CN107179976A - 一种计算时间分布的方法及装置 - Google Patents

一种计算时间分布的方法及装置 Download PDF

Info

Publication number
CN107179976A
CN107179976A CN201610136708.9A CN201610136708A CN107179976A CN 107179976 A CN107179976 A CN 107179976A CN 201610136708 A CN201610136708 A CN 201610136708A CN 107179976 A CN107179976 A CN 107179976A
Authority
CN
China
Prior art keywords
time offset
polymerization cycle
time
sampled data
length
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.)
Pending
Application number
CN201610136708.9A
Other languages
English (en)
Inventor
刘峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201610136708.9A priority Critical patent/CN107179976A/zh
Publication of CN107179976A publication Critical patent/CN107179976A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本申请提供了一种计算时间分布的方法及装置，所述方法包括：将采样数据中的时间戳转换成相对于预定起始时刻的时间偏移量；将所述时间偏移量处理为聚合周期的长度的整数倍；根据处理后的时间偏移量确定所述采样数据所在的聚合周期。本申请能够快速的计算出时间分布。

Description

一种计算时间分布的方法及装置
技术领域
本发明涉及云监控领域，尤其涉及一种计算时间分布的方法及装置。
背景技术
云监控的数据形成业务结构大体上可以分为三个阶段：采集、分析、入库。如图1所示，多个agent(代理)在海量的服务器上采集多种指标，将实时采集的采样数据通过gateway(网关)上报给Analysis(分析)模块，由分析模块进行处理后入库。采样数据中包括不同指标的指标样本；指标样本是在某一个时间点采集的相应指标的数值，虽然不能完全代表全面的数据，但是可以作为一种趋势展现给用户，达到监控的目标。
比如采集的指标样本包括CPU数值和内存数值时，agent上报的采样数据如表一所示。
表一、采样数据
分析模块根据采样数据得到时间序列，进行实际时间分布的计算；所述时间序列是指将同一指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测；时间分布是指将在监控系统中的时间序列分布在不同的聚会周期中；计算时间分布是指根据时间戳计算出采样数据所在的聚合周期，其中，所在的聚合周期可以采用具体的时刻表示，即：时间分布的计算结果为用于表示某一个聚合周期的具体时刻，比如对于时间戳为2015年12月18日15点45分23秒125毫秒的采样数据，如果聚合周期的长度为一分钟，则时间分布的计算结果为2015年12月18日15点45分，该具体时刻“2015年12月18日15点45分”表示的是长度为一分钟的一个聚合周期：从“2015年12月18日15点45分整”到“2015年12月18日15点45分59秒999毫秒”。分别用于表示相邻的两个聚合周期的两个具体时刻之间为固定时间间隔，该固定时间间隔即聚合周期的长度；所述聚合周期的长度可以根据用户的期望设置。
如果用户期望看到每分钟的指标波动，则固定时间间隔为1分钟，得到的每个聚合周期的指标样本如表二所示。
表二、固定时间间隔为1分钟时每个聚合周期的指标样本
编号 聚合周期 服务器 CPU数值 内存数值
1 2015年12月18日15点45分 I-hz-01-cm 23％ 1230M
2 2015年12月18日15点46分 I-hz-01-cm 18％ 1330M
3 2015年12月18日15点47分 I-hz-01-cm 12％ 1250M
4 2015年12月18日15点48分 I-hz-01-cm 11％ 1330M
5 2015年12月18日15点49分 I-hz-01-cm 08％ 1340M
6 2015年12月18日15点50分 I-hz-01-cm 99％ 1380M
7 2015年12月18日15点51分 I-hz-01-cm 12％ 803M
8 2015年12月18日15点52分 I-hz-01-cm 23％ 1530M
如果用户期望看到每5分钟的指标波动，则固定时间间隔为5分钟，得到的每个聚合周期的指标样本如表三所示。
表三、固定时间间隔为5分钟时每个聚合周期的指标样本
