CN107133332A - 一种查询任务的分配方法及装置 - Google Patents
一种查询任务的分配方法及装置 Download PDFInfo
- Publication number
- CN107133332A CN107133332A CN201710330315.6A CN201710330315A CN107133332A CN 107133332 A CN107133332 A CN 107133332A CN 201710330315 A CN201710330315 A CN 201710330315A CN 107133332 A CN107133332 A CN 107133332A
- Authority
- CN
- China
- Prior art keywords
- task
- inquiry
- query task
- query
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2453—Query optimisation
- G06F16/24532—Query optimisation of parallel queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
Abstract
本发明公开了一种查询任务的分配方法,包括:获取各任务队列当前的各查询任务的预估查询耗时;其中,所述查询任务为在数据库中查询目标信息的任务;所述任务队列用于存储未执行的查询任务;所述预估查询耗时是根据所述查询任务的特征数据计算得到的;根据各任务队列当前的各查询任务的预估查询耗时,分配新生成的查询任务到其中一个所述任务队列中。相应地,本发明还公开一种查询任务的分配装置。本发明实施例提高了服务器对查询任务的处理效率。
Description
技术领域
本发明涉及计算机技术领域,具体地,涉及一种查询任务的分配方法及装置。
背景技术
在数据库服务器终端,常常会出现高并发请求的场景,即同时收到多个在数据库中查找目标信息的请求。服务器需要进行资源调度,具体为参考任务队列中的任务个数,将新发起的查询数据库的请求对应的查询任务分配到任务个数最少的任务队列中。但在实际运行中,往往还是会发现存在一个任务队列一直处于忙碌状态而另一个任务队列却经常处于空闲状态的情况,导致对查询任务的处理效率很低。
发明内容
本发明的目的在于克服现有技术中数据库服务器任务处理效率低的问题,提供一种查询任务的分配方法及装置,提高服务器对查询任务的处理效率。
为了实现上述目的,本发明实施例提供一种查询任务的分配方法,包括:
获取各任务队列当前的各查询任务的预估查询耗时;其中,所述查询任务为在数据库中查询目标信息的任务;所述任务队列用于存储未执行的查询任务;所述预估查询耗时是根据所述查询任务的特征数据计算得到的;
根据各任务队列当前的各查询任务的预估查询耗时,分配新生成的查询任务到其中一个所述任务队列中。
实施本发明实施例,具有如下有益效果:
本发明实施例提供的查询任务的分配方法,根据查询任务的预估查询耗时来分配查询任务到任务队列中,因此各任务队列的查询总耗时能保持相近的状态,使得查询任务不会在任务队列中长时间地等待,能及时地得到处理,提高了服务器对查询任务的处理效率。
进一步地,所述预估查询耗时的计算方法具体为:
将所述查询任务的特征数据代入预先配置的数据模型,计算所述查询任务的预估查询耗时;其中,所述数据模型是用多个历史查询任务作为样本训练得到的;每一个历史查询任务对应一个样本,每个样本包括一组特征数据和一个实际查询耗时。
作为其中一种实施方式,所述数据模型为线性回归预测模型。
进一步地,所述数据模型公式为:y(i)=θTx(i);
其中,y(i)为预估查询耗时;θ与x(i)均为n维列向量,n是一个查询任务的特征数据的数量;x(i)的第j个分量为待预估的查询任务的第j个特征数据;且:其中,X为m行n列的矩阵,为m维列向量;X的第i行第j列元素为第i个样本的第j个特征数据,的第i个分量为第i个样本的实际查询耗时。
作为其中一种实施方式,所述根据各任务队列当前的各查询任务的预估查询耗时,分配新生成的查询任务到其中一个所述任务队列中,具体包括:
计算每一任务队列当前的所有查询任务的预估查询耗时的总值;
将所述预估查询耗时的总值最小的任务队列作为待分配的任务队列;
分配新生成的查询任务到所述待分配的任务队列中。
进一步地,所述特征数据包括服务器性能的特征数据、任务内容的特征数据和数据库属性的特征数据;
所述服务器性能的特征数据包括内存性能数据、CPU性能数据或I/O性能数据;
所述任务内容的特征数据包括表数量、内连接数量、外连接数量或交叉连接数量;
所述数据库属性的特征数据包括数据库数据总条数、每张表的数据条数或各表的数据条数中位数。
相应地,本发明实施例还提供一种查询任务的分配装置,包括:
获取模块,用于获取各任务队列当前的各查询任务的预估查询耗时;其中,所述查询任务为在数据库中查询目标信息的任务;所述任务队列用于存储未执行的查询任务;所述预估查询耗时是根据所述查询任务的特征数据计算得到的;
