一种虚拟机状态的判断方法、装置、设备和存储介质与流程

计算;推算;计数设备的制造及其应用技术1.本技术涉及通信技术领域，尤其涉及一种虚拟机状态的判断方法、装置、设备和存储介质。背景技术：2.随着物联网(the internet of things，iot)和工业4.0的发展，云计算已成为许多企业互联网技术(internet technology，it)架构转型过程中必不可少的计算基础结构。但据统计，云计算的数据中心中高达30％的虚拟机长期处于闲置状态。造成这些虚拟机处于闲置状态的原因可能是虚拟机管理模块的错误，也可能是管理流程的不完善或者人为疏忽。闲置虚拟机极大地损害云资源的性能，影响云资源成本管理效率，在极端情况下甚至会导致无法创建新虚拟机进而影响业务。3.而目前并没有可靠有效的用于甄别虚拟机闲置的技术方案。技术实现要素：4.有鉴于此，本技术实施例期望提供一种虚拟机状态的判断方法、装置、设备和存储介质，解决了目前没有可靠有效的用于甄别虚拟机闲置的技术方案的问题，提出了一种甄别虚拟机闲置的技术方案，保证了在不同应用场景下的虚拟机闲置的甄别效率和准确率。5.为达到上述目的，本技术的技术方案是这样实现的：6.第一方面，一种虚拟机状态的判断方法，所述方法包括：7.获取虚拟机的运行特征信息的当前值；8.基于所述运行特征信息的当前值，确定所述虚拟机的应用场景；9.基于所述应用场景，确定第一预测模型；10.将所述运行特征信息的当前值输入所述第一预测模型，得到所述虚拟机的工作状态；其中，所述工作状态包括闲置状态和非闲置状态。11.可选的，所述基于所述应用场景，确定第一预测模型，包括：12.获取已训练好的第二预测模型；13.确定所述应用场景对应的目标权重系数；14.基于所述目标权重系数，调整所述第二预测模型中对应的系数，得到所述第一预测模型。15.可选的，所述获取已训练好的第二预测模型之前，所述方法还包括：16.获取有标签的第一样本数据集和无标签的第二样本数据集；其中，所述第一样本数据集和所述第二样本数据集中的每一样本数据为虚拟机的运行特征信息的历史值；17.基于所述第一样本数据集，确定预设数量个第一分类器；18.通过所述预设数量个第一分类器对所述第二样本数据集中的每一样本进行标签标记处理，得到有标签的第三样本数据集；19.采用所述第一样本数据集和所述第三样本数据集对待训练模型进行训练，得到所述第二预测模型。20.可选的，所述通过所述预设数量个第一分类器对所述第二样本数据集中的每一样本进行标签标记处理，得到有标签的第三样本数据集，包括：21.通过所述预设数量个第一分类器对所述第二样本数据集中的每一样本数据进行标签标记处理，得到第四样本数据集和第五样本数据集；其中，所述第四样本数据集包括的是有标签的样本数据，所述第五样本数据集包括的是无标签的样本数据；22.若所述第五样本数据集为空，确定所述第三样本数据集为所述第四样本数据集；23.若所述第四样本数据集不为空，且所述第五样本数据集不为空，采用所述第四样本数据集对所述预设数量个第一分类器进行更新，得到预设数量个第二分类器；24.通过所述预设数量个第二分类器对所述第五样本数据集中的每一样本数据进行标签标记处理，得到第六样本数据集和第七样本数据集；其中，所述第六样本数据集包括的是有标签的样本数据，所述第七样本数据集包括的是无标签的样本数据；25.若所述第六样本数据集为空，确定所述第三样本数据集为所述第四样本数据集。26.可选的，所述方法还包括：27.若所述第七样本数据集为空，确定所述第三样本数据集包括所述第四样本数据集和所述第六样本数据集；28.若所述第六样本数据集不为空，且所述第七样本数据集不为空，采用所述第六样本数据集对所述预设数量个第二分类器进行更新，直至得到第八样本数据集为空，确定所述第三样本数据集为已标签后的所述第二样本数据集，或直到得到第九样本数据集为空，确定第三样本数据集包括所述第二样本数据集中的样本数据去除所述第八样本数据集包括的样本数据后对应的已标签的样本数据；其中，所述第八样本数据集包括的是有标签的样本数据，所述第九样本数据集包括的是无标签的样本数据。29.可选的，所述通过所述预设数量个第一分类器对所述第二样本数据集中的每一样本数据进行标签标记处理，得到第四样本数据集和第五样本数据集，包括：30.通过所述预设数量个第一分类器对所述第二样本数据集中的每一样本数据进行标签标记处理，得到每一所述样本数据的预设数量个目标标签；31.对每一所述样本数据的所述预设数量个目标标签进行分类，得到用于表示闲置状态的第一类标签和用于表示非闲置状态的第二类标签；其中，所述目标标签为所述第一类标签或所述第二类标签；32.统计所述第一类标签在所述预设数量个目标标签中所占的第一比例和所述第二类标签在所述预设数量个目标标签中所占的第二比例；33.基于所述第一比例和所述第二比例，对对应的每一所述样本数据进行标签标记处理，得到参考样本数据集；34.对所述参考样本数据集中的样本数据进行有标签和无标签分类处理，得到所述第四样本数据集和所述第五样本数据集。35.可选的，所述基于所述第一比例和所述第二比例，对对应的每一所述样本数据进行标签标记处理，得到参考样本数据集，包括：36.确定所述第一比例和所述第二比例中比例最大的比例，得到目标比例；37.基于所述目标比例确定每一所述样本数据的参考标签；38.采用所述参考标签标记对应的每一所述样本数据，得到所述参考样本数据集。39.可选的，所述基于所述目标比例确定每一所述样本数据的参考标签，包括：40.若所述目标比例大于或等于预设阈值，确定所述参考标签为所述目标比例对应的目标标签；41.若所述目标比例小于所述预设阈值，确定所述参考标签为空。42.可选的，所述运行特征信息包括虚拟机运行进程信息，以及以下信息至少之一：虚拟机所在的主机信息、虚拟机资源使用信息、虚拟机网络连接信息、登录历史记录信息、虚拟机的中间件运行信息和业务层运行信息。43.第二方面，一种虚拟机状态的判断装置，所述装置包括：获取单元、确定单元和预测单元；其中：44.所述获取单元，用于获取虚拟机的运行特征信息的当前值；45.所述确定单元，用于基于所述运行特征信息的当前值，确定所述虚拟机的应用场景；基于所述应用场景，确定第一预测模型；46.所述预测单元，用于将所述运行特征信息的当前值输入所述第一预测模型，得到所述虚拟机的工作状态；其中，所述工作状态包括闲置状态和非闲置状态。47.第三方面，一种虚拟机状态的判断设备，所述设备包括：存储器、处理器和通信总线；其中：48.所述存储器，用于存储可执行指令；49.所述通信总线，用于实现所述处理器和所述存储器之间的通信连接；50.所述处理器，用于执行所述存储器中存储的虚拟机状态的判断程序，实现如上述任一项所述的虚拟机状态的判断方法的步骤。51.第四方面，一种存储介质，所述存储介质上存储有虚拟机状态的判断程序，所述虚拟机状态的判断程序被处理器执行时实现如上述任一项所述的虚拟机状态的判断方法的步骤。52.本技术的实施例所提供的虚拟机状态的判断方法、装置、设备和存储介质，通过获取虚拟机的运行特征信息的当前值后，基于运行特征信息的当前值，确定虚拟机的应用场景，然后基于应用场景，确定第一预测模型，并将运行特征信息的当前值输入第一预测模型，得到虚拟机的工作状态。这样，通过虚拟机应用场景对应的第一预测模型，对虚拟机的运行特征信息的当前值进行预测，从而来确定虚拟机的工作状态为闲置状态还是非闲置状态，解决了目前没有可靠有效的用于甄别虚拟机闲置的技术方案的问题，提出了一种甄别虚拟机闲置的技术方案，保证了在不同应用场景下的虚拟机闲置的甄别效率和准确率。附图说明53.图1为本技术实施例提供的一种虚拟机状态的判断方法的流程示意图；54.图2为本技术实施例提供的另一种虚拟机状态的判断方法的流程示意图；55.图3为本技术实施例提供的又一种虚拟机状态的判断方法的流程示意图；56.图4为本技术实施例提供的一种训练得到第二预测模型的训练方法的流程示意图；57.图5为本技术实施例提供的一种样本标签自学习的实现方法的流程示意图；58.图6为本技术实施例提供的一种甄别虚拟机是否为闲置状态的实现方法的流程示意图；59.图7为本技术实施例提供的一种确定虚拟机的应用场景的实现方法的流程示意图；60.图8为本技术实施例提供的一种虚拟机状态的判断装置的结构示意图；61.图9为本技术实施例提供的一种虚拟机状态的判断设备的结构示意图。具体实施方式62.应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。63.本技术的实施例提供一种虚拟机状态的判断方法，该方法应用于虚拟机状态的判断设备，参照图1所示，该方法包括以下步骤：64.步骤101、获取虚拟机的运行特征信息的当前值。65.其中，运行特征信息包括虚拟机运行进程信息，以及以下信息至少之一：虚拟机所在的主机信息、虚拟机资源使用信息、虚拟机网络连接信息、登录历史记录信息、虚拟机的中间件运行信息和业务层运行信息。66.在本技术实施例中，虚拟机属于虚拟机状态的判断设备所管理控制的虚拟机集群，虚拟机状态的判断设备用于基于虚拟机的运行特征信息的当前值进行判断，以确定虚拟机的当前工作状态为闲置状态还是非闲置状态。虚拟机的运行特征信息的当前值可以是虚拟机状态的判断设备从虚拟机中读取得到的，也可以是虚拟机定时发送至虚拟机状态的判断设备的。虚拟机的运行特征信息的值主要为虚拟机运行时的具体运行特征参数的参数值。为了在当前时刻实现对虚拟机的工作状态时进行准确预测判断，因此可以获取当前时刻虚拟机的第一运行状态信息的当前值。67.步骤102、基于运行特征信息的当前值，确定虚拟机的应用场景。68.在本技术实施例中，由于不同应用场景下，虚拟机运行的运行特征信息的值不同，因此，可以对运行特征信息的值进行分析，以确定得到虚拟机的应用场景。69.虚拟机的应用场景至少可以分为以下应用场景：分析应用场景、存储应用场景、开发应用场景和其他应用场景。其中，分析应用场景对应的运行进程主要为：大数据分析进程和计算分析进程等，分析应用场景的虚拟机资源使用信息主要为：中央处理器(central processing unit，cpu)的使用率比较高、内存资源使用率比较高；存储应用场景对应的运行进程主要为：数据传输进程，分析应用场景的虚拟机资源使用信息主要为：存储资源使用率较高；开发应用场景对应的运行进程主要为：开发、编码和编译进程，对应的分析应用场景的虚拟机资源使用信息主要为：cpu资源和内存资源使用率较高；其他，对应其他应用进程。70.在一些应用场景中，可以直接对虚拟机的运行特征信息的当前值进行特征分析，来确定得到虚拟机的应用场景，也可以采用场景分类器的方法来实现，场景分类器可以是对非神经网络模型算法进行训练得到的分类器，也可以是对神经网络模型算法进行训练得到的分类器。71.步骤103、基于应用场景，确定第一预测模型。72.在本技术实施例中，预先在不同应用场景下，设置有不同的第一预测模型，因此，可以根据虚拟机对应的应用场景，确定用于对虚拟机的工作状态进行识别的第一预测模型，这样，有效提高了对虚拟机的工作状态进行判断的准确率。73.步骤104、将所述运行特征信息的当前值输入第一预测模型，得到虚拟机的工作状态。74.其中，工作状态包括闲置状态和非闲置状态。75.在本技术实施例中，将虚拟机的运行特征信息的当前值输入至第一预测模型后，第一预测模型对运行特征信息的当前值进行预测，从而可以输出得到虚拟机的工作状态，即可以输出虚拟机属于闲置状态或者非闲置状态。在一些应用场景中，在确定虚拟机的工作状态后，可以将虚拟机的工作状态进行显示，以便对属于闲置状态的虚拟机进行相应的管理和应用，从而实现对虚拟机的有效管理，提高了云资源的使用性能。虚拟机状态的判断设备通过第一预测模型对虚拟机的运行特征信息的当前值进行预测，预测得到虚拟机的工作状态，有效代替了人工判断虚拟机的工作状态的方式，有效降低了人工成本和时间成功，并克服了由于不同的人甄别标准不同导致甄别结果不同的缺陷，通过第一预测模型来对虚拟机的工作状态进行甄别，提高了判断虚拟机的工作状态的甄别效率。