CN116974739A - 一种配置参数的确定方法、装置、电子设备及存储介质 - Google Patents
一种配置参数的确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116974739A CN116974739A CN202211042060.0A CN202211042060A CN116974739A CN 116974739 A CN116974739 A CN 116974739A CN 202211042060 A CN202211042060 A CN 202211042060A CN 116974739 A CN116974739 A CN 116974739A
- Authority
- CN
- China
- Prior art keywords
- configuration
- energy efficiency
- alternative
- value
- parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013210 evaluation model Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 112
- 230000015654 memory Effects 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- 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
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Abstract
本申请实施例提出了一种配置参数的确定方法、装置、电子设备及存储介质,能够输出指定能效值的服务器的配置信息,从而使用户可以配置出兼顾性能与用电量的服务器。其中,配置参数的确定方法包括:获取M个配置项中各配置项所对应的N个备选配置参数;从各配置项所对应的N个备选配置参数各自选择任一备选配置参数进行组合,获得多个备选参数组;分别将多个备选参数组中各备选参数组输入能效评估模型,获得各备选参数组的实际能效值,能效评估模型用于表征各配置项的配置参数与能效值的对应关系;将与目标能效值的差值的绝对值处于预设范围内的实际能效值对应的备选参数组作为目标备选参数组。
Description
【技术领域】
本申请实施例涉及深度学习技术领域,尤其涉及一种配置参数的确定方法、装置、电子设备及存储介质。
【背景技术】
近年来,随着数据中心的规模的不断增大,所使用服务器的数量越来越多,在现有技术中,对于服务器的配置仅仅考虑服务器的性能,即仅需要配置出的服务器性能符合要求,而并没有考虑到服务器的用电量,造成服务器使用过程中产生了巨大的能源消耗,加剧了环境的压力
【发明内容】
本申请实施例提供了一种配置参数的确定方法、装置、电子设备及存储介质,能够输出指定能效值的服务器的配置信息,从而使用户可以配置出兼顾性能与用电量的服务器。
第一方面,本申请实施例提供了一种配置参数的确定方法,所述方法包括:
获取M个配置项中各配置项所对应的N个备选配置参数,M为不小于1的正整数,N为不小于2的正整数;
从各配置项所对应的N个备选配置参数各自选择任一备选配置参数进行组合,获得多个备选参数组,其中,所述多个备选参数组中两两备选参数组之间至少存在一个配置项的备选配置参数不相同;
分别将所述多个备选参数组中各备选参数组输入能效评估模型,获得各备选参数组的实际能效值,所述能效评估模型用于表征各配置项的配置参数与能效值的对应关系;
将与目标能效值的差值的绝对值处于预设范围内的所述实际能效值对应的备选参数组作为目标备选参数组。
本申请实施例中,每台服务器都是由多个配置项共同组成,每个配置项都有一定的选择范围,因此可以从每个配置项中随机挑选出选择范围内的数值来组成备选参数组,将多个备选参数组分别带入预先训练好的能效评估模型后,能效评估模型会根据每个配置项的数值选择综合得到此时由该配置组成的服务器的能效值大小,然后选择出与预设能效值的差值绝对值处于预设范围内所对应的配置参数组合作为服务器所需的配置参数组合,也就是说,能够在服务器实际配置前通过能效值的大小对于服务器配置数值进行选择,从而使用户可以配置出兼顾性能与用电量的服务器。
可选的,分别将所述多个备选参数组中各备选参数组输入能效评估模型,获得各备选参数组的能效值之前,所述方法包括:
获取P组训练样本,其中,所述多组训练样本中每组训练样本包括所述M个配置项所对应的配置参数值以及对应能效值,P为不小于1的正整数;
