CN115686908A - 一种数据处理方法及相关设备 - Google Patents
一种数据处理方法及相关设备 Download PDFInfo
- Publication number
- CN115686908A CN115686908A CN202211348555.6A CN202211348555A CN115686908A CN 115686908 A CN115686908 A CN 115686908A CN 202211348555 A CN202211348555 A CN 202211348555A CN 115686908 A CN115686908 A CN 115686908A
- Authority
- CN
- China
- Prior art keywords
- data set
- training
- data
- fault
- submodel
- 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
Images
Landscapes
- Debugging And Monitoring (AREA)
Abstract
一种数据处理方法,涉及人工智能领域,所述方法包括:获取训练数据集和测试数据集;根据所述训练数据集和所述测试数据集,从所述训练数据集中确定目标数据子集;其中,所述目标数据子集中表示的因果关系和所述测试数据集对应的因果关系之间的相似度满足预设条件;所述因果关系为状态特征和故障根因之间的关系;根据所述训练数据子集,训练根因确定模型。通过对齐训练数据和测试数据的因果机制,通过提高训练数据和测试数据的因果分布,可以在测试集取得较好的效果,进而提高根因确定模型的准确性。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种数据处理方法及相关设备。
背景技术
故障根因定位是网络运维等领域中的一个重要环节,通过快速且准确地判断出网络故障的根因,技术人员可以及时采取措施对网络进行修复。然而,现网经常受困于复杂的无线通信环境和网络部署结构,且存在网络故障样本数少、不同的场景下故障表征差异性大等问题。如何充分利用领域知识和一小部分标定数据,使用统计学习和因果推断技术,快速准确地定位故障的根因,是网络运维面临的巨大挑战。
在许多场景中,不同的设备在不同的领域中可能会出现不同类型的告警,这可能会导致采集数据的分布偏移,从而导致训练和测试数据的分布可能不同,导致难以识别故障根因。
发明内容
本申请提供了一种。
第一方面,本申请提供了一种数据处理方法,所述方法包括:获取训练数据集和测试数据集;所述训练数据集和所述测试数据集包括故障对象相关的状态特征,所述训练数据集还包括故障对象对应的故障根因;根据所述训练数据集和所述测试数据集,从所述训练数据集中确定目标数据子集;其中,所述目标数据子集中表示的因果关系和所述测试数据集对应的因果关系之间的相似度满足预设条件;所述因果关系为状态特征和故障根因之间的关系;所述测试数据集中故障对象对应的故障根因是通过第一根因确定模型处理所述测试数据集中的状态特征得到的,所述第一根因确定模型为通过所述训练数据集训练得到的模型;根据所述训练数据子集,训练第二根因确定模型。
在一种可能的实现中,可以利用训练数据集中全量的标注数据训练一个模型(也就是本申请实施例中的第一根因确定模型)对测试数据集进行初分类,得到测试数据集中故障对象对应的故障根因,这一步是为获得测试集数据的伪标签,进而可以知晓训练数据集中数据的因果关系分布以及测试数据集中数据的因果关系分布,然后衡量训练集和测试集之间分布差异程度,以进行训练数据集中的数据筛选。
通过对齐训练数据和测试数据的因果机制,通过提高训练数据和测试数据的因果分布,可以在测试集取得较好的效果,进而提高根因确定模型的准确性。
在一种可能的实现中,所述训练数据集包括多个不同的第一数据子集;所述根据所述训练数据集和所述测试数据集,从所述训练数据集中确定目标数据子集,包括:最小化所述多个第一数据子集中包括的每对状态特征和故障根因之间的分布特征,并确定与所述测试数据集分布差异最小的第一数据子集为所述目标数据子集。
在一种可能的实现中,所述分布特征为条件分布的KL散度。
在一种可能的实现中,所述训练数据集包括多个不同的第二数据子集;所述方法还包括:基于每个第二数据子集的因果关系与所述测试数据集对应的因果关系之间的相似度均不满足预设条件,对所述训练数据集进行重新划分,得到所述多个第一数据子集。
在一种可能的实现中,所述第二根因确定模型包括第一子模型和第二子模型,所述第一子模型和第二子模型用于根据故障对象的状态特征预测对应的故障根因;根据所述训练数据子集,训练所述第二根因确定模型,包括:根据所述训练数据子集,训练所述第一子模型,得到更新后的所述第一子模型;更新后的所述第一子模型处理所述目标数据子集得到的结果为第一故障根因;根据所述测试数据集中的状态数据和所述第一故障根因,训练所述第二子模型,得到更新后的所述第二子模型;其中,在训练所述第二子模型时所述第一故障根因用于作为所述测试数据集中状态数据对应的真值。
在一种可能的实现中,所述第二根因确定模型还包括第三子模型,所述第三子模型用于根据故障对象的状态特征预测对应的故障根因;更新后的所述第二子模型处理所述目标数据子集得到的结果为第二故障根因;根据所述训练数据子集,训练所述第二根因确定模型,包括:根据所述测试数据集中的状态数据和所述第二故障根因,训练所述第三子模型,得到更新后的所述第三子模型;其中,在训练所述第三子模型时所述第二故障根因用于作为所述测试数据集中状态数据对应的真值。
应理解,通过从训练数据集中筛选出的目标数据集可能不能实现训练集和测试集的数据分布的完美对齐,在这种情况下,可以通过将根因确定模型设置为多层分类器模型,以此作为训练数据集筛选方法的补充,进一步对齐数据分布以取得更好的根因定位效果。
在一种可能的实现中,所述状态数据为关键表现指标KPI、运行数据或者告警信息。
在一种可能的实现中,所述故障对象为网络节点、芯片、计算机事务或者机械设备。
在一种可能的实现中,可以通过因果关系识别来进行各种场景下的故障识别,例如可以用于进行通信网络的故障识别、芯片的系统性缺陷识别、计算机事务的故障节点识别、机械故障的识别等,接下来分别进行说明:
在一种可能的实现中,可以通过根因确定模型来进行通信网络的故障识别。
通信网络的关键表现指标(key performance indicator,KPI)可以用来衡量通信网络中网元的运行状态。通常情况下,异常检测设备会采集每个KPI在不同时刻的观测数据,若KPI的观测数据发生了异常,则表明通信网络中的网元的运行状态发生异常。网络运维工程师需要根据发生异常的KPI查找原因,从而排除故障。
在一种可能的实现中,可以基于根因确定模型来确定某些异常KPI之间的因果关系,如第一KPI发生异常的根本原因(也就是根因)是由于第二KPI发生异常而引起的,从而网络运维工程师可以根据第二KPI确定故障的网元,以排除故障。
在一种可能的实现中,可以通过根因确定模型来进行芯片的系统性缺陷识别。
随着电子产品功能的发展和应用领域的扩大,作为电子产品的核心部件,芯片成为了人们生活中不可或缺的一部分。芯片生产主要分为布局设计和制造两部分。布局设计通常包含多层的电路功能设计,制造包含生产、封装、测试等流程。相同的芯片设计采用不同制造工艺时,一些芯片设计中在原工艺下正常的电路结构可能会出现缺陷,导致芯片良率低于预期。这类因工艺变化而出现设计缺陷的电路结构被称为系统性缺陷。
系统性缺陷的存在会增加芯片电路功能失效的几率,存在电路功能失效的芯片会无法正常使用,从而导致芯片良率降低。良率的下滑会增加生产成本,甚至导致相关产品错过销售窗口期。因此系统性缺陷的根因识别对产品的良率至关重要。为了识别出系统性缺陷,可以针对于芯片的设计结构进行分析,来确定芯片上存在导致芯片故障隐患的局部片段类型。
在一种可能的实现中,可以根据芯片上各个片段的图像,通过根因确定模型,来得到导致芯片故障隐患的局部片段类型。
在一种可能的实现中,可以通过根因确定模型来进行计算机事务的故障节点识别。
随着计算机技术的发展,计算机设备能够处理的事务飞速增长,同时计算机设备每天都可以多次执行同一事务,以满足大量用户的需求。为了提高执行事务的性能,需要对事务的问题进行分析,以便更好的执行事务。
目前,事务分析过程通常为:在事务的执行过程中,实时采集当前的执行记录,从执行记录中,提取执行事务所调用的每个节点的信息,该节点的信息包括节点的名称、调用节点的时长、状态码、不同节点之间的调用关系等;之后,在界面中显示每个节点的信息。可以根据每个节点的信息,通过因果识别方法来判断这些节点是否存在问题,最终找到导致事务出现问题的节点。
在一种可能的实现中,可以通过根因确定模型来进行机械故障的识别。
对于机械加工系统而言,如果已经确定了各个属性与产品是否合格之间的因果关系,则可以基于找到的因果关系来优先调整对于不合格产品影响最大的属性。
在一种可能的实现中,对于电力传输系统而言,如果已经确定了各个传输设备处的中间电压、传输系统的工作状态、电流与电能损耗之间的因果关系,则可以基于找到的因果关系来优先调整对于电能损耗影响最大的变量。以此方式,可以提高电力传输系统的性能。
在一种可能的实现中,可以通过根因确定模型来进行推荐领域中和用户的操作行为相关的因果识别。
在一种可能的实现中,可以获取到用户的操作日志,该操作日志可以包括用户针对于物品的操作行为、物品的属性信息、以及用户的属性信息,可以通过因果关系识别来确定各个属性信息对于用户发生操作行为的因果关系。
第二方面,本申请提供了一种数据处理装置,所述装置包括:
获取模块,用于获取训练数据集和测试数据集;所述训练数据集和所述测试数据集包括故障对象相关的状态特征,所述训练数据集还包括故障对象对应的故障根因;
样本选择模块,用于根据所述训练数据集和所述测试数据集,从所述训练数据集中确定目标数据子集;其中,所述目标数据子集中表示的因果关系和所述测试数据集对应的因果关系之间的相似度满足预设条件;所述因果关系为状态特征和故障根因之间的关系;所述测试数据集中故障对象对应的故障根因是通过第一根因确定模型处理所述测试数据集中的状态特征得到的,所述第一根因确定模型为通过所述训练数据集训练得到的模型;
模型训练模块,用于根据所述训练数据子集,训练第二根因确定模型。
在一种可能的实现中,所述训练数据集包括多个不同的第一数据子集;所述样本选择模块,具体用于:
最小化所述多个第一数据子集中包括的每对状态特征和故障根因之间的分布特征,并确定与所述测试数据集分布差异最小的第一数据子集为所述目标数据子集。
在一种可能的实现中,所述分布特征为条件分布的KL散度。
在一种可能的实现中,所述训练数据集包括多个不同的第一数据子集;所述装置还包括:
基于每个第二数据子集的因果关系与所述测试数据集对应的因果关系之间的相似度均不满足预设条件,对所述训练数据集进行重新划分,得到所述多个第一数据子集。
在一种可能的实现中,所述第二根因确定模型包括第一子模型和第二子模型,所述第一子模型和第二子模型用于根据故障对象的状态特征预测对应的故障根因;根据所述训练数据子集,训练所述第二根因确定模型,包括:
根据所述训练数据子集,训练所述第一子模型,得到更新后的所述第一子模型;更新后的所述第一子模型处理所述目标数据子集得到的结果为第一故障根因;
根据所述测试数据集中的状态数据和所述第一故障根因,训练所述第二子模型,得到更新后的所述第二子模型;其中,在训练所述第二子模型时所述第一故障根因用于作为所述测试数据集中状态数据对应的真值。
在一种可能的实现中,所述第二根因确定模型还包括第三子模型,所述第三子模型用于根据故障对象的状态特征预测对应的故障根因;更新后的所述第二子模型处理所述目标数据子集得到的结果为第二故障根因;根据所述训练数据子集,训练所述第二根因确定模型,包括:
根据所述测试数据集中的状态数据和所述第二故障根因,训练所述第三子模型,得到更新后的所述第三子模型;其中,在训练所述第三子模型时所述第二故障根因用于作为所述测试数据集中状态数据对应的真值。
在一种可能的实现中,所述状态数据为关键表现指标KPI、运行数据或者告警信息。
在一种可能的实现中,所述故障对象为网络节点、芯片、计算机事务或者机械设备。
第三方面,本申请实施例提供了一种数据处理装置,可以包括存储器、处理器以及总线系统,其中,存储器用于存储程序,处理器用于执行存储器中的程序,以执行如上述第一方面及其任一可选的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行上述第一方面及其任一可选的方法。
第五方面,本申请实施例提供了一种包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面及其任一可选的方法。
第六方面,本申请提供了一种芯片系统,该芯片系统包括处理器,用于支持数据处理装置实现上述方面中所涉及的部分或全部功能,例如,发送或处理上述方法中所涉及的数据;或,信息。在一种可能的设计中,芯片系统还包括存储器,存储器,用于保存执行设备或训练设备必要的程序指令和数据。该芯片系统,可以由芯片构成,也可以包括芯片和其他分立器件。
附图说明
图1为一种应用架构示意;
图2为一种应用架构示意;
图3为一种应用架构示意;
图4为一种应用架构示意;
图5为一种应用架构示意;
图6为一种生成流模型的生成过程示意;
图7至图11为本申请实施例提供的一种数据处理方法的实施例示意;
图12为本申请实施例提供的一种数据处理装置的实施例示意;
图13为本申请实施例提供的执行设备的一种结构示意图;
图14是本申请实施例提供的服务器一种结构示意图;
图15为本申请实施例提供的芯片的一种结构示意图。
具体实施方式
下面结合本申请实施例中的附图对本申请实施例进行描述。本申请的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释,而非旨在限定本申请。
下面结合附图,对本申请的实施例进行描述。本领域普通技术人员可知,随着技术的发展和新场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
本文中所用用语“基本(substantially)”、“大约(about)”及类似用语用作近似用语、而并非用作程度用语,且旨在考虑到所属领域中的普通技术人员将知的测量值或计算值的固有偏差。此外,在阐述本申请实施例时使用“可(may)”是指“可能的一个或多个实施例”。本文中所用用语“使用(use)”、“正使用(using)”、及“被使用(used)”可被视为分别与用语“利用(utilize)”、“正利用(utilizing)”、及“被利用(utilized)”同义。另外,用语“示例性(exemplary)”旨在指代实例或例示。
首先介绍本申请的应用场景,本申请可以应用在故障检测等需要进行因果关系识别的场景中,接下来分别进行介绍:
在一种可能的实现中,可以通过因果关系识别来进行各种场景下的故障识别,例如可以用于进行通信网络的故障识别、芯片的系统性缺陷识别、计算机事务的故障节点识别、机械故障的识别等,接下来分别进行说明:
在一种可能的实现中,可以通过根因确定模型来进行通信网络的故障识别。
通信网络的关键表现指标(key performance indicator,KPI)可以用来衡量通信网络中网元的运行状态。通常情况下,异常检测设备会采集每个KPI在不同时刻的观测数据,若KPI的观测数据发生了异常,则表明通信网络中的网元的运行状态发生异常。网络运维工程师需要根据发生异常的KPI查找原因,从而排除故障。
在一种可能的实现中,可以基于根因确定模型来确定某些异常KPI之间的因果关系,如第一KPI发生异常的根本原因(也就是根因)是由于第二KPI发生异常而引起的,从而网络运维工程师可以根据第二KPI确定故障的网元,以排除故障。
在一种可能的实现中,可以通过根因确定模型来进行芯片的系统性缺陷识别。
随着电子产品功能的发展和应用领域的扩大,作为电子产品的核心部件,芯片成为了人们生活中不可或缺的一部分。芯片生产主要分为布局设计和制造两部分。布局设计通常包含多层的电路功能设计,制造包含生产、封装、测试等流程。相同的芯片设计采用不同制造工艺时,一些芯片设计中在原工艺下正常的电路结构可能会出现缺陷,导致芯片良率低于预期。这类因工艺变化而出现设计缺陷的电路结构被称为系统性缺陷。
系统性缺陷的存在会增加芯片电路功能失效的几率,存在电路功能失效的芯片会无法正常使用,从而导致芯片良率降低。良率的下滑会增加生产成本,甚至导致相关产品错过销售窗口期。因此系统性缺陷的根因识别对产品的良率至关重要。为了识别出系统性缺陷,可以针对于芯片的设计结构进行分析,来确定芯片上存在导致芯片故障隐患的局部片段类型。
在一种可能的实现中,可以根据芯片上各个片段的图像,通过根因确定模型,来得到导致芯片故障隐患的局部片段类型。
在一种可能的实现中,可以通过根因确定模型来进行计算机事务的故障节点识别。
随着计算机技术的发展,计算机设备能够处理的事务飞速增长,同时计算机设备每天都可以多次执行同一事务,以满足大量用户的需求。为了提高执行事务的性能,需要对事务的问题进行分析,以便更好的执行事务。
目前,事务分析过程通常为:在事务的执行过程中,实时采集当前的执行记录,从执行记录中,提取执行事务所调用的每个节点的信息,该节点的信息包括节点的名称、调用节点的时长、状态码、不同节点之间的调用关系等;之后,在界面中显示每个节点的信息。可以根据每个节点的信息,通过因果识别方法来判断这些节点是否存在问题,最终找到导致事务出现问题的节点。
在一种可能的实现中,可以通过根因确定模型来进行机械故障的识别。
对于机械加工系统而言,如果已经确定了各个属性与产品是否合格之间的因果关系,则可以基于找到的因果关系来优先调整对于不合格产品影响最大的属性。
在一种可能的实现中,对于电力传输系统而言,如果已经确定了各个传输设备处的中间电压、传输系统的工作状态、电流与电能损耗之间的因果关系,则可以基于找到的因果关系来优先调整对于电能损耗影响最大的变量。以此方式,可以提高电力传输系统的性能。
在一种可能的实现中,可以通过根因确定模型来进行推荐领域中和用户的操作行为相关的因果识别。
在一种可能的实现中,可以获取到用户的操作日志,该操作日志可以包括用户针对于物品的操作行为、物品的属性信息、以及用户的属性信息,可以通过因果关系识别来确定各个属性信息对于用户发生操作行为的因果关系。
从产品实现的形态上,本申请实施例可以应用在根因确定类应用程序(或者其他类型的计算机程序产品)、云侧服务器提供的与根因确定相关的云服务等。
接下来分别从功能架构以及实现功能的产品架构介绍本申请实施例中的根因确定类应用程序。
参照图1,图1为本申请实施例中根因确定类应用程序的功能架构示意:
在一种可能的实现中,本申请实施例包含能够基于输入的数据而自动识别出数据的变量之间的因果关系的系统(例如根因确定类应用程序)。如图1所示,根因确定类应用程序102可接收输入的数据101(可选的,数据的变量也可以涵盖其中,或者数据的变量可以为自动识别得到的)且输出变量之间的根因确定结果103。根因确定类应用程序102可在(举例来说)至少一个计算机系统上执行,且包括计算机代码,所述计算机代码在由一或多个计算机执行时致使所述计算机执行用于执行本文中所描述的根因确定模型。
在一种可能的实现中,根因确定类应用程序可以运行在端侧的终端设备或者运行在云侧的服务器中。
例如,终端设备可以安装有根因确定类应用程序,包括数据输入、数据处理(例如本申请实施例中的根因确定)以及数据输出的动作可以为终端设备执行的。
例如,终端设备可以安装有根因确定类应用程序的客户端,包括数据输入以及数据输出的动作可以为终端设备执行的,而数据处理(例如本申请实施例中的根因确定)的动作可以为云侧的服务器执行的,也就是说,终端设备可以将数据处理(例如本申请实施例中的根因确定模型)所需的数据传输到云侧的服务器,云侧的服务器在执行完数据处理动作后,可以将数据处理结果返回至端侧的终端设备,由终端设备基于处理结果进行输出。
接下来介绍本申请实施例中运行根因确定类应用程序的实体架构。
参照图2,图2为本申请实施例中运行根因确定类应用程序的实体架构示意:
参见图2,图2示出了一种系统架构示意图。该系统可以包括终端100、以及服务器200。其中,服务器200可以包括一个或者多个服务器(图2中以包括一个服务器作为示例进行说明),服务器200可以为一个或者多个终端提供根因确定程序。
其中,终端100上可以安装有根因确定类应用程序,或者打开与根因确定相关的网页,上述应用程序和网页可以提供一个根因确定界面,终端100可以接收用户在根因确定界面上输入的相关数据,并将上述数据发送至服务器200,服务器200可以基于接收到的数据,得到处理结果(根因识别结果),并将处理结果返回至至终端100。
应理解,在一些可选的实现中,终端100也可以由自身完成基于接收到的数据,得到数据处理结果的动作,而不需要服务器配合实现,本申请实施例并不限定。
接下来描述图2中终端100的产品形态;
本申请实施例中的终端100可以为手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、个人数字助理(personaldigital assistant,PDA)等,本申请实施例对此不作任何限制。
图3示出了终端100的一种可选的硬件结构示意图。
参考图3所示,终端100可以包括射频单元110、存储器120、输入单元130、显示单元140、摄像头150(可选的)、音频电路160(可选的)、扬声器161(可选的)、麦克风162(可选的)、处理器170、外部接口180、电源190等部件。本领域技术人员可以理解,图3仅仅是终端或多功能设备的举例,并不构成对终端或多功能设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件。
输入单元130可用于接收输入的数字或字符信息,以及产生与该便携式多功能装置的用户设置以及功能控制有关的键信号输入。具体地,输入单元130可包括触摸屏131(可选的)和/或其他输入设备132。该触摸屏131可收集用户在其上或附近的触摸操作(比如用户使用手指、关节、触笔等任何适合的物体在触摸屏上或在触摸屏附近的操作),并根据预先设定的程序驱动相应的连接装置。触摸屏可以检测用户对触摸屏的触摸动作,将该触摸动作转换为触摸信号发送给该处理器170,并能接收该处理器170发来的命令并加以执行;该触摸信号至少包括触点坐标信息。该触摸屏131可以提供该终端100和用户之间的输入界面和输出界面。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触摸屏。除了触摸屏131,输入单元130还可以包括其他输入设备。具体地,其他输入设备132可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键133等)、轨迹球、鼠标、操作杆等中的一种或多种。
其中,其他输入设备132可以接收到根因确定相关的参数,例如本申请实施例中的多个数据(可选的,还可以包括多个变量)等等。
该显示单元140可用于显示由用户输入的信息或提供给用户的信息、终端100的各种菜单、交互界面、文件显示和/或任意一种多媒体文件的播放。在本申请实施例中,显示单元140可用于显示根因确定类应用程序的界面、因果关系结果等。
该存储器120可用于存储指令和数据,存储器120可主要包括存储指令区和存储数据区,存储数据区可存储各种数据,如多媒体文件、文本等;存储指令区可存储操作系统、应用、至少一个功能所需的指令等软件单元,或者他们的子集、扩展集。还可以包括非易失性随机存储器;向处理器170提供包括管理计算处理设备中的硬件、软件以及数据资源,支持控制软件和应用。还用于多媒体文件的存储,以及运行程序和应用的存储。
处理器170是终端100的控制中心,利用各种接口和线路连接整个终端100的各个部分,通过运行或执行存储在存储器120内的指令以及调用存储在存储器120内的数据,执行终端100的各种功能和处理数据,从而对终端设备进行整体控制。可选的,处理器170可包括一个或多个处理单元;优选的,处理器170可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器170中。在一些实施例中,处理器、存储器、可以在单一芯片上实现,在一些实施例中,他们也可以在独立的芯片上分别实现。处理器170还可以用于产生相应的操作控制信号,发给计算处理设备相应的部件,读取以及处理软件中的数据,尤其是读取和处理存储器120中的数据和程序,以使其中的各个功能模块执行相应的功能,从而控制相应的部件按指令的要求进行动作。
其中,存储器120可以用于存储数据处理方法相关的软件代码,处理器170可以执行芯片的数据处理方法的步骤,也可以调度其他单元(例如上述输入单元130以及显示单元140)以实现相应的功能。
该射频单元110(可选的)可用于收发信息或通话过程中信号的接收和发送,例如,将基站的下行信息接收后,给处理器170处理;另外,将设计上行的数据发送给基站。通常,RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier,LNA)、双工器等。此外,射频单元110还可以通过无线通信与网络设备和其他设备通信。该无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(Global System of Mobile communication,GSM)、通用分组无线服务(General PacketRadio Service,GPRS)、码分多址(Code Division Multiple Access,CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution,LTE)、电子邮件、短消息服务(Short Messaging Service,SMS)等。
其中,在本申请实施例中,该射频单元110可以将数据发送至服务器200,并接收到服务器200发送的根因确定结果。
应理解,该射频单元110为可选的,其可以被替换为其他通信接口,例如可以是网口。
终端100还包括给各个部件供电的电源190(比如电池),优选的,电源可以通过电源管理系统与处理器170逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
终端100还包括外部接口180,该外部接口可以是标准的Micro USB接口,也可以使多针连接器,可以用于连接终端100与其他装置进行通信,也可以用于连接充电器为终端100充电。
尽管未示出,终端100还可以包括闪光灯、无线保真(wireless fidelity,WiFi)模块、蓝牙模块、不同功能的传感器等,在此不再赘述。下文中描述的部分或全部方法均可以应用在如图3所示的终端100中。
接下来描述图2中服务器200的产品形态;
图4提供了一种服务器200的结构示意图,如图4所示,服务器200包括总线201、处理器202、通信接口203和存储器204。处理器202、存储器204和通信接口203之间通过总线201通信。
总线201可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extended industry standard architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器202可以为中央处理器(central processing unit,CPU)、图形处理器(graphics processing unit,GPU)、微处理器(micro processor,MP)或者数字信号处理器(digital signal processor,DSP)等处理器中的任意一种或多种。
存储器204可以包括易失性存储器(volatile memory),例如随机存取存储器(random access memory,RAM)。存储器204还可以包括非易失性存储器(non-volatilememory),例如只读存储器(read-only memory,ROM),快闪存储器,机械硬盘(hard drivedrive,HDD)或固态硬盘(solid state drive,SSD)。
其中,存储器204可以用于存储数据处理方法相关的软件代码,处理器202可以执行芯片的数据处理方法的步骤,也可以调度其他单元以实现相应的功能。
应理解,上述终端100和服务器200可以为集中式或者是分布式的设备,上述终端100和服务器200中的处理器(例如处理器170以及处理器202)可以为硬件电路(如专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(field-programmable gate array,FPGA)、通用处理器、数字信号处理器(digital signalprocessing,DSP)、微处理器或微控制器等等)、或这些硬件电路的组合,例如,处理器可以为具有执行指令功能的硬件系统,如CPU、DSP等,或者为不具有执行指令功能的硬件系统,如ASIC、FPGA等,或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。
应理解,本申请实施例中的数据处理方法涉及AI相关的运算,在执行AI运算时,终端设备和服务器的指令执行架构不仅仅局限在图3以及图4所示的处理器结合存储器的架构。下面结合图5对本申请实施例提供的系统架构进行详细的介绍。
图5为本申请实施例提供的系统架构示意图。如图5所示,系统架构500包括执行设备510、训练设备520、数据库530、客户设备540、数据存储系统550以及数据采集系统560。
执行设备510包括计算模块511、I/O接口512、预处理模块513和预处理模块514。计算模块511中可以包括目标模型/规则501,预处理模块513和预处理模块514是可选的。
其中,执行设备510可以为上述运行根因确定类应用程序的终端设备或者服务器。
数据采集设备560用于采集训练样本。训练样本可以为I/O单元的信息、bump的信息以及总连接数量等。在采集到训练样本之后,数据采集设备560将这些训练样本存入数据库530。
训练设备520可以基于数据库530或者来自客户设备540的训练样本(例如本申请实施例中的多个数据以及多个变量),对待训练的神经网络(例如本申请实施例中的生成流模型等),以得到目标模型/规则501以及因果识别结果。
需要说明的是,在实际应用中,数据库530中维护的训练样本不一定都来自于数据采集设备560的采集,也有可能是从其他设备(例如来自客户设备540)接收得到的。另外需要说明的是,训练设备520也不一定完全基于数据库530维护的训练样本进行目标模型/规则501的训练,也有可能从云端或其他地方获取训练样本进行模型训练,上述描述不应该作为对本申请实施例的限定。
可选的,根据训练设备520训练得到的目标模型/规则501可以应用于不同的系统或设备中,如应用于图5所示的执行设备510,该执行设备510可以是终端,如手机终端,平板电脑,笔记本电脑,增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备,车载终端等,还可以是服务器等。
具体的,训练设备520可以将训练后的模型或者因果识别结果传递至执行设备510。
在图5中,执行设备510配置输入/输出(input/output,I/O)接口512,用于与外部设备进行数据交互,用户可以通过客户设备540向I/O接口512输入数据(例如本申请实施例中的多个数据或者多个变量等)。
预处理模块513和预处理模块514用于根据I/O接口512接收到的输入数据进行预处理。应理解,可以没有预处理模块513和预处理模块514或者只有的一个预处理模块。当不存在预处理模块513和预处理模块514时,可以直接采用计算模块511对输入数据进行处理。
在执行设备510对输入数据进行预处理,或者在执行设备510的计算模块511执行计算等相关的处理过程中,执行设备510可以调用数据存储系统550中的数据、代码等以用于相应的处理,也可以将相应处理得到的数据、指令等存入数据存储系统550中。
最后,I/O接口512将处理结果(例如因果识别结果)提供给客户设备540,从而提供给用户。
在图5所示情况下,用户可以手动给定输入数据,该“手动给定输入数据”可以通过I/O接口512提供的界面进行操作。另一种情况下,客户设备540可以自动地向I/O接口512发送输入数据,如果要求客户设备540自动发送输入数据需要获得用户的授权,则用户可以在客户设备540中设置相应权限。用户可以在客户设备540查看执行设备510输出的结果,具体的呈现形式可以是显示、声音、动作等具体方式。客户设备540也可以作为数据采集端,采集如图所示输入I/O接口512的输入数据及输出I/O接口512的输出结果作为新的样本数据,并存入数据库530。当然,也可以不经过客户设备540进行采集,而是由I/O接口512直接将如图所示输入I/O接口512的输入数据及输出I/O接口512的输出结果,作为新的样本数据存入数据库530。
值得注意的是,图5仅是本申请实施例提供的一种系统架构的示意图,图中所示设备、器件、模块等之间的位置关系不构成任何限制,例如,在图5中,数据存储系统550相对执行设备510是外部存储器,在其它情况下,也可以将数据存储系统550置于执行设备510中。应理解,上述执行设备510可以部署于客户设备540中。
从模型的训练侧来说:
本申请实施例中,上述训练设备520可以获取到存储器(图5中未示出,可以集成于训练设备520或者与训练设备520分离部署)中存储的代码来实现本申请实施例中和模型训练相关的步骤。
本申请实施例中,训练设备520可以包括硬件电路(如专用集成电路(applicationspecific integrated circuit,ASIC)、现场可编程门阵列(field-programmable gatearray,FPGA)、通用处理器、数字信号处理器(digital signal processing,DSP)、微处理器或微控制器等等)、或这些硬件电路的组合,例如,训练设备520可以为具有执行指令功能的硬件系统,如CPU、DSP等,或者为不具有执行指令功能的硬件系统,如ASIC、FPGA等,或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。
应理解,训练设备520可以为不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合,本申请实施例提供的中和模型训练相关的部分步骤还可以通过训练设备520中不具有执行指令功能的硬件系统来实现,这里并不限定。
二、服务器提供的云服务:
参照图6,在一种可能的实现中,服务器可以通过应用程序编程接口(applicationprogramming interface,API)为端侧提供根因识别的服务。
其中,终端设备可以通过云端提供的API,将相关参数(例如多个数据等)发送至服务器,服务器可以基于接收到的数据,得到处理结果,并将处理结果(例如根因识别结果等)返回至至终端。
关于终端以及服务器的描述可以上述实施例的描述,这里不再赘述。
由于本申请实施例涉及大量神经网络的应用,为了便于理解,下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。
(1)神经网络
神经网络可以是由神经单元组成的,神经单元可以是指以xs(即输入数据)和截距1为输入的运算单元,该运算单元的输出可以为:
其中,s=1、2、……n,n为大于1的自然数,Ws为xs的权重,b为神经单元的偏置。f为神经单元的激活函数(activation functions),用于将非线性特性引入神经网络中,来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入,激活函数可以是sigmoid函数。神经网络是将多个上述单一的神经单元联结在一起形成的网络,即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连,来提取局部接受域的特征,局部接受域可以是由若干个神经单元组成的区域。
(2)深度神经网络
深度神经网络(Deep Neural Network,DNN),也称多层神经网络,可以理解为具有很多层隐含层的神经网络,这里的“很多”并没有特别的度量标准。从DNN按不同层的位置划分,DNN内部的神经网络可以分为三类:输入层,隐含层,输出层。一般来说第一层是输入层,最后一层是输出层,中间的层数都是隐含层。层与层之间是全连接的,也就是说,第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然DNN看起来很复杂,但是就每一层的工作来说,其实并不复杂,简单来说就是如下线性关系表达式:其中,是输入向量,是输出向量,是偏移向量,W是权重矩阵(也称系数),α()是激活函数。每一层仅仅是对输入向量经过如此简单的操作得到输出向量由于DNN层数多,则系数W和偏移向量的数量也就很多了。这些参数在DNN中的定义如下所述:以系数W为例:假设在一个三层的DNN中,第二层的第4个神经元到第三层的第2个神经元的线性系数定义为上标3代表系数W所在的层数,而下标对应的是输出的第三层索引2和输入的第二层索引4。总结就是:第L-1层的第k个神经元到第L层的第j个神经元的系数定义为需要注意的是,输入层是没有W参数的。在深度神经网络中,更多的隐含层让网络更能够刻画现实世界中的复杂情形。理论上而言,参数越多的模型复杂度越高,“容量”也就越大,也就意味着它能完成更复杂的学习任务。训练深度神经网络的也就是学习权重矩阵的过程,其最终目的是得到训练好的深度神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。
(3)图(Graph):
图为包括至少一个顶点以及至少一条边的数据结构。在一些场景中,图中的顶点可以映射为实体,图中的边可以映射为实体与实体之间的关系。图可以是有向图或无向图。当然,图还可以包括顶点以及边以外的其他数据,例如顶点的标签以及边的标签等。
(4)损失函数
在训练深度神经网络的过程中,因为希望深度神经网络的输出尽可能的接近真正想要预测的值,所以可以通过比较当前网络的预测值和真正想要的目标值,再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然,在第一次更新之前通常会有初始化的过程,即为深度神经网络中的各层预先配置参数),比如,如果网络的预测值高了,就调整权重向量让它预测低一些,不断的调整,直到深度神经网络能够预测出真正想要的目标值或与真正想要的目标值非常接近的值。因此,就需要预先定义“如何比较预测值和目标值之间的差异”,这便是损失函数(loss function)或目标函数(objective function),它们是用于衡量预测值和目标值的差异的重要方程。其中,以损失函数举例,损失函数的输出值(loss)越高表示差异越大,那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。
(5)反向传播算法
卷积神经网络可以采用误差反向传播(back propagation,BP)算法在训练过程中修正初始的超分辨率模型中参数的大小,使得超分辨率模型的重建误差损失越来越小。具体地,前向传递输入信号直至输出会产生误差损失,通过反向传播误差损失信息来更新初始的超分辨率模型中参数,从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动,旨在得到最优的超分辨率模型的参数,例如权重矩阵。
(6)因果关系
变量对(示例性的,变量A和变量B)存在因果关系可以理解为变量A导致变量B,也就是变量A作为变量B的因变量,变量B作为变量A的果变量。具体的,在其他条件均不变的情况下,变量A的改变会导致变量B的改变。
(7)变量
变量可以为数据的一个特征。例如,变量可以为图像数据的一个特征维度,例如可以为故障对象的状态数据,或者是图像中的某一个语义,例如包括人像的图像中的耳朵区域、眼镜区域等,还可以为图像中的一个像素通道,例如R通道、G通道、B通道等。又例如,变量可以为芯片的某一类局部片段,变量的数据可以为芯片的某一类局部片段的图像。又例如,变量可以为文本数据的一个特征维度。变量还可以为音频数据的一个特征维度、视频数据的一个特征维度等等。
故障根因定位是网络运维等领域中的一个重要环节,通过快速且准确地判断出网络故障的根因,技术人员可以及时采取措施对网络进行修复。然而,现网经常受困于复杂的无线通信环境和网络部署结构,且存在网络故障样本数少、不同的场景下故障表征差异性大等问题。如何充分利用领域知识和一小部分标定数据,使用统计学习和因果推断技术,快速准确地定位故障的根因,是网络运维面临的巨大挑战。
在许多场景中,不同的设备在不同的领域中可能会出现不同类型的告警,这可能会导致采集数据的分布偏移,从而导致训练和测试数据的分布可能不同,导致难以识别故障根因。
为了解决上述问题,参照图7,图7为本申请实施例提供的一种数据处理方法的流程示意,如图7所示,本申请实施例提供的一种数据处理方法包括:
701、获取训练数据集和测试数据集;所述训练数据集和所述测试数据集包括故障对象相关的状态特征,所述训练数据集还包括故障对象对应的故障根因。
在一种可能的实现中,故障对象可以为芯片,故障对象相关的状态特征可以为芯片的局部片段或者故障信息;或者,
其中,芯片的局部片段可以为芯片表面的局部区域,多个局部片段可以为芯片表面的多个局部区域,且多个局部片段中的任意两个局部片段之间的面积大小和外部轮廓形状相同,其中,局部片段之间的面积大小相同可以理解为局部片段所在的区域的面积相同,局部片段之间的外部轮廓形状相同可以理解为局部片段所在的区域的外部轮廓形状相同,例如都为正方形,或者长宽比一致的矩形等等;其中,在一种可能的实现中,多个局部片段中的每个局部片段的面积在预设范围内,每个局部片段的面积不能过大也不能过小,局部片段的面积大小可以与芯片的大小有关,芯片的大小越大,则局部片段的面积越大,例如局部片段的面积和芯片的面积可以保持一定比例,局部片段的面积大小还可以与芯片上的基础单元之间的间隔长度有关,例如可以将局部片段的边长设置为基础单元(例如芯片上的铺铜polygon区域)之间的间隔长度的预设倍数,例如3倍、4倍、5倍等等。其中,每个局部片段可以包括排布的器件和/或器件之间的连接线,本申请实施例中,局部片段,具体可以是获取到每个局部片段的图像信息或者是其他能够表达局部片段上器件排布或者连接线结构的信息,基于该信息可以唯一确定局部片段的结构特征;
在一种可能的实现中,故障对象可以为通信网络的节点,故障对象相关的状态特征可以为网元的关键表现指标KPI、运行数据或者告警信息;
其中,KPI可以用来衡量通信网络中网元的运行状态。通常情况下,异常检测设备会采集每个KPI在不同时刻的观测数据。
在一种可能的实现中,训练数据集和测试数据集中均可以包括故障对象对应的状态特征,该状态特征可以作为模型训练或者测试时的输入数据,训练数据集还可以包括故障对象对应的故障根因。
702、根据所述训练数据集和所述测试数据集,从所述训练数据集中确定目标数据子集;其中,所述目标数据子集中表示的因果关系和所述测试数据集对应的因果关系之间的相似度满足预设条件;所述因果关系为状态特征和故障根因之间的关系;所述测试数据集中故障对象对应的故障根因是通过第一根因确定模型处理所述测试数据集中的状态特征得到的,所述第一根因确定模型为通过所述训练数据集训练得到的模型。
在一种可能的实现中,训练数据集中的一些数据的因果机制(causal effect)分布和测试数据集中数据对应的因果机制分布可能差异很大,为了保证训练数据集和测试数据集中数据对应的因果机制分布较小。可以对训练数据集中的数据进行过滤,通过衡量训练数据集和测试数据集之间分布差异程度,从训练数据集中选择出与测试集数据分布体现的因果机制相近的数据。
其中,因果关系可以包括多个变量中各个变量对的因果关系,变量对可以包括两个变量。变量对的因果关系可以理解为变量对包括的变量之间的因果关系。
其中,变量对(示例性的,变量A和变量B)存在因果关系可以理解为变量A导致变量B,也就是变量A作为变量B的因变量,变量B作为变量A的果变量。具体的,在其他条件均不变的情况下,变量A的改变会导致变量B的改变。
其中,变量对(示例性的,变量B和变量A)存在因果关系可以理解为变量B导致变量A,也就是变量B作为变量A的因变量,变量A作为变量B的果变量。
在一种可能的实现中,可以利用训练数据集中全量的标注数据训练一个模型(也就是本申请实施例中的第一根因确定模型)对测试数据集进行初分类,得到测试数据集中故障对象对应的故障根因,这一步是为获得测试集数据的伪标签,进而可以知晓训练数据集中数据的因果关系分布以及测试数据集中数据的因果关系分布,然后衡量训练集和测试集之间分布差异程度,以进行训练数据集中的数据筛选。
在一种可能的实现中,参照图8,可以对全量的带标注的训练数据集进行下采样,得到多个候选集(多个不同的第一数据子集),由贝叶斯网分解的链式法则启发,可以对每个局部结构下原因变量和结果变量分布反映的因果机制进行对齐,例如,可以最小化所述多个第一数据子集中包括的每对状态特征和故障根因之间的分布特征,并确定与所述测试数据集分布差异最小的第一数据子集为所述目标数据子集。
在一种可能的实现中,参照图9,所述分布特征为条件分布的KL散度。
在一种可能的实现中,可以利用选取的候选集(也就是目标数据子集)去训练模型,并通过模型效果去动态调整上述步骤中的下采样以及测试集伪标签获取策略。
在一种可能的实现中,所述训练数据集包括多个不同的第二数据子集;可以基于每个第二数据子集的因果关系与所述测试数据集对应的因果关系之间的相似度均不满足预设条件,对所述训练数据集进行重新划分,得到所述多个第一数据子集。
703、根据所述训练数据子集,训练第二根因确定模型。
应理解,通过从训练数据集中筛选出的目标数据集可能不能实现训练集和测试集的数据分布的完美对齐,在这种情况下,可以通过将根因确定模型设置为多层分类器模型,以此作为训练数据集筛选方法的补充,进一步对齐数据分布以取得更好的根因定位效果。
示例性的,在构建多层分类器模型的过程中,以轻量级分类器作为每一层分类器的模型。多层分类器模型的第一层输入为训练集数据,第一层的输出结果为测试集数据的初始伪标签。从第二层分类器开始,输入数据为测试数据集,输入标签为上一层输出的伪标签,最后一层的输出结果则是预测的根因定位结果。
在一种可能的实现中,所述第二根因确定模型包括第一子模型(多层分类器模型的基分类器,也就是第0层强化分类器)和第二子模型(多层分类器模型的第1层强化分类器),所述第一子模型和第二子模型用于根据故障对象的状态特征预测对应的故障根因;可以根据所述训练数据子集,训练所述第一子模型,得到更新后的所述第一子模型;更新后的所述第一子模型处理所述目标数据子集得到的结果为第一故障根因;根据所述测试数据集中的状态数据和所述第一故障根因,训练所述第二子模型,得到更新后的所述第二子模型;其中,在训练所述第二子模型时所述第一故障根因用于作为所述测试数据集中状态数据对应的真值。
在一种可能的实现中,所述第二根因确定模型还包括第三子模型(多层分类器模型的第2层强化分类器),所述第三子模型用于根据故障对象的状态特征预测对应的故障根因;更新后的所述第二子模型处理所述目标数据子集得到的结果为第二故障根因;可以根据所述测试数据集中的状态数据和所述第二故障根因,训练所述第三子模型,得到更新后的所述第三子模型;其中,在训练所述第三子模型时所述第二故障根因用于作为所述测试数据集中状态数据对应的真值。
参照图10,根因确定模型还可以包括更多的分类器,这里并不限定。如图10所示,根因确定模型可以包括基分类器(第0层强化):通过标注样本选择模块选择的训练数据集训练获得,作为第0层强化分类器,第N层模型强化使用第N-1层强化分类器对测试数据进行分类(伪标签),得到伪标注数据集,然后使用伪标注数据集训练得到第N层强化分类器。可选的,模型强化终止条件可以为前层强化分类器训练误差满足预设条件。通过上述方式,使用基于伪标签的多层分类器模块,可以提高模型的分类准确性。
本申请实施例提供了一种数据处理方法,所述方法包括:获取训练数据集和测试数据集;所述训练数据集和所述测试数据集包括故障对象相关的状态特征,所述训练数据集还包括故障对象对应的故障根因;根据所述训练数据集和所述测试数据集,从所述训练数据集中确定目标数据子集;其中,所述目标数据子集中表示的因果关系和所述测试数据集对应的因果关系之间的相似度满足预设条件;所述因果关系为状态特征和故障根因之间的关系;所述测试数据集中故障对象对应的故障根因是通过第一根因确定模型处理所述测试数据集中的状态特征得到的,所述第一根因确定模型为通过所述训练数据集训练得到的模型;根据所述训练数据子集,训练第二根因确定模型。通过对齐训练数据和测试数据的因果机制,通过提高训练数据和测试数据的因果分布,可以在测试集取得较好的效果,进而提高根因确定模型的准确性。
示例性的,参照图11,图11为本申请实施例中基于因果对齐的故障根因定位方法的软件架构,主要包含两个模块:1)标注样本选择模块和2)模型强化模块。其中,
标注样本选择模块可以执行:衡量训练集(库存Labeled Historic Data)和测试集(最新Unlabeled Historic Data)之间分布差异程度;过滤训练集数据,使剩余数据分布体现的因果机制(Causal Effect)与测试集数据相近。在训练集和测试集中,对每组原因(根因)变量和结果(特征)变量条件分布(Causal Effect)进行对齐。
模型强化模块可以执行:使用前序模块选择的训练样本训练一个基分类器;通过未标注的测试数据集对基分类器进行逐层强化。
参照图12,图12为本申请实施例提供的一种数据处理装置的结构示意,其中,所述装置1200,包括:
获取模块1201,用于获取训练数据集和测试数据集;所述训练数据集和所述测试数据集包括故障对象相关的状态特征,所述训练数据集还包括故障对象对应的故障根因;
其中,关于获取模块1201的具体描述可以参照上述实施例中步骤701的描述,这里不再赘述。
样本选择模块1202,用于根据所述训练数据集和所述测试数据集,从所述训练数据集中确定目标数据子集;其中,所述目标数据子集中表示的因果关系和所述测试数据集对应的因果关系之间的相似度满足预设条件;所述因果关系为状态特征和故障根因之间的关系;所述测试数据集中故障对象对应的故障根因是通过第一根因确定模型处理所述测试数据集中的状态特征得到的,所述第一根因确定模型为通过所述训练数据集训练得到的模型;
其中,关于样本选择模块1202的具体描述可以参照上述实施例中步骤702的描述,这里不再赘述。
模型训练模块1203,用于根据所述训练数据子集,训练第二根因确定模型。
其中,关于模型训练模块1203的具体描述可以参照上述实施例中步骤703的描述,这里不再赘述。
在一种可能的实现中,所述训练数据集包括多个不同的第一数据子集;所述样本选择模块,具体用于:
最小化所述多个第一数据子集中包括的每对状态特征和故障根因之间的分布特征,并确定与所述测试数据集分布差异最小的第一数据子集为所述目标数据子集。
在一种可能的实现中,所述分布特征为条件分布的KL散度。
在一种可能的实现中,所述训练数据集包括多个不同的第一数据子集;所述装置还包括:
基于每个第二数据子集的因果关系与所述测试数据集对应的因果关系之间的相似度均不满足预设条件,对所述训练数据集进行重新划分,得到所述多个第一数据子集。
在一种可能的实现中,所述第二根因确定模型包括第一子模型和第二子模型,所述第一子模型和第二子模型用于根据故障对象的状态特征预测对应的故障根因;根据所述训练数据子集,训练所述第二根因确定模型,包括:
根据所述训练数据子集,训练所述第一子模型,得到更新后的所述第一子模型;更新后的所述第一子模型处理所述目标数据子集得到的结果为第一故障根因;
根据所述测试数据集中的状态数据和所述第一故障根因,训练所述第二子模型,得到更新后的所述第二子模型;其中,在训练所述第二子模型时所述第一故障根因用于作为所述测试数据集中状态数据对应的真值。
在一种可能的实现中,所述第二根因确定模型还包括第三子模型,所述第三子模型用于根据故障对象的状态特征预测对应的故障根因;更新后的所述第二子模型处理所述目标数据子集得到的结果为第二故障根因;根据所述训练数据子集,训练所述第二根因确定模型,包括:
根据所述测试数据集中的状态数据和所述第二故障根因,训练所述第三子模型,得到更新后的所述第三子模型;其中,在训练所述第三子模型时所述第二故障根因用于作为所述测试数据集中状态数据对应的真值。
在一种可能的实现中,所述状态数据为关键表现指标KPI、运行数据或者告警信息。
在一种可能的实现中,所述故障对象为网络节点、芯片、计算机事务或者机械设备。
接下来介绍本申请实施例提供的一种执行设备,请参阅图13,图13为本申请实施例提供的执行设备的一种结构示意图,执行设备1300具体可以表现为手机、平板、笔记本电脑、智能穿戴设备等,此处不做限定。具体的,执行设备1300包括:接收器1301、发射器1302、处理器1303和存储器1304(其中执行设备1300中的处理器1303的数量可以一个或多个,图13中以一个处理器为例),其中,处理器1303可以包括应用处理器13031和通信处理器13032。在本申请的一些实施例中,接收器1301、发射器1302、处理器1303和存储器1304可通过总线或其它方式连接。
存储器1304可以包括只读存储器和随机存取存储器,并向处理器1303提供指令和数据。存储器1304的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory,NVRAM)。存储器1304存储有处理器和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。
处理器1303控制执行设备的操作。具体的应用中,执行设备的各个组件通过总线系统耦合在一起,其中总线系统除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都称为总线系统。
上述本申请实施例揭示的方法可以应用于处理器1303中,或者由处理器1303实现。处理器1303可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器1303中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1303可以是通用处理器、数字信号处理器(digital signal processing,DSP)、微处理器或微控制器,还可进一步包括专用集成电路(application specific integratedcircuit,ASIC)、现场可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1303可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1304,处理器1303读取存储器1304中的信息,结合其硬件完成上述方法的步骤。
接收器1301可用于接收输入的数字或字符信息,以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1302可用于输出数字或字符信息;发射器1302还可用于向磁盘组发送指令,以修改磁盘组中的数据。
本申请实施例中,在一种情况下,处理器1303,用于执行图7对应实施例中的数据处理方法的步骤。
本申请实施例还提供了一种服务器,请参阅图14,图14是本申请实施例提供的服务器一种结构示意图,具体的,服务器1400由一个或多个服务器实现,服务器1400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessing units,CPU)1414(例如,一个或一个以上处理器)和存储器1432,一个或一个以上存储应用程序1442或数据1444的存储介质1430(例如一个或一个以上海量存储设备)。其中,存储器1432和存储介质1430可以是短暂存储或持久存储。存储在存储介质1430的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1414可以设置为与存储介质1430通信,在服务器1400上执行存储介质1430中的一系列指令操作。
