CN117032828A - 一种定制化专用系统平台批量自动配置方法 - Google Patents
一种定制化专用系统平台批量自动配置方法 Download PDFInfo
- Publication number
- CN117032828A CN117032828A CN202311017788.2A CN202311017788A CN117032828A CN 117032828 A CN117032828 A CN 117032828A CN 202311017788 A CN202311017788 A CN 202311017788A CN 117032828 A CN117032828 A CN 117032828A
- Authority
- CN
- China
- Prior art keywords
- hardware
- data
- parameter
- software
- configuration
- 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 34
- 230000008569 process Effects 0.000 claims abstract description 63
- 238000009434 installation Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 24
- 238000007726 management method Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000006855 networking Effects 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 230000006837 decompression Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 238000004883 computer application Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2247—Verification or detection of system hardware configuration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2289—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing by configuration test
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Stored Programmes (AREA)
Abstract
本发明公开了一种定制化专用系统平台批量自动配置方法，属于计算机应用技术领域，包括使用设备检测工具对硬件设备进行检测，获取硬件型号信息并储存，使用配置管理工具根据硬件型号信息对系统组件和硬件设备进行各项属性配置，使用自动化安装工具安装和更新应用软件进程，获取软件版本并存储，使用控制部署工具对系统组件进行初始化和兼容性设置，通过标记配置初始化数据约束系统自执行逻辑，使用安全规范工具编写安全规则建立防火墙，对软件进程和接收的数据进行安全扫描，对发送的数据进行安全数据加密，部署风险策略，本发明能使硬件设备可以自动在满足系统使用的情况下达到最佳的运行效率，使软件进程运行时达到最佳的资源占比。
Description
技术领域
本发明属于计算机应用技术领域，具体地说，涉及一种定制化专用系统平台批量自动配置方法。
背景技术
随着信息的价值和使用的持续增长，无论是在个体用户还是在企业用户，计算机都承担着数据计算、存储和发布的关键任务，计算机的软硬件都必须具有极高的可靠性，这就要求计算机在研发阶段，需针对不同工作环境、不同系统配置进行大量测试，以根据测试结果分析计算机状态，提高稳定性。
随着计算机硬件和软件技术的飞快发展，几乎每隔很短的一段时间，计算机硬件和软件就会更新换代一次，配置更新换代的周期越来越短，不同版本型号的硬件设备需要设置不同的性能参数，用户的需求也不相同，在运行不同的应用软件时，又要设置不同的参数，才能达到最佳的的运行效率。
但是随着计算机技术的发展与普及，计算机用户虽然也在逐渐增加，却依然有大量的，计算机用户在使用时缺乏对硬件知识的了解，难以对计算机硬件设备进行配置，无法让系统和应用软件达到最佳的运行效率，用户若是在缺乏专业指导下对各个硬件组件进行配置，可能反而会降低硬件组件的运行效率，最终对计算机系统运行产生负面影响，甚至可能在配置时，如将处理器电压设置超过安全范围，造成硬件损坏，危害用户的数据安全，造成严重的经济损失。
发明内容
要解决的问题
针对现有计算机用户在使用时缺乏对硬件知识的了解，难以对计算机硬件设备进行配置，无法让系统和应用软件达到最佳的运行效率的问题，本发明提供一种定制化专用系统平台批量自动配置方法。
技术方案
为解决上述问题，本发明采用如下的技术方案。
一种定制化专用系统平台批量自动配置方法，采用以下步骤：
步骤1、使用设备检测工具对硬件设备进行检测，获取硬件型号信息并储存；
步骤2、使用配置管理工具根据硬件型号信息对系统组件和硬件设备进行各项属性配置；
步骤3、使用自动化安装工具安装和更新应用软件进程，获取软件版本并存储，同时设置软件进程的权限；
步骤4、使用控制部署工具对系统组件进行初始化和兼容性设置，通过标记配置初始化数据约束系统自执行逻辑；
步骤5、使用安全规范工具编写安全规则建立防火墙，设置管理者账号和权限，对软件进程和接收的数据进行安全扫描，对发送的数据进行安全数据加密，部署风险策略。
优选地，所述设备检测工具内设置有硬件数据库，硬件数据库存储有当前硬件设备的各项硬件参数信息，同时存储有硬件设备启动时的各项数据，以及通过联网检索该硬件设备在标准环境下启动时的各项数据，每次系统启动加载时，设备检测工具进行硬件自检，确定当前硬件是否出现故障，是否与存储硬件型号信息相匹配，当硬件出现变动时，对硬件设备进行重新检测，更新存储的硬件型号信息。
进一步地，所述属性配置包括：存储空间和交换空间进行分区处理，配置系统缓存所占比例，处理器核心是否屏蔽，各个硬件的电压、功耗和频率，设置各个硬件设备的固件更新版本；用户进行各项属性配置时，可以选择默认配置、手动配置和自动配置，默认设置是按照硬件数据库内通过联网检索硬件设备在标准环境下启动时的各项数据，将硬件设备按照标准情况下各项参数进行属性配置；手动配置是用户根据设备的专项用途和资源的实际运行需求对硬件设备的各项参数进行属性配置；自动配置是硬件设备初次启动时，按照默认设置的各项参数进行属性配置，之后每次硬件设备启动时，启动时的各项参数保存至硬件数据库内，根据这些参数信息建立硬件属性自动配置模型，通过硬件属性自动配置模型计算出硬件设备启动时最佳的参数信息，并根据最佳的参数信息对硬件设备进行自动属性配置。
更进一步地，所述硬件属性自动配置模型是先将硬件数据库内存储的硬件设备参数信息作为历史参数数据样本，对历史参数数据样本进行预处理，统计分析并计算历史参数数据样本的运行特征，生成历史参数特征集；
使用LPP算法从历史参数特征集中提取具有判别性的特征进行降维，生成历史参数特征子集；
使用Boosting框架算法对历史参数特征子集进行训练计算，得到训练样本子集，再用训练样本子集训练生成基分类器，进行多轮训练，生成多个基分类器，在将这多个基分类器进行加权融合，生成参数调整分类器；
按照数据存储时的时间戳，从硬件数据库内提取系统近期启动时硬件设备的各项属性参数，将硬件设备近期的属性参数作为待检测参数样本，对待检测参数样本进行预处理，统计分析并计算待检测参数样本的参数特征，生成待检测参数特征集；
使用LPP算法从待检测参数特征集中提取具有判别性的特征进行降维，生成待检测参数特征子集，使用参数调整分类器对待待检测参数特征子集进行预测判断，获取待检测参数样本的分析结果；
根据分析结果判断系统近期启动时，各个硬件设备的运行效率，结合参数调整分类器，对硬件设备的属性参数进行设置，使硬件设备在满足系统使用的情况下达到最佳的运行效率。
再进一步地，所述待检测参数样本在分析完成后，会将自身的待检测参数特征子集根据分析结果存储至历史参数特征子集，达到预设时间时，根据历史参数特征子集数据的更新对参数调整分类器进行更新。
优选地，所述自动化安装工具内设置有软件数据库，每次安装和更新应用软件进程都会获取软件版本并存储，通过联网检索软件当前储存使用的版本的各项参数以及当前软件的最新版本和各项参数，每次启动软件进程时都会通过软件数据库检测软件版本，判断与存储的版本号和软件当前最新版的版本号是否匹配，若是与存储的版本号不匹配，则限制该软件进程的启动，若是与软件当前最新版的版本号不匹配，则发送更新请求。
进一步地，所述若是无法检索到软件当前版本和最新版本的各项参数数据时，使用容器编排工具通过容器化技术打包应用程序和依赖项并运行，进行应用程序部署和管理容器化，使用容器编排工具对各个应用程序进程运行时需要的硬件资源数据储存至软件数据库内，根据软件数据库内存储的历史软件进程资源数据进行分析。
更进一步地，所述使用高斯窗函数对历史软件进程资源数据进行转换，得到分析转换后的资源波形图，对波形图进行快速傅里叶变换和希尔伯特变换，得到频谱数据和包络波形数据；
根据频谱数据和包络波形数据得到软件进程运行时资源占比突降、突升、谐波以及波形扰动类型，对不同波形扰动类型进行特征提取，得到扰动特征；
根据提取的扰动特征进行训练分类，对资源占比扰动进行检测与判断；
设置调节卷积神经网络模型的参数，搭建扰动分析模型；
使用扰动分析模型对资源波形图的数据进行分析计算和预测，根据分析计算结果得到软件进程运行时最佳的资源占比，同时设置、屏蔽、控制会造成资源占比扰动的干扰。
优选地，所述安全规范工具部署风险策略是对软件进程的原始数据进行重构，获得重构数据；根据软件进程历史数据判断原始数据是否存在风险，以此将数据标记为不同的样本，获取数据标签，结合重构数据计算出重构数据各个特征的信息价值指标值；根据信息价值指标值从重构数据中筛选出有效特征；根据数据标签和有效特征，采用等频分箱法对重构数据进行分箱处理，计算出各个分箱对应的风险指标；使用有效特征和风险指标生成风险策略。
进一步地，所述对原始数据进行重构是采用自编码器进行重构，先使用编码器对数据降维压缩，然后使用解码器对数据进行升维解压，以此达到数据重构的效果。
一种定制化专用系统平台批量自动配置方法，通过使用设备检测工具对硬件设备进行检测，获取硬件型号信息并储存，使用配置管理工具根据硬件型号信息对系统组件和硬件设备进行各项属性配置，使用自动化安装工具安装和更新应用软件进程，获取软件版本并存储，同时设置软件进程的权限，使用控制部署工具对系统组件进行初始化和兼容性设置，通过标记配置初始化数据约束系统自执行逻辑，使用安全规范工具编写安全规则建立防火墙，设置管理者账号和权限，对软件进程和接收的数据进行安全扫描，对发送的数据进行安全数据加密，部署风险策略，使硬件设备可以自动在满足系统使用的情况下达到最佳的运行效率，使软件进程运行时达到最佳的资源占比。
有益效果
相比于现有技术，本发明的有益效果为：
(1)本发明通过让每次硬件设备启动时，启动时的各项参数保存至硬件数据库内，根据这些参数信息建立硬件属性自动配置模型，通过硬件属性自动配置模型计算出硬件设备启动时最佳的参数信息，并根据最佳的参数信息对硬件设备进行自动属性配置，使硬件设备可以自动在满足系统使用的情况下达到最佳的运行效率；
(2)本发明通过使用容器编排工具通过容器化技术打包应用程序和依赖项并运行，进行应用程序部署和管理容器化，使用容器编排工具对各个应用程序进程运行时需要的硬件资源数据储存至软件数据库内，根据软件数据库内存储的历史软件进程资源数据进行分析，根据分析计算结果得到软件进程运行时最佳的资源占比，同时设置、屏蔽、控制会造成资源占比扰动的干扰；
(3)本发明使用设备检测工具、配置管理工具、自动化安装工具、控制部署工具、安全规范工具，从开机加载时开始，对每个启动步骤进行定制，引导程序、初始化组件，满足兼容性需求，主动配置所需的安全规则、系统必须类库、管理者帐号，定制系统驱动、内核、分区、兼容的硬件平台，定制运行的项目、软件通讯逻辑，通过系统标记配置初始化数据，约束系统自执行逻辑，可实现自动、无人值守。
附图说明
图1为本发明的方法步骤示意图；
图2为本发明的方法流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例，通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
实施例1
如图1和图2所示，一种定制化专用系统平台批量自动配置方法，主要流程如下：
使用设备检测工具对硬件设备进行检测，获取硬件型号信息并储存，所述设备检测工具内设置有硬件数据库，硬件数据库存储有当前硬件设备的各项硬件参数信息，同时存储有硬件设备启动时的各项数据，以及通过联网检索该硬件设备在标准环境下启动时的各项数据，每次系统启动加载时，设备检测工具进行硬件自检，确定当前硬件是否出现故障，是否与存储硬件型号信息相匹配，当硬件出现变动时，对硬件设备进行重新检测，更新存储的硬件型号信息。
使用配置管理工具根据硬件型号信息对系统组件和硬件设备进行各项属性配置，属性配置包括：存储空间和交换空间进行分区处理，配置系统缓存所占比例，处理器核心是否屏蔽，各个硬件的电压、功耗和频率，设置各个硬件设备的固件更新版本；用户进行各项属性配置时，可以选择默认配置、手动配置和自动配置，默认设置是按照硬件数据库内通过联网检索硬件设备在标准环境下启动时的各项数据，将硬件设备按照标准情况下各项参数进行属性配置；手动配置是用户根据设备的专项用途和资源的实际运行需求对硬件设备的各项参数进行属性配置；自动配置是硬件设备初次启动时，按照默认设置的各项参数进行属性配置，之后每次硬件设备启动时，启动时的各项参数保存至硬件数据库内，根据这些参数信息建立硬件属性自动配置模型，通过硬件属性自动配置模型计算出硬件设备启动时最佳的参数信息，并根据最佳的参数信息对硬件设备进行自动属性配置。
硬件属性自动配置模型是先将硬件数据库内存储的硬件设备参数信息作为历史参数数据样本，对历史参数数据样本进行预处理，统计分析并计算历史参数数据样本的运行特征，生成历史参数特征集；
使用LPP算法从历史参数特征集中提取具有判别性的特征进行降维，生成历史参数特征子集；
使用Boosting框架算法对历史参数特征子集进行训练计算，得到训练样本子集，再用训练样本子集训练生成基分类器，进行多轮训练，生成多个基分类器，在将这多个基分类器进行加权融合，生成参数调整分类器；
按照数据存储时的时间戳，从硬件数据库内提取系统近期启动时硬件设备的各项属性参数，将硬件设备近期的属性参数作为待检测参数样本，对待检测参数样本进行预处理，统计分析并计算待检测参数样本的参数特征，生成待检测参数特征集；
使用LPP算法从待检测参数特征集中提取具有判别性的特征进行降维，生成待检测参数特征子集，使用参数调整分类器对待待检测参数特征子集进行预测判断，获取待检测参数样本的分析结果；
根据分析结果判断系统近期启动时，各个硬件设备的运行效率，结合参数调整分类器，对硬件设备的属性参数进行设置，使硬件设备在满足系统使用的情况下达到最佳的运行效率。
待检测参数样本在分析完成后，会将自身的待检测参数特征子集根据分析结果存储至历史参数特征子集，达到预设时间时，根据历史参数特征子集数据的更新对参数调整分类器进行更新。
使用自动化安装工具安装和更新应用软件进程，获取软件版本并存储，同时设置软件进程的权限，自动化安装工具内设置有软件数据库，每次安装和更新应用软件进程都会获取软件版本并存储，通过联网检索软件当前储存使用的版本的各项参数以及当前软件的最新版本和各项参数，每次启动软件进程时都会通过软件数据库检测软件版本，判断与存储的版本号和软件当前最新版的版本号是否匹配，若是与存储的版本号不匹配，则限制该软件进程的启动，若是与软件当前最新版的版本号不匹配，则发送更新请求。
若是无法检索到软件当前版本和最新版本的各项参数数据时，使用容器编排工具通过容器化技术打包应用程序和依赖项并运行，进行应用程序部署和管理容器化，使用容器编排工具对各个应用程序进程运行时需要的硬件资源数据储存至软件数据库内，根据软件数据库内存储的历史软件进程资源数据进行分析。
使用高斯窗函数对历史软件进程资源数据进行转换，得到分析转换后的资源波形图，对波形图进行快速傅里叶变换和希尔伯特变换，得到频谱数据和包络波形数据；
根据频谱数据和包络波形数据得到软件进程运行时资源占比突降、突升、谐波以及波形扰动类型，对不同波形扰动类型进行特征提取，得到扰动特征；
根据提取的扰动特征进行训练分类，对资源占比扰动进行检测与判断；
设置调节卷积神经网络模型的参数，搭建扰动分析模型；
使用扰动分析模型对资源波形图的数据进行分析计算和预测，根据分析计算结果得到软件进程运行时最佳的资源占比，同时设置、屏蔽、控制会造成资源占比扰动的干扰。
使用控制部署工具对系统组件进行初始化和兼容性设置，通过标记配置初始化数据约束系统自执行逻辑。
使用安全规范工具编写安全规则建立防火墙，设置管理者账号和权限，对软件进程和接收的数据进行安全扫描，对发送的数据进行安全数据加密，部署风险策略，安全规范工具部署风险策略是对软件进程的原始数据进行重构，获得重构数据；根据软件进程历史数据判断原始数据是否存在风险，以此将数据标记为不同的样本，获取数据标签，结合重构数据计算出重构数据各个特征的信息价值指标值；根据信息价值指标值从重构数据中筛选出有效特征；根据数据标签和有效特征，采用等频分箱法对重构数据进行分箱处理，计算出各个分箱对应的风险指标；使用有效特征和风险指标生成风险策略，对原始数据进行重构是采用自编码器进行重构，先使用编码器对数据降维压缩，然后使用解码器对数据进行升维解压，以此达到数据重构的效果。
通过上述描述可知，在本实例中，通过使用设备检测工具对硬件设备进行检测，获取硬件型号信息并储存，使用配置管理工具根据硬件型号信息对系统组件和硬件设备进行各项属性配置，使用自动化安装工具安装和更新应用软件进程，获取软件版本并存储，同时设置软件进程的权限，使用控制部署工具对系统组件进行初始化和兼容性设置，通过标记配置初始化数据约束系统自执行逻辑，使用安全规范工具编写安全规则建立防火墙，设置管理者账号和权限，对软件进程和接收的数据进行安全扫描，对发送的数据进行安全数据加密，部署风险策略。
实施例2
一种定制化专用系统平台批量自动配置方法，使用设备检测工具对硬件设备进行检测，获取硬件型号信息并储存，所述设备检测工具内设置有硬件数据库，硬件数据库存储有当前硬件设备的各项硬件参数信息，同时存储有硬件设备启动时的各项数据，以及通过联网检索该硬件设备在标准环境下启动时的各项数据，每次系统启动加载时，设备检测工具进行硬件自检，确定当前硬件是否出现故障，是否与存储硬件型号信息相匹配，当硬件出现变动时，对硬件设备进行重新检测，更新存储的硬件型号信息。
使用配置管理工具根据硬件型号信息对系统组件和硬件设备进行各项属性配置，使用Ansible实现自动化配置，Ansible是一种配置管理工具，可以帮助自动化配置系统，包括安装软件、配置文件、用户账户等。Ansible使用YAML语言编写配置文件，可以轻松描述系统的配置。