基于所述多组训练样本对多层感知器神经网络模型进行训练,获得所述能效评估模型。
本申请实施例中,获取的P组训练样本为现有服务器的配置信息及其对应的能效值,基于现有的配置信息与能效值之间的关系带入多层感知器神经网络模型进行训练,所得的能效评估模型能够很好的反映出服务器配置与能效之间的关系,以便于通过能效评估模型输出指定能效值的服务器的配置信息。
可选的,分别将所述多个备选参数组中各备选参数组输入能效评估模型,获得各备选参数组的能效值之前,所述方法包括:
获取P组训练样本,其中,所述多组训练样本中每组训练样本包括所述M个配置项所对应的配置参数值以及对应能效值,P为不小于1的正整数;
基于所述多组训练样本对Elman神经网络模型进行训练,获得所述能效评估模型。
本申请实施例中,获取的P组训练样本为现有服务器的配置信息及其对应的能效值,基于现有的配置信息与能效值之间的关系带入Elman神经网络模型进行训练,所得的能效评估模型能够很好的反映出服务器配置与能效之间的关系,以便于通过能效评估模型输出指定能效值的服务器的配置信息。
可选的,获取P组训练样本包括:
获取P组训练样本中每组训练样本中所包括的所述M个配置项所对应的初始配置参数值以及对应能效值;
对所述初始配置参数值进行预处理,获得对应的所述配置参数值;将所述配置参数值与对应的能效值构成所述训练样本,其中,所述预处理的计算公式如下:
x'ij=|xij-meanj|/stdj
其中:xij表示i组训练样本中的第j个配置项的初始配置参数值;meanj表示所获取的P组训练样本中第j个配置项的初始配置参数值的平均值;stdj表示所获取的P组训练样本中第j个配置项的初始配置参数值的标准差;x'ij表示经过所述预处理后的第i组训练样本中第j个配置项的配置参数值。
本申请实施例中,所获取到训练样本中的各个配置项所对应的初始配置参数值为数量级不同且单位也并不同的多个数值,在代入神经网络模型进行学习时,会由于单位以及量级的不同会影响模型对于配置参数的处理过程,而对于配置参数的预处理能够加快神经网络模型的训练过程,以及训练后所得的配置参数对应权重更为合理精准。
可选的,在将与目标能效值的差值的绝对值处于预设范围内的所述实际能效值对应的备选参数组作为目标备选参数组之前,所述方法还包括:
获取所述N个备选配置参数中各备选配置参数的成本信息;
将与目标能效值的差值的绝对值处于预设范围内的所述实际能效值对应的备选参数组作为目标备选参数组包括:
将与所述目标能效值的差值的绝对值处于所述预设范围内的所述实际能效值对应的备选参数组中,总配置成本最低的备选参数组作为所述目标备选参数组。
本申请实施例中,可以获取到M个配置项中每个配置项各自的N个备选配置参数中各备选配置参数的成本信息,然后计算出从与目标能效值的差值的绝对值处于预设范围内的实际能效值对应的备选参数组中各个备选参数组的配置成本,比较多个配置参数组的配置成本,将配置成本最低的配置参数组所包含的配置参数作为服务器的实际配置参数,在满足能效性的前提下选取成本最低的配置参数组合,能够很好的节约服务器配置成本。
可选的,所述M个配置项包括:CPU主频、CPU内核数、CPU缓存、JVM默认堆初始值、内存带宽、内存使用量、磁盘吞吐量和磁盘IO请求率。
本申请实施例中,M个配置项至少包含CPU主频、CPU内核数、CPU缓存、JVM默认堆初始值、内存带宽、内存使用量、磁盘吞吐量和磁盘IO请求率,可以通过调整上述配置项中的任意一种或多种的组合来达到指定的能效值。
第二方面,本申请实施提供了一种配置参数的确定装置,所述装置包括:
第一获取单元,用于获取M个配置项中各配置项所对应的N个备选配置参数,M为不小于1的正整数,N为不小于2的正整数;
组合单元,用于从各配置项所对应的N个备选配置参数各自选择任一备选配置参数进行组合,获得多个备选参数组,其中,所述多个备选参数组中两两备选参数组之间至少存在一个配置项的备选配置参数不相同;
输入单元,用于分别将所述多个备选参数组中各备选参数组输入能效评估模型,获得各备选参数组的实际能效值,所述能效评估模型用于表征各配置项的配置参数与能效值的对应关系;
处理单元,用于将与目标能效值的差值的绝对值处于预设范围内的所述实际能效值对应的备选参数组作为目标备选参数组。
所述装置还包括:
第二获取单元,用于获取P组训练样本,其中,多组训练样本中每组训练样本包括所述M个配置项所对应的配置参数值以及对应能效值,P为不小于1的正整数;
训练单元,用于基于所述多组训练样本对多层感知器神经网络模型进行训练,获得所述能效评估模型。
所述装置还包括:
