CN115392592A - 一种存储产品参数配置推荐方法、装置、设备及介质 - Google Patents
一种存储产品参数配置推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115392592A CN115392592A CN202211306930.0A CN202211306930A CN115392592A CN 115392592 A CN115392592 A CN 115392592A CN 202211306930 A CN202211306930 A CN 202211306930A CN 115392592 A CN115392592 A CN 115392592A
- Authority
- CN
- China
- Prior art keywords
- product
- index
- performance
- configuration value
- performance data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种存储产品参数配置推荐方法、装置、设备及介质,应用于存储产品配置技术领域,包括:获取存储产品的所有指标参数以及每个指标参数的配置取值集合;基于所有指标参数的所述配置取值集合获取所述存储产品的全量性能数据;全量性能数据包括所述所有指标参数对应的全部配置取值组合,以及每个配置取值组合对应的产品性能值;基于全量性能数据确定指标参数配置取值组合与产品性能值的关联规则;指标参数配置取值组合包括所述所有指标参数中多个指标参数的配置取值;当获取到用户要求的产品性能值,则基于关联规则输出该产品性能值对应的推荐指标参数配置取值组合。能够避免主观因素的影响,从而提升存储产品参数配置推荐的可靠性。
Description
技术领域
本申请涉及存储产品配置技术领域,特别涉及一种存储产品参数配置推荐方法、装置、设备及介质。
背景技术
当前大数据背景下,越来越多的厂家提供了各种***性能评估、性能预测等工具,是由参数配置到性能预测的流程。有了性能评估***,当一线工程师与客户交流时,工程师可以根据用户配置需求,评估出来不同配置下性能数据供工程师和客户参考,但是在一些情况下,在客户不清楚具体的参数配置及参数权重影响的场景下,仅要求产品性能数据,这样的话,工程师往往根据自身经验结合预测工具的输出向客户进行产品参数配置推荐,这种推荐方式主观性占有较大成分,没有一定的理论依据,容易增加一些不确定性,也容易推荐的参数配置并不是最优配置。
发明内容
有鉴于此,本申请的目的在于提供一种存储产品参数配置推荐方法、装置、设备及介质,能够避免主观因素的影响,从而提升存储产品参数配置推荐的可靠性。其具体方案如下:
第一方面,本申请公开了一种存储产品参数配置推荐方法,包括:
获取存储产品的所有指标参数以及每个指标参数的配置取值集合;
基于所述所有指标参数的所述配置取值集合获取所述存储产品的全量性能数据;其中,所述全量性能数据包括所述所有指标参数对应的全部配置取值组合,以及每个配置取值组合对应的产品性能值;
基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则;所述指标参数配置取值组合包括所述所有指标参数中多个指标参数的配置取值;
当获取到用户要求的产品性能值,则基于所述关联规则输出该产品性能值对应的推荐指标参数配置取值组合。
可选的,还包括:
获取性能预测模型;
相应的,所述基于所述所有指标参数的所述配置取值集合获取所述存储产品的全量性能数据,包括:
遍历所述所有指标参数的所述配置取值集合,得到所述所有指标参数对应的全部配置取值组合;
利用所述性能预测模型,并基于所述全部配置取值组合获取所述存储产品的全量性能数据。
可选的,所述获取性能预测模型,包括:
获取基础性能数据;所述基础性能数据包括所述所有指标参数的常用配置取值组合以及利用每个常用配置取值组合对所述存储产品进行性能测试得到的产品性能值;
基于预设分类器对所述基础性能数据进行训练,得到所述性能预测评估模型。
可选的,所述利用所述性能预测模型,并基于所述全部配置取值组合获取所述存储产品的全量性能数据,包括:
从所述全部配置取值组合中确定出非常用配置取值组合;
利用所述性能预测模型预测所述非常用配置取值组合对应的产品性能值;
基于所述基础性能数据以及所述非常用配置取值组合对应的产品性能值确定所述存储产品的全量性能数据。
可选的,还包括:
基于粒子群算法构建分类器,得到所述预设分类器。
可选的,还包括:
当监测到所述基础性能数据的变化事件,则基于所述变化事件更新所述全量性能数据。
可选的,还包括:
从所述所有指标参数中确定出关键指标参数;
相应的,所述指标参数配置取值组合包含所述关键指标参数的配置取值。
可选的,所述基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则,包括:
基于所述全量性能数据运行预设关联规则算法,并以所述关键指标参数组成的频繁项集开始迭代,得到所述指标参数配置取值组合与产品性能值的关联规则。
可选的,所述从所述所有指标参数中确定出关键指标参数,包括:
获取所述所有指标参数中每个指标参数对应的参数权重;
将参数权重大于预设权重阈值的指标参数确定为关键指标参数。
可选的,所述获取所述所有指标参数中每个指标参数对应的参数权重,包括:
获取基础性能数据;所述基础性能数据包括所述所有指标参数的常用配置取值组合以及利用每个常用配置取值组合对所述存储产品进行性能测试得到的产品性能值;
基于预设分类器对所述基础性能数据进行训练,得到每个指标参数对应的参数权重。
可选的,所述基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则之前,还包括:
对所述全量性能数据中的产品性能值进行分段处理,以将产品性能值处理为相应数据段对应的预设值。
可选的,所述基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则,包括:
基于所述全量性能数据确定不同置信度下的指标参数配置取值组合与产品性能值的关联规则;
相应的,所述基于所述关联规则输出该产品性能值对应的推荐指标参数配置取值组合,包括:
获取用户要求的置信度,基于所述关联规则输出该置信度下该产品性能值对应的推荐指标参数配置取值组合。
第二方面,本申请公开了一种存储产品参数配置推荐装置,包括:
参数及取值集合获取模块,用于获取存储产品的所有指标参数以及每个指标参数的配置取值集合;
全量性能数据获取模块,用于基于所述所有指标参数的所述配置取值集合获取所述存储产品的全量性能数据;其中,所述全量性能数据包括所述所有指标参数对应的全部配置取值组合,以及每个配置取值组合对应的产品性能值;
关联规则确定模块,用于基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则;所述指标参数配置取值组合包括所述所有指标参数中多个指标参数的配置取值;
