CN112463378B - 一种服务器资产扫描方法、***、电子设备及存储介质 - Google Patents
一种服务器资产扫描方法、***、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112463378B CN112463378B CN202011357445.7A CN202011357445A CN112463378B CN 112463378 B CN112463378 B CN 112463378B CN 202011357445 A CN202011357445 A CN 202011357445A CN 112463378 B CN112463378 B CN 112463378B
- Authority
- CN
- China
- Prior art keywords
- collector
- weight
- parameter
- performance index
- load
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000010801 machine learning Methods 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 13
- 230000009471 action Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06F9/505—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 considering the load
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种服务器资产扫描方法,所述服务器资产扫描方法包括:获取所有采集器的性能指标参数和负载参数;根据所述性能指标参数和所述负载参数计算每一所述采集器的当前周期权重;将当前周期权重最高的采集器设置为目标采集器,并利用所述目标采集器对服务器进行资产扫描。本申请能够提高服务器资产扫描效率。本申请还公开了一种服务器资产扫描***、一种电子设备及一种存储介质,具有以上有益效果。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种服务器资产扫描方法、***、一种电子设备及一种存储介质。
背景技术
在服务器管理软件中添加的资产均由采集器扫描得到,由于目前服务器管理软件中在扫描资产时直接利用空闲采集器进行采集,所以在扫描资产时不可避免会调用CPU或者内存负载比较高的采集器,这样导致有时采集器扫描资产时间长或者采集失败。
因此,如何提高服务器资产扫描效率是本领域技术人员目前需要解决的技术问题。
发明内容
本申请的目的是提供一种服务器资产扫描方法、***、一种电子设备及一种存储介质,能够提高服务器资产扫描效率。
为解决上述技术问题,本申请提供一种服务器资产扫描方法,该服务器资产扫描方法包括:
获取所有采集器的性能指标参数和负载参数;
根据所述性能指标参数和所述负载参数计算每一所述采集器的当前周期权重;
将当前周期权重最高的采集器设置为目标采集器,并利用所述目标采集器对服务器进行资产扫描。
可选的,在根据所述性能指标参数和所述负载参数计算每一所述采集器的当前周期权重之后,还包括:
判断所有所述采集器的当前周期权重是否相同;
若是,则基于机器学习模型预测所有采集器的下一周期权重,并将下一周期权重最高的采集器设置为目标采集器;
若否,则执行所述将当前周期权重最高的采集器设置为目标采集器的操作。
可选的,所述基于机器学习模型预测所有采集器的下一周期权重,包括:
对所述性能指标参数和所述负载参数进行数据预处理和特征提取操作,得到特征数据;
将所述特征数据转换为词袋模型,并在所述机器学习模型的隐藏层中通过多并发方式和搜索模型算法将所述词袋模型中的词语与数据库中的预设词干进行对比,根据对比结果确定所述采集器的下一周期权重。
可选的,对所述性能指标参数和所述负载参数进行数据预处理和特征提取操作,得到特征数据,包括:
去除所述性能指标参数和所述负载参数中的标点符号得到参数文本;
截取所述参数文本中的文本词干,并将所述文本词干存储至目标文档;
在所述目标文档中添加预设词干,以便扩充所述目标文档中的词干数量;
将所述目标文档中的所有词干设置为所述特征数据。
可选的,在所述机器学习模型的隐藏层中通过多并发方式和搜索模型算法将所述词袋模型中的词语与数据库中的预设词干进行对比,包括:
基于所述负载参数的长度、顺序和词干类型在所述机器学习模型的隐藏层中通过多并发方式和搜索模型算法将所述词袋模型中的词语与数据库中的预设词干进行对比。
可选的,还包括:
