CN108319545B - 一种信息处理方法及电子设备 - Google Patents

Abstract

本申请的实施例提供一种信息处理方法及电子设备，所述方法包括：获取设备的固件组合信息；根据所述固件组合信息确定所述固件组合可能引发所述设备故障的概率值；输出所述概率值。本申请实施例中的信息处理方法能够预测不同的固件组合将会引发设备故障的概率值，使得用户能够轻松获得任意一种全新的固件组合将会引发设备故障的概率预测值，进而为用户选择固件进行组合时提供依据。

Description

一种信息处理方法及电子设备

技术领域

本申请涉及一种信息处理方法及电子设备。

背景技术

目前，例如在服务器厂商出货前,皆会对其所搭配的固件(BIOS/BMC等)组合做完善测试,以使由该固件组合所引发设备出现如***死机的现象得以解决。但是，当服务器被客户买走后,客户可能会对固件进行重新组合，或更新设备中的固件，由于客户不能对设备进行完善测试，因此使得客户并不清楚目前更新的固件组合版本是否会引发设备频繁出现故障，故，客户在使用更新了固件组合的设备时存在一定风险。

申请内容

本申请所要解决的问题是，提供一种能够预测不同的固件组合将会引发设备故障的概率的信息处理方法及应用该种方法的电子设备。

为了解决上述问题，本申请提供一种信息处理方法，包括：

获取设备的固件组合信息；

根据所述固件组合信息确定所述固件组合可能引发所述设备故障的概率值；

输出所述概率值。

作为优选，还包括：

构建用于确定所述固件组合可能引发所述设备故障的概率值的人工智能训练模型；

所述根据所述固件组合信息确定所述固件组合可能引发所述设备故障的概率值具体为：

通过所述人工智能训练模型确定所述固件组合可能引发所述设备故障的概率值。

作为优选，所述构建用于确定所述固件组合可能引发所述设备故障的概率值的人工智能训练模型具体为：

构建训练模型架构；

获取多个设备的固件组合信息；

获取多个所述设备因所述固件组合而引发的故障信息；

基于所述固件组合信息和故障信息对所述训练模型架构进行训练，以确定出各权值。

作为优选，所述基于所述固件组合信息和故障信息对所述训练模型架构进行训练具体为：

确定所述固件组合的更新时间；

确定所述固件组合在更新后的第一时间段内引发所述设备故障的第一故障频率；

根据所述第一故障频率确定各权值。

作为优选，所述基于所述固件组合信息和故障信息对所述训练模型架构进行训练具体为：

确定多个所述固件组合中具有相同组合版本的固件组合信息；

确定具有相同组合版本的固件组合在更新后的第二时间段内引发对应的所述设备故障的第二故障频率；

根据所述第一故障频率和第二故障频率确定各权值；

其中，所述第二故障频率不同于所述第一故障频率，所述第二时间段的时长大于所述第一时间段的时长。

作为优选，所述基于所述固件组合信息和故障信息对所述训练模型架构进行训练具体为：

确定多个所述固件组合中至少具有同一固件的固件组合；

确定至少具有同一固件的固件组合在更新后的第三时间段内引发对应的所述设备故障的第三故障频率；

根据所述第一故障频率、第二故障频率及第三故障频率确定各权值；

其中，所述第三故障频率不同于所述第一故障频率和第二故障频率。

本发明的实施例同时提供一种电子设备，包括

获取单元，用于获取设备的固件组合信息；

处理单元，用于根据所述固件组合信息确定所述固件组合可能引发所述设备故障的概率值；

显示单元，用于显示所述概率值。

作为优选，还包括：构建用于确定所述固件组合可能引发所述设备故障的概率值的人工智能训练模型；

所述处理单元还用于通过所述人工智能训练模型确定所述固件组合可能引发所述设备故障的概率值。

作为优选，所述构建用于确定所述固件组合可能引发所述设备故障的概率值的人工智能训练模型具体为：

构建训练模型架构；

所述处理单元还用于基于所述固件组合信息和故障信息对所述训练模型架构进行训练，以确定出各权值。

作为优选，所述处理单元还用于：

确定所述固件组合的更新时间；

确定所述固件组合在更新后的第一时间段内引发所述设备的第一故障频率；

根据所述第一故障频率确定各权值。