参数配置推荐模块,用于当获取到用户要求的产品性能值,则基于所述关联规则输出该产品性能值对应的推荐指标参数配置取值组合。
第三方面,本申请公开了一种电子设备,包括存储器和处理器,其中:
所述存储器,用于保存计算机程序;
所述处理器,用于执行所述计算机程序,以实现前述的存储产品参数配置推荐方法。
第四方面,本申请公开了一种计算机可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现前述的存储产品参数配置推荐方法。
可见,本申请先获取存储产品的所有指标参数以及每个指标参数的配置取值集合,之后基于所述所有指标参数的所述配置取值集合获取所述存储产品的全量性能数据;其中,所述全量性能数据包括所述所有指标参数对应的全部配置取值组合,以及每个配置取值组合对应的产品性能值,以及基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则,所述指标参数配置取值组合包括所述所有指标参数中多个指标参数的配置取值,当获取到用户要求的产品性能值,则基于所述关联规则输出该产品性能值对应的推荐指标参数配置取值组合。也即,本申请基于存储产品的所有指标参数的配置取值集合获取存储产品的全量性能数据,基于全量性能数据挖掘参数配置取值组合与产品性能值的关联规则,当获取到用户要求的产品性能值,则基于关联规则输出相应推荐指标参数配置取值组合,这样,能够避免主观因素的影响,从而提升存储产品参数配置推荐的可靠性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的一种存储产品参数配置推荐方法流程图;
图2为本申请实施例公开的一种具体的存储产品参数配置推荐方法流程图;
图3为本申请实施例公开的一种存储产品参数配置推荐装置结构示意图;
图4为本申请实施例公开的一种电子设备原理结构图。
具体实施方式
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,所描述的实施例仅仅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。
目前,当一线工程师与客户交流时,工程师可以根据用户配置需求,评估出来不同配置下性能数据供工程师和客户参考,但是在一些情况下,在客户不清楚具体的参数配置及参数权重影响的场景下,仅要求产品性能数据,这样的话,工程师往往根据自身经验结合预测工具的输出向客户进行产品参数配置推荐,这种推荐方式主观性占有较大成分,没有一定的理论依据,容易增加一些不确定性,也容易推荐的参数配置并不是最优配置。为此,本申请提供了一种存储产品参数配置推荐方案,能够避免主观因素的影响,从而提升存储产品参数配置推荐的可靠性。
参见图1所示,本申请实施例公开了一种存储产品参数配置推荐方法,包括:
步骤S11:获取存储产品的所有指标参数以及每个指标参数的配置取值集合。
其中,存储产品的所有指标参数包括硬盘类型、硬盘容量等,每个指标参数均有相应的配置取值集合,比如硬盘类型的配置取值集合可以为{固态硬盘、机械硬盘…},硬盘容量的配置取值集合可以为{500G、1T…}。
步骤S12:基于所述所有指标参数的所述配置取值集合获取所述存储产品的全量性能数据;其中,所述全量性能数据包括所述所有指标参数对应的全部配置取值组合,以及每个配置取值组合对应的产品性能值。
在一种实施方式中,可以获取性能预测模型,具体步骤包括:
步骤00:获取基础性能数据;所述基础性能数据包括所述所有指标参数的常用配置取值组合以及利用每个常用配置取值组合对所述存储产品进行性能测试得到的产品性能值。
步骤01:基于预设分类器对所述基础性能数据进行训练,得到所述性能预测评估模型。
在一种实施方式中,可以基于粒子群算法构建分类器,得到所述预设分类器。
并且,本申请实施例可以遍历所述所有指标参数的所述配置取值集合,得到所述所有指标参数对应的全部配置取值组合;利用所述性能预测模型,并基于所述全部配置取值组合获取所述存储产品的全量性能数据。其中,遍历得到的全部配置取值组合可以存储在一个矩阵中。具体的,可以识别并设置每个指标参数的枚举值集合(即配置取值集合),以当前指标参数开始,进行循环迭代,后续指标参数依次进行迭代,输出当前迭代的全部配置取值组合。
进一步的,本申请实施例可以从所述全部配置取值组合中确定出非常用配置取值组合;利用所述性能预测模型预测所述非常用配置取值组合对应的产品性能值;基于所述基础性能数据以及所述非常用配置取值组合对应的产品性能值确定所述存储产品的全量性能数据。也即,基础性能数据中有产品性能值的采用基础性能数据中的产品性能值,基础性能数据中没有产品性能值的,采用模型预测。
比如,所有指标参数包括参数A、B、C,A的配置取值集合为{a1、a2、a3},B的配置取值集合为{b1、b2、b3},C的配置取值集合为{c1、c2、c3},得到全量的参数取值组合,其中,常用配置取值组合有:{a1、b1、c1}、{a1、b1、c2}等,非常用配置取值组合有{a3、b3、c3}等,对于{a3、b3、c3},利用性能预测模型预测相应的产品性能值。
在一种实施方式中,当监测到所述基础性能数据的变化事件,则基于所述变化事件更新所述全量性能数据。比如,工程师发现基础性能数据中存在常用配置取值组合的性能值有偏差,可以修改性能值,触发基础性能数据的变化事件。在另一种实施方式中,也可以手动更新所述全量性能数据。并且,可以进行局部更新,也可一键全部更新。
步骤S13:基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则;所述指标参数配置取值组合包括所述所有指标参数中多个指标参数的配置取值。
在一种实施方式中,可以从所述所有指标参数中确定出关键指标参数;相应的,所述指标参数配置取值组合包含所述关键指标参数的配置取值。这样,推荐指标参数配置取值组合也会包含所述关键指标参数的配置取值。其中,所述从所述所有指标参数中确定出关键指标参数,具体可以包括以下步骤:
步骤10:获取所述所有指标参数中每个指标参数对应的参数权重;
在一种实施方式中,可以获取基础性能数据;所述基础性能数据包括所述所有指标参数的常用配置取值组合以及利用每个常用配置取值组合对所述存储产品进行性能测试得到的产品性能值;基于预设分类器对所述基础性能数据进行训练,得到每个指标参数对应的参数权重。也即,本申请实施例可以基于预设分类器对所述基础性能数据进行训练,得到性能预测模型和每个指标参数对应的参数权重。
步骤11:将参数权重大于预设权重阈值的指标参数确定为关键指标参数。
进一步的,本申请实施例可以基于所述全量性能数据运行预设关联规则算法,并以所述关键指标参数组成的频繁项集开始迭代,得到所述指标参数配置取值组合与产品性能值的关联规则。在一种实施方式中,预设关联规则算法为Apriori算法。
步骤S14:当获取到用户要求的产品性能值,则基于所述关联规则输出该产品性能值对应的推荐指标参数配置取值组合。
