摘要：本案例将带大家使用一份开源的S.M.A.R.T.数据集和机器学习中的随机森林算法，来训练一个硬盘故障预测模型，并测试效果。本文分享自华为云社区《基于随机森林算法进行硬盘故障预测》，作者：HWCloudAI。实验目标掌握使用机器学习方法训练模型的基本流程；掌握使用pandas做数据分析的基本方法；掌握使用scikit-learn进行随机森林模型的构建、训练、保存、加载、预测、统计准确率指标和查看混淆矩阵的方法；案例内容介绍随着互联网、云计算的发展，数据的存储需求与日倍增，大规模海量数据存储中心是必不可少的基础性设施。虽然新的存储介质例如SSD，已经很多方面拥有了比磁盘更好的性能，但就目前来
摘要：本案例将带大家使用一份开源的S.M.A.R.T.数据集和机器学习中的随机森林算法，来训练一个硬盘故障预测模型，并测试效果。本文分享自华为云社区《基于随机森林算法进行硬盘故障预测》，作者：HWCloudAI。实验目标掌握使用机器学习方法训练模型的基本流程；掌握使用pandas做数据分析的基本方法；掌握使用scikit-learn进行随机森林模型的构建、训练、保存、加载、预测、统计准确率指标和查看混淆矩阵的方法；案例内容介绍随着互联网、云计算的发展，数据的存储需求与日倍增，大规模海量数据存储中心是必不可少的基础性设施。虽然新的存储介质例如SSD，已经很多方面拥有了比磁盘更好的性能，但就目前来
作者：jiwenqiang，DFX技术专家 提到开发一个产品，我们通常首先想到的是要实现什么样的功能，但是除了功能之外，非功能属性也会很大程度上影响一个产品的体验效果，比如不定时出现的应用卡死、崩溃现象。那为什么有的系统故障频频，有的却很少出现这些问题呢，这就不得不提到我们今天的主角DFX了。 一、什么是DFX？DFX是早在1960~1970年代就出现的产品设计理念，但是对于不少开发者而言，这是一个陌生的概念，什么是DFX？所谓DFX（DesignForX），是指产品的非功能属性设计，其中的X代表产品的某个特性或者产品生命周期的某个阶段。 从下面的图可以看出，产品的非功能属性是非常丰富的，它
作者：jiwenqiang，DFX技术专家 提到开发一个产品，我们通常首先想到的是要实现什么样的功能，但是除了功能之外，非功能属性也会很大程度上影响一个产品的体验效果，比如不定时出现的应用卡死、崩溃现象。那为什么有的系统故障频频，有的却很少出现这些问题呢，这就不得不提到我们今天的主角DFX了。 一、什么是DFX？DFX是早在1960~1970年代就出现的产品设计理念，但是对于不少开发者而言，这是一个陌生的概念，什么是DFX？所谓DFX（DesignForX），是指产品的非功能属性设计，其中的X代表产品的某个特性或者产品生命周期的某个阶段。 从下面的图可以看出，产品的非功能属性是非常丰富的，它
摘要：在Karmada最新版本v1.3中，跨集群故障迁移特性支持优雅故障迁移，确保迁移过程足够平滑。本文分享自华为云社区《Karmada跨集群优雅故障迁移特性解析》，作者：Karmada社区。在多云多集群应用场景中，为了提高业务的高可用性，用户的工作负载可能会被部署在多个集群中。然而当某个集群发生故障时，为保证业务的可用性与连续性，用户希望故障集群上的工作负载被自动的迁移到其他条件适合的集群中去，从而达成故障迁移的目的。Karmada在v1.0版本发布之前便已支持跨集群故障迁移能力，经历过社区多个版本的开发迭代，跨集群故障迁移能力不断完善。在Karmada最新版本v1.3（https://gi
摘要：在Karmada最新版本v1.3中，跨集群故障迁移特性支持优雅故障迁移，确保迁移过程足够平滑。本文分享自华为云社区《Karmada跨集群优雅故障迁移特性解析》，作者：Karmada社区。在多云多集群应用场景中，为了提高业务的高可用性，用户的工作负载可能会被部署在多个集群中。然而当某个集群发生故障时，为保证业务的可用性与连续性，用户希望故障集群上的工作负载被自动的迁移到其他条件适合的集群中去，从而达成故障迁移的目的。Karmada在v1.0版本发布之前便已支持跨集群故障迁移能力，经历过社区多个版本的开发迭代，跨集群故障迁移能力不断完善。在Karmada最新版本v1.3（https://gi
故障检测（FailureDetection）是GroupReplication的一个核心功能模块，通过它可以及时识别集群中的故障节点，并将故障节点从集群中剔除掉。如果不将故障节点及时剔除的话，一方面会影响集群的性能，另一方面还会阻止集群拓扑的变更。下面结合一个具体的案例，分析GroupReplication的故障检测流程。除此之外，本文还会分析以下问题。当出现网络分区时，对于少数派节点，会有什么影响？什么是XComCache？如何预估XComCache的大小？在线上，为什么group_replication_member_expel_timeout不宜设置过大？案例以下是测试集群的拓扑，多主模
故障检测（FailureDetection）是GroupReplication的一个核心功能模块，通过它可以及时识别集群中的故障节点，并将故障节点从集群中剔除掉。如果不将故障节点及时剔除的话，一方面会影响集群的性能，另一方面还会阻止集群拓扑的变更。下面结合一个具体的案例，分析GroupReplication的故障检测流程。除此之外，本文还会分析以下问题。当出现网络分区时，对于少数派节点，会有什么影响？什么是XComCache？如何预估XComCache的大小？在线上，为什么group_replication_member_expel_timeout不宜设置过大？案例以下是测试集群的拓扑，多主模
系列文章手把手教你：玩转图像分类和目标检测系统手把手教你：图像识别的垃圾分类系统手把手教你：基于粒子群优化算法（PSO）优化卷积神经网络（CNN）的文本分类一、项目简介本文主要介绍如何使用python搭建：一个基于深度学习的滚动轴承故障诊断系统项目中涉及使用了多种方法对比检测结果，包括：传统机器学习方法：随机森林深度学习方法：CNN增加残差模块后的深度学习方法：CNN+ResBlock如各位童鞋需要更换训练数据，完全可以根据源码将图像和标注文件更换即可直接运行。博主也参考过网上故障检测的相关文章，但大多是理论大于方法。很多同学肯定对原理不需要过多了解，只需要搭建出一个基于深度学习的轴承故障预测
系列文章手把手教你：玩转图像分类和目标检测系统手把手教你：图像识别的垃圾分类系统手把手教你：基于粒子群优化算法（PSO）优化卷积神经网络（CNN）的文本分类一、项目简介本文主要介绍如何使用python搭建：一个基于深度学习的滚动轴承故障诊断系统项目中涉及使用了多种方法对比检测结果，包括：传统机器学习方法：随机森林深度学习方法：CNN增加残差模块后的深度学习方法：CNN+ResBlock如各位童鞋需要更换训练数据，完全可以根据源码将图像和标注文件更换即可直接运行。博主也参考过网上故障检测的相关文章，但大多是理论大于方法。很多同学肯定对原理不需要过多了解，只需要搭建出一个基于深度学习的轴承故障预测