如果用户期望看到天的指标波动，则固定时间间隔为一天(24小时)，得到的每个聚合周期的指标样本如表四所示。
表四、固定时间间隔为一天时每个聚合周期的指标样本
编号 聚合周期 服务器 CPU数值 内存数值
1 2015年12月18日 I-hz-01-cm 23％ 1230M
2 2015年12月19日 I-hz-01-cm 25％ 1310M
3 2015年12月20日 I-hz-01-cm 19％ 990M
4 2015年12月21日 I-hz-01-cm 27％ 1510M
如上表所示，用户在不同场景下期望看到不同粒度的采样数据波动展示时，可以通过设置相应的聚合周期实现。计算时间分布即根据时间戳计算采样数据属于哪个聚合周期的过程。
现有技术中，在java技术范畴内计算时间分布的方式如下，使用Date类型对象记录时间戳，这个时间戳是指标样本采集实际发生的时间，一般都是一个散列时间，比如4分13秒，15分01秒等。而用户期望看到的是每1分钟的数据、每几分钟的数据、每几小时的数据等。因此分析模块需要将时间戳根据固定时间间隔进行时间分布的计算。
目前比较常用的计算方法的代码如下：
Date data＝new Date()；
Calendar c1 ＝Calendar.getInstance()；
c1.setTime(new Date())；
c1.set(Calendar.SECOND,0)；
data＝c1.getTime()；//data数据已经被抹去了秒数据
这种计算方法的大概流程如下：
首先将时间戳切分成年、月、日、小时、分钟、秒、毫秒等几个数值。一般是采用split()将一个字符串分割成字符串数组，比如将时间戳“2015年12月18日15点45分23秒125毫秒”切分为“2015年”、“12月”、“18日”、“15点”、“45分”、“23秒”和“125毫秒”。
然后根据时间分布的要求(即固定时间间隔的长度)，将上述几个数值中的一个或几个分别进行重置。比如固定时间间隔为1分钟时，将毫秒和秒的数值置为0。
接下来将上述几个数值重新合并为时间戳，比如合并后为“2015年12月18日15点45分0秒0毫秒”。
最后根据时间戳获取时间分布。
上述方法的缺点包括：
使用split将时间戳切分比较费时，也比较浪费内存，需要记录多个整型数据，每一个整型数据将会占有8个字节。合并过程也比较浪费时间。而计算时间分布是在Analysis阶段最重要的一个环节，该环节一旦阻塞，将会让整个链路的吞吐降低，导致数据延时或者数据丢失。
另外，需要用户分别设计不同固定时间间隔对应的算法。比如五分钟间隔，需要用户先将秒级数据清零，然后计算分钟级别数据需要重置为多少后再进行重置。对于不同的固定时间间隔无法通用一个算法。
发明内容
本申请提供了一种计算时间分布的方法及装置，可以解决如何快速的计算出时间分布的问题。
本申请采用如下技术方案。
一种计算时间分布的方法，包括：
将采样数据中的时间戳转换成相对于预定起始时刻的时间偏移量；
将所述时间偏移量处理为聚合周期的长度的整数倍；
根据处理后的时间偏移量确定所述采样数据所在的聚合周期。
可选地，所述相对于预定起始时刻的时间偏移量的数据类型为长整形；
所述聚合周期的长度的单位为毫秒。
可选地，所述根据处理后的时间偏移量确定所述采样数据所在的聚合周期包括：
将处理后的时间偏移量作为长整形数据转换成对应的时刻，所述时刻用于表示所述采样数据所在聚合周期。
可选地，所述将所述时间偏移量处理为聚合周期的长度的整数倍包括：
使用所述时间偏移量除以所述聚合周期的长度，将得到的商取整后乘以所述时间偏移量，得到的乘积为所述处理后的时间偏移量。
可选地，所述取整为向下取整。
一种计算时间分布的装置，包括：
第一转换模块，用于将采样数据中的时间戳转换成相对于预定起始时刻的时间偏移量；
计算模块，用于将所述时间偏移量处理为聚合周期的长度的整数倍；
第二转换模块，用于根据处理后的时间偏移量确定所述采样数据所在的聚合周期。
可选地，所述相对于预定起始时刻的时间偏移量的数据类型为长整形；
所述聚合周期的长度的单位为毫秒。
可选地，所述第二转换模块根据处理后的时间偏移量确定所述采样数据所在的聚合周期包括：
所述第二转换模块将处理后的时间偏移量作为长整形数据转换成对应的时刻，所述时刻用于表示所述采样数据所在聚合周期。
可选地，所述计算模块将所述时间偏移量处理为聚合周期的长度的整数倍包括：
所述计算模块使用所述时间偏移量除以所述聚合周期的长度，将得到的商取整后乘以所述时间偏移量，得到的乘积为所述处理后的时间偏移量。
可选地，所述取整为向下取整。
本申请包括以下优点：
本申请至少一个备选方案通过数值运算即可计算时间分布，不需要进行字符串处理，计算过程中不需要针对一个时间戳构造多个整型数据，因此可以针对大规模采样数据(比如单核CPU每秒十万数据量)快速计算出时间分布，并且节省内存及CPU资源。由于聚合周期的长度并不影响处理过程，因此可以适应于任何长度的聚合周期，比如1分钟、1小时等，甚至比较冷门的3分钟、15分钟等。
本申请的又一个备选方案使用长整形的时间记录表示时间戳，可以提高转换速度。
本申请的又一个备选方案只使用了计算机语言中最基础的乘、除运算，处理性能的消耗和内存消耗都非常小。
当然，实施本申请的任一产品必不一定需要同时达到以上所述的所有优点。
附图说明
图1是现有技术中云监控系统的示意图；
图2是实施例一的计算时间分布的方法的流程示意图；
图3是实施例二的一种计算时间分布的装置的示意图。
具体实施方式
下面将结合附图及实施例对本申请的技术方案进行更详细的说明。
需要说明的是，如果不冲突，本申请实施例以及实施例中的各个特征可以相互结合，均在本申请的保护范围之内。另外，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在一个典型的配置中，客户端或认证系统的计算设备可包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存(memory)。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。内存可能包括模块1，模块2，……，模块N(N为大于2的整数)。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)，快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
实施例一、一种计算时间分布的方法，如图2所示，包括步骤S110～S130。
S110、将采样数据中的时间戳转换成相对于预定起始时刻的时间偏移量；
S120、将所述时间偏移量处理为聚合周期的长度的整数倍；
S130、根据处理后的时间偏移量确定所述采样数据所在的聚合周期。
本实施例中，所述聚合周期的长度可以根据用户的期望或系统需求等情况自行设定。
本实施例的一种备选方案中，所述步骤S110中，所述相对于预定起始时刻的时间偏移量的数据类型可以但不限于为长整形。
长整形是unix、linux、java、oracle体系常用的记录时间的方法。在unix体系下，将UTC标准时间1970年1月1日零时当作0，使用13位长整形记录相对于所述预定起始时刻(本备选方案中即UTC标准时间1970年1月1日零时)的时间偏移量，每过一毫秒所述长整形的时间记录增加1，也就是每过一秒钟增加1000。这种方式广泛应用于java、oracle等计算领域，成为记录时间的一个技术级别的标准。在上述系统中，通过时间戳获得长整形的时间记录的速度非常快，不会影响到计算效率。
在其它备选方案中，也不排除使用自行设置的其它预定起始时刻来得到时间偏移量，实现原理都和本备选方案相同。
本备选方案的一种实施方式中，所述聚合周期的长度的单位为毫秒。
其它实施方式中，所述聚合周期的长度的单位也不排除为秒或其它单位，实现原理都是相同的。
本备选方案的一种实施方式中，所述步骤S130可以包括：
将处理后的时间偏移量作为长整形数据转换成对应的时刻，所述时刻用于表示所述采样数据所在聚合周期。
本实施方式中，所述时刻的格式可以但不限于和所述时间戳的格式相同；比如采样数据中的时间戳“2015年12月15日12点1分2秒235毫秒”转换成的时间偏移量为“1450152062235”，聚合周期的长度为60000毫秒(1分钟)，处理为60000的整数倍后的时间偏移量为“1450152060000”，则对应的时刻为“2015年12月15日12点1分整”，所述采样数据所在的聚合周期就是这个时刻所代表的聚合周期。
其它备选方案中，也可以直接采用处理后的时间偏移量来代表聚合周期，或者通过预定的对应关系得到处理后的时间偏移量所对应的聚合周期。
本实施例的一种备选方案中，所述步骤S120包括：
使用所述时间偏移量除以所述聚合周期的长度，将得到的商取整后乘以所述时间偏移量，得到的乘积为所述处理后的时间偏移量。
本备选方案中，只采用乘、除运算即可实现步骤S120，处理性能的消耗和内存消耗都非常小。
本备选方案中，所述取整可以但不限于为向下取整，也可以是向上取整，可以根据需要自行设置。比如当用于表示一个聚合周期的具体时刻是该聚合周期的开始时刻时，可以设置为向下取整；当用于表示一个聚合周期的具体时刻是该聚合周期的结束时刻时，可以设置为向上取整。比如采样数据中的时间戳为“2015年12月18日15点45分23秒125毫秒”，聚合周期的长度为1分钟，设置为向下取整时，处理后的时间偏移量对应的时刻是“2015年12月18日15点45分”；如果设置为向上取整，则处理后的时间偏移量对应的时刻是“2015年12月18日15点46分”。
在其它备选方案中，也可以采用其它计算式实现所述步骤S120，比如先获取所述时间偏移量除以所述聚合周期的长度得到的余数，用所述时间偏移量减去所述余数，得到的结果即处理后的时间偏移量。
下面用一个实施示例说明上述实施例。本示例应用于云监控系统中的分析模块，可以统计由固定时间间隔形成的多个时间段中分布的采样数据，供用户作为监控参考。在实际场景中单节点将最高达到10万数据以上的采样数据处理规模，针对于每一条采样数据都将记录其时间分布。当所述云监控系统中存在多个不同时区时，本示例的方法适用于任何聚合周期在一天以内的时间分布的计算；当聚合周期为一天或一天以上时，还需要考虑时区的影响。
