JP6949045B2 - 分散クラスタ型訓練方法及び装置 - Google Patents
分散クラスタ型訓練方法及び装置 Download PDFInfo
- Publication number
- JP6949045B2 JP6949045B2 JP2018549518A JP2018549518A JP6949045B2 JP 6949045 B2 JP6949045 B2 JP 6949045B2 JP 2018549518 A JP2018549518 A JP 2018549518A JP 2018549518 A JP2018549518 A JP 2018549518A JP 6949045 B2 JP6949045 B2 JP 6949045B2
- Authority
- JP
- Japan
- Prior art keywords
- weight
- sample data
- training
- gradient
- server
- 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
- 238000012549 training Methods 0.000 title claims description 254
- 238000000034 method Methods 0.000 title claims description 61
- 230000002776 aggregation Effects 0.000 claims description 98
- 238000004220 aggregation Methods 0.000 claims description 98
- 238000004364 calculation method Methods 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 22
- 239000013585 weight reducing agent Substances 0.000 claims description 22
- 230000010354 integration Effects 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000004931 aggregating effect Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 27
- 230000008569 process Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000002411 adverse Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 241000545442 Radix Species 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G06F9/30—Arrangements for executing machine instructions, e.g. instruction decode
- G06F9/38—Concurrent instruction execution, e.g. pipeline or look ahead
- G06F9/3824—Operand accessing
- G06F9/3826—Bypassing or forwarding of data results, e.g. locally between pipeline stages or within a pipeline stage
- G06F9/3828—Bypassing or forwarding of data results, e.g. locally between pipeline stages or within a pipeline stage with global bypass, e.g. between pipelines, between clusters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/504—Resource capping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/505—Clust
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer And Data Communications (AREA)
- Debugging And Monitoring (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
図1を参照すると、本出願の分散クラスタ型方法の実施形態のフローチャートが示され、これは具体的に以下のステップを含み得る。
図2を参照すると、本出願の分散クラスタリング方法の別の実施形態のフローチャートが示され、これは具体的に以下のステップを含み得る。
図3を参照すると、本出願の分散クラスタリング方法の別の実施形態のフローチャートが示され、これは具体的に以下のステップを含み得る。
図4を参照すると、本出願の分散クラスタリング方法の別の実施形態のフローチャートが示され、これは具体的に以下のステップを含み得る。
図6を参照すると、本出願の分散クラスタ型訓練装置の実施形態の構造ブロック図が示され、これは具体的に以下のモジュールを含み得る。
Claims (22)
- 少なくとも1つのサンプルデータを含むサンプル集合を読み込むことと、
クラスタシステム環境が閾値条件を満たす時にスケジューリングサーバにより発行される収集命令を受信する前に、前記サンプルデータ及び現行の重みを使用して反復訓練のターゲットモデル訓練関数に代入し、第1の勾配を取得することであって、前記収集命令を受信する前に前記訓練の複数反復が存在する場合、第1の重みは、前回の訓練で取得された第1の勾配に基づいて生成され、前記反復訓練の後続反復の現行の重みとして使用される、前記サンプルデータ及び前記現行の重みを使用して前記反復訓練の前記ターゲットモデル訓練関数に代入し、前記第1の勾配を取得することと、
収集命令が受信されると、前記第1の勾配を、各第1の勾配を収集して第2の重みを計算するアグリゲーションサーバへ送信することと、
前記アグリゲーションサーバにより送信される前記第2の重みを受信して、現行の重みを更新することと、
を含む、分散クラスタ型訓練方法。 - 前記クラスタシステム環境が前記閾値条件を満たす時に前記スケジューリングサーバが前記収集命令を発行することは、クラスタ全体のクラスタネットワーク利用率が第1の閾値条件を満たす時に前記スケジューリングサーバが前記収集命令を発行すること、及び/または前記クラスタ全体のクラスタ障害率が第2の閾値条件を満たす時に前記スケジューリングサーバが前記収集命令を発行することを含む、請求項1に記載の方法。
- 前記第1の閾値条件には、前記クラスタネットワーク利用率が前記第1の閾値未満であることが含まれ、
前記第2の閾値条件には、前記クラスタ障害率が前記第2の閾値未満であることが含まれる、
請求項2に記載の方法。 - 前記サンプルデータは時間情報を含み、前記サンプル集合を読み込んだ後、前記方法はさらに、
各サンプルデータの時間情報を用いて、前記サンプルデータの第3の重みを計算することと、
関連する第3の重みが第3の閾値未満である場合、対応する1つのサンプルデータを破棄することと、
を含む、請求項1に記載の方法。 - 各サンプルデータの前記時間情報を使用して前記サンプルデータの前記第3の重みを計算することは、各サンプルデータの前記時間情報を指数関数の負の指数パラメータに代入して、前記第3の重みを計算することを含む、請求項4に記載の方法。
- 各サンプルデータの前記時間情報を使用して前記サンプルデータの前記第3の重みを計算する前に、前記方法はさらに、
前記サンプル集合内の様々なサンプルデータを統合することと、
前記統合サンプルデータに関して、前記サンプルデータのそれぞれの統合数を記録することと、
を含む、請求項4に記載の方法。 - 各サンプルデータの前記時間情報を使用して前記サンプルデータの前記第3の重みを計算することは、
各サンプルデータの前記時間情報を使用して、重み低減係数を計算することと、
前記重み低減係数と前記それぞれの統合数との積を計算して、前記第3の重みを取得することと、
を含む、請求項6に記載の方法。 - 前記方法はさらに、前記収集命令を受信すると、各サンプルデータの前記第3の重みを集約して取得される第1の係数を、前記アグリゲーションサーバへ送信することを含み、
前記アグリゲーションサーバが各第1の勾配を集約して前記第2の重みを計算することは、
重み付け計算を行って、各第1の勾配と各第1の勾配に対応する第1の係数に基づく第2の勾配を取得することと、
前記第2の勾配から前記第2の重みを計算することと、
を含む、請求項4に記載の方法。 - 前記アグリゲーションサーバが各第1の勾配を集約して前記第2の重みを計算した後、前記方法はさらに、前記アグリゲーションサーバが、新たに取得された前記第2の重みをバックアップすることを含む、請求項1〜8のいずれか1項に記載の方法。
- 前記アグリゲーションサーバが、新たに取得された前記第2の重みをバックアップすることは、
前記アグリゲーションサーバが、新たに取得された前記第2の重みと前のバックアップの第2の重みとの変化量が、変化閾値を超えるか否かを判定することと、
前記変化閾値を超える場合、新たに取得された前記第2の重みをバックアップすることと、
を含む、請求項9に記載の方法。 - 前記アグリゲーションサーバが、新たに取得された前記第2の重みをバックアップした後、前記方法はさらに、前記第2の重みをターゲットモデルに代入して、サービスサーバへ出力することを含む、請求項9に記載の方法。
- 少なくとも1つのサンプルデータを含むサンプル集合を読み込むために使用されるサンプル読み込みモジュールと、
クラスタシステム環境が閾値条件を満たす時にスケジューリングサーバにより発行される収集命令を受信する前に、前記サンプルデータ及び現行の重みを使用して反復訓練のターゲットモデル訓練関数に代入し、第1の勾配を取得するために使用される反復訓練モジュールであって、前記収集命令を受信する前に前記訓練の複数反復が存在する場合、第1の重みは、前回の訓練で取得された第1の勾配に基づいて生成され、前記反復訓練の後続反復の現行の重みとして使用される、前記反復訓練モジュールと、
収集命令が受信されると、前記第1の勾配を、各第1の勾配を収集して第2の重みを計算するアグリゲーションサーバへ送信するために使用される結果送信モジュールと、
前記アグリゲーションサーバにより送信される前記第2の重みを受信して現行の重みを更新するために使用される更新モジュールと、
を備える、分散クラスタ型訓練装置。 - 前記クラスタシステム環境が前記閾値条件を満たす時に前記スケジューリングサーバが前記収集命令を発行することは、クラスタ全体のクラスタネットワーク利用率が第1の閾値条件を満たす時に前記スケジューリングサーバが前記収集命令を発行すること、及び/または前記クラスタ全体のクラスタ障害率が第2の閾値条件を満たす時に前記スケジューリングサーバが前記収集命令を発行することを含む、請求項12に記載の装置。
- 前記第1の閾値条件には、前記クラスタネットワーク利用率が前記第1の閾値未満であることが含まれ、
前記第2の閾値条件には、前記クラスタ障害率が前記第2の閾値未満であることが含まれる、
請求項13に記載の装置。 - 前記サンプル読み込みモジュールの後、前記装置はさらに、
各サンプルデータの時間情報を用いて前記サンプルデータの第3の重みを計算するために使用される第3の重み計算モジュールと、
関連する第3の重みが第3の閾値未満である場合、対応する1つのサンプルデータを破棄するために使用されるサンプル破棄モジュールと、
を備える、請求項12に記載の装置。 - 前記第3の重み計算モジュールは、各サンプルデータの前記時間情報を指数関数の負の指数パラメータに代入して、前記第3の重みを計算するために使用される指数計算モジュールを備える、請求項15に記載の装置。
- 前記第3の重み計算モジュールの前に、前記装置はさらに、
前記サンプル集合内の様々なサンプルデータを統合するために使用される統合モジュールと、
前記統合サンプルデータに関して、前記サンプルデータのそれぞれの統合数を記録するために使用される統合記録モジュールと、
を備える、請求項15に記載の装置。 - 前記第3の重み計算モジュールは、
各サンプルデータの前記時間情報を使用して、重み低減係数を計算するために使用される低減係数計算モジュールと、
前記重み低減係数と前記それぞれの統合数との積を計算して、前記第3の重みを取得するために使用される第1計算モジュールと、