第二获取单元,关于获取P组训练样本,其中,多组训练样本中每组训练样本包括所述M个配置项所对应的配置参数值以及对应能效值,P为不小于1的正整数;
训练单元,用于基于所述多组训练样本对Elman神经网络模型进行训练,获得所述能效评估模型。
可选的,所述第二获取单元具体用于:
获取P组训练样本中每组训练样本中所包括的所述M个配置项所对应的初始配置参数值以及对应能效值;
对所述初始配置参数值进行预处理,获得对应的所述配置参数值;
将所述配置参数值与对应的能效值构成所述训练样本,其中,所述预处理的计算公式如下:
x'ij=|xij-meanj|/stdj
其中:xij表示i组训练样本中的第j个配置项的初始配置参数值;meanj表示所获取的P组训练样本中第j个配置项的初始配置参数值的平均值;stdj表示所获取的P组训练样本中第j个配置项的初始配置参数值的标准差;x'ij表示经过所述预处理后的第i组训练样本中第j个配置项的配置参数值。
可选的,所述装置还包括:
第三获取单元,用于获取所述N个备选配置参数中各备选配置参数的成本信息;
所述处理单元具体用于:
将与所述目标能效值的差值的绝对值处于所述预设范围内的所述实际能效值对应的备选参数组中,总配置成本最低的备选参数组作为所述目标备选参数组。
可选的,所述M个配置项至少包括:CPU主频、CPU内核数、CPU缓存、JVM默认堆初始值、内存带宽、内存使用量、磁盘吞吐量和磁盘IO请求率。
第三方面,本申请实施例提供了一种电子设备,所述电子设备包括至少一个处理器以及与所述至少一个处理器连接的存储器,所述至少一个处理器用于执行存储器中存储的计算机程序时实现如第一方面任一实施例所述方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一实施例所述方法的步骤。
应当理解的是,本申请实施例的第二~四方面与本申请实施例的第一方面的技术方案一致,各方面及对应的可行实施方式所取得的有益效果相似,不再赘述。
【附图说明】
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种配置参数的确定方法的流程示意图;
图2为本申请实施例提供的一种配置参数的确定装置的结构示意图;
图3为本申请实施例提供的一种电子设备的结构示意图。
【具体实施方式】
为了更好的理解本说明书的技术方案,下面结合附图对本申请实施例进行详细描述。
应当明确,所描述的实施例仅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作出创造性劳动前提下所获得的所有其它实施例,都属于本说明书保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
目前,对于服务器的配置仅仅考虑服务器的性能,即配置出的服务器性能较好,而并没有考虑到服务器的用电量,造成服务器使用过程中产生了巨大的能源消耗,加剧了环境的压力
鉴于此,本申请实施例提供了一种配置参数的确定方法,该方法中,对于组成服务器的多个配置进行选择,每个配置都有一定的选择范围,因此可以从每个配置项中随机挑选出选择范围内的数值来组成备选参数组,将多个备选参数组分别带入预先训练好的能效评估模型后,能效评估模型会根据每个配置项的数值选择综合得到此时由该配置组成的服务器的能效值大小,然后选择出与预设能效值的差值绝对值处于预设范围内所对应的配置参数组合作为服务器所需的配置参数组合,也就是说,能够在服务器实际配置前通过能效值的大小对于服务器配置数值进行选择,从而使用户可以配置出兼顾性能与用电量的服务器。
步骤101:获取M个配置项中各配置项所对应的N个备选配置参数。
M个配置项中的每个配置项可以认为均会影响服务器的能效值,而每个配置项均存在有限个可选的配置参数,因此,本申请实施例可以首先获取到M个配置项中每个配置项的有限个可选的配置参数,以便于筛选出符合能效值要求的各配置项的配置参数组合。
作为一种可能的实施方式,电子设备可以获取M个配置项中各配置项所对应的N个备选配置参数。这里M为不小于1的正整数,且N为不小于2的正整数。
例如,M个配置项可以包括CPU主频、CPU内核数、CPU缓存、JVM默认堆初始值、内存带宽、内存使用量、磁盘吞吐量和磁盘IO请求率。以配置项为CPU主频为例,CPU主频的参数范围为2.0Hz到3.0Hz,但所能选取的参数为2.0Hz、2.2Hz、2.4Hz、2.6Hz、2.8Hz以及3.0Hz。
步骤102:从各配置项所对应的N个备选配置参数各自选择任一备选配置参数进行组合,获得多个备选参数组,其中,多个备选参数组中两两备选参数组之间至少存在一个配置项的备选配置参数不相同。