获取所述采集器的历史性能指标参数和历史负载参数,根据所述历史性能指标参数和历史负载参数生成所述数据库中的预设词干。
可选的,在基于机器学习模型预测所有采集器的下一周期权重之后,还包括:
通过矩阵乘法运算和激活函数sigmoid的导数计算所述机器学习模型的预测结果的错误率;
若所述错误率小于预设值,则执行将下一周期权重最高的采集器设置为目标采集器的操作。
本申请还提供了一种服务器资产扫描***,该***包括:
参数获取模块,用于获取所有采集器的性能指标参数和负载参数;
权重计算模块,用于根据所述性能指标参数和所述负载参数计算每一所述采集器的当前周期权重;
资产扫描模块,用于将当前周期权重最高的采集器设置为目标采集器,并利用所述目标采集器对服务器进行资产扫描。
本申请还提供了一种存储介质,其上存储有计算机程序,所述计算机程序执行时实现上述服务器资产扫描方法执行的步骤。
本申请还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现上述服务器资产扫描方法执行的步骤。
本申请提供了一种服务器资产扫描方法,包括:获取所有采集器的性能指标参数和负载参数;根据所述性能指标参数和所述负载参数计算每一所述采集器的当前周期权重;将当前周期权重最高的采集器设置为目标采集器,并利用所述目标采集器对服务器进行资产扫描。
本申请先获取所有采集器的性能指标参数和负载参数,根据性能指标参数和所述负载参数计算每一所述采集器的当前周期权重。由于当前周期权重越高的采集器的资产扫描的效率越高,本申请将当前周期权重最高的采集器设置为目标采集器,并利用所述目标采集器对服务器进行资产扫描,故本申请能够提高服务器资产扫描效率,可以避免扫描时间过长以及扫描失败的情况。本申请同时还提供了一种服务器资产扫描***、一种电子设备和一种存储介质,具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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他的附图。
图1为本申请实施例所提供的一种服务器资产扫描方法的流程图;
图2为本申请实施例所提供的一种采集器自适应最优路径处理流程图;
图3为本申请实施例所提供的一种模型训练流程图;
图4为本申请实施例所提供的一种服务器资产扫描***的结构示意图。
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。基于本申请中的实施例,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,都属于本申请保护的范围。
下面请参见图1,图1为本申请实施例所提供的一种服务器资产扫描方法的流程图。
具体步骤可以包括:
S101:获取所有采集器的性能指标参数和负载参数;
其中,采集器为运行于主机设备上的软件,采集器的性能指标参数及采集器所在的主机设备的性能指标参数,负载参数为用于描述采集器的当前任务量的参数。具体的,性能指标参数可以包括CPU利用率、CPU负载、内存利用率、内存负载和网络延迟等参数,负载参数可以为该采集器剩余需要进行资产扫描的服务器数量。
S102:根据所述性能指标参数和所述负载参数计算每一所述采集器的当前周期权重;
其中,本实施例可以为每一项性能指标参数和负载参数设置对应的子权重,例如当CPU利用率为50%时,可以将CPU利用率这一项性能指标参数的子权重设置为10;当CPU利用率为80%时,可以将CPU利用率这一项性能指标参数的子权重设置为2。本实施例可以预先设置每一项性能指标参数的数值与子权重对应关系,基于该对应关系查询每一项性能指标参数和负载参数对应的子权重,将所有的子权重的总和作为采集器的当前周期权重。当前周期权重指采集器在当前采集周期的权重,当前周期权重的值越大采集器的资源扫描效率越高。
S103:将当前周期权重最高的采集器设置为目标采集器,并利用所述目标采集器对服务器进行资产扫描。
其中,由于当前周期权重的值越大采集器的资源扫描效率越高,本实施例选取当前周期权重最高的采集器设置为目标采集器,利用目标采集器对服务器进行资产扫描。在扫描服务器资产时可以服务器的CPU、内存、物理磁盘、逻辑磁盘、网卡、风扇等部件的状态。
本实施例先获取所有采集器的性能指标参数和负载参数,根据性能指标参数和所述负载参数计算每一所述采集器的当前周期权重。由于当前周期权重越高的采集器的资产扫描的效率越高,本实施例将当前周期权重最高的采集器设置为目标采集器,并利用所述目标采集器对服务器进行资产扫描,故本实施例能够提高服务器资产扫描效率,可以避免扫描时间过长以及扫描失败的情况。
作为一种可行的实施方式,在根据所述性能指标参数和所述负载参数计算每一所述采集器的当前周期权重之后,还可以判断所有所述采集器的当前周期权重是否相同;若是,则基于机器学习模型预测所有采集器的下一周期权重,并将下一周期权重最高的采集器设置为目标采集器;若否,则执行S103中将当前周期权重最高的采集器设置为目标采集器的操作。
进一步的,上述基于机器学习模型预测所有采集器的下一周期权重的过程可以包括以下操作:对所述性能指标参数和所述负载参数进行数据预处理和特征提取操作,得到特征数据;将所述特征数据转换为词袋模型,并在所述机器学习模型的隐藏层中通过多并发方式和搜索模型算法将所述词袋模型中的词语与数据库中的预设词干进行对比,根据对比结果确定所述采集器的下一周期权重。其中,上述预设词干的生成过程包括:获取所述采集器的历史性能指标参数和历史负载参数,根据所述历史性能指标参数和历史负载参数生成所述数据库中的预设词干。
具体的,对所述性能指标参数和所述负载参数进行数据预处理和特征提取操得到特征数据的过程包括:去除所述性能指标参数和所述负载参数中的标点符号得到参数文本;截取所述参数文本中的文本词干,并将所述文本词干存储至目标文档;在所述目标文档中添加预设词干,以便扩充所述目标文档中的词干数量;将所述目标文档中的所有词干设置为所述特征数据。
具体的,上述实施例可以基于所述负载参数的长度、顺序和词干类型在所述机器学习模型的隐藏层中通过多并发方式和搜索模型算法将所述词袋模型中的词语与数据库中的预设词干进行对比。
进一步的,在基于机器学习模型预测所有采集器的下一周期权重之后,还可以通过矩阵乘法运算和激活函数sigmoid的导数计算所述机器学习模型的预测结果的错误率;若所述错误率小于预设值,则执行将下一周期权重最高的采集器设置为目标采集器的操作。
下面通过在实际应用中的实施例说明上述实施例描述的流程。请参见图2,图2为本申请实施例所提供的一种采集器自适应最优路径处理流程图,图2对应的实施例可以包括数据定义、数据特征提取和预处理、模型训练和应用评测阶段,可以先进行参数扫描,然后判断所有采集器的权重是否一致,若不一致则进行权重判断以便自适应选取最优采集器;若权重一致,则先后进行数据预处理、数据特征提取和模型训练,进而根据模型的输出结果自适应选取最优采集器。
本实施例利用最优路径自适应采集器方法和机器学***台运行时间,平衡并降低所有采集器自身负载。在选择最优路径采集器时需要考虑不同的参数指标,比如CPU利用率,CPU负载,内存利用率、内存负载、网络延迟等。在采集服务器资产时采集器需要扫描多种部件,包括CPU、内存、物理磁盘、逻辑磁盘、网卡、风扇等,其中每个部件都有不同的属性,比如CPU包括主频、核数、型号、状态、缓存等,这时如果扫描资产的采集器自身负载过高,会导致扫描时间长或扫描失败的问题。不进行最优路径判断的这种方法不能有效的利用连接状态为正常的最优采集器。本实施例利用权重来指定最优采集器级别,如果采集器目前状态权重不一样的话会通过自适应采集器方法可以优先选择负载最低的采集器。如果目前采集器负载权重一致,可以通过机器学习的方法来训练模型和数据,将所有采集器性能指标参数作为词干封装在训练文档中,以需要训练的采集器性能指标作为输入数据转换成词袋模型,然后把词袋模型中的数据转换为权重,通过权重去预测下个阶段哪个采集器会成为最优状态。
利用机器学习通过隐藏层和多并发的方法,能快速的判断下个阶段采集器的状态权重,并用激活函数反复迭代降低错误率,得到采集器最优概率。从而大大提升资产扫描过程中的效率。
下面将详细介绍图2对应实施例中的各个步骤:
资产扫描:管理平台在扫描资产时会通过采集器,采集器找到机柜中资产所在槽位,并扫描资产健康、运行状态以及性能参数。其中服务器部件类别包含CPU、内存、硬盘、电源、风扇、BMC网口、Raid卡、PCIE等,各部件属性包含***健康状态(Health)、型号(Model)、功率(Power)、利用率(CpuUsage)、索引(index)、状态(status)等。
数据预处理及特征提取:当所有采集器性能负载以及自身负载一致时,需要对所有采集器下个阶段负载进行预测,首先需要将采集器目前指标参数和负载作为参数通过训练模型来预测下个阶段采集器的是否为最优状态。将参数中间的符号去掉,并截取词干存入训练文档。后续需要添加的训练数据需要与训练文档做对比,把对比结果转换成词袋模型,由‘0‘和’1‘组成,并将模型匹配结果转换为权重保存,数字1表示这个位置指标与词干库指标相等。将后续往训练文档添加的数据,做归类判断将所有部件和负载信息关联起来。最后将所有匹配结果在训练模型中保存。
模型训练阶段:输入层将需要训练的参数转换为词袋模型,在隐藏层中通过负载参数的长度、顺序、词干类型等条件利用多并发方式和搜索模型算法将输入分取的参数与词干做对比,将所有对比结果保存。获取训练模型输出的负载权重。通过使用numty中快速矩阵乘法运算和激活函数sigmoid的导数做错误率衡量,利用多组数据反复迭代此过程,将错误率降低。请参见图3,图3为本申请实施例所提供的一种模型训练流程图。在模型训练流程中,先采集性能指标参数和采集器自身负载,将实际采集的CPU负载、内存负载、CPU利用率、内存利用率、网络延迟、采集器自身负载与词干库进行对比得到词袋模型。在机器学习流程中,将采集器负载指标导入输入层,在隐藏层并发匹配采集器部件属性,在输出层输出采集器的当前周期权重。
本实施例提出了一套最优路径自适应采集器方法和机器学***台运行时间,平衡并降低所有采集器自身负载。本实施例利用矩阵乘法运算和激活函数将训练过程非通过反复迭代降低错误率。本实施例通过采集器负载指标的长度、顺序、词干类型等条件利用多并发方式和搜索模型算法将输入分取的负采集器载指标与词干作对比。本实施例将所有采集器性能指标参数作为词干封装在训练文档中,以需要训练的采集器性能指标作为输入数据转换成词袋模型,然后把词袋模型中的数据转换为权重,通过权重去预测下个阶段哪个采集器会成为最优状态。
本实施例针对机器学***台资产扫描效率,平衡***负载。在训练模型的过程中利用numty中快速矩阵乘法运算和激活函数sigmoid的导数做错误率衡量,反复迭代后将错误率降到最低。
请参见图4,图4为本申请实施例所提供的一种服务器资产扫描***的结构示意图;
该***可以包括:
参数获取模块100,用于获取所有采集器的性能指标参数和负载参数;
权重计算模块200,用于根据所述性能指标参数和所述负载参数计算每一所述采集器的当前周期权重;
资产扫描模块300,用于将当前周期权重最高的采集器设置为目标采集器,并利用所述目标采集器对服务器进行资产扫描。
本实施例先获取所有采集器的性能指标参数和负载参数,根据性能指标参数和所述负载参数计算每一所述采集器的当前周期权重。由于当前周期权重越高的采集器的资产扫描的效率越高,本实施例将当前周期权重最高的采集器设置为目标采集器,并利用所述目标采集器对服务器进行资产扫描,故本实施例能够提高服务器资产扫描效率,可以避免扫描时间过长以及扫描失败的情况。
进一步的,还包括:
权重判断模块,由于在根据所述性能指标参数和所述负载参数计算每一所述采集器的当前周期权重之后,判断所有所述采集器的当前周期权重是否相同;若否,则启动所述资产扫描模块300对应的工作流程。
采集器选取模块,由于若所有采集器的当前周期权重均相同,则基于机器学习模型预测所有采集器的下一周期权重,并将下一周期权重最高的采集器设置为目标采集器;
进一步的,采集器选取模块包括:
特征提取单元,用于对所述性能指标参数和所述负载参数进行数据预处理和特征提取操作,得到特征数据;
权重预测单元,用于将所述特征数据转换为词袋模型,并在所述机器学习模型的隐藏层中通过多并发方式和搜索模型算法将所述词袋模型中的词语与数据库中的预设词干进行对比,根据对比结果确定所述采集器的下一周期权重。
进一步的,特征提取单元用于去除所述性能指标参数和所述负载参数中的标点符号得到参数文本;还用于截取所述参数文本中的文本词干,并将所述文本词干存储至目标文档;还用于在所述目标文档中添加预设词干,以便扩充所述目标文档中的词干数量;还用于将所述目标文档中的所有词干设置为所述特征数据。
进一步的,权重预测单元用于基于所述负载参数的长度、顺序和词干类型在所述机器学习模型的隐藏层中通过多并发方式和搜索模型算法将所述词袋模型中的词语与数据库中的预设词干进行对比。
进一步的,还包括:
预设词干生成模块,用于获取所述采集器的历史性能指标参数和历史负载参数,根据所述历史性能指标参数和历史负载参数生成所述数据库中的预设词干。
进一步的,还包括:
错误率计算模块,用于在基于机器学习模型预测所有采集器的下一周期权重之后,通过矩阵乘法运算和激活函数sigmoid的导数计算所述机器学习模型的预测结果的错误率;还用于若所述错误率小于预设值,则执行将下一周期权重最高的采集器设置为目标采集器的操作。
由于***部分的实施例与方法部分的实施例相互对应,因此***部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
本申请还提供了一种存储介质,其上存有计算机程序,该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请还提供了一种电子设备,可以包括存储器和处理器,所述存储器中存有计算机程序,所述处理器调用所述存储器中的计算机程序时,可以实现上述实施例所提供的步骤。当然所述电子设备还可以包括各种网络接口,电源等组件。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物品或者设备所固有的要素。在没有更多限制的状况下,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、物品或者设备中还存在另外的相同要素。
Claims (8)
1.一种服务器资产扫描方法,其特征在于,包括:
获取所有采集器的性能指标参数和负载参数;
根据所述性能指标参数和所述负载参数计算每一所述采集器的当前周期权重;
将当前周期权重最高的采集器设置为目标采集器,并利用所述目标采集器对服务器进行资产扫描;
在根据所述性能指标参数和所述负载参数计算每一所述采集器的当前周期权重之后,还包括:
判断所有所述采集器的当前周期权重是否相同;
若是,则基于机器学习模型预测所有采集器的下一周期权重,并将下一周期权重最高的采集器设置为目标采集器;
若否,则执行所述将当前周期权重最高的采集器设置为目标采集器的操作;
所述基于机器学习模型预测所有采集器的下一周期权重,包括:
对所述性能指标参数和所述负载参数进行数据预处理和特征提取操作,得到特征数据;
将所述特征数据转换为词袋模型,并在所述机器学习模型的隐藏层中通过多并发方式和搜索模型算法将所述词袋模型中的词语与数据库中的预设词干进行对比,根据对比结果确定所述采集器的下一周期权重。
2.根据权利要求1所述服务器资产扫描方法,其特征在于,对所述性能指标参数和所述负载参数进行数据预处理和特征提取操作,得到特征数据,包括:
去除所述性能指标参数和所述负载参数中的标点符号得到参数文本;
截取所述参数文本中的文本词干,并将所述文本词干存储至目标文档;
在所述目标文档中添加预设词干,以便扩充所述目标文档中的词干数量;
将所述目标文档中的所有词干设置为所述特征数据。
3.根据权利要求1所述服务器资产扫描方法,其特征在于,在所述机器学习模型的隐藏层中通过多并发方式和搜索模型算法将所述词袋模型中的词语与数据库中的预设词干进行对比,包括:
基于所述负载参数的长度、顺序和词干类型在所述机器学习模型的隐藏层中通过多并发方式和搜索模型算法将所述词袋模型中的词语与数据库中的预设词干进行对比。
4.根据权利要求1所述服务器资产扫描方法,其特征在于,还包括:
获取所述采集器的历史性能指标参数和历史负载参数,根据所述历史性能指标参数和历史负载参数生成所述数据库中的预设词干。
5.根据权利要求1所述服务器资产扫描方法,其特征在于,在基于机器学习模型预测所有采集器的下一周期权重之后,还包括:
通过矩阵乘法运算和激活函数sigmoid的导数计算所述机器学习模型的预测结果的错误率;
若所述错误率小于预设值,则执行将下一周期权重最高的采集器设置为目标采集器的操作。
6.一种服务器资产扫描***,其特征在于,包括:
参数获取模块,用于获取所有采集器的性能指标参数和负载参数;
权重计算模块,用于根据所述性能指标参数和所述负载参数计算每一所述采集器的当前周期权重;
资产扫描模块,用于将当前周期权重最高的采集器设置为目标采集器,并利用所述目标采集器对服务器进行资产扫描;
还包括:
权重判断模块,用于在根据所述性能指标参数和所述负载参数计算每一所述采集器的当前周期权重之后,判断所有所述采集器的当前周期权重是否相同;若否,则启动所述资产扫描模块对应的工作流程;
采集器选取模块,用于在所有采集器的当前周期权重均相同,则基于机器学习模型预测所有采集器的下一周期权重,并将下一周期权重最高的采集器设置为目标采集器;
采集器选取模块包括:
特征提取单元,用于对所述性能指标参数和所述负载参数进行数据预处理和特征提取操作,得到特征数据;
权重预测单元,用于将所述特征数据转换为词袋模型,并在所述机器学习模型的隐藏层中通过多并发方式和搜索模型算法将所述词袋模型中的词语与数据库中的预设词干进行对比,根据对比结果确定所述采集器的下一周期权重。
7.一种电子设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现如权利要求1至5任一项所述服务器资产扫描方法的步骤。
8.一种存储介质,其特征在于,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如上权利要求1至5任一项所述服务器资产扫描方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011357445.7A CN112463378B (zh) | 2020-11-27 | 2020-11-27 | 一种服务器资产扫描方法、***、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011357445.7A CN112463378B (zh) | 2020-11-27 | 2020-11-27 | 一种服务器资产扫描方法、***、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112463378A CN112463378A (zh) | 2021-03-09 |
CN112463378B true CN112463378B (zh) | 2023-12-22 |
Family
ID=74809078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011357445.7A Active CN112463378B (zh) | 2020-11-27 | 2020-11-27 | 一种服务器资产扫描方法、***、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112463378B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113821421B (zh) * | 2021-08-27 | 2023-12-22 | 济南浪潮数据技术有限公司 | 一种服务器性能数据采集方法、***、装置及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102571854A (zh) * | 2010-12-17 | 2012-07-11 | 北大方正集团有限公司 | 网络数据采集方法及装置 |
CN105187512A (zh) * | 2015-08-13 | 2015-12-23 | 航天恒星科技有限公司 | 一种虚拟机集群负载均衡方法及*** |
WO2017011818A1 (en) * | 2015-07-16 | 2017-01-19 | Blast Motion Inc. | Sensor and media event detection and tagging system |
CN108234170A (zh) * | 2016-12-15 | 2018-06-29 | 北京神州泰岳软件股份有限公司 | 一种服务器集群的监控方法和装置 |
CN108449394A (zh) * | 2018-03-05 | 2018-08-24 | 北京华夏电通科技有限公司 | 一种数据文件的调度方法、调度服务器及存储介质 |
WO2019210820A1 (zh) * | 2018-05-03 | 2019-11-07 | 华为技术有限公司 | 一种信息输出方法及装置 |
WO2020024186A1 (zh) * | 2018-08-01 | 2020-02-06 | 西门子(中国)有限公司 | 分布式数据采集***及方法 |
CN111104220A (zh) * | 2019-12-06 | 2020-05-05 | 北京浪潮数据技术有限公司 | 基于Arm架构的服务器配置方法、***及相关设备 |
CN111626359A (zh) * | 2020-05-27 | 2020-09-04 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 数据融合方法、装置、控制终端和船舶 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7886299B2 (en) * | 2004-06-01 | 2011-02-08 | Hitachi, Ltd. | Method of dynamically balancing workload of a storage system |
US8347088B2 (en) * | 2005-02-01 | 2013-01-01 | Newsilike Media Group, Inc | Security systems and methods for use with structured and unstructured data |
-
2020
- 2020-11-27 CN CN202011357445.7A patent/CN112463378B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102571854A (zh) * | 2010-12-17 | 2012-07-11 | 北大方正集团有限公司 | 网络数据采集方法及装置 |
WO2017011818A1 (en) * | 2015-07-16 | 2017-01-19 | Blast Motion Inc. | Sensor and media event detection and tagging system |
CN105187512A (zh) * | 2015-08-13 | 2015-12-23 | 航天恒星科技有限公司 | 一种虚拟机集群负载均衡方法及*** |
CN108234170A (zh) * | 2016-12-15 | 2018-06-29 | 北京神州泰岳软件股份有限公司 | 一种服务器集群的监控方法和装置 |
CN108449394A (zh) * | 2018-03-05 | 2018-08-24 | 北京华夏电通科技有限公司 | 一种数据文件的调度方法、调度服务器及存储介质 |
