数据处理系统及其存储器管理方法与流程

本技术要求2024年09月30日向韩国知识产权局提交的韩国专利申请no.10-2024-0132782的权益，该申请的公开内容在此全部引入作为参考。在本文档中公开的示例性实施方式涉及一种数据处理系统和管理其存储器的方法。

背景技术：

1、近年来，在二次电池领域中已经进行了积极的研究和开发。这里，二次电池是指能够充电和放电的电池，包括常规的ni/cd电池和ni/mh电池以及最近的锂离子电池。二次电池的锂离子电池具有比ni/cd电池、ni/mh电池等大的能量密度的优点。此外，由于锂离子电池可以被制造成紧凑且重量轻的形式，因此锂离子电池被用作移动设备的电源，并且近年来，它们的使用范围已经被扩展到电动车辆的电源，从而作为下一代能量储存装置而受到关注。

2、随着电池被用作电动车辆的电源，对电动车辆中的电池数据的管理和分析变得越来越重要。特别地，根据技术的发展，电池数据的类型正在变得复杂和多样化。因此，需要有效的数据处理来分析并管理电池数据。

3、在处理电池数据的系统的情况下，电池分析引擎在监视电池的状态和分析性能方面扮演重要角色。由于电池分析引擎通过使用系统的存储器来执行分析操作，所以将存储器分配给每个分析引擎的方法可能极大地影响计算资源和成本。

4、现有的数据处理系统已经通过将存储器的计算资源的固定大小分配给分析引擎来工作。然而，由于没有调整根据分析数据不同地需要的计算资源的分配，这样的方法导致不必要的资源浪费。

技术实现思路

1、技术目标

2、根据本公开的示例实施方式，可以提供一种数据处理系统和一种管理其存储器的方法，该数据处理系统能够根据电池数据不同地预测所需的计算资源的大小，并将该大小分配给分析引擎。

3、根据本公开的示例实施方式，可以提供一种数据处理系统和一种管理其存储器的方法，该数据处理系统能够通过使用基于机器学习的存储器预测模型来预测驱动分析引擎所需的计算资源的大小。

4、通过本公开的示例实施方式实现的技术任务不限于上述技术任务，并且可以从下面描述的示例实施方式导出其他技术任务。

5、技术方案

6、根据本公开的示例实施方式，一种数据处理系统可以包括：数据湖，所述数据湖存储电池数据；数据分析模块，所述数据分析模块包括分析引擎，所述分析引擎对所述电池数据进行分析；至少一个存储器，所述至少一个存储器具有用于驱动所述分析引擎的计算资源；存储器预测模块，所述存储器预测模块将所述电池数据输入基于机器学习的存储器预测模型，以从所述存储器预测模型获取驱动所述分析引擎所需的计算资源的大小；以及存储器分配模块，所述存储器分配模块基于所获取的计算资源的大小，将所述至少一个存储器的计算资源分配给所述分析引擎。

7、根据本公开的示例实施方式，所述数据处理系统还可以包括人工智能训练模块，所述人工智能训练模块通过对训练用输入数据集与训练用输出数据集之间的相关性进行建模来训练所述存储器预测模型。所述训练用输入数据集可以包括与电池的多个状态相关的多个电池数据集。所述训练用输出数据集可以包括多个计算资源数据集，所述多个计算资源数据集表示当所述分析引擎分析所述多个电池数据集时使用的计算资源。

8、根据本公开的示例实施方式，在所述数据处理系统中，所述训练用输入数据集还可以包括多个特征数据集，所述多个特征数据集与所述多个电池数据集中的每一个的行数、大小、收集周期以及在每一行中出现的缺失值中的至少一项相关。

9、根据本公开的示例实施方式，在所述数据处理系统中，所述存储器预测模型可以基于输入的电池数据的行数、大小、收集周期以及在每一行中出现的缺失值中的至少一项来预测并输出驱动所述分析引擎所需的计算资源的大小。

10、根据本公开的示例实施方式，在所述数据处理系统中，所述至少一个存储器可以包括具有第一大小的计算资源的主存储器和具有第二大小的计算资源的交换存储器。

11、根据本公开的示例实施方式，在所述数据处理系统中，所述存储器分配模块针对所获取的计算资源的大小，可以将所述主存储器的计算资源和所述交换存储器的计算资源分配给所述分析引擎。

12、根据本公开的示例实施方式，在所述数据处理系统中，所述存储器分配模块针对所获取的计算资源的大小中的预定大小，可以将所述主存储器的计算资源分配给所述分析引擎，并且针对所获取的计算资源的大小中的除所述预定大小之外的剩余大小，可以将所述交换存储器的计算资源分配给所述分析引擎。

13、根据本公开的示例性实施方式，在所述数据处理系统中，所述数据分析模块可以被配置为微服务架构（msa），并且包括多个分析引擎，所述多个分析引擎基于彼此不同的分析算法并且被彼此独立地驱动。

14、根据本公开的示例实施方式，一种由数据处理系统执行的管理存储器的方法可以包括以下步骤：将电池数据输入到基于机器学习的存储器预测模型；从所述存储器预测模型获取驱动对所述电池数据进行分析的分析引擎所需的计算资源的大小；以及基于所获取的计算资源的大小，将具有用于驱动所述分析引擎的计算资源的至少一个存储器的计算资源分配给所述分析引擎。

15、根据本公开的示例实施方式，由所述数据处理系统执行的管理存储器的方法还可以包括通过对训练用输入数据集与训练用输出数据集之间的相关性进行建模来训练所述存储器预测模型的操作。所述训练用输入数据集可以包括与电池的多个状态相关的多个电池数据集。所述训练用输出数据集可以包括多个计算资源数据集，所述多个计算资源数据集表示当所述分析引擎分析所述多个电池数据集时使用的计算资源。

16、根据本公开的示例实施方式，对于由所述数据处理系统执行的管理存储器的方法，所述训练用输入数据集还可以包括多个特征数据集，所述多个特征数据集与所述多个电池数据集中的每一个的行数、大小、收集周期和每一行中出现的缺失值中的至少一项相关。

17、根据本公开的示例实施方式，对于由所述数据处理系统执行的管理存储器的方法，所述存储器预测模型可以基于输入的电池数据的行数、大小、收集周期和每一行中出现的缺失值中的至少一项来预测并输出驱动所述分析引擎所需的计算资源的大小。

18、根据本公开的示例实施方式，对于由所述数据处理系统执行的管理存储器的方法，所述至少一个存储器可以包括具有第一大小的计算资源的主存储器和具有第二大小的计算资源的交换存储器。

19、根据本公开的示例实施方式，对于由所述数据处理系统执行的管理存储器的方法，将所述至少一个存储器的计算资源分配给所述分析引擎的操作还可以包括针对所获取的计算资源的大小，将所述主存储器的计算资源和所述交换存储器的计算资源分配给所述分析引擎。

20、根据本公开的示例实施方式，对于由所述数据处理系统执行的管理存储器的方法，将所述至少一个存储器的计算资源分配给所述分析引擎的操作可以包括：针对所获取的计算资源的大小中的预定大小，将所述主存储器的计算资源分配给所述分析引擎，并且针对所获取的计算资源的大小中的除所述预定大小之外的剩余大小，将所述交换存储器的计算资源分配给所述分析引擎。

21、有利效果

22、根据在本文档中公开的示例实施方式，通过根据电池数据不同地预测所需的计算资源的大小并且将计算资源的大小分配给分析引擎，可以最小化资源和成本的不必要的浪费。

23、本发明的效果不限于上述那些，并且根据权利要求的范围，本领域的技术人员可以清楚地理解未明确描述的其它效果。