CN108304398A - 系统业务降级方法、装置与电子设备 - Google Patents
系统业务降级方法、装置与电子设备 Download PDFInfo
- Publication number
- CN108304398A CN108304398A CN201710020000.1A CN201710020000A CN108304398A CN 108304398 A CN108304398 A CN 108304398A CN 201710020000 A CN201710020000 A CN 201710020000A CN 108304398 A CN108304398 A CN 108304398A
- Authority
- CN
- China
- Prior art keywords
- business
- data
- machine learning
- learning algorithm
- characteristic parameter
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000010801 machine learning Methods 0.000 claims abstract description 43
- 230000015556 catabolic process Effects 0.000 claims abstract description 35
- 238000006731 degradation reaction Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000000593 degrading effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
- G06F16/24565—Triggers; Constraints
-
- 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
- G06F16/2455—Query execution
- G06F16/24553—Query execution of query operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供一种系统业务降级方法、装置与电子设备。方法包括:获取业务数据,并根据所述业务数据提取特征参数;选择机器学习算法,将所述特征参数作为所述机器学习算法的输入;获取所述机器学习算法输出的业务分类结果;根据所述业务分类结果进行系统业务降级处理。本公开提供的系统业务降级方法与系统可以提高系统维护效率,降低系统维护成本。
Description
技术领域
本公开涉及系统管理技术领域,具体而言,涉及一种系统业务降级方法、装置与电子设备。
背景技术
业务降级是系统管理中一种常见的手段,即通过牺牲非核心业务功能保证核心业务功能的稳定运行。通常情况下,业务降级处理需要将各功能模块拆分到相对独立的不同代码单元,分优先级进行隔离。通过在后台通过开关控制,可以对非主流程的业务进行降级处理,减轻其对系统的依赖和性能损耗,从而提升系统集群的整体吞吐率。
在现有技术中,通常通过人工控制开关对业务进行降级。通过在系统中加入控制各业务降级的开关,并在系统出现所需的某些服务响应超时或调用量太大时,人为切换开关,可以实现对非主要业务降级。然而,当系统吞吐量过大导致系统性能下降时,这种方式无法实现及时切换,在一些对系统实时性要求较高的情况下,较慢的业务降级切换会影响系统实时工作。而且,因为需要工作人员实时监控跟踪,也提高了系统维护的成本。
因此,需要一种能够对系统业务进行实时监控与及时降级处理的低成本的系统业务降级方法。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种系统业务降级方法与装置,用于至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或多个问题。
根据本公开实施例的第一方面,提供一种系统业务降级方法,包括:
获取业务数据,并根据所述业务数据提取特征参数;
选择机器学习算法,将所述特征参数作为所述机器学习算法的输入;
获取所述机器学习算法输出的业务分类结果;
根据所述业务分类结果进行系统业务降级处理。
在本公开的一种示例性实施例中,所述获取业务数据包括从数据库和/或Redis缓存和/或MQ消息队列获取所述业务数据。
在本公开的一种示例性实施例中,所述业务数据包括多条线上数据,每一条所述线上数据包括一个主键与多个特征参数。
在本公开的一种示例性实施例中,所述提取特征参数包括根据预设的特征参数种类获取所述线上数据的特征参数。
在本公开的一种示例性实施例中,所述选择机器学习算法包括根据用户对判断结果的设置和/或根据所述业务数据的来源选择机器学习算法。
在本公开的一种示例性实施例中,所述业务分类结果包括将系统业务按照降级优先级设置以及降级处理方式进行分类的结果。