WO2019210820A1 (zh) * | 2018-05-03 | 2019-11-07 | 华为技术有限公司 | 一种信息输出方法及装置 |
WO2020024186A1 (zh) * | 2018-08-01 | 2020-02-06 | 西门子(中国)有限公司 | 分布式数据采集***及方法 |
CN111104220A (zh) * | 2019-12-06 | 2020-05-05 | 北京浪潮数据技术有限公司 | 基于Arm架构的服务器配置方法、***及相关设备 |
CN111626359A (zh) * | 2020-05-27 | 2020-09-04 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 数据融合方法、装置、控制终端和船舶 |
Also Published As
Publication number | Publication date |
---|---|
CN112463378A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200401939A1 (en) | Systems and methods for preparing data for use by machine learning algorithms | |
US11762918B2 (en) | Search method and apparatus | |
JP6109037B2 (ja) | 時系列データ予測装置、時系列データ予測方法、及びプログラム | |
US11694109B2 (en) | Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure | |
US9129228B1 (en) | Robust and fast model fitting by adaptive sampling | |
US9015083B1 (en) | Distribution of parameter calculation for iterative optimization methods | |
KR102125119B1 (ko) | 데이터 핸들링 방법 및 장치 | |
CN112463378B (zh) | 一种服务器资产扫描方法、***、电子设备及存储介质 | |
CN115934490A (zh) | 服务器性能预测模型训练方法、装置、设备及存储介质 | |
CN117149293B (zh) | 一种操作***个性化配置方法 | |
US9053434B2 (en) | Determining an obverse weight | |
JP2020129180A (ja) | ジョブ電力予測プログラム、ジョブ電力予測方法、およびジョブ電力予測装置 | |
CN105786791B (zh) | 数据主题获取方法及装置 | |
CN115803731A (zh) | 用于关系图数据库的图视图选择的数据库管理***和方法 | |
CN117131791B (zh) | 一种基于大数据平台的模型评估方法、***和存储介质 | |
US11645043B2 (en) | Method and system for calculating minwise hash signatures from weighted sets | |
US20230342659A1 (en) | Discrimination likelihood estimate for trained machine learning model | |
KR100926876B1 (ko) | 랭크 발생 확률을 이용한 랭크 학습 모델 생성 방법 및랭크 학습 모델 생성 시스템 | |
AU2022292565A1 (en) | Efficient cross-platform serving of deep neural networks for low latency applications | |
CN117931883A (zh) | 异常检测方法、装置、设备及计算机可读存储介质 | |
CN117993579A (zh) | 项目申报流程自适应优化方法、装置、设备及存储介质 | |
CN118093544A (zh) | 用于在数据库***中估计不同值个数的方法 | |
CN117971913A (zh) | 一种应用数据库信息收集反馈指令的*** | |
CN117193846A (zh) | 固件配置方法、装置、电子设备和存储介质 | |
CN117971832A (zh) | 一种索引管理方法及装置 |
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 |