分配模块,用于根据各任务队列当前的各查询任务的预估查询耗时,分配新生成的查询任务到其中一个所述任务队列中。
本发明实施例提供的查询任务的分配装置,根据查询任务的预估查询耗时来分配查询任务到任务队列中,因此各任务队列的查询总耗时能保持相近的状态,使得查询任务不会在任务队列中长时间地等待,能及时地得到处理,提高了服务器对查询任务的处理效率。
进一步地,所述预估查询耗时的计算装置包括:
耗时计算模块,用于将所述查询任务的特征数据代入预先配置的数据模型,计算所述查询任务的预估查询耗时;其中,所述数据模型是用多个历史查询任务作为样本训练得到的;每一个历史查询任务对应一个样本,每个样本包括一组特征数据和一个实际查询耗时。
作为其中一种实施方式,所述数据模型为线性回归预测模型;
所述数据模型公式为:y(i)=θTx(i);
其中,y(i)为预估查询耗时;θ与x(i)均为n维列向量,n是一个查询任务的特征数据的数量;x(i)的第j个分量为待预估的查询任务的第j个特征数据;且:其中,X为m行n列的矩阵,为m维列向量;X的第i行第j列元素为第i个样本的第j个特征数据,的第i个分量为第i个样本的实际查询耗时。
作为其中一种实施方式,所述分配模块包括:
耗时计算单元,用于计算每一任务队列当前的所有查询任务的预估查询耗时的总值;
队列确认单元,用于将所述预估查询耗时的总值最小的任务队列作为待分配的任务队列;
分配执行单元,用于分配新生成的查询任务到所述待分配的任务队列中。
附图说明
图1是本发明实施例一提供的查询任务的分配方法的流程图;
图2是本发明实施例二提供的查询任务的分配装置的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,是本发明实施例一提供的查询任务的分配方法的流程图;该查询任务的分配方法,包括:
S101、获取各任务队列当前的各查询任务的预估查询耗时;其中,所述查询任务为在数据库中查询目标信息的任务;所述任务队列用于存储未执行的查询任务;所述预估查询耗时是根据所述查询任务的特征数据计算得到的;
S102、根据各任务队列当前的各查询任务的预估查询耗时,分配新生成的查询任务到其中一个所述任务队列中。
具体地,预估查询耗时的计算方法为:将所述查询任务的特征数据代入预先配置的数据模型,计算所述查询任务的预估查询耗时;其中,所述数据模型是用多个历史查询任务作为样本训练得到的;每一个历史查询任务对应一个样本,每个样本包括一组特征数据和一个实际查询耗时。
作为其中一种实施方式,所述数据模型为线性回归预测模型。线性回归预测模型是一种简单的预测模型,有利于进一步提高服务器的处理效率。具体地,采用线性回归预测,可设定假设函数描述查询耗时与各特征数据的关系,如下为假设函数:
其中,表示第i个样本的第j个特征数据,θj表示第j个特征数据的参数,n为一个样本的特征数据的数量。在本实施例中,采用最小二乘法获得特征数据的参数集。首先定义代价函数J(θ):
为了得到特征数据的参数最优解,使J(θ)最小化,可求得解析解:
其中,X为m行n列的矩阵,为m维列向量;X的第i行第j列元素为第i个样本的第j个特征数据,的第i个分量为第i个样本的实际查询耗时。至此得到了可应用于计算预估查询耗时的数据模型公式:
y(i)=θTx(i);其中,
在上述数据模型公式中,y(i)为预估查询耗时;θ与x(i)均为n维列向量,n是一个查询任务的特征数据的数量;x(i)的第j个分量为待预估的查询任务的第j个特征数据。
在模型训练好后,当用户发起一个查询请求,服务器即采集该查询请求对应的查询任务的特征数据用于后续的预算,具体地,所述特征数据可包括服务器性能的特征数据、任务内容的特征数据和/或数据库属性的特征数据;其中,所述服务器性能的特征数据可包括内存性能数据、CPU性能数据、I/O性能数据或网络状态数据中的一种或多种;所述任务内容的特征数据包括表数量、内连接数量、外连接数量、交叉连接数量、是否排序或是否分组中的一种或多种;所述数据库属性的特征数据包括数据库数据总条数、每张表的数据条数或各表的数据条数中位数中的一种或多种;根据特征数据即可算出预估查询耗时。
具体地,作为其中一种实施方式,步骤S102、根据各任务队列当前的各查询任务的预估查询耗时,分配新生成的查询任务到其中一个所述任务队列中,可根据各任务队列当前的所有查询任务的预估查询耗时的总值,确认一个待分配的任务队列,分配新生成的查询任务到所述待分配的任务队列中。具体步骤包括:
计算每一任务队列当前的所有查询任务的预估查询耗时的总值;
将所述预估查询耗时的总值最小的任务队列作为待分配的任务队列;
分配新生成的查询任务到所述待分配的任务队列中。
显然,除了上述实施方式,本领域技术人员也可使用其他实施方式根据各任务队列当前的各查询任务的预估查询耗时,分配查询任务。比如,计算每一任务队列当前的所有查询任务的预估查询耗时的总值;若预估查询耗时的总值不超过预设的阈值,按照各任务队列的查询任务个数,分配新生成的查询任务到其中一个所述任务队列中;若预估查询耗时的总值超过预设的阈值,则将所述预估查询耗时的总值最小的任务队列作为待分配的任务队列,分配新生成的查询任务到所述待分配的任务队列中。或者,计算每一任务队列当前的所有查询任务的预估查询耗时的总值以及,当前在执行的查询任务的剩余查询耗时,将所述预估查询耗时的总值与当前在执行的查询任务的剩余查询耗时之和最小的任务队列作为待分配的任务队列,分配新生成的查询任务到所述待分配的任务队列中。又或者,提取预估查询耗时大于预设的阈值的查询任务,计算被提取的查询任务的预估查询耗时的总值,将所述总值最小的任务队列作为待分配的任务队列,分配新生成的查询任务到所述待分配的任务队列中。
本发明实施例一提供的查询任务的分配方法,根据查询任务的预估查询耗时来分配查询任务到任务队列中,因此各任务队列的查询总耗时能保持相近的状态,使得查询任务不会在任务队列中长时间地等待,能及时地得到处理,提高了服务器对查询任务的处理效率。
参见图2,是本发明实施例二提供的查询任务的分配装置的流程图,包括:
获取模块201,用于获取各任务队列当前的各查询任务的预估查询耗时;其中,所述查询任务为在数据库中查询目标信息的任务;所述任务队列用于存储未执行的查询任务;所述预估查询耗时是根据所述查询任务的特征数据计算得到的;
分配模块202,用于根据各任务队列当前的各查询任务的预估查询耗时,分配新生成的查询任务到其中一个所述任务队列中。
进一步地,所述预估查询耗时的计算装置包括:
耗时计算模块,用于将所述查询任务的特征数据代入预先配置的数据模型,计算所述查询任务的预估查询耗时;其中,所述数据模型是用多个历史查询任务作为样本训练得到的;每一个历史查询任务对应一个样本,每个样本包括一组特征数据和一个实际查询耗时。
作为其中一种实施方式,所述数据模型为线性回归预测模型;
所述数据模型公式为:y(i)=θTx(i);
其中,y(i)为预估查询耗时;θ与x(i)均为n维列向量,n是一个查询任务的特征数据的数量;x(i)的第j个分量为待预估的查询任务的第j个特征数据;且:其中,X为m行n列的矩阵,为m维列向量;X的第i行第j列元素为第i个样本的第j个特征数据,的第i个分量为第i个样本的实际查询耗时。
为作为其中一种实施方式,所述分配模块包括:
耗时计算单元,用于计算每一任务队列当前的所有查询任务的预估查询耗时的总值;
队列确认单元,用于将所述预估查询耗时的总值最小的任务队列作为待分配的任务队列;
分配执行单元,用于分配新生成的查询任务到所述待分配的任务队列中。
进一步地,所述特征数据包括服务器性能的特征数据、任务内容的特征数据和数据库属性的特征数据;
所述服务器性能的特征数据包括内存性能数据、CPU性能数据或I/O性能数据;
所述任务内容的特征数据包括表数量、内连接数量、外连接数量或交叉连接数量;
所述数据库属性的特征数据包括数据库数据总条数、每张表的数据条数或各表的数据条数中位数。
本发明实施例二提供的查询任务的分配装置,根据查询任务的预估查询耗时来分配查询任务到任务队列中,因此各任务队列的查询总耗时能保持相近的状态,使得查询任务不会在任务队列中长时间地等待,能及时地得到处理,提高了服务器对查询任务的处理效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种查询任务的分配方法,其特征在于,包括:
获取各任务队列当前的各查询任务的预估查询耗时;其中,所述查询任务为在数据库中查询目标信息的任务;所述任务队列用于存储未执行的查询任务;所述预估查询耗时是根据所述查询任务的特征数据计算得到的;
根据各任务队列当前的各查询任务的预估查询耗时,分配新生成的查询任务到其中一个所述任务队列中。
2.如权利要求1所述的查询任务的分配方法,其特征在于,所述预估查询耗时的计算方法具体为:
将所述查询任务的特征数据代入预先配置的数据模型,计算所述查询任务的预估查询耗时;其中,所述数据模型是用多个历史查询任务作为样本训练得到的;每一个历史查询任务对应一个样本,每个样本包括一组特征数据和一个实际查询耗时。
3.如权利要求2所述的查询任务的分配方法,其特征在于,所述数据模型为线性回归预测模型。
4.如权利要求3所述的查询任务的分配方法,其特征在于,所述数据模型公式为:y(i)=θTx(i);
其中,y(i)为预估查询耗时;θ与x(i)均为n维列向量,n是一个查询任务的特征数据的数量;x(i)的第j个分量为待预估的查询任务的第j个特征数据;且:其中,X为m行n列的矩阵,为m维列向量;X的第i行第j列元素为第i个样本的第j个特征数据,的第i个分量为第i个样本的实际查询耗时。
5.如权利要求1至4任一项所述的查询任务的分配方法,其特征在于,所述根据各任务队列当前的各查询任务的预估查询耗时,分配新生成的查询任务到其中一个所述任务队列中,具体包括:
计算每一任务队列当前的所有查询任务的预估查询耗时的总值;
将所述预估查询耗时的总值最小的任务队列作为待分配的任务队列;
分配新生成的查询任务到所述待分配的任务队列中。
6.如权利要求1至4任一项所述的查询任务的分配方法,其特征在于,所述特征数据包括服务器性能的特征数据、任务内容的特征数据和数据库属性的特征数据;
所述服务器性能的特征数据包括内存性能数据、CPU性能数据或I/O性能数据;
所述任务内容的特征数据包括表数量、内连接数量、外连接数量或交叉连接数量;
所述数据库属性的特征数据包括数据库数据总条数、每张表的数据条数或各表的数据条数中位数。
7.一种查询任务的分配装置,其特征在于,包括:
获取模块,用于获取各任务队列当前的各查询任务的预估查询耗时;其中,所述查询任务为在数据库中查询目标信息的任务;所述任务队列用于存储未执行的查询任务;所述预估查询耗时是根据所述查询任务的特征数据计算得到的;
分配模块,用于根据各任务队列当前的各查询任务的预估查询耗时,分配新生成的查询任务到其中一个所述任务队列中。
8.如权利要求7所述的查询任务的分配装置,其特征在于,所述预估查询耗时的计算装置包括:
耗时计算模块,用于将所述查询任务的特征数据代入预先配置的数据模型,计算所述查询任务的预估查询耗时;其中,所述数据模型是用多个历史查询任务作为样本训练得到的;每一个历史查询任务对应一个样本,每个样本包括一组特征数据和一个实际查询耗时。
9.如权利要求8所述的查询任务的分配装置,其特征在于,所述数据模型为线性回归预测模型;
所述数据模型公式为:y(i)=θTx(i);
其中,y(i)为预估查询耗时;θ与x(i)均为n维列向量,n是一个查询任务的特征数据的数量;x(i)的第j个分量为待预估的查询任务的第j个特征数据;且其中,X为m行n列的矩阵,为m维列向量;X的第i行第j列元素为第i个样本的第j个特征数据,的第i个分量为第i个样本的实际查询耗时。
10.如权利要求7至9任一项所述的查询任务的分配装置,其特征在于,所述分配模块包括:
耗时计算单元,用于计算每一任务队列当前的所有查询任务的预估查询耗时的总值;
队列确认单元,用于将所述预估查询耗时的总值最小的任务队列作为待分配的任务队列;
分配执行单元,用于分配新生成的查询任务到所述待分配的任务队列中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710330315.6A CN107133332B (zh) | 2017-05-11 | 2017-05-11 | 一种查询任务的分配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710330315.6A CN107133332B (zh) | 2017-05-11 | 2017-05-11 | 一种查询任务的分配方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107133332A true CN107133332A (zh) | 2017-09-05 |
CN107133332B CN107133332B (zh) | 2020-10-16 |
Family
ID=59731460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710330315.6A Active CN107133332B (zh) | 2017-05-11 | 2017-05-11 | 一种查询任务的分配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107133332B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108595254A (zh) * | 2018-03-09 | 2018-09-28 | 北京永洪商智科技有限公司 | 一种查询调度方法 |
CN110502339A (zh) * | 2019-07-23 | 2019-11-26 | 苏宁云计算有限公司 | 数据服务资源分配方法、装置、系统和存储介质 |
CN110516123A (zh) * | 2019-07-23 | 2019-11-29 | 苏宁云计算有限公司 | 数据查询耗时评估方法、装置、计算机设备和存储介质 |
US20210019299A1 (en) * | 2019-07-17 | 2021-01-21 | Aveva Software, Llc | System and server comprising database schema for accessing and managing utilization and job data |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101059765A (zh) * | 2006-01-09 | 2007-10-24 | 中山大学 | 一种数字家庭网络多任务并发执行的装置及方法 |
CN101169785A (zh) * | 2007-11-21 | 2008-04-30 | 浪潮电子信息产业股份有限公司 | 集群数据库系统的动态负载均衡方法 |
CN101246437A (zh) * | 2008-01-28 | 2008-08-20 | 中兴通讯股份有限公司 | 一种嵌入式实时系统进程均衡调度方法 |
CN101329686A (zh) * | 2008-07-31 | 2008-12-24 | 中国科学院计算技术研究所 | 一种实现网络查询缓存的系统和查询方法 |
CN101571813A (zh) * | 2009-01-04 | 2009-11-04 | 四川川大智胜软件股份有限公司 | 一种多机集群中主从调度方法 |
CN101599027A (zh) * | 2009-06-30 | 2009-12-09 | 中兴通讯股份有限公司 | 一种线程池管理方法及其系统 |
CN101694709A (zh) * | 2009-09-27 | 2010-04-14 | 华中科技大学 | 一种面向服务的分布式工作流管理系统 |
CN103473345A (zh) * | 2013-09-23 | 2013-12-25 | 深圳市融创天下科技股份有限公司 | 一种预估时长的方法 |
CN104462420A (zh) * | 2014-12-12 | 2015-03-25 | 北京国双科技有限公司 | 数据库的查询任务的执行方法和装置 |
CN104951372A (zh) * | 2015-06-16 | 2015-09-30 | 北京工业大学 | 一种基于预测的Map/Reduce数据处理平台内存资源动态分配方法 |
CN105117286A (zh) * | 2015-09-22 | 2015-12-02 | 北京大学 | MapReduce中任务的调度方法和流水化执行方法 |
CN105446979A (zh) * | 2014-06-27 | 2016-03-30 | 华为技术有限公司 | 数据挖掘方法和节点 |
CN105511950A (zh) * | 2015-12-10 | 2016-04-20 | 天津海量信息技术有限公司 | 大数据集的任务队列优先级的调度管理方法 |
CN105893147A (zh) * | 2016-03-29 | 2016-08-24 | 乐视控股(北京)有限公司 | 多任务队列管理方法、设备及系统 |
CN106155796A (zh) * | 2016-07-25 | 2016-11-23 | 浪潮(北京)电子信息产业有限公司 | 一种基于队列的线程调度方法及装置 |
-
2017
- 2017-05-11 CN CN201710330315.6A patent/CN107133332B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101059765A (zh) * | 2006-01-09 | 2007-10-24 | 中山大学 | 一种数字家庭网络多任务并发执行的装置及方法 |
CN101169785A (zh) * | 2007-11-21 | 2008-04-30 | 浪潮电子信息产业股份有限公司 | 集群数据库系统的动态负载均衡方法 |
CN101246437A (zh) * | 2008-01-28 | 2008-08-20 | 中兴通讯股份有限公司 | 一种嵌入式实时系统进程均衡调度方法 |
CN101329686A (zh) * | 2008-07-31 | 2008-12-24 | 中国科学院计算技术研究所 | 一种实现网络查询缓存的系统和查询方法 |
CN101571813A (zh) * | 2009-01-04 | 2009-11-04 | 四川川大智胜软件股份有限公司 | 一种多机集群中主从调度方法 |
CN101599027A (zh) * | 2009-06-30 | 2009-12-09 | 中兴通讯股份有限公司 | 一种线程池管理方法及其系统 |
CN101694709A (zh) * | 2009-09-27 | 2010-04-14 | 华中科技大学 | 一种面向服务的分布式工作流管理系统 |
CN103473345A (zh) * | 2013-09-23 | 2013-12-25 | 深圳市融创天下科技股份有限公司 | 一种预估时长的方法 |
CN105446979A (zh) * | 2014-06-27 | 2016-03-30 | 华为技术有限公司 | 数据挖掘方法和节点 |
CN104462420A (zh) * | 2014-12-12 | 2015-03-25 | 北京国双科技有限公司 | 数据库的查询任务的执行方法和装置 |
CN104951372A (zh) * | 2015-06-16 | 2015-09-30 | 北京工业大学 | 一种基于预测的Map/Reduce数据处理平台内存资源动态分配方法 |
CN105117286A (zh) * | 2015-09-22 | 2015-12-02 | 北京大学 | MapReduce中任务的调度方法和流水化执行方法 |
CN105511950A (zh) * | 2015-12-10 | 2016-04-20 | 天津海量信息技术有限公司 | 大数据集的任务队列优先级的调度管理方法 |
CN105893147A (zh) * | 2016-03-29 | 2016-08-24 | 乐视控股(北京)有限公司 | 多任务队列管理方法、设备及系统 |
CN106155796A (zh) * | 2016-07-25 | 2016-11-23 | 浪潮(北京)电子信息产业有限公司 | 一种基于队列的线程调度方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108595254A (zh) * | 2018-03-09 | 2018-09-28 | 北京永洪商智科技有限公司 | 一种查询调度方法 |
CN108595254B (zh) * | 2018-03-09 | 2022-02-22 | 北京永洪商智科技有限公司 | 一种查询调度方法 |
US20210019299A1 (en) * | 2019-07-17 | 2021-01-21 | Aveva Software, Llc | System and server comprising database schema for accessing and managing utilization and job data |
CN110502339A (zh) * | 2019-07-23 | 2019-11-26 | 苏宁云计算有限公司 | 数据服务资源分配方法、装置、系统和存储介质 |
CN110516123A (zh) * | 2019-07-23 | 2019-11-29 | 苏宁云计算有限公司 | 数据查询耗时评估方法、装置、计算机设备和存储介质 |
WO2021012861A1 (zh) * | 2019-07-23 | 2021-01-28 | 苏宁云计算有限公司 | 数据查询耗时评估方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107133332B (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034468B (zh) | 一种基于布谷鸟算法的带时间窗的物流配送路径规划方法 | |
CN107133332A (zh) | 一种查询任务的分配方法及装置 | |
CN104636957B (zh) | 一种处理高并发数据请求的系统和方法 | |
CN105391654A (zh) | 基于账户活跃度的系统资源分配方法及装置 | |
CN110046865B (zh) | 分布式库存调度方法 | |
CN103559300B (zh) | 数据的查询方法和查询装置 | |
CN105808358B (zh) | 一种用于众核系统的数据相关性线程分组映射方法 | |
CN102567077B (zh) | 一种基于博弈论的虚拟化资源分配方法 | |
CN104462738A (zh) | 一种标注医学图像的方法、装置和系统 | |
CN102300012A (zh) | 呼叫中心中的一对一匹配 | |
CN110110006A (zh) | 数据管理方法及相关产品 | |
CN109472568A (zh) | 一种区块链交易方法、装置、管理系统、设备及存储介质 | |
CN102223453A (zh) | 高性能无队列呼叫中心 | |
CN105786619B (zh) | 虚拟机分配方法及装置 | |
CN102300011A (zh) | 在无队列呼叫中心中用于填充及维护数据结构的自动机制 | |
CN102760073B (zh) | 一种任务调度方法、系统及装置 | |
CN102158533A (zh) | 基于QoS的分布式web服务选择方法 | |
CN108173958A (zh) | 一种多云环境下基于蚁群算法的数据优化存储方法 | |
CN110119396A (zh) | 数据管理方法及相关产品 | |
CN106407226A (zh) | 一种数据处理方法、备份服务器及存储系统 | |
Wu et al. | Optimization of order-picking problems by intelligent optimization algorithm | |
CN102081624A (zh) | 一种数据查询的方法及查询服务器 | |
CN107918676A (zh) | 结构化查询的资源优化方法及数据库查询系统 | |
CN101236565A (zh) | 一种基于表示转换的多义数字图像检索方法 | |
CN109495595A (zh) | Ip地址分配方法、装置、通信系统及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |