) * | 2019-10-18 | 2021-04-22 | EMC IP Holding Company LLC | System and method for persistent storage failure prediction |
CN112799850A (zh) * | 2021-02-26 | 2021-05-14 | 重庆度小满优扬科技有限公司 | 模型的训练方法、模型的预测方法以及模型的控制系统 |
CN114356785A (zh) * | 2022-03-11 | 2022-04-15 | 中航信移动科技有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
-
2022
- 2022-07-08 CN CN202210806614.3A patent/CN115185721B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101479708A (zh) * | 2006-06-28 | 2009-07-08 | 精工爱普生株式会社 | 半导体存储装置管理系统、半导体存储装置、主机装置、程序、半导体存储装置的管理方法 |
US20210117822A1 (en) * | 2019-10-18 | 2021-04-22 | EMC IP Holding Company LLC | System and method for persistent storage failure prediction |
CN112433896A (zh) * | 2020-11-05 | 2021-03-02 | 北京浪潮数据技术有限公司 | 一种服务器磁盘故障预测方法、装置、设备及存储介质 |
CN112799850A (zh) * | 2021-02-26 | 2021-05-14 | 重庆度小满优扬科技有限公司 | 模型的训练方法、模型的预测方法以及模型的控制系统 |
CN114356785A (zh) * | 2022-03-11 | 2022-04-15 | 中航信移动科技有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
赵冉: "基于云计算平台的图书馆混合推荐技术研究", 《现代电子技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116414662A (zh) * | 2023-04-24 | 2023-07-11 | 山东溯源安全科技有限公司 | 一种存储空间扩容提示方法、装置、电子设备及存储介质 |
CN116414662B (zh) * | 2023-04-24 | 2023-10-10 | 山东溯源安全科技有限公司 | 一种存储空间扩容提示方法、装置、电子设备及存储介质 |
CN116684046A (zh) * | 2023-07-03 | 2023-09-01 | 国广顺能(上海)能源科技有限公司 | 一种低通信质量下数据上传异常处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115185721B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115185721B (zh) | 一种基于人工智能的数据处理方法及系统 | |
US9477224B2 (en) | Physics-based lifespan modeling | |
JP4756675B2 (ja) | コンピュータ資源のキャパシティを予測するためのシステム、方法およびプログラム | |
CN100533399C (zh) | 用于检测异常的自学习方法和系统 | |
CN108509325B (zh) | 系统超时时间的动态确定方法与装置 | |
US9189216B2 (en) | Power consumption design-optimization of a communication device software program | |
CN109960635B (zh) | 实时计算平台的监控和报警方法、系统、设备及存储介质 | |
US11966778B2 (en) | Cloud application scaler | |
US8839180B1 (en) | Dielectric reliability assessment for advanced semiconductors | |
US20180231962A1 (en) | Sensing and computing control system for shaping precise temporal physical states | |
US20170211832A1 (en) | Tuning model structures of dynamic systems | |
CN117370065B (zh) | 一种异常任务确定方法、电子设备及存储介质 | |
CN116627770B (zh) | 网卡温度预测方法、装置、计算机设备及存储介质 | |
CN116266247A (zh) | 风力发电机组的发电性能评估方法和装置 | |
US20170201464A1 (en) | Apparatus for managing optimized asset of distributed resources and operation method of the same | |
US20170039101A1 (en) | Monitor performance analysis | |
US20180107520A1 (en) | Apparatus and method to control calculation resources of an information processing device based on predictive values of reference data | |
US20230350392A1 (en) | Method and system for seamless transition of runtime system from controller device to digitalization platform | |
JP7495601B2 (ja) | 情報処理装置、制御方法、プログラム | |
CN116431454B (zh) | 一种大数据的计算机性能控制系统及方法 | |
WO2024002026A1 (zh) | 能耗优化方法、系统、装置及存储介质 | |
US20230063791A1 (en) | Model management device and model managing method | |
CN117931583A (zh) | 一种设备集群运行状态预测方法、电子设备及存储介质 | |
CN117951625A (zh) | 一种设备集群运行异常确定方法、电子设备及存储介质 | |
CN112907140A (zh) | 软件项目工期评测方法、装置、电子设备以及介质 |
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 |