【技术实现步骤摘要】
本专利技术涉及控制，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。
技术介绍
1、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系统时，该任务将变得非常困难。
2、同时，传统的硬件管理系统往往缺乏自动化和智能化的特点。例如，当新硬件接入系统时，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。
3、另外，传统系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，给系统的稳定性带来挑战。
4、以上问题说明，现有的硬件资源管理及调度系统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。
技术实现思路
1、本专利技术提供了一种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。
2、本专利技术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：
3、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
4、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；
5、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；
6、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；
7、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、可选的，在本专利技术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：
9、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；
10、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；
11、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；
12、执行查询到的数据采集指令，从硬件中获取硬件信息；
13、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。
14、可选的，在本专利技术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：
15、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；
16、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；
17、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；
18、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；
19、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。
20、可选的，在本专利技术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：
21、获取当前预期工作数据和工作任务的优先级；
22、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；
23、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。
24、可选的，在本专利技术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：
25、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；
26、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；
27、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；
28、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。
29、可选的，在本专利技术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：
30、将各个适配器的运行数据输入至预设的故障预测模型本文档来自技高网...
【技术保护点】
1.一种IO模块多适配器控制方法，其特征在于，包括：
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：
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：
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：
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：
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
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：
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；
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。
...【技术特征摘要】
1.一种io模块多适配器控制方法，其特征在于，包括：
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：
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：
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：
5.根据权利要求4所述的方法，其特...
【专利技术属性】
技术研发人员：谭志成，
申请(专利权)人：深圳市东莱尔智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。