CN116661574A - 一种计算设备散热的方法、装置、存储介质及电子设备 - Google Patents
一种计算设备散热的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116661574A CN116661574A CN202310860078.XA CN202310860078A CN116661574A CN 116661574 A CN116661574 A CN 116661574A CN 202310860078 A CN202310860078 A CN 202310860078A CN 116661574 A CN116661574 A CN 116661574A
- Authority
- CN
- China
- Prior art keywords
- computing device
- determining
- chip
- moment
- control instruction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims description 24
- 238000012549 training Methods 0.000 claims abstract description 91
- 239000002826 coolant Substances 0.000 claims abstract description 73
- 230000017525 heat dissipation Effects 0.000 claims abstract description 62
- 238000001816 cooling Methods 0.000 claims abstract description 61
- 238000012163 sequencing technique Methods 0.000 claims abstract description 9
- 239000007788 liquid Substances 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 16
- 230000005855 radiation Effects 0.000 claims description 8
- 238000011022 operating instruction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004334 fluoridation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000002480 mineral oil Substances 0.000 description 1
- 235000010446 mineral oil Nutrition 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/16—Constructional details or arrangements
- G06F1/20—Cooling means
- G06F1/206—Cooling means comprising thermal management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Cooling Or The Like Of Electrical Apparatus (AREA)
- Feedback Control In General (AREA)
Abstract
本说明书公开了一种计算设备散热的方法、装置、存储介质及电子设备,本方法通过确定各时刻的计算设备的芯片的特征以及计算设备的散热单元中冷却介质的特征确定训练样本,并获取散热单元的控制指令作为训练样本的标注,然后针对每个特征维度,根据该维度的特征对训练样本进行排序以确定该维度的样本序列,再确定标注相同且连续的各训练样本组成的待选样本组,并确定包含训练样本数量不小于预设数量的待选样本组作为目标样本组,根据各目标样本组以及各目标样本组对应的标注确定控制规则,进一步对计算设备进行散热控制。本方法通过对历史上控制指令、芯片特征以及散热单元中冷却介质的特征的学习生成控制规则,使计算设备可以自行进行散热控制。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种计算设备散热的方法、装置、存储介质及电子设备。
背景技术
随着计算机技术的飞速发展,各种计算设备被广泛使用,为各种业务提供算力支撑。
通常情况下,业务平台的计算设备需要在业务产品的整个生命周期内,为业务的正常运行提供算力支撑。然而,由于计算设备体积有限,内部包含众多大功率电子元件,当计算设备在长时间、高负荷的运行使内部热量积累,而散热控制单元无法及时的将热量散出时,会导致芯片过热计算性能降低。更甚在有些情况下导致芯片损毁,因此,能否及时有效的散热对计算设备而言极为重要。黑盒人工智能技术生产的计算设备散热模型不可被信任,存在错误控制散热系统导致服务器内昂贵芯片损坏的风险。而可解释人工智能可生产能被人理解、信任、修改的白盒模型。
基于此,本说明书提供一种采用了可解释人工智能技术的计算设备散热的方法。
发明内容
本说明书提供一种计算设备散热的方法、装置、存储介质及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供一种计算设备散热的方法,所述方法包括:
针对每个时刻,确定该时刻计算设备的芯片的特征以及该时刻所述计算设备的散热单元中冷却介质的特征,根据确定出的各特征确定该时刻的训练样本;
获取该时刻所述计算设备的散热单元对应的控制指令,作为该时刻的训练样本的标注;
针对每个特征维度,按照预设顺序,根据各训练样本中该特征维度的特征,对各训练样本进行排序,确定该特征维度的样本序列;
在该特征维度的样本序列中,确定标注相同且连续的各训练样本组成的待选样本组,并确定包含训练样本数量不小于预设数量的待选样本组,作为目标样本组;
针对确定出的目标样本组对应的每个标注,将对应该标注的目标样本组中该特征维度的取值区间,作为该标注对应的控制指令的子条件;
针对每个控制指令,根据该控制指令在各特征维度下确定出的子条件,确定控制规则;
根据当前时刻所述计算设备的芯片的特征,当前时刻所述计算设备的散热单元中冷却介质的特征,以及确定出的控制规则,确定目标操作指令,根据所述目标操作指令对所述计算设备进行散热。
可选地,确定该时刻计算设备的芯片的特征以及该时刻所述计算设备的散热单元中冷却介质的特征,具体包括:
根据该时刻计算设备的芯片的状态确定该时刻计算设备的芯片的特征,以及根据该时刻所述计算设备的散热单元中冷却介质的状态确定该时刻所述计算设备的散热单元中冷却介质的特征;
其中,所述计算设备的芯片包括主芯片和辅芯片;所述计算设备的芯片状态至少包括所述主芯片的温度、所述辅芯片的温度、所述主芯片的运算单元使用比例、所述辅芯片的运算单元使用比例;所述计算设备的散热单元中冷却介质的状态至少包括冷却介质的温度、冷却介质的流量与冷却介质的压力。
可选地,所述散热单元包括风扇、进液阀与进液泵;所述计算设备的散热单元对应的控制指令包括风扇转速、进液阀开度与进液泵转速。
可选地,确定对应该标注的目标样本组的中该特征维度的取值区间,作为该标注对应的控制指令的子条件,具体包括:
根据对应该标注的目标样本组中该特征维度的特征的最小值及最大值,确定对应该标注的目标样本组中该特征维度的取值区间,作为该标注对应的控制指令的子条件。
可选地,针对每个控制指令,根据该控制指令在各特征维度下确定出的子条件,确定控制规则,具体包括:
针对每个控制指令,将该控制指令在各特征维度下确定出的子条件通过并运算和/或交运算进行组合,确定该控制指令对应的控制规则。
可选地,所述训练样本还包括根据所述计算设备的散热单元对应的控制指令确定的所述计算设备的散热单元的功耗特征,以及根据所述计算设备的芯片的特征确定的所述计算设备的芯片的散热特征。
可选地,根据当前时刻所述计算设备的芯片的特征,当前时刻所述计算设备的散热单元中冷却介质的特征,以及确定出的控制规则,确定目标操作指令,具体包括:
根据当前时刻所述计算设备的芯片状态确定当前时刻所述计算设备的芯片维度的特征,并根据当前时刻所述散热控制单元中冷却介质的状态确定当前时刻所述计算设备的散热单元中冷却介质的特征;
针对每个控制规则,判断当前时刻所述计算设备的芯片的特征,与当前时刻所述计算设备的散热单元中冷却介质的特征是否均符合该控制规则各维度的特征对应的子条件;
若是,将该控制规则作为目标规则;
从各目标规则对应的控制指令中确定功耗最小的控制指令,作为目标操作指令。
本说明书提供了一种计算设备散热的装置,所述装置包括:
第一确定模块,用于针对每个时刻,确定该时刻计算设备的芯片的特征以及该时刻所述计算设备的散热单元中冷却介质的特征,根据确定出的各特征确定该时刻的训练样本;
获取模块,用于获取该时刻所述计算设备的散热单元对应的控制指令,作为该时刻的训练样本的标注;
排序模块,用于针对每个特征维度,按照预设顺序,根据各训练样本中该特征维度的特征,对各训练样本进行排序,确定该特征维度的样本序列;
第二确定模块,用于在该特征维度的样本序列中,确定标注相同且连续的各训练样本组成的待选样本组,并确定包含训练样本数量不小于预设数量的待选样本组,作为目标样本组;针对确定出的目标样本组对应的每个标注,将对应该标注的目标样本组中该特征维度的取值区间,作为该标注对应的控制指令的子条件;
第三确定模块,用于针对每个控制指令,根据该控制指令在各特征维度下确定出的子条件,确定控制规则;
散热模块,用于根据当前时刻所述计算设备的芯片的特征,当前时刻所述计算设备的散热单元中冷却介质的特征,以及确定出的控制规则,确定目标操作指令,根据所述目标操作指令对所述计算设备进行散热。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述计算设备散热的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述计算设备散热的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
本方法通过确定各时刻的计算设备的芯片的特征以及计算设备的散热单元中冷却介质的特征确定训练样本,并获取散热单元的控制指令作为训练样本的标注,然后针对每个特征维度,根据该维度的特征对训练样本进行排序以确定该维度的样本序列,再确定标注相同且连续的各训练样本组成的待选样本组,并确定包含训练样本数量不小于预设数量的待选样本组作为目标样本组,根据各目标样本组以及各目标样本组对应的标注确定控制规则,进一步对计算设备进行散热控制。
本方法通过对历史上控制指令、芯片特征以及散热单元中冷却介质的特征的学习生成控制规则,使计算设备可以自行进行散热控制。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中提供的一种模型训练的方法的流程示意图;
图2为本说明书中提供的一种根据芯片的特征进行散热控制的示意图;
图3为本说明书中提供的一种计算设备的示意图;
图4为本说明书提供的一种模型训练的装置结构的示意图;
图5为本说明书提供的一种对应于图1的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种的方法的流程示意图,包括以下步骤:
S100:针对每个时刻,确定该时刻计算设备的芯片的特征以及该时刻所述计算设备的散热单元中冷却介质的特征,根据确定出的各特征确定该时刻的训练样本。
基于散热问题对计算设备的重要性,现有的计算设备内部,尤其是芯片附近,通常内置有散热单元,最简单的散热单元即风扇,如常见的笔记本电脑内置的风扇,然而仅风扇的散热效果很可能不足以将大型服务器内部热量散出,因此除了风扇,还可以通过风冷与液冷复合的方式进行散热。液冷即通过(液体)冷却介质代替空气,把服务器内部CPU、内存等器件产生的热量带走。冷却介质包括水、矿物油、电子氟化液等。
本方法提供一种计算设备散热的方法,执行主体即任意一种计算设备,例如计算机、服务器等,为方便说明,下述均以服务器进行阐述,本方法主要用于给该计算设备散热。
风冷与液冷复合的服务器中至少包括芯片,在芯片周围有温度传感器、风扇,以及冷却介质。为便于散热,该服务器通常还配置有压力传感器、流量计、进液泵以及进液阀等装置,其中,温度传感器可以用于测量芯片温度、冷却介质温度,压力传感器用于测量冷却介质的压力,流量计用于测量冷却介质的流量,进液泵以及进液阀用于控制冷却介质的循环。在本说明书提供的一种实施例中,将服务器内部除芯片外的温度传感器、风扇、压力传感器、流量计、进液泵以及进液阀等监测/控制芯片温度的装置称为散热单元。
在本说明书提供的一种实施例中,服务器会存储该服务器内部每个时刻芯片的状态,如芯片的温度以及芯片的运算单元使用比例等,也会存储服务器内部每个时刻冷却介质的状态,如冷却介质温度、冷却介质流量与冷却介质压力等。所述每个时刻是从初始记录时刻开始,每间隔预设时长确定的时刻。
针对每个时刻,服务器根据该时刻服务器的芯片的状态确定该时刻服务器的芯片的特征,以及根据该时刻服务器的散热单元中冷却介质的状态确定该时刻服务器的散热单元中冷却介质的特征。其中,服务器的芯片状态包括芯片的温度以及芯片的运算单元使用比例。服务器的散热单元中冷却介质的状态至少包括冷却介质的温度、冷却介质的流量与冷却介质的压力。
具体地,服务器从其内部存储的日志中,或其他具有存储功能的文件、数据库或存储介质中读取其自身存储的该时刻芯片的状态以及冷却介质的状态,
服务器将读取到的该时刻服务器的芯片的温度确定为该时刻芯片在第一温度维度的特征,将读取到的该时刻服务器的芯片的运算单元使用比例确定为该时刻芯片在算力维度的特征,将读取到的该时刻服务器的散热单元中冷却介质温度确定为冷却介质在第二温度维度的特征,将读取到的该时刻服务器的散热单元中冷却介质的流量确定为冷却介质在流量维度的特征,将读取到的该时刻服务器的散热单元中冷却介质的压力确定为冷却介质在压力维度的特征。
将确定出的各特征按照预设顺序拼接即可确定该时刻的训练样本。
S102:获取该时刻所述计算设备的散热单元对应的控制指令,作为该时刻的训练样本的标注。
每个时刻,服务器存储芯片的状态以及冷却介质的状态时,也会存储该时刻散热控制单元的控制指令,服务器的散热单元对应的控制指令包括风扇转速、进液阀开度与进液泵转速。
服务器获取该时刻服务器的散热单元对应的控制指令,即风扇转速、进液阀开度与进液泵转速等,作为该时刻的训练样本的标注。
S104:针对每个特征维度,按照预设顺序,根据各训练样本中该特征维度的特征,对各训练样本进行排序,确定该特征维度的样本序列。
确定了多个时刻的训练样本即确定了多个训练样本,每个训练样本包含多个特征维度的特征。具体地,训练样本至少包括第一温度维度、第二温度维度、算力维度、流量维度以及压力维度的特征。特征维度至少包括第一温度维度、第二温度维度、算力维度、流量维度以及压力维度。
针对每个特征维度,按照从小到大的顺序,或者从大到小的顺序,根据各训练样本中该特征维度的特征的大小,对各训练样本进行排序,确定该特征维度的样本序列。
例如,共有五百份训练样本,根据第一温度维度的大小,将这五百份训练样本按照第一温度维度的特征从小到大的顺序,进行排序,确定第一温度维度的样本序列。
S106:在该特征维度的样本序列中,确定标注相同且连续的各训练样本组成的待选样本组,并确定包含训练样本数量不小于预设数量的待选样本组,作为目标样本组。
沿用上例,在第一温度维度的样本序列中,若在该样本序列中第10个训练样本到第26个训练样本的标注都相同(即服务器的散热单元对应的控制指令,即风扇转速、进液阀开度与进液泵转速等都相同),则确定该样本序列中第10个样本到第26个样本为待选样本组。然后判断每个待选样本组中包含的训练样本的数量,然后将包含训练样本数量不小于预设数量的待选样本组,作为目标样本组。上例所述第一温度维度的样本序列中,由第10个训练样本到第26个训练样本组成的待选样本组的数量为16,假设预设数量为15,则该待选样本组为目标训练组,假设预设数量为20,则该待选样本组不是目标训练。需要说明的是,上述预设数量是根据实际应用情况确定的,在实际应用中,通常将该预设数量设定为15。
S108:针对确定出的目标样本组对应的每个标注,将对应该标注的目标样本组中该特征维度的取值区间,作为该标注对应的控制指令的子条件。
可选地,可以根据对应该标注的目标样本组中该特征维度的特征的最小值及最大值,确定对应该标注的目标样本组中该特征维度的取值区间,作为该标注对应的控制指令的子条件。
例如,从第一温度维度的样本序列中确定出的对应a标注的目标样本组1,对应b标注的目标样本组2,对应a标注的目标样本组3。其中,上述a标注可以为风扇转速为va1、进液阀开度da与进液泵转速va2,b标注同理,在此不再赘述。针对标注a,确定对应a标注的目标样本组中第一温度维度的取值区间,即根据目标样本组1与目标样本组3中包含的训练样本中第一温度维度的特征确定第一温度维度的取值区间,具体地,可以确定目标样本组1与目标样本组3中包含的训练样本中第一温度维度的特征的最小值与最大值,该最小值与最大值即分别为第一温度维度的取值区间的下限与上限,将第一温度维度的取值区间作为a标注对应的控制指令的子条件。
S110:针对每个控制指令,根据该控制指令在各特征维度下确定出的子条件,确定控制规则。
具体地,针对每个控制指令,将该控制指令在各特征维度下确定出的子条件通过并运算和/或交运算进行组合,确定该控制指令对应的控制规则。
例如,针对a标注对应的控制指令k,控制指令k在第一温度维度下确定了子条件1,在第二温度维度下确定了子条件2,在算力维度下确定了子条件3(在该例中,假设训练样本只包含第一温度维度、第二温度维度、算力维度的特征)。
将控制指令k在第一温度维度、第二温度维度以及算力维度下确定出的子条件1~3通过并运算和/或交运算进行组合,确定控制指令k对应的控制规则。
S112:根据当前时刻所述计算设备的芯片的特征,当前时刻所述计算设备的散热单元中冷却介质的特征,以及确定出的控制规则,确定目标操作指令,根据所述目标操作指令对所述计算设备进行散热。
确定与当前时刻计算设备的芯片的特征,以及当前时刻计算设备的散热单元中冷却介质的特征匹配的控制规则,作为待选控制规则,然后根据待选控制规则对应的控制指令,作为目标操作指令,根据目标操作指令对所述计算设备进行散热。
从上述方法可以看出,本方法通过确定各时刻的计算设备的芯片的特征以及计算设备的散热单元中冷却介质的特征确定训练样本,并获取散热单元的控制指令作为训练样本的标注,然后针对每个特征维度,根据该维度的特征对训练样本进行排序以确定该维度特征的样本序列,再确定标注相同且连续的各训练样本组成的待选样本组,并确定包含训练样本数量不小于预设数量的待选样本组作为目标样本组,根据各目标样本组以及各目标样本组对应的标注确定控制规则,进一步对计算设备进行散热控制。
本方法通过对历史上控制指令、芯片特征以及计算设备的散热单元中冷却介质的特征的学习生成控制规则,使计算设备可以自行进行散热控制。
如图2所示,服务器从存储介质中确定当前时刻计算设备的芯片的特征,以及当前时刻计算设备的散热单元中冷却介质的特征,激活(匹配)控制规则,根据相匹配的控制规则控制散热单元对服务器进行散热控制。
具体地,若待控制规则为多个,可以根据待控制规则对应的控制指令确定功耗,可以将功耗最小的控制指令作为目标操作指令,再根据目标操作指令对所述计算设备进行散热。这样做既能够对计算设备进行散热,又能够达到节能的技术效果。其中,根据控制指令确定功耗,具体地,可以通过功耗公式对如风扇转速等指令进行计算再加权确定,也可以通过预设的第一对照表确定各控制指令对应的功耗,其中,第一预设对照表是根据经验确定的。
可选地,如图3所示,上述计算设备的芯片包括主芯片和辅芯片,还包括风扇,温度传感器,进液泵,散热单元、进液阀、流量计等。需要说明的是,图3仅为本说明书的其中一种实施例的计算设备的示意图,本方法并不限制计算设备的具体结构。计算设备的芯片状态至少包括所述主芯片的温度、所述辅芯片的温度、所述主芯片的运算单元使用比例、所述辅芯片的运算单元使用比例;所述计算设备的散热单元中冷却介质的状态至少包括冷却介质温度、冷却介质流量与冷却介质压力。
