CN115460121A - 一种基于大数据和数字孪生的数据中心监测方法及系统 - Google Patents
一种基于大数据和数字孪生的数据中心监测方法及系统 Download PDFInfo
- Publication number
- CN115460121A CN115460121A CN202211386142.7A CN202211386142A CN115460121A CN 115460121 A CN115460121 A CN 115460121A CN 202211386142 A CN202211386142 A CN 202211386142A CN 115460121 A CN115460121 A CN 115460121A
- Authority
- CN
- China
- Prior art keywords
- data
- twin
- server
- monitoring
- application server
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000007689 inspection Methods 0.000 claims abstract description 105
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 230000004044 response Effects 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 14
- 239000000203 mixture Substances 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008929 regeneration Effects 0.000 claims description 6
- 238000011069 regeneration method Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 239000000306 component Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/50—Testing arrangements
-
- 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
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
- G06F11/3093—Configuration details thereof, e.g. installation, enabling, spatial arrangement of the probes
-
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/546—Message passing systems or structures, e.g. queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/10—Active monitoring, e.g. heartbeat, ping or trace-route
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/54—Indexing scheme relating to G06F9/54
- G06F2209/548—Queue
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- General Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及大数据中心技术领域,具体涉及一种基于大数据和数字孪生的数据中心监测方法及系统。所述方法包括:预先先生成巡检索引表;虚拟平台调取目标应用服务器,并将监测配置指令发送至孪生模块服务器;孪生模块服务器根据巡检信息完成硬件配置;虚拟平台生成孪生数据包,并将孪生数据包发送至孪生模块服务器;孪生模块服务器生成对应的监测反馈信息,并反馈至虚拟平台。所述系统包括若干应用服务器,孪生模块服务器和虚拟平台。本发明通过孪生模块服务器组合出对应的目标服务器类型,模拟应用服务器真实的运行场景,从而进行针对性的测试,在不影响应用服务器正常使用的前提下,提高了巡检功能和项目的可扩展性,同时保证了数据安全性。
Description
技术领域
本发明涉及大数据中心技术领域,更具体地,涉及一种基于大数据和数字孪生的数据中心监测方法及系统。
背景技术
目前,现有技术中的数据中心服务器巡检主要通过调取对应的报告日志、监测各个器件的运行温度、监测各个部件运行状态等传统方式,而这类方式在分析效果上均有待加强,调取日志需要服务器交互,所以一般以日、周、月为调取时间单位进行,间隔时间较长,实时性较差;另一方面,通过预设的传感装置检测毕竟采集的数据内容和精度有限制,难以达到较佳的巡检效果,同时在服务器运行时进行检测,考虑到需要保证服务器工作的正常进行,所以难以实际分析特定场景的应对情况。
发明内容
本发明旨在克服上述现有技术的至少一种缺陷(不足),提供一种基于大数据和数字孪生的数据中心监测方法及系统,通过孪生模块服务器组合出对应的目标服务器类型,模拟应用服务器真实的运行场景,从而进行针对性的测试,在不影响应用服务器正常使用的前提下,提高了巡检功能和项目的可扩展性同时保证了数据安全性。
本发明采取的技术方案是,第一方面,提供一种基于大数据和数字孪生的数据中心监测方法,预先先生成巡检索引表,所述巡检索引表包含待巡检应用服务器的巡检顺序,然后执行以下步骤:
S1、虚拟平台根据所述巡检索引表中的巡检顺序调取目标应用服务器以及对应的巡检信息,生成监测配置指令,并将监测配置指令发送至孪生模块服务器;