本示例中对于每条采样数据的时间分布计算的过程包括步骤301～303。
301、将采样数据的时间戳转换为长整形的时间记录。
本示例中时间戳和长整形的时间记录的对应关系如表五所示。
表五、时间戳和对应的长整形的时间记录
时间戳 长整形的时间记录
2015-12-15 12:01:02.235 1450152062235
2015-12-15 12:02:05.001 1450152125001
2015-12-15 12:03:12.235 1450152192235
2015-12-15 12:04:22.124 1450152262124
2015-12-15 12:05:52.046 1450152352046
2015-12-15 12:06:10.071 1450152370071
2015-12-15 12:07:12.854 1450152432854
2015-12-15 12:08:32.651 1450152512651
2015-12-15 12:09:41.523 1450152581523
2015-12-15 12:10:05.123 1450152605123
2015-12-15 12:11:21.788 1450152681788
2015-12-15 12:12:25.001 1450152745001
2015-12-15 12:13:02.932 1450152782932
2015-12-15 12:14:08.289 1450152848289
2015-12-15 12:15:03.901 1450152903901
2015-12-15 12:16:13.083 1450152973083
302、确认聚合周期，根据用户期望的聚合周期，形成以毫秒为单位的固定时间间隔。比如聚合周期为一秒则固定时间间隔是1000，聚合周期为1分钟则固定时间间隔是60000，聚合周期为5分钟则固定时间间隔是300000，以此类推。
303、计算所述采样数据所在的聚合周期，包括步骤3031～3033：
3031、将所述采样数据的长整形的时间记录timestamp除以所述固定时间间隔inteval；
3032、将得到的商向下取整，相当于将余数清零。
3033、将取整后的商乘以所述固定时间间隔inteval，根据乘积time得到所述采样数据所在的聚合周期。
具体的代码如下：
long timestamp＝1452603389504l；
long inteval＝60*1000；//一分钟的间隔毫秒数
long time＝timestamp/inteval*inteval；
可以得到time为1452603360000。上述代码中第一行结尾的“l”表示timestamp是一个长整形数据，以区别于其它数据类型；第三行中的“/”的结果是已经去掉余数后的商，即向下取整后的商。
比如用户设置的聚合周期是2分钟，则inteval＝120000，表五的数据进行步骤303之后的结果如表六所示，聚合周期以时间点表示。
表六、时间分布计算结果
实施例二、一种计算时间分布的装置，如图3所示，包括：
第一转换模块21，用于将采样数据中的时间戳转换成相对于预定起始时刻的时间偏移量；
计算模块22，用于将所述时间偏移量处理为聚合周期的长度的整数倍；
第二转换模块23，用于根据处理后的时间偏移量确定所述采样数据所在的聚合周期。
本实施例中，所述第一转换模块21是所述装置中负责将时间戳转换为时间偏移量的部分，可以是软件、硬件或两者的结合。
本实施例中，所述计算模块22是所述装置中负责对时间偏移量进行处理的部分，可以是软件、硬件或两者的结合。
本实施例中，所述第二转换模块23是所述装置中负责根据处理后的时间偏移量确定聚合周期的部分，可以是软件、硬件或两者的结合。
本实施例的一种备选方案中，所述相对于预定起始时刻的时间偏移量的数据类型可以为长整形；
所述聚合周期的长度的单位可以为毫秒。
本备选方案的一种实施方式中，所述第二转换模块根据处理后的时间偏移量确定所述采样数据所在的聚合周期可以包括：
所述第二转换模块将处理后的时间偏移量作为长整形数据转换成对应的时刻，所述时刻用于表示所述采样数据所在聚合周期。
本备选方案的一种实施方式中，所述计算模块将所述时间偏移量处理为聚合周期的长度的整数倍可以包括：
所述计算模块使用所述时间偏移量除以所述聚合周期的长度，将得到的商取整后乘以所述时间偏移量，得到的乘积为所述处理后的时间偏移量。
其中，所述取整可以但不限于为向下取整。
本实施例的其它实现细节可参见实施例一。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本申请不限制于任何特定形式的硬件和软件的结合。
当然，本申请还可有其他多种实施例，在不背离本申请精神及其实质的情况下，熟悉本领域的技术人员当可根据本申请作出各种相应的改变和变形，但这些相应的改变和变形都应属于本申请的权利要求的保护范围。

Claims (10)

1.一种计算时间分布的方法，包括：
将采样数据中的时间戳转换成相对于预定起始时刻的时间偏移量；
将所述时间偏移量处理为聚合周期的长度的整数倍；
根据处理后的时间偏移量确定所述采样数据所在的聚合周期。
2.如权利要求1所述的方法，其特征在于：
所述相对于预定起始时刻的时间偏移量的数据类型为长整形；
所述聚合周期的长度的单位为毫秒。
3.如权利要求2所述的方法，其特征在于，所述根据处理后的时间偏移量确定所述采样数据所在的聚合周期包括：
将处理后的时间偏移量作为长整形数据转换成对应的时刻，所述时刻用于表示所述采样数据所在聚合周期。
4.如权利要求2所述的方法，其特征在于，所述将所述时间偏移量处理为聚合周期的长度的整数倍包括：
使用所述时间偏移量除以所述聚合周期的长度，将得到的商取整后乘以所述时间偏移量，得到的乘积为所述处理后的时间偏移量。
5.如权利要求4所述的方法，其特征在于：
所述取整为向下取整。
6.一种计算时间分布的装置，其特征在于，包括：
第一转换模块，用于将采样数据中的时间戳转换成相对于预定起始时刻的时间偏移量；
计算模块，用于将所述时间偏移量处理为聚合周期的长度的整数倍；
第二转换模块，用于根据处理后的时间偏移量确定所述采样数据所在的聚合周期。
7.如权利要求6所述的装置，其特征在于：
所述相对于预定起始时刻的时间偏移量的数据类型为长整形；
所述聚合周期的长度的单位为毫秒。
8.如权利要求7所述的装置，其特征在于，所述第二转换模块根据处理后的时间偏移量确定所述采样数据所在的聚合周期包括：
所述第二转换模块将处理后的时间偏移量作为长整形数据转换成对应的时刻，所述时刻用于表示所述采样数据所在聚合周期。
9.如权利要求7所述的装置，其特征在于，所述计算模块将所述时间偏移量处理为聚合周期的长度的整数倍包括：
所述计算模块使用所述时间偏移量除以所述聚合周期的长度，将得到的商取整后乘以所述时间偏移量，得到的乘积为所述处理后的时间偏移量。
10.如权利要求9所述的装置，其特征在于：
所述取整为向下取整。
CN201610136708.9A 2016-03-10 2016-03-10 一种计算时间分布的方法及装置 Pending CN107179976A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610136708.9A CN107179976A (zh) 2016-03-10 2016-03-10 一种计算时间分布的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610136708.9A CN107179976A (zh) 2016-03-10 2016-03-10 一种计算时间分布的方法及装置

Publications (1)

Publication Number Publication Date
CN107179976A true CN107179976A (zh) 2017-09-19

Family

ID=59830097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610136708.9A Pending CN107179976A (zh) 2016-03-10 2016-03-10 一种计算时间分布的方法及装置

Country Status (1)

Country Link
CN (1) CN107179976A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080183737A1 (en) * 2007-01-25 2008-07-31 Kosmix Corporation Compression of timestamps
CN103399945A (zh) * 2013-08-15 2013-11-20 成都博云科技有限公司 一种基于云计算数据库系统的数据结构
CN105005274A (zh) * 2014-01-31 2015-10-28 费希尔-罗斯蒙特系统公司 管理过程控制系统中的大数据

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080183737A1 (en) * 2007-01-25 2008-07-31 Kosmix Corporation Compression of timestamps
CN103399945A (zh) * 2013-08-15 2013-11-20 成都博云科技有限公司 一种基于云计算数据库系统的数据结构
CN105005274A (zh) * 2014-01-31 2015-10-28 费希尔-罗斯蒙特系统公司 管理过程控制系统中的大数据

Similar Documents

Publication Publication Date Title
EP3117347B1 (en) Systems and methods for rapid data analysis
CN106648446A (zh) 一种用于时序数据的存储方法、装置及电子设备
US11163735B2 (en) Database capacity estimation for database sizing
US10452676B2 (en) Managing database with counting bloom filters
EP3413197B1 (en) Task scheduling method and device
US9600559B2 (en) Data processing for database aggregation operation
US8880511B2 (en) Database query optimization and cost estimation
CN106202280A (zh) 一种信息处理方法及服务器
CN105630934A (zh) 一种数据统计方法及系统
CN113177050A (zh) 一种数据均衡的方法、装置、查询系统及存储介质
CN107515807B (zh) 一种存储监控数据的方法及装置
US8392406B1 (en) Determining a height-balanced histogram incrementally
US8285752B1 (en) System and method for maintaining a plurality of summary levels in a single table
CN108415990A (zh) 数据质量监控方法、装置、计算机设备和存储介质
CN111737555A (zh) 热点关键词的选取方法、设备和存储介质
CN109947713B (zh) 一种日志的监控方法及装置
CN107179976A (zh) 一种计算时间分布的方法及装置
US20190318023A1 (en) Efficient Data Processing
CN114860851A (zh) 数据处理方法、装置、设备及存储介质
CN106933909B (zh) 多维度数据的查询方法及装置
CN111427871B (zh) 数据处理方法、装置、设备
El Sibai et al. Information technology infrastructure for data streams native filtering
CN112347098A (zh) 数据库表拆分方法、系统、电子设备及存储介质
CN106997361B (zh) 一种数据分布方法及装置
US20230010139A1 (en) Segment trend analytics query processing using event data

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170919