CN117171140A - 一种数据迁移方法及装置 - Google Patents
一种数据迁移方法及装置 Download PDFInfo
- Publication number
- CN117171140A CN117171140A CN202311391778.5A CN202311391778A CN117171140A CN 117171140 A CN117171140 A CN 117171140A CN 202311391778 A CN202311391778 A CN 202311391778A CN 117171140 A CN117171140 A CN 117171140A
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- migration
- target
- transmission
- 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
- 238000013508 migration Methods 0.000 title claims abstract description 108
- 230000005012 migration Effects 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000005540 biological transmission Effects 0.000 claims abstract description 84
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 21
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 67
- 238000009826 distribution Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 238000002360 preparation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种数据迁移方法及装置,涉及大数据技术领域,本发明通过奇异值分解SVD将源数据从高维度降至目标特定数量的维度,减少数据的复杂性,通过奇异值分解SVD降维,加速数据迁移过程,然后基于混合整数线性规划MILP技术建立数据迁移模型,保证传输高效的且在预算内,确保数据传输的低成本高效益,尤其是在大规模数据迁移任务中,成本的降低将非常显著,通过MILP技术建立的数据迁移模型定义的约束条件,确保数据传输的准确性和一致性,每个源数据样本只能传输到一个目标数据样本,每个目标数据样本只能接收来自一个源数据样本的传输,有效维持数据的关联性,通过强约束条件和K‑L散度度量,确保数据传输的一致性,减小数据不一致性的风险。
Description
技术领域
本发明涉及大数据技术领域,具体为一种数据迁移方法及装置。
背景技术
数据迁移又称分级存储管理,是一种将离线存储与在线存储融合的技术,它将高速、高容量的非在线存储设备作为磁盘设备的下一级设备,然后将磁盘中常用的数据按指定的策略自动迁移到磁带库等二级大容量存储设备上,当需要使用这些数据时,分级存储***会自动将这些数据从下一级存储设备调回到上一级磁盘上。
数据迁移的实现可以分为3个阶段:数据迁移前的准备、数据迁移的实施和数据迁移后的校验,由于数据迁移的特点,大量的工作都需要在准备阶段完成,充分而周到的准备工作是完成数据迁移的主要基础,具体而言,要进行待迁移数据源的详细说明,包括数据的存储方式、数据量、数据的时间跨度;建立新旧***数据库的数据字典;对旧***的历史数据进行质量分析,新旧***数据结构的差异分析;新旧***代码数据的差异分析;建立新老***数据库表的映射关系,对无法映射字段的处理方法;开发、部署ETL工具,编写数据转换的测试计划和校验程序;制定数据转换的应急措施,其中,数据迁移的实施是实现数据迁移的3个阶段中最重要的环节,它要求制定数据转换的详细实施步骤流程;准备数据迁移环境;业务上的准备,结束未处理完的业务事项,或将其告一段落;对数据迁移涉及的技术都得到测试;最后实施数据迁移。
然而现有的数据迁移方法在处理大规模数据时,由于大规模数据包含大量的记录、特征和信息,需要有效的硬件资源支持,包括服务器、存储设备和带宽,导致迁移成本较高,且由于数据规模较大,包含多个数据源、数据格式和数据类型,数据的多样性增加了数据迁移和处理的复杂性,无法有效保证传输后的数据质量,数据传输一致性较差,因此亟需一种针对大规模数据降低成本,提高数据迁移一致性的数据迁移方法及装置来解决此类问题。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种数据迁移方法及装置,解决现有技术中存在的处理大规模数据时迁移成本较高,且无法有效保证传输后的数据质量的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现,本发明提供了一种数据迁移方法,包括:
步骤1.源数据和目标数据预处理,将源数据和目标数据进行数据清洗、去除异常值和标准化;
步骤2.采用SVD奇异值分解进行数据降维,对源数据进行奇异值分解减少数据的维度;
步骤3.数据迁移模型建立,基于MILP混合整数线性规划技术建立数据迁移模型,定义决策变量,目标函数和约束条件,其中目标函数定义为:满足数据传输的约束条件同时最小化数据迁移的总成本;
步骤4.数据分布差异度量,基于Kullback-Leibler(K-L)散度度量源数据和目标数据间的分布差异;
步骤5.传输量矩阵获取,基于Gurobi获得最优的数据传输量矩阵,优化目标为满足约束条件和K-L散度的要求的同时最小化数据迁移的总成本;
步骤6.数据传输,采用优化求解器获得的传输量矩阵进行数据传输操作,将源数据映射到目标数据。
本发明进一步地设置为:所述步骤2中,基于SVD奇异值分解步骤包括:
设源数据矩阵为X,X经过中心化包含m个样本和n个特征,执行SVD获得奇异值矩阵和左奇异向量矩阵U;
使用奇异值分解方式为:,
其中U是的左奇异向量矩阵,/>是/>的奇异值对角矩阵,/>表示为的右奇异向量矩阵;
设要将数据降维到的目标特征数量为整数k;
进行降维矩阵计算,仅保留U和的前k列,形成新的左奇异向量矩阵/>和对角矩阵/>,分别为/>和/>的矩阵,表示为:
,保留U的前k列,
,仅保留/>的前/>块,
使用新的左奇异向量矩阵和对角矩阵/>计算降维后的数据矩阵/>,维度为:
;
获得降维后的数据,其中每个样本在降维后仅包含k个特征;
本发明进一步地设置为:所述步骤3中,基于MILP建立数据迁移模型的具体步骤包括:
定义决策变量为,表示从源数据的样本i到目标数据的样本j的传输量;
建立目标函数的最小化数据迁移的总成:
,
其中m表示源数据样本数量,p表示目标数据样本数量,在满足数据传输的约束条件的同时减小总成本;
建立约束条件,每个源数据样本i只传输到一个目标数据样本j,并且每个目标数据样本j只接收来自一个源数据样本i的传输,约束表达为:
;
;
本发明进一步地设置为:所述步骤3中,基于MILP建立数据迁移模型的步骤还包括:
表示每个源数据样本i只能传输到目标数据一个样本j;
针对源数据和目标数据数量不同的情况,添加约束条件:
,
,
其中表示目标数据样本j需要的数据数量,/>表示源数据样本i可用的数据数量;
利用MILP求解器将建立的MILP模型输入求解器获得最优的传输量矩阵T;
本发明进一步地设置为:所述步骤4中,基于K-L散度度量源数据和目标数据间分布差异步骤包括:
设P表示源数据的概率分布,Q表示目标数据的概率分布;
K-L散度计算方式为:
,
其中,即K-L散度,i表示数据的不同状态,P(i)表示源数据中状态i的概率,Q(i)表示目标数据中状态i的概率;
计算K-L散度生成的值表示源数据和目标数据之间分布差异;
本发明进一步地设置为:所述步骤5中,基于Gurobi获得最优的数据传输量矩阵步骤包括:
基于数据迁移模型建立步骤中,所建立的数据传输模型:,将建立的MILP模型输入Gurobi求解器中;
调用求解器找到最优的传输量矩阵T,通过Gurobi寻找最优的传输方案;
求解完成后从Gurobi获取最优解,包括最优的传输量矩阵T以及相应的目标函数值;
本发明进一步地设置为:所述步骤5中,通过Gurobi寻找最优的传输方案方法包括:
使用Python导入Gurobi求解器;
使用Gurobi提供的API创建MILP模型对象;