在一种实施方式中,本申请实施例可以基于所述全量性能数据确定不同置信度下的指标参数配置取值组合与产品性能值的关联规则;
进一步的,本申请实施例可以获取用户要求的置信度,基于所述关联规则输出该置信度下该产品性能值对应的推荐指标参数配置取值组合。
并且,本申请实施例可以在所述基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则之前,对所述全量性能数据中的产品性能值进行分段处理,以将产品性能值处理为相应数据段对应的预设值。比如,性能值为10001,对应的数据段为10000~10999,预设值为10k。相应的,本申请实施例在获取到用户要求的产品性能值,先进行分段处理,处理为相应数据段对应的预设值,然后基于所述关联规则输出该预设值对应的推荐指标参数配置取值组合。
可见,本申请实施例先获取存储产品的所有指标参数以及每个指标参数的配置取值集合,之后基于所述所有指标参数的所述配置取值集合获取所述存储产品的全量性能数据;其中,所述全量性能数据包括所述所有指标参数对应的全部配置取值组合,以及每个配置取值组合对应的产品性能值,以及基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则,所述指标参数配置取值组合包括所述所有指标参数中多个指标参数的配置取值,当获取到用户要求的产品性能值,则基于所述关联规则输出该产品性能值对应的推荐指标参数配置取值组合。也即,本申请实施例基于存储产品的所有指标参数的配置取值集合获取存储产品的全量性能数据,基于全量性能数据挖掘参数配置取值组合与产品性能值的关联规则,当获取到用户要求的产品性能值,则基于关联规则输出相应推荐指标参数配置取值组合,这样,能够避免主观因素的影响,从而提升存储产品参数配置推荐的可靠性。
例如,参见图2所示,图2为本申请实施例公开的一种具体的存储产品参数配置推荐方法流程图。主要包括以下步骤:
步骤一,获取性能预测模型以及指标参数的参数权重:1、输入:训练样本数据即采集的基础性能数据;2、迭代寻优:以分类器对训练样本数据进行训练;3、输出:性能预测模型及指标参数对应的参数权重;其中,算法的应用的主要思想如下:指标参数包含多个变量(每个变量为一个配置取值),以V i 表示指标参数的第i个变量,即粒子的速度,N为变量个数,t为当前迭代次数,ω为惯性权重,V i (t+1)为指标参数第i个变量在第t+1次迭代中的位置,rand()表示服从均匀分布[0,1]之间的随机数,C1和C2依次表示个体学习因子和社会学习因子,p i (t)为目前第i个粒子搜索到的个体最优值,g是迭代目前为止所有粒子搜索到的全局最优值,x i (t)为第i个粒子在第t次迭代中的位置,通过以下公式进行迭代、更新:
步骤二,生成全量指标集合即所有指标参数对应的全部配置取值组合:获取当前所有指标参数;获取每个指标参数对应的取值集合;遍历生成全量指标集合:依次遍历各个指标参数的取值集合,迭代输出全量指标配置矩阵,记为全量指标集合。
步骤三,生成全量性能数据:1、输入:全量指标参数;2、迭代:依次遍历全量指标参数的每一个配置取值组合,调用第一步输出的性能预测模型完成性能数据预测,得到产品性能值。3、输出:全量性能数据(区别于基础数据,单独持久化保存,便于数据的更新)。其中,全量性能数据更新机制包括以下两种:1)监听基础数据变化事件,自动更新全量性能数据;2)手动更新方式,依据指标参数配置,进行局部更新,也可一键全部更新。
步骤四,全量性能数据预处理:性能数据的分段处理,使其满足算法的数据要求:实测及评估的性能数据可以是各样的数据,可以有小数也可以有精确到个位数数据,故首先需要对性能数据进行分段处理,使其可分类。
步骤五,确定关键指标组合:获取步骤一输出的指标参数的参数权重ω,设置权重阈值,识别指标参数的参数权重ω大于设置的权重阈值的指标参数,作为关键指标参数,这样,后学以关键指标参数作为关联规则算法应用的频繁项集,从关键指标的频繁项集开始迭代,关联规则算法无需从一项集开始迭代,减少迭代次数,提高挖掘算法。
步骤六,关联规则算法应用:输入:数据预处理后的全量性能数据,以及设置的置信度;使用Apriori算法,输出满足置信度的关联规则,算法主要核心为:
设I={I1,I2,…,Im}是一个项集,m为项的个数,其中Ii表示第i个项,对应于一个指标参数,事务Ti表示I的一个子集,对应于指标参数的配置取值组合;关联规则是形如X->Y的蕴含式,其中,X和Y分别称为关联规则的先导和后继,其中,关联规则XY,存在支持度和置信度,如下:
在算法使用过程中,将所有满足权重阈值的指标参数识别为关键指标参数组合,作为K项集,其中,K为关键指标参数的个数,从K项集开始进行迭代寻找频繁项集。设置指标参数的配置取值组合为X,性能值Y,设置置信度,输出满足条件的指标配置取值组合的关联规则。并且,在算法使用过程中,可迭代设置置信度,输出不同置信度下的关联规则,以可以提供更全面的推荐参数配置;
最后,根据设置的具体性能值(也即用户要求的性能值),进行数据预处理归类,结合输出的关联规则以及不同的置信度,输出指标参数的配置取值组合,供用户选择参考。
也即,本申请首先配置指标参数,采集存储产品的基础性能数据,之后通过粒子群优化算法,对基础性能数据进行训练学习和迭代寻优,输出指标参数对应的参数权重和性能预测模型;其次根据指标参数,通过算法,生成新的全量的指标参数配置,称之为全量指标数据;第三,使用性能预测模型,以全量指标数据为输入,调用性能评估模型,生成全量指标数据下所有参数指标对应的性能数据,称之为全量性能数据;第四,对全量性能数据进行数据预处理,使其满足关联规则算法的输入,使用关联规则算法,分析挖掘数据内部隐含的关联规则;最后,根据关联规则,结合用户要求的性能值,完成指标参数的可靠推荐,为产品更好的在市场推广奠定良好的基础。
这样,能够通过性能值得到推荐指标参数配置,不仅能够完成由采集的基础性能数据到性能评估预测,同时通过生成全量性能指标数据,确保推荐算法参数配置的全量性,为一线工程师在市场产品推广时,最大化的满足客户由性能数据到产品配置的可靠推荐,为产品的推广提供可靠的依据。
参见图3所示,本申请实施例公开了一种存储产品参数配置推荐装置,包括:
参数及取值集合获取模块11,用于获取存储产品的所有指标参数以及每个指标参数的配置取值集合;
全量性能数据获取模块12,用于基于所述所有指标参数的所述配置取值集合获取所述存储产品的全量性能数据;其中,所述全量性能数据包括所述所有指标参数对应的全部配置取值组合,以及每个配置取值组合对应的产品性能值;
关联规则确定模块13,用于基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则;所述指标参数配置取值组合包括所述所有指标参数中多个指标参数的配置取值;
参数配置推荐模块14,用于当获取到用户要求的产品性能值,则基于所述关联规则输出该产品性能值对应的推荐指标参数配置取值组合。