本申请实施例中,在获得M个配置项中每个配置项各自的N个备选配置参数之后,可以从各配置项的备选参数中各自任意选择一个备选参数进行组合,从而获得不同配置项各自备选配置参数中全部可能性组合,以便于可以从全部可能性组合中选取出满足预设要求的配置参数组合作为服务器的对应配置参数。
作为一种可能的实施方式,电子设备可以从M个配置项中每个配置项各自的N个备选配置参数中选择任一备选配置参数进行组合,从而获得多个备选参数组。应理解,多个备选参数组中两两备选参数组之间至少存在一个配置项的备选配置参数不相同,从而避免出现两个完全相同的备选参数组。
步骤103:分别将多个备选参数组中各备选参数组输入能效评估模型,获得各备选参数组的实际能效值。
能效评估模型可以认为用于表征M个配置项中各配置项的配置参数与能效值的对应关系,因此,本申请实施例中,不同配置项各自备选配置参数中全部可能性组合分别输入到能效评估模型中,从而可以较为准确的获取到不同可能性组合所对应的能效值,以便于基于所获得的能效值对不同可能性组合进行筛选。
作为一种可能的实施方式,电子设备可以分别将多个备选参数组中各备选参数组输入到能效评估模型,从而获得各备选参数组的能效值。
下面对如何获得能效评估模型进行详细说明。
考虑到影响服务器能效值的配置项较多,且不同的配置项对服务器的能效的影响程度可能存在不同,因此,本申请实施例中,可以基于神经网络模型来学习各配置项的配置参数与能效值的对应关系。
作为一种可能的实施方式,电子设备可以获取P组训练样本,该P组训练样本中每组训练样本均包括M个配置项所对应的配置参数值以及对应的能效值。然后,将上述P组训练样本输入到多层感知器,对多层感知器进行训练,从而获得上述能效评估模型。
作为另一种可能的实施方式,电子设备可以获取P组训练样本,P为不小于1的正整数,该P组训练样本中每组训练样本均包括M个配置项所对应的配置参数值以及对应的能效值。然后,将上述P组训练样本输入到Elman神经网络模型,对Elman神经网络模型进行训练,从而获得上述能效评估模型。
在一些实施例中,考虑到不同配置项的配置参数具有不同的量级以及不同的表示方式,在带入神经网络模型进行训练时会有训练时间较长的问题。因此,本申请实施例中,可以将经预处理后的配置参数输入到上述神经网络模型进行训练,提高模型的训练效率。
作为一种可能的实施方式,电子设备可以获取P组训练样本中每组训练样本所包括的M个配置项所对应的初始配置参数值以及对应的能效值,然后对同一配置项的初始配置参数值进行预处理,从而得到对应的配置参数值。最后,将上述配置参数值与对应的能效值构成训练样本。预处理的计算参见公式(1):
x'ij=|xij-meanj|/stdj (1)
其中:xij表示i组训练样本中的第j个配置项的初始配置参数值;meanj表示所获取的P组训练样本中第j个配置项的初始配置参数值的平均值;stdj表示所获取的P组训练样本中第j个配置项的初始配置参数值的标准差;x'ij表示经过所述预处理后的第i组训练样本中第j个配置项的配置参数值。
例如:获取初始配置参数值CPU主频的取值范围为2.0Hz到3.0Hz,获取的4组训练样本中CPU主频的初始配置参数值分别为2.8Hz、2.4Hz、3.0Hz以及2.0Hz,计算出此时四组训练样本中的CPU主频初始配置参数值预处理后的配置参数值,计算结果如下表(1):
表1
初始配置参数值 | 平均值 | 标准差 | 配置参数值 | |
第一组训练样本 | 2.8 | 2.55 | 0.77 | 0.32 |
第二组训练样本 | 2.4 | 2.55 | 0.77 | 0.19 |
第三组训练样本 | 3 | 2.55 | 0.77 | 0.58 |
第四组训练样本 | 2 | 2.55 | 0.77 | 0.71 |
上表所得可以看出,通过预处理之后,所得的配置参数均会变成数值位于0到1之间的实数,便于统一所有配置参数大小,增加神经网络模型训练效率。
步骤104:将与目标能效值的差值的绝对值处于预设范围内的实际能效值对应的备选参数组作为目标备选参数组。
本申请实施例中,在获得不同配置项各自备选配置参数中全部可能性组合所对应的能效值之后,可以根据当前所指定的配置服务器的能效值,从上述全部可能性组合进行筛选,从而筛选出符合能效要求的可能性组合,进而使得用户可以配置出兼顾性能与用电量的服务器。
作为一种可能的实施方式,电子设备中可以预先设置有目标能效值,该目标能效值可以认为是同时满足性能与用电量要求下服务器所具有的能效值,在此基础上,电子设备可以将与目标能效值的差值的绝对值处于预设范围内的实际能效值对应的备选参数组作为目标备选参数组。应理解,这里的预设范围可以根据实际情况进行设置,此处不做特别限制。
在一些实施例中,当存在多组满足能效评估模型实际输出能效值与目标能效值的绝对值处于预设范围内配置参数组时,可以从中随机挑选出一组配置参数组作为服务器的实际配置组,但没有考虑到在相同能效条件下对于成本的控制。
因此,在本申请实施例中,当获得多组配置参数组均满足筛选条件后,可以进一步基于配置成本来进行挑选,选择出配置成本最低的配置参数组作为服务器的实际配置参数组,能够节约服务器的配置成本。
作为一种可能的实施方式,电子设备可以获取M个配置项中每个配置项各自的N个备选配置参数中各备选配置参数的成本信息,然后从与目标能效值的差值的绝对值处于预设范围内的实际能效值对应的备选参数组中,选取出总配置成本最低的备选参数组作为目标备选参数组,即服务器的实际配置参数组,在满足能效性要求的前提下,能够节约服务器的配置成本。
请参见图2,基于同一发明构思,本申请实施例还提供了一种配置参数的确定装置,该装置包括:第一获取单元101、组合单元102、输入单元103与处理单元104。
第一获取单元101,用于获取M个配置项中各配置项所对应的N个备选配置参数,M为不小于1的正整数,N为不小于2的正整数;
组合单元102,用于从各配置项所对应的N个备选配置参数各自选择任一备选配置参数进行组合,获得多个备选参数组,其中,多个备选参数组中两两备选参数组之间至少存在一个配置项的备选配置参数不相同;
输入单元103,用于分别将多个备选参数组中各备选参数组输入能效评估模型,获得各备选参数组的实际能效值,能效评估模型用于表征各配置项的配置参数与能效值的对应关系;
处理单元104,用于将与目标能效值的差值的绝对值处于预设范围内的实际能效值对应的备选参数组作为目标备选参数组。
可选的,该装置还包括:
第二获取单元,用于获取P组训练样本,其中,多组训练样本中每组训练样本包括M个配置项所对应的配置参数值以及对应能效值,P为不小于1的正整数;
训练单元,用于基于多组训练样本对多层感知器神经网络模型进行训练,获得能效评估模型。
可选的,该装置还包括:
第二获取单元,关于获取P组训练样本,其中,多组训练样本中每组训练样本包括M个配置项所对应的配置参数值以及对应能效值,P为不小于1的正整数;
训练单元,用于基于多组训练样本对Elman神经网络模型进行训练,获得能效评估模型。
可选的,第二获取单元具体用于:
获取P组训练样本中每组训练样本中所包括的M个配置项所对应的初始配置参数值以及对应能效值;
对初始配置参数值进行预处理,获得对应的配置参数值;
将所述配置参数值与对应的能效值构成所述训练样本,其中,所述预处理的计算公式如下:
x'ij=|xij-meanj|/stdj
其中:xij表示i组训练样本中的第j个配置项的初始配置参数值;meanj表示所获取的P组训练样本中第j个配置项的初始配置参数值的平均值;stdj表示所获取的P组训练样本中第j个配置项的初始配置参数值的标准差;x'ij表示经过所述预处理后的第i组训练样本中第j个配置项的配置参数值。
可选的,该装置还包括:
第三获取单元,用于获取N个备选配置参数中各备选配置参数的成本信息;
处理单元104具体用于:
将与目标能效值的差值的绝对值处于预设范围内的实际能效值对应的备选参数组中,总配置成本最低的备选参数组作为目标备选参数组。
可选的,M个配置项至少包括:CPU主频、CPU内核数、CPU缓存、JVM默认堆初始值、内存带宽、内存使用量、磁盘吞吐量和磁盘IO请求率。
请参见图3,基于同一发明构思,本申请实施例提供一种电子设备,该电子设备包括至少一个处理器301,处理器301用于执行存储器中存储的计算机程序,实现本申请实施例提供的如图1所示的配置参数的确定方法的步骤。
可选的,处理器301具体可以是中央处理器、特定ASIC,可以是一个或多个用于控制程序执行的集成电路。
可选的,该电子设备还可以包括与至少一个处理器301连接的存储器302,存储器302可以包括ROM、RAM和磁盘存储器。存储器302用于存储处理器301运行时所需的数据,即存储有可被至少一个处理器301执行的指令,至少一个处理器301通过执行存储器302存储的指令,执行如图1所示的方法。其中,存储器302的数量为一个或多个。其中,存储器302在图3中一并示出,但需要知道的是存储器302不是必选的功能模块,因此在图3中以虚线示出。
其中,第一获取单元101、组合单元102、输入单元103与处理单元104所对应的实体设备均可以是前述的处理器301。该电子设备可以用于执行图1所示的实施例所提供的方法。因此关于该电子设备中各功能模块所能够实现的功能,可参考图1所示的实施例中的相应描述,不多赘述。