将步骤3中定义的MILP数学模型加载到Gurobi模型对象中;
调用Gurobi求解器解决MILP问题,找到最优的传输量矩阵T;
本发明还提供一种数据迁移装置,包括:
数据处理模块,用于对源数据以及目标数据进行预处理,并对源数据进行奇异值分解;
迁移模块,用于迁移模型建立,基于MILP混合整数线性规划技术建立数据迁移模型,同时定义决策变量;
分布差异度量模块,用于度量源数据和目标数据间的分布差异;
传输量矩阵获取模块,用于获得最优的数据传输量矩阵;
数据传输模块,用于将优化求解器获得的传输量矩阵进行数据传输;
本发明还提供一种终端设备,该设备包括:存储器、处理器及存储在存储器上并可在处理器上运行的数据迁移方法的控制程序,所述数据迁移方法的控制程序被所述处理器执行时实现上述的数据迁移方法;
本发明还提供一种存储介质,该介质应用于计算机,所述存储介质上存储有数据迁移方法的控制程序,所述数据迁移方法的控制程序被所述处理器执行时实现上述的数据迁移方法。
(三)有益效果
本发明提供了一种数据迁移方法及装置。具备以下有益效果:
本申请所提供的数据迁移方法从源数据向目标数据进行有效的信息传输,满足特定约束条件和K-L散度要求,同时最小化数据迁移的总成本。
首先对源数据和目标数据进行预处理,然后通过奇异值分解SVD将源数据从高维度降至目标特定数量的维度,减少数据的复杂性,通过奇异值分解SVD降维,数据的维度显著减小,加速数据迁移过程。
然后基于混合整数线性规划MILP技术建立数据迁移模型,模型定义决策变量、目标函数和约束条件,目标函数的目标是最小化总成本,同时满足约束条件,保证传输高效的且在预算内,确保数据传输的低成本高效益,尤其是在大规模数据迁移任务中,成本的降低将非常显著。
同时通过MILP技术建立的数据迁移模型定义的约束条件,确保数据传输的准确性和一致性,每个源数据样本只能传输到一个目标数据样本,每个目标数据样本只能接收来自一个源数据样本的传输,有效维持数据的关联性,通过强约束条件和K-L散度度量,确保数据传输的一致性,每个数据样本都能够在迁移后包含相同数量的特征,减小数据不一致性的风险。
同时K-L散度用来量化源数据和目标数据之间的分布差异,便于确定数据间的差异性,然后利用Gurobi求解器,基于建立的MILP模型找到最优的传输量矩阵,确保满足约束条件和K-L散度要求的同时最小化数据迁移的总成本。
最后通过最优传输量矩阵,执行数据传输操作,将源数据映射到目标数据,可以根据特定业务需求和预算要求调整约束条件、K-L散度要求和降低维度,满足不同情况下的需求,减少人工干预的需求,在大规模数据迁移任务中节省时间和人力资源。
解决了现有技术中存在的处理大规模数据时迁移成本较高,且无法有效保证传输后的数据质量的问题。
附图说明
图1为本发明的数据迁移方法流程图;
图2为本发明的数据迁移装置框架图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例
请参阅图1-图2,本发明提供一种数据迁移方法,包括:
S1.源数据和目标数据预处理,将源数据和目标数据进行数据清洗、去除异常值和标准化;
S2.采用SVD奇异值分解进行数据降维,对源数据进行奇异值分解减少数据的维度;
所述步骤2中,基于SVD奇异值分解步骤包括:
设源数据矩阵为X,X经过中心化包含m个样本和n个特征,执行SVD获得奇异值矩阵和左奇异向量矩阵U;
使用奇异值分解方式为:,
其中U是的左奇异向量矩阵,/>是/>的奇异值对角矩阵,/>表示为的右奇异向量矩阵;
设要将数据降维到的目标特征数量为整数k;
进行降维矩阵计算,仅保留U和的前k列,形成新的左奇异向量矩阵/>和对角矩阵/>,分别为/>和/>的矩阵,表示为:
,保留U的前k列。
,仅保留/>的前/>块;
使用新的左奇异向量矩阵和对角矩阵/>计算降维后的数据矩阵/>,维度为:
;
获得降维后的数据,其中每个样本在降维后仅包含k个特征;从而减小数据的维度;
S3.数据迁移模型建立,基于MILP混合整数线性规划技术建立数据迁移模型,定义决策变量,目标函数和约束条件,其中目标函数定义为:满足数据传输的约束条件同时最小化数据迁移的总成本;
所述步骤3中,基于MILP建立数据迁移模型的具体步骤包括:
定义决策变量为,表示从源数据的样本i到目标数据的样本j的传输量;
建立目标函数的最小化数据迁移的总成:
,
其中m表示源数据样本数量,p表示目标数据样本数量,在满足数据传输的约束条件的同时减小总成本;
建立约束条件,每个源数据样本i只传输到一个目标数据样本j,并且每个目标数据样本j只接收来自一个源数据样本i的传输,约束表达为:
;
,
所述步骤3中,基于MILP建立数据迁移模型的步骤还包括:
表示每个源数据样本i只能传输到目标数据一个样本j;
针对源数据和目标数据数量不同的情况,添加约束条件:
,
,
其中表示目标数据样本j需要的数据数量,/>表示源数据样本i可用的数据数量;
利用MILP求解器将建立的MILP模型输入求解器获得最优的传输量矩阵T;
S4.数据分布差异度量,基于Kullback-Leibler(K-L)散度度量源数据和目标数据间的分布差异;
所述步骤4中,基于K-L散度度量源数据和目标数据间分布差异步骤包括:
设P表示源数据的概率分布,Q表示目标数据的概率分布;
K-L散度计算方式为:
,
其中,即K-L散度,i表示数据的不同状态,P(i)表示源数据中状态i的概率,Q(i)表示目标数据中状态i的概率;
计算K-L散度生成的值表示源数据和目标数据之间分布差异;
通过分析K-L散度的值,确定源数据和目标数据间的差异性,以及哪些数据状态在差异中起关键作用;
S5.传输量矩阵获取,基于Gurobi获得最优的数据传输量矩阵,优化目标为满足约束条件和K-L散度的要求的同时最小化数据迁移的总成本;
所述步骤5中,基于Gurobi获得最优的数据传输量矩阵步骤包括:
基于数据迁移模型建立步骤中,所建立的数据传输模型:,将建立的MILP模型输入Gurobi求解器中;
调用求解器找到最优的传输量矩阵T,通过Gurobi寻找最优的传输方案;
求解完成后从Gurobi获取最优解,包括最优的传输量矩阵T以及相应的目标函数值;
所述步骤5中,通过Gurobi寻找最优的传输方案方法包括:
使用Python导入Gurobi求解器;
使用Gurobi提供的API创建MILP模型对象;
将步骤3中定义的MILP数学模型加载到Gurobi模型对象中;
调用Gurobi求解器解决MILP问题,找到最优的传输量矩阵T;
S6.数据传输,采用优化求解器获得的传输量矩阵进行数据传输操作,将源数据映射到目标数据。
本发明还提供一种数据迁移装置,包括:
数据处理模块,用于对源数据以及目标数据进行预处理,并对源数据进行奇异值分解;
迁移模块,用于迁移模型建立,基于MILP混合整数线性规划技术建立数据迁移模型,同时定义决策变量;
分布差异度量模块,用于度量源数据和目标数据间的分布差异;
传输量矩阵获取模块,用于获得最优的数据传输量矩阵;
数据传输模块,用于将优化求解器获得的传输量矩阵进行数据传输;
本发明还提供一种终端设备,该设备包括:存储器、处理器及存储在存储器上并可在处理器上运行的数据迁移方法的控制程序,数据迁移方法的控制程序被处理器执行时实现上述的数据迁移方法;
本发明还提供一种存储介质,该介质应用于计算机,存储介质上存储有数据迁移方法的控制程序,数据迁移方法的控制程序被处理器执行时实现上述的数据迁移方法。
综合以上内容,在本申请中:
本申请所提供的数据迁移方法从源数据向目标数据进行有效的信息传输,满足特定约束条件和K-L散度要求,同时最小化数据迁移的总成本。
首先对源数据和目标数据进行预处理,然后通过奇异值分解SVD将源数据从高维度降至目标特定数量的维度,减少数据的复杂性,通过奇异值分解SVD降维,数据的维度显著减小,加速数据迁移过程。
然后基于混合整数线性规划MILP技术建立数据迁移模型,模型定义决策变量、目标函数和约束条件,目标函数的目标是最小化总成本,同时满足约束条件,保证传输高效的且在预算内,确保数据传输的低成本高效益,尤其是在大规模数据迁移任务中,成本的降低将非常显著。
同时通过MILP技术建立的数据迁移模型定义的约束条件,确保数据传输的准确性和一致性,每个源数据样本只能传输到一个目标数据样本,每个目标数据样本只能接收来自一个源数据样本的传输,有效维持数据的关联性,通过强约束条件和K-L散度度量,确保数据传输的一致性,每个数据样本都能够在迁移后包含相同数量的特征,减小数据不一致性的风险。
同时K-L散度用来量化源数据和目标数据之间的分布差异,便于确定数据间的差异性,然后利用Gurobi求解器,基于建立的MILP模型找到最优的传输量矩阵,确保满足约束条件和K-L散度要求的同时最小化数据迁移的总成本。
最后通过最优传输量矩阵,执行数据传输操作,将源数据映射到目标数据,可以根据特定业务需求和预算要求调整约束条件、K-L散度要求和降低维度,满足不同情况下的需求,减少人工干预的需求,在大规模数据迁移任务中节省时间和人力资源。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种数据迁移方法,其特征在于,包括:
步骤1.源数据和目标数据预处理,将源数据和目标数据进行数据清洗、去除异常值和标准化;
步骤2.采用SVD奇异值分解进行数据降维,对源数据进行奇异值分解减少数据的维度;
步骤3.数据迁移模型建立,基于MILP混合整数线性规划技术建立数据迁移模型,定义决策变量,目标函数和约束条件,其中目标函数定义为:满足数据传输的约束条件同时最小化数据迁移的总成本;
步骤4.数据分布差异度量,基于Kullback-Leibler(K-L)散度度量源数据和目标数据间的分布差异;
步骤5.传输量矩阵获取,基于Gurobi获得最优的数据传输量矩阵,优化目标为满足约束条件和K-L散度的要求的同时最小化数据迁移的总成本;
步骤6.数据传输,采用优化求解器获得的传输量矩阵进行数据传输操作,将源数据映射到目标数据。
2.根据权利要求1所述的一种数据迁移方法,其特征在于,所述步骤2中,基于SVD奇异值分解步骤包括:
设源数据矩阵为X,X经过中心化包含m个样本和n个特征,执行SVD获得奇异值矩阵和左奇异向量矩阵U;
使用奇异值分解方式为:,
其中U是的左奇异向量矩阵,/>是/>的奇异值对角矩阵,/>表示为/>的右奇异向量矩阵;
设要将数据降维到的目标特征数量为整数k;
进行降维矩阵计算,仅保留U和的前k列,形成新的左奇异向量矩阵/>和对角矩阵/>,分别为/>和/>的矩阵,表示为:
,保留U的前k列,
,仅保留/>的前/>块,
使用新的左奇异向量矩阵和对角矩阵/>计算降维后的数据矩阵/>,维度为/>:
;
获得降维后的数据,其中每个样本在降维后仅包含k个特征。
3.根据权利要求1所述的一种数据迁移方法,其特征在于,所述步骤3中,基于MILP建立数据迁移模型的具体步骤包括:
定义决策变量为,表示从源数据的样本i到目标数据的样本j的传输量;
建立目标函数的最小化数据迁移的总成:
,
其中m表示源数据样本数量,p表示目标数据样本数量,在满足数据传输的约束条件的同时减小总成本;
建立约束条件,每个源数据样本i只传输到一个目标数据样本j,并且每个目标数据样本j只接收来自一个源数据样本i的传输,约束表达为:
;
。
4.根据权利要求1所述的一种数据迁移方法,其特征在于,所述步骤3中,基于MILP建立数据迁移模型的步骤还包括:
表示每个源数据样本i只能传输到目标数据一个样本j;
针对源数据和目标数据数量不同的情况,添加约束条件:
,
,
其中表示目标数据样本j需要的数据数量,/>表示源数据样本i可用的数据数量;
利用MILP求解器将建立的MILP模型输入求解器获得最优的传输量矩阵T。
5.根据权利要求1所述的一种数据迁移方法,其特征在于,所述步骤4中,基于K-L散度度量源数据和目标数据间分布差异步骤包括:
设P表示源数据的概率分布,Q表示目标数据的概率分布;
K-L散度计算方式为:
,
其中,即K-L散度,i表示数据的不同状态,P(i)表示源数据中状态i的概率,Q(i)表示目标数据中状态i的概率;
计算K-L散度生成的值表示源数据和目标数据之间分布差异。
6.根据权利要求1所述的一种数据迁移方法,其特征在于,所述步骤5中,基于Gurobi获得最优的数据传输量矩阵步骤包括:
基于数据迁移模型建立步骤中,所建立的数据传输模型:,将建立的MILP模型输入Gurobi求解器中;
调用求解器找到最优的传输量矩阵T,通过Gurobi寻找最优的传输方案;
求解完成后从Gurobi获取最优解,包括最优的传输量矩阵T以及相应的目标函数值。
7.根据权利要求1所述的一种数据迁移方法,其特征在于,所述步骤5中,通过Gurobi寻找最优的传输方案方法包括:
使用Python导入Gurobi求解器;
使用Gurobi提供的API创建MILP模型对象;
将步骤3中定义的MILP数学模型加载到Gurobi模型对象中;
调用Gurobi求解器解决MILP问题,找到最优的传输量矩阵T。
8.一种数据迁移装置,其特征在于,包括:
数据处理模块,用于对源数据以及目标数据进行预处理,并对源数据进行奇异值分解;
迁移模块,用于迁移模型建立,基于MILP混合整数线性规划技术建立数据迁移模型,同时定义决策变量;
分布差异度量模块,用于度量源数据和目标数据间的分布差异;
传输量矩阵获取模块,用于获得最优的数据传输量矩阵;
数据传输模块,用于将优化求解器获得的传输量矩阵进行数据传输。
9.一种终端设备,其特征在于,该设备包括:存储器、处理器及存储在存储器上并可在处理器上运行的数据迁移方法的控制程序,所述数据迁移方法的控制程序被所述处理器执行时实现如权利要求1-7中任一项所述的数据迁移方法。
10.一种存储介质,其特征在于,该介质应用于计算机,所述存储介质上存储有数据迁移方法的控制程序,所述数据迁移方法的控制程序被所述处理器执行时实现如权利要求1-7中任一项所述的数据迁移方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311391778.5A CN117171140B (zh) | 2023-10-25 | 2023-10-25 | 一种数据迁移方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311391778.5A CN117171140B (zh) | 2023-10-25 | 2023-10-25 | 一种数据迁移方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117171140A true CN117171140A (zh) | 2023-12-05 |
CN117171140B CN117171140B (zh) | 2024-07-12 |
Family
ID=88941609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311391778.5A Active CN117171140B (zh) | 2023-10-25 | 2023-10-25 | 一种数据迁移方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117171140B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200257554A1 (en) * | 2019-02-08 | 2020-08-13 | Fujitsu Limited | Rescheduling of virtual machine migrations with less impact on an existing migration schedule |
CN114330559A (zh) * | 2021-12-28 | 2022-04-12 | 杭州电子科技大学 | 一种基于度量迁移学习的脑电信号识别方法 |
CN114512191A (zh) * | 2022-01-17 | 2022-05-17 | 江南大学 | 一种基于迁移成分分析的青霉素浓度预测方法 |
CN115660369A (zh) * | 2022-11-09 | 2023-01-31 | 阿里巴巴(中国)有限公司 | 服务器迁移策略确定方法、电子设备及存储介质 |
CN115935140A (zh) * | 2022-11-24 | 2023-04-07 | 杭州电子科技大学 | 一种基于黎曼流形切空间对齐的主传输迁移成分识别方法 |
-
2023
- 2023-10-25 CN CN202311391778.5A patent/CN117171140B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200257554A1 (en) * | 2019-02-08 | 2020-08-13 | Fujitsu Limited | Rescheduling of virtual machine migrations with less impact on an existing migration schedule |
CN114330559A (zh) * | 2021-12-28 | 2022-04-12 | 杭州电子科技大学 | 一种基于度量迁移学习的脑电信号识别方法 |
CN114512191A (zh) * | 2022-01-17 | 2022-05-17 | 江南大学 | 一种基于迁移成分分析的青霉素浓度预测方法 |
CN115660369A (zh) * | 2022-11-09 | 2023-01-31 | 阿里巴巴(中国)有限公司 | 服务器迁移策略确定方法、电子设备及存储介质 |
CN115935140A (zh) * | 2022-11-24 | 2023-04-07 | 杭州电子科技大学 | 一种基于黎曼流形切空间对齐的主传输迁移成分识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117171140B (zh) | 2024-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240185130A1 (en) | Normalizing text attributes for machine learning models | |
US6879984B2 (en) | Analytical database system that models data to speed up and simplify data analysis | |
CN112100219B (zh) | 基于数据库查询处理的报表生成方法、装置、设备和介质 | |
CN111291049A (zh) | 一种创建表的方法、装置、设备和存储介质 | |
CN111340584A (zh) | 一种资金方的确定方法、装置、设备及存储介质 | |
CN116881718A (zh) | 一种基于大数据清洗的人工智能训练方法及*** | |
CN114968774A (zh) | 一种多源异构跨项目软件缺陷预测方法 | |
CN113918532A (zh) | 画像标签聚合方法、电子设备及存储介质 | |
CN113138906A (zh) | 一种调用链数据采集方法、装置、设备及存储介质 | |
CN117171140B (zh) | 一种数据迁移方法及装置 | |
CN110188033B (zh) | 数据检测装置、方法、计算机设备及计算机可读存储介质 | |
CN110287272A (zh) | 一种可配置实时特征提取方法、装置及*** | |
CN112905677A (zh) | 数据处理方法及装置、业务处理***和计算机设备 | |
CN113139881B (zh) | 双电源用户主供电源识别方法、装置、设备及存储介质 | |
CN112307047B (zh) | 生产问题处理方法、装置、设备和存储介质 | |
CN111209214B (zh) | 代码测试处理方法、装置、电子设备及介质 | |
KR102159574B1 (ko) | 인공지능 학습데이터 생성을 위한 크라우드소싱 기반 프로젝트의 작업 결과의 정확도 추정 및 관리 방법 | |
CN113779116A (zh) | 对象排序方法、相关设备及介质 | |
CN110399298A (zh) | 一种测试方法及装置 | |
CN113094415B (zh) | 数据抽取方法、装置、计算机可读介质及电子设备 | |
CN111402016B (zh) | 全成本检查方法及其*** | |
CN112597128A (zh) | 一种数据迁移方法及装置 | |
CN115687512A (zh) | 风险数据处理方法、装置、设备、介质和计算机程序产品 | |
CN116955319A (zh) | 业务数据迁移方法、装置、设备及存储介质 | |
Maruša et al. | Leveraging big data technologies for supporting DSO operations and adding business value to the collected data |
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 |