本申请的有益效果在于，利用人工智能训练模型对因各固件的组合而引发设备故障，例如死机等的故障概率进行汇总，使得用户能够通过该模型获得任意一种全新的固件组合将会引发设备故障的概率预测值，进而为用户选择固件进行组合时提供依据。

附图说明

图1为本申请的信息处理方法的一实施例的方法流程图。

图2为本申请的信息处理方法中人工智能训练模型训练方法流程图。

图3为本申请的信息处理方法中的人工智能训练模型训练方法的另一实施例的方法流程图。

图4为本申请的电子设备的结构框图。

具体实施方式

以下结合附图对本申请的进行详细描述。

应理解的是，可以对此处公开的实施例做出各种修改。因此，以下说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本公开的范围和精神内的其他修改。

包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。

通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本申请的这些和其它特性将会变得显而易见。

还应当理解，尽管已经参照一些具体实例对本申请进行了描述，但本领域技术人员能够确定地实现本申请的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。

当结合附图时，鉴于以下详细说明，本公开的上述和其他方面、特征和优势将变得更为显而易见。

此后参照附图描述本公开的具体实施例；然而，应当理解，所公开的实施例仅仅是本公开的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本公开模糊不清。因此，本文所公开的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本公开。

本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本公开的相同或不同实施例中的一个或多个。

可选的，本申请实施例中，电子设备可以是PC、平板电脑、笔记本电脑等等不同的电子设备，本申请实施例对此不作限定。

目前，例如在服务器厂商出货前,皆会对其所搭配的固件组合(BIOS/BMC等)做完善测试,以使由该固件组合所引发设备出现如***死机的现象得以解决。但是，当服务器被客户买走后,客户可能会对固件进行重新组合，或更新设备中的固件，由于客户不能对设备进行完善测试，因此使得客户并不清楚目前更新的固件组合版本是否会引发设备频繁出现故障，故，客户在使用更新了固件组合的设备时存在一定风险。

如图1所示，为解决上述技术问题，本申请提供一种信息处理方法，其包括：

S101:获取设备的固件组合信息；

固件组合是指由多个固件进行搭配组合使用，如BIOS、BMC等，其均具有多个固件，是由多个固件组合形成。故该获取的固件组合信息可以是当前电子设备中的BMC中的各固件信息。

S201:根据固件组合信息确定固件组合可能引发设备故障的概率值；

例如，可使服务器预先获取各电子设备因某固件组合的原因，如不匹配，不能正常运行，死机等，以导致电子设备出现故障的固件组合信息以及故障信息，具体可将该固件组合信息以及故障信息传送至服务器的中央控管软件中，中央控管软件就能够基于先前大量电子设备发送的上述数据信息来评估、推算在后生产出的电子设备所发送的进行更新后的固件组合(也即，由之前未出现的固件的组合方式组合形成的固件组合)可能引发设备故障的概率。

S301:输出概率值；

将概率值输出，例如将概率值显示在屏幕上，使用户直观获取概率值，或以提醒、警报的方式进行输出，例如，设置阈值，当概率值超出预设范围时，则发出警报，如在屏幕上闪烁显示红色警示灯等，或语音提示等，告知用户当前固件组合极易引发设备故障等。

通过本申请实施例中的方法，用户可仅通过将固件组合的相关信息，如固件名称信息、版本信息等发送至服务器或通过云端数据库等等，便可轻松获取该固件组合是否能够被正常使用，或者是否会降低或提高设备出现故障的风险，进而为用户选择固件进行组合时提供可靠有效的依据。

进一步地，为了提高对各种更新后的固件组合是否将会影响电子设备故障的概率预测信息的精确程度，使预测的概率值更具有参考意义，本申请实施例中在实施根据固件组合信息确定固件组合可能引发设备故障的概率值的步骤时，采用以下方式实现：

构建用于确定固件组合可能引发设备故障的概率值的人工智能训练模型；

通过人工智能训练模型确定固件组合可能引发设备故障的概率值。

其中，如图2所示，上述构建用于确定固件组合可能引发设备故障的概率值的人工智能训练模型具体为：

构建训练模型架构；

获取多个设备的固件组合信息，如获取多个设备的BMC的固件版本清单，其包含BMC中各固件的基本信息，同时，还可获取各固件的更新时间；

获取多个设备因固件组合而引发的故障信息，例如因BMC而导致设备出现重大错误或***死机的信息；

基于固件组合信息和故障信息对训练模型架构进行训练，以确定出训练模型架构中的各权值，进而得到能够高精度预测在后更新的固件组合将会引发设备故障的概率值。如以固件组合的版本信息、名称信息、更新时间为输入信息，由各固件组合而对应引发的设备的故障信息作为输出信息，基于此来计算出训练模型中各方程中的权值。

进一步地，如图3所示，由于各固件组合在使用过程中引发设备出现故障的时间、频率等均不固定，为了排除一些因偶然性因素等导致设备故障，以及排除数据的共线性，避免影响权值计算精度，因此，本申请实施例中在利用上述各固件组合信息和对应的故障信息对模型架构进行训练时，同时结合以下方式进行训练：

第一种方式：

确定固件组合的更新时间；

确定固件组合在更新后的第一时间段内引发设备故障的第一故障频率；

根据第一故障频率确定各权值。

例如，多个电子设备中的BMC中的某固件组合的更新时间依次为2月1日、2月3日、3月1日、4月1日，以各更新日为基准，获取各设备在各更新日后的一周(即，第一时间段，当然也可为两周、三周等)内的故障次数，基于该故障次数以及第一时间段的时间来计算出各设备在第一时间段内出现故障的频率，也即第一故障频率，第一故障频率越高，则相应调节模型中对应该固件组合的权值，使得出的对应该固件组合的故障概率值较高。

当然，也可基于各固件组合在更新时间后的一周内对应的设备最先出现故障的时间来辅助调节、计算模型中对应该固件组合的权值，使得出的对应该固件组合的故障概率值较高。

第二种方式：

确定多个固件组合中具有相同组合版本的固件组合信息；

确定多个固件组合的更新时间；

确定具有相同组合版本的固件组合在更新后的第二时间段内引发对应的设备的第二故障频率；

根据第一故障频率和第二故障频率确定各权值；

其中，第二故障频率不同于第一故障频率，第二时间段的时长大于第一时间段的时长。

例如，多个设备中可能会出现某些设备使用了相同版本的固件组合，但是具有相同版本的固件组合所在设备出现故障的时间却并不相同，如第一设备和第二设备使用相同版本的BMC，但是第一设备出现故障的时间是在更新后的第二周或第二个月才出现故障，而第二设备则是在更新后的第一周便出现了故障，因此，在计算模型中对应该固件组合的权值时需要综合考虑该两个设备的使用情况，而不能仅根据一个设备的使用情况而进行计算。具体实施时，可根据各具有相同版本固件组合的设备在更新后首次出现的时间而拟定一第二时间段，该第二时间段可设置的比第一时间段长一些，以更充分的涵盖上述所有设备发生故障的时间，本实施例中以各固件组合更新后的两周时间为第二时间段为例进行说明。接着，计算各固件组合在第二时间段内的第二故障频率，并基于第一故障频率以及数值最低的第二故障频率来相应调节对应该固件组合的权值，使降低该固件组合所引发设备故障的概率值。也即，具有相同版本固件组合的设备中，如有某设备的正常使用时间较长，如其余设备均使用一周便出现故障，而该设备却正常使用了两周，则适当降低对应的故障概率值。概率值的具体降低幅度可根据设备正常使用的时间而定。当然，还可根据各设备的第一故障频率以及在第二时间段内的第二故障频率按时间顺序的变化趋势来确定对应该固件组合的权值。

第三种方式：

确定多个固件组合中至少具有同一固件的固件组合，也就是，多个设备的固件组合中可能有一些固件组合的某个固件采用了同一版本的固件，相当于该多个设备的固件组合具有相似性；

确定至少具有同一固件的固件组合在更新后的第三时间段内引发对应设备的第三故障频率；

根据第一故障频率、第二故障频率及第三故障频率确定各权值；

其中，第三故障频率不同于第一故障频率和第二故障频率。

例如，多个设备中的BMC(相当于固件组合)均包括第一固件，该多个设备的BMC在更新后的第三时间段内，例如三周内(当然也可为一周或两周，也即第三时间段的时间不固定，其可与第一时间段和第二时间段相同或不同)，出现故障的第三故障频率中，若出现某个或某几个设备的第三故障频率较低，或者是多个设备的第三故障频率随时间的变化趋势属于递增趋势，则可在基于第一故障频率和第二故障频率不变的前提下而根据第三故障频率调节对应该类型的固件组合的权值，使得该类型的固件组合引发设备故障的概率值降低。降低的幅度同样可根据具有上述类型的固件组合的设备的正常使用时间而定。如，具有该类型固件组合的设备在更新后可正常使用一个月，则将对应的概率值降低10％等。而当第一故障频率和第二故障频率变化的情况下，则需要结合该三个故障频率而具体确定对应的权值。

如图4所示，本申请的实施例同时提供一种电子设备，包括

获取单元，用于获取设备的固件组合信息；其中固件组合是指由多个固件进行搭配组合使用，如BIOS、BMC等，其均具有多个固件，是由多个固件组合形成。故该获取的固件组合信息可以是当前电子设备中的BMC中的各固件信息。

处理单元，用于根据固件组合信息确定固件组合可能引发设备故障的概率值；例如，可使处理单元预先获取各设备因某固件组合的原因，如不匹配，不能正常运行，死机等，以导致电子设备出现故障的固件组合信息以及故障信息，具体可将该固件组合信息以及故障信息传送至处理单元的中央控管软件中，中央控管软件就能够基于先前大量电子设备发送的上述数据信息来评估、推算在后生产出的电子设备所发送的进行更新后的固件组合(也即，由之前未出现的固件的组合方式组合形成的固件组合)可能引发设备故障的概率。

显示单元，用于显示概率值。或以提醒、警报的方式进行输出，例如，设置阈值，当概率值超出预设范围时，则发出警报，如在屏幕上闪烁显示红色警示灯等，或语音提示等，告知用户当前固件组合极易引发设备故障等。

通过本申请实施例中的电子设备，用户可仅通过将固件组合的相关信息，如固件名称信息、版本信息等发送至处理单元，便可轻松获取该固件组合是否能够被正常使用，或者是否会降低或提高设备出现故障的风险，进而为用户选择固件进行组合时提供可靠有效的依据。

进一步地，为了提高对各种更新后的固件组合是否将会影响电子设备故障的概率预测信息的精确程度，使预测的概率值更具有参考意义，本申请实施例中在实施根据固件组合信息确定固件组合可能引发设备故障的概率值的步骤时，采用以下方式实现：

构建用于确定固件组合可能引发设备故障的概率值的人工智能训练模型；

处理单元还用于通过人工智能训练模型确定固件组合可能引发设备故障的概率值。

其中，上述构建用于确定固件组合可能引发设备故障的概率值的人工智能训练模型具体为：

构建训练模型架构；

处理单元还用于基于固件组合信息和故障信息对训练模型架构进行训练，以确定出各权值，进而得到能够高精度预测在后更新的固件组合将会引发设备故障的概率值。如以固件组合的版本信息、名称信息、更新时间为输入信息，由各固件组合而对应引发的设备的故障信息作为输出信息，基于此来计算出训练模型中各方程中的权值。

进一步地，由于各固件组合在使用过程中引发设备出现故障的时间、频率等均不固定，为了排除一些因偶然性因素等导致设备故障，以及排除数据的共线性，避免影响权值计算精度，因此，本申请实施例中的处理单元在利用上述各固件组合信息和对应的故障信息对模型架构进行训练时，同时结合以下方式进行训练：

第一种方式：

确定固件组合的更新时间；

确定固件组合在更新后的第一时间段内引发设备的第一故障频率；

根据第一故障频率确定各权值。

例如，多个电子设备中的BMC中的某固件组合的更新时间依次为2月1日、2月3日、3月1日、4月1日，以各更新日为基准，获取各设备在各更新日后的一周(即，第一时间段，当然也可为两周、三周等)内的故障次数，基于该故障次数以及第一时间段的时间来计算出各设备在第一时间段内出现故障的频率，也即第一故障频率，第一故障频率越高，则相应调节模型中对应该固件组合的权值，使得出的对应该固件组合的故障概率值较高。

当然，也可基于各固件组合在更新时间后的一周内对应的设备最先出现故障的时间来辅助调节、计算模型中对应该固件组合的权值，使得出的对应该固件组合的故障概率值较高。

第二种方式：

确定多个固件组合中具有相同组合版本的固件组合信息；

确定具有相同组合版本的固件组合在更新后的第二时间段内引发对应的设备故障的第二故障频率；

根据第一故障频率和第二故障频率确定各权值；

其中，第二故障频率不同于第一故障频率，第二时间段的时长大于第一时间段的时长。

例如，多个设备中可能会出现某些设备使用了相同版本的固件组合，但是具有相同版本的固件组合所在设备出现故障的时间却并不相同，如第一设备和第二设备使用相同版本的BMC，但是第一设备出现故障的时间是在更新后的第二周或第二个月才出现故障，而第二设备则是在更新后的第一周便出现了故障，因此，在计算模型中对应该固件组合的权值时需要综合考虑该两个设备的使用情况，而不能仅根据一个设备的使用情况而进行计算。具体实施时，可根据各具有相同版本固件组合的设备在更新后首次出现的时间而拟定一第二时间段，该第二时间段可设置的比第一时间段长一些，以更充分的涵盖上述所有设备发生故障的时间，本实施例中以各固件组合更新后的两周时间为第二时间段为例进行说明。接着，计算各固件组合在第二时间段内的第二故障频率，并基于第一故障频率以及数值最低的第二故障频率来相应调节对应该固件组合的权值，使降低该固件组合所引发设备故障的概率值。也即，具有相同版本固件组合的设备中，如有某设备的正常使用时间较长，如其余设备均使用一周便出现故障，而该设备却正常使用了两周，则适当降低对应的故障概率值。概率值的具体降低幅度可根据设备正常使用的时间而定。当然，还可根据各设备的第一故障频率以及在第二时间段内的第二故障频率按时间顺序的变化趋势来确定对应该固件组合的权值。

第三种方式：

确定多个固件组合中至少具有同一固件的固件组合，也就是，多个设备的固件组合中可能有一些固件组合的某个固件采用了同一版本的固件，相当于该多个设备的固件组合具有相似性；

确定至少具有同一固件的固件组合在更新后的第三时间段内引发对应的设备故障的第三故障频率；

根据第一故障频率、第二故障频率及第三故障频率确定各权值；

其中，第三故障频率不同于所述第一故障频率和第二故障频率。

例如，多个设备中的BMC(相当于固件组合)均包括第一固件，该多个设备的BMC在更新后的第三时间段内，例如三周内(当然也可为一周或两周，也即第三时间段的时间不固定，其可与第一时间段和第二时间段相同或不同)，出现故障的第三故障频率中，若出现某个或某几个设备的第三故障频率较低，或者是多个设备的第三故障频率随时间的变化趋势属于递增趋势，则可在基于第一故障频率和第二故障频率不变的前提下而根据第三故障频率调节对应该类型的固件组合的权值，使得该类型的固件组合引发设备故障的概率值降低。降低的幅度同样可根据具有上述类型的固件组合的设备的正常使用时间而定。如，具有该类型固件组合的设备在更新后可正常使用一个月，则将对应的概率值降低10％等。而当第一故障频率和第二故障频率变化的情况下，则需要结合该三个故障频率而具体确定对应的权值。

以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (6)

1.一种信息处理方法，其特征在于，包括：

构建用于确定固件组合可能引发设备故障的概率值的人工智能训练模型，所述固件组合是指搭配组合使用的多个固件；

获取设备的固件组合信息，所述固件组合信息为固件组合中各固件的信息；

所述人工智能训练模型根据所述固件组合信息确定所述固件组合可能引发所述设备故障的概率值，并输出所述概率值；

其中，所述构建用于确定所述固件组合可能引发所述设备故障的概率值的人工智能训练模型具体为：

构建训练模型架构；

获取多个设备的固件组合信息；

获取多个所述设备因所述固件组合而引发的故障信息；

基于所述固件组合信息和故障信息对所述训练模型架构进行训练，以确定出各权值。

2.根据权利要求1所述的方法，其特征在于，所述基于所述固件组合信息和故障信息对所述训练模型架构进行训练具体为：

确定所述固件组合的更新时间；

确定所述固件组合在更新后的第一时间段内引发所述设备故障的第一故障频率；

根据所述第一故障频率确定各权值。

3.根据权利要求2所述的方法，其特征在于，所述基于所述固件组合信息和故障信息对所述训练模型架构进行训练具体为：

确定多个所述固件组合中具有相同组合版本的固件组合信息；

确定具有相同组合版本的固件组合在更新后的第二时间段内引发对应的所述设备故障的第二故障频率；

根据所述第一故障频率和第二故障频率确定各权值；

其中，所述第二故障频率不同于所述第一故障频率，所述第二时间段的时长大于所述第一时间段的时长。

4.根据权利要求3所述的方法，其特征在于，所述基于所述固件组合信息和故障信息对所述训练模型架构进行训练具体为：

确定多个所述固件组合中至少具有同一固件的固件组合；

确定至少具有同一固件的固件组合在更新后的第三时间段内引发对应的所述设备故障的第三故障频率；

根据所述第一故障频率、第二故障频率及第三故障频率确定各权值；

其中，所述第三故障频率不同于所述第一故障频率和第二故障频率。

5.一种电子设备，其特征在于，包括

获取单元，用于获取设备的固件组合信息，所述固件组合是指搭配组合使用的多个固件，所述固件组合信息为固件组合中各固件的信息；

处理单元，用于根据所述固件组合信息确定所述固件组合可能引发所述设备故障的概率值；

显示单元，用于显示所述概率值；

还包括：构建用于确定所述固件组合可能引发所述设备故障的概率值的人工智能训练模型；

所述处理单元还用于通过所述人工智能训练模型确定所述固件组合可能引发所述设备故障的概率值；

其中，所述构建用于确定所述固件组合可能引发所述设备故障的概率值的人工智能训练模型具体为：

构建训练模型架构；

所述处理单元还用于基于所述固件组合信息和故障信息对所述训练模型架构进行训练，以确定出各权值。

6.根据权利要求5所述的电子设备，其特征在于，所述处理单元还用于：

确定所述固件组合的更新时间；

确定所述固件组合在更新后的第一时间段内引发所述设备的第一故障频率；

根据所述第一故障频率确定各权值。

Images