本申请实施例还提供一种计算机存储介质,其中,计算机存储介质存储有计算机指令,当计算机指令在计算机上运行时,使得计算机执行如图1的方法。
以上仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
Claims (10)
1.一种配置参数的确定方法,其特征在于,所述方法包括:
获取M个配置项中各配置项所对应的N个备选配置参数,M为不小于1的正整数,N为不小于2的正整数;
从各配置项所对应的N个备选配置参数各自选择任一备选配置参数进行组合,获得多个备选参数组,其中,所述多个备选参数组中两两备选参数组之间至少存在一个配置项的备选配置参数不相同;
分别将所述多个备选参数组中各备选参数组输入能效评估模型,获得各备选参数组的实际能效值,所述能效评估模型用于表征各配置项的配置参数与能效值的对应关系;
将与目标能效值的差值的绝对值处于预设范围内的所述实际能效值对应的备选参数组作为目标备选参数组。
2.根据权利要求1所述的方法,其特征在于,分别将所述多个备选参数组中各备选参数组输入能效评估模型,获得各备选参数组的能效值之前,所述方法包括:
获取P组训练样本,其中,多组训练样本中每组训练样本包括所述M个配置项所对应的配置参数值以及对应的能效值,P为不小于1的正整数;
基于所述P组训练样本对多层感知器进行训练,获得所述能效评估模型。
3.根据权利要求1所述的方法,其特征在于,分别将所述多个备选参数组中各备选参数组输入能效评估模型,获得各备选参数组的能效值之前,所述方法包括:
获取P组训练样本,其中,多组训练样本中每组训练样本包括所述M个配置项所对应的配置参数值以及对应能效值,P为不小于1的正整数;
基于所述P组训练样本对Elman神经网络模型进行训练,获得所述能效评估模型。
4.根据权利要求2或3任一项所述的方法,其特征在于,获取P组训练样本包括:
获取P组训练样本中每组训练样本中所包括的所述M个配置项所对应的初始配置参数值以及对应的能效值;
对所述初始配置参数值进行预处理,获得对应的所述配置参数值;
将所述配置参数值与对应的能效值构成所述训练样本,其中,所述预处理的计算公式如下:
x'ij=|xij-meanj|/stdj
其中:xij表示i组训练样本中的第j个配置项的初始配置参数值;meanj表示所获取的P组训练样本中第j个配置项的初始配置参数值的平均值;stdj表示所获取的P组训练样本中第j个配置项的初始配置参数值的标准差;x'ij表示经过所述预处理后的第i组训练样本中第j个配置项的配置参数值。
5.根据权利要求1所述的方法,其特征在于,在将与目标能效值的差值的绝对值处于预设范围内的所述实际能效值对应的备选参数组作为目标备选参数组之前,所述方法还包括:
获取所述N个备选配置参数中各备选配置参数的成本信息;
将与目标能效值的差值的绝对值处于预设范围内的所述实际能效值对应的备选参数组作为目标备选参数组包括:
将与所述目标能效值的差值的绝对值处于所述预设范围内的所述实际能效值对应的备选参数组中,总配置成本最低的备选参数组作为所述目标备选参数组。
6.根据权利要求1-3任一项所述方法,其特征在于,所述M个配置项包括:
所述M个配置项至少包括CPU主频、CPU内核数、CPU缓存、JVM默认堆初始值、内存带宽、内存使用量、磁盘吞吐量和磁盘IO请求率。
7.一种配置参数的确定装置,其特征在于,所述装置包括:
第一获取单元,用于获取M个配置项中各配置项所对应的N个备选配置参数,M为不小于1的正整数,N为不小于2的正整数;
组合单元,用于从各配置项所对应的N个备选配置参数各自选择任一备选配置参数进行组合,获得多个备选参数组,其中,所述多个备选参数组中两两备选参数组之间至少存在一个配置项的备选配置参数不相同;
输入单元,用于分别将所述多个备选参数组中各备选参数组输入能效评估模型,获得各备选参数组的实际能效值,所述能效评估模型用于表征各配置项的配置参数与能效值的对应关系;
处理单元,用于将与目标能效值的差值的绝对值处于预设范围内的所述实际能效值对应的备选参数组作为目标备选参数组。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第二获取单元,用于获取P组训练样本,其中,多组训练样本中每组训练样本包括所述M个配置项所对应的配置参数值以及对应的能效值,P为不小于1的正整数;
训练单元,用于基于所述P组训练样本对多层感知器进行训练,获得所述能效评估模型。
9.一种电子设备,其特征在于,所述电子设备包括至少一个处理器以及与所述至少一个处理器连接的存储器,所述至少一个处理器用于执行存储器中存储的计算机程序时实现如权利要求1-6任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时现如权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211042060.0A CN116974739A (zh) | 2022-08-29 | 2022-08-29 | 一种配置参数的确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211042060.0A CN116974739A (zh) | 2022-08-29 | 2022-08-29 | 一种配置参数的确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116974739A true CN116974739A (zh) | 2023-10-31 |
Family
ID=88477189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211042060.0A Pending CN116974739A (zh) | 2022-08-29 | 2022-08-29 | 一种配置参数的确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116974739A (zh) |
-
2022
- 2022-08-29 CN CN202211042060.0A patent/CN116974739A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107122375B (zh) | 基于图像特征的图像主体的识别方法 | |
CN105912500B (zh) | 机器学习模型生成方法和装置 | |
CN106485316A (zh) | 神经网络模型压缩方法以及装置 | |
WO2019179403A1 (zh) | 基于序列宽深学习的欺诈交易检测方法 | |
CN110956202B (zh) | 基于分布式学习的图像训练方法、系统、介质及智能设备 | |
CN106650928A (zh) | 一种神经网络的优化方法及装置 | |
CN108052387B (zh) | 一种移动云计算中的资源分配预测方法及系统 | |
CN108734266A (zh) | 深度神经网络模型的压缩方法及装置、终端、存储介质 | |
CN108108814A (zh) | 一种深度神经网络的训练方法 | |
CN107506350A (zh) | 一种识别信息的方法和设备 | |
CN112132776A (zh) | 基于联邦学习的视觉检测方法及系统、存储介质、设备 | |
CN108897614A (zh) | 一种基于卷积神经网络的内存预警方法及服务端 | |
CN108805054A (zh) | 一种人脸图像分类方法、系统、设备及计算机存储介质 | |
WO2023236319A1 (zh) | 一种面向微控制器的卷积神经网络部署和优化方法 | |
CN111047406A (zh) | 一种电信套餐推荐方法、装置、存储介质和设备 | |
CN112947080B (zh) | 一种基于场景参数变换的智能决策模型性能评估系统 | |
CN103605493A (zh) | 基于图形处理单元的并行排序学习方法及系统 | |
CN113742069A (zh) | 基于人工智能的容量预测方法、装置及存储介质 | |
CA2330878A1 (en) | Pre-processing and post-processing for enhancing knowledge discovery using support vector machines | |
CN109934248B (zh) | 一种针对迁移学习的多模型随机生成与动态自适应组合方法 | |
CN116974739A (zh) | 一种配置参数的确定方法、装置、电子设备及存储介质 | |
CN114387524B (zh) | 基于多层级二阶表征的小样本学习的图像识别方法和系统 | |
CN109726824A (zh) | 训练模型的迁移学习方法及终端设备 | |
CN111158918A (zh) | 支撑点并行枚举负载均衡方法、装置、设备及介质 | |
CN110414586A (zh) | 基于深度学习的防伪标签验伪方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |