CN110109750B - 虚拟资源获取方法、装置、计算机设备和存储介质 - Google Patents
虚拟资源获取方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110109750B CN110109750B CN201910264553.0A CN201910264553A CN110109750B CN 110109750 B CN110109750 B CN 110109750B CN 201910264553 A CN201910264553 A CN 201910264553A CN 110109750 B CN110109750 B CN 110109750B
- Authority
- CN
- China
- Prior art keywords
- resource
- virtual
- target
- model
- factors
- 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.)
- Active
Links
Classifications
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- 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
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45583—Memory management, e.g. access or allocation
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于神经网络的虚拟资源获取方法、装置、计算机设备和存储介质。该方法包括:接收终端发送的资源获取请求;资源获取请求携带了目标属性值;获取多个虚拟资源的资源因子,将目标属性值和每个虚拟资源的资源因子输入调控模型,得到每个虚拟资源的资源标注;根据资源标注选取对应的专家模型,将资源因子输入专家模型得到相应虚拟资源的预测属性值;筛选预测属性值与目标属性值相匹配的虚拟资源,记作目标资源;根据目标资源对应的专家模型,确定目标资源的因子特性;获取目标资源的资源信息,将资源信息和因子特性返回至终端。采用本方法可提高虚拟资源获取效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种虚拟资源获取方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的不断发展,通过计算机实现虚拟资源的获取越来越普遍。用户可以在虚拟资源获取平台挑选自己满意的虚拟资源。然而,目前大多虚拟资源获取平台仅对虚拟资源信息进行简单罗列,用户需要从海量的虚拟资源中进行资源筛选,使得虚拟资源获取效率降低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高虚拟资源获取效率和准确性的虚拟资源获取方法、装置、计算机设备和存储介质。
一种虚拟资源获取方法,所述方法包括:接收终端发送的资源获取请求;所述资源获取请求携带了目标属性值;根据所述资源获取请求获取多个虚拟资源的资源因子,将目标属性值和每个所述虚拟资源的资源因子输入调控模型,得到每个虚拟资源的资源标注;根据所述资源标注选取对应的专家模型,将所述资源因子输入专家模型得到相应虚拟资源的预测属性值;筛选预测属性值与目标属性值相匹配的虚拟资源,记作目标资源;根据所述目标资源对应的专家模型,确定所述目标资源的因子特性;获取所述目标资源的资源信息,将所述资源信息和所述因子特性返回至所述终端;所述终端用于在检测到资源筛选指令时,基于所述资源筛选指令携带的目标因子特性对所述目标资源进一步筛选。
