CN117312208A - Io模块多适配器控制方法、装置、设备及存储介质 - Google Patents
Io模块多适配器控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117312208A CN117312208A CN202311406503.4A CN202311406503A CN117312208A CN 117312208 A CN117312208 A CN 117312208A CN 202311406503 A CN202311406503 A CN 202311406503A CN 117312208 A CN117312208 A CN 117312208A
- Authority
- CN
- China
- Prior art keywords
- adapter
- data
- characteristic data
- deep learning
- learning model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 18
- 239000000284 extract Substances 0.000 claims abstract description 11
- 238000013136 deep learning model Methods 0.000 claims description 60
- 239000011159 matrix material Substances 0.000 claims description 40
- 230000008439 repair process Effects 0.000 claims description 35
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 108090000623 proteins and genes Proteins 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000013459 approach Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F13/00—Interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
- G06F13/38—Information transfer, e.g. on bus
- G06F13/382—Information transfer, e.g. on bus using universal interface adapter
- G06F13/387—Information transfer, e.g. on bus using universal interface adapter for adaptation of different data processing systems to different peripheral devices, e.g. protocol converters for incompatible systems, open system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及控制技术领域，公开了一种IO模块多适配器控制方法、装置、设备及存储介质。所述IO模块多适配器控制方法包括：IO模块启动并检查所有接口卡位及所有接口卡位上相应的适配器，并采集各个适配器的第一特性数据和各个适配器的第二特性数据，根据所述第一特性数据和所述第二特性数据抽取目标硬件信息，根据所述目标硬件信息执行各个适配器的初始化，优化各个适配器的配置。本发明为硬件配置和故障处理提供了智能化的解决方案，提升了***的性能、可靠性和管理效率。
Description
技术领域
本发明涉及控制技术领域，尤其涉及一种IO模块多适配器控制方法、装置、设备及存储介质。
背景技术
对于特定硬件的管理和维护，一种常见的方法是利用固定的硬件配置和驱动程序版本。然而，这种方法必然依赖于人工进行硬件配置和管理，容错率低且效率有限。此外，当需要处理大量由多类型、多版本的硬件适配器组成的复杂***时，该任务将变得非常困难。
同时，传统的硬件管理***往往缺乏自动化和智能化的特点。例如，当新硬件接入***时，通常需要人工介入进行适配器的检查、驱动程序的安装以及硬件配置的优化等。这种方法不仅负担繁重，而且在硬件规模逐渐扩大的情况下，可能导致大量的人力资源浪费。
另外，传统***在面对硬件故障时往往采取反应性的处理方式，即在故障发生后及时进行报告和处理。这种方式无法提前预知和防止硬件故障，给***的稳定性带来挑战。
以上问题说明，现有的硬件资源管理及调度***在自动适配识别与配置、故障预测与处理、资源优化调度等方面存在诸多挑战，有必要进行改进和优化。
发明内容
本发明提供了一种IO模块多适配器控制方法、装置、设备及存储介质，用于解决如何实现硬件配置优化和硬件故障智能化处理的的技术问题。
本发明第一方面提供了一种IO模块多适配器控制方法，所述IO模块多适配器控制方法包括：
IO模块启动并检查所有接口卡位及所有接口卡位上相应的适配器，并采集各个适配器的第一特性数据和各个适配器的第二特性数据，根据所述第一特性数据和所述第二特性数据抽取目标硬件信息，根据所述目标硬件信息执行各个适配器的初始化，优化各个适配器的配置；其中，所述第一特性数据至少包括各个适配器的型号、版本、制造商信息，所述第二特性数据至少包括各个适配器的驱动程序版本；
将采集的所述第一特性数据和所述第二特性数据输入至训练后的深度学习模型中进行识别和分类，得到分类结果，根据所述分类结果自动加载匹配的驱动程序和配置；其中，所述深度学习模型至少包括第一深度学习模型和第二深度学习模型；
获取当前待分配的预期工作数据以及工作任务的优先级，并根据所述分类结果，获取的预期工作数据以及工作任务的优先级对每个适配器进行调度和优化；
采集各个适配器执行工作任务时的多维度运行数据，并对所述多维度运行数据进行分类处理，得到分类后的运行数据；其中，所述分类后的运行数据至少包括CPU负载，内存使用，网络带宽，电力消耗，工作温度；
根据分类后的运行数据，对各个适配器进行故障分析处理，得到故障预测数据，根据所述故障预测数据对各个适配器工作任务以及工作任务的优先级进行重新分配。
可选的，在本发明第一方面的第一种实现方式中，所述IO模块启动并检查所有接口卡位及所有接口卡位上相应的适配器，并采集各个适配器的第一特性数据和各个适配器的第二特性数据，根据所述第一特性数据和所述第二特性数据抽取目标硬件信息，根据所述目标硬件信息执行各个适配器的初始化，优化各个适配器的配置，包括：
IO模块启动并检查所有接口卡位及所有接口卡位上相应的适配器；
在接收到数据采集命令后，确定待收集的硬件参数；其中，所述硬件参数包括第一特性数据中的各个适配器的型号、版本、制造商信息和第二特性数据中各个适配器的驱动程序版本；
获取感测设备版本信息，根据待收集的硬件参数和所获取的感测设备版本信息，在硬件信息数据库中查询对应的数据采集指令和数据匹配规则；
执行查询到的数据采集指令，从硬件中获取硬件信息；
依据查询到的数据匹配规则，执行筛选，从获取的硬件信息中抽取目标硬件信息，根据所述目标硬件信息执行各个适配器的初始化，优化各个适配器的配置。
可选的，在本发明第一方面的第二种实现方式中，包括：所述第一深度学习模型的训练过程，包括：
收集训练数据，其中，所述训练数据包括用户网络行为映射的图谱结构和用户属性，所述训练数据还包括在预定地理位置内注册了特定账户的N个用户；所述图谱结构包括N个顶点，每个顶点抽象表示一个特定账户的用户，所述用户属性表示各个训练对象的特性信息；
根据所述图谱结构，确定N个顶点中每个顶点的初始特征数据以及每个顶点的邻阶矩阵数据；
基于每个顶点的初始特性数据以及相应的邻接矩阵数据，执行顶点重要性评估，从中挑选出K个关键顶点；其中，K是一个小于N的正整数；K个关键顶点是基于每个顶点的重要性评分从N个顶点中选择出的，所述重要性评分满足预定的界值区间；
对识别的K个关键顶点进行分类，得出训练对象的预计属性；
根据训练对象的真实属性和预计属性，对预设模型进行训练，得到第一深度学习模型；其中，所述第一深度学习模型用于对采集的所述第一特性数据和所述第二特性数据进行识别和分类，以确定目标对象的属性，得到分类数据。
可选的，在本发明第一方面的第三种实现方式中，所述获取当前待分配的预期工作数据以及工作任务的优先级，并根据所述分类结果，获取的预期工作数据以及工作任务的优先级对每个适配器进行调度和优化，包括：
获取当前预期工作数据和工作任务的优先级；
基于预设的第二深度学习模型对每个适配器的工作任务进行分类，得到分类结果；其中，所述第二深度学习模型为基于遗传算法的模型；
根据分类结果、预期工作数据和工作任务的优先级，对每个适配器进行调度和优化。
可选的，在本发明第一方面的第四种实现方式中，所述基于预设的第二深度学习模型对每个适配器的工作任务进行分类，得到分类结果，包括：
根据预设的第二深度学习模型对每个适配器的工作任务进行数字编码，数字代表各个适配器对应的工作任务类型或工作任务的优先级；根据各个适配器对应的工作任务类型的特性对工作任务进行随机配对，配对后的结果形成个体，所有个体组成初始种群；其中，所述第二深度学习模型为遗传算法模型；
根据各个适配器的工作特性和运行状态，建立评价标准，通过定义适应度求解公式，计算每个个体的适应度；
设定迭代的总次数，将初始种群按照弱者扶持阶段、公平竞争阶段、强者加持阶段进行三阶段的个体选择，并根据迭代的次数和设置的标志位，确定种群进入三阶段的其中一种阶段；
在种群的个体中随机选择基因，作为交叉点，按设定的交叉概率进行基因交叉，在种群的个体中随机选择两个基因，按设定的概率进行变异，变异后输出结果，并根据输出结果进行工作任务的分类。
可选的，在本发明第一方面的第五种实现方式中，所述根据分类后的运行数据，对各个适配器进行故障分析处理，得到故障预测数据，根据所述故障预测数据对各个适配器工作任务以及工作任务的优先级进行重新分配，包括：
将各个适配器的运行数据输入至预设的故障预测模型，得到故障自测信息，并将故障自测信息转换为初始故障矩阵；
基于预设的矩阵变换规则，对初始故障矩阵进行矩阵转换，得到目标错误矩阵；
将目标错误矩阵输入至预设的错误修复模型，进行错误修复策略分析，得到错误修复策略分析结果，并根据错误修复策略分析结果制定错误修复计划；
根据错误修复计划，对各个适配器的工作任务进行重新分配，以及对各个适配器的工作任务的优先级进行重新配置。
本发明第二方面提供了一种IO模块多适配器控制装置，所述IO模块多适配器控制装置包括：
优化模块，用于IO模块启动并检查所有接口卡位及所有接口卡位上相应的适配器，并采集各个适配器的第一特性数据和各个适配器的第二特性数据，根据所述第一特性数据和所述第二特性数据抽取目标硬件信息，根据所述目标硬件信息执行各个适配器的初始化，优化各个适配器的配置；其中，所述第一特性数据至少包括各个适配器的型号、版本、制造商信息，所述第二特性数据至少包括各个适配器的驱动程序版本；
分类模块，用于将采集的所述第一特性数据和所述第二特性数据输入至训练后的第一深度学习模型中进行识别和分类，得到分类结果，根据所述分类结果自动加载匹配的驱动程序和配置；其中，所述深度学习模型至少包括第一深度学习模型和第二深度学习模型；
调度模块，用于获取当前待分配的预期工作数据以及工作任务的优先级，并根据所述分类结果，获取的预期工作数据以及工作任务的优先级对每个适配器进行调度和优化；
采集模块，用于采集各个适配器执行工作任务时的多维度运行数据，并对所述多维度运行数据进行分类处理，得到分类后的运行数据；其中，所述分类后的运行数据至少包括CPU负载，内存使用，网络带宽，电力消耗，工作温度；
分配模块，用于根据分类后的运行数据，对各个适配器进行故障分析处理，得到故障预测数据，根据所述故障预测数据对各个适配器工作任务以及工作任务的优先级进行重新分配。
本发明第三方面提供了一种IO模块多适配器控制设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述IO模块多适配器控制设备执行上述的IO模块多适配器控制方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的IO模块多适配器控制方法。
