CN113168398A - 基于遥测数据的设备的升级确定 - Google Patents
基于遥测数据的设备的升级确定 Download PDFInfo
- Publication number
- CN113168398A CN113168398A CN201980081483.3A CN201980081483A CN113168398A CN 113168398 A CN113168398 A CN 113168398A CN 201980081483 A CN201980081483 A CN 201980081483A CN 113168398 A CN113168398 A CN 113168398A
- Authority
- CN
- China
- Prior art keywords
- score
- threshold
- telemetry data
- client device
- upgrade
- 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
- 238000013507 mapping Methods 0.000 claims abstract description 33
- 238000004891 communication Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims description 21
- 230000005055 memory storage Effects 0.000 description 18
- 230000008859 change Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
-
- 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
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/34—Network arrangements or protocols for supporting network services or applications involving the movement of software or configuration parameters
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Debugging And Monitoring (AREA)
Abstract
一种装置的示例,该装置包括通信接口,用于从客户端设备接收遥测数据。遥测数据包括资源容量和使用率级别。该装置进一步包括分级引擎,用于生成评分映射。该装置还包括诊断引擎,与通信接口和分级引擎通信。诊断引擎要基于评分映射在遥测数据上的应用来生成分数。该装置还包括升级引擎,用于基于分数来在客户端设备处实现升级。
Description
背景技术
客户端设备(诸如计算设备)通常运行使用各种资源(诸如存储器)的软件程序。随着时间的推移,客户端设备上运行的软件应用可能变得应该升级,以提供附加的现代化特征以及改进安全性。软件升级一般增加对设备资源的需求,因为软件的新特征可能使用附加的处理器容量和/或存储器容量。
附图说明
现在将仅通过示例的方式参考附图,其中:
图1是用于生成适合性度量以确定客户端设备的升级的适合性的示例装置的框图;
图2是由分级引擎生成的评分映射的示例;
图3是用于收集遥测数据以转发给装置的示例客户端设备的框图;
图4是用于生成适合性度量以确定客户端设备的升级的适合性的示例***的表示;
图5是用于生成适合性度量以确定客户端设备的升级的适合性的另一个示例装置的框图;以及
图6是生成适合性度量以确定云中的服务器对客户端设备的升级的适合性的示例方法的流程图。
具体实施方式
连接到网络的设备可能被广泛接受,并且通常可以更方便使用。特别地,已经开发了新的服务来提供设备作为服务,其中消费者简单地使用设备,而服务提供商维护设备并确保其性能维护在某个级别。
每个设备可能具有不同的资源容量(诸如存储器),这取决于设备的特定型号。资源容量可以在设备引入服务中时基于各种因素(诸如预期的使用)来选取。为了高效利用设备上的资源,将要领会,资源的使用要接近于最大可用资源。然而,设备的资源使用可能在一段时间内变化。例如,如果设备是个人计算设备(诸如膝上型计算机或平板),则资源使用可能取决于由设备所实行的功能而变化。如果设备用于(诸如当用户正在阅读文档或文章时)向用户显示文本,则资源使用可能相当低。相比之下,如果设备用于(诸如在设计应用中)呈现复杂的三维图像,则设备中的资源使用可能相当高。由于设备可以用于该功能范围,因此要选取资源容量来以合理的方式实行预期在设备上实行的计算最密集的任务。
随着软件的开发或演变,软件通常使用增加的资源量来向软件的用户提供更多的特征。此外,设备的使用可能随着时间的推移而演变,因为设备可能切换用户,或者用户的角色在组织内改变。因此,在客户端设备上施行软件升级之前,进行分析以确定升级之后设备将如何施行。取决于分析的结果,如果预期性能不会显著降低,则可以在设备处实现升级。如果分析确定设备可能遭受性能降低,则升级可以暂停,直到具有改进的资源容量的新设备被分配给用户为止。该分析还可以用于对设备施行审计,使得如果客户端设备被确定为未被充分使用,则该设备可以被重新分配给另一个用户以更好地利用资源。
对用户设备上资源的使用率施行分析通常可以由顾问来施行,该顾问可以评估升级到特定设备的效果。在本示例中,通过对所有情况应用相同型号的装置来施行分析。因此,这改进了分析的准确性和客观性。因此,软件升级对现存设备的效果的预测可以用于做出关于特定用户设备的最佳行动过程的确定。
参考图1,在10处一般地示出了用于生成适合性度量以确定升级是否适合于客户端设备的装置的示例。装置10可以包括附加组件,诸如各种存储器存储单元、与其它设备通信的接口、以及与能够访问装置10的管理员交互的进一步的输入和输出设备。在本示例中,装置10包括通信接口15、分级引擎20、诊断引擎25和升级引擎30。尽管本示例将分级引擎20、诊断引擎25和升级引擎30示出为单独的组件,但是在其它示例中,分级引擎20、诊断引擎25和升级引擎30可以是相同物理组件——诸如被配置为实行多个功能的微处理器——的部分。
通信接口15要通过网络与客户端设备通信。特别地,通信接口15要从客户端设备接收遥测数据。在本示例中,装置10可以在云中以管理多个客户端设备。因此,通信接口15可能要从装置10管理的若干不同的客户端设备接收遥测数据。
通信接口15接收遥测数据的方式不受特别限制。在本示例中,装置10可以是位于远离客户端设备的位置的云服务器,该客户端设备可以广泛分布在大的地理区域之上。因此,通信接口15可以是通过互联网通信的网络接口。在其它示例中,通信接口15可以经由对等连接(诸如通过有线或专用网络)连接到客户端设备。
在本示例中,收集的遥测数据不受特别限制。遥测数据可以包括关于客户端设备的信息,诸如客户端设备的资源容量和资源的使用率级别。特定资源不受特别限制,并且可以包括可用的存储器,诸如随机存取存储器。此外,遥测数据可以包括关于特定客户端设备的其它信息,诸如设备标识符、帐户名称、型号、制造商、出生日期和设备类型。遥测数据还可以包括硬件信息,诸如智能驱动器信息、固件修订、盘物理信息(比如型号、制造商、自测结果)、以及电池电压。可以使用客户端设备处的后台过程来收集遥测数据。后台过程可以使用很少的资源,使得大体上不影响设备上运行的前台过程。在本示例中,遥测数据可以由通信接口15以规律安排的间隔接收。例如,遥测数据可以一天接收一次。在其它示例中,遥测数据可以更频繁地(诸如每小时)或者不太频繁地(诸如每周)接收。
分级引擎20要生成与遥测数据一起使用的评分映射。特别地,评分映射可以用于给评分映射上的特定区域分配等级。在本示例中,评分映射可以特定于客户端设备或一个类型的设备。因此,分级引擎20可以使用来自遥测数据的信息来生成评分映射。将要领会,分级引擎20生成评分映射的方式不受特别限制。作为示例,评分映射可以是二维表示,其中资源使用率被绘制在轴上,并且资源的容量被绘制在另一个轴上。因此,二维表示可以表示一个类型的设备的资源使用率相对于资源的容量的不同组合。评分映射还可以包括将评分映射分成多个区域或分类组的多个阈值极限,其中由阈值极限限定的每个区域可以用于定义客户端设备的分数。该分数可以用于对具有不同特性——诸如资源容量以及平均或中值资源使用率——的设备分类和分组,以在做出升级是否可以适合的确定方面被相似地对待。例如,当平均或中值资源使用率被确定为特定百分比时,具有低资源容量的客户端设备可以被认为是高使用率设备。相比之下,当平均或中值资源使用率被确定为与前一设备相同的百分比时,具有高资源容量的客户端设备可以被认为是平均或低使用率设备。在该示例中,由于附加的资源容量,后一设备被认为具有较低的使用率。
参考图2,在300处一般地示出了由分级引擎20生成的评分映射的示例。在评分映射300中,多个阈值极限305-1、305-2、305-3、305-4和305-5(一般地,这些阈值极限在本文被称为“阈值极限305”并且它们被统称为“阈值极限305”,这个命名法在本说明书的其它地方使用)。阈值极限305将评分映射300分成多个区域310-1、310-2、310-3、310-4、310-5和310-6。在该示例中,阈值极限305基于资源容量值和资源使用率值之间的关系来计算。特别地,该示例中的关系是抛物线关系,其中每个阈值极限305在抛物线关系中具有不同的参数。参数不受特别限制,并且可以基于经验数据来设置。在其它示例中,参数可以基于一个类型的设备或一组设备。在其中参数基于该类型的设备的示例中,参数可以基于在遥测数据中接收的设备标识符来确定。因此,在这样的示例中,遥测数据可以用于确定或定义资源容量和资源使用率之间的关系。
继续评分映射300的示例,可以如下面所描述的实行阈值极限305的计算的示例。将要领会,这是非限制性示例,但是该阈值极限305可以被实行。在其它示例中,可以基于资源容量值和资源使用率值之间的其它关系来施行其它计算。在该示例中,安装在客户端设备上的资源容量的值(RC)和资源使用率的阈值(Tk)之间的关系可以使用以下抛物线关系来描述:
其中ak是可以定义为如下的参数:
其中var k 是每个阈值极限305的阈值变化。在本示例中,阈值变化确定阈值极限305将弯曲的程度。阈值变化的确定可以根据经验确定。此外,阈值变化可以在每个阈值极限之间变化。在本示例中,对于每个阈值极限305的计算,阈值变化也可以改变。特别地,对于每个连续的阈值极限305,本示例将阈值递减5。max(RC)是资源容量的最大值。例如,如果资源是存储器,则max(RC)可能是由特定设备支持的最大存储器量。
在资源使用率的阈值的当前计算中,当资源容量的值为零时,bk的值表示初始阈值。bk的值根据经验确定。
在该示例中,将假设要基于对存储器使用率的分析来为客户端设备计算评分映射300。在这点上,可以假设中值存储器使用率被确定为60%。本示例中的设备要具有16GB的安装存储器容量和32GB的最大扩展容量。在该示例中,可以使用25的初始阈值变化(var1),对于每个阈值极限305的计算,该初始阈值变化减少五。因此,可以计算a 1 的值:
剩余值可以计算为:
对于该示例,可以进一步假设,对于b 1 、b 2 、b 3 、b 4 和b 5 ,b k 的值已经根据经验分别确定为20、40、60、75和90。因此,安装在客户端设备上的资源容量的值(RC)和评分映射300中每个阈值极限的阈值之间的关系可以描述为:
其中T 1 、T 2 、T 3 、T 4 和T 5 分别表示阈值极限305-1、305-2、305-3、305-4、305-5。
由阈值极限305定义的评分映射300的每个区域310可以被分配等级或分数。在本示例中,分配给区域310-1、310-2、310-3、310-4、310-5和310-6的分数分别为5.0、4.0、3.0、2.0、1.0和0。因此,在本示例中,具有低分数的客户端设备将指示该客户端设备具有高级别的资源使用率。相比之下,具有高分数的客户端设备将指示该客户端设备具有低使用率,并且可能未被充分使用。设备是否被过度使用或未被充分使用可以被考虑到在设备处是否实现升级。例如,如果认为客户端设备被过度使用,则软件的升级可能导致增加的资源使用率并进一步恶化过度使用问题。相反,如果客户端设备被认为未被充分使用,则可以假设升级之后增加资源的需求可能不会显著影响客户端设备的性能。
诊断引擎25要基于经由通信接口15接收的遥测数据,基于评分映射的应用来生成分数。在本示例中,诊断引擎25与通信接口15通信以接收遥测数据,以及与分级引擎20通信以接收评分映射。
生成分数的方式不受特别限制。继续评分映射300的本示例,图示了由诊断引擎25为来自客户端设备的遥测数据计算的分数的示例,该客户端设备具有60%的中值存储器使用率和16GB的安装存储器容量。参考评分映射300,具有这些特性的设备落在区域310-3内。因此,基本分数3可以与该设备相关联。为了确定设备的确切分数,当资源容量被设置为16GB时,可以通过使用阈值极限305-2和305-3之间的线性回归来确定该值。在该特定示例中,阈值极限305-2和305-3之间的范围是44.9920和63.7376。由于中值使用率假设为60%,因此这生成了分数3.1994。将要领会,确切分数的计算不受限制。在其它示例中,可以使用比线性回归更准确的其它近似。
升级引擎30要基于由诊断引擎25确定的分数在客户端设备处实现升级。例如,如果由诊断引擎25计算的分数超过预确定阈值,则客户端设备可以被认为未被充分使用并且是要实现升级的良好候选,因为客户端设备有能力处置一般与软件升级相关联的对资源的附加需求。替代地,如果分数低于阈值分数,则客户端设备可能被过度使用。在客户端设备被过度使用的情况下,升级设备上的软件可能导致对资源的更高需求,并且因此降低客户端设备的性能。
升级引擎30实现升级的方式不受限制。例如,升级引擎30可以提示客户端设备的用户下载并安装升级。在其它示例中,升级引擎30可以将升级推送到客户端设备而无需来自用户的进一步输入,诸如在受管理的客户端设备中。
参考图3,在100处一般地示出了要为其确定适合性度量的客户端设备的示例。客户端设备100不受特别限制,并且可以是连接到装置10的任何其它设备,诸如共享设备(比如台式计算机、平板或智能电话)。客户端设备100可以包括附加的组件,诸如各种存储器存储单元、与其它设备通信的接口,并且可以包括与用户交互的***输入和输出设备。在本示例中,客户端设备100包括通信接口110、用于存储数据库150的存储器存储单元115、和资源监视器120。
通信接口110要通过网络与装置10通信。在本示例中,客户端设备100可以连接到要由云中的装置10管理的云。因此,通信接口110可能要从存储器存储单元115传输遥测数据以用于由装置10处理,来确定与升级的适合性相关的分数。通信接口110传输遥测数据的方式不受特别限制。在本示例中,客户端设备100可以通过网络(诸如互联网)在远程位置处与装置10连接。在其它示例中,通信接口110可以经由对等连接(诸如通过有线或专用网络)连接到装置10。在本示例中,装置10是中央服务器。然而,在其它示例中,装置10可以是云中现存的虚拟服务器,其中功能可以跨若干物理机器分布。
存储器存储单元115耦合到通信接口110和资源监视器120,并且可以包括非暂时性机器可读存储介质,该非暂时性机器可读存储介质可以是任何电子、磁性、光学或其它物理存储设备。在本示例中,存储器存储单元115还可以维护数据库150,以存储与客户端设备100相关联的遥测数据。例如,当前和历史遥测数据可以存储在数据库150中以供后续使用。
资源监视器120要从客户端设备100内的资源收集遥测数据。资源监视器120从其收集数据的资源不受限制,并且可以包括以下资源,诸如:易失性存储器(例如,随机存取存储器)、非易失性存储器存储设备(例如硬驱动器、固态驱动器、非易失性存储器控制器)、电池、显示器、处理器、应用、或在客户端设备100上运行的其它软件。在本示例中,资源监视器120要收集关于易失性存储器使用率的遥测数据。具体地,资源监视器120确定客户端设备100的平均或中值使用率。
参考图4,在200处一般地示出了用于为客户端设备生成适合性度量的***的示例。在本示例中,装置10经由网络210与多个客户端设备100通信。将要领会,客户端设备100不受限制,并且可以是由装置10管理的各种客户端设备100。例如,客户端设备100可以是个人计算机、平板计算设备、智能电话或膝上型计算机。
参考图5,在10a处一般地示出了用于生成适合性度量以确定升级是否适合于客户端设备100的装置的另一个示例。装置10a的类似组件除了随后是后缀“a”之外,与它们在装置10中的对应部件有类似的标记。装置10a包括通信接口15a、分级引擎20a、诊断引擎25a和升级引擎30a。在本示例中,分级引擎20a、诊断引擎25a和升级引擎30a由处理器35a实现。装置10a还包括存储器存储单元40a。
处理器35a可以包括中央处理单元(CPU)、图形处理单元(GPU)、微控制器、微处理器、处理核心、现场可编程门阵列(FPGA)、专用集成电路(ASIC)等。处理器35a和存储器存储单元40a可以协作来执行各种指令。在本示例中,处理器35a可以执行存储在存储器存储单元40a上的指令,以实现分级引擎20a、诊断引擎25a和升级引擎30a。在其它示例中,分级引擎20a、诊断引擎25a和升级引擎30a可以每个在单独的处理器上执行。在进一步的示例中,分级引擎20a、诊断引擎25a和升级引擎30a可以在单独的机器上操作,诸如从作为服务提供商的软件或在虚拟云服务器中操作。
存储器存储单元40a要存储装置10a上的各种数据和信息。存储器存储单元40a的组件不受特别限制。例如,存储器存储单元40a可以包括非暂时性机器可读存储介质,该非暂时性机器可读存储介质可以是例如电子、磁性、光学或其它物理存储设备。此外,存储器存储单元40a可以存储可由处理器35a执行的操作***500a,以向装置10a提供一般功能。例如,操作***可以向附加应用提供功能。操作***的示例包括WindowsTM、macOSTM、iOSTM、AndroidTM、LinuxTM和UnixTM。存储器存储单元40a可以附加地存储在驱动器级别以及其它硬件驱动器处操作的指令,以与装置10a的其它组件和***设备通信。
在本示例中,存储器存储单元40a可以包括设备数据库510a,用于存储关于不同客户端设备100的信息。例如,设备数据库510a可以包括查找表,其中可以存储客户端设备的资源容量和其它规范。因此,在接收到具有遥测数据的设备标识符时,装置10a可以通过从设备数据库510a检索信息来获得关于客户端设备100的进一步信息。
此外,存储器存储单元40a还可以包括映射数据库520a,用于存储与客户端设备100相关联的评分映射。在示例中,分级引擎20a可以生成与客户端设备100相关联的评分映射。对于其中可以使用相同的评分映射的相似客户端设备,评分映射可以从映射数据库520a检索,而无需分级引擎20a从头开始实行生成评分映射的步骤。映射数据库520a也可以用于相同的客户端设备,诸如用于确定进一步的升级是否适合于客户端设备,或者客户端设备是否从硬件升级增加了其资源容量。
允许使用相同的评分映射的客户端设备之间的相似性不受限制。在本示例中,相同的评分映射可以用于具有大体上相同的硬件设置的客户端设备,诸如用于具有相同的型号和资源容量的客户端设备。在受管理设备的***中(诸如在公司内),这可能是常见的场景,因为可以为一组雇员获得相同的设备,使得计算资源被标准化,用于更容易的维护和故障排除。在其它示例中,相同的评分映射可以用于来自相同的制造商的客户端设备,使得若干型号可以使用相同的评分映射。在进一步的示例中,可以基于客户端设备的硬件和/或软件特性来定义更大的组。
参考图6,在400处一般地示出了用于生成适合性度量以确定升级是否适合于客户端设备的示例方法的流程图。为了协助解释方法400,将假设方法400可以用***200来施行。实际上,方法400可以是其中可以配置***200连同装置10和客户端设备100的一种方式。另外,方法400的以下讨论可以导致对***200以及装置10和客户端设备100的进一步理解。此外,将要强调,方法400可以不以所示出的确切顺序施行,并且各种框可以并行施行而不是顺序施行,或者完全以不同的顺序施行。
在框410处开始,从客户端设备100接收遥测数据。在本示例中,资源监视器120用于通过在客户端设备100上运行的后台过程来收集与资源使用率相关联的遥测数据。由资源监视器120实行的后台过程要使用相对小量的处理器资源,使得后台过程大体上不影响在客户端设备100上运行的前台过程。例如,资源监视器120可以在预确定时间段之后周期性地拍摄资源使用率(诸如处理器容量或存储器使用率)的快照。频率不受限制,并且它可以是每秒、每分钟、每小时、每天等。因此,客户端设备100的用户可能没有注意在设备的正常使用期间正在收集遥测数据。在本示例中,遥测数据可以包括存储器容量和使用率级别。
还可以从存储器存储单元115的数据库150检索附加的遥测数据。例如,数据库150可以包括诸如设备信息、组件信息之类的遥测数据,所述设备信息可以包括公司名称、主机名称、PC型号、PC制造商、出生日期、产品类型等,所述组件信息诸如智能驱动器信息、固件修订、扇区计数、总容量、所使用的容量、电池电压、电流和充电容量。
框420包括基于遥测数据来确定多个阈值极限。在本示例中,分级引擎20施行计算以生成阈值极限。在本示例中,阈值极限可以定义具有多个区域或分类组的评分映射,其中由阈值极限限定的每个区域可以用于定义客户端设备的分数。该分数可以用于对具有不同特性——诸如资源容量以及平均或中值资源使用率——的设备分类和分组,以在做出升级是否可以适合的确定方面被相似地对待。例如,当平均或中值资源使用率被确定为特定百分比时,具有低资源容量的客户端设备可以被认为是高使用率设备。相比之下,当平均或中值资源使用率被确定为与前一设备相同的百分比时,具有高资源容量的客户端设备可以被认为是平均或低使用率设备。在该示例中,由于附加的资源容量,后一设备被认为具有较低的使用率。
框430涉及基于客户端设备100的存储器容量来计算多个阈值范围。在本示例中,阈值范围表示客户端设备100的存储器容量的一对相邻阈值极限之间的距离。因此,每个阈值范围可以表示评分映射的区域内的使用率级别的范围。参考图2中的示例评分映射300,当资源容量被假设为16GB时,对于区域310-1、310-2、310-3、310-4、310-5和310-6,阈值范围分别是[0-26.2464];(26.2464-44.9920];(44.9920-63.7376];(63.7376-77.5088];(77.5088-91.2544];和(91.2544-100.0000]。
框440通过将分数映射到在框430处计算的多个阈值范围,基于客户端设备100的使用率级别来确定分数。确定分数的方式不受特别限制。继续评分映射300的本示例和在框430处确定的范围,客户端设备的分数计算的示例具有60%的中值存储器使用率。在该示例中,具有60%的存储器使用率级别的设备落在区域310-3内,该区域310-3具有在44.9920和63.7376之间的阈值范围。因此,基本分数3可以与客户端设备相关联。为了确定客户端设备的确切分数,当资源容量被设置为16GB时,可以通过使用通过阈值范围的线性回归来确定该值。在该特定示例中,阈值范围在44.9920和63.7376之间。由于中值使用率被假设为60%,因此这表示从阈值上限305-3到阈值下限305-2的距离的19.94%。在本示例中,阈值范围内的确切值可以通过在阈值极限内测量评分映射300上的距离来计算。因此,将19.94%添加到基础分数3可以提供3.1994的确切分数。在其它示例中。
框450涉及基于分数来在客户端设备处实现升级。例如,如果在框440处确定的分数超过预确定阈值,则由于处置来自软件升级的对资源的附加需求的能力,客户端设备可以被认为未被充分使用并且是要实现升级的良好候选。实现升级的方式不受限制。例如,可以生成对客户端设备的用户的提示,使得用户要采取行动来下载和安装升级。在其它示例中,升级可以被推送到客户端设备而无需来自用户的进一步输入,诸如对于受管理的客户端设备,其中中央管理服务器将策略应用于所有客户端设备。
对于本领域技术人员来说,各种优点现在将变得显而易见。例如,***200提供了一种方式,通过该方式装置10可以基于从客户端设备100接收的遥测数据来确定适合性度量(诸如分数),以做出客户端设备100是否是软件升级的良好候选的客观确定。
还考虑了适合性度量或由诊断引擎25生成的分数的其它应用。例如,客户端设备100具有高分数(即未充分使用)的确定可能导致客户端设备100被重新分配给使用更多计算资源的另一个用户。旧的客户端设备然后可以被具有更有限的硬件组件(诸如更小的存储器容量)的另一个客户端设备替换。相反,客户端设备100具有低分数(即过度使用)的确定可能指示用户应该对硬件进行升级。
特别地,该分数还可以与机器学习技术(诸如逻辑回归或聚类算法)一起使用,以测量设备如何符合用户的需求。例如,机器学习算法可以预测用户可能何时应该进行硬件升级和/或触发警报,以在用户由于硬件容量而开始经历性能问题之前建议管理员。此外,作为该型号的扩展,可以在客户端设备上安装代理或应用,以接收改变配置的指令来改进用户体验,诸如关闭未使用的应用、在分数低时的时段期间停止未使用的服务或应用。
应该认识到,上面提供的各种示例的特征和方面可以组合成也落入本公开范围内的进一步示例。
Claims (15)
1.一种装置,包括:
通信接口,用于从客户端设备接收遥测数据,其中所述遥测数据包括资源容量和使用率级别;
分级引擎,用于生成评分映射;
诊断引擎,与通信接口和分级引擎通信,其中所述诊断引擎要基于评分映射在遥测数据上的应用来生成分数;以及
升级引擎,用于基于分数来在客户端设备处实现升级。
2.根据权利要求1所述的装置,其中所述资源容量是存储器容量。
3.根据权利要求1所述的装置,其中所述评分映射包括多个阈值极限。
4.根据权利要求3所述的装置,其中从多个阈值极限选择的阈值极限要定义分数。
5.根据权利要求4所述的装置,其中所述阈值极限基于资源容量值。
6.根据权利要求5所述的装置,其中所述通信接口接收设备标识符。
7.根据权利要求6所述的装置,其中所述设备标识符要确定阈值极限和资源容量值之间的关系。
8.一种方法,包括:
从客户端设备接收遥测数据,其中所述遥测数据包括存储器容量和使用率级别;
基于遥测数据来确定多个阈值极限;
基于存储器容量和多个阈值极限来计算多个阈值范围;
基于使用率级别和多个阈值范围来确定分数;以及
基于分数来在客户端设备处实现升级。
9.根据权利要求8所述的方法,其中实现升级包括如果分数高于预确定阈值,则实现升级。
10.根据权利要求8所述的方法,其中确定分数包括计算在多个阈值范围中的阈值范围内的使用率级别的范围百分比。
11.根据权利要求10所述的方法,其中确定分数包括将范围百分比添加到基础分数。
12.根据权利要求8所述的方法,其中所述遥测数据包括设备标识符。
13.根据权利要求12所述的方法,其中确定多个阈值极限基于设备标识符。
14.一种编码有可由处理器执行的指令的非暂时性机器可读存储介质,所述非暂时性机器可读存储介质包括:
从客户端设备接收遥测数据的指令,其中所述遥测数据包括存储器容量和使用率级别;
基于遥测数据来确定第一阈值极限的指令;
基于遥测数据来确定第二阈值极限的指令;
基于存储器容量来计算第一阈值极限和第二阈值极限之间的阈值范围的指令;
基于使用率级别和阈值范围来确定分数的指令;以及
基于分数来在客户端设备处实现升级。
15.根据权利要求14所述的非暂时性机器可读存储介质,其中所述非暂时性机器可读存储介质包括如果分数高于预确定阈值则实现升级的指令。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2019/016381 WO2020159547A1 (en) | 2019-02-01 | 2019-02-01 | Upgrade determinations of devices based on telemetry data |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113168398A true CN113168398A (zh) | 2021-07-23 |
Family
ID=71840583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980081483.3A Pending CN113168398A (zh) | 2019-02-01 | 2019-02-01 | 基于遥测数据的设备的升级确定 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11409515B2 (zh) |
EP (1) | EP3861456A4 (zh) |
CN (1) | CN113168398A (zh) |
WO (1) | WO2020159547A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220398178A1 (en) * | 2021-06-12 | 2022-12-15 | EMC IP Holding Company LLC | Method and system for determine system upgrade recommendations |
US11494250B1 (en) | 2021-06-14 | 2022-11-08 | EMC IP Holding Company LLC | Method and system for variable level of logging based on (long term steady state) system error equilibrium |
US11743330B1 (en) * | 2022-09-12 | 2023-08-29 | Microsoft Technology Licensing, Llc | Background upgrade migration determination and implementation |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170034023A1 (en) * | 2015-07-27 | 2017-02-02 | Datagrid Systems, Inc. | Techniques for evaluating server system reliability, vulnerability and component compatibility using crowdsourced server and vulnerability data |
CN108293011A (zh) * | 2015-11-05 | 2018-07-17 | 惠普发展公司,有限责任合伙企业 | ***例程和原始数据 |
US20180206010A1 (en) * | 2016-02-08 | 2018-07-19 | Intel Corporation | Computing infrastructure optimizations based on tension levels between computing infrastructure nodes |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2402781A (en) * | 2002-03-22 | 2004-12-15 | Sun Microsystems Inc | Mobile download system |
US8151280B2 (en) | 2003-10-27 | 2012-04-03 | Microsoft Corporation | Simple and dynamic configuration of network devices |
US8595282B2 (en) * | 2008-06-30 | 2013-11-26 | Symantec Corporation | Simplified communication of a reputation score for an entity |
US8606545B2 (en) | 2009-03-24 | 2013-12-10 | Lenovo (Singapore) Pte. Ltd. | Apparatus, system, and method for memory configuration analysis |
US8381208B2 (en) * | 2009-06-11 | 2013-02-19 | International Business Machines Corporation | Tracking application installation among a plurality of client devices |
US9015441B2 (en) | 2010-04-30 | 2015-04-21 | Microsoft Technology Licensing, Llc | Memory usage scanning |
US8516308B1 (en) * | 2011-03-09 | 2013-08-20 | Amazon Technologies, Inc. | Crash based incompatibility prediction for classes of mobile devices crash data |
US20120317266A1 (en) * | 2011-06-07 | 2012-12-13 | Research In Motion Limited | Application Ratings Based On Performance Metrics |
US10365911B2 (en) * | 2011-12-18 | 2019-07-30 | International Business Machines Corporation | Determining optimal update frequency for software application updates |
US8880792B2 (en) | 2012-01-13 | 2014-11-04 | Lenovo (Singapore) Pte. Ltd. | Memory watch |
US20140059225A1 (en) | 2012-08-21 | 2014-02-27 | Iosif Gasparakis | Network controller for remote system management |
US20150133076A1 (en) * | 2012-11-11 | 2015-05-14 | Michael Brough | Mobile device application monitoring software |
US20150088772A1 (en) | 2013-09-25 | 2015-03-26 | International Business Machines Corporation | Enhancing it service management ontology using crowdsourcing |
US20170017576A1 (en) | 2015-07-16 | 2017-01-19 | Qualcomm Incorporated | Self-adaptive Cache Architecture Based on Run-time Hardware Counters and Offline Profiling of Applications |
CN106959889A (zh) | 2016-01-11 | 2017-07-18 | 阿里巴巴集团控股有限公司 | 一种服务器资源调整的方法和装置 |
US10120790B1 (en) | 2016-06-30 | 2018-11-06 | EMC IP Holding Company LLC | Automated analysis system and method |
US10402052B2 (en) * | 2016-07-29 | 2019-09-03 | Cisco Technology, Inc. | Guided exploration of root cause analysis |
US10747520B2 (en) | 2017-04-14 | 2020-08-18 | Microsoft Technology Licensing, Llc | Resource deployment using device analytics |
EP3756100A4 (en) * | 2018-10-15 | 2021-12-15 | Hewlett-Packard Development Company, L.P. | DATA COLLECTION TO MONITOR DEVICE PERFORMANCE |
-
2019
- 2019-02-01 CN CN201980081483.3A patent/CN113168398A/zh active Pending
- 2019-02-01 EP EP19913672.2A patent/EP3861456A4/en active Pending
- 2019-02-01 US US17/262,076 patent/US11409515B2/en active Active
- 2019-02-01 WO PCT/US2019/016381 patent/WO2020159547A1/en unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170034023A1 (en) * | 2015-07-27 | 2017-02-02 | Datagrid Systems, Inc. | Techniques for evaluating server system reliability, vulnerability and component compatibility using crowdsourced server and vulnerability data |
CN108293011A (zh) * | 2015-11-05 | 2018-07-17 | 惠普发展公司,有限责任合伙企业 | ***例程和原始数据 |
US20180206010A1 (en) * | 2016-02-08 | 2018-07-19 | Intel Corporation | Computing infrastructure optimizations based on tension levels between computing infrastructure nodes |
Also Published As
Publication number | Publication date |
---|---|
EP3861456A4 (en) | 2022-05-25 |
EP3861456A1 (en) | 2021-08-11 |
WO2020159547A1 (en) | 2020-08-06 |
US11409515B2 (en) | 2022-08-09 |
US20210349707A1 (en) | 2021-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11073999B2 (en) | Extent migration in multi-tier storage systems | |
US10078569B1 (en) | Self adaptive workload classification and forecasting in multi-tiered storage system using arima time series modeling | |
KR101815148B1 (ko) | 설정 가능한 컴퓨팅 자원 할당 기술 | |
US10691647B2 (en) | Distributed file system metering and hardware resource usage | |
Naskos et al. | Dependable horizontal scaling based on probabilistic model checking | |
US11256595B2 (en) | Predictive storage management system | |
US20160124652A1 (en) | Methods and Systems for Determining Hardware Sizing for Storage Array Systems | |
US11915053B2 (en) | Interruption predictions for cloud compute instances | |
US10200461B2 (en) | Virtualized capacity management | |
US9141288B2 (en) | Chargeback based storage recommendations for datacenters | |
US8904144B1 (en) | Methods and systems for determining at risk index for storage capacity | |
CN113168398A (zh) | 基于遥测数据的设备的升级确定 | |
US10970123B1 (en) | Determining suitability of computing resources for workloads | |
US20220036224A1 (en) | Determination of storage configuration for enterprise distributed environment | |
WO2015177532A1 (en) | A mechanism for controled server overallocation in a datacenter | |
EP4258096A1 (en) | Predictive block storage size provisioning for cloud storage volumes | |
CN114661222A (zh) | 管理存储***的访问负载的方法、设备和计算机程序产品 | |
CN111897706A (zh) | 服务器性能预测方法、装置、计算机***和介质 | |
US11586964B2 (en) | Device component management using deep learning techniques | |
CN116601604A (zh) | 基于成本和服务级别优化多平台即服务的工作负载的布置 | |
US20090320020A1 (en) | Method and System for Optimising A Virtualisation Environment | |
US20230122363A1 (en) | Storage allocation based on application priority specific to a select entity | |
US12045664B1 (en) | Classifying workloads for burstable compute platforms | |
US20210398176A1 (en) | Apparatus, method, and storage medium for burstable instance recommendation |
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 |