在其中一个实施例中,所述将目标属性值和每个所述虚拟资源的资源因子输入调控模型之前,还包括:获取历史周期的多个虚拟资源的资源信息,记作样本资源信息;对所述样本资源信息进行预处理,得到多个虚拟资源分别对应的资源因子;所述资源因子包括实际属性值;将所述资源因子输入预设的多个数据模型,得到输出结果;根据所述输出结果测算相应数据模型的模型参数,得到多个专家模型;将所述资源因子输入专家模型,得到拟合结果;利用所述拟合结果及所述实际属性值对EM算法进行训练,得到调控模型;根据所述调控模型及多个专家模型,生成混合专家模型。
在其中一个实施例中,所述方法还包括:接收终端发送的对资源获取策略的配置请求,根据配置请求展示策略配置页面,策略配置页面包括多个配置项;根据对所述配置项的配置操作,获取对应的配置参数;基于所述配置参数生成相应配置项对应的目标代码;将多个配置项对应的目标代码分别添加至模板代码,得到获取虚拟资源的执行代码。
在其中一个实施例中,所述根据所述资源获取请求获取多个虚拟资源的资源因子,将目标属性值和每个所述虚拟资源的资源因子输入调控模型,包括:检测所述资源获取请求是否携带了对资源获取策略的指定信息;若是,获取所指定的资源获取策略对应的执行代码;运行所述执行代码,在虚拟资源池中筛选虚拟资源;将筛选得到的虚拟资源的资源信息返回至终端;否则,根据所述资源获取请求获取多个虚拟资源的资源因子,将目标属性值和每个所述虚拟资源的资源因子输入调控模型。
在其中一个实施例中,所述根据所述目标资源对应的专家模型,确定所述目标资源的因子特性,包括:识别所述目标资源对应专家模型中的关键因子;确定多个关键因子之间的关联关系;根据多个关键因子及其之间的关联关系,生成对应专家模型的模型描述;所述模型描述包含所述目标资源的因子特性。
一种虚拟资源获取装置,所述装置包括:资源标注模块,用于接收终端发送的资源获取请求;所述资源获取请求携带了目标属性值;根据所述资源获取请求获取多个虚拟资源的资源因子,将目标属性值和每个所述虚拟资源的资源因子输入调控模型,得到每个虚拟资源的资源标注;资源筛选模块,用于根据所述资源标注选取对应的专家模型,将所述资源因子输入专家模型得到相应虚拟资源的预测属性值;筛选预测属性值与目标属性值相匹配的虚拟资源,记作目标资源;资源推送模块,根据所述目标资源对应的专家模型,确定所述目标资源的因子特性;获取所述目标资源的资源信息,将所述资源信息和所述因子特性返回至所述终端;所述终端用于在检测到资源筛选指令时,基于所述资源筛选指令携带的目标因子特性对所述目标资源进一步筛选。
在其中一个实施例中,所述装置还包括模型构建模块,用于获取历史周期的多个虚拟资源的资源信息,记作样本资源信息;对所述样本资源信息进行预处理,得到多个虚拟资源分别对应的资源因子;所述资源因子包括实际属性值;将所述资源因子输入预设的多个数据模型,得到输出结果;根据所述输出结果测算相应数据模型的模型参数,得到多个专家模型;将所述资源因子输入专家模型,得到拟合结果;利用所述拟合结果及所述实际属性值对EM算法进行训练,得到调控模型;根据所述调控模型及多个专家模型,生成混合专家模型。
在其中一个实施例中,所述装置还包括策略配置模块,用于接收终端发送的对资源获取策略的配置请求,根据配置请求展示策略配置页面,策略配置页面包括多个配置项;根据对所述配置项的配置操作,获取对应的配置参数;基于所述配置参数生成相应配置项对应的目标代码;将多个配置项对应的目标代码分别添加至模板代码,得到获取虚拟资源的执行代码。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本申请任意一个实施例中提供的虚拟资源获取方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请任意一个实施例中提供的虚拟资源获取方法的步骤。
上述虚拟资源获取方法、装置、计算机设备和存储介质,根据终端发送的资源获取请求,可以获取目标属性值以及多个虚拟资源的资源因子;通过将目标属性值和每个所述虚拟资源的资源因子输入调控模型,可以得到每个虚拟资源的资源标注;根据所述资源标注,可以确定选用哪一专家模型计算相应虚拟资源的预测属性值;通过对比预测属性值与目标属性值是否匹配,可以筛选得到目标资源;根据所述目标资源对应的专家模型,可以确定所述目标资源的因子特性;将目标资源的资源信息和因子特性返回至终端,可以使所述终端根据所述因子特性对推送的多个目标资源进一步筛选。由于用户只需设定期望获取的虚拟资源的目标属性值,基于预置的虚拟资源获取策略自动筛选符合目标属性值的目标资源集合,精准缩小虚拟资源筛选范围,提高虚拟资源获取效率。进一步给出目标资源的因子特性,可以辅助用户依据个人喜好及行业经验等进行二次筛选,使得虚拟资源的获取更加个性化,从而也可以提高虚拟资源获取准确性。
附图说明
图1为一个实施例中虚拟资源获取方法的应用场景图;
图2为一个实施例中虚拟资源获取方法的流程示意图;
图3为一个实施例中资源获取策略配置的步骤的流程示意图;
图4为一个实施例中虚拟资源获取装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的虚拟资源获取方法,可以应用于如图1所示的应用环境中。其中,终端102与服务器104通过网络进行通信。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端102上安装了虚拟资源获取平台。当需要获取虚拟资源时,用户可以在终端102基于虚拟资源获取平台向服务器104发送资源获取请求。资源获取请求携带了目标属性值。服务器104预存储了用于筛选符合用户设定的目标属性值的虚拟资源的混合专家模型。混合专家模型包括调控模型和多个专家模型。服务器104获取虚拟资源池中的多个虚拟资源的资源因子,将目标属性值和每个虚拟资源的资源因子输入调控模型,得到每个虚拟资源的资源标注。服务器104根据资源标注可以确定选取哪一个专家模型计算虚拟资源的预测属性值。服务器104筛选预测属性值与目标属性值相匹配的虚拟资源,记作目标资源。服务器104根据目标资源对应的专家模型,可以确定目标资源的因子特性。服务器104获取目标资源的资源信息,将资源信息和因子特性返回至终端102。用户可以在终端102根据因子特性对推送的多个目标资源进一步筛选。上述虚拟资源获取过程,不仅能够筛选满足用户需求的一个或多个虚拟资源,还能预测判断虚拟资源遵循的因子特性,进而辅助用户快速准确的从筛选得到的多个虚拟资源中获取更加符合预期的虚拟资源,提高虚拟资源获取效率和准确性。
在一个实施例中,如图2所示,提供了一种虚拟资源获取方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,接收终端发送的资源获取请求;资源获取请求携带了目标属性值。
终端上安装了虚拟资源获取平台。该虚拟资源获取平台可以是面向接口编程的,以能够支持任意实现相应接口方法的技术框架,以提高虚拟资源获取平台的扩展性。虚拟资源获取平台也可以是基于Docker(一种开源的应用容器引擎)等容器技术实现的。采用容器技术进行部署,可以提高虚拟资源获取平台的灵活性。
当用户需要获取虚拟资源时,可以在虚拟资源获取平台设定目标属性值。目标属性值可以是用户设定的虚拟资源的获取条件。根据虚拟资源不同,对应的目标属性值可以不同。例如,当虚拟资源为股票或证券等金融产品时,对应的目标属性值可以是预期收益率、最大风险率等。目标属性值可以是在虚拟资源获取平台给定的多个档位区间或者档位值中选定得到。
步骤204,根据资源获取请求获取多个虚拟资源的资源因子,将目标属性值和每个虚拟资源的资源因子输入调控模型,得到每个虚拟资源的资源标注。
服务器在虚拟资源池中预存储了多个交易中的虚拟资源的资源信息。服务器还预存储了用于筛选符合用户设定的目标属性值的虚拟资源的混合专家模型。混合专家模型包括调控模型和多个专家模型。其中,调控模型用于确定选取哪一个专家模型计算虚拟资源的预测属性值。调控模型可以是基于历史周期的多个虚拟资源的资源信息对EM算法(Expectation Maximization Algorithm,期望最大化算法)训练得到的。
步骤206,根据资源标注选取对应的专家模型,将资源因子输入专家模型得到相应虚拟资源的预测属性值。
假设混合专家模型包括K个专家模型。每个专家模型即为一个神经网络模型。不同的专家模型擅长处理不同数据源的数据。数据源可以是虚拟资源提供方。即来自某个数据源的数据)。每个专家模型具有对应的模型编号。若一个虚拟资源的资源标注为i(1≤i≤k),则选用第i个专家模型。根据资源标注可以是识别资源信息的数据源,进而根据数据源可以选定对应的专家模型。
步骤208,筛选预测属性值与目标属性值相匹配的虚拟资源,记作目标资源。
步骤210,根据目标资源对应的专家模型,确定目标资源的因子特性。
不同专家模型可以反映虚拟资源不同的因子特性。因子特性是指资源因子与预测属性值之间的关系,例如资源因子的因子值越大对应的预测属性值越高的线性关系,或者预测属性值随着资源因子呈现正态分布等关系。服务器通过采用不同的专家模型,可以判断不同虚拟资源在不同时刻遵循哪种因子特性表达的规律。因子特性规律可以使用广义线性回归来表征,也可以拓展成多因子,即在空间中以超平面作为多因子收益特性的表达。
步骤212,获取目标资源的资源信息,将资源信息和因子特性返回至终端;终端用于在检测到资源筛选指令时,基于资源筛选指令携带的目标因子特性对目标资源进一步筛选。
本实施例中,根据终端发送的资源获取请求,可以获取目标属性值以及多个虚拟资源的资源因子;通过将目标属性值和每个虚拟资源的资源因子输入调控模型,可以得到每个虚拟资源的资源标注;根据资源标注,可以确定选用哪一计算相应虚拟资源的预测属性值;通过对比预测属性值与目标属性值是否匹配,可以筛选得到目标资源;根据目标资源对应的专家模型,可以确定目标资源的因子特性;将目标资源的资源信息和因子特性返回至终端,可以使终端根据因子特性对推送的多个目标资源进一步筛选。由于用户只需设定期望获取的虚拟资源的目标属性值,基于预置的虚拟资源获取策略自动筛选符合目标属性值的目标资源集合,精准缩小虚拟资源筛选范围,提高虚拟资源获取效率。进一步给出目标资源的因子特性,可以辅助用户依据个人喜好及行业经验等进行二次筛选,使得虚拟资源的获取更加个性化,从而也可以提高虚拟资源获取准确性。
在一个实施例中,将目标属性值和每个虚拟资源的资源因子输入调控模型之前,还包括混合专家模型训练的步骤,具体包括:获取历史周期的多个虚拟资源的资源信息,记作样本资源信息。对样本资源信息进行预处理,得到多个虚拟资源分别对应的资源因子;资源因子包括实际属性值。将资源因子输入预设的多个数据模型,得到输出结果。根据输出结果测算相应数据模型的模型参数,得到多个专家模型。将资源因子输入专家模型,得到拟合结果。利用拟合结果及实际属性值对EM算法进行训练,得到调控模型。根据调控模型及多个专家模型,生成混合专家模型。
虚拟资源具有对应的多个获取周期。例如,股票具有对应的交易周期。历史周期是指已经结束的获取周期。不同的数据模型可以是不同的神经网络模型。根据数据模型的输出结果与实际属性值的差值,可以对数据模型中的模型参数进行调整。模型参数调整后的数据模型为专家模型。
将样本资源的资源因子重新输入对应专家模型,计算得到对应的拟合结果。将拟合结果和实际属性值作为训练数据,根据贝叶斯概率理论以及EM算法调整初始的调控模型参数,进而调整调控模型的输出参数,得到混合专家模型。在另一个实施例中,混合专家模型的结构为一颗完全二叉树结构,可以包括多层专家模型和多层调控模型。其中,底层专家模型即为叶子节点。每两层相邻专家模型之间有一层调控模型。非叶子节点为其下一层专家模型中的两个叶子节点的输出分别乘以对应调控模型输出参数后相加得到的。混合专家模型根节点的输出为虚拟资源的预测属性值。
本实施例中,基于历史周期的样本资源的资源信息训练得到混合专家模型,基于混合专家模型响应用户对当前周期的虚拟资源的筛选,可以提高虚拟资源效率和准确性。
在一个实施例中,如图3所示,方法还包括资源获取策略配置的步骤,具体包括:
步骤302,接收终端发送的对资源获取策略的配置请求,根据配置请求展示策略配置页面,策略配置页面包括多个配置项。
当用户希望基于自己习惯的方式获取虚拟资源时,可以在虚拟资源获取平台的策略配置页面进行获取逻辑的配置。具体的,策略配置页面包括多个配置项。配置项包括资源池过滤条件和资源筛选条件。其中,资源池过滤条件包括资源发布方的多种属性信息,如行业、规模等。资源筛选条件包括资源的多种指标信息,如技术指标或增值指标等。具体的构成资源筛选条件的指标内容和数量,用户可以根据需求自由增删。
步骤304,根据对配置项的配置操作,获取对应的配置参数。
用户可以在策略配置页面增删配置项,并对每个配置项分别进行配置,即设置配置项对应的配置参数。配置参数包括运算符、阈值或指标区间等。运算符可以是比较运算符。在另一个实施例中,全部或部分配置项在策略配置页面预置了对应的配置参数选项,用户只需从中选择即可完成配置,减少用户配置工作量,也提高配置效率。例如,配置项“行业”对应阈值的配置参数选项可以包括建筑、传媒、通信、银行等。
步骤306,基于配置参数生成相应配置项对应的目标代码。
虚拟资源获取平台部署了对应的数据库,并在数据库中存储了每个配置项对应的基础代码。虚拟资源获取平台对用户在策略配置页面触发的配置操作进行监听,当监听到对某个配置项的配置操作时获取相应的基础代码,基于配置操作对应的配置参数对基础代码进行更新,得到对应的目标代码。
步骤308,将多个配置项对应的目标代码分别添加至模板代码,得到获取虚拟资源的执行代码。
虚拟资源获取平台还在数据库中存储了模板代码。模板代码是能够实现虚拟资源获取的基本逻辑代码。换言之,模块代码包括不同执行代码中均会用到的相同的部分代码。配置不同虚拟资源获取逻辑采用的模板代码可以相同,也可以不同。模板代码包括策略配置页面中每个配置项对应的标签。标签用于记录相应配置项对应目标代码在模板代码中的填充位置。需要说明的是,初始的模板代码中每个标签均处于无效状态,例如作为注释部分存放在模板代码中。
当监听到对某个配置项的配置操作时,虚拟资源获取平台在初始的模板代码中将相应配置项对应的标签激活。激活的方式可以是将标签前后的注释标志删除,使标签转化为可执行语句。虚拟资源获取平台将该标签替换为相应的目标代码。当用户完成获取策略的配置,即完成对关注的多个配置项的配置操作时,按照上述方式将每个配置项对应目标代码均已添加至模板代码中,得到该获取逻辑对应的执行代码。
本实施例中,由于用户可以基于策略配置页面对不同配置项进行配置操作,进而自定义虚拟资源的获取逻辑,可以提高虚拟资源获取灵活性;此外,根据用户自定义的获取逻辑自动生成对应的执行代码,减少开发人员编写代码的工作量,从而提高虚拟资源获取效率。
在一个实施例中,根据资源获取请求获取多个虚拟资源的资源因子,将目标属性值和每个虚拟资源的资源因子输入调控模型,包括:检测资源获取请求是否携带了对资源获取策略的指定信息;若是,获取所指定的资源获取策略对应的执行代码;运行执行代码,在虚拟资源池中筛选虚拟资源;将筛选得到的虚拟资源的资源信息返回至终端;否则,根据资源获取请求获取多个虚拟资源的资源因子,将目标属性值和每个虚拟资源的资源因子输入调控模型。
用户可以按照自己设定的资源获取策略筛选虚拟资源,也可以按照上述平台默认的资源获取策略进行虚拟资源筛选。具体的,当接收到终端发送的虚拟资源获取请求时,服务器监测虚拟资源获取请求是否携带了用户对资源获取策略的指定信息。若用户没有指定资源获取策略,则服务器按照上述方式筛选预测属性值和目标属性值相匹配的目标资源。
若用户指定了资源获取策略,则服务器按照用户指定的资源获取策略在资源池中筛选目标资源。具体的,不同资源发布方分别具有对应的资源池构建接口。虚拟资源获取平台调用相应的资源池构建接口,按照预设时间频率在相应资源发布方服务器提取对应的虚拟资源的资源信息,将提取到的虚拟资源的资源信息存储至预先构建的虚拟资源池。虚拟资源池可以是用于存放多个虚拟资源的资源信息的存储模块,如数据库或消息队列等。虚拟资源获取平台根据用户指定的资源获取策略,运行对应的执行代码,基于执行代码蕴含的资源获取逻辑确定满足用户配置的资源池过滤条件的资源发布方。在另一个实施例中,可以将满足资源池过滤条件的资源发布方对应的虚拟资源的资源信息提取出来,单独形成子资源池。虚拟资源获取平台基于执行代码蕴含的获取逻辑,在子资源池中筛选满足用户配置的资源筛选条件的目标资源,展示目标资源的资源信息。
本实施例中,向用户提供默认的资源获取策略,降低用户进行虚拟资源获取的门槛;对于具有行业经验的用户,允许用户根据个人喜好设定适用于自己的资源获取策略,提高虚拟资源获取的灵活性;此外,多种资源获取策略不冲突,用户可以通过不同资源获取策略筛选目标资源,通过对筛选结果的对比获取更加符合自己需求的虚拟资源,提高虚拟资源获取准确性。
在一个实施例中,根据目标资源对应的专家模型,确定目标资源的因子特性,包括:识别目标资源对应专家模型中的关键因子;确定多个关键因子之间的关联关系;根据多个关键因子及其之间的关联关系,生成对应专家模型的模型描述;模型描述包含目标资源的因子特性。
每个专家模型包括多个模型因子,其中至少一个模型因子为该专家模型的关键因子。关键因子可以是预先指定的,也可以是根据模型因子的权重动态确定的。关联关系可以是能够使输出结果增大或者减小的多种关键因子变化情况。例如,一个专家模型包括关键因子A、B和C,其中一种关联关系可以是当关键因子A增大、关键因子B减小及关键因子C增大或不变时,对应输出结果增大。模型描述可以是根据关键因子之间的关联关系转换得到的公式、图表等。模型描述能够表达适用于该专家模型的虚拟资源的因子特性。
本实施例中,生成能够表达适用于不同专家模型的虚拟资源的因子特性的模型描述,便于用户对推送的目标资源有更深入的了解,从而可以快速从推送的目标资源中进一步筛选更加符合自己需求的虚拟资源,即提高虚拟资源获取效率和准确性。
应该理解的是,虽然图2和图3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2和图3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种虚拟资源获取装置,包括:资源标注模块402、资源筛选模块404和资源推送模块406,其中:
资源标注模块402,用于接收终端发送的资源获取请求;资源获取请求携带了目标属性值;根据资源获取请求获取多个虚拟资源的资源因子,将目标属性值和每个虚拟资源的资源因子输入调控模型,得到每个虚拟资源的资源标注。
资源筛选模块404,用于根据资源标注选取对应的专家模型,将资源因子输入专家模型得到相应虚拟资源的预测属性值;筛选预测属性值与目标属性值相匹配的虚拟资源,记作目标资源。
资源推送模块406,根据目标资源对应的专家模型,确定目标资源的因子特性;获取目标资源的资源信息,将资源信息和因子特性返回至终端;终端用于在检测到资源筛选指令时,基于资源筛选指令携带的目标因子特性对目标资源进一步筛选。
在一个实施例中,该装置还包括模型构建模块408,用于获取历史周期的多个虚拟资源的资源信息,记作样本资源信息;对样本资源信息进行预处理,得到多个虚拟资源分别对应的资源因子;资源因子包括实际属性值;将资源因子输入预设的多个数据模型,得到输出结果;根据输出结果测算相应数据模型的模型参数,得到多个专家模型;将资源因子输入专家模型,得到拟合结果;利用拟合结果及实际属性值对EM算法进行训练,得到调控模型;根据调控模型及多个专家模型,生成混合专家模型。
在一个实施例中,该装置还包括策略配置模块410,用于接收终端发送的对资源获取策略的配置请求,根据配置请求展示策略配置页面,策略配置页面包括多个配置项;根据对配置项的配置操作,获取对应的配置参数;基于配置参数生成相应配置项对应的目标代码;将多个配置项对应的目标代码分别添加至模板代码,得到获取虚拟资源的执行代码。
在一个实施例中,资源标注模块402还用于检测资源获取请求是否携带了对资源获取策略的指定信息;若是,获取所指定的资源获取策略对应的执行代码;运行执行代码,在虚拟资源池中筛选虚拟资源;将筛选得到的虚拟资源的资源信息返回至终端;否则,根据资源获取请求获取多个虚拟资源的资源因子,将目标属性值和每个虚拟资源的资源因子输入调控模型。
在一个实施例中,资源推送模块406还用于识别目标资源对应专家模型中的关键因子;确定多个关键因子之间的关联关系;根据多个关键因子及其之间的关联关系,生成对应专家模型的模型描述;模型描述包含目标资源的因子特性。
关于虚拟资源获取装置的具体限定可以参见上文中对于虚拟资源获取方法的限定,在此不再赘述。上述虚拟资源获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储虚拟资源的资源信息。该计算机设备的网络接口用于与外部终端通过网络连接通信。该计算机程序被处理器执行时以实现一种虚拟资源获取方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请任意一个实施例中提供的虚拟资源获取方法的步骤。
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,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体详细,但并不能因此理解为对发明专利范围的限制。应指出的是,对本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种虚拟资源获取方法,所述方法包括:
接收终端发送的资源获取请求;所述资源获取请求携带了目标属性值;
根据所述资源获取请求获取多个虚拟资源的资源因子;
获取历史周期的多个虚拟资源的资源信息,记作样本资源信息;
对所述样本资源信息进行预处理,得到多个虚拟资源分别对应的资源因子;所述资源因子包括实际属性值;
将所述资源因子输入预设的多个数据模型,得到输出结果;
根据所述输出结果测算相应数据模型的模型参数,得到多个专家模型;
将所述资源因子输入专家模型,得到拟合结果;
利用所述拟合结果及所述实际属性值对EM算法进行训练,得到调控模型;
根据所述调控模型及多个专家模型,生成混合专家模型;
将目标属性值和每个所述虚拟资源的资源因子输入调控模型,得到每个虚拟资源的资源标注;
根据所述资源标注选取对应的专家模型,将所述资源因子输入专家模型得到相应虚拟资源的预测属性值;
筛选预测属性值与目标属性值相匹配的虚拟资源,记作目标资源;
根据所述目标资源对应的专家模型,确定所述目标资源的因子特性;
获取所述目标资源的资源信息,将所述资源信息和所述因子特性返回至所述终端;所述终端用于在检测到资源筛选指令时,基于所述资源筛选指令携带的目标因子特性对所述目标资源进一步筛选。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
接收终端发送的对资源获取策略的配置请求,根据配置请求展示策略配置页面,策略配置页面包括多个配置项;
根据对所述配置项的配置操作,获取对应的配置参数;
基于所述配置参数生成相应配置项对应的目标代码;
将多个配置项对应的目标代码分别添加至模板代码,得到获取虚拟资源的执行代码。
3.根据权利要求2所述的方法,其特征在于,所述根据所述资源获取请求获取多个虚拟资源的资源因子,将目标属性值和每个所述虚拟资源的资源因子输入调控模型,包括:
检测所述资源获取请求是否携带了对资源获取策略的指定信息;
若是,获取所指定的资源获取策略对应的执行代码;运行所述执行代码,在虚拟资源池中筛选虚拟资源;将筛选得到的虚拟资源的资源信息返回至终端;
否则,根据所述资源获取请求获取多个虚拟资源的资源因子,将目标属性值和每个所述虚拟资源的资源因子输入调控模型。
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标资源对应的专家模型,确定所述目标资源的因子特性,包括:
识别所述目标资源对应专家模型中的关键因子;
确定多个关键因子之间的关联关系;
根据多个关键因子及其之间的关联关系,生成对应专家模型的模型描述;所述模型描述包含所述目标资源的因子特性。
5.一种虚拟资源获取装置,所述装置包括:
资源标注模块,用于接收终端发送的资源获取请求;所述资源获取请求携带了目标属性值;根据所述资源获取请求获取多个虚拟资源的资源因子;
模型构建模块,用于获取历史周期的多个虚拟资源的资源信息,记作样本资源信息;对所述样本资源信息进行预处理,得到多个虚拟资源分别对应的资源因子;所述资源因子包括实际属性值;将所述资源因子输入预设的多个数据模型,得到输出结果;根据所述输出结果测算相应数据模型的模型参数,得到多个专家模型;将所述资源因子输入专家模型,得到拟合结果;利用所述拟合结果及所述实际属性值对EM算法进行训练,得到调控模型;根据所述调控模型及多个专家模型,生成混合专家模型;
所述资源标注模块,还用于将目标属性值和每个所述虚拟资源的资源因子输入调控模型,得到每个虚拟资源的资源标注;