本发明提供的技术方案中，有益效果：本发明提供一种IO模块多适配器控制方法、装置、设备及存储介质，通过IO模块启动并检查所有接口卡位及所有接口卡位上相应的适配器，并采集各个适配器的第一特性数据和各个适配器的第二特性数据，根据所述第一特性数据和所述第二特性数据抽取目标硬件信息，根据所述目标硬件信息执行各个适配器的初始化，优化各个适配器的配置；将采集的所述第一特性数据和所述第二特性数据输入至训练后的深度学习模型中进行识别和分类，得到分类结果，根据所述分类结果自动加载匹配的驱动程序和配置；获取当前待分配的预期工作数据以及工作任务的优先级，并根据所述分类结果，获取的预期工作数据以及工作任务的优先级对每个适配器进行调度和优化；采集各个适配器执行工作任务时的多维度运行数据，并对所述多维度运行数据进行分类处理，得到分类后的运行数据；根据分类后的运行数据，对各个适配器进行故障分析处理，得到故障预测数据，根据所述故障预测数据对各个适配器工作任务以及工作任务的优先级进行重新分配。本发明通过采集适配器的第一特性数据和第二特性数据，***能够自动化地识别和配置硬件适配器。这大大减少了手动命令和技术专家介入的需要，提高了硬件配置的效率和准确性。并且利用深度学习模型进行识别和分类，***能够自动加载匹配的驱动程序和配置。这简化了传统的驱动程序管理，提高了***的稳定性和效能。而且根据工作任务的预期数据和优先级对适配器进行智能调度和优化，这有助于提高整体***性能，降低硬件资源的浪费。最后根据故障预测数据，***可以预测可能的硬件故障，并在故障发生前对各个适配器的工作任务进行重新分配，提高了***的可靠性和持续运行时间。
附图说明
图1为本发明实施例中IO模块多适配器控制方法的一个实施例示意图；
图2为本发明实施例中IO模块多适配器控制装置的一个实施例示意图。
具体实施方式
本发明实施例提供了一种IO模块多适配器控制方法、装置、设备及存储介质。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中IO模块多适配器控制方法的一个实施例包括：
101、IO模块启动并检查所有接口卡位及所有接口卡位上相应的适配器，并采集各个适配器的第一特性数据和各个适配器的第二特性数据，根据所述第一特性数据和所述第二特性数据抽取目标硬件信息，根据所述目标硬件信息执行各个适配器的初始化，优化各个适配器的配置；其中，所述第一特性数据至少包括各个适配器的型号、版本、制造商信息，所述第二特性数据至少包括各个适配器的驱动程序版本；
可以理解的是，本发明的执行主体可以为IO模块多适配器控制装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，这个步骤可以被细化为以下子步骤：
启动 IO 模块: IO 模块是负责硬件设备输入输出通信的主要组件。在***启动时，IO 模块会被激活，以便开始进行硬件的管理和通信。
检查所有接口卡位及适配器: 在 IO 模块启动后，***开始通过扫描所有接口卡位，检测每个卡位上是否有适配器存在。这一步骤是确保***的硬件连接完整并且设备正常运行的基本前提。
采集各个适配器的特性数据: ***会分别采集每个适配器的第一和第二特性数据。第一特性数据包括适配器的型号、版本和制造商信息，这些数据主要用于识别和分类硬件适配器。第二特性数据包括适配器的驱动程序版本，这些数据将用于确定所需的驱动程序和配置。
抽取目标硬件信息: 基于采集到的特性数据，***会抽取有用的目标硬件信息，包括但不限于适配器的类别、兼容性、性能参数等，这些信息用于进一步的硬件初始化和配置优化。
执行各个适配器的初始化: 根据抽取的目标硬件信息，***会执行每个适配器的初始化过程。这包括加载和启动适配器所需的驱动程序，为适配器设置适当的运行参数等。
优化各个适配器的配置: 最后，***会根据目标硬件信息和上下文需求，优化每个适配器的配置。例如，根据***的性能需求和适配器的性能参数，***可能会进行一些调整，比如优化内存分配，调整传输速率，优化电源管理等。
102、将采集的所述第一特性数据和所述第二特性数据输入至训练后的深度学习模型中进行识别和分类，得到分类结果，根据所述分类结果自动加载匹配的驱动程序和配置；其中，所述深度学习模型至少包括第一深度学习模型和第二深度学习模型；
具体的，该步骤的主要目标是利用已训练的深度学习模型对采集的特性数据进行智能识别和分类，然后根据分类结果自动加载匹配的驱动程序和配置。以下是更具体的子步骤：
输入数据到深度学习模型：采集的第一特性数据和第二特性数据被输入至训练好的深度学习模型中。这两类数据可以被输入到两个不同的深度学习模型中，或者可以组合进一个多任务深度学习模型中。
适配器识别和分类：深度学习模型通过已经学习到的模型权重处理输入的特性数据，进行识别和分类。这一步也被称为“推理”或“前向传播”。识别和分类的结果会对接下来的驱动程序加载和配置的选择起到关键作用。
获取分类结果：模型的输出，也就是分类结果，会是一个包含可能的设备类别和模型的概率分布。这个分类结果可以直接告诉***应该为每个设备选择和加载什么驱动程序和配置。
自动加载驱动程序和配置：根据深度学习模型的分类结果，***能够自动确定需要加载的驱动程序并进行匹配的配置。例如，如果模型推测出一个设备是特定类型的GPU，***就会自动加载相应的驱动程序，并按照最优的设置进行配置。
重复以上步骤：这些步骤会对***中的每一个适配器进行迭代，直到所有的设备都被正确地识别、分类，并且为每个设备加载了相应的驱动程序和配置。
103、获取当前待分配的预期工作数据以及工作任务的优先级，并根据所述分类结果，获取的预期工作数据以及工作任务的优先级对每个适配器进行调度和优化；
具体的，获取待分配的工作数据和优先级：在***中，不同的工作任务会被分配不同的优先级。优先级的高低通常基于任务的重要性、紧迫性等因素来决定。此时，***需要获取当前待分配的工作任务和相应的优先级。
根据分类结果进行任务调度：已经通过深度学习模型分类的设备会接收到适当的工作任务。任务调度的规则会考虑任务优先级、设备性能、设备的当前负载状态等因素，以确保被分配的任务能在设备上高效运行。
设备优化：根据工作任务和设备的分类结果，***会进行调度优化。比如，对于计算密集型的任务，***可能会更倾向于将其分配给性能更强的设备上执行。此外，如果某设备已经有了高优先级的任务，在新的任务调度时可能会考虑这个因素，以减小对当前正在执行的任务的影响。
工作任务的重新分配：在运行过程中，设备负载、***需求等因素可能会发生变化。因此，需要周期性地根据最新的状态和数据重新进行工作任务分配，以达到最优化的设备使用效率和工作任务执行效果。
104、采集各个适配器执行工作任务时的多维度运行数据，并对所述多维度运行数据进行分类处理，得到分类后的运行数据；其中，所述分类后的运行数据至少包括CPU负载，内存使用，网络带宽，电力消耗，工作温度；
具体的，以下是它的子步骤：
采集多维度运行数据: 这一步包括收集适配器在执行工作任务时产生的各种运行数据。这个“多维度”表示的是多种类型的性能和使用数据，包括但不限于CPU使用率、内存使用情况、网络带宽使用情况、电力消耗量和工作温度。
数据分类处理: 采集到的多维度运行数据会经过处理和分类，对每种类型的数据进行独立的分析和解析。这可以包括数据的清洗（例如剔除异常值），以及基本的统计分析。
得到分类后的运行数据: 数据分类处理后，至少会得到以下几种类型的分类数据：
CPU负载：这是指CPU在执行任务时的使用量或者占用率。如果CPU负载过高，可能会导致***变慢或者不稳定。
内存使用情况：这是指***内存的使用量。内存使用过高可能会导致***运行缓慢或者崩溃。
网络带宽：这是指数据从一台设备传输到另一台设备的速度。如果网络带宽使用过高，可能会导致网络速度变慢，影响数据传输。
电力消耗：这是指适配器在执行工作任务时使用的电量。过高的电力消耗可能会导致设备过热，影响设备的稳定性和寿命。
工作温度：这是指设备在工作时的温度。设备过热可能会导致设备性能下降，甚至损坏。
105、根据分类后的运行数据，对各个适配器进行故障分析处理，得到故障预测数据，根据所述故障预测数据对各个适配器工作任务以及工作任务的优先级进行重新分配。
具体的，以下是具体的细化步骤：
故障分析处理：根据采集和分类后的运行数据，进行各种可能的故障分析。例如，如果一个设备的CPU负载持续过高，或者工作温度持续超标，***可能会预测这个设备可能发生故障或性能下降。这个分析的过程可能会采用一些确定性的硬性规则，或者使用人工智能的模型进行预测。
获取故障预测数据：故障分析完成后，将得到故障预测数据。这些预测数据是对每个适配器可能发生的故障和性能下降的一种估计。
任务重新分配：一旦确定某个设备可能发生故障或性能下降，***需要根据故障预测数据，重新分配该设备上的工作任务。***可能会选择将高优先级的任务移动到其他健康且有足够资源的设备上，以避免任务由于设备故障被中断。
本发明实施例中IO模块多适配器控制方法的另一个实施例包括：
所述IO模块启动并检查所有接口卡位及所有接口卡位上相应的适配器，并采集各个适配器的第一特性数据和各个适配器的第二特性数据，根据所述第一特性数据和所述第二特性数据抽取目标硬件信息，根据所述目标硬件信息执行各个适配器的初始化，优化各个适配器的配置，包括：
IO模块启动并检查所有接口卡位及所有接口卡位上相应的适配器；
在接收到数据采集命令后，确定待收集的硬件参数；其中，所述硬件参数包括第一特性数据中的各个适配器的型号、版本、制造商信息和第二特性数据中各个适配器的驱动程序版本；
获取感测设备版本信息，根据待收集的硬件参数和所获取的感测设备版本信息，在硬件信息数据库中查询对应的数据采集指令和数据匹配规则；
执行查询到的数据采集指令，从硬件中获取硬件信息；
依据查询到的数据匹配规则，执行筛选，从获取的硬件信息中抽取目标硬件信息，根据所述目标硬件信息执行各个适配器的初始化，优化各个适配器的配置。
具体的，相应地，***可通过以下步骤按照查询到的数据匹配规则，从收集到的所有信息中筛选并抽取目标硬件信息：
确定数据匹配规则：首先，***确定了从硬件信息数据库中查询到的数据匹配规则。这些规则可能涉及一些键（例如："manufacturer"，"model" 或 "driver_version"）和一些预定义的值（例如："Nvidia"）。
收集并构建硬件信息数据集：在从硬件中收集信息后，***可能会构建一个数据集，其中每一条硬件信息是一条数据记录，数据记录可以是一个包含各种类型信息的键值对（例如："manufacturer": "Nvidia", "model": "2080ti"）。
筛选信息：***根据预定义的数据匹配规则遍历整个数据集，匹配满足规则条件的数据记录。在这个例子中，***可能会查找所有制造商为"Nvidia"的记录。
抽取目标信息：在筛选出所有满足匹配规则的硬件信息后，***会将它们抽取出来作为目标硬件信息。这些目标硬件信息将被用于后续的初始化和配置优化。
通过以上步骤，***可以按照预设的规则有效地从大量硬件信息中筛选出关注的目标硬件信息。这个过程类似于数据库查询中的选择（SELECT）操作，通过关键字段和字段值进行过滤，只保留满足条件的记录。
本发明实施例中IO模块多适配器控制方法的另一个实施例包括：
所述第一深度学习模型的训练过程，包括：
收集训练数据，其中，所述训练数据包括用户网络行为映射的图谱结构和用户属性，所述训练数据还包括在预定地理位置内注册了特定账户的N个用户；所述图谱结构包括N个顶点，每个顶点抽象表示一个特定账户的用户，所述用户属性表示各个训练对象的特性信息；
根据所述图谱结构，确定N个顶点中每个顶点的初始特征数据以及每个顶点的邻阶矩阵数据；
基于每个顶点的初始特性数据以及相应的邻接矩阵数据，执行顶点重要性评估，从中挑选出K个关键顶点；其中，K是一个小于N的正整数；K个关键顶点是基于每个顶点的重要性评分从N个顶点中选择出的，所述重要性评分满足预定的界值区间；
对识别的K个关键顶点进行分类，得出训练对象的预计属性；
根据训练对象的真实属性和预计属性，对预设模型进行训练，得到第一深度学习模型；其中，所述第一深度学习模型用于对采集的所述第一特性数据和所述第二特性数据进行识别和分类，以确定目标对象的属性，得到分类数据。
具体的，评估顶点重要性是图结构数据的一个核心任务，主要依据顶点的初始特性数据和邻接矩阵数据。这包括以下步骤：
确定初始特性数据：这可能包括一个顶点的各种特性，如登陆次数、网络互动次数、总在线时长等。
构建邻接矩阵：邻接矩阵是一个二维矩阵，其行和列都对应图中的顶点。如果两个顶点之间存在一个边，那么在邻接矩阵中对应的格子值为1，否则为0。
执行重要性评估：PageRank是常用的一种算法，原理是通过迭代的方式计算一个顶点的权重，权重被视为其重要性。这是基于这样的假设，一个触及更多其他顶点的顶点（即 outbound links 较多的顶点）是重要的，同时也观察那些链接到该顶点的顶点的重要性。
挑选关键顶点：运行PageRank或其他算法后，每个顶点都会被分配一个分数，这个分数表示顶点在网络中的重要性。然后可以按照这些分数对顶点进行排序，并选取排名前K 个的顶点作为关键顶点。
举个简单的例子：假设有一个社交网络，个人的初始特性数据可以是发帖数，邻接矩阵表示的是朋友关系。可以运行PageRank算法，迭代计算出每个人在网络中的影响力，然后选出影响力最大的K个人。
除PageRank外，还有其他许多用于顶点重要性评估的算法，比如度中心性（DegreeCentrality）、接近中心性（Closeness Centrality）、介数中心性（BetweennessCentrality）等。
本发明实施例中IO模块多适配器控制方法的另一个实施例包括：
所述获取当前待分配的预期工作数据以及工作任务的优先级，并根据所述分类结果，获取的预期工作数据以及工作任务的优先级对每个适配器进行调度和优化，包括：
获取当前预期工作数据和工作任务的优先级；
基于预设的第二深度学习模型对每个适配器的工作任务进行分类，得到分类结果；其中，所述第二深度学习模型为基于遗传算法的模型；
根据分类结果、预期工作数据和工作任务的优先级，对每个适配器进行调度和优化。
本发明实施例中IO模块多适配器控制方法的另一个实施例包括：
所述基于预设的第二深度学习模型对每个适配器的工作任务进行分类，得到分类结果，包括：
根据预设的第二深度学习模型对每个适配器的工作任务进行数字编码，数字代表各个适配器对应的工作任务类型或工作任务的优先级；根据各个适配器对应的工作任务类型的特性对工作任务进行随机配对，配对后的结果形成个体，所有个体组成初始种群；其中，所述第二深度学习模型为遗传算法模型；
根据各个适配器的工作特性和运行状态，建立评价标准，通过定义适应度求解公式，计算每个个体的适应度；
设定迭代的总次数，将初始种群按照弱者扶持阶段、公平竞争阶段、强者加持阶段进行三阶段的个体选择，并根据迭代的次数和设置的标志位，确定种群进入三阶段的其中一种阶段；
在种群的个体中随机选择基因，作为交叉点，按设定的交叉概率进行基因交叉，在种群的个体中随机选择两个基因，按设定的概率进行变异，变异后输出结果，并根据输出结果进行工作任务的分类。
具体的，根据适配器的工作特性和运行状态，建立一套适应度评估标准，这通常涉及到一个适应度函数。每个个体的适应度（或者说优劣）都会根据这个函数被计算出来。在遗传算法中，适应度函数能够将个体的特性映射到一个实数，代表了这个个体的适应度。
所述适应度函数具体如下：
在这个适应度函数中：
g1(x, p), g2(y, q), g3(z, p) 是通过特性(x, y, z)和状态(p, q)计算得到的函数，可能包括非线性映射（例如sigmoid, tanh等）。
h(x, y, z) 可以是某种各特性之间的交互效应的函数。
λ1, λ2 是正则化系数，用来控制一阶特***互效应和二阶特性自我影响的影响力。
(b1 * x^2 + b2 * y^2 + b3 * z^2) 是特性自我影响的正则化项。
(d1 * p^3 + d2 * q^3) 是各状态容量影响的正则化项。
a1, a2, a3, b1, b2, b3, d1, d2, λ1, λ2, μ, c 是超参数，可通过交叉验证或其他方式设定。
e(x*y*z*p*q) 是一种复杂的高阶交叉项。
本发明实施例中IO模块多适配器控制方法的另一个实施例包括：
所述根据分类后的运行数据，对各个适配器进行故障分析处理，得到故障预测数据，根据所述故障预测数据对各个适配器工作任务以及工作任务的优先级进行重新分配，包括：
将各个适配器的运行数据输入至预设的故障预测模型，得到故障自测信息，并将故障自测信息转换为初始故障矩阵；
基于预设的矩阵变换规则，对初始故障矩阵进行矩阵转换，得到目标错误矩阵；
将目标错误矩阵输入至预设的错误修复模型，进行错误修复策略分析，得到错误修复策略分析结果，并根据错误修复策略分析结果制定错误修复计划；
根据错误修复计划，对各个适配器的工作任务进行重新分配，以及对各个适配器的工作任务的优先级进行重新配置。
具体的，进一步解释上述矩阵变换方法。
阈值分离的方法：设置一个阈值T，如果某个适配器的某种故障的预测概率低于这个阈值，就认为不太可能出现这种故障，于是将这个概率设为0；否则，认为这种故障可能会发生，于是将这个概率设为1。在数学形式上，可以表示为如下变换函数：
f(e_ij) = { 0, if e_ij<T ; 1, otherwise }
这个函数f()依次应用到故障矩阵E的每一个元素e_ij上，那么就能将初始故障矩阵转换为目标错误矩阵。
考虑故障严重性的方法：对于不同的故障，其严重性是不同的，有的故障可能导致设备完全停止工作，有的故障只会影响设备的部分性能。因此，可以为每一种故障设置一个严重性的权重w_j，权重更大的故障如果发生的概率超出阈值，就需要更加关注。对于这种情况，可以定义另外一种变换函数：
f_w(e_ij) = { 0, if i j * wj<T ; 1, otherwise }
同样，这个函数fw()依次应用到故障矩阵E的每一个元素e_ij上，并乘以该故障对应的严重性权重wj，那么就能将初始故障矩阵转换为目标错误矩阵。这里wj是一个表示各种故障严重性的权重向量。
以上就是两种不同的矩阵变换规则，都是将原始的故障预测概率转换为分类结果（即故障是否会发生）。如何选择哪种规则，或者如何设置阈值T和故障严重性权重，需要根据实际需求来决定。
将目标错误矩阵输入到预设的错误修复模型中，对每个适配器的每种可能的故障进行错误修复策略分析。该模型可能会参考不同故障的严重性和修复成本（例如，修复时间或者所需资源）来优先解决最急迫的问题。然后根据错误修复策略分析结果制定错误修复计划。
在这个过程中，目标错误矩阵被输入为预设的错误修复模型，这个修复模型将确定优先修复哪些错误。现在，假设每种故障都与一种特定的修复策略关联，这个策略可以细化为一系列步骤或者操作，旨在解决或缓解特定的故障。
这个错误修复模型可能涉及到优化算法，其中考虑各种参数，如故障的严重性、修复成本（例如，修复时间或所需资源）等因素，目标是优化这些因素的加权组合。具体地说，可能为每种故障分配一个修复优先级，这个修复优先级可以用下列公式来定义：
Priority(i, j) = α * Severity(j) - β * Cost(i, j)
在这个公式中，Severity(j)表示第j种故障的严重性，Cost(i, j)表示修复第i个适配器的第j种故障所需的成本，α和β是用来调整严重性和成本影响程度的参数。
对每一种故障j（j从1到m），对每一种可能发生故障的适配器i（i从1到n），计算它的修复优先级。然后按照优先级从高到低对它们排序。这个排序就定义了错误修复计划：最先修复优先级最高的故障，然后依次修复优先级较低的。
严重性和成本的具体定义可能会根据实际情况变化，例如，成本可能包括时间消耗、所需的人力物力和财力资源、修复操作的复杂性等等。同样，α和β的选择也会根据情况进行调整。
上面对本发明实施例中IO模块多适配器控制方法进行了描述，下面对本发明实施例中IO模块多适配器控制装置进行描述，请参阅图2，本发明实施例中IO模块多适配器控制装置1一个实施例包括：
优化模块11，用于IO模块启动并检查所有接口卡位及所有接口卡位上相应的适配器，并采集各个适配器的第一特性数据和各个适配器的第二特性数据，根据所述第一特性数据和所述第二特性数据抽取目标硬件信息，根据所述目标硬件信息执行各个适配器的初始化，优化各个适配器的配置；其中，所述第一特性数据至少包括各个适配器的型号、版本、制造商信息，所述第二特性数据至少包括各个适配器的驱动程序版本；
分类模块12，用于将采集的所述第一特性数据和所述第二特性数据输入至训练后的第一深度学习模型中进行识别和分类，得到分类结果，根据所述分类结果自动加载匹配的驱动程序和配置；其中，所述深度学习模型至少包括第一深度学习模型和第二深度学习模型；
调度模块13，用于获取当前待分配的预期工作数据以及工作任务的优先级，并根据所述分类结果，获取的预期工作数据以及工作任务的优先级对每个适配器进行调度和优化；
采集模块14，用于采集各个适配器执行工作任务时的多维度运行数据，并对所述多维度运行数据进行分类处理，得到分类后的运行数据；其中，所述分类后的运行数据至少包括CPU负载，内存使用，网络带宽，电力消耗，工作温度；
分配模块15，用于根据分类后的运行数据，对各个适配器进行故障分析处理，得到故障预测数据，根据所述故障预测数据对各个适配器工作任务以及工作任务的优先级进行重新分配。
在本实施例中，上述IO模块多适配器控制装置中的各个模块的具体实现，请参照上述IO模块多适配器控制方法实施例中所述，在此不再进行赘述。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述IO模块多适配器控制方法的步骤。
有益效果：本发明提供一种IO模块多适配器控制方法、装置、设备及存储介质，通过IO模块启动并检查所有接口卡位及所有接口卡位上相应的适配器，并采集各个适配器的第一特性数据和各个适配器的第二特性数据，根据所述第一特性数据和所述第二特性数据抽取目标硬件信息，根据所述目标硬件信息执行各个适配器的初始化，优化各个适配器的配置；将采集的所述第一特性数据和所述第二特性数据输入至训练后的深度学习模型中进行识别和分类，得到分类结果，根据所述分类结果自动加载匹配的驱动程序和配置；获取当前待分配的预期工作数据以及工作任务的优先级，并根据所述分类结果，获取的预期工作数据以及工作任务的优先级对每个适配器进行调度和优化；采集各个适配器执行工作任务时的多维度运行数据，并对所述多维度运行数据进行分类处理，得到分类后的运行数据；根据分类后的运行数据，对各个适配器进行故障分析处理，得到故障预测数据，根据所述故障预测数据对各个适配器工作任务以及工作任务的优先级进行重新分配。本发明通过采集适配器的第一特性数据和第二特性数据，***能够自动化地识别和配置硬件适配器。这大大减少了手动命令和技术专家介入的需要，提高了硬件配置的效率和准确性。并且利用深度学习模型进行识别和分类，***能够自动加载匹配的驱动程序和配置。这简化了传统的驱动程序管理，提高了***的稳定性和效能。而且根据工作任务的预期数据和优先级对适配器进行智能调度和优化，这有助于提高整体***性能，降低硬件资源的浪费。最后根据故障预测数据，***可以预测可能的硬件故障，并在故障发生前对各个适配器的工作任务进行重新分配，提高了***的可靠性和持续运行时间。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：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。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种IO模块多适配器控制方法，其特征在于，包括：
IO模块启动并检查所有接口卡位及所有接口卡位上相应的适配器，并采集各个适配器的第一特性数据和各个适配器的第二特性数据，根据所述第一特性数据和所述第二特性数据抽取目标硬件信息，根据所述目标硬件信息执行各个适配器的初始化，优化各个适配器的配置；其中，所述第一特性数据至少包括各个适配器的型号、版本、制造商信息，所述第二特性数据至少包括各个适配器的驱动程序版本；
将采集的所述第一特性数据和所述第二特性数据输入至训练后的深度学习模型中进行识别和分类，得到分类结果，根据所述分类结果自动加载匹配的驱动程序和配置；其中，所述深度学习模型至少包括第一深度学习模型和第二深度学习模型；
获取当前待分配的预期工作数据以及工作任务的优先级，并根据所述分类结果，获取的预期工作数据以及工作任务的优先级对每个适配器进行调度和优化；
采集各个适配器执行工作任务时的多维度运行数据，并对所述多维度运行数据进行分类处理，得到分类后的运行数据；
根据分类后的运行数据，对各个适配器进行故障分析处理，得到故障预测数据，根据所述故障预测数据对各个适配器工作任务以及工作任务的优先级进行重新分配。
2.根据权利要求1所述的方法，其特征在于，所述IO模块启动并检查所有接口卡位及所有接口卡位上相应的适配器，并采集各个适配器的第一特性数据和各个适配器的第二特性数据，根据所述第一特性数据和所述第二特性数据抽取目标硬件信息，根据所述目标硬件信息执行各个适配器的初始化，优化各个适配器的配置，包括：
IO模块启动并检查所有接口卡位及所有接口卡位上相应的适配器；
在接收到数据采集命令后，确定待收集的硬件参数；其中，所述硬件参数包括第一特性数据中的各个适配器的型号、版本、制造商信息和第二特性数据中各个适配器的驱动程序版本；
获取感测设备版本信息，根据待收集的硬件参数和所获取的感测设备版本信息，在硬件信息数据库中查询对应的数据采集指令和数据匹配规则；
执行查询到的数据采集指令，从硬件中获取硬件信息；
依据查询到的数据匹配规则，执行筛选，从获取的硬件信息中抽取目标硬件信息，根据所述目标硬件信息执行各个适配器的初始化，优化各个适配器的配置。
3.根据权利要求1所述的方法，其特征在于，包括：所述第一深度学习模型的训练过程，包括：
收集训练数据，其中，所述训练数据包括用户网络行为映射的图谱结构和用户属性，所述训练数据还包括在预定地理位置内注册了特定账户的N个用户；所述图谱结构包括N个顶点，每个顶点抽象表示一个特定账户的用户，所述用户属性表示各个训练对象的特性信息；
根据所述图谱结构，确定N个顶点中每个顶点的初始特征数据以及每个顶点的邻阶矩阵数据；
基于每个顶点的初始特性数据以及相应的邻接矩阵数据，执行顶点重要性评估，从中挑选出K个关键顶点；其中，K是一个小于N的正整数；K个关键顶点是基于每个顶点的重要性评分从N个顶点中选择出的，所述重要性评分满足预定的界值区间；
对识别的K个关键顶点进行分类，得出训练对象的预计属性；
根据训练对象的真实属性和预计属性，对预设模型进行训练，得到第一深度学习模型；其中，所述第一深度学习模型用于对采集的所述第一特性数据和所述第二特性数据进行识别和分类，以确定目标对象的属性，得到分类数据。
4.根据权利要求1所述的方法，其特征在于，所述获取当前待分配的预期工作数据以及工作任务的优先级，并根据所述分类结果，获取的预期工作数据以及工作任务的优先级对每个适配器进行调度和优化，包括：
获取当前预期工作数据和工作任务的优先级；
基于预设的第二深度学习模型对每个适配器的工作任务进行分类，得到分类结果；其中，所述第二深度学习模型为基于遗传算法的模型；
根据分类结果、预期工作数据和工作任务的优先级，对每个适配器进行调度和优化。
5.根据权利要求4所述的方法，其特征在于，所述基于预设的第二深度学习模型对每个适配器的工作任务进行分类，得到分类结果，包括：
根据预设的第二深度学习模型对每个适配器的工作任务进行数字编码，数字代表各个适配器对应的工作任务类型或工作任务的优先级；根据各个适配器对应的工作任务类型的特性对工作任务进行随机配对，配对后的结果形成个体，所有个体组成初始种群；其中，所述第二深度学习模型为遗传算法模型；
根据各个适配器的工作特性和运行状态，建立评价标准，通过定义适应度求解公式，计算每个个体的适应度；
设定迭代的总次数，将初始种群按照弱者扶持阶段、公平竞争阶段、强者加持阶段进行三阶段的个体选择，并根据迭代的次数和设置的标志位，确定种群进入三阶段的其中一种阶段；
在种群的个体中随机选择基因，作为交叉点，按设定的交叉概率进行基因交叉，在种群的个体中随机选择两个基因，按设定的概率进行变异，变异后输出结果，并根据输出结果进行工作任务的分类。
6.根据权利要求1所述的方法，其特征在于，所述根据分类后的运行数据，对各个适配器进行故障分析处理，得到故障预测数据，根据所述故障预测数据对各个适配器工作任务以及工作任务的优先级进行重新分配，包括：
将各个适配器的运行数据输入至预设的故障预测模型，得到故障自测信息，并将故障自测信息转换为初始故障矩阵；
基于预设的矩阵变换规则，对初始故障矩阵进行矩阵转换，得到目标错误矩阵；
将目标错误矩阵输入至预设的错误修复模型，进行错误修复策略分析，得到错误修复策略分析结果，并根据错误修复策略分析结果制定错误修复计划；
根据错误修复计划，对各个适配器的工作任务进行重新分配，以及对各个适配器的工作任务的优先级进行重新配置。
7.一种IO模块多适配器控制装置，其特征在于，所述IO模块多适配器控制装置包括：
优化模块，用于IO模块启动并检查所有接口卡位及所有接口卡位上相应的适配器，并采集各个适配器的第一特性数据和各个适配器的第二特性数据，根据所述第一特性数据和所述第二特性数据抽取目标硬件信息，根据所述目标硬件信息执行各个适配器的初始化，优化各个适配器的配置；其中，所述第一特性数据至少包括各个适配器的型号、版本、制造商信息，所述第二特性数据至少包括各个适配器的驱动程序版本；
分类模块，用于将采集的所述第一特性数据和所述第二特性数据输入至训练后的第一深度学习模型中进行识别和分类，得到分类结果，根据所述分类结果自动加载匹配的驱动程序和配置；其中，所述深度学习模型至少包括第一深度学习模型和第二深度学习模型；
调度模块，用于获取当前待分配的预期工作数据以及工作任务的优先级，并根据所述分类结果，获取的预期工作数据以及工作任务的优先级对每个适配器进行调度和优化；
采集模块，用于采集各个适配器执行工作任务时的多维度运行数据，并对所述多维度运行数据进行分类处理，得到分类后的运行数据；
分配模块，用于根据分类后的运行数据，对各个适配器进行故障分析处理，得到故障预测数据，根据所述故障预测数据对各个适配器工作任务以及工作任务的优先级进行重新分配。
8.一种IO模块多适配器控制设备，其特征在于，所述IO模块多适配器控制设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述IO模块多适配器控制设备执行如权利要求1-6中任一项所述的IO模块多适配器控制方法。
9.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-6中任一项所述的IO模块多适配器控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311406503.4A CN117312208A (zh) | 2023-10-27 | 2023-10-27 | Io模块多适配器控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311406503.4A CN117312208A (zh) | 2023-10-27 | 2023-10-27 | Io模块多适配器控制方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117312208A true CN117312208A (zh) | 2023-12-29 |
Family
ID=89260314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311406503.4A Pending CN117312208A (zh) | 2023-10-27 | 2023-10-27 | Io模块多适配器控制方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117312208A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117555230A (zh) * | 2024-01-11 | 2024-02-13 | 深圳市东莱尔智能科技有限公司 | Io模块多适配器控制方法、装置及多通道io模组 |
-
2023
- 2023-10-27 CN CN202311406503.4A patent/CN117312208A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117555230A (zh) * | 2024-01-11 | 2024-02-13 | 深圳市东莱尔智能科技有限公司 | Io模块多适配器控制方法、装置及多通道io模组 |
| CN117555230B (zh) * | 2024-01-11 | 2024-03-19 | 深圳市东莱尔智能科技有限公司 | Io模块多适配器控制方法、装置及多通道io模组 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117494292B (zh) | 一种基于bim和ai大模型的工程进度管理方法及*** | |
| CN117312208A (zh) | Io模块多适配器控制方法、装置、设备及存储介质 | |
| CN117713221B (zh) | 一种微逆光伏并网优化*** | |
| EP3975050A1 (en) | Method and system for evaluating consistency of an engineered system | |
| KR102605481B1 (ko) | 워크플로우 기반의 자동 예측 모델링 방법 및 그를 위한 장치 | |
| EP2043030A2 (en) | Segmented modeling of large data sets | |
| CN117992743A (zh) | 一种基于知识图谱的电网故障智能分析与处置方法及*** | |
| CN115309510A (zh) | 虚拟机运行状态的检测方法及装置、设备、存储介质 | |
| CN117236656B (zh) | 工程项目的信息化管理方法及*** | |
| CN113836806A (zh) | 一种phm模型构建方法、***、存储介质及电子设备 | |
| CN117675691A (zh) | 路由器的远程故障监控方法、装置、设备及存储介质 | |
| US20230267007A1 (en) | System and method to simulate demand and optimize control parameters for a technology platform | |
| CN116976491A (zh) | 一种信息预测方法、装置、设备、存储介质及程序产品 | |
| CN116737334A (zh) | 任务调度及数据集标签更新方法、装置和电子设备 | |
| CN116466672A (zh) | 基于人工智能的数据中心机房参数调控方法及相关装置 | |
| EP3989129A1 (en) | A computer-implemented method for deriving a data processing and inference pipeline | |
| Hatwágner et al. | Behavioral analysis of fuzzy cognitive map models by simulation | |
| KR20080087571A (ko) | 상황 예측 시스템 및 그 방법 | |
| Ishino et al. | Estimate design intent: a multiple genetic programming and multivariate analysis based approach | |
| CN114358350A (zh) | 会议预定模型的使用方法、装置、设备及存储介质 | |
| Zhou et al. | DdBB: A data-driven framework for building energy use benchmarking | |
| Chang et al. | Evolving CBR and data segmentation by SOM for flow time prediction in semiconductor manufacturing factory | |
| CN117807114B (zh) | 物流信息智慧检索方法、***、设备及存储介质 | |
| CN117876156B (zh) | 基于多任务电力物联终端监测方法、电力物联终端及介质 | |
| CN117826618B (zh) | 基于冷轧机控制***的自适应性控制方法及*** |
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 |