76.本技术的实施例所提供的虚拟机状态的判断方法，通过获取虚拟机的运行特征信息的当前值后，基于运行特征信息的当前值，确定虚拟机的应用场景，然后基于应用场景，确定第一预测模型，并将运行特征信息的当前值输入第一预测模型，得到虚拟机的工作状态。这样，通过虚拟机应用场景对应的第一预测模型，对虚拟机的运行特征信息的当前值进行预测，从而来确定虚拟机的工作状态为闲置状态还是非闲置状态，解决了目前没有可靠有效的用于甄别虚拟机闲置的技术方案的问题，提出了一种甄别虚拟机闲置的技术方案，保证了在不同应用场景下的虚拟机闲置的甄别效率和准确率。77.基于前述实施例，本技术的实施例提供一种虚拟机状态的判断方法，该方法应用于虚拟机状态的判断设备，参照图2所示，该方法包括以下步骤：78.步骤201、获取虚拟机的运行特征信息的当前值。79.在本技术实施例中，步骤201的具体实现过程可以参照前述步骤101的实现过程。80.步骤202、基于运行特征信息的当前值，确定虚拟机的应用场景。81.在本技术实施例中，步骤202的具体实现过程可以参照前述步骤102的实现过程。82.需说明的是，前述实施例中的步骤103可以由步骤203～205来实现。83.步骤203、获取已训练好的第二预测模型。84.在本技术实施例中，第二预测模型可以是对分类算法进行机器学习训练得到的第二预测模型，在一些应用场景下，可以直接采用第二预测模型对虚拟机的运行特征信息的当前值进行预测，以确定虚拟机当前的工作状态为闲置状态或非闲置状态。但是，第二预测模型中未充分考虑不同应用场景的虚拟机不同的运行特征信息的特点，因此，存在预测出错的情况。为了降低预测准确率较低的情况，需对第二预测模型进行一定校正，从而进一步执行步骤204～205。85.步骤204、确定应用场景对应的目标权重系数。86.在本技术实施例中，不同应用场景下设置有对第二预测模型进行校正的权重系数。在一些应用场景下，不同应用场景下对第二预测模型进行校正的权重系数可以是根据经验得到的经验值，进一步的，这些权重系数可以根据实际应用场景或者经验的增加，不断的进行校正。在一些应用场景中，不同应用场景下对应的用于对甄别模型进行校正的权重系数可以计算得到，例如可以采用方差分析(analysis of variance，anova)对大量不同应用场景下对应的运行特征信息对应的历史值进行特征分析，来确定得到不同应用场景下对应的用于对甄别模型进行校正的权重系数。87.步骤205、基于目标权重系数，调整第二预测模型中对应的系数，得到第一预测模型。88.在本技术实施例中，采用目标权重系数，对第二预测模型中对应的系数进行调整，具体调整方式一般为权重加成方式，例如可以是采用目标球权重系数与第二预测模型中对应的原始系数的乘积来更新第二预测模型中对应的原始系数，这样，即可得到第一预测模型。89.在一些应用场景中，也可以预先采用不同应用场景对应的目标权重系数，对第二预测模型中对应的系数进行相应的调整，得到不同应用场景下对应的第一预测模型，这样，在需要某一应用场景对应的第一预测模型时，可以直接从不用应用场景对应的第一预测模型中选取该某一应用场景对应的第一预测模型。90.示例性的，假设确定得到的第二预测模型可以表示为y＝a1*x2+a2*x+b，与a1和a2对应的目标权重系数依次可以记为c1和c2时，采用c1对a1进行调整，采用c2对a2进行调整，对应的得到的第一预测模型表示为：y＝a1*c1*x2+a2*c2*x+b。91.步骤206、将运行特征信息的当前值输入第一预测模型，得到虚拟机的工作状态。92.其中，工作状态包括闲置状态和非闲置状态。93.在本技术实施例中，步骤206的具体实现过程可以参照前述步骤104的实现过程。94.基于前述实施例，在本技术其他实施例中，参照图3所示，虚拟机状态的判断设备执行步骤203之前，还用于执行步骤207～210：95.步骤207、获取有标签的第一样本数据集和无标签的第二样本数据集。96.其中，第一样本数据集和第二样本数据集中的每一样本数据为不同虚拟机的运行特征信息的历史值。97.在本技术实施例中，有标签的第一样本数据集是采用人工标记得到的，即才采集到的大量样本数据中，抽取一定比例的样本数据进行人工标签标记处理，从而可以得到有标签的第一样本数据和无标签的第二样本数据集。98.步骤208、基于第一样本数据集，确定预设数量个第一分类器。99.在本技术实施例中，对有标签的第一样本数据集进行训练，得到预设数量个第一分类器。预设数量可以是根据大量实验得到的一个经验值，其中预设个第一分类器中，每一第一分类器的系数或侧重点均存在差别，预设数量可以根据实际应用场景进行校正改变。100.步骤209、通过预设数量个第一分类器对第二样本数据集中的每一样本进行标签标记处理，得到有标签的第三样本数据集。101.在本技术实施例中，第三样本数据集属于第二样本数据集，即第三样本数据集包括的所有样本数据均属于第二样本数据集，也就是说第三样本数据集包括的样本数据的数量小于或等于第二样本数据集包括的样本数据的数量。第三样本数据集中包括的每一样本数据的标签不是用于表示闲置状态的第一类标签就是用于表示非闲置状态的第二类标签。102.步骤210、采用第一样本数据集和第三样本数据集对待训练模型进行训练，得到第二预测模型。103.在本技术实施例中，待训练模型可以是分类算法模型，采用有标签的第一样本数据集和第三样本数据集对待训练模型进行模型训练，得到可以用于进行虚拟机工作状态识别的第二预测模型。104.需说明的是，步骤207～210可以作为一个独立的实施例执行，即可以是虚拟机状态的判断设备或其他设备预先执行步骤207～210后，得到第二预测模型，然后虚拟机状态的判断设备获取第二预测模型以实现步骤201～206的实施例的。若步骤207～210不是一个独立的实施例中，可以在步骤203之前的任意一个步骤之前执行。105.基于前述实施例，在本技术其他实施例中，步骤209可以由步骤209a～209g来实现：106.步骤209a、通过预设数量个第一分类器对第二样本数据集中的每一样本数据进行标签标记处理，得到第四样本数据集和第五样本数据集。107.其中，第四样本数据集包括的是对第二样本数据集中的样本数据进行标签标记后的有标签样本数据，第五样本数据集包括的是对第二样本数据集中的样本数据进行标签标记后的无标签样本数据。108.在本技术实施例中，采用预设数量个第一分类器对第二样本数据集进行批量打标签处理，得到标签标记成功的样本数据和标签标记失败的样本数据，将标签标记成功的样本数据和标签标记失败的样本数据根据是否有标签进行分类，得到第四样本数据集和第五样本数据集。109.需说明的是，虚拟机状态的判断设备执行步骤209a后，可以选择执行步骤209b或者步骤209c～209g；其中：若第五样本数据集为空，选择执行步骤209b，若第四样本数据集不为空，且第五样本数据集不为空，选择执行步骤209c～209g。110.步骤209b、若第五样本数据集为空，确定第三样本数据集为第四样本数据集。111.在本技术实施例中，第五样本数据集为空，表明第二样本数据集中所有样本均标签标记成功，对应的，当前没有需要进行标签标记处理的样本，因此可以确定第三样本数据集为第四样本数据集，此时，对应的第三样本数据集包括的样本数据是第二样本数据集中的全部样本数据。112.若第四样本数据集为空，则第二样本数据集中的一个样本数据均标签标记失败。113.步骤209c、若第四样本数据集不为空，且第五样本数据集不为空，采用第四样本数据集对预设数量个第一分类器进行更新，得到预设数量个第二分类器。114.在本技术实施例中，第四样本数据集不为空，且第五样本数据集不为空表明第二样本数据集中的一部分数据已标签标记成功，而剩余部分标签标记失败，此时可以采用已标签标记成功的第四样本数据集对预设数量个第一分类型继续进行训练，以对预设数量个第一分类型器进行更新，得到预设数量个第二分类型。115.步骤209d、通过预设数量个第二分类器对第五样本数据集中的每一样本数据进行标签标记处理，得到第六样本数据集和第七样本数据集。116.其中，第六样本数据集包括的是对第五样本数据集中的样本数据进行标签标记后的有标签样本数据，第七样本数据集包括的是对第五样本数据集中的样本数据进行标签标记后的无标签样本数据。117.在本技术实施例中，采用针对预设数量个第一分类器进行更新后的预设数量个第二分类器对标签标记失败的第五样本数据集中的样本数据继续进行批量标签标记处理，得到标签标记成功的样本数据和标签标记失败的样本数据，然后对标签标记成功的样本数据和标签标记失败的样本数据进行分类，得到包括有标签样本数据的第六样本数据集和无标签样本数据的第七样本数据集。118.需说明的是，虚拟机状态的判断设备执行步骤209d之后，可以选择执行步骤209e，或者步骤209f，或者步骤209g；其中：若第六样本数据集为空，选择执行步骤209e；若第七样本数据集为空，选择执行209f；若第六样本数据集不为空，且第七样本数据集不为空，选择执行步骤209g。119.步骤209e、若第六样本数据集为空，确定第三样本数据集为第四样本数据集。120.在本技术实施例中，若第六样本数据为空，表明更新后得到的预设数量个第二分类器也未能成功对第五样本数据集中的样本数据进行标签标记处理，因此可以停止对第五样本数据集中的样本数据继续进行标签标记处理，此时可以确定第三样本数据集就是第四样本数据集。121.步骤209f、若第七样本数据集为空，确定第三样本数据集包括第四样本数据集和第六样本数据集。122.在本技术实施例中，第七样本数据集为空表明更新后得到的预设数量个第二分类器成功对第五样本数据集中的样本数据进行标签标记处理，由于当前已不存在未标记样本数据，因此，可以确定第三样本数据集包括采用预设数量个第一分类器成功标签标记得到的第四样本数据集和采用预设数量个第二分类器成功标签标记得到的第六样本数据集。123.步骤209g、若第六样本数据集不为空，且第七样本数据集不为空，采用第六样本数据集对预设数量个第二分类器进行更新，直至得到第八样本数据集为空，确定第三样本数据集为已标签后的第二样本数据集，或直到得到第九样本数据集为空，确定第三样本数据集包括第二样本数据集中的样本数据去除第八样本数据集包括的样本数据后对应的已标签的样本数据。124.其中，第八样本数据集包括的是有标签的样本数据，第九样本数据集包括的是无标签的样本数据。125.在本技术实施例中，第六样本数据集不为空，且第七样本数据集不为空表明预设数量个第二分类器对第五样本数据集中的部分样本数据标签标记成功，剩余部分样本数据标签标记失败，因此可以采用标签标记成功的第六样本数据对预设数量个第二分类器进行更新，得到预设数量个第三分类器，以使预设数量个第三分类器对第七样本数据集继续进行标签标记处理，如此重复，直至第n次更新得到的预设数量个第n分类器对未标签的样本数据时，得到第八样本数据集和第九样本数据集，其中，第八样本数据集为空或第九样本数据集为空。126.这样，通过采用小样本数据训练得到的预设数量个第一分类器对无标签的第二样本数据集进行自动标签标记处理，并采用已标签的样本数据对预设数量个第一分类器进行自动更新训练，来对未标签的样本数据进行标签标记处理，有效保证了将全部样本数据全部标签标记成功的可能，保证了标签标记成功的样本数据的多样性，进一步保证了第二预测模型的可靠性。127.基于前述实施例，在本技术其他实施例中，步骤209a可以通过步骤a1～a5来实现：128.步骤a1、通过预设数量个第一分类器对第二样本数据集中的每一样本数据进行标签标记处理，得到每一样本数据的预设数量个目标标签。129.在本技术实施例中，以预设数量为10，第二样本数据集包括的样本数据为3个虚拟机的样本数据例如a1、a2和a3为例进行说明，采用10个第一分类器对a1、a2和a3进行批量标签标记处理，可以得到10个第一分类器针对a1进行标签标记处理的10个目标标签，针对a2进行标签标记处理的10个目标标签和针对a3进行标签标记处理的10个目标标签。130.步骤a2、对每一样本数据的预设数量个目标标签进行分类，得到第一类标签和第二类标签。131.在本技术实施例中，分别对a1的10个目标标签、a2的10个目标标签和a3的10个目标标签进行分类。以对a1的10个目标标签进行分类处理为例进行说明，对a1的10个目标标签进行分类处理，假设得到8个第一类标签和2个第二类标签。132.步骤a3、统计第一类标签在预设数量个目标标签中所占的第一比例和第二类标签在预设数量个目标标签中所占的第二比例。133.在本技术实施例中，针对a1，确定第一类标签在10个标签中所占的第一比例为0.8，第二类标签在10个标签中所占的第二比例为0.2。134.步骤a4、基于第一比例和第二比例，对对应的每一样本数据进行标签标记处理，得到参考样本数据集。135.在本技术实施例中，针对a1的第一比例和第二比例对a1进行标签标记处理，同理，针对a2的第一比例和第二比例对a2进行标签标记处理，针对a3的第一比例和第二比例对a3进行标签标记处理，得到参考样本数据集，参考样本数据集包括标记处理后的a1、标记处理后的a2和标记处理后的a3。136.步骤a5、对参考样本数据集中的样本数据进行有标签和无标签分类处理，得到第四样本数据集和第五样本数据集。137.在本技术实施例中，有标签指标签标记成功，无标签分类指标签标记失败。这样，对参考样本数据集中的样本数据进行样本数据进行有标签和无标签分类处理，得到有标签的第四样本数据集和无标签的第五样本数据集。138.基于前述实施例，在本技术其他实施例中，步骤a4可以由步骤a41～a43来实现：139.步骤a41、确定第一比例和第二比例中比例最大的比例，得到目标比例。140.在本技术实施例中，针对a1的第一比例为0.8，第二比例为0.2，因此可以确定目标比例为0.8。141.步骤a42、基于目标比例确定每一样本数据的参考标签。142.在本技术实施例中，根据目标比例与预设阈值之间的关系，确定每一样本数据的参考标签，参考标签可以为目标比例对应的目标标签，也可以为空。143.步骤a43、采用参考标签标记对应的每一样本数据，得到参考样本数据集。144.在本技术实施例中，确定到参考标签后，采用参考标签标记对应的每一样本数据，进而得到参考样本数据集。145.基于前述实施例，在本技术其他实施例中，步骤a42可以由步骤a421～a422来实现：146.步骤a421、若目标比例大于或等于预设阈值，确定参考标签为目标比例对应的目标标签。147.在本技术实施例中，假设预设阈值为0.7，针对a1的目标比例0.8，由于目标比例0.8大于预设阈值0.7，目标比例即第一比例对应的目标标签是第一类标签，因此，可以确定a1对应的参考标签为第一类标签。148.步骤a422、若目标比例小于预设阈值，确定参考标签为空。149.在本技术实施例中，针对a2，假设a2的目标比例是第二比例为0.6，由于目标比例0.6小于预设阈值0.7，因此可以确定a2的参考标签为空，即无标签。150.需说明的是，步骤209d和步骤209g中的具体实现过程可以参照步骤a1～a5、步骤a41～a43和步骤a421～a422的具体实现过程，此处不再详细赘述。151.这样，只有针对预设数量个分类器预测后得到的针对某一类别的目标比例超过预设阈值时，才采用目标比例对应的目标标签对该样本数据进行标记处理，有效保证了标签标记结果的可靠性。152.基于前述实施例，本技术实施例提供一种训练得到第二预测模型的训练过程，参照图4所示，包括以下实现步骤：153.步骤41、采集样本数据。154.其中，采集不同虚拟机不同运行状态的运行特征信息的历史值，每一虚拟机的运行特征信息的历史值作为一个样本数据，从而得到大量不同的运行特征信息的历史值。其中，运行特征信息可以参照表1所示。155.步骤42、小样本数据标记。156.其中，从大量不同的运行特征信息的历史值中进行小样本随机采样，对随机采样得到的运行特征信息的历史值进行人工标记，得到前述的第一样本数据集，并将未标签的运行特征信息的历史值作为第二样本数据集。因为样本量不大，所以标记工作成本不是很高。157.步骤43、样本标签自学习。158.其中，采用样本标签自学习机制，通过已有的小规模的带标签的第一样本数据集，对大量无标签的第二样本数据集进行快速自动标签标记，从而保证了构建出高效准确的闲置虚拟机甄别模型的数据基础。样本标签自学习的实现流程可以参照图5所示，包括步骤431～437：159.表1运行特征信息[0160][0161]步骤431、确定预设数量和预设阈值。[0162]步骤432、将第一样本数据集分为训练集和测试集。[0163]步骤433、对训练集和测试集进行训练，得到预设数量个第一分类器。[0164]其中，对训练集进行自举(bootstrap)采样，训练预设数量个初始分类器，并采用测试集对预设数量个初始分类器进行测试，直至通过测试得到预设数量个第一分类器。[0165]步骤434、采用预设数量个第一分类器对第二样本数据集进行批量标签标记处理，得到已标签的第四样本数据集和未标签的第五样本数据集。[0166]其中，预设数量个第一分类器对第二样本数据集中的样本数据m进行标签标记处理，得到每一样本数据对应的预设数量个目标标签；然后统计预设数量个目标标签中相同标签所占比例；在确定的比例中最高比例大于或等于预设阈值时，采用最高比例对应的目标标签对该样本数据进行标签标记；在确定的比例中最高比例小于预设阈值时，对该样本数据不进行标签标记；如此对第二样本数据集中的所有样本数据均进行相同的分析处理；最后将第二样本数据集中已标签的样本数据和未标签的样本数据进行分类，得到第四样本数据集和第五样本数据集。[0167]步骤435、采用第四样本数据集对预设数量个第一分类器进行训练更新，得到预设数量个第二分类器。[0168]步骤436、采用预设数量个第二分类器对第五样本数据集进行批量标签标记处理，如此重复，直至将未标签的样本数据全部标签标记成功或将未标签的样本数据再次标签处理后，仍然标签标记失败。[0169]这样，在步骤434～436中将原有的无标签的样本数据采用多个分类器的进行多次迭代，实现了多个分类器逐步扩大共识，缩小分歧，最终得到统一的收敛结果。[0170]步骤437、输出包括全部已标签的样本数据的第三样本数据集。[0171]步骤44、训练第二预测模型。[0172]其中，利用前述得到的自动训练得到的第三样本数据集、或者第三样本数据集和第一样本数据集采用机器学习的方式，对分类算法进行模型训练，构建得到用于甄别虚拟机是否为闲置状态的第二预测模型。这样，通过样本数据标签自学习机制实现了样本数据自动标签与构建第二预测模型的解耦，增强了在不同场景下模型选型的灵活性，并最终提高了第二预测模型的甄别能力。[0173]基于前述实施例，本技术实施例提供一种甄别虚拟机是否为闲置状态的实现过程，参照图6所示，包括以下实现步骤：[0174]步骤51、获取虚拟机的进程信息。[0175]其中，虚拟机的进程信息属于虚拟机的运行特征信息。虚拟机当前运行的进程信息的进程编号为虚拟机的运行特征信息的当前值。[0176]步骤52、通过虚拟机的进程信息确定虚拟机的应用场景。[0177]其中，如图7所示，可以采用场景分类器对虚拟机进程信息确定虚拟机的应用场景，即将虚拟机进程信息输入至场景分类器中，场景分类器输出分类结果，分类结果具体为虚拟机的应用场景。虚拟机的应用场景可以如表2所示，其中表2仅为举例示意。[0178]表2虚拟机的应用场景[0179][0180]这样，通过虚拟机的进程信息对虚拟机的应用场景进行识别，有效提高了甄别待虚拟机的准确率。[0181]步骤53、确定虚拟机的应用场景对应的目标权重系数。[0182]其中，目标权重系数可以是通过anova分析得到的，其中，针对表2中所示的应用场景，对应的anova结果可以参照表3所示。[0183]表3不同应用场景对应的anova结果[0184][0185]这样，根据表3所示，确定虚拟机的应用场景对应的anova结果，根据anova结果中的结果信息确定对应的目标权重系数。示例性的，在分析场景中，低表示的权重系数为0.9，中表示的权重系数为1，高表示的权重系数为1.1。[0186]步骤54、采用目标权重系数对第二预测模型进行调整，得到第一预测模型。[0187]这样，通过目标权重系数对第二预测模型采用不同场景下的目标权重系数进行权重加成处理，充分考虑了不同应用场景的特征，保证了甄别效果。其中，权重加成处理时，可以基于anova的特征重要性分析，使用随机森林，初始化第二预测模型的特征权重列表参数。[0188]步骤55、将虚拟机的运行特征信息的当前值输入第一预测模型，得到虚拟机的工作状态。[0189]这样，使用自动数据标记机制，通过少量的专家标记实现大量无标签数据的标记自学习，极大降低了标注成本。并通过识别虚拟机所处的场景，然后根据场景使用对应的目标权重系数对第二预测模型进行优化，得到第一预测模型进行虚拟机闲置状态甄别，提高了闲置虚拟机状态甄别模型的构建效率，降低了成本，并有效提高了甄别准确率。[0190]需要说明的是，本实施例中与其它实施例中相同步骤或概念的解释可以参考其它实施例中的描述，此处不再赘述。[0191]本技术的实施例所提供的虚拟机状态的判断方法，通过获取虚拟机的运行特征信息的当前值后，基于第一运行特征信息的当前值，确定虚拟机的应用场景，然后基于应用场景，确定第一预测模型，并将运行特征信息的当前值输入第一预测模型，得到虚拟机的工作状态。这样，通过虚拟机应用场景对应的第一预测模型，对虚拟机的运行特征信息的当前值进行预测，从而来确定虚拟机的工作状态为闲置状态还是非闲置状态，解决了目前没有可靠有效的用于甄别虚拟机闲置的技术方案的问题，提出了一种甄别虚拟机闲置的技术方案，保证了在不同应用场景下的虚拟机闲置的甄别效率和准确率。进一步的，降低了现有采用人工甄别时的时间成本和人力资源消耗成本，保证了对虚拟机闲置状态甄别的实时性。[0192]基于前述实施例，本技术实施例提供一种虚拟机状态的判断装置6，该虚拟机的判断装置6可以应用于图1～3及其他方法对应的实施例中，参照图8所示，该虚拟机状态的判断设备6包括：获取单元61、确定单元62和预测单元63；其中：[0193]获取单元61，用于获取虚拟机的运行特征信息的当前值；[0194]确定单元62，用于基于运行特征信息的当前值，确定虚拟机的应用场景；基于应用场景，确定第一预测模型；[0195]预测单元63，用于将运行特征信息的当前值输入第一预测模型，得到虚拟机的工作状态；其中，工作状态包括闲置状态和非闲置状态。[0196]在本技术其他实施例中，确定单元62包括：第一获取模块、第一确定模块和调整模块；其中：[0197]第一获取模块，用于获取已训练好的第二预测模型；[0198]第一确定模块，用于确定应用场景对应的目标权重系数；[0199]调整模块，用于基于目标权重系数，调整第二预测模型中对应的系数，得到第一预测模型。[0200]在本技术其他实施例中，第一获取模块之前，确定单元62还包括：第二获取模块、第二确定模块、标记模块和训练模块；其中：[0201]第二获取模块，用于获取有标签的第一样本数据集和无标签的第二样本数据集；其中，第一样本数据集和第二样本数据集中的每一样本数据为虚拟机的运行特征信息的历史值；[0202]第二确定模块，用于基于第一样本数据集，确定预设数量个第一分类器；[0203]标记模块，用于通过预设数量个第一分类器对第二样本数据集中的每一样本进行标签标记处理，得到有标签的第三样本数据集；[0204]训练模块，用于采用第一样本数据集和第三样本数据集对待训练模型进行训练，得到第二预测模型。[0205]在本技术实施例中，标记模块具体用于实现以下步骤：[0206]通过预设数量个第一分类器对第二样本数据集中的每一样本数据进行标签标记处理，得到第四样本数据集和第五样本数据集；其中，第四样本数据集包括的是有标签的样本数据，第五样本数据集包括的是无标签的样本数据；[0207]若第五样本数据集为空，确定第三样本数据集为第四样本数据集；[0208]若第四样本数据集不为空，且第五样本数据集不为空，采用第四样本数据集对预设数量个第一分类器进行更新，得到预设数量个第二分类器；[0209]通过预设数量个第二分类器对第五样本数据集中的每一样本数据进行标签标记处理，得到第六样本数据集和第七样本数据集；其中，第六样本数据集包括的是有标签的样本数据，第七样本数据集包括的是无标签的样本数据；[0210]若第六样本数据集为空，确定第三样本数据集为第四样本数据集。[0211]在本技术其他实施例中，标记模块还具体用于实现以下步骤：[0212]若第七样本数据集为空，确定第三样本数据集包括第四样本数据集和第六样本数据集；[0213]若第六样本数据集不为空，且第七样本数据集不为空，采用第六样本数据集对预设数量个第二分类器进行更新，直至得到第八样本数据集为空，确定第三样本数据集为已标签后的第二样本数据集，或直到得到第九样本数据集为空，确定第三样本数据集包括第二样本数据集中的样本数据去除第八样本数据集包括的样本数据后对应的已标签的样本数据；其中，第八样本数据集包括的是有标签的样本数据，第九样本数据集包括的是无标签的样本数据。[0214]在本技术其他实施例中，标记模块实现步骤通过预设数量个第一分类器对第二样本数据集中的每一样本数据进行标签标记处理，得到第四样本数据集和第五样本数据集时，可以通过以下步骤来实现：[0215]通过预设数量个第一分类器对第二样本数据集中的每一样本数据进行标签标记处理，得到每一样本数据的预设数量个目标标签；[0216]对每一样本数据的预设数量个目标标签进行分类，得到用于表示闲置状态的第一类标签和用于表示非闲置状态的第二类标签；其中，目标标签为第一类标签或第二类标签；[0217]统计第一类标签在预设数量个目标标签中所占的第一比例和第二类标签在预设数量个目标标签中所占的第二比例；[0218]基于第一比例和第二比例，对对应的每一样本数据进行标签标记处理，得到参考样本数据集；[0219]对参考样本数据集中的样本数据进行有标签和无标签分类处理，得到第四样本数据集和第五样本数据集。[0220]在本技术其他实施例中，标记模块实现步骤基于第一比例和第二比例，对对应的每一样本数据进行标签标记处理，得到参考样本数据集时，可以通过以下步骤来实现：[0221]确定第一比例和第二比例中比例最大的比例，得到目标比例；[0222]基于目标比例确定每一样本数据的参考标签；[0223]采用参考标签标记对应的每一样本数据，得到参考样本数据集。[0224]在本技术其他实施例中，标记模块实现步骤基于目标比例确定每一样本数据的参考标签时，可以通过以下步骤来实现：[0225]若目标比例大于或等于预设阈值，确定参考标签为目标比例对应的目标标签；[0226]若目标比例小于预设阈值，确定参考标签为空。[0227]在本技术其他实施例中，运行特征信息包括虚拟机运行进程信息，以及以下信息至少之一：虚拟机所在的主机信息、虚拟机资源使用信息、虚拟机网络连接信息、登录历史记录信息、虚拟机的中间件运行信息和业务层运行信息。[0228]需说明的是，本实施例中处理器所实现的步骤之间的交互过程，可以参照图1～3对应的实施例及上述实施例提供的虚拟机状态的判断方法中的交互过程，此处不再赘述。[0229]本技术的实施例所提供的虚拟机状态的判断装置，通过获取虚拟机的运行特征信息的当前值后，基于运行特征信息的当前值，确定虚拟机的应用场景，然后基于应用场景，确定第一预测模型，并将运行特征信息的当前值输入第一预测模型，得到虚拟机的工作状态。这样，通过虚拟机应用场景对应的第一预测模型，对虚拟机的运行特征信息的当前值进行预测，从而来确定虚拟机的工作状态为闲置状态还是非闲置状态，解决了目前没有可靠有效的用于甄别虚拟机闲置的技术方案的问题，提出了一种甄别虚拟机闲置的技术方案，保证了在不同应用场景下的虚拟机闲置的甄别效率和准确率。进一步的，降低了现有采用人工甄别时的时间成本和人力资源消耗成本，保证了对虚拟机闲置状态甄别的实时性。[0230]基于前述实施例，本技术实施例提供一种虚拟机状态的判断设备7，该虚拟机状态的判断设备7可以应用于图1～3及其他方法对应的实施例中，参照图9所示，该虚拟机状态的判断设备7包括：存储器71、处理器72和通信总线73；其中：[0231]存储器71，用于存储可执行指令；[0232]通信总线73，用于实现处理器72和存储器71之间的通信连接；[0233]处理器72，用于执行存储器71中存储的虚拟机状态的判断程序，实现以下步骤：[0234]获取虚拟机的运行特征信息的当前值；[0235]基于运行特征信息的当前值，确定虚拟机的应用场景；[0236]基于应用场景，确定第一预测模型；[0237]将运行特征信息的当前值输入第一预测模型，得到虚拟机的工作状态；其中，工作状态包括闲置状态和非闲置状态。[0238]在本技术其他实施例中，处理器执行步骤基于应用场景，确定第一预测模型时，可以通过以下步骤来实现：[0239]获取已训练好的第二预测模型；[0240]确定应用场景对应的目标权重系数；[0241]基于目标权重系数，调整第二预测模型中对应的系数，得到第一预测模型。[0242]在本技术其他实施例中，处理器执行步骤获取已训练好的第二预测模型之前，还用于执行以下步骤：[0243]获取有标签的第一样本数据集和无标签的第二样本数据集；其中，第一样本数据集和第二样本数据集中的每一样本数据为不同虚拟机的运行特征信息的历史值；[0244]基于第一样本数据集，确定预设数量个第一分类器；[0245]通过预设数量个第一分类器对第二样本数据集中的每一样本进行标签标记处理，得到有标签的第三样本数据集；[0246]采用第一样本数据集和第三样本数据集对待训练模型进行训练，得到第二预测模型。[0247]在本技术其他实施例中，处理器执行步骤通过预设数量个第一分类器对第二样本数据集中的每一样本进行标签标记处理，得到有标签的第三样本数据集时，可以通过以下步骤来实现：[0248]通过预设数量个第一分类器对第二样本数据集中的每一样本数据进行标签标记处理，得到第四样本数据集和第五样本数据集；其中，第四样本数据集包括的是有标签的样本数据，第五样本数据集包括的是无标签的样本数据；[0249]若第五样本数据集为空，确定第三样本数据集为第四样本数据集；[0250]若第四样本数据集不为空，且第五样本数据集不为空，采用第四样本数据集对预设数量个第一分类器进行更新，得到预设数量个第二分类器；[0251]通过预设数量个第二分类器对第五样本数据集中的每一样本数据进行标签标记处理，得到第六样本数据集和第七样本数据集；其中，第六样本数据集包括的是有标签的样本数据，第七样本数据集包括的是无标签的样本数据；[0252]若第六样本数据集为空，确定第三样本数据集为第四样本数据集。[0253]在本技术其他实施例中，处理器还用于执行以下步骤：[0254]若第七样本数据集为空，确定第三样本数据集包括第四样本数据集和第六样本数据集；[0255]若第六样本数据集不为空，且第七样本数据集不为空，采用第六样本数据集对预设数量个第二分类器进行更新，直至得到第八样本数据集为空，确定第三样本数据集为已标签后的第二样本数据集，或直到得到第九样本数据集为空，确定第三样本数据集包括第二样本数据集中的样本数据去除第八样本数据集包括的样本数据后对应的已标签的样本数据；其中，第八样本数据集包括的是有标签的样本数据，第九样本数据集包括的是无标签的样本数据。[0256]在本技术其他实施例中，处理器执行步骤通过预设数量个第一分类器对第二样本数据集中的每一样本数据进行标签标记处理，得到第四样本数据集和第五样本数据集时，可以通过以下步骤来实现：[0257]通过预设数量个第一分类器对第二样本数据集中的每一样本数据进行标签标记处理，得到每一样本数据的预设数量个目标标签；[0258]对每一样本数据的预设数量个目标标签进行分类，得到第一类标签和第二类标签；[0259]统计第一类标签在预设数量个目标标签中所占的第一比例和第二类标签在预设数量个目标标签中所占的第二比例；[0260]基于第一比例和第二比例，对对应的每一样本数据进行标签标记处理，得到参考样本数据集；[0261]对参考样本数据集中的样本数据进行有标签和无标签分类处理，得到第四样本数据集和第五样本数据集。[0262]在本技术其他实施例中，处理器执行步骤基于第一比例和第二比例，对对应的每一样本数据进行标签标记处理，得到参考样本数据集时，可以通过以下步骤来实现：[0263]确定第一比例和第二比例中比例最大的比例，得到目标比例；[0264]基于目标比例确定每一样本数据的参考标签；[0265]采用参考标签标记对应的每一样本数据，得到参考样本数据集。[0266]在本技术其他实施例中，处理器执行步骤基于目标比例确定每一样本数据的参考标签时，可以通过以下步骤来实现：[0267]若目标比例大于或等于预设阈值，确定参考标签为目标比例对应的目标标签；[0268]若目标比例小于预设阈值，确定参考标签为空。[0269]在本技术其他实施例中，运行特征信息包括虚拟机运行进程信息，以及以下信息至少之一：虚拟机所在的主机信息、虚拟机资源使用信息、虚拟机网络连接信息、登录历史记录信息、虚拟机的中间件运行信息和业务层运行信息。[0270]需说明的是，本实施例中处理器所实现的步骤之间的交互过程，可以参照图1～3对应的实施例及上述实施例提供的虚拟机状态的判断方法中的交互过程，此处不再赘述。[0271]本技术的实施例所提供的虚拟机状态的判断设备，通过获取虚拟机的运行特征信息的当前值后，基于运行特征信息的当前值，确定虚拟机的应用场景，然后基于应用场景，确定第一预测模型，并将运行特征信息的当前值输入第一预测模型，得到虚拟机的工作状态。这样，通过虚拟机应用场景对应的第一预测模型，对虚拟机的运行特征信息的当前值进行预测，从而来确定虚拟机的工作状态为闲置状态还是非闲置状态，解决了目前没有可靠有效的用于甄别虚拟机闲置的技术方案的问题，提出了一种甄别虚拟机闲置的技术方案，保证了在不同应用场景下的虚拟机闲置的甄别效率和准确率。进一步的，降低了现有采用人工甄别时的时间成本和人力资源消耗成本，保证了对虚拟机闲置状态甄别的实时性。[0272]基于前述实施例，本技术的实施例提供一种计算机可读存储介质，简称为存储介质，计算机可读存储介质存储有一个或者多个虚拟机状态的判断程序，一个或者多个虚拟机状态的判断程序可被一个或者多个处理器执行，以实现如图1～3对应的实施例提供的虚拟机状态的判断方法，此处不再赘述。[0273]需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。[0274]上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。[0275]通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，，空调器，或者网络通信链接设备等)执行本技术各个实施例所描述的方法。[0276]本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0277]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。[0278]这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0279]以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!