模型训练方法、内存检测方法、装置及电子设备制造方法及图纸

本申请提供一种模型训练方法、内存检测方法、装置及电子设备。方法包括：获取训练数据集，训练数据集包括多组数据，每组数据包括设定温度、内存在设定温度下的电压值，以及内存在设定温度及电压值下的运行状态；利用训练数据集对预设数据关联模型进行训练，得到经过训练的数据关联模型，预设数据关联模型用于学习每组数据中的温度和电压值的组合与运行状态的关联规则，经过训练后的数据关联模型用于基于关联规则，利用待测数据中的温度及电压值检测待测内存的运行状态。如此，可以替换人工检测，降低检测的人力成本，并提高检测效率。并提高检测效率。并提高检测效率。

【技术实现步骤摘要】
模型训练方法、内存检测方法、装置及电子设备


[0001]本申请涉及硬件测试
，具体而言，涉及一种模型训练方法、内存检测方法、装置及电子设备。

技术介绍

[0002]目前业界在服务器内存可靠性测试中，通常采用内存拉偏进行检测。内存拉偏的原理是在某个特定范围内改变主板上内存的电压，在高低温环境下完成压力运行，验证其施加过外界条件后的性能。在当前的服务器可靠性测试中，相对较少引入数据挖掘相关技术来推动解决测试过程中的Fail项，通常是凭借工程师经验来预测判断问题所在，该方式对工程师的专业性要求高，且检测效率低。

技术实现思路

[0003]本申请的目的在于提供一种模型训练方法、内存检测方法、装置及电子设备，有利于提高内存检测的效率。
[0004]为了实现上述目的，本申请提供的技术方案包括：
[0005]第一方面，提供一种模型训练方法，所述方法包括：获取训练数据集，所述训练数据集包括多组数据，每组数据包括设定温度、内存在所述设定温度下的电压值，以及所述内存在所述设定温度及所述电压值下的运行状态；利用所述训练数据集对预设数据关联模型进行训练，得到经过训练的数据关联模型，所述预设数据关联模型用于学习所述每组数据中的所述温度和所述电压值的组合与所述运行状态的关联规则，所述经过训练后的数据关联模型用于基于所述关联规则，利用待测数据中的温度及电压值检测待测内存的运行状态。
[0006]在上述的实施方式中，利用训练数据集对预设数据关联模型进行训练，使得预设数据关联模型可以学习到或挖掘出训练数据集中的温度和电压值的组合与内存的运行状态之间的内在关联规则。在学习到关联规则之后，经过训练的数据关联模型便可以基于待测内存的温度及电压值，检测待测内存的运行状态，如此，可以替换人工检测，降低检测的人力成本，并提高检测效率。
[0007]结合第一方面，在一些可选的实施方式中，在获取训练数据集之前，所述方法还包括：对预先获取的数据集进行预处理，得到经过聚类及过滤的多组数据以作为所述训练数据集。
[0008]在上述的实施方式中，对预先收集到的数据集进行预处理，可以实现训练数据集的标准化，提高训练数据集的有效性。
[0009]结合第一方面，在一些可选的实施方式中，对预先获取的数据集进行预处理，得到经过聚类及过滤的多组数据以作为所述训练数据集，包括：通过预设聚类算法，对预先获取的数据集按所述内存的运行状态进行聚类，得到聚类后的数据集及每组数据与所在聚类簇的中心点的距离；在所述聚类后的数据集中，滤除距离大于或等于预设阈值的数据组，得到
所述训练数据集。
[0010]在上述的实施方式中，通过对所获取的原始数据集进行聚类以及过滤，可以提高数据的有效性，如此，有利于研究电压和温度对内存运行的影响趋势。
[0011]结合第一方面，在一些可选的实施方式中，所述方法还包括：获取待测内存的待测数据，所述待测数据包括预先采集的运行温度及所述待测内存在所述运行温度下的电压值；将所述待测数据输入所述经过训练的数据关联模型，得到表征所述待测内存的运行状态的检测结果，所述运行状态包括表示内存运行正常或运行异常的状态。
[0012]在上述的实施方式中，内存检测无需依赖人工经验进行数据分析，可以由经过训练的数据关联模型直接对待测数据进行检测，并输出检测结果，如此，可以减少人力资源与人力成本，提高检测效率。
[0013]结合第一方面，在一些可选的实施方式中，所述每组数据中的电压值为通过采集所述内存在所述设定温度下得到的实际电压值。
[0014]第二方面，本申请还提供一种内存检测方法，所述方法包括：
[0015]获取待测内存的待测数据，所述待测数据包括运行温度及所述待测内存在所述运行温度下的电压值；
[0016]将所述待测数据输入经过训练的数据关联模型，得到表征所述待测内存的运行状态的检测结果，所述运行状态包括表示内存运行正常或运行异常的状态。
[0017]第三方面，本申请还提供一种模型训练装置，所述装置包括：
[0018]第一获取单元，用于获取训练数据集，所述训练数据集包括多组数据，每组数据包括设定温度、内存在所述设定温度下的电压值，以及所述内存在所述设定温度及所述电压值下的运行状态；
[0019]训练单元，用于利用所述训练数据集对预设数据关联模型进行训练，得到经过训练的数据关联模型，所述预设数据关联模型用于学习所述每组数据中的所述温度和所述电压值的组合与所述运行状态的关联规则，所述经过训练后的数据关联模型用于基于所述关联规则，利用待测数据中的温度及电压值检测待测内存的运行状态。
[0020]第四方面，本申请还提供一种内存检测装置，所述装置包括：
[0021]第二获取单元，用于获取待测内存的待测数据，所述待测数据包括运行温度及所述待测内存在所述运行温度下的电压值；
[0022]检测单元，用于将所述待测数据输入经过训练的数据关联模型，得到表征所述待测内存的运行状态的检测结果，所述运行状态包括表示内存运行正常或运行异常的状态。
[0023]第五方面，本申请还提供一种电子设备，所述电子设备包括相互耦合的处理器及存储器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述电子设备执行上述的模型训练方法，或执行上述的内存检测方法。
[0024]第六方面，本申请还提供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计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述的模型训练方法，或执行上述的内存检测方法。
附图说明
[0025]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使
用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
[0026]图1为本申请实施例提供的模型训练方法的流程示意图。
[0027]图2为本申请实施例提供的模型训练装置的框图。
[0028]图3为本申请实施例提供的内存检测方法的流程示意图。
[0029]图4为本申请实施例提供的内存检测装置的框图。
[0030]图标：200
‑
模型训练装置；210
‑
第一获取单元；220
‑
训练单元；400
‑
内存检测装置；410
‑
第二获取单元；420
‑
检测单元。
具体实施方式
[0031]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描述。需要说明的是，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
[0032]第一实施例
[0033]本申请提供一种电子设备，可以基于采集的内存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：获取训练数据集，所述训练数据集包括多组数据，每组数据包括设定温度、内存在所述设定温度下的电压值，以及所述内存在所述设定温度及所述电压值下的运行状态；利用所述训练数据集对预设数据关联模型进行训练，得到经过训练的数据关联模型，所述预设数据关联模型用于学习所述每组数据中的所述温度和所述电压值的组合与所述运行状态的关联规则，所述经过训练后的数据关联模型用于基于所述关联规则，利用待测数据中的温度及电压值检测待测内存的运行状态。2.根据权利要求1所述的方法，其特征在于，在获取训练数据集之前，所述方法还包括：对预先获取的数据集进行预处理，得到经过聚类及过滤的多组数据以作为所述训练数据集。3.根据权利要求2所述的方法，其特征在于，对预先获取的数据集进行预处理，得到经过聚类及过滤的多组数据以作为所述训练数据集，包括：通过预设聚类算法，对预先获取的数据集按所述内存的运行状态进行聚类，得到聚类后的数据集及每组数据与所在聚类簇的中心点的距离；在所述聚类后的数据集中，滤除距离大于或等于预设阈值的数据组，得到所述训练数据集。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取待测内存的待测数据，所述待测数据包括预先采集的运行温度及所述待测内存在所述运行温度下的电压值；将所述待测数据输入所述经过训练的数据关联模型，得到表征所述待测内存的运行状态的检测结果，所述运行状态包括表示内存运行正常或运行异常的状态。5.根据权利要求1所述的方法，其特征在于，所述每组数据中的电压值为通过采集所述内存在所述设定温度下得到的实际电压值。6.一种内存检测方法，其特征在于，所述方法包括：获取待测内存的待测数据，所述待测数据包括运行温度及所述待测...

【专利技术属性】
技术研发人员：张迎华，蒲嘉鹏，辛云龙，王小东，王天春，
申请(专利权)人：曙光信息产业股份有限公司，
类型：发明
国别省市：