を備える、請求項17に記載の装置。 - 前記収集命令を受信すると、各サンプルデータの前記第3の重みを集約して取得される第1の係数を、前記アグリゲーションサーバへ送信するために、前記結果送信モジュールがさらに使用され、前記アグリゲーションサーバは、
重み付け計算を行って、各第1の勾配と各第1の勾配に対応する第1の係数に基づく第2の勾配を取得するために使用される第1の重み集約モジュールと、
前記第2の勾配から前記第2の重みを計算するために使用される第2の重み計算モジュールと、
を備える、請求項15に記載の装置。 - 前記アグリゲーションサーバはさらに、新たに取得された前記第2の重みをバックアップするために使用されるバックアップモジュールを備える、請求項12〜19のいずれか1項に記載の装置。
- 前記バックアップモジュールは、
前記アグリゲーションサーバが、新たに取得された前記第2の重みと前のバックアップの第2の重みとの変化量が、変化閾値を超えるか否かを判定するために使用される変化計算モジュールと、
前記変化閾値を超える場合、新たに取得された前記第2の重みをバックアップするために使用される第1バックアップモジュールと、
を備える、請求項20に記載の装置。 - 前記バックアップモジュールの後、前記装置はさらに、前記第2の重みをターゲットモデルに代入してサービスサーバへ出力するために使用される出力モジュールを備える、請求項20に記載の装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610180393.8 | 2016-03-26 | ||
CN201610180393.8A CN107229518B (zh) | 2016-03-26 | 2016-03-26 | 一种分布式集群训练方法和装置 |
PCT/CN2017/077246 WO2017167044A1 (zh) | 2016-03-26 | 2017-03-20 | 一种分布式集群训练方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019511054A JP2019511054A (ja) | 2019-04-18 |
JP6949045B2 true JP6949045B2 (ja) | 2021-10-13 |
Family
ID=59932603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018549518A Active JP6949045B2 (ja) | 2016-03-26 | 2017-03-20 | 分散クラスタ型訓練方法及び装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11636379B2 (ja) |
JP (1) | JP6949045B2 (ja) |
CN (1) | CN107229518B (ja) |
TW (1) | TWI712900B (ja) |
WO (1) | WO2017167044A1 (ja) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE202017007517U1 (de) * | 2016-08-11 | 2022-05-03 | Twitter, Inc. | Aggregatmerkmale für maschinelles Lernen |
CN107423883B (zh) * | 2017-06-15 | 2020-04-07 | 创新先进技术有限公司 | 待处理业务的风险识别方法及装置、电子设备 |
CN109754105B (zh) * | 2017-11-07 | 2024-01-05 | 华为技术有限公司 | 一种预测方法及终端、服务器 |
JP7010153B2 (ja) * | 2018-06-15 | 2022-01-26 | 日本電信電話株式会社 | 分散処理システムおよび分散処理方法 |
US11610110B2 (en) | 2018-12-05 | 2023-03-21 | Bank Of America Corporation | De-conflicting data labeling in real time deep learning systems |
CN112955909A (zh) * | 2019-02-01 | 2021-06-11 | 华为技术有限公司 | 神经网络的分布式训练方法及装置 |
CN109871702A (zh) * | 2019-02-18 | 2019-06-11 | 深圳前海微众银行股份有限公司 | 联邦模型训练方法、系统、设备及计算机可读存储介质 |
CN110084380A (zh) * | 2019-05-10 | 2019-08-02 | 深圳市网心科技有限公司 | 一种迭代训练方法、设备、系统及介质 |
CN110222779B (zh) * | 2019-06-11 | 2023-08-01 | 腾讯科技(深圳)有限公司 | 分布式数据处理方法及系统 |
US11321207B2 (en) * | 2019-07-09 | 2022-05-03 | Cisco Technology, Inc. | Seamless multi-cloud SDWAN distaster recovery using orchestration plane |
CN111144584B (zh) * | 2019-12-31 | 2024-01-19 | 深圳Tcl新技术有限公司 | 参数调优方法、装置及计算机存储介质 |
CN113469206A (zh) * | 2020-03-31 | 2021-10-01 | 华为技术有限公司 | 获取人工智能模型的方法、装置、设备及存储介质 |
CN112016699B (zh) * | 2020-08-31 | 2024-02-02 | 北京灵汐科技有限公司 | 一种深度学习模型训练方法、工作节点和参数服务器 |
CN112235384B (zh) * | 2020-10-09 | 2023-10-31 | 腾讯科技(深圳)有限公司 | 分布式系统中的数据传输方法、装置、设备及存储介质 |
CN111931947B (zh) * | 2020-10-12 | 2021-02-05 | 支付宝(杭州)信息技术有限公司 | 一种用于分布式模型训练的训练样本重组方法及系统 |
CN112863175B (zh) * | 2020-12-31 | 2022-11-22 | 平安科技(深圳)有限公司 | 汽车道路监测数据处理方法、装置、设备及存储介质 |
CN116964516A (zh) * | 2021-03-12 | 2023-10-27 | 株式会社日本显示器 | 液晶设备 |
CN112862111B (zh) * | 2021-04-26 | 2021-08-24 | 之江实验室 | 一种加速分布式机器学习梯度汇聚的方法和装置 |
CN114900482B (zh) * | 2022-03-28 | 2023-05-30 | 中国科学技术大学苏州高等研究院 | Ps架构下基于可编程交换机的梯度调度方法和装置 |
CN114723071B (zh) * | 2022-04-26 | 2023-04-07 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于客户端分类和信息熵的联邦学习方法及装置 |
CN116980420B (zh) * | 2023-09-22 | 2023-12-15 | 新华三技术有限公司 | 一种集群通信方法、系统、装置、设备及介质 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2261527T3 (es) * | 2001-01-09 | 2006-11-16 | Metabyte Networks, Inc. | Sistema, procedimiento y aplicacion de software para publicidad dirigida mediante una agrupacion de modelos de comportamiento, y preferencias de programacion basadas en grupos de modelos de comportamiento. |
US20060123421A1 (en) * | 2002-12-27 | 2006-06-08 | Loboz Charles Z | Streamlining cpu utilization by delaying transactions |
US20050289089A1 (en) * | 2004-06-28 | 2005-12-29 | Naoki Abe | Methods for multi-class cost-sensitive learning |
US8150723B2 (en) * | 2009-01-09 | 2012-04-03 | Yahoo! Inc. | Large-scale behavioral targeting for advertising over a network |
JP5557590B2 (ja) * | 2010-05-06 | 2014-07-23 | 株式会社日立製作所 | 負荷分散装置及びシステム |
JP5584914B2 (ja) * | 2010-07-15 | 2014-09-10 | 株式会社日立製作所 | 分散計算システム |
US8924314B2 (en) * | 2010-09-28 | 2014-12-30 | Ebay Inc. | Search result ranking using machine learning |
US9569401B2 (en) | 2011-12-06 | 2017-02-14 | Akamai Technologies, Inc. | Parallel training of a support vector machine (SVM) with distributed block minimization |
US9633315B2 (en) * | 2012-04-27 | 2017-04-25 | Excalibur Ip, Llc | Method and system for distributed machine learning |
US9390370B2 (en) | 2012-08-28 | 2016-07-12 | International Business Machines Corporation | Training deep neural network acoustic models using distributed hessian-free optimization |
CN103559504B (zh) * | 2013-11-04 | 2016-08-31 | 北京京东尚科信息技术有限公司 | 图像目标类别识别方法及装置 |
CN103544528A (zh) * | 2013-11-15 | 2014-01-29 | 南京大学 | 一种基于Hadoop的BP神经网络分类方法 |
US9858534B2 (en) * | 2013-11-22 | 2018-01-02 | California Institute Of Technology | Weight generation in machine learning |
TWI524307B (zh) * | 2013-11-22 | 2016-03-01 | Univ Nat Yunlin Sci & Tech | Two - dimensional image depth value estimation method and its system |
US20150324690A1 (en) * | 2014-05-08 | 2015-11-12 | Microsoft Corporation | Deep Learning Training System |
US9984337B2 (en) | 2014-10-08 | 2018-05-29 | Nec Corporation | Parallelized machine learning with distributed lockless training |
CN104463324A (zh) * | 2014-11-21 | 2015-03-25 | 长沙马沙电子科技有限公司 | 一种基于大规模高性能集群的卷积神经网络并行处理方法 |
CN104714852B (zh) * | 2015-03-17 | 2018-05-22 | 华中科技大学 | 一种适用于分布式机器学习的参数同步优化方法及其系统 |
CN105005911B (zh) * | 2015-06-26 | 2017-09-19 | 深圳市腾讯计算机系统有限公司 | 深度神经网络的运算系统及运算方法 |
US10229357B2 (en) * | 2015-09-11 | 2019-03-12 | Facebook, Inc. | High-capacity machine learning system |