S2、所述孪生模块服务器根据所述监测配置指令中的巡检信息完成硬件配置;
S3、虚拟平台从目标应用服务器获取当前的镜像数据包,根据镜像数据包生成孪生数据包,并将孪生数据包发送至孪生模块服务器;
S4、所述孪生模块服务器根据接收到的孪生数据包生成对应的监测反馈信息,并反馈至虚拟平台,所述监测反馈信息包括响应时间数据;
S5、虚拟平台获取对应的监测反馈信息后,返回S1,根据巡检索引表继续调取下一个目标应用服务器。
应用服务器为数据中心的核心组成部分,而服务于数据中心的用户端,一个数据中心可能存在不同配置或加载了不同的服务模块的应用服务器,在一个数据中心内不同硬件器配置的应用服务器种类不会太多,但是承担不同逻辑功能的应用服务器相对而言是比较多的,所以如果要实现所有应用服务器的复制,难度较大,如果针对不同硬件和不同的服务模块的服务器都需要复制一个相同的设备,成本较高,势必无法应用。因此,通过设置孪生模块服务器组合出对应的目标服务器类型,模拟应用服务器真实的运行场景,从而进行针对性的测试,可以实现对所有类型的应用服务器的复制,在不影响应用服务器正常使用的前提下,提高了巡检功能和项目的可扩展性,同时通过生成孪生数据包的方式保证了数据安全性。
进一步的,所述巡检信息与应用服务器相对应,包括硬件组成子信息和运行特征子信息,所述硬件组成子信息反映对应的应用服务器的硬件器件的组成情况,所述运行特征子信息反映对应的应用服务器的运行特征的情况。
所述目标应用服务器的巡检信息包括硬件组成子信息和运行特征子信息,也就是说虚拟平台可以通过调取目标应用服务器的编码直接获取目标应用服务器硬件部分和软件部分的组成要素,并将这两个要素发送到对应的孪生模块服务器中。
进一步的,步骤S2具体包括:孪生模块服务器接收所述监测配置指令后,根据所述硬件组成子信息配置对应的分选接口,根据所述运行特征子信息为硬件器件配置对应的运行特征。
更具体的,孪生模块服务器的分选接口受控于虚拟平台对孪生模块服务器的硬件器件之间形成对应的分选通道,以形成硬件拓扑的孪生模块服务器。孪生模块服务器接收到目标应用服务器的硬件组成子信息和运行特征子信息后,通过分选接口形成孪生虚拟服务器,然后通过在孪生模块服务器的CPU中载入对应运行特征的软件支撑,从而完成与目标应用服务器对应的孪生模块服务器的配置。
进一步的,步骤S3所述根据镜像数据包生成孪生数据包,具体包括:虚拟平台从镜像数据包中提取数据特征,并根据数据特征调取对应的数据要素,根据数据要素生成孪生数据包。
在进行巡检时,由于需要不断地获取目标应用服务器的数据包,会存在数据安全性得不到保障的问题。而如果要保证数据安全性,又要对具体的工作情况进行高度仿真,首先需要对目标应用服务器实时接收的数据包进行镜像获得镜像数据包,然后提取镜像数据包中的特征,根据镜像数据包的特征重新生成一个新的孪生数据包,所述孪生数据包的内容和镜像数据包不同,但是其数据特性和镜像数据包相同,这样就可以保证镜像数据包不被孪生模块服务器直接解析,而又能实现高度仿真的效果。而该方案的难度在于,如何生成一个具有相同的数据特征的孪生数据包,因此本发明基于大数据,将不同的服务类型中的数据要素进行获取,通过不同方式生成数据要素,例如校验方式、加密方式、数据压缩方式等等。当数据包中的数据出现对应的数据特征时,说明其高度可能选择对应的数据要素,在样本数量足够大的情况下可以完成对数据包的要素分析,然后就可以重新生成对应的孪生数据包,所述孪生数据包与镜像数据包具有高度相同的数据特征,从而在保证数据安全性的前提下,对目标应用服务器的具体工作情况进行高度仿真。
进一步的,还包括:大数据交互平台根据监测反馈信息,使用关联修正算法对所述数据特征和数据要素之间的数据关联值进行修正,具体包括:
大数据交互平台接收监测反馈信息中的响应时间数据,并根据响应时间数据修正对应的数据特征和数据要素之间的数据关联值;
根据数据关联值将数据特征和数据要素进行匹配。
更具体的,首先通过大数据交互平台建立一个关于数据特征和数据要素的关联模型,因为数据特征和数据要素的对应关系会实时更新,并且无法直接通过经验获知,也就是每个数据特征会和多个数据要素之间存在关联关系。所述关联关系的强度通过数据关联值体现,首先通过样本训练模块输入数据样本,也就是样本数据包,由于其数据要素和数据特征都是已知量,所以可以根据样本数据包中的数据特征和数据要素的同时出现频次生成对应的数据关联值,作为初始模型。随着数据中心允许共享的样本越多,大数据分析模型越准确,而训练完成后,通过数据反馈模块对实际的关联值进行修正。例如实际产生了孪生数据包后,其实是可以根据孪生数据包的数据量以及数据要素计算出理论上处理孪生数据包的时间,虽然处理时间还与服务器的其他因素有关,但是如果有大量的数据不断根据理论时间和实际时间的差值进行反馈,从而修正数据关联值,这样就会使数据特征和数据要素之间的关系不断趋于准确,最后要素配置模块会根据要素配置策略进行匹配,将匹配完成的结果存储对应的数据特征库中,这样通过虚拟平台不断更新数据特征库中的数据,保证了数据特征库独立性的同时,通过智能学习的方式不断对数据特征和数据要素的匹配关系进行迭代,提高系统可靠性。
更具体的,所述关联修正算法为,其中At1为修正
后的数据关联值;At0为修正前的数据关联值;为预设的响应权重;为预设的处理权重,
并且;T1为响应时间数据中的数据包接收时间;T2为响应时间数据中的数据包处
理时间;Ts1为孪生数据包对应的基准接收时间;Ts2为该孪生数据包对应的基准响应时间。
使用关联修正算法对所述数据特征和数据要素之间的数据关联值进行修正可以通过实际时间和理论时间的差值计算得到对应的修正参数,而为了进一步提高准确性,本发明同时利用了数据日志汇报的接收完成时间和处理完成时间,分别根据两个时间的差值进行数据分析,使分析结果更加精确,同时使得整个自学习逻辑更容易收敛,而理论时间则需要根据数据要素计算得到。
进一步的,所述根据数据关联值将数据特征和数据要素进行匹配,具体包括:
根据数据关联值生成每一数据特征对应的数据要素的随机数范围区间,数据关联值越大,则随机数范围区间越大;
在随机数范围区间内生成一随机数,根据随机数落入的随机数范围区间调取对应的数据要素;
将被调取的数据要素和数据特征关联存储至对应的特征数据库中,并将被调取的数据要素和数据特征对应的数据关联值减小预设的衰减差值。
为了保证每个数据中心的数据特征库的独立性,数据要素和数据特征的匹配是通过随机数生成的,所以只要有关联关系,就会有一定概率被匹配成功。而当一个数据关联完成时,对应的数据要素和数据特征之间的数据关联值会减小,从而提高其他的数据要素在数据特征数据库中出现的概率,辅助修正算法,提高学习策略的收敛性。
进一步的,所述生成巡检索引表,具体包括:
计算所有应用服务器的巡检基准值;
根据巡检基准值的分布生成基准划分阈值,随机确定巡检基准值高于基准划分阈值的应用服务器加入待巡检队列,从而生成巡检索引表;
实时更新每一台应用服务器的巡检基准值,并在巡检基准值高于基准划分阈值时,将对应的应用服务器加入待巡检队列。
更具体的,还包括巡检匹配算法,所述巡检匹配算法计算每一应用服务器的巡检
基准值,可以根据巡检匹配算法预先为每一应用服务器配置对应的基准值。所述巡检匹配
算法为,其中B为巡检基准值;为该应用服务器对应的巡
检优先值;C为该应用服务器的历史异常次数;g(t)为巡检安全函数,反映当前时刻下该应
用服务器的执行安全等级,所述的t为当前时刻;R为应用服务器的最大负荷值;f(t)为巡检
负荷函数,反映当前时刻下该应用服务器的实际数据负荷;F预设的巡检负荷值。
每个应用服务器根据其安全性、负荷情况、预先设置的优先级、异常次数可以生成一个基准巡检的依据,安全性较低、负荷较小、优先值较高、异常次数较多的应用服务器在巡检时应当增加巡检次数,反之则应该减少巡检次数。所以通过计算巡检基准值可以为每一应用服务器配置对应的巡检概率,而由于巡检虽然有不同的应用服务器可能巡检频次不同,但是从整体上而言让然应该保持巡检的全面性,所以通过首先设置基准划分阈值的方式保证巡检过程中的巡检配置。
进一步的,还包括预设的巡检基准比,所述的基准划分阈值为巡检基准值的总和巡检基准比的乘积。
更具体的,还包括巡检动态算法和巡检触发条件,巡检触发条件可以是巡检间隔
时间,或者是巡检次数间隔时间,或者是数据中心空闲情况作为触发条件,而巡检动态算法
为,其中,Bt1为更新后的巡检基准值;Bt0为更新前的巡检基准值;x1为
运行加载关联值;所述运行加载关联值为该应用服务器的运行特征子信息和巡检队列末尾
的应用服务器的运行特征子信息之间的加载关联度;d为运行特征负荷值,所述运行特征负
荷值反映该应用服务器的运行特征子信息对应的加载等效负荷;x2为预设的完成度参数;s
为目前巡检队列中处在最末的该应用服务器与队列末尾的应用服务器的间隔数,当巡检队
列中无该应用服务器时,s为巡检队列的数量。
通过巡检动态算法的设置,可以不断更新巡检基准值,当应用服务器被选择时,对应的间隔数减小,对应产生的巡检基准值就减小,可以保证未被选择到巡检队列中的数据不断增加,从而使被选择过的应用服务器靠后,实现队列最优。
进一步的,还包括:
虚拟平台根据目标应用服务器的环境状态,获取对应的环境状态信息,并将所述环境状态信息发送至孪生模块服务器;
孪生模块服务器根据环境状态信息改变对应的硬件器件的运行环境。
更具体的,所述孪生模块服务器包括若干模拟执行器,所述模拟执行器对应与孪生模块服务器的硬件器件设置,以根据环境状态信息以改变对应的硬件器件的运行环境,可以模拟实际的运行环境,模拟执行器可以是发热元件、风机、湿度控制元件等,响应于对环境的监测。由于不同的硬件器件在孪生模块服务器中的物理距离是被分隔的,因为要满足布线要求和组合要求,但是如果这样设置,物理距离导致的情形无法模拟,所以通过检测反馈的方式,模拟出对应的环境信息,避免因为物理分隔导致仿真效果下降。
第二方面,提供一种基于大数据和数字孪生的数据中心监测系统,应用于数据中心,所述数据中心包括若干应用服务器,还包括孪生模块服务器和虚拟平台;
所述孪生模块服务器包括配置单元、反馈单元、分选接口以及若干硬件组;
所述若干硬件组包括类型相同型号不同的若干硬件器件,不同硬件组的硬件器件的类型不同,所述分选接口受控于配置单元,连接不同硬件组的硬件器件以组成孪生模块服务器,并连接至虚拟平台,所述反馈单元用于检测所述孪生模块服务器运行时的运行参数以生成运行监测反馈信息;
所述虚拟平台包括监测配置模块、数据孪生模块以及监控测试模块;
所述监测配置模块配置有巡检数据库,所述巡检数据库存储有若干巡检信息,所述巡检信息与各个应用服务器对应,所述监测配置模块还包括预先生成的巡检索引表,监测配置模块根据所述巡检索引表中的巡检顺序调取目标应用服务器对应的巡检信息以生成监测配置指令,并将监测配置指令发送至所述孪生模块服务器的配置单元;
所述数据孪生模块配置有数据特征库,所述数据特征库存储有若干数据特征并配置有特征提取策略以及数据重生策略,每一数据特征对应有数据要素,所述数据孪生模块从目标应用服务器获取当前的镜像数据包,所述特征提取策略从镜像数据包中提取数据特征,并根据数据特征从数据特征库调取对应的数据要素,所述数据重生策略根据数据要素生成孪生数据包;
所述监控测试模块用于将所述孪生数据包发送至孪生模块服务器,并从所述反馈单元中获取监测反馈信息。
进一步的,还包括大数据交互平台,所述大数据交互平台配置有数据特征关联模型,所述数据特征关联模型用于对应数据特征和数据要素建立关联网络,每一具有关联关系的数据特征和数据要素之间形成有数据关联值;
所述大数据交互平台包括样本训练模块、数据反馈模块以及要素配置模块,所述样本训练模块通过样本数据包训练所述数据特征关联模型以生成对应的数据关联值,所述数据反馈模块配置有关联修正算法,所述数据反馈模块接收检测反馈信息中的响应时间数据,并根据响应时间数据修正对应的数据特征和数据要素之间的数据关联值,所述要素配置模块配置有要素匹配策略,所述要素匹配策略根据数据关联值将数据特征和数据要素进行匹配,并存储至所述数据特征库。
进一步的,所述孪生模块服务器还包括模拟单元和采集单元,所述模拟单元包括若干模拟执行器,所述模拟执行器对应于硬件器件设置;
所述虚拟平台根据目标应用服务器的环境状态,获取对应的环境状态信息,并将所述环境状态信息发送至孪生模块服务器,所述模拟执行器根据环境状态信息以改变对应的硬件器件的运行环境。
与现有技术相比,本发明的有益效果为:
(1)通过设置孪生模块服务器组合出对应的目标服务器类型,模拟应用服务器真实的运行场景,从而进行针对性的测试,可以实现对所有类型的应用服务器的复制,在不影响应用服务器正常使用的前提下,提高了巡检功能和项目的可扩展性;
(2)通过生成与镜像数据包具有高度相同数据特征的孪生数据包,从而在保证数据安全性的前提下,对目标应用服务器的具体工作情况进行高度仿真;
(3)通过虚拟平台不断更新数据特征库中的数据,保证了数据特征库独立性的同时,通过智能学习的方式不断对数据特征和数据要素的匹配关系进行迭代,提高系统可靠性;
(4)通过模拟执行器对应孪生模块服务器的硬件器件设置,以根据环境状态信息以改变对应的硬件器件的运行环境,可以模拟实际的运行环境。
附图说明
图1为本发明实施例1的系统结构图。
图2为本发明实施例1孪生模块服务器的分选接口和硬件组设置结构图。
图3为本发明实施例2的方法流程图。
附图标记说明:1-应用服务器;2-孪生模块服务器;3-虚拟平台;4-大数据交互平台;21-配置单元;22-反馈单元;23-分选接口;24-模拟单元;25采集单元;201-硬件器件;310-监测配置模块;311-巡检数据库;320-数据孪生模块;321-数据特征库;330-监控测试模块。
具体实施方式
本发明附图仅用于示例性说明,不能理解为对本发明的限制。为了更好说明以下实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
实施例1
如图1所示,本实施例提供一种基于大数据和数字孪生的数据中心监测系统,所述数据中心包括若干应用服务器1,还包括孪生模块服务器2和虚拟平台3。
本实施例所述孪生模块服务器包括配置单元21、反馈单元22、分选接口23以及若干硬件组。
本实施例所述若干硬件组包括类型相同型号不同的若干硬件器件201,不同硬件组的硬件器件201的类型不同,所述分选接口23受控于配置单元21,连接不同硬件组的硬件器件201以组成孪生模块服务器2,并连接至虚拟平台3,具体是通过虚拟平台3发送信号至配置单元21,配置单元21通过切换分选接口23进行通信建立。作为优选的,分选接口23的设置拓扑如图2所示。
本实施例所述反馈单元22用于检测所述孪生模块服务器2运行时的运行参数以生成运行监测反馈信息。
如图2所示,本实施例所述孪生模块服务器2的硬件组包括:CPU,内存组,硬盘组,电源组,网卡组,阵列器组,远程管理卡组;每一硬件组内有不同型号的硬件器件201,而每个硬件组中硬件器件201的数量为穷举方式下应用服务器1的不同型号的硬件器件201的数量,这样就可以通过接口通讯的方式组成需要的服务器的硬件拓扑。
如图1所示,本实施例所述孪生模块服务器2还包括模拟单元24和采集单元25,所述模拟单元24包括若干模拟执行器,所述模拟执行器对应于硬件器件201设置。
本实施例所述虚拟平台3根据目标应用服务器1的环境状态,获取对应的环境状态信息,并将所述环境状态信息发送至孪生模块服务器2,所述模拟执行器根据环境状态信息以改变对应的硬件器件201的运行环境。更具体的,所述孪生模块服务器2包括若干模拟执行器,所述模拟执行器与孪生模块服务器2的硬件器件设置对应,以根据环境状态信息以改变对应的硬件器件的运行环境,可以模拟实际的运行环境,模拟执行器可以是发热元件、风机、湿度控制元件等,响应于对环境的监测。由于不同的硬件器件在孪生模块服务器中的物理距离是被分隔的,因为要满足布线要求和组合要求,但是如果这样设置,物理距离导致的情形无法模拟,所以通过检测反馈的方式,模拟出对应的环境信息,避免因为物理分隔导致仿真效果下降。作为优选的,采用风机和发热元件组成模拟执行器,通过发热元件模拟距离位置相近的硬件器件带来的热辐射的影响。
所述虚拟平台3包括监测配置模块310、数据孪生模块320以及监控测试模块330;
所述监测配置模块310配置有巡检数据库311,所述巡检数据库311存储有若干巡检信息,所述巡检信息与各个应用服务器1对应,所述监测配置模块310还包括预先生成的巡检索引表,监测配置模块310根据所述巡检索引表中的巡检顺序调取目标应用服务器1对应的巡检信息以生成监测配置指令,并将监测配置指令发送至所述孪生模块服务器2的配置单元21;在具体实施过程中,进行运行特征编辑的通常是CPU,所以可以预先对于部分CPU进行预先加载基础服务模块,这样可以降低加载所需时间。
所述数据孪生模块320配置有数据特征库321,所述数据特征库321存储有若干数据特征并配置有特征提取策略以及数据重生策略,每一数据特征对应有数据要素,所述数据孪生模块从目标应用服务器获取当前的镜像数据包,所述特征提取策略从镜像数据包中提取数据特征,并根据数据特征从数据特征库调取对应的数据要素,所述数据重生策略根据数据要素生成孪生数据包。
所述监控测试模块330用于将所述孪生数据包发送至孪生模块服务器2,并从所述反馈单元22中获取监测反馈信息。
进一步的,还包括大数据交互平台4,所述大数据交互平台配置有数据特征关联模型40,所述数据特征关联模型用于对应数据特征和数据要素建立关联网络,每一具有关联关系的数据特征和数据要素之间形成有数据关联值。
所述大数据交互平台包括样本训练模块41、数据反馈模块42以及要素配置模块43,所述样本训练模块41通过样本数据包训练所述数据特征关联模型40以生成对应的数据关联值,所述数据反馈模块42配置有关联修正算法,所述数据反馈模块42接收检测反馈信息中的响应时间数据,并根据响应时间数据修正对应的数据特征和数据要素之间的数据关联值,所述要素配置模块43配置有要素匹配策略,所述要素匹配策略根据数据关联值将数据特征和数据要素进行匹配,并存储至所述数据特征库。
实施例2
本实施例提供一种基于大数据和数字孪生的数据中心监测方法,基于实施例1提供的一种基于大数据和数字孪生的数据中心监测系统实现。
如图3所示,本实施例包括:预先先生成巡检索引表,所述巡检索引表包含待巡检应用服务器的巡检顺序,然后执行以下步骤:
S1、虚拟平台根据所述巡检索引表中的巡检顺序调取目标应用服务器以及对应的巡检信息,生成监测配置指令,并将监测配置指令发送至孪生模块服务器;
S2、所述孪生模块服务器根据所述监测配置指令中的巡检信息完成硬件配置;
S3、虚拟平台从目标应用服务器获取当前的镜像数据包,根据镜像数据包生成孪生数据包,并将孪生数据包发送至孪生模块服务器;
S4、所述孪生模块服务器根据接收到的孪生数据包生成对应的监测反馈信息,并反馈至虚拟平台,所述监测反馈信息包括响应时间数据;
S5、虚拟平台获取对应的监测反馈信息后,返回S1,根据巡检索引表继续调取下一个目标应用服务器。
本实施例通过设置孪生模块服务器组合出对应的目标服务器类型,模拟应用服务器真实的运行场景,从而进行针对性的测试,可以实现对所有类型的应用服务器的复制,在不影响应用服务器正常使用的前提下,提高了巡检功能和项目的可扩展性,同时通过生成孪生数据包的方式保证了数据安全性。
本实施例所述生成巡检索引表,具体包括:
S101、计算所有应用服务器的巡检基准值;
S102、根据巡检基准值的分布生成基准划分阈值,随机确定巡检基准值高于基准划分阈值的应用服务器加入待巡检队列,从而生成巡检索引表;
S103、实时更新每一台应用服务器的巡检基准值,并在巡检基准值高于基准划分阈值时,将对应的应用服务器加入待巡检队列。
更具体的,还包括巡检匹配算法,所述巡检匹配算法计算每一应用服务器的巡检
基准值,可以根据巡检匹配算法预先为每一应用服务器配置对应的基准值。,其中B为巡检基准值;为该应用服务器对应的巡检优先
值;C为该应用服务器的历史异常次数;g(t)为巡检安全函数,反映当前时刻下该应用服务
器的执行安全等级,所述的t为当前时刻;R为应用服务器的最大负荷值;f(t)为巡检负荷函
数,反映当前时刻下该应用服务器的实际数据负荷;F预设的巡检负荷值。
本实施例还包括预设的巡检基准比,所述的基准划分阈值为巡检基准值的总和巡检基准比的乘积。示例性的,假设有100个服务器,巡检基准比为0.009,100个服务器的巡检基准值总和为1000,那么基准划分阈值为9,而这样队列选择时就将巡检基准值大于9的应用服务器的编号中等概率随机选取一个应用服务器作为巡检队列的下一个应用服务器。
本实施例还包括巡检动态算法和巡检触发条件,巡检触发条件可以是巡检间隔时
间,或者是巡检次数间隔时间,或者是数据中心空闲情况作为触发条件,而巡检动态算法为,其中,Bt1为更新后的巡检基准值;Bt0为更新前的巡检基准值;x1为运行
加载关联值;所述运行加载关联值为该应用服务器的运行特征子信息和巡检队列末尾的应
用服务器的运行特征子信息之间的加载关联度;d为运行特征负荷值,所述运行特征负荷值
反映该应用服务器的运行特征子信息对应的加载等效负荷;x2为预设的完成度参数;s为目
前巡检队列中处在最末的该应用服务器与队列末尾的应用服务器的间隔数,当巡检队列中
无该应用服务器时,s为巡检队列的数量。每个应用服务器根据其安全性、负荷情况、预先设
置的优先级、异常次数可以生成一个基准巡检的依据,安全性较低、负荷较小、优先值较高、
异常次数较多的应用服务器在巡检时应当增加巡检次数,反之则应该减少巡检次数。所以
通过计算巡检基准值可以为每一应用服务器配置对应的巡检概率,而由于巡检虽然有不同
的应用服务器可能巡检频次不同,但是从整体上而言让然应该保持巡检的全面性,所以通
过首先设置基准划分阈值的方式保证巡检过程中的巡检配置。
通过巡检动态算法的设置,可以不断更新巡检基准值,当应用服务器被选择时,对应的间隔数减小,对应产生的巡检基准值就减小,可以保证未被选择到巡检队列中的数据不断增加,从而使被选择过的应用服务器靠后,实现队列最优。
本实施例所述巡检信息与应用服务器相对应,包括硬件组成子信息和运行特征子信息,所述硬件组成子信息反映对应的应用服务器的硬件器件的组成情况,所述运行特征子信息反映对应的应用服务器的运行特征的情况。
本实施例步骤S2具体包括:孪生模块服务器接收所述监测配置指令后,根据所述硬件组成子信息配置对应的分选接口,根据所述运行特征子信息为硬件器件配置对应的运行特征。
本实施例孪生模块服务器的分选接口受控于虚拟平台对孪生模块服务器的硬件器件之间形成对应的分选通道以形成硬件拓扑的孪生模块服务器。孪生模块服务器接收到目标应用服务器的硬件组成子信息和运行特征子信息后,通过分选接口形成孪生虚拟服务器,然后通过在孪生模块服务器的CPU中载入对应运行特征的软件支撑,从而完成与目标应用服务器对应的孪生模块服务器的配置。
通过设置孪生模块服务器组合出对应的目标服务器类型,模拟应用服务器真实的运行场景,从而进行针对性的测试,可以实现对所有类型的应用服务器的复制,在不影响应用服务器正常使用的前提下,提高了巡检功能和项目的可扩展性。
本实施例步骤S3所述根据镜像数据包生成孪生数据包,具体包括:虚拟平台从镜像数据包中提取数据特征,并根据数据特征调取对应的数据要素,根据数据要素生成孪生数据包。
本实施例基于大数据,将不同的服务类型中的数据要素进行获取,通过不同的生成数据要素方式,例如校验方式、加密方式、数据压缩方式等。当数据包中的数据出现对应的数据特征时,说明其高度可能选择对应的数据要素,这样在样本数量足够大的情况下可以完成对数据包的要素分析,然后就可以重新生成对应的孪生数据包,所述孪生数据包与镜像数据包具有高度相同的数据特征,从而在保证数据安全性的前提下,对目标应用服务器的具体工作情况进行高度仿真。
本实施例还包括:大数据交互平台根据监测反馈信息,使用关联修正算法对所述数据特征和数据要素之间的数据关联值进行修正,具体包括:
S401、大数据交互平台接收监测反馈信息中的响应时间数据,并根据响应时间数据修正对应的数据特征和数据要素之间的数据关联值;
S402、根据数据关联值将数据特征和数据要素进行匹配。
所述关联修正算法为,其中At1为修正后的数据关
联值;At0为修正前的数据关联值;为预设的响应权重;为预设的处理权重,并且;T1为响应时间数据中的数据包接收时间;T2为响应时间数据中的数据包处理时
间;Ts1为孪生数据包对应的基准接收时间;Ts2为该孪生数据包对应的基准响应时间。
通过关联修正算法使数据特征和数据要素之间的关系不断趋于准确,最后要素配置模块会根据要素配置策略进行匹配,将匹配完成的结果存储对应的数据特征库中,这样通过虚拟平台不断更新数据特征库中的数据,保证了数据特征库独立性的同时,通过智能学习的方式不断对数据特征和数据要素的匹配关系进行迭代,提高系统可靠性。
本实施例步骤S402具体包括:
S4021、根据数据关联值生成每一数据特征对应的数据要素的随机数范围区间,数据关联值越大,则随机数范围区间越大;
S4022、在随机数范围区间内生成一随机数,根据随机数落入的随机数范围区间调取对应的数据要素;
S4023、将被调取的数据要素和数据特征关联存储至对应的特征数据库中,并将被调取的数据要素和数据特征对应的数据关联值减小预设的衰减差值。
为了保证每个数据中心的数据特征库的独立性,数据要素和数据特征的匹配是通过随机数生成的,所以只要有关联关系,就会有一定概率被匹配成功。而当一个数据关联完成时,对应的数据要素和数据特征之间的数据关联值会减小,从而提高其他的数据要素在数据特征数据库中出现的概率,辅助修正算法,提高学习策略的收敛性。
本实施例还包括:
S601、虚拟平台根据目标应用服务器的环境状态,获取对应的环境状态信息,并将所述环境状态信息发送至孪生模块服务器;
S602、孪生模块服务器根据环境状态信息改变对应的硬件器件的运行环境。
通过模拟执行器对应孪生模块服务器的硬件器件设置,以根据环境状态信息以改变对应的硬件器件的运行环境,可以模拟实际的运行环境,使巡检结果更为准确。
显然,本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例,而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于大数据和数字孪生的数据中心监测方法,其特征在于,预先先生成巡检索引表,所述巡检索引表包含待巡检应用服务器的巡检顺序,然后执行以下步骤:
S1、虚拟平台根据所述巡检索引表中的巡检顺序调取目标应用服务器以及对应的巡检信息,生成监测配置指令,并将监测配置指令发送至孪生模块服务器;
S2、所述孪生模块服务器根据所述监测配置指令中的巡检信息完成硬件配置;
S3、虚拟平台从目标应用服务器获取当前的镜像数据包,根据镜像数据包生成孪生数据包,并将孪生数据包发送至孪生模块服务器;
S4、所述孪生模块服务器根据接收到的孪生数据包生成对应的监测反馈信息,并反馈至虚拟平台,所述监测反馈信息包括响应时间数据;
S5、虚拟平台获取对应的监测反馈信息后,返回S1,根据巡检索引表继续调取下一个目标应用服务器。
2.根据权利要求1所述的一种基于大数据和数字孪生的数据中心监测方法,其特征在于,所述巡检信息与应用服务器相对应,包括硬件组成子信息和运行特征子信息,所述硬件组成子信息反映对应的应用服务器的硬件器件的组成情况,所述运行特征子信息反映对应的应用服务器的运行特征的情况。
3.根据权利要求2所述的一种基于大数据和数字孪生的数据中心监测方法,其特征在于,步骤S2具体包括:孪生模块服务器接收所述监测配置指令后,根据所述硬件组成子信息配置对应的分选接口,根据所述运行特征子信息为硬件器件配置对应的运行特征。
4.根据权利要求1所述的一种基于大数据和数字孪生的数据中心监测方法,其特征在于,步骤S3所述根据镜像数据包生成孪生数据包,具体包括:虚拟平台从镜像数据包中提取数据特征,并根据数据特征调取对应的数据要素,根据数据要素生成孪生数据包。
5.根据权利要求4所述的一种基于大数据和数字孪生的数据中心监测方法,其特征在于,还包括:大数据交互平台根据监测反馈信息,使用关联修正算法对所述数据特征和数据要素之间的数据关联值进行修正,具体包括:
大数据交互平台接收监测反馈信息中的响应时间数据,并根据响应时间数据修正对应的数据特征和数据要素之间的数据关联值;根据数据关联值将数据特征和数据要素进行匹配;
6.根据权利要求5所述的一种基于大数据和数字孪生的数据中心监测方法,其特征在于,所述根据数据关联值将数据特征和数据要素进行匹配,具体包括:
根据数据关联值生成每一数据特征对应的数据要素的随机数范围区间,数据关联值越大,则随机数范围区间越大;
在随机数范围区间内生成一随机数,根据随机数落入的随机数范围区间调取对应的数据要素;
将被调取的数据要素和数据特征关联存储至对应的特征数据库中,并将被调取的数据要素和数据特征对应的数据关联值减小预设的衰减差值。
7.根据权利要求1所述的一种基于大数据和数字孪生的数据中心监测方法,其特征在于,所述生成巡检索引表,具体包括:
计算所有应用服务器的巡检基准值;
根据巡检基准值的分布生成基准划分阈值,随机确定巡检基准值高于基准划分阈值的应用服务器加入待巡检队列,从而生成巡检索引表;
实时更新每一台应用服务器的巡检基准值,并在巡检基准值高于基准划分阈值时,将对应的应用服务器加入待巡检队列。
8.根据权利要求7所述的一种基于大数据和数字孪生的数据中心监测方法,其特征在于,还包括预设的巡检基准比,所述的基准划分阈值为巡检基准值的总和与巡检基准比的乘积。
9.根据权利要求1-8任一项所述的一种基于大数据和数字孪生的数据中心监测方法,其特征在于,还包括:
虚拟平台根据目标应用服务器的环境状态,获取对应的环境状态信息,并将所述环境状态信息发送至孪生模块服务器;
孪生模块服务器根据环境状态信息改变对应的硬件器件的运行环境。
10.一种基于大数据和数字孪生的数据中心监测系统,应用于数据中心,所述数据中心包括若干应用服务器,其特征在于,还包括孪生模块服务器和虚拟平台;
所述孪生模块服务器包括配置单元、反馈单元、分选接口以及若干硬件组;
所述若干硬件组包括类型相同型号不同的若干硬件器件,不同硬件组的硬件器件的类型不同,所述分选接口受控于配置单元,连接不同硬件组的硬件器件以组成孪生模块服务器,并连接至虚拟平台,所述反馈单元用于检测所述孪生模块服务器运行时的运行参数以生成运行监测反馈信息;
所述虚拟平台包括监测配置模块、数据孪生模块以及监控测试模块;
所述监测配置模块配置有巡检数据库,所述巡检数据库存储有若干巡检信息,所述巡检信息与各个应用服务器对应,所述监测配置模块还包括预先生成的巡检索引表,监测配置模块根据所述巡检索引表中的巡检顺序调取目标应用服务器对应的巡检信息以生成监测配置指令,并将监测配置指令发送至所述孪生模块服务器的配置单元;
所述数据孪生模块配置有数据特征库,所述数据特征库存储有若干数据特征并配置有特征提取策略以及数据重生策略,每一数据特征对应有数据要素,所述数据孪生模块从目标应用服务器获取当前的镜像数据包,所述特征提取策略从镜像数据包中提取数据特征,并根据数据特征从数据特征库调取对应的数据要素,所述数据重生策略根据数据要素生成孪生数据包;
所述监控测试模块用于将所述孪生数据包发送至孪生模块服务器,并从所述反馈单元中获取监测反馈信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211386142.7A CN115460121B (zh) | 2022-11-07 | 2022-11-07 | 一种基于大数据和数字孪生的数据中心监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211386142.7A CN115460121B (zh) | 2022-11-07 | 2022-11-07 | 一种基于大数据和数字孪生的数据中心监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115460121A true CN115460121A (zh) | 2022-12-09 |
CN115460121B CN115460121B (zh) | 2023-01-17 |
Family
ID=84311475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211386142.7A Active CN115460121B (zh) | 2022-11-07 | 2022-11-07 | 一种基于大数据和数字孪生的数据中心监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115460121B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115981877A (zh) * | 2023-03-21 | 2023-04-18 | 航天万源云数据河北有限公司 | 数据中心的数据安全运行方法、装置、服务器和介质 |
CN116594798A (zh) * | 2023-04-19 | 2023-08-15 | 浪潮智慧科技有限公司 | 一种基于巡检机器人的数据中心维护方法、设备及介质 |
CN116823072A (zh) * | 2023-06-27 | 2023-09-29 | 深圳翌万信息技术有限公司 | 一种基于物联网数据孪生的智能运营平台 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7072820B1 (en) * | 2000-06-02 | 2006-07-04 | Brian Bailey | Accessing state information in a hardware/software co-simulation |
CN111176245A (zh) * | 2019-10-29 | 2020-05-19 | 中国电子科技集团公司第三十八研究所 | 基于数字孪生技术的多终端工业设备巡检监控系统及方法 |
CN113190886A (zh) * | 2021-04-28 | 2021-07-30 | 青岛赛普克有限元科技发展有限公司 | 一种基于快速仿真数字孪生技术的设备健康监测方法 |
US20210306416A1 (en) * | 2020-03-27 | 2021-09-30 | Microsoft Technology Licensing, Llc | Digital twin of it infrastructure |
US11176290B1 (en) * | 2020-12-21 | 2021-11-16 | Guangdong University Of Technology | Approximate physical simulation integrated debugging method and system based on digital twinning |
WO2022213538A1 (zh) * | 2021-03-30 | 2022-10-13 | 清华大学 | 仿真测试平台的建立方法、装置和电子设备 |
-
2022
- 2022-11-07 CN CN202211386142.7A patent/CN115460121B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7072820B1 (en) * | 2000-06-02 | 2006-07-04 | Brian Bailey | Accessing state information in a hardware/software co-simulation |
CN111176245A (zh) * | 2019-10-29 | 2020-05-19 | 中国电子科技集团公司第三十八研究所 | 基于数字孪生技术的多终端工业设备巡检监控系统及方法 |
US20210306416A1 (en) * | 2020-03-27 | 2021-09-30 | Microsoft Technology Licensing, Llc | Digital twin of it infrastructure |
US11176290B1 (en) * | 2020-12-21 | 2021-11-16 | Guangdong University Of Technology | Approximate physical simulation integrated debugging method and system based on digital twinning |
WO2022213538A1 (zh) * | 2021-03-30 | 2022-10-13 | 清华大学 | 仿真测试平台的建立方法、装置和电子设备 |
CN113190886A (zh) * | 2021-04-28 | 2021-07-30 | 青岛赛普克有限元科技发展有限公司 | 一种基于快速仿真数字孪生技术的设备健康监测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115981877A (zh) * | 2023-03-21 | 2023-04-18 | 航天万源云数据河北有限公司 | 数据中心的数据安全运行方法、装置、服务器和介质 |
CN116594798A (zh) * | 2023-04-19 | 2023-08-15 | 浪潮智慧科技有限公司 | 一种基于巡检机器人的数据中心维护方法、设备及介质 |
CN116594798B (zh) * | 2023-04-19 | 2024-02-20 | 浪潮智慧科技有限公司 | 一种基于巡检机器人的数据中心维护方法、设备及介质 |
CN116823072A (zh) * | 2023-06-27 | 2023-09-29 | 深圳翌万信息技术有限公司 | 一种基于物联网数据孪生的智能运营平台 |
CN116823072B (zh) * | 2023-06-27 | 2024-04-09 | 深圳翌万信息技术有限公司 | 一种基于物联网数据孪生的智能运营平台 |
Also Published As
Publication number | Publication date |
---|---|
CN115460121B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115460121B (zh) | 一种基于大数据和数字孪生的数据中心监测方法及系统 | |
Barse et al. | Synthesizing test data for fraud detection systems | |
US6922395B1 (en) | System and method for testing protocols for ad hoc networks | |
CN107872457B (zh) | 一种基于网络流量预测进行网络操作的方法及系统 | |
KR101593984B1 (ko) | 분산 테스트 시스템 및 방법, 분산 테스트 관제 시스템 및 방법, 분산 테스트 플랜 작성 장치 및 방법, 분산 테스트 에이전트 및 분산 테스트 플랜 실행 방법 | |
CN110569159A (zh) | 挡板生成方法、装置、设备及计算机存储介质 | |
CN111694644A (zh) | 基于机器人操作系统的消息处理方法、装置及计算机设备 | |
CN111984544B (zh) | 设备性能测试方法、装置、电子设备及存储介质 | |
CN112615877A (zh) | 一种基于机器学习的入侵检测系统规则匹配优化方法 | |
CN113485637A (zh) | 数据存储方法、装置及计算机设备 | |
Berger et al. | Does my bft protocol implementation scale? | |
Peng et al. | A new approach for session-based test case generation by GA | |
US20240086272A1 (en) | System, method and computer-readable medium for anomaly detection | |
CN112286798A (zh) | 一种可模拟真实用户场景的全链路压测系统及方法 | |
CN116594801A (zh) | 一种大数据云计算的故障分析系统 | |
CN113412610B (zh) | 用于重放受保护的消息的方法和重放单元 | |
CN112134734B (zh) | 一种网络设备的配置方法及装置 | |
CN112948256A (zh) | 一种客户端程序的测试方法、装置、存储介质及电子设备 | |
CN112199229A (zh) | 数据处理方法、装置、设备和存储介质 | |
Ballocca et al. | Benchmarking a site with realistic workload | |
CN116980279B (zh) | 一种可编程网元设备的故障诊断系统及故障诊断方法 | |
CN116483718B (zh) | 一种利用大数据实现大规模压力测试系统及方法 | |
CN118071336B (zh) | 一种电缆生产设备的设备运行管理方法及系统 | |
CN118075106B (zh) | 基于云边组网的应用持续集成与部署方法和系统 | |
CN115826539B (zh) | 一种基于工业互联网标识的设备协同控制方法及系统 |
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 |