排序方式: 共有8条查询结果,搜索用时 15 毫秒
1
1.
随着信息化技术的发展和大型企业集约化发展战略的推进,数据中心的建设从原来的分散式数据中心逐渐向集中式数据中心转变.集中式数据中心的建设必然要经过数据中心搬迁过程,保证业务连续性是数据中心迁移的核心要求,迁移数据的高可靠性是数据中心迁移成功的关键.文章以国家电网公司总部数据中心搬迁为例,讨论利用HDS TrueCopy技... 相似文献
2.
数字化业务支撑平台以大数据和人工智能技术为基础,按照“统一规划、统一标准、统一平台”的原则进行平台建设。文中从业务场景、微应用仓库、个人工作台等视角入手,融合了高性能大数据引擎和智能分析算法,实现了业务数字化、运行数字化和管理数字化。该平台可以集中展示台账数据、运行数据和监控数据,促进数据服务的共享与应用,并深度洞察运维数据,有效解决监控数据孤岛问题,实现了数据融通。其增强了对历史运维数据的分析能力,还可以对实时数据进行异常检测和问题预判,有效降低数字化运行风险,提升了可用性、稳定性,降低了运维成本,提升了运维质效。另外,其针对不同岗位提供了业务场景管理入口,提供微应用仓库和“千人千面”定制化工作台,实现了精益化管理。 相似文献
3.
联邦学习区块链应用领域、架构特性和隐私机制等,具有很强的互补性和兼容性。将这两种技术结合起来,以增加隐私保护。数据交换是在计算性能的机制进行。基于区块链的联邦学习,了解有关开发基于区块链的联邦学习最新研究成果。人工智能离不开大数据,由于目前的数据管控政策和行业竞争造成的数据孤岛严重限制了大数据技术的使用价值。联邦学习可以消除数据孤岛,在多个参与者不公开数据集的情况下,共同完成模型学习。由于中心化的相互依赖,以及隐私泄露的风险,基于区块链的联邦学习方法已进入人工智能研究领域。基于此,本文讨论了联邦学习和区块链的概念,结合区块链和联邦学习进行了分析。 相似文献
4.
5.
随着现代科技的迅猛发展,数据中心已经成为信息化社会的IT基础设施,存储管理大量关键数据.当前,数据中心的管理大多是依靠经验丰富的专业运维人员使用计算机自动监测机房设备各项指标,并对设备做出多次检查,耗时且繁琐.深度学习和人工智能技术当前吸引了越来越多的注意力,并在互联网和工业领域取得了许多成功应用.本文设计了基于门控循环单元的深度学习框架对云数据中心机房设备故障进行自动化的诊断,并联合时序信息基于过去设备的运行状态信息对未来状态进行预测.其中,序列数据以固定时间窗分割后输入双向GRU单元层,使网络学习到数据点的前后时间依赖关系.在GRU层输出基础上,我们添加了自注意力层和embedding层,让神经网络能够学习到对故障预测更有效的特征并进一步对特征进行降维.最后,多层感知机被用于对降维后的数据进行分类.基于真实数据集的实验结果显示,本文提出的基于GRU的深度学习框架相比LSTM, SVM和KNN等常用模型能够更准确地检测出云数据中心故障. 相似文献
6.
本文主要立足于PC服务器的概况,简要探讨了PC服务器的故障预测分析以及维护处理措施,以期为今后的修复提供可靠建议。 相似文献
7.
8.
联邦学习是一种保护机密性的机器算法,可有效的应用于工业物联网。在联邦学习中,服务器协调多个客户端以进行模型学习。区块链在物联网和联邦学习中使用,可以有效的保持数据完整性,并吸引足够的数据和计算资源。机器学习已经发展阶段,大量高质量数据已成为限制发展的因素。在此背景下,对数据交换需求不断增长。传统的机器学习需要集中数据,对于数据孤岛和隐私要求,使各个业务部门无法做到交换数据。为了解决这个问题,联邦学习框架应运而生,本文分析了联邦学习框架的设计应用,分析了现行联邦学习框架存在的实现难点,以便相关人士更好地理解联邦学习框架。 相似文献
1