可见,本申请实施例先获取存储产品的所有指标参数以及每个指标参数的配置取值集合,之后基于所述所有指标参数的所述配置取值集合获取所述存储产品的全量性能数据;其中,所述全量性能数据包括所述所有指标参数对应的全部配置取值组合,以及每个配置取值组合对应的产品性能值,以及基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则,所述指标参数配置取值组合包括所述所有指标参数中多个指标参数的配置取值,当获取到用户要求的产品性能值,则基于所述关联规则输出该产品性能值对应的推荐指标参数配置取值组合。也即,本申请实施例基于存储产品的所有指标参数的配置取值集合获取存储产品的全量性能数据,基于全量性能数据挖掘参数配置取值组合与产品性能值的关联规则,当获取到用户要求的产品性能值,则基于关联规则输出相应推荐指标参数配置取值组合,这样,能够避免主观因素的影响,从而提升存储产品参数配置推荐的可靠性。
进一步的,所述装置还还包括性能预测模型获取模块,用于获取性能预测模型;
相应的,所述全量性能数据获取模块12,包括:
全部配置取值组合获取子模块,用于遍历所述所有指标参数的所述配置取值集合,得到所述所有指标参数对应的全部配置取值组合;
全量性能数据子获取模块,用于利用所述性能预测模型,并基于所述全部配置取值组合获取所述存储产品的全量性能数据。
在一种具体的实施方式中,全部配置取值组合获取子模块,具体用于获取基础性能数据;所述基础性能数据包括所述所有指标参数的常用配置取值组合以及利用每个常用配置取值组合对所述存储产品进行性能测试得到的产品性能值;基于预设分类器对所述基础性能数据进行训练,得到所述性能预测评估模型。
在一种具体的实施方式中,全量性能数据子获取模块,具体用于:
从所述全部配置取值组合中确定出非常用配置取值组合;
利用所述性能预测模型预测所述非常用配置取值组合对应的产品性能值;
基于所述基础性能数据以及所述非常用配置取值组合对应的产品性能值确定所述存储产品的全量性能数据。
进一步的,所述装置还包括:预设分类器构建模块,用于基于粒子群算法构建分类器,得到所述预设分类器。
并且,所述装置还包括,还包括全量性能数据更新模块,用于当监测到所述基础性能数据的变化事件,则基于所述变化事件更新所述全量性能数据。
进一步的,所述装置还包括:
关键指标参数确定模块,用于从所述所有指标参数中确定出关键指标参数;
相应的,所述指标参数配置取值组合包含所述关键指标参数的配置取值。
并且,关联规则确定模块13,具体用于基于所述全量性能数据运行预设关联规则算法,并以所述关键指标参数组成的频繁项集开始迭代,得到所述指标参数配置取值组合与产品性能值的关联规则。
在一种实施方式中,关键指标参数确定模块,具体用于获取所述所有指标参数中每个指标参数对应的参数权重;将参数权重大于预设权重阈值的指标参数确定为关键指标参数。
其中,所述获取所述所有指标参数中每个指标参数对应的参数权重,包括:获取基础性能数据;所述基础性能数据包括所述所有指标参数的常用配置取值组合以及利用每个常用配置取值组合对所述存储产品进行性能测试得到的产品性能值;基于预设分类器对所述基础性能数据进行训练,得到每个指标参数对应的参数权重。
另外,所述装置还包括全量性能数据预处理模块,用于在所述基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则之前,对所述全量性能数据中的产品性能值进行分段处理,以将产品性能值处理为相应数据段对应的预设值。
在一种实施方式中,关联规则确定模块13,具体用于基于所述全量性能数据确定不同置信度下的指标参数配置取值组合与产品性能值的关联规则;
相应的,参数配置推荐模块14,具体用于获取用户要求的置信度,基于所述关联规则输出该置信度下该产品性能值对应的推荐指标参数配置取值组合。
参见图4所示,本申请实施例公开了一种电子设备20,包括处理器21和存储器22;其中,所述存储器22,用于保存计算机程序;所述处理器21,用于执行所述计算机程序,以实现以下步骤:
获取存储产品的所有指标参数以及每个指标参数的配置取值集合;基于所述所有指标参数的所述配置取值集合获取所述存储产品的全量性能数据;其中,所述全量性能数据包括所述所有指标参数对应的全部配置取值组合,以及每个配置取值组合对应的产品性能值;基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则;所述指标参数配置取值组合包括所述所有指标参数中多个指标参数的配置取值;当获取到用户要求的产品性能值,则基于所述关联规则输出该产品性能值对应的推荐指标参数配置取值组合。
可见,本申请实施例先获取存储产品的所有指标参数以及每个指标参数的配置取值集合,之后基于所述所有指标参数的所述配置取值集合获取所述存储产品的全量性能数据;其中,所述全量性能数据包括所述所有指标参数对应的全部配置取值组合,以及每个配置取值组合对应的产品性能值,以及基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则,所述指标参数配置取值组合包括所述所有指标参数中多个指标参数的配置取值,当获取到用户要求的产品性能值,则基于所述关联规则输出该产品性能值对应的推荐指标参数配置取值组合。也即,本申请实施例基于存储产品的所有指标参数的配置取值集合获取存储产品的全量性能数据,基于全量性能数据挖掘参数配置取值组合与产品性能值的关联规则,当获取到用户要求的产品性能值,则基于关联规则输出相应推荐指标参数配置取值组合,这样,能够避免主观因素的影响,从而提升存储产品参数配置推荐的可靠性。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:获取性能预测模型;遍历所述所有指标参数的所述配置取值集合,得到所述所有指标参数对应的全部配置取值组合;利用所述性能预测模型,并基于所述全部配置取值组合获取所述存储产品的全量性能数据。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:获取基础性能数据;所述基础性能数据包括所述所有指标参数的常用配置取值组合以及利用每个常用配置取值组合对所述存储产品进行性能测试得到的产品性能值;基于预设分类器对所述基础性能数据进行训练,得到所述性能预测评估模型。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:从所述全部配置取值组合中确定出非常用配置取值组合;利用所述性能预测模型预测所述非常用配置取值组合对应的产品性能值;基于所述基础性能数据以及所述非常用配置取值组合对应的产品性能值确定所述存储产品的全量性能数据。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:基于粒子群算法构建分类器,得到所述预设分类器。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:当监测到所述基础性能数据的变化事件,则基于所述变化事件更新所述全量性能数据。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:从所述所有指标参数中确定出关键指标参数;相应的,所述指标参数配置取值组合包含所述关键指标参数的配置取值。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:基于所述全量性能数据运行预设关联规则算法,并以所述关键指标参数组成的频繁项集开始迭代,得到所述指标参数配置取值组合与产品性能值的关联规则。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:获取所述所有指标参数中每个指标参数对应的参数权重;将参数权重大于预设权重阈值的指标参数确定为关键指标参数。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:获取基础性能数据;所述基础性能数据包括所述所有指标参数的常用配置取值组合以及利用每个常用配置取值组合对所述存储产品进行性能测试得到的产品性能值;基于预设分类器对所述基础性能数据进行训练,得到每个指标参数对应的参数权重。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:对所述全量性能数据中的产品性能值进行分段处理,以将产品性能值处理为相应数据段对应的预设值。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:基于所述全量性能数据确定不同置信度下的指标参数配置取值组合与产品性能值的关联规则;获取用户要求的置信度,基于所述关联规则输出该置信度下该产品性能值对应的推荐指标参数配置取值组合。
并且,所述存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,存储方式可以是短暂存储或者永久存储。
另外,所述电子设备20还包括电源23、通信接口24、输入输出接口25和通信总线26;其中,所述电源23用于为所述电子设备20上的各硬件设备提供工作电压;所述通信接口24能够为所述电子设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;所述输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
进一步的,本申请实施例公开了一种计算机可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现以下步骤:
获取存储产品的所有指标参数以及每个指标参数的配置取值集合;基于所述所有指标参数的所述配置取值集合获取所述存储产品的全量性能数据;其中,所述全量性能数据包括所述所有指标参数对应的全部配置取值组合,以及每个配置取值组合对应的产品性能值;基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则;所述指标参数配置取值组合包括所述所有指标参数中多个指标参数的配置取值;当获取到用户要求的产品性能值,则基于所述关联规则输出该产品性能值对应的推荐指标参数配置取值组合。
可见,本申请实施例先获取存储产品的所有指标参数以及每个指标参数的配置取值集合,之后基于所述所有指标参数的所述配置取值集合获取所述存储产品的全量性能数据;其中,所述全量性能数据包括所述所有指标参数对应的全部配置取值组合,以及每个配置取值组合对应的产品性能值,以及基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则,所述指标参数配置取值组合包括所述所有指标参数中多个指标参数的配置取值,当获取到用户要求的产品性能值,则基于所述关联规则输出该产品性能值对应的推荐指标参数配置取值组合。也即,本申请实施例基于存储产品的所有指标参数的配置取值集合获取存储产品的全量性能数据,基于全量性能数据挖掘参数配置取值组合与产品性能值的关联规则,当获取到用户要求的产品性能值,则基于关联规则输出相应推荐指标参数配置取值组合,这样,能够避免主观因素的影响,从而提升存储产品参数配置推荐的可靠性。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:获取性能预测模型;遍历所述所有指标参数的所述配置取值集合,得到所述所有指标参数对应的全部配置取值组合;利用所述性能预测模型,并基于所述全部配置取值组合获取所述存储产品的全量性能数据。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:获取基础性能数据;所述基础性能数据包括所述所有指标参数的常用配置取值组合以及利用每个常用配置取值组合对所述存储产品进行性能测试得到的产品性能值;基于预设分类器对所述基础性能数据进行训练,得到所述性能预测评估模型。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:从所述全部配置取值组合中确定出非常用配置取值组合;利用所述性能预测模型预测所述非常用配置取值组合对应的产品性能值;基于所述基础性能数据以及所述非常用配置取值组合对应的产品性能值确定所述存储产品的全量性能数据。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:基于粒子群算法构建分类器,得到所述预设分类器。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:当监测到所述基础性能数据的变化事件,则基于所述变化事件更新所述全量性能数据。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:从所述所有指标参数中确定出关键指标参数;相应的,所述指标参数配置取值组合包含所述关键指标参数的配置取值。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:基于所述全量性能数据运行预设关联规则算法,并以所述关键指标参数组成的频繁项集开始迭代,得到所述指标参数配置取值组合与产品性能值的关联规则。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:获取所述所有指标参数中每个指标参数对应的参数权重;将参数权重大于预设权重阈值的指标参数确定为关键指标参数。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:获取基础性能数据;所述基础性能数据包括所述所有指标参数的常用配置取值组合以及利用每个常用配置取值组合对所述存储产品进行性能测试得到的产品性能值;基于预设分类器对所述基础性能数据进行训练,得到每个指标参数对应的参数权重。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:对所述全量性能数据中的产品性能值进行分段处理,以将产品性能值处理为相应数据段对应的预设值。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:基于所述全量性能数据确定不同置信度下的指标参数配置取值组合与产品性能值的关联规则;获取用户要求的置信度,基于所述关联规则输出该置信度下该产品性能值对应的推荐指标参数配置取值组合。