属性配置包括：存储空间和交换空间进行分区处理，配置系统缓存所占比例，处理器核心是否屏蔽，各个硬件的电压、功耗和频率，设置各个硬件设备的固件更新版本；用户进行各项属性配置时，可以选择默认配置、手动配置和自动配置，默认设置是按照硬件数据库内通过联网检索硬件设备在标准环境下启动时的各项数据，将硬件设备按照标准情况下各项参数进行属性配置；手动配置是用户根据设备的专项用途和资源的实际运行需求对硬件设备的各项参数进行属性配置；自动配置是硬件设备初次启动时，按照默认设置的各项参数进行属性配置，之后每次硬件设备启动时，启动时的各项参数保存至硬件数据库内，根据这些参数信息建立硬件属性自动配置模型，通过硬件属性自动配置模型计算出硬件设备启动时最佳的参数信息，并根据最佳的参数信息对硬件设备进行自动属性配置。
硬件属性自动配置模型是先将硬件数据库内存储的硬件设备参数信息作为历史参数数据样本，对历史参数数据样本进行预处理，统计分析并计算历史参数数据样本的运行特征，生成历史参数特征集；
使用LPP算法从历史参数特征集中提取具有判别性的特征进行降维，生成历史参数特征子集；
使用Boosting框架算法对历史参数特征子集进行训练计算，得到训练样本子集，再用训练样本子集训练生成基分类器，进行多轮训练，生成多个基分类器，在将这多个基分类器进行加权融合，生成参数调整分类器；
按照数据存储时的时间戳，从硬件数据库内提取系统近期启动时硬件设备的各项属性参数，将硬件设备近期的属性参数作为待检测参数样本，对待检测参数样本进行预处理，统计分析并计算待检测参数样本的参数特征，生成待检测参数特征集；
使用LPP算法从待检测参数特征集中提取具有判别性的特征进行降维，生成待检测参数特征子集，使用参数调整分类器对待待检测参数特征子集进行预测判断，获取待检测参数样本的分析结果；
根据分析结果判断系统近期启动时，各个硬件设备的运行效率，结合参数调整分类器，对硬件设备的属性参数进行设置，使硬件设备在满足系统使用的情况下达到最佳的运行效率。
待检测参数样本在分析完成后，会将自身的待检测参数特征子集根据分析结果存储至历史参数特征子集，达到预设时间时，根据历史参数特征子集数据的更新对参数调整分类器进行更新。
使用自动化安装工具安装和更新应用软件进程，获取软件版本并存储，同时设置软件进程的权限，使用Packer和Terraform实现自动化安装和配置，Packer是一种自动化安装工具，可以帮助自动化安装Linux系统，并进行一些基本的配置，例如分区、用户账户等。Terraform是一种自动化部署工具，可以帮助自动化部署应用程序，并进行一些基本的配置，例如网络设置、存储设置等。
自动化安装工具内设置有软件数据库，每次安装和更新应用软件进程都会获取软件版本并存储，通过联网检索软件当前储存使用的版本的各项参数以及当前软件的最新版本和各项参数，每次启动软件进程时都会通过软件数据库检测软件版本，判断与存储的版本号和软件当前最新版的版本号是否匹配，若是与存储的版本号不匹配，则限制该软件进程的启动，若是与软件当前最新版的版本号不匹配，则发送更新请求。
若是无法检索到软件当前版本和最新版本的各项参数数据时，使用容器编排工具通过容器化技术打包应用程序和依赖项并运行，进行应用程序部署和管理容器化，使用容器编排工具对各个应用程序进程运行时需要的硬件资源数据储存至软件数据库内，根据软件数据库内存储的历史软件进程资源数据进行分析。
使用高斯窗函数对历史软件进程资源数据进行转换，得到分析转换后的资源波形图，对波形图进行快速傅里叶变换和希尔伯特变换，得到频谱数据和包络波形数据；
根据频谱数据和包络波形数据得到软件进程运行时资源占比突降、突升、谐波以及波形扰动类型，对不同波形扰动类型进行特征提取，得到扰动特征；
根据提取的扰动特征进行训练分类，对资源占比扰动进行检测与判断；
设置调节卷积神经网络模型的参数，搭建扰动分析模型；
使用扰动分析模型对资源波形图的数据进行分析计算和预测，根据分析计算结果得到软件进程运行时最佳的资源占比，同时设置、屏蔽、控制会造成资源占比扰动的干扰。
使用控制部署工具对系统组件进行初始化和兼容性设置，通过标记配置初始化数据约束系统自执行逻辑。使用Docker和Kubernetes实现自动化部署，Docker是一种容器化技术，可以帮助打包应用程序和依赖项，并在任何地方运行。Kubernetes是一种容器编排工具，可以帮助自动化部署和管理容器化应用程序。
为了约束系统自执行逻辑，可以使用标记配置初始化数据。在系统中定义一些标记，例如环境变量、配置文件等等，然后在脚本中使用这些标记来实现自动化配置。这些标记可以与其他工具和技术结合使用，例如配置管理工具、自动化安装工具、自动化部署工具等。