在本公开的一种示例性实施例中,所述进行系统业务降级处理包括切换业务数据的存储位置、切换对全程跟踪数据的读与写以及切换查询业务的查询方式。
根据本公开实施例的第二方面,提供一种系统业务降级装置,包括:
数据获取模块,用于获取业务数据,并根据所述业务数据提取特征参数;
算法选择模块,用于选择机器学习算法,将所述特征参数作为所述机器学习算法的输入;
算法处理模块,用于获取所述机器学习算法输出的业务分类结果;
业务降级模块,用于根据所述业务分类结果进行系统业务降级处理。
在本公开的一种示例性实施例中,所述数据获取模块包括从数据库和/或Redis缓存和/或MQ消息队列获取所述业务数据。
在本公开的一种示例性实施例中,所述业务降级模块包括切换业务数据的存储位置、切换对全程跟踪数据的读与写以及切换查询业务的查询方式。
根据本公开的再一方面,提供一种电子设备,包括:
处理器;
存储器,存储用于所述处理器控制如上任一项所述的操作的指令。
本公开提供的系统业务降级方法通过集成数据采集、算法选择、算法输出以及降级处理,实现了自动根据系统实时业务数据对系统的业务进行自动化降级处理,及时有效地维护了系统性能,提高了系统业务降级效率,降低了系统维护成本。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性示出本公开示例性实施例中一种系统业务降级方法的流程图。
图2示意性示出本公开示例性实施例中一种系统业务降级装置的方框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
下面结合附图对本公开示例实施方式进行详细说明。
图1是本公开示例性实施例中一种系统业务降级方法100的流程图。参考图1,系统业务降级方法100可以包括:
步骤S102,获取业务数据,并根据所述业务数据提取特征参数。
步骤S104,选择机器学习算法,将所述特征参数作为所述机器学习算法的输入。
步骤S106,获取所述机器学习算法输出的业务分类结果。
步骤S108,根据所述业务分类结果进行系统业务降级处理。
本公开提供的系统业务降级方法通过集成数据采集、算法选择、算法输出以及降级处理,实现了自动根据系统实时业务数据对系统的业务进行自动化降级处理,及时有效地维护了系统性能,提高了系统业务降级效率,降低了系统维护成本。
下面对方法100的各步骤进行详细说明。
在步骤S102,获取业务数据,并根据所述业务数据提取特征参数。
在本公开的一种示例性实施例中,所述业务数据包括多条线上数据,每一条所述线上数据包括一个主键与多个特征参数。
系统在线上运行时通常会产生大量的线上数据,每一条线上数据均包括一个主键与多个特征参数,在系统运行过程中,这些线上数据被以同步或异步的方式存储在数据库或Redis缓存中。因此,可以从数据库和/或Redis缓存中获取多条线上数据,即业务数据。在一些实施例中,也可以通过从数据库与Redis关联的MQ消息队列中获取业务数据。
如果实时采集业务数据,会对系统造成额外的负担,因此,可以对数据进行抽样采集,例如以5~10分钟一次的频率对上述位置进行数据采集。
具体的数据采集方法可以为利用调度程序对数据库、Redis和MQ进行数据抽样,并根据数据来源位置的不同而不同。例如,当采集位置为数据库时,可以利用binlog日志观察数据库变化,并将调度程序作为slave(从)程序获取数据库的变化数据;当采集位置为Redis缓存时,可以通过key-value关系Redis的数据量进行监控,如果数据积压数量超过设定阈值(例如3000),可以通过数据库处理;当采集位置为MQ消息队列时,无需判断积压情况,可以直接采集。
所述提取特征参数包括根据预设的特征参数种类获取所述线上数据的特征参数。通过对得到的数据进行筛选、分类和归一化等操作,可以得到机器学习算法所需的特征参数,例如服务调用时间、数据库或Redis存活状态、实例存活状态以及接口可用率等。可以将这些参数作为机器学习算法的输入,即特征。
此外,系统存储数据的方式通常可以分为同步和异步两种。同步是指调用数据存储接口对数据库进行直接操作,异步是指先把需要修改的数据暂存,并在利用worker对这些数据处理后再将其写入数据库。修改后的数据可以保存在Redis缓存、数据库和MQ消息队列中。当系统以同步方式存储数据时,可以通过监控数据存在是否处理异常,将是否处理异常作为一种系统特征。当系统以异步方式存储数据时,可以通过监控数据是否积压,将是否积压作为一种系统特征。因此,同步和异步、从数据库提取数据、从Redis提取数据以及从MQ消息队列提取数据都可作为机器学习算法的输入特征。
在步骤S104,选择机器学习算法,将所述特征参数作为所述机器学习算法的输入。
选择机器学习算法可以包括根据用户对判断结果的设置和/或根据所述业务数据的来源选择机器学习算法。对机器学习而言,不同种类的业务数据需要使用不同的机器学习算法进行处理。当用户设置将业务数据分为两类时,例如worker任务数据可以被设置为使用数据库和使用Redis队列存储两类,可以利用适合二分类的SVM(支持向量机)算法对业务数据进行分类。当用户设置的分类种类结果较多,并且数据差异较大时,可以利用神经网络集成算法对业务数据进行分类。此外,还可以根据业务数据的来源选择机器学习算法。例如,C4.5算法适用于处理驻留于内存中的数据,因此适合对Redis中提取的业务数据进行分类,并产生利于理解、准确率较高的处理结果,但是如果需要对数据集进行多次的顺序扫描和排序,则此方法不适用。如果需要最小化经验误差与最大化几何边缘区,并且为二分类,则可以使用SVM向量机算法,并将该算法应用在开关的控制中。如果需要将所有的特征包括存储种类(数据库、Redis、MQ)、数据交换方式(同步异步)、积压以及数据是否处理异常等作为分类特征的话,可以利用分类器集成算法对业务数据进行分类。
在步骤S106,获取所述机器学习算法输出的业务分类结果。
业务分类结果包括将系统业务按照降级优先级设置以及降级处理方式进行分类的结果。例如,可以根据用户设置将业务数据分为需降级业务与无需降级业务,或者将业务数据分为第一优先级、第二优先级、第三优先级降级业务等。
在步骤S108,根据所述业务分类结果进行系统业务降级处理。
在获取业务分类结果后,可以根据业务种类对非必须业务进行降级,从而减轻系统负担。进行系统业务降级处理可以包括切换业务数据的存储位置、切换对全程跟踪数据的读与写以及切换查询业务的查询方式。
切换业务数据的存储位置主要是针对任务数据流。正常情况下任务数据是通过Redis进行处理的,当机器学习结果判断需要对该任务数据所关联的业务进行降级时,说明此时Redis不可用,需要将该任务数据的存储位置从Redis切换到数据库。任务数据所属的业务包括重要业务和非重要业务,如果机器学习输出的业务分类结果中有需降级业务,说明此时业务数据量比较大,应用实例处理不过来,可以关闭非重要任务中的需降级业务。
切换对全程跟踪数据的读与写主要是针对全程跟踪数据。正常情况下全程跟踪数据可以通过Cassandra读写。读的方式分为从数据库读、从Cassandra读以及优先从Cassandra读如果没有数据再从数据库中读三种情况。如果机器学习的业务分类结果中有对全程跟踪数据的降级读切换,则在切换之前需要判断切换资源的可用性,如果可用则进行自动切换。写的方式分为写入数据库、写入Cassandra、同时写入数据库和Cassandra以及写入MQ消息队列四种写入方式。正常情况下是同时写入数据库和Cassandra,如果机器学习的业务分类结果中有对全程跟踪数据的降级写切换,则可以根据相应资源的可用性及延时情况进行自动切换。如果业务分类结果包括将全程跟踪数据写入MQ消息队列,说明此时数据库和Cassandra均不能满足写入要求,可以直接进行降级写切换。
切换查询业务的查询方式主要针对无拆分键的查询。正常情况下无拆分键的查询是从数据库中进行查询,如果机器学习的业务分类结果包括将此类查询切换为从ES中进行查询,说明此时数据库查询延迟或不可用,可以切换到从ES中进行查询。如果业务分类结果包括将无拆分键的查询切换到返回为空,则说明此时数据库和ES查询都不能满足要求,可以将该查询业务直接关闭以实现业务降级。
对应于上述方法实施例,本公开还提供一种系统业务降级装置,可以用于执行上述方法实施例。
图2示意性示出本公开示例性实施例中一种系统业务降级装置的方框图。参考图2,系统业务降级装置200可以包括数据获取模块202、算法选择模块204、算法处理模块206以及业务降级模块208。
数据获取模块202可以用于获取业务数据,并根据所述业务数据提取特征参数。
算法选择模块204可以用于选择机器学习算法,将所述特征参数作为所述机器学习算法的输入。
算法处理模块206可以用于获取所述机器学习算法输出的业务分类结果。
业务降级模块208可以用于根据所述业务分类结果进行系统业务降级处理。
在本公开的一种示例性实施例中,所述数据获取模块包括从数据库和/或Redis缓存和/或MQ消息队列获取所述业务数据。
在本公开的一种示例性实施例中,所述业务数据包括多条线上数据,每一条所述线上数据包括一个主键与多个特征参数。
在本公开的一种示例性实施例中,所述提取特征参数包括根据预设的特征参数种类获取所述线上数据的特征参数。
在本公开的一种示例性实施例中,所述选择机器学习算法包括根据用户对判断结果的设置和/或根据所述业务数据的来源选择机器学习算法。
在本公开的一种示例性实施例中,所述业务分类结果包括将系统业务按照降级优先级设置以及降级处理方式进行分类的结果。
在本公开的一种示例性实施例中,所述业务降级模块包括切换业务数据的存储位置、切换对全程跟踪数据的读与写以及切换查询业务的查询方式。
由于装置200的各功能已在其对应的方法实施例中予以详细说明,本公开于此不再赘述。
根据本公开的再一方面,提供一种电子设备,包括:
处理器;
存储器,存储用于所述处理器控制如上所述的操作的指令。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (15)
1.一种系统业务降级方法,其特征在于,包括:
获取业务数据,并根据所述业务数据提取特征参数;
选择机器学习算法,将所述特征参数作为所述机器学习算法的输入;
获取所述机器学习算法输出的业务分类结果;
根据所述业务分类结果进行系统业务降级处理。
2.根据权利要求1所述的系统业务降级方法,其特征在于,所述获取业务数据包括从数据库和/或Redis缓存和/或MQ消息队列获取所述业务数据。
3.根据权利要求1所述的系统业务降级方法,其特征在于,所述业务数据包括多条线上数据,每一条所述线上数据包括一个主键与多个特征参数。
4.根据权利要求3所述的系统业务降级方法,其特征在于,所述提取特征参数包括根据预设的特征参数种类获取所述线上数据的特征参数。
5.根据权利要求1所述的系统业务降级方法,其特征在于,所述选择机器学习算法包括根据用户对判断结果的设置和/或根据所述业务数据的来源选择机器学习算法。
6.根据权利要求1所述的系统业务降级方法,其特征在于,所述业务分类结果包括将系统业务按照降级优先级设置以及降级处理方式进行分类的结果。
7.根据权利要求1所述的系统业务降级方法,其特征在于,所述进行系统业务降级处理包括切换业务数据的存储位置、切换对全程跟踪数据的读与写以及切换查询业务的查询方式。
8.一种系统业务降级装置,其特征在于,包括:
数据获取模块,用于获取业务数据,并根据所述业务数据提取特征参数;
算法选择模块,用于选择机器学习算法,将所述特征参数作为所述机器学习算法的输入;
算法处理模块,用于获取所述机器学习算法输出的业务分类结果;
业务降级模块,用于根据所述业务分类结果进行系统业务降级处理。
9.根据权利要求8所述的系统业务降级装置,其特征在于,所述数据获取模块包括从数据库和/或Redis缓存和/或MQ消息队列获取所述业务数据。
10.根据权利要求8所述的系统业务降级装置,其特征在于,所述业务数据包括多条线上数据,每一条所述线上数据包括一个主键与多个特征参数。
11.根据权利要求10所述的系统业务降级装置,其特征在于,所述提取特征参数包括根据预设的特征参数种类获取所述线上数据的特征参数。
12.根据权利要求8所述的系统业务降级装置,其特征在于,所述选择机器学习算法包括根据用户对判断结果的设置和/或根据所述业务数据的来源选择机器学习算法。
13.根据权利要求8所述的系统业务降级装置,其特征在于,所述业务分类结果包括将系统业务按照降级优先级设置以及降级处理方式进行分类的结果。
14.根据权利要求8所述的系统业务降级装置,其特征在于,所述业务降级模块包括切换业务数据的存储位置、切换对全程跟踪数据的读与写以及切换查询业务的查询方式。
15.一种电子设备,其特征在于,包括:
处理器;
存储器,存储用于所述处理器控制如权利要求1-7任一项所述的操作的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710020000.1A CN108304398A (zh) | 2017-01-11 | 2017-01-11 | 系统业务降级方法、装置与电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710020000.1A CN108304398A (zh) | 2017-01-11 | 2017-01-11 | 系统业务降级方法、装置与电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108304398A true CN108304398A (zh) | 2018-07-20 |
Family
ID=62872082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710020000.1A Pending CN108304398A (zh) | 2017-01-11 | 2017-01-11 | 系统业务降级方法、装置与电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108304398A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109144817A (zh) * | 2018-08-03 | 2019-01-04 | 江苏满运软件科技有限公司 | 一种日志数据监控系统及方法 |
CN112732757A (zh) * | 2020-12-30 | 2021-04-30 | 北京奇艺世纪科技有限公司 | 一种降级数据的处理方法、系统、装置、设备及存储介质 |
CN114969129A (zh) * | 2022-07-29 | 2022-08-30 | 飞狐信息技术(天津)有限公司 | 一种异常业务数据回流方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102025620A (zh) * | 2010-12-07 | 2011-04-20 | 南京邮电大学 | 基于业务区分的认知网络QoS保障方法 |
CN104320358A (zh) * | 2014-09-28 | 2015-01-28 | 国家电网公司 | 一种电力通信网中的QoS业务控制方法 |
US20150379426A1 (en) * | 2014-06-30 | 2015-12-31 | Amazon Technologies, Inc. | Optimized decision tree based models |
-
2017
- 2017-01-11 CN CN201710020000.1A patent/CN108304398A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102025620A (zh) * | 2010-12-07 | 2011-04-20 | 南京邮电大学 | 基于业务区分的认知网络QoS保障方法 |
US20150379426A1 (en) * | 2014-06-30 | 2015-12-31 | Amazon Technologies, Inc. | Optimized decision tree based models |
CN104320358A (zh) * | 2014-09-28 | 2015-01-28 | 国家电网公司 | 一种电力通信网中的QoS业务控制方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109144817A (zh) * | 2018-08-03 | 2019-01-04 | 江苏满运软件科技有限公司 | 一种日志数据监控系统及方法 |
CN112732757A (zh) * | 2020-12-30 | 2021-04-30 | 北京奇艺世纪科技有限公司 | 一种降级数据的处理方法、系统、装置、设备及存储介质 |
CN112732757B (zh) * | 2020-12-30 | 2023-07-25 | 北京奇艺世纪科技有限公司 | 一种降级数据的处理方法、系统、装置、设备及存储介质 |
CN114969129A (zh) * | 2022-07-29 | 2022-08-30 | 飞狐信息技术(天津)有限公司 | 一种异常业务数据回流方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111614570B (zh) | 一种用于服务网格的流量控制系统及方法 | |
CN108304398A (zh) | 系统业务降级方法、装置与电子设备 | |
CN102301664B (zh) | 多核处理器的流分发方法及装置 | |
CN112764920B (zh) | 一种边缘应用部署方法、装置、设备和存储介质 | |
CN109582335A (zh) | 一种无中断存储集群节点在线升级方法、装置及设备 | |
CN110995497A (zh) | 一种云计算环境下统一运维的方法、终端设备及存储介质 | |
US20220229809A1 (en) | Method and system for flexible, high performance structured data processing | |
CN105224434A (zh) | 使用机器学习识别软件阶段 | |
CN113485792B (zh) | 一种kubernetes集群内Pod调度方法、终端设备及存储介质 | |
KR20210034558A (ko) | 인공 지능 개발 플랫폼의 관리 방법 및 장치, 매체 | |
WO2024082861A1 (zh) | 一种应用于视频监控中的云存储调度系统 | |
CN114675956B (zh) | 一种基于Kubernetes集群之间Pod配置及调度的方法 | |
CN112631754A (zh) | 数据处理方法、装置、存储介质及电子装置 | |
CN111970151A (zh) | 虚拟及容器网络的流量故障定位方法及系统 | |
CN111984505A (zh) | 一种运维数据采集引擎及采集方法 | |
CN102098170B (zh) | 一种数据采集优化方法及系统 | |
CN108111578B (zh) | 基于nio的配电终端数据采集平台接入终端设备的方法 | |
CN104933077A (zh) | 基于规则的多文件信息分析方法 | |
CN113157475A (zh) | 日志处理方法、装置、存储介质及电子设备 | |
CN110365551B (zh) | 网络信息采集方法、装置、设备及介质 | |
CN111026809A (zh) | 一种调度流程分布式执行系统 | |
CN110971532A (zh) | 一种网络资源管理方法、装置及设备 | |
CN116225312A (zh) | 镜像清理方法、装置、电子设备及存储介质 | |
CN112422349B (zh) | 面向nfv的网管系统、方法、设备及介质 | |
CN114217867A (zh) | 自动化运维代理装置、设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180720 |
|
RJ01 | Rejection of invention patent application after publication |