本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它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种存储产品参数配置推荐方法、装置、设备及介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (15)
1.一种存储产品参数配置推荐方法,其特征在于,包括:
获取存储产品的所有指标参数以及每个指标参数的配置取值集合;
基于所述所有指标参数的所述配置取值集合获取所述存储产品的全量性能数据;其中,所述全量性能数据包括所述所有指标参数对应的全部配置取值组合,以及每个配置取值组合对应的产品性能值;
基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则;所述指标参数配置取值组合包括所述所有指标参数中多个指标参数的配置取值;
当获取到用户要求的产品性能值,则基于所述关联规则输出该产品性能值对应的推荐指标参数配置取值组合。
2.根据权利要求1所述的存储产品参数配置推荐方法,其特征在于,还包括:
获取性能预测模型;
相应的,所述基于所述所有指标参数的所述配置取值集合获取所述存储产品的全量性能数据,包括:
遍历所述所有指标参数的所述配置取值集合,得到所述所有指标参数对应的全部配置取值组合;
利用所述性能预测模型,并基于所述全部配置取值组合获取所述存储产品的全量性能数据。
3.根据权利要求2所述的存储产品参数配置推荐方法,其特征在于,所述获取性能预测模型,包括:
获取基础性能数据;所述基础性能数据包括所述所有指标参数的常用配置取值组合以及利用每个常用配置取值组合对所述存储产品进行性能测试得到的产品性能值;
基于预设分类器对所述基础性能数据进行训练,得到所述性能预测评估模型。
4.根据权利要求3所述的存储产品参数配置推荐方法,其特征在于,所述利用所述性能预测模型,并基于所述全部配置取值组合获取所述存储产品的全量性能数据,包括:
从所述全部配置取值组合中确定出非常用配置取值组合;
利用所述性能预测模型预测所述非常用配置取值组合对应的产品性能值;
基于所述基础性能数据以及所述非常用配置取值组合对应的产品性能值确定所述存储产品的全量性能数据。
5.根据权利要求3所述的存储产品参数配置推荐方法,其特征在于,还包括:
基于粒子群算法构建分类器,得到所述预设分类器。
6.根据权利要求3所述的存储产品参数配置推荐方法,其特征在于,还包括:
当监测到所述基础性能数据的变化事件,则基于所述变化事件更新所述全量性能数据。
7.根据权利要求1所述的存储产品参数配置推荐方法,其特征在于,还包括:
从所述所有指标参数中确定出关键指标参数;
相应的,所述指标参数配置取值组合包含所述关键指标参数的配置取值。
8.根据权利要求7所述的存储产品参数配置推荐方法,其特征在于,所述基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则,包括:
基于所述全量性能数据运行预设关联规则算法,并以所述关键指标参数组成的频繁项集开始迭代,得到所述指标参数配置取值组合与产品性能值的关联规则。
9.根据权利要求7所述的存储产品参数配置推荐方法,其特征在于,所述从所述所有指标参数中确定出关键指标参数,包括:
获取所述所有指标参数中每个指标参数对应的参数权重;
将参数权重大于预设权重阈值的指标参数确定为关键指标参数。
10.根据权利要求9所述的存储产品参数配置推荐方法,其特征在于,所述获取所述所有指标参数中每个指标参数对应的参数权重,包括:
获取基础性能数据;所述基础性能数据包括所述所有指标参数的常用配置取值组合以及利用每个常用配置取值组合对所述存储产品进行性能测试得到的产品性能值;
基于预设分类器对所述基础性能数据进行训练,得到每个指标参数对应的参数权重。
11.根据权利要求1所述的存储产品参数配置推荐方法,其特征在于,所述基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则之前,还包括:
对所述全量性能数据中的产品性能值进行分段处理,以将产品性能值处理为相应数据段对应的预设值。
12.根据权利要求1至11任一项所述的存储产品参数配置推荐方法,其特征在于,所述基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则,包括:
基于所述全量性能数据确定不同置信度下的指标参数配置取值组合与产品性能值的关联规则;
相应的,所述基于所述关联规则输出该产品性能值对应的推荐指标参数配置取值组合,包括:
获取用户要求的置信度,基于所述关联规则输出该置信度下该产品性能值对应的推荐指标参数配置取值组合。
13.一种存储产品参数配置推荐装置,其特征在于,包括:
参数及取值集合获取模块,用于获取存储产品的所有指标参数以及每个指标参数的配置取值集合;
全量性能数据获取模块,用于基于所述所有指标参数的所述配置取值集合获取所述存储产品的全量性能数据;其中,所述全量性能数据包括所述所有指标参数对应的全部配置取值组合,以及每个配置取值组合对应的产品性能值;
关联规则确定模块,用于基于所述全量性能数据确定指标参数配置取值组合与产品性能值的关联规则;所述指标参数配置取值组合包括所述所有指标参数中多个指标参数的配置取值;
参数配置推荐模块,用于当获取到用户要求的产品性能值,则基于所述关联规则输出该产品性能值对应的推荐指标参数配置取值组合。
14.一种电子设备,其特征在于,包括存储器和处理器,其中:
所述存储器,用于保存计算机程序;
所述处理器,用于执行所述计算机程序,以实现如权利要求1至12任一项所述的存储产品参数配置推荐方法。
15.一种计算机可读存储介质,其特征在于,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至12任一项所述的存储产品参数配置推荐方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211306930.0A CN115392592B (zh) | 2022-10-25 | 2022-10-25 | 一种存储产品参数配置推荐方法、装置、设备及介质 |
PCT/CN2023/078505 WO2024087428A1 (zh) | 2022-10-25 | 2023-02-27 | 一种存储产品参数配置推荐方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211306930.0A CN115392592B (zh) | 2022-10-25 | 2022-10-25 | 一种存储产品参数配置推荐方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115392592A true CN115392592A (zh) | 2022-11-25 |
CN115392592B CN115392592B (zh) | 2023-03-24 |
Family
ID=84127866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211306930.0A Active CN115392592B (zh) | 2022-10-25 | 2022-10-25 | 一种存储产品参数配置推荐方法、装置、设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115392592B (zh) |
WO (1) | WO2024087428A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401468A (zh) * | 2023-04-17 | 2023-07-07 | 哈尔滨工业大学 | 一种基于产品概念设计特性组合的智能推荐***及方法 |
WO2024087428A1 (zh) * | 2022-10-25 | 2024-05-02 | 浪潮电子信息产业股份有限公司 | 一种存储产品参数配置推荐方法、装置、设备及介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111190801A (zh) * | 2019-12-19 | 2020-05-22 | 广州华多网络科技有限公司 | 推荐***测试方法、装置及电子设备 |
CN111459542A (zh) * | 2020-04-09 | 2020-07-28 | 成都安易迅科技有限公司 | 推荐配置指标的确定方法、装置、***、存储介质及设备 |
WO2021000244A1 (en) * | 2019-07-02 | 2021-01-07 | Alibaba Group Holding Limited | Hyperparameter recommendation for machine learning method |
CN112256209A (zh) * | 2020-11-03 | 2021-01-22 | 国电南瑞科技股份有限公司 | 一种云存储***的参数配置优化方法及优化*** |
CN112418978A (zh) * | 2020-11-17 | 2021-02-26 | 中国平安财产保险股份有限公司 | 产品推荐方法、装置、设备及介质 |
CN113254472A (zh) * | 2021-06-17 | 2021-08-13 | 浙江大华技术股份有限公司 | 一种参数配置方法、装置、设备及可读存储介质 |
CN113569151A (zh) * | 2021-09-18 | 2021-10-29 | 平安科技(深圳)有限公司 | 基于人工智能的数据推荐方法、装置、设备及介质 |
CN113590576A (zh) * | 2021-02-05 | 2021-11-02 | 华中科技大学 | 数据库参数调整方法、装置、存储介质以及电子设备 |
CN114118433A (zh) * | 2020-08-26 | 2022-03-01 | 华为技术有限公司 | 一种设备的配置参数的推荐方法及装置 |
CN114356893A (zh) * | 2022-01-11 | 2022-04-15 | 平安科技(深圳)有限公司 | 基于机器学习的元数据调优方法、装置、设备及存储介质 |
CN114461905A (zh) * | 2022-01-04 | 2022-05-10 | 网易传媒科技(北京)有限公司 | 参数调整方法、装置、推荐***、电子设备及存储介质 |
CN114610234A (zh) * | 2022-02-28 | 2022-06-10 | 浪潮电子信息产业股份有限公司 | 一种存储***参数推荐方法及相关装置 |
CN115062480A (zh) * | 2022-04-20 | 2022-09-16 | 希望知舟技术(深圳)有限公司 | 生产工艺参数的推荐方法及相关装置和程序介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10361925B1 (en) * | 2016-06-23 | 2019-07-23 | Nutanix, Inc. | Storage infrastructure scenario planning |
CN109635006A (zh) * | 2018-12-17 | 2019-04-16 | 山大地纬软件股份有限公司 | 基于Apriori的社保业务关联规则挖掘和推荐装置及方法 |
CN115129572B (zh) * | 2022-07-29 | 2024-06-28 | 苏州浪潮智能科技有限公司 | 一种性能测试方法、装置、设备及介质 |
CN115392592B (zh) * | 2022-10-25 | 2023-03-24 | 浪潮电子信息产业股份有限公司 | 一种存储产品参数配置推荐方法、装置、设备及介质 |
-
2022
- 2022-10-25 CN CN202211306930.0A patent/CN115392592B/zh active Active
-
2023
- 2023-02-27 WO PCT/CN2023/078505 patent/WO2024087428A1/zh unknown
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021000244A1 (en) * | 2019-07-02 | 2021-01-07 | Alibaba Group Holding Limited | Hyperparameter recommendation for machine learning method |
CN111190801A (zh) * | 2019-12-19 | 2020-05-22 | 广州华多网络科技有限公司 | 推荐***测试方法、装置及电子设备 |
CN111459542A (zh) * | 2020-04-09 | 2020-07-28 | 成都安易迅科技有限公司 | 推荐配置指标的确定方法、装置、***、存储介质及设备 |
CN114118433A (zh) * | 2020-08-26 | 2022-03-01 | 华为技术有限公司 | 一种设备的配置参数的推荐方法及装置 |