使用安全规范工具编写安全规则建立防火墙，设置管理者账号和权限，对软件进程和接收的数据进行安全扫描，对发送的数据进行安全数据加密，部署风险策略，安全规范工具部署风险策略是对软件进程的原始数据进行重构，获得重构数据；根据软件进程历史数据判断原始数据是否存在风险，以此将数据标记为不同的样本，获取数据标签，结合重构数据计算出重构数据各个特征的信息价值指标值；根据信息价值指标值从重构数据中筛选出有效特征；根据数据标签和有效特征，采用等频分箱法对重构数据进行分箱处理，计算出各个分箱对应的风险指标；使用有效特征和风险指标生成风险策略，对原始数据进行重构是采用自编码器进行重构，先使用编码器对数据降维压缩，然后使用解码器对数据进行升维解压，以此达到数据重构的效果。
以上所述实施例仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。
Claims (10)
1.一种定制化专用系统平台批量自动配置方法，其特征在于，采用以下步骤：
步骤1、使用设备检测工具对硬件设备进行检测，获取硬件型号信息并储存；
步骤2、使用配置管理工具根据硬件型号信息对系统组件和硬件设备进行各项属性配置；
步骤3、使用自动化安装工具安装和更新应用软件进程，获取软件版本并存储，同时设置软件进程的权限；
步骤4、使用控制部署工具对系统组件进行初始化和兼容性设置，通过标记配置初始化数据约束系统自执行逻辑；
步骤5、使用安全规范工具编写安全规则建立防火墙，设置管理者账号和权限，对软件进程和接收的数据进行安全扫描，对发送的数据进行安全数据加密，部署风险策略。
2.根据权利要求1所述的一种定制化专用系统平台批量自动配置方法，其特征在于：所述设备检测工具内设置有硬件数据库，硬件数据库存储有当前硬件设备的各项硬件参数信息，同时存储有硬件设备启动时的各项数据，以及通过联网检索该硬件设备在标准环境下启动时的各项数据，每次系统启动加载时，设备检测工具进行硬件自检，确定当前硬件是否出现故障，是否与存储硬件型号信息相匹配，当硬件出现变动时，对硬件设备进行重新检测，更新存储的硬件型号信息。
3.根据权利要求2所述的一种定制化专用系统平台批量自动配置方法，其特征在于：所述属性配置包括：存储空间和交换空间进行分区处理，配置系统缓存所占比例，处理器核心是否屏蔽，各个硬件的电压、功耗和频率，设置各个硬件设备的固件更新版本；用户进行各项属性配置时，可以选择默认配置、手动配置和自动配置，默认设置是按照硬件数据库内通过联网检索硬件设备在标准环境下启动时的各项数据，将硬件设备按照标准情况下各项参数进行属性配置；手动配置是用户根据设备的专项用途和资源的实际运行需求对硬件设备的各项参数进行属性配置；自动配置是硬件设备初次启动时，按照默认设置的各项参数进行属性配置，之后每次硬件设备启动时，启动时的各项参数保存至硬件数据库内，根据这些参数信息建立硬件属性自动配置模型，通过硬件属性自动配置模型计算出硬件设备启动时最佳的参数信息，并根据最佳的参数信息对硬件设备进行自动属性配置。
4.根据权利要求3所述的一种定制化专用系统平台批量自动配置方法，其特征在于：所述硬件属性自动配置模型是先将硬件数据库内存储的硬件设备参数信息作为历史参数数据样本，对历史参数数据样本进行预处理，统计分析并计算历史参数数据样本的运行特征，生成历史参数特征集；
使用LPP算法从历史参数特征集中提取具有判别性的特征进行降维，生成历史参数特征子集；
使用Boosting框架算法对历史参数特征子集进行训练计算，得到训练样本子集，再用训练样本子集训练生成基分类器，进行多轮训练，生成多个基分类器，在将这多个基分类器进行加权融合，生成参数调整分类器；
按照数据存储时的时间戳，从硬件数据库内提取系统近期启动时硬件设备的各项属性参数，将硬件设备近期的属性参数作为待检测参数样本，对待检测参数样本进行预处理，统计分析并计算待检测参数样本的参数特征，生成待检测参数特征集；
使用LPP算法从待检测参数特征集中提取具有判别性的特征进行降维，生成待检测参数特征子集，使用参数调整分类器对待待检测参数特征子集进行预测判断，获取待检测参数样本的分析结果；
根据分析结果判断系统近期启动时，各个硬件设备的运行效率，结合参数调整分类器，对硬件设备的属性参数进行设置，使硬件设备在满足系统使用的情况下达到最佳的运行效率。
5.根据权利要求4所述的一种定制化专用系统平台批量自动配置方法，其特征在于：所述待检测参数样本在分析完成后，会将自身的待检测参数特征子集根据分析结果存储至历史参数特征子集，达到预设时间时，根据历史参数特征子集数据的更新对参数调整分类器进行更新。
6.根据权利要求1所述的一种定制化专用系统平台批量自动配置方法，其特征在于：所述自动化安装工具内设置有软件数据库，每次安装和更新应用软件进程都会获取软件版本并存储，通过联网检索软件当前储存使用的版本的各项参数以及当前软件的最新版本和各项参数，每次启动软件进程时都会通过软件数据库检测软件版本，判断与存储的版本号和软件当前最新版的版本号是否匹配，若是与存储的版本号不匹配，则限制该软件进程的启动，若是与软件当前最新版的版本号不匹配，则发送更新请求。
7.根据权利要求6所述的一种定制化专用系统平台批量自动配置方法，其特征在于：所述若是无法检索到软件当前版本和最新版本的各项参数数据时，使用容器编排工具通过容器化技术打包应用程序和依赖项并运行，进行应用程序部署和管理容器化，使用容器编排工具对各个应用程序进程运行时需要的硬件资源数据储存至软件数据库内，根据软件数据库内存储的历史软件进程资源数据进行分析。
8.根据权利要求7所述的一种定制化专用系统平台批量自动配置方法，其特征在于：所述使用高斯窗函数对历史软件进程资源数据进行转换，得到分析转换后的资源波形图，对波形图进行快速傅里叶变换和希尔伯特变换，得到频谱数据和包络波形数据；
根据频谱数据和包络波形数据得到软件进程运行时资源占比突降、突升、谐波以及波形扰动类型，对不同波形扰动类型进行特征提取，得到扰动特征；
根据提取的扰动特征进行训练分类，对资源占比扰动进行检测与判断；
设置调节卷积神经网络模型的参数，搭建扰动分析模型；
使用扰动分析模型对资源波形图的数据进行分析计算和预测，根据分析计算结果得到软件进程运行时最佳的资源占比，同时设置、屏蔽、控制会造成资源占比扰动的干扰。
9.根据权利要求1所述的一种定制化专用系统平台批量自动配置方法，其特征在于：所述安全规范工具部署风险策略是对软件进程的原始数据进行重构，获得重构数据；根据软件进程历史数据判断原始数据是否存在风险，以此将数据标记为不同的样本，获取数据标签，结合重构数据计算出重构数据各个特征的信息价值指标值；根据信息价值指标值从重构数据中筛选出有效特征；根据数据标签和有效特征，采用等频分箱法对重构数据进行分箱处理，计算出各个分箱对应的风险指标；使用有效特征和风险指标生成风险策略。
10.根据权利要求9所述的一种定制化专用系统平台批量自动配置方法，其特征在于：所述对原始数据进行重构是采用自编码器进行重构，先使用编码器对数据降维压缩，然后使用解码器对数据进行升维解压，以此达到数据重构的效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311017788.2A CN117032828B (zh) | 2023-08-14 | 2023-08-14 | 一种定制化专用系统平台批量自动配置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311017788.2A CN117032828B (zh) | 2023-08-14 | 2023-08-14 | 一种定制化专用系统平台批量自动配置方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117032828A true CN117032828A (zh) | 2023-11-10 |
| CN117032828B CN117032828B (zh) | 2024-01-26 |
Family
ID=88601834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311017788.2A Active CN117032828B (zh) | 2023-08-14 | 2023-08-14 | 一种定制化专用系统平台批量自动配置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117032828B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109460827A (zh) * | 2018-11-01 | 2019-03-12 | 郑州云海信息技术有限公司 | 一种深度学习环境的搭建与优化方法和系统 |
| CN111198695A (zh) * | 2019-12-25 | 2020-05-26 | 航天信息股份有限公司 | 微服务治理管理平台的自动化部署方法和电子设备 |
| CN114399384A (zh) * | 2022-03-25 | 2022-04-26 | 鲁担(山东)数据科技有限公司 | 一种基于隐私计算的风险策略生成方法、系统和装置 |
| CN114489701A (zh) * | 2022-01-28 | 2022-05-13 | 第四范式（北京）技术有限公司 | 一种人工智能软件部署环境的配置方法、装置及电子设备 |
| CN115496108A (zh) * | 2022-10-08 | 2022-12-20 | 航天智控(北京)监测技术有限公司 | 一种基于流形学习和大数据分析的故障监测方法及系统 |
-
2023
- 2023-08-14 CN CN202311017788.2A patent/CN117032828B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109460827A (zh) * | 2018-11-01 | 2019-03-12 | 郑州云海信息技术有限公司 | 一种深度学习环境的搭建与优化方法和系统 |
| CN111198695A (zh) * | 2019-12-25 | 2020-05-26 | 航天信息股份有限公司 | 微服务治理管理平台的自动化部署方法和电子设备 |
| CN114489701A (zh) * | 2022-01-28 | 2022-05-13 | 第四范式（北京）技术有限公司 | 一种人工智能软件部署环境的配置方法、装置及电子设备 |
| CN114399384A (zh) * | 2022-03-25 | 2022-04-26 | 鲁担(山东)数据科技有限公司 | 一种基于隐私计算的风险策略生成方法、系统和装置 |
| CN115496108A (zh) * | 2022-10-08 | 2022-12-20 | 航天智控(北京)监测技术有限公司 | 一种基于流形学习和大数据分析的故障监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117032828B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8291405B2 (en) | Automatic dependency resolution by identifying similar machine profiles | |
| US20210241167A1 (en) | Computing system for training, deploying, executing, and updating machine learning models | |
| US8670893B2 (en) | Framework for supporting repair processes of aircraft | |
| US11422917B2 (en) | Deriving software application dependency trees for white-box testing | |
| CN111190605A (zh) | 嵌入式平台的部署方法、设备及存储介质 | |
| CN111462811A (zh) | 自动化测试方法、装置、存储介质和电子设备 | |
| CN112084040B (zh) | 一种基于应用镜像数据识别的容器资源规划系统与方法 | |
| CN109492749B (zh) | 在局域网中实现神经网络模型线上服务的方法及装置 | |
| CN112668650A (zh) | 工业数据模型的生成方法、系统、设备和介质 | |
| US20210133145A1 (en) | Method, electronic device and computer program product for managing file system | |
| CN112148602A (zh) | 一种基于历史优化特征智能学习的源代码安全分析方法 | |
| CN114151293B (zh) | 风机变桨系统的故障预警方法、系统、设备及存储介质 | |
| CN115913872A (zh) | 一种服务器监控运维方法、装置、设备及介质 | |
| CN117032828B (zh) | 一种定制化专用系统平台批量自动配置方法 | |
| CN117235527A (zh) | 端到端容器化的大数据模型构建方法、装置、设备及介质 | |
| CN113052501A (zh) | 一种基于资产的自动化安全运维方法及终端 | |
| CN116257404A (zh) | 一种日志解析方法及计算设备 | |
| CN116032595A (zh) | 一种通用型恶意样本的分类方法、装置、介质及设备 | |
| US11314629B2 (en) | Systems and methods for remote mobile development and test feedback | |
| CN113312485B (zh) | 日志自动化分类方法及装置、计算机可读存储介质 | |
| CN115544518A (zh) | 漏洞扫描引擎实现方法、装置、漏洞扫描方法及电子设备 | |
| CN115292716A (zh) | 第三方软件包的安全性分析方法、装置、设备及介质 | |
| CN114329116A (zh) | 基于人工智能的智慧园区资源匹配度分析方法及系统 | |
| CN112015659A (zh) | 基于网络模型的预测方法及装置 | |
| CN111913706A (zh) | 一种调度自动化系统拓扑构建方法、存储介质和计算设备 |
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 |