进一步地,如步骤S100所述的训练样本还包括功耗与散热效果,具体地,可以根据训练样本中第一温度维度的特征确定散热效果,如步骤S102确定训练样本的标注后,如上所述根据标注对应的控制指令确定功耗。其中,根据训练样本中第一温度维度的特征确定散热效果,具体地,可以根据芯片的预估温度与芯片的实际温度(也即第一温度维度的特征)以及芯片的运算单元使用比例确定散热效果。
散热效果=,其中id为芯片编号,n为芯片总数,t为时刻,m为训练样本对应的时刻总数,根据芯片id的运算单元比例与预设的第二对照表可以得到/>(芯片id运算单元使用比例),表征芯片id的运算单元比例对应的芯片id的预估温度(即没有散热控制下芯片的温度),芯片/>为芯片的实际温度,即第一温度。
进一步地,在步骤S100~102中,服务器通过日志确定各特征后,可以对各特征进行特征编码,如将风扇的转速编码为四个等级,如风扇转速为0~500转时,将其编码为1,表示风扇转速为一级,风扇转速为2000~2500转时,将其编码为4,表示风扇转速为四级。
进一步地,为考虑时间对散热控制的影响,在步骤S100中,也可以确定四个时刻作为一个周期T,针对每个周期T,确定该周期内各时刻计算设备的芯片的特征以及各时刻所述计算设备的散热单元中冷却介质的特征,按时间顺序排序,确定该周期的训练样本。
则在步骤S102中,确定该周期T内包含的四个时刻中所述计算设备的散热单元对应的控制指令出现频率最高的控制指令作为标注,若频率最高的控制指令不止一个,就在该周期T内包含的四个时刻中随机确定一个时刻对应的控制指令作为该周期T的训练样本的标注。根据各周期的训练样本确定的控制规则考虑了时间的影响,能够更好的对计算设备进行散热控制。
进一步地,如果训练样本数量过多,可以先随机确定部分训练样本作为备选训练样本组,再在备选训练样本组中确定目标样本组,如步骤S确定控制规则,若根据该备选训练样本组中确定的目标样本组确定的控制规则数量较少,如小于第一种群数量时,则可以通过遗传算法和/或变异算法生成新的控制规则直至控制规则数量等于第一种群数量。
若根据各备选训练样本组中确定的目标样本组确定的控制规则数量较多,如大于第二种群数量时,则可以通过该控制规则对应的散热效果或者功耗等的优劣进行末位淘汰,即将对应的散热效果或者功耗效果不好的控制规则舍弃。其中,在实际应用中,第一种群数量为10,第二种群数量为200。
以上为本说明书的一个或多个实施的方法,基于同样的思路,本说明书还提供了相应的计算设备散热方法的装置,如图4所示。
图4为本说明书提供的一种计算设备散热的装置的示意图,所述装置包括:
第一确定模块401,用于针对每个时刻,确定该时刻计算设备的芯片的特征以及该时刻所述计算设备的散热单元中冷却介质的特征,根据确定出的各特征确定该时刻的训练样本;
获取模块402,用于获取该时刻所述计算设备的散热单元对应的控制指令,作为该时刻的训练样本的标注;
排序模块403,用于针对每个特征维度,按照预设顺序,根据各训练样本中该特征维度的特征,对各训练样本进行排序,确定该特征维度的样本序列;
第二确定模块404,用于在该特征维度的样本序列中,确定标注相同且连续的各训练样本组成的待选样本组,并确定包含训练样本数量不小于预设数量的待选样本组,作为目标样本组;针对确定出的目标样本组对应的每个标注,将对应该标注的目标样本组中该特征维度的取值区间,作为该标注对应的控制指令的子条件;
第三确定模块405,用于针对每个控制指令,根据该控制指令在各特征维度下确定出的子条件,确定控制规则;
散热模块406,用于根据当前时刻所述计算设备的芯片的特征,当前时刻所述计算设备的散热单元中冷却介质的特征,以及确定出的控制规则,确定目标操作指令,根据所述目标操作指令对所述计算设备进行散热。
可选地,所述第一确定模块401,具体用于根据该时刻计算设备的芯片的状态确定该时刻计算设备的芯片的特征,以及根据该时刻所述计算设备的散热单元中冷却介质的状态确定该时刻所述计算设备的散热单元中冷却介质的特征;其中,所述计算设备的芯片包括主芯片和辅芯片;所述计算设备的芯片状态至少包括所述主芯片的温度、所述辅芯片的温度、所述主芯片的运算单元使用比例、所述辅芯片的运算单元使用比例;所述计算设备的散热单元中冷却介质的状态至少包括冷却介质的温度、冷却介质的流量与冷却介质的压力。
可选地,所述散热单元包括风扇、进液阀与进液泵;所述计算设备的散热单元对应的控制指令包括风扇转速、进液阀开度与进液泵转速。
可选地,所述第二确定模块404,具体用于根据对应该标注的目标样本组中该特征维度的特征的最小值及最大值,确定对应该标注的目标样本组中该特征维度的取值区间,作为该标注对应的控制指令的子条件。
可选地,所述第三确定模块405,具体用于针对每个控制指令,将该控制指令在各特征维度下确定出的子条件通过并运算和/或交运算进行组合,确定该控制指令对应的控制规则。
可选地,所述训练样本还包括根据所述计算设备的散热单元对应的控制指令确定的所述计算设备的散热单元的功耗特征,以及根据所述计算设备的芯片的特征确定的所述计算设备的芯片的散热特征。
可选地,所述散热模块406,具体用于根据当前时刻所述计算设备的芯片状态确定当前时刻所述计算设备的芯片维度的特征,并根据当前时刻所述散热控制单元中冷却介质的状态确定当前时刻所述计算设备的散热单元中冷却介质的特征;针对每个控制规则,判断当前时刻所述计算设备的芯片的特征,与当前时刻所述计算设备的散热单元中冷却介质的特征是否均符合该控制规则各维度的特征对应的子条件;若是,将该控制规则作为目标规则;从各目标规则对应的控制指令中确定功耗最小的控制指令,作为目标操作指令。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的计算设备散热的方法。
本说明书还提供了图5所示的一种对应于图1的电子设备的示意结构图。如图5所示,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的计算设备散热的方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种计算设备散热的方法,其特征在于,所述方法包括:
针对每个时刻,确定该时刻计算设备的芯片的特征以及该时刻所述计算设备的散热单元中冷却介质的特征,根据确定出的各特征确定该时刻的训练样本;
获取该时刻所述计算设备的散热单元对应的控制指令,作为该时刻的训练样本的标注;
针对每个特征维度,按照预设顺序,根据各训练样本中该特征维度的特征,对各训练样本进行排序,确定该特征维度的样本序列;
在该特征维度的样本序列中,确定标注相同且连续的各训练样本组成的待选样本组,并确定包含训练样本数量不小于预设数量的待选样本组,作为目标样本组;
针对确定出的目标样本组对应的每个标注,将对应该标注的目标样本组中该特征维度的取值区间,作为该标注对应的控制指令的子条件;
针对每个控制指令,根据该控制指令在各特征维度下确定出的子条件,确定控制规则;
根据当前时刻所述计算设备的芯片的特征,当前时刻所述计算设备的散热单元中冷却介质的特征,以及确定出的控制规则,确定目标操作指令,根据所述目标操作指令对所述计算设备进行散热。
2.如权利要求1所述的方法,其特征在于,确定该时刻计算设备的芯片的特征以及该时刻所述计算设备的散热单元中冷却介质的特征,具体包括:
根据该时刻计算设备的芯片的状态确定该时刻计算设备的芯片的特征,以及根据该时刻所述计算设备的散热单元中冷却介质的状态确定该时刻所述计算设备的散热单元中冷却介质的特征;
其中,所述计算设备的芯片包括主芯片和辅芯片;所述计算设备的芯片状态至少包括所述主芯片的温度、所述辅芯片的温度、所述主芯片的运算单元使用比例、所述辅芯片的运算单元使用比例;所述计算设备的散热单元中冷却介质的状态至少包括冷却介质的温度、冷却介质的流量与冷却介质的压力。
3.如权利要求1所述的方法,其特征在于,所述散热单元包括风扇、进液阀与进液泵;所述计算设备的散热单元对应的控制指令包括风扇转速、进液阀开度与进液泵转速。
4.如权利要求1所述的方法,其特征在于,确定对应该标注的目标样本组的中该特征维度的取值区间,作为该标注对应的控制指令的子条件,具体包括:
根据对应该标注的目标样本组中该特征维度的特征的最小值及最大值,确定对应该标注的目标样本组中该特征维度的取值区间,作为该标注对应的控制指令的子条件。
5.如权利要求1所述的方法,其特征在于,针对每个控制指令,根据该控制指令在各特征维度下确定出的子条件,确定控制规则,具体包括:
针对每个控制指令,将该控制指令在各特征维度下确定出的子条件通过并运算和/或交运算进行组合,确定该控制指令对应的控制规则。
6.如权利要求1所述的方法,其特征在于,所述训练样本还包括根据所述计算设备的散热单元对应的控制指令确定的所述计算设备的散热单元的功耗特征,以及根据所述计算设备的芯片的特征确定的所述计算设备的芯片的散热特征。
7.如权利要求3所述的方法,其特征在于,根据当前时刻所述计算设备的芯片的特征,当前时刻所述计算设备的散热单元中冷却介质的特征,以及确定出的控制规则,确定目标操作指令,具体包括:
根据当前时刻所述计算设备的芯片状态确定当前时刻所述计算设备的芯片维度的特征,并根据当前时刻所述散热单元中冷却介质的状态确定当前时刻所述计算设备的散热单元中冷却介质的特征;
针对每个控制规则,判断当前时刻所述计算设备的芯片的特征,与当前时刻所述计算设备的散热单元中冷却介质的特征是否均符合该控制规则各维度的特征对应的子条件;
若是,将该控制规则作为目标规则;
从各目标规则对应的控制指令中确定功耗最小的控制指令,作为目标操作指令。
8.一种计算设备散热的装置,其特征在于,所述装置包括:
第一确定模块,用于针对每个时刻,确定该时刻计算设备的芯片的特征以及该时刻所述计算设备的散热单元中冷却介质的特征,根据确定出的各特征确定该时刻的训练样本;
获取模块,用于获取该时刻所述计算设备的散热单元对应的控制指令,作为该时刻的训练样本的标注;
排序模块,用于针对每个特征维度,按照预设顺序,根据各训练样本中该特征维度的特征,对各训练样本进行排序,确定该特征维度的样本序列;
第二确定模块,用于在该特征维度的样本序列中,确定标注相同且连续的各训练样本组成的待选样本组,并确定包含训练样本数量不小于预设数量的待选样本组,作为目标样本组;针对确定出的目标样本组对应的每个标注,将对应该标注的目标样本组中该特征维度的取值区间,作为该标注对应的控制指令的子条件;
第三确定模块,用于针对每个控制指令,根据该控制指令在各特征维度下确定出的子条件,确定控制规则;
散热模块,用于根据当前时刻所述计算设备的芯片的特征,当前时刻所述计算设备的散热单元中冷却介质的特征,以及确定出的控制规则,确定目标操作指令,根据所述目标操作指令对所述计算设备进行散热。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
10.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310860078.XA CN116661574B (zh) | 2023-07-13 | 2023-07-13 | 一种计算设备散热的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310860078.XA CN116661574B (zh) | 2023-07-13 | 2023-07-13 | 一种计算设备散热的方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116661574A true CN116661574A (zh) | 2023-08-29 |
CN116661574B CN116661574B (zh) | 2023-12-12 |
Family
ID=87717269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310860078.XA Active CN116661574B (zh) | 2023-07-13 | 2023-07-13 | 一种计算设备散热的方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116661574B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108305158A (zh) * | 2017-12-27 | 2018-07-20 | 阿里巴巴集团控股有限公司 | 一种训练风控模型和风控的方法、装置及设备 |
CN112990375A (zh) * | 2021-04-29 | 2021-06-18 | 北京三快在线科技有限公司 | 一种模型训练方法、装置、存储介质及电子设备 |
US20210298206A1 (en) * | 2020-03-17 | 2021-09-23 | International Business Machines Corporation | Intelligently deployed cooling fins |
CN113534936A (zh) * | 2021-09-14 | 2021-10-22 | 苏州浪潮智能科技有限公司 | 一种服务器风扇转速控制方法、装置、设备及介质 |
CN113748386A (zh) * | 2019-09-05 | 2021-12-03 | 阿里巴巴集团控股有限公司 | 散热控制与模型训练方法、设备、系统及存储介质 |
CN114926687A (zh) * | 2022-05-26 | 2022-08-19 | 北京三快在线科技有限公司 | 一种分类模型的训练方法及装置 |
WO2022213846A1 (zh) * | 2021-04-07 | 2022-10-13 | 北京三快在线科技有限公司 | 识别模型的训练 |
CN115437486A (zh) * | 2022-11-09 | 2022-12-06 | 苏州浪潮智能科技有限公司 | 基于模型的服务器散热方法、装置、服务器和存储介质 |
CN115857639A (zh) * | 2021-09-21 | 2023-03-28 | Ovh公司 | 控制冷却系统的方法及包括冷却系统的系统 |
CN116225192A (zh) * | 2023-05-08 | 2023-06-06 | 之江实验室 | 一种散热系统的控制方法、装置、存储介质及电子设备 |
CN116304720A (zh) * | 2023-05-18 | 2023-06-23 | 之江实验室 | 一种代价模型训练的方法、装置、存储介质及电子设备 |
-
2023
- 2023-07-13 CN CN202310860078.XA patent/CN116661574B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108305158A (zh) * | 2017-12-27 | 2018-07-20 | 阿里巴巴集团控股有限公司 | 一种训练风控模型和风控的方法、装置及设备 |
CN113748386A (zh) * | 2019-09-05 | 2021-12-03 | 阿里巴巴集团控股有限公司 | 散热控制与模型训练方法、设备、系统及存储介质 |
US20210298206A1 (en) * | 2020-03-17 | 2021-09-23 | International Business Machines Corporation | Intelligently deployed cooling fins |
WO2022213846A1 (zh) * | 2021-04-07 | 2022-10-13 | 北京三快在线科技有限公司 | 识别模型的训练 |
CN112990375A (zh) * | 2021-04-29 | 2021-06-18 | 北京三快在线科技有限公司 | 一种模型训练方法、装置、存储介质及电子设备 |
CN113534936A (zh) * | 2021-09-14 | 2021-10-22 | 苏州浪潮智能科技有限公司 | 一种服务器风扇转速控制方法、装置、设备及介质 |
CN115857639A (zh) * | 2021-09-21 | 2023-03-28 | Ovh公司 | 控制冷却系统的方法及包括冷却系统的系统 |
CN114926687A (zh) * | 2022-05-26 | 2022-08-19 | 北京三快在线科技有限公司 | 一种分类模型的训练方法及装置 |
CN115437486A (zh) * | 2022-11-09 | 2022-12-06 | 苏州浪潮智能科技有限公司 | 基于模型的服务器散热方法、装置、服务器和存储介质 |
CN116225192A (zh) * | 2023-05-08 | 2023-06-06 | 之江实验室 | 一种散热系统的控制方法、装置、存储介质及电子设备 |
CN116304720A (zh) * | 2023-05-18 | 2023-06-23 | 之江实验室 | 一种代价模型训练的方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
李雄伟;魏延海;王晓晗;徐璐;孙萍;: "一种面向硬件木马检测的SVDD增量学习改进算法", 计算机工程与应用, no. 09 * |
Also Published As
Publication number | Publication date |
---|---|
CN116661574B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3754571A1 (en) | Risk control rule generation method and apparatus | |
EP3971806A1 (en) | Data processing methods, apparatuses, and devices | |
CN108492124A (zh) | 店铺信息推荐方法、装置及客户端 | |
CN116432778B (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
CN115712866B (zh) | 数据处理方法、装置及设备 | |
CN116661574B (zh) | 一种计算设备散热的方法、装置、存储介质及电子设备 | |
CN116225192B (zh) | 一种散热系统的控制方法、装置、存储介质及电子设备 | |
CN110457430A (zh) | 一种文本的溯源检测方法、装置及设备 | |
CN116757278A (zh) | 一种预测模型的训练方法、装置、存储介质及电子设备 | |
CN115952859B (zh) | 数据处理方法、装置及设备 | |
CN116822606A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
CN117036829A (zh) | 一种基于原型学习实现标签增强的叶片细粒度识别方法和系统 | |
CN116861976A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
CN116363418A (zh) | 一种训练分类模型的方法、装置、存储介质及电子设备 | |
CN116384505A (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
CN111242195B (zh) | 模型、保险风控模型训练方法、装置及电子设备 | |
CN114333102A (zh) | 一种无人驾驶设备的参数配置方法及配置装置 | |
CN109325127A (zh) | 一种风险识别方法和装置 | |
CN116777010B (zh) | 一种模型训练的方法以及任务执行方法及装置 | |
CN116760871B (zh) | 基于多协议协同的智慧表务管理系统 | |
CN116340852B (zh) | 一种模型训练、业务风控的方法及装置 | |
CN117009729B (zh) | 基于softmax的数据处理方法及装置 | |
CN110647557B (zh) | 海量数据统计方法、装置及设备 | |
CN116379832B (zh) | 一种冷却塔智慧控制系统 | |
CN117391150B (zh) | 一种基于分层池化图哈希的图数据检索模型训练方法 |
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 |