CN112256209A (zh) * | 2020-11-03 | 2021-01-22 | 国电南瑞科技股份有限公司 | 一种云存储***的参数配置优化方法及优化*** |
CN112418978A (zh) * | 2020-11-17 | 2021-02-26 | 中国平安财产保险股份有限公司 | 产品推荐方法、装置、设备及介质 |
CN113590576A (zh) * | 2021-02-05 | 2021-11-02 | 华中科技大学 | 数据库参数调整方法、装置、存储介质以及电子设备 |
CN113254472A (zh) * | 2021-06-17 | 2021-08-13 | 浙江大华技术股份有限公司 | 一种参数配置方法、装置、设备及可读存储介质 |
CN113569151A (zh) * | 2021-09-18 | 2021-10-29 | 平安科技(深圳)有限公司 | 基于人工智能的数据推荐方法、装置、设备及介质 |
CN114461905A (zh) * | 2022-01-04 | 2022-05-10 | 网易传媒科技(北京)有限公司 | 参数调整方法、装置、推荐***、电子设备及存储介质 |
CN114356893A (zh) * | 2022-01-11 | 2022-04-15 | 平安科技(深圳)有限公司 | 基于机器学习的元数据调优方法、装置、设备及存储介质 |
CN114610234A (zh) * | 2022-02-28 | 2022-06-10 | 浪潮电子信息产业股份有限公司 | 一种存储***参数推荐方法及相关装置 |
CN115062480A (zh) * | 2022-04-20 | 2022-09-16 | 希望知舟技术(深圳)有限公司 | 生产工艺参数的推荐方法及相关装置和程序介质 |
Non-Patent Citations (6)
Title |
---|
MAIRIELI SANTOS WESSEL: "Tweaking Association Rules to Optimize Software Change Recommendations", 《PROCEEDINGS OF THE XXXI BRAZILIAN SYMPOSIUM ON SOFTWARE ENGINEERING》 * |
余鹏程等: "基于属性规则与关联规则的推荐模型设计", 《电子科技》 * |
吴宾等: "联合正则化的矩阵分解推荐算法", 《软件学报》 * |
张华欣: "基于大数据的混合Top-N推荐算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
贾晓光: "基于Spark的并行化协同深度推荐模型", 《计算机工程与应用》 * |
面向数据分析的探索式服务组合推荐技术研究: "面向数据分析的探索式服务组合推荐技术研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024087428A1 (zh) * | 2022-10-25 | 2024-05-02 | 浪潮电子信息产业股份有限公司 | 一种存储产品参数配置推荐方法、装置、设备及介质 |
CN116401468A (zh) * | 2023-04-17 | 2023-07-07 | 哈尔滨工业大学 | 一种基于产品概念设计特性组合的智能推荐***及方法 |
CN116401468B (zh) * | 2023-04-17 | 2023-12-19 | 哈尔滨工业大学 | 一种基于产品概念设计特性组合的智能推荐***及方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2024087428A1 (zh) | 2024-05-02 |
CN115392592B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115392592B (zh) | 一种存储产品参数配置推荐方法、装置、设备及介质 | |
CN109818961B (zh) | 一种网络入侵检测方法、装置和设备 | |
CN112907026A (zh) | 一种基于可编辑网状指标体系的综合评估方法 | |
CN111025041A (zh) | 电动汽车充电桩监测方法及其***、计算机设备、介质 | |
CN112884569A (zh) | 一种信用评估模型的训练方法、装置及设备 | |
CN110321458B (zh) | 一种基于控制流图的数据流分析方法及装置 | |
JP7173234B2 (ja) | 情報処理に用いられる方法、装置、デバイス及び記憶媒体 | |
LU505740B1 (en) | Data monitoring method and system | |
CN117763316A (zh) | 一种基于机器学习的高维数据降维方法及降维*** | |
Kusa et al. | Vombat: A tool for visualising evaluation measure behaviour in high-recall search tasks | |
CN111949530A (zh) | 测试结果的预测方法、装置、计算机设备及存储介质 | |
JP2018190129A (ja) | 判定装置、分析システム、判定方法および判定プログラム | |
CN111008119A (zh) | 一种硬盘预测模型的更新方法、装置、设备及介质 | |
CN116502234A (zh) | 一种基于决策树的漏洞价值动态评估方法和装置 | |
CN115454466A (zh) | 机器学习模型自动更新的方法、装置、设备和介质 | |
US11762562B2 (en) | Performance analysis apparatus and performance analysis method | |
CN111461344B (zh) | 高阶特征的自动生成方法、***、设备和介质 | |
CN114610590A (zh) | 作业运行时长确定方法、装置、设备及存储介质 | |
CN109436980B (zh) | 电梯部件的状态检测方法和*** | |
CN113610225A (zh) | 质量评估模型训练方法、装置、电子设备及存储介质 | |
CN113312027A (zh) | 工业***开发方法、电子设备及存储介质 | |
CN111026661A (zh) | 一种软件易用性全面测试方法及*** | |
CN115859768B (zh) | 一种动态装配作业车间工件完工时间预测方法及装置 | |
CN115473232B (zh) | 一种负荷参数调整方法、***、设备和存储介质 | |
CN114254764B (zh) | 基于反馈的机器学习模型搜索方法、***、设备及介质 |
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 |