US11087234B2 (en) | 2016-01-29 | 2021-08-10 | Verizon Media Inc. | Method and system for distributed deep machine learning |
-
2016
- 2016-03-26 CN CN201610180393.8A patent/CN107229518B/zh active Active
-
2017
- 2017-02-17 TW TW106105364A patent/TWI712900B/zh active
- 2017-03-20 JP JP2018549518A patent/JP6949045B2/ja active Active
- 2017-03-20 WO PCT/CN2017/077246 patent/WO2017167044A1/zh active Application Filing
-
2018
- 2018-09-25 US US16/141,886 patent/US11636379B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2019511054A (ja) | 2019-04-18 |
US11636379B2 (en) | 2023-04-25 |
TWI712900B (zh) | 2020-12-11 |
CN107229518A (zh) | 2017-10-03 |
WO2017167044A1 (zh) | 2017-10-05 |
US20190026657A1 (en) | 2019-01-24 |
CN107229518B (zh) | 2020-06-30 |
TW201734863A (zh) | 2017-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6949045B2 (ja) | 分散クラスタ型訓練方法及び装置 | |
JP6731201B2 (ja) | 時間ベースのノード選出方法及び装置 | |
US20180157438A1 (en) | Slow-disk detection method and apparatus | |
CN106815254B (zh) | 一种数据处理方法和装置 | |
CN109120463B (zh) | 流量预测方法及装置 | |
US20120221730A1 (en) | Resource control system and resource control method | |
CN111200526B (zh) | 网络设备的监控系统及方法 | |
US8904144B1 (en) | Methods and systems for determining at risk index for storage capacity | |
US7716431B2 (en) | Analysis technique of execution states in computer system | |
CN111966289A (zh) | 基于Kafka集群的分区优化方法和系统 | |
CN109728981A (zh) | 一种云平台故障监测方法及装置 | |
CN103108020A (zh) | 服务协作设备、服务协作方法和计算机可读记录介质 | |
US20160094392A1 (en) | Evaluating Configuration Changes Based on Aggregate Activity Level | |
US11436123B2 (en) | Application execution path tracing for inline performance analysis | |
WO2021257263A1 (en) | Techniques for generating a consistent view of an eventually consistent database | |
CN113254256B (zh) | 数据重构方法、存储设备及存储介质 | |
CN112416568A (zh) | 音视频转码任务的时长预估方法和时长预估装置 | |
CN115080215B (zh) | 由状态监控芯片在计算节点间进行任务调度的方法及系统 | |
US10802943B2 (en) | Performance management system, management device, and performance management method | |
US20160253591A1 (en) | Method and apparatus for managing performance of database | |
JP7420228B2 (ja) | 分散処理システムおよび分散処理方法 | |
CN110058810B (zh) | 分布式系统的磁盘清理方法和装置、分布式系统 | |
US20180285168A1 (en) | Information processing apparatus and information processing system | |
WO2020211719A1 (zh) | 一种数据获取方法、装置及设备 | |
US20230132786A1 (en) | Artificial intelligence based power consumption optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200311 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210326 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210406 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210628 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210824 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210921 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6949045 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |