CN115757076B - 一种基于设备运行特征和性能指标的簇管理适应度计算方法 - Google Patents
一种基于设备运行特征和性能指标的簇管理适应度计算方法 Download PDFInfo
- Publication number
- CN115757076B CN115757076B CN202211580435.9A CN202211580435A CN115757076B CN 115757076 B CN115757076 B CN 115757076B CN 202211580435 A CN202211580435 A CN 202211580435A CN 115757076 B CN115757076 B CN 115757076B
- Authority
- CN
- China
- Prior art keywords
- index
- server
- matrix
- ahp
- weight
- 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.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 16
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 55
- 238000011156 evaluation Methods 0.000 claims description 23
- 230000003068 static effect Effects 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000007812 deficiency Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于设备运行特征和性能指标的簇管理适应度计算方法，首先对时间序列的数据进行融合；通过求出各指标的信息熵和指标间的相关系数，进而求出各指标所占的权重，以此实现将设备不同属性间的数据进行降维求和，得到各个设备的动态指标；通过使用AHP层次分析法和熵权法，弥补单一赋权带来的不足，使结果更加科学准确，对动态指标和性能指标进行加权，以此得到适应度指标，选取指标最大值作为簇头。本发明能够在含有多个设备的簇中，选择出综合条件最优的设备作为簇头。
Description
技术领域
本发明属于分布式系统领域，具体涉及一种基于设备运行特征和性能指标的簇管理适应度计算方法。
背景技术
随着计算机技术的发展与大数据时代的到来，很多高校、企业单位在运作过程中需要大量计算机和服务器来存储管理海量数据信息，这些数据大多涉及内部技术、工作日常、资金流向、人员隐私等重要内容，因此需要对服务器进行实时监控。
通常情况下，对服务器进行监控采用的是使用网管软件的方式，但是传统的网管软件只有一个控制端来获取其它代理的信息，因此会出现延时长、带宽占用率过高等问题。为了解决上述问题，采用分布式处理的方式，将数据机房中的服务器分成几个簇，在簇中选择一个簇头来获取整个簇中的信息，进而由簇头传递到控制端。
CRITIC法是一种基于指标对比强度和指标之间的冲突性来综合衡量指标的客观权重，但是传统的CRITIC算法采用的是标准差来表示冲突性，并未充分考虑到数据间的离散程度。
发明内容
针对数据中心机房中因为通过网管软件监控机房的服务器时延长、带宽占用率高而采用分布式处理时簇中簇头的选取问题，本发明提供一种基于设备运行特征和性能指标的簇管理适应度计算方法，将服务器的运行特征和静态指标相结合进行考虑，使计算结果更加客观准确。
本发明提供的技术方案：一种基于设备运行特征和性能指标的簇管理适应度计算方法，包括如下步骤：
(1)分别以当前时刻和历史时刻的数据中心机房中各个服务器运行特征的均值为评价指标，依据服务器设备运行特征数据，分别构建服务器运行特征矩阵X，对数据进行归一化处理；
(2)对每一个评价指标计算信息熵，并计算矩阵X的相关性矩阵，由每个评价指标的信息熵和相关性矩阵，计算出每个评价指标的权重；
(3)依据各个评价指标的权重，将设备不同属性间的数据进行降维求和，得到各个设备的动态指标；
(4)以服务器本身的静态指标和步骤(3)所得的动态指标重新构建服务器指标矩阵X，并进行归一化处理；
(5)构建判断矩阵J，然后求取矩阵J的特征向量和特征根值，并进行一致性检验，如果通过，则权重即是特征向量，如果未通过，则调整判断矩阵J，采用AHP层次分析法来求取动态指标和不同静态指标的权重；
(6)采用熵权法对AHP法求出的权重进行修正，求取各个指标的信息熵，并通过信息熵计算各指标的权重，然后将AHP层次分析法和熵权法求出的动态指标和不同静态指标的权重取平均得到最终的各项指标的权重；
(7)最后计算簇管理适应度指标，选取适应度指标最大的服务器作为簇头。
进一步的，所述步骤(1)中数据中心机房中服务器运行特征包括不同服务器运行时的CPU利用率、内存利用率和网络吞吐量；
服务器运行特征矩阵X为：
其中，m代表服务器，n代表评价指标，xmn表示第m个服务器的第n个指标的数据归一化后的值。
进一步的，所述步骤(2)中信息熵为：
p(xij)表示的是当前元素在当前特征列中所占的比例
xij表示矩阵X中第i个服务器的第j个指标的值；
矩阵X每个指标的平均值记为相关性矩阵
指标j和其它指标的相关性为
rij表示评价指标j和指标i的相关性，相关性矩阵R代表的就是这个值，其中i代表行，j代表列。
进一步的，所述步骤(3)中第j个指标的权重表示为
将设备不同属性间的数据进行降维求和，得到各个设备的动态指标。
进一步的，所述步骤(3)中对于设备i，动态指标计算为：其中，xi代表设备i的动态指标，xij代表设备i的第j个指标，wj代表它的权重。
进一步的，所述步骤(4)中以动态指标为负向指标，静态指标为正向指标，重新构建服务器指标矩阵X：
其中，m代表服务器，n代表评价指标，xmn表示第m个服务器的第n个指标的数据归一化后的值，对以上指标进行归一化处理，采用计算的xi ′ j用来更新矩阵X，即用xi ′ j代替X中的xij，i∈(1,m)，j∈(1,n)
其中：正向指标：负向指标：
进一步的，所述步骤(5)中采用n个指标构建判断矩阵J，初始化过程如下：
其中，bij代表Ti与Tj相对关系，Ti与Tj代表两种评价指标，数学映射如下：
将判断矩阵J的每一列归一化：将归一化后的矩阵按行求和/>将向量A_AHP＝[a_ahp1,a_ahp2,…,a_ahpn]T进行归一化：/> 则特征向量W_AHP＝[w_ahp1,w_ahp2,…,w_ahpn]T；
求得特征根植：计算一致性指标/>对照一致性校验表得到RI值，通过/>进行一致性检验，如果通过，则得到权重W_AHP，如未通过，则需调整判断矩阵J。
进一步的，所述步骤(6)中是根据步骤(4)更新后的矩阵X采用熵权法求取各个指标的信息熵，并通过信息熵计算各指标的权重，具体如下：求取每个指标中各个服务器在这一指标下的比值：
求取各个指标的信息熵：
其中若pij＝0，定义Ej＝0，
通过信息熵计算各指标的权重：
即W_EN＝[w_en1,w_en2,…,w_enn]T
将主观赋权求出的权重W_AHP和客观赋权求出的权重W_EN取平均，得到最终的动态指标和各静态指标的权重W＝[w1,w2,…,wn]T；
进一步的，所述步骤(7)中簇管理适应度指标
进一步的，所述步骤(1)中历史时刻取前四个时刻，所述步骤(4)中静态指标包括CPU核心数、CPU主频和内存大小。
本发明的有益效果在于：
1.针对数据中心机房中通过分布式获取各个服务器的状态信息而产生的簇头选取问题，本方法不仅考虑的当前时刻的服务器运行数据，而且考虑了服务器的历史运行数据，使动态指标能够更好的反映服务器的运行状态；
2.在进行簇管理适应度的求取时，不仅考虑了服务器的动态指标，而且考虑了诸如CPU核数、CPU主频、内存等静态指标，使最后选出的簇头更加合理；
3.在进行动态指标的计算时，通过使用指标的信息熵和指标间的相关性来求取权重，使得最后表征服务器运行特征的动态指标更加准确，最后在求取簇管理适应度时，使用AHP层次分析法和熵权法，弥补了单一赋权带来的不足，使结果更加科学准确。
附图说明
图1是本发明的整体框架流程图；
图2是本发明的计算方法的伪代码示意图；
图3是本发明的某一具体实施例中数据中心服务器的数据图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明的保护范围。为了避免混淆本发明的实质，公知的方法和过程并没有详细的叙述。
下面结合图1和图2，介绍本发明的具体实施方式为一种基于设备运行特征和性能指标的簇管理适应度计算方法，包括以下具体步骤：
步骤1：数据中心机房中服务器运行状态的变化在时间上会有一定的规律性，因此在衡量服务器的运行特征时，不仅需要考虑服务器当前的运行特征，还需要考虑服务器历史的运行特征，在此我们考虑前四个时刻的运行特征数据，并将这5个时刻数据的均值作为当前时刻的运行特征，其中数据中心机房中服务器运行特征包括不同服务器运行时的CPU利用率、内存利用率和网络吞吐量；
步骤2：依据服务器设备运行特征数据，构建服务器运行特征矩阵X：
步骤3：为了防止数据数值的差异过大对最终的选取结果造成影响，对数据进行归一化处理，其中，m代表服务器，n代表评价指标，xmn表示第m个服务器的第n个指标的数据归一化后的值；
步骤4：对于每一个指标，INj＝{x1j,x2j,…,xmj}，计算每一个指标的信息熵:
p(xij)表示的是当前元素在当前特征列中所占的比例
xij表示矩阵X中第i个服务器的第j个指标的值；
步骤5：计算矩阵X每个指标的平均值记为计算矩阵X的相关性矩阵，
由此可以计算出指标j和其它指标的相关性，用表示；
步骤6:第j个指标的权重可以表示为
步骤7:依据各指标权重wj，将设备不同属性间的数据进行降维求和，得到各个设备的动态指标；对于步骤1-6中，运行特征矩阵X的行为服务器的数目，第一列为CPU利用率，第二列为内存利用率，第三列为网络吞吐量，对每一列进行归一化操作；计算信息熵也是计算每一列的信息熵。所以，3个指标都需要进行归一化操作和求信息熵，然后，经过步骤7进行合并，每个设备就只有一个动态指标了。
步骤8：求取簇管理者的适应度指标时，除去服务器运行的动态指标，服务器本身的静态指标：CPU核心数、CPU主频和内存大小等对于选取也有影响，其中动态指标为负向指标，静态指标为正向指标，重新构建服务器指标矩阵X：
其中，m代表服务器，n代表评价指标，xmn表示第m个服务器的第n个指标的数据归一化后的值，对以上指标进行归一化处理：
采用计算的xi ′ j用来更新矩阵X，即用xi ′ j代替X中的xij，i∈(1,m)，j∈(1,n)
正向指标：
负向指标：
步骤9：求取簇管理者的适应度指标时，服务器本身的静态指标对于服务器的计算能力影响更大，因此需要采用AHP层次分析法这种主观赋权的方式来反映不同指标重视程度，对上述n个指标构建判断矩阵J，初始化过程如下：
其中，bij代表Ti与Tj相对关系，Ti与Tj代表两种评价指标，数学映射如下：
动态指标只有它本身，而静态指标包括CPU核心数、内存大小等多个指标，这里的两种评价指标指的是它们两两组合，如动态指标和CPU核心数、CPU核心数和内存大小等。
步骤10：将判断矩阵J的每一列归一化： 将归一化后的矩阵按行求和/> 将向量A_AHP＝[a_ahp1,a_ahp2,…,a_ahpn]T进行归一化：/>则特征向量W_AHP＝[w_ahp1,w_ahp2,…,w_ahpn]T；
步骤11：求得特征根植：计算一致性指标对照一致性校验表得到RI值，通过/>进行一致性检验，如果通过，则得到权重W_AHP，如未通过，则需返回步骤9调整判断矩阵J；
步骤12：只依据主观赋权的方式获取簇管理适应度指标具有客观性较差的缺点，因此为兼顾到对静态指标的重视程度更大，同时又力争减少赋权的主观随意性，采用客观赋权(熵权法)对上述权重W进行修正；
步骤13：根据更新后的矩阵X采用熵权法求取各个指标的信息熵，并通过信息熵计算各指标的权重，
求取每个指标中各个服务器在这一指标下的比值：
求取各个指标的信息熵：
(若pij＝0，定义Ej＝0)，
通过信息熵计算各指标的权重：
即W_EN＝[w_en1,w_en2,…,w_enn]T
步骤14：将主观赋权求出的权重W_AHP和客观赋权求出的权重W_EN取平均，得到最终的各指标的权重W＝[w1,w2,…,wn]T；
步骤15：最后计算簇管理适应度指标：
选取适应度指标最大的服务器做为簇头。
在某一实施例中，具体我们选取数据中心中10台服务器的连续5个时刻的CPU利用率、内存利用率、网络流量作为动态指标，CPU核心数、CPU主频和内存大小作为静态指标。具体数据如图1所示：
通过对CPU利用率、内存利用率、网络流量三个指标计算信息熵，并计算相关性矩阵，求出每个评价指标的权重如下表1所示：
表1 CPU利用率、内存利用率、网络流量三种指标权重
| 指标 | 权重 |
| CPU利用率 | 0.3237 |
| 内存利用率 | 0.4420 |
| 网络流量 | 0.2343 |
通过对各设备的三个指标依据权重进行加权求和，以此得到动态指标值如下表2所示：
表2各服务器动态指标值
| 设备编号 | 动态指标值 |
| 1 | 0.4923 |
| 2 | 0.4654 |
| 3 | 1.9478e-04 |
| 4 | 0.3986 |
| 5 | 0.5023 |
| 6 | 0.4246 |
| 7 | 0.4139 |
| 8 | 0.3404 |
| 9 | 0.4455 |
| 10 | 0.0547 |
将动态指标值和CPU核心数、CPU主频和内存大小三种静态指标组成矩阵X，对动态指标值和三种静态指标值分别进行归一化，然后分别采用AHP层次分析法和熵权法进行权重的求取，结果如表3和表4所示：
表3 AHP层次分析法求取的四种指标的权重
| 指标 | 权重 |
| 动态指标 | 0.1429 |
| CPU核心数 | 0.2857 |
| CPU主频 | 0.2857 |
| 内存大小 | 0.2857 |
表4熵权法求取的四种指标的权重
| 指标 | 权重 |
| 动态指标 | 0.2546 |
| CPU核心数 | 0.3537 |
| CPU主频 | 0.1711 |
| 内存大小 | 0.2206 |
将AHP层次分析法和熵权法的权重结果取平均后，结果如表5所示：
表5取平均后的四种指标的权重
| 指标 | 权重 |
| 动态指标 | 0.1987 |
| CPU核心数 | 0.3197 |
| CPU主频 | 0.2284 |
| 内存大小 | 0.2532 |
依据上表的权重，对服务器的动态指标值、CPU核心数、CPU主频和内存大小三种静态指标进行加权求和，得到服务器簇管理适应度如表6所示：
表6服务器簇管理适应度
由上表所示，服务器4的簇管理适应度值最大，因此选其作为簇头。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于设备运行特征和性能指标的簇管理适应度计算方法，其特征在于包括如下步骤：
(1)分别以当前时刻和历史时刻的数据中心机房中各个服务器运行特征的均值为评价指标，依据服务器设备运行特征数据，分别构建服务器运行特征矩阵X，对数据进行归一化处理；
(2)对每一个评价指标计算信息熵，并计算矩阵X的相关性矩阵，由每个评价指标的信息熵和相关性矩阵，计算出每个评价指标的权重；
(3)依据各个评价指标的权重，将设备不同属性间的数据进行降维求和，得到各个设备的动态指标；
(4)以服务器本身的静态指标和步骤(3)所得的动态指标重新构建服务器指标矩阵X，并进行归一化处理；
(5)构建判断矩阵J，然后求取矩阵J的特征向量和特征根值，并进行一致性检验，如果通过，则权重即是特征向量，如果未通过，则调整判断矩阵J，采用AHP层次分析法来求取动态指标和不同静态指标的权重；
(6)采用熵权法对AHP法求出的权重进行修正，求取各个指标的信息熵，并通过信息熵计算各指标的权重，然后将AHP层次分析法和熵权法求出的动态指标和不同静态指标的权重取平均得到最终的各项指标的权重；
(7)最后计算簇管理适应度指标，选取适应度指标最大的服务器作为簇头；
所述步骤(2)中信息熵为：
p(xij)表示的是当前元素在当前特征列中所占的比例
xij表示矩阵X中第i个服务器的第j个指标的值；
矩阵X每个指标的平均值记为相关性矩阵
指标j和其它指标的相关性为
rij表示评价指标j和指标i的相关性，相关性矩阵R代表的就是这个值，其中i代表行，j代表列；
所述步骤(5)中采用n个指标构建判断矩阵J，初始化过程如下：
其中，bij代表Ti与Tj相对关系，Ti与Tj代表两种评价指标，数学映射如下：
将判断矩阵J的每一列归一化：将归一化后的矩阵按行求和/>将向量A_AHP＝[a_ahp1，a_ahp2，...，a_ahpn]T进行归一化：/>则特征向量W_AHP＝[w_ahp1，w_ahp2，...，w_ahpn]T；
求得特征根植：计算一致性指标/>对照一致性校验表得到RI值，通过/>进行一致性检验，如果通过，则得到权重W_AHP，如未通过，则需调整判断矩阵J；
所述步骤(6)中是根据步骤(4)更新后的矩阵X采用熵权法求取各个指标的信息熵，并通过信息熵计算各指标的权重，
具体如下：求取每个指标中各个服务器在这一指标下的比值：
求取各个指标的信息熵：
其中若pij＝0，定义Ej＝0，通过信息熵计算各指标的权重：
即W_EN＝[w_en1，w_en2，...，w_enn]T
将主观赋权求出的权重W_AHP和客观赋权求出的权重W_EN取平均，得到最终的动态指标和各静态指标的权重W＝[w1，w2，...，wn]T。
2.根据权利要求1所述的基于设备运行特征和性能指标的簇管理适应度计算方法，其特征在于：所述步骤(1)中数据中心机房中服务器运行特征包括不同服务器运行时的CPU利用率、内存利用率和网络吞吐量；
服务器运行特征矩阵X为：
其中，m代表服务器，n代表评价指标，xmn表示第m个服务器的第n个指标的数据归一化后的值。
3.根据权利要求2所述的基于设备运行特征和性能指标的簇管理适应度计算方法，其特征在于：所述步骤(3)中第j个指标的权重表示为
将设备不同属性间的数据进行降维求和，得到各个设备的动态指标。
4.根据权利要求3所述的基于设备运行特征和性能指标的簇管理适应度计算方法，其特征在于：所述步骤(3)中对于设备i，动态指标计算为：其中，xi代表设备i的动态指标，xij代表设备i的第j个指标，wj代表它的权重。
5.根据权利要求4所述的基于设备运行特征和性能指标的簇管理适应度计算方法，其特征在于：所述步骤(4)中以动态指标为负向指标，静态指标为正向指标，重新构建服务器指标矩阵X：
其中，m代表服务器，n代表评价指标，xmn表示第m个服务器的第n个指标的数据归一化后的值，对以上指标进行归一化处理，采用计算的x′ij用来更新矩阵X，即用x′ij代替X中的xij，i∈(1，m)，j∈(1，n)
其中：正向指标：
负向指标：
6.根据权利要求1所述的基于设备运行特征和性能指标的簇管理适应度计算方法，其特征在于：所述步骤(7)中簇管理适应度指标
7.根据权利要求1所述的基于设备运行特征和性能指标的簇管理适应度计算方法，其特征在于：所述步骤(1)中历史时刻取前四个时刻，所述步骤(4)中静态指标包括CPU核心数、CPU主频和内存大小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211580435.9A CN115757076B (zh) | 2022-12-09 | 2022-12-09 | 一种基于设备运行特征和性能指标的簇管理适应度计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211580435.9A CN115757076B (zh) | 2022-12-09 | 2022-12-09 | 一种基于设备运行特征和性能指标的簇管理适应度计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115757076A CN115757076A (zh) | 2023-03-07 |
| CN115757076B true CN115757076B (zh) | 2023-10-27 |
Family
ID=85346704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211580435.9A Active CN115757076B (zh) | 2022-12-09 | 2022-12-09 | 一种基于设备运行特征和性能指标的簇管理适应度计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115757076B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107426794A (zh) * | 2017-03-17 | 2017-12-01 | 兰州交通大学 | 一种适用于vanet网络的组合加权簇头选取方法 |
| CN108510180A (zh) * | 2018-03-28 | 2018-09-07 | 电子科技大学 | 一种生产设备所处性能区间的计算方法 |
| CN111601268A (zh) * | 2020-05-11 | 2020-08-28 | 中国联合网络通信集团有限公司 | 簇头选择方法、装置、终端设备及存储介质 |
| CN113596176A (zh) * | 2021-08-12 | 2021-11-02 | 杭州萤石软件有限公司 | 物联网中心节点的自选方法、装置、物联网设备和系统 |
| CN114553661A (zh) * | 2022-01-29 | 2022-05-27 | 南京邮电大学 | 一种面向无线联邦学习的移动用户设备分簇训练方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11416364B2 (en) * | 2020-03-27 | 2022-08-16 | Vmware, Inc. | Methods and systems that identify dimensions related to anomalies in system components of distributed computer systems using clustered traces, metrics, and component-associated attribute values |
| US11593210B2 (en) * | 2020-12-29 | 2023-02-28 | Hewlett Packard Enterprise Development Lp | Leader election in a distributed system based on node weight and leadership priority based on network performance |
-
2022
- 2022-12-09 CN CN202211580435.9A patent/CN115757076B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107426794A (zh) * | 2017-03-17 | 2017-12-01 | 兰州交通大学 | 一种适用于vanet网络的组合加权簇头选取方法 |
| CN108510180A (zh) * | 2018-03-28 | 2018-09-07 | 电子科技大学 | 一种生产设备所处性能区间的计算方法 |
| CN111601268A (zh) * | 2020-05-11 | 2020-08-28 | 中国联合网络通信集团有限公司 | 簇头选择方法、装置、终端设备及存储介质 |
| CN113596176A (zh) * | 2021-08-12 | 2021-11-02 | 杭州萤石软件有限公司 | 物联网中心节点的自选方法、装置、物联网设备和系统 |
| CN114553661A (zh) * | 2022-01-29 | 2022-05-27 | 南京邮电大学 | 一种面向无线联邦学习的移动用户设备分簇训练方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115757076A (zh) | 2023-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107395430B (zh) | 一种云平台动态风险访问控制方法 | |
| US20240096499A1 (en) | Medical treatment metric modelling based on machine learning | |
| WO2021012930A1 (zh) | 投票节点配置方法及系统 | |
| CN108052387B (zh) | 一种移动云计算中的资源分配预测方法及系统 | |
| CN112633601A (zh) | 疾病事件发生概率的预测方法、装置、设备及计算机介质 | |
| CN116306910B (zh) | 一种基于联邦节点贡献的公平性隐私计算方法 | |
| WO2023103527A1 (zh) | 一种访问频次的预测方法及装置 | |
| CN111369084A (zh) | 内容网络中资源质量评分方法 | |
| CN111598457B (zh) | 一种电力无线网络质量的确定方法及装置 | |
| CN111681022A (zh) | 一种网络平台数据资源价值评估方法 | |
| CN114677535A (zh) | 域适应图像分类网络的训练方法、图像分类方法及装置 | |
| CN117237053B (zh) | 一种机票分销平台及其控制方法 | |
| CN117745119A (zh) | 一种输变电工程施工承载力预警方法及装置 | |
| CN115757076B (zh) | 一种基于设备运行特征和性能指标的簇管理适应度计算方法 | |
| CN112990703A (zh) | 国际工程市场匹配度评价方法、电子设备及存储介质 | |
| CN111429023A (zh) | 一种磁浮交通高安全系统风险指标重要性的评估方法 | |
| KR20210073425A (ko) | 이미지 패치의 복잡도 측정 방법 | |
| CN116109175A (zh) | 电力系统风险分析方法及装置 | |
| CN113537759B (zh) | 一种基于权重自适应的用户体验度量模型 | |
| CN113642834B (zh) | 基于任务属性优先级映射的任务重要性评价方法和系统 | |
| CN115860526A (zh) | 一种基于综合模糊评估的通信网络综合效能评估方法 | |
| CN110889635B (zh) | 一种用于对食品安全事件的处理进行应急演练的方法 | |
| CN110852536A (zh) | 一种储罐维修决策确定方法及装置 | |
| CN112836959B (zh) | 一种基于服务质量的数据中心能效评估方法 | |
| CN113256141A (zh) | 基于社会因素的智能电能表质量评价共性模型构建方法及装置 |
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 |