服务器1400还可以包括一个或一个以上电源1420,一个或一个以上有线或无线网络接口1450,一个或一个以上输入输出接口1458;或,一个或一个以上操作系统1441,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
本申请实施例中,中央处理器1414,用于执行图7对应实施例中的数据处理方法的步骤。
本申请实施例中还提供一种包括计算机可读指令的计算机程序产品,当其在计算机上运行时,使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例中还提供一种计算机可读存储介质,该计算机可读存储介质中存储有用于进行信号处理的程序,当其在计算机上运行时,使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片,芯片包括:处理单元和通信单元,所述处理单元例如可以是处理器,所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令,以使执行设备内的芯片执行上述实施例描述的数据处理方法,或者,以使训练设备内的芯片执行上述实施例中与模型训练相关的步骤。可选地,所述存储单元为所述芯片内的存储单元,如寄存器、缓存等,所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元,如只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)等。
具体的,请参阅图15,图15为本申请实施例提供的芯片的一种结构示意图,所述芯片可以表现为神经网络处理器NPU 1500,NPU 1500作为协处理器挂载到主CPU(Host CPU)上,由Host CPU分配任务。NPU的核心部分为运算电路1503,通过控制器1504控制运算电路1503提取存储器中的矩阵数据并进行乘法运算。
在一些实现中,运算电路1503内部包括多个处理单元(Process Engine,PE)。在一些实现中,运算电路1503是二维脉动阵列。运算电路1503还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路1503是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器1502中取矩阵B相应的数据,并缓存在运算电路中每一个PE上。运算电路从输入存储器1501中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)1508中。
统一存储器1506用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller,DMAC)1505,DMAC被搬运到权重存储器1502中。输入数据也通过DMAC被搬运到统一存储器1506中。
BIU为Bus Interface Unit即,总线接口单元1510,用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer,IFB)1509的交互。
总线接口单元1510(Bus Interface Unit,简称BIU),用于取指存储器1509从外部存储器获取指令,还用于存储单元访问控制器1505从外部存储器获取输入矩阵A或者权重矩阵B的原数据。
DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1506或将权重数据搬运到权重存储器1502中或将输入数据数据搬运到输入存储器1501中。
向量计算单元1507包括多个运算处理单元,在需要的情况下,对运算电路的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。主要用于神经网络中非卷积/全连接层网络计算,如Batch Normalization(批归一化),像素级求和,对特征平面进行上采样等。
在一些实现中,向量计算单元1507能将经处理的输出的向量存储到统一存储器1506。例如,向量计算单元1507可以将线性函数;或,非线性函数应用到运算电路1503的输出,例如对卷积层提取的特征平面进行线性插值,再例如累加值的向量,用以生成激活值。在一些实现中,向量计算单元1507生成归一化的值、像素级求和的值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路1503的激活输入,例如用于在神经网络中的后续层中的使用。
控制器1504连接的取指存储器(instruction fetch buffer)1509,用于存储控制器1504使用的指令;
统一存储器1506,输入存储器1501,权重存储器1502以及取指存储器1509均为On-Chip存储器。外部存储器私有于该NPU硬件架构。
其中,上述任一处提到的处理器,可以是一个通用中央处理器,微处理器,ASIC,或一个或多个用于控制上述程序执行的集成电路。
另外需说明的是,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单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,训练设备,或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
Claims (19)
1.一种数据处理方法,其特征在于,所述方法包括:
获取训练数据集和测试数据集;所述训练数据集和所述测试数据集包括故障对象相关的状态特征,所述训练数据集还包括故障对象对应的故障根因;
根据所述训练数据集和所述测试数据集,从所述训练数据集中确定目标数据子集;其中,所述目标数据子集中表示的因果关系和所述测试数据集对应的因果关系之间的相似度满足预设条件;所述因果关系为状态特征和故障根因之间的关系;所述测试数据集中故障对象对应的故障根因是通过第一根因确定模型处理所述测试数据集中的状态特征得到的,所述第一根因确定模型为通过所述训练数据集训练得到的模型;
根据所述训练数据子集,训练第二根因确定模型。
2.根据权利要求1所述的方法,其特征在于,所述训练数据集包括多个不同的第一数据子集;所述根据所述训练数据集和所述测试数据集,从所述训练数据集中确定目标数据子集,包括:
最小化所述多个第一数据子集中包括的每对状态特征和故障根因之间的分布特征,并确定与所述测试数据集分布差异最小的第一数据子集为所述目标数据子集。
3.根据权利要求2所述的方法,其特征在于,所述分布特征为条件分布的KL散度。
4.根据权利要求2或3所述的方法,其特征在于,所述训练数据集包括多个不同的第二数据子集;所述方法还包括:
基于每个第二数据子集的因果关系与所述测试数据集对应的因果关系之间的相似度均不满足预设条件,对所述训练数据集进行重新划分,得到所述多个第一数据子集。
5.根据权利要求1至4任一所述的方法,其特征在于,所述第二根因确定模型包括第一子模型和第二子模型,所述第一子模型和第二子模型用于根据故障对象的状态特征预测对应的故障根因;根据所述训练数据子集,训练所述第二根因确定模型,包括:
根据所述训练数据子集,训练所述第一子模型,得到更新后的所述第一子模型;更新后的所述第一子模型处理所述目标数据子集得到的结果为第一故障根因;
根据所述测试数据集中的状态数据和所述第一故障根因,训练所述第二子模型,得到更新后的所述第二子模型;其中,在训练所述第二子模型时所述第一故障根因用于作为所述测试数据集中状态数据对应的真值。
6.根据权利要求5所述的方法,其特征在于,所述第二根因确定模型还包括第三子模型,所述第三子模型用于根据故障对象的状态特征预测对应的故障根因;更新后的所述第二子模型处理所述目标数据子集得到的结果为第二故障根因;根据所述训练数据子集,训练所述第二根因确定模型,包括:
根据所述测试数据集中的状态数据和所述第二故障根因,训练所述第三子模型,得到更新后的所述第三子模型;其中,在训练所述第三子模型时所述第二故障根因用于作为所述测试数据集中状态数据对应的真值。
7.根据权利要求1至6任一所述的方法,其特征在于,所述状态数据为关键表现指标KPI、运行数据或者告警信息。
8.根据权利要求1至7任一所述的方法,其特征在于,所述故障对象为网络节点、芯片、计算机事务或者机械设备。
9.一种数据处理装置,其特征在于,所述装置包括:
获取模块,用于获取训练数据集和测试数据集;所述训练数据集和所述测试数据集包括故障对象相关的状态特征,所述训练数据集还包括故障对象对应的故障根因;
样本选择模块,用于根据所述训练数据集和所述测试数据集,从所述训练数据集中确定目标数据子集;其中,所述目标数据子集中表示的因果关系和所述测试数据集对应的因果关系之间的相似度满足预设条件;所述因果关系为状态特征和故障根因之间的关系;所述测试数据集中故障对象对应的故障根因是通过第一根因确定模型处理所述测试数据集中的状态特征得到的,所述第一根因确定模型为通过所述训练数据集训练得到的模型;
模型训练模块,用于根据所述训练数据子集,训练第二根因确定模型。
10.根据权利要求9所述的装置,其特征在于,所述训练数据集包括多个不同的第一数据子集;所述样本选择模块,具体用于:
最小化所述多个第一数据子集中包括的每对状态特征和故障根因之间的分布特征,并确定与所述测试数据集分布差异最小的第一数据子集为所述目标数据子集。
11.根据权利要求10所述的装置,其特征在于,所述分布特征为条件分布的KL散度。
12.根据权利要求10或11所述的装置,其特征在于,所述训练数据集包括多个不同的第二数据子集;所述装置还包括:
基于每个第二数据子集的因果关系与所述测试数据集对应的因果关系之间的相似度均不满足预设条件,对所述训练数据集进行重新划分,得到所述多个第一数据子集。
13.根据权利要求9至12任一所述的装置,其特征在于,所述第二根因确定模型包括第一子模型和第二子模型,所述第一子模型和第二子模型用于根据故障对象的状态特征预测对应的故障根因;根据所述训练数据子集,训练所述第二根因确定模型,包括:
根据所述训练数据子集,训练所述第一子模型,得到更新后的所述第一子模型;更新后的所述第一子模型处理所述目标数据子集得到的结果为第一故障根因;
根据所述测试数据集中的状态数据和所述第一故障根因,训练所述第二子模型,得到更新后的所述第二子模型;其中,在训练所述第二子模型时所述第一故障根因用于作为所述测试数据集中状态数据对应的真值。
14.根据权利要求13所述的装置,其特征在于,所述第二根因确定模型还包括第三子模型,所述第三子模型用于根据故障对象的状态特征预测对应的故障根因;更新后的所述第二子模型处理所述目标数据子集得到的结果为第二故障根因;根据所述训练数据子集,训练所述第二根因确定模型,包括:
根据所述测试数据集中的状态数据和所述第二故障根因,训练所述第三子模型,得到更新后的所述第三子模型;其中,在训练所述第三子模型时所述第二故障根因用于作为所述测试数据集中状态数据对应的真值。
15.根据权利要求9至14任一所述的装置,其特征在于,所述状态数据为关键表现指标KPI、运行数据或者告警信息。
16.根据权利要求9至15任一所述的装置,其特征在于,所述故障对象为网络节点、芯片、计算机事务或者机械设备。
17.一种数据处理装置,其特征在于,所述装置包括存储器和处理器;所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行如权利要求1至8任一所述的方法。
18.一种计算机可读存储介质,其特征在于,包括计算机可读指令,当所述计算机可读指令在计算机设备上运行时,使得所述计算机设备执行权利要求1至8任一项所述的方法。
19.一种计算机程序产品,其特征在于,包括计算机可读指令,当所述计算机可读指令在计算机设备上运行时,使得所述计算机设备执行如权利要求1至8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211348555.6A CN115686908A (zh) | 2022-10-31 | 2022-10-31 | 一种数据处理方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211348555.6A CN115686908A (zh) | 2022-10-31 | 2022-10-31 | 一种数据处理方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115686908A true CN115686908A (zh) | 2023-02-03 |
Family
ID=85046073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211348555.6A Pending CN115686908A (zh) | 2022-10-31 | 2022-10-31 | 一种数据处理方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115686908A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116048000A (zh) * | 2023-03-31 | 2023-05-02 | 中科航迈数控软件(深圳)有限公司 | 多轴运动数控系统的建模方法、装置、设备及存储介质 |
CN116225769A (zh) * | 2023-05-04 | 2023-06-06 | 北京优特捷信息技术有限公司 | 一种系统故障根因的确定方法、装置、设备及介质 |
CN117033053A (zh) * | 2023-08-14 | 2023-11-10 | 广州诺芯软件科技有限公司 | 应用于汽车营销管理系统软件的数据分析方法及系统 |
-
2022
- 2022-10-31 CN CN202211348555.6A patent/CN115686908A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116048000A (zh) * | 2023-03-31 | 2023-05-02 | 中科航迈数控软件(深圳)有限公司 | 多轴运动数控系统的建模方法、装置、设备及存储介质 |
CN116225769A (zh) * | 2023-05-04 | 2023-06-06 | 北京优特捷信息技术有限公司 | 一种系统故障根因的确定方法、装置、设备及介质 |
CN116225769B (zh) * | 2023-05-04 | 2023-07-11 | 北京优特捷信息技术有限公司 | 一种系统故障根因的确定方法、装置、设备及介质 |
CN117033053A (zh) * | 2023-08-14 | 2023-11-10 | 广州诺芯软件科技有限公司 | 应用于汽车营销管理系统软件的数据分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115686908A (zh) | 一种数据处理方法及相关设备 | |
AU2020385264B2 (en) | Fusing multimodal data using recurrent neural networks | |
US20200034749A1 (en) | Training corpus refinement and incremental updating | |
US20230035910A1 (en) | Method, system and device for parallel processing of data, and storage medium | |
CN111125529A (zh) | 产品匹配方法、装置、计算机设备及存储介质 | |
CN115510795A (zh) | 一种数据处理方法以及相关装置 | |
WO2023217127A1 (zh) | 一种因果关系确定方法及相关设备 | |
US11645540B2 (en) | Deep graph de-noise by differentiable ranking | |
CN114692778B (zh) | 用于智能巡检的多模态样本集生成方法、训练方法及装置 | |
CN111191677B (zh) | 用户特征数据生成方法、装置及电子设备 | |
CN115757692A (zh) | 一种数据处理方法及其装置 | |
CN114925651A (zh) | 一种电路走线确定方法及相关设备 | |
US20170103331A1 (en) | Evaluation of predictions in the absence of a known ground truth | |
Liu et al. | [Retracted] Defect Prediction Technology in Software Engineering Based on Convolutional Neural Network | |
CN115203194A (zh) | 一种元数据信息的生成方法、相关装置、设备及存储介质 | |
CN115618065A (zh) | 一种数据处理方法及相关设备 | |
CN112766402A (zh) | 算法选择方法、装置和电子设备 | |
CN113360672B (zh) | 用于生成知识图谱的方法、装置、设备、介质和产品 | |
CN113961765B (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
CN113657022B (zh) | 一种芯片故障识别方法及相关设备 | |
CN115376203A (zh) | 一种数据处理方法及其装置 | |
CN115049003A (zh) | 一种预训练模型微调方法、装置、设备和存储介质 | |
CN111859985B (zh) | Ai客服模型测试方法、装置、电子设备及存储介质 | |
CN113780239A (zh) | 虹膜识别方法、装置、电子设备和计算机可读介质 | |
Han et al. | Using source code and process metrics for defect prediction-A case study of three algorithms and dimensionality reduction. |
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 |