资源筛选模块,用于根据所述资源标注选取对应的专家模型,将所述资源因子输入专家模型得到相应虚拟资源的预测属性值;筛选预测属性值与目标属性值相匹配的虚拟资源,记作目标资源;
资源推送模块,根据所述目标资源对应的专家模型,确定所述目标资源的因子特性;获取所述目标资源的资源信息,将所述资源信息和所述因子特性返回至所述终端;所述终端用于在检测到资源筛选指令时,基于所述资源筛选指令携带的目标因子特性对所述目标资源进一步筛选。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括策略配置模块,用于接收终端发送的对资源获取策略的配置请求,根据配置请求展示策略配置页面,策略配置页面包括多个配置项;根据对所述配置项的配置操作,获取对应的配置参数;基于所述配置参数生成相应配置项对应的目标代码;将多个配置项对应的目标代码分别添加至模板代码,得到获取虚拟资源的执行代码。
7.根据权利要求6所述的装置,其特征在于,所述资源标注模块,还用于检测所述资源获取请求是否携带了对资源获取策略的指定信息;若是,获取所指定的资源获取策略对应的执行代码;运行所述执行代码,在虚拟资源池中筛选虚拟资源;将筛选得到的虚拟资源的资源信息返回至终端;否则,根据所述资源获取请求获取多个虚拟资源的资源因子,将目标属性值和每个所述虚拟资源的资源因子输入调控模型。
8.根据权利要求5所述的装置,其特征在于,所述资源推送模块,还用于识别所述目标资源对应专家模型中的关键因子;确定多个关键因子之间的关联关系;根据多个关键因子及其之间的关联关系,生成对应专家模型的模型描述;所述模型描述包含所述目标资源的因子特性。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910264553.0A CN110109750B (zh) | 2019-04-03 | 2019-04-03 | 虚拟资源获取方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910264553.0A CN110109750B (zh) | 2019-04-03 | 2019-04-03 | 虚拟资源获取方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110109750A CN110109750A (zh) | 2019-08-09 |
CN110109750B true CN110109750B (zh) | 2023-08-18 |
Family
ID=67485020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910264553.0A Active CN110109750B (zh) | 2019-04-03 | 2019-04-03 | 虚拟资源获取方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110109750B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112416309B (zh) * | 2019-08-20 | 2023-04-11 | 中移(苏州)软件技术有限公司 | 一种信息生成方法、终端和计算机可读存储介质 |
CN111178064B (zh) * | 2019-12-13 | 2022-11-29 | 深圳平安医疗健康科技服务有限公司 | 基于字段分词处理的信息推送方法、装置和计算机设备 |
CN111461825B (zh) * | 2020-03-30 | 2024-04-09 | 京东科技控股股份有限公司 | 一种虚拟资源的生成方法、装置、电子设备及存储介质 |
CN112000330B (zh) * | 2020-07-15 | 2023-12-22 | 北京百度网讯科技有限公司 | 建模参数的配置方法、装置、设备和计算机存储介质 |
CN116681454A (zh) * | 2023-05-25 | 2023-09-01 | 北京阿帕科蓝科技有限公司 | 虚拟资源配比策略生成方法、装置、计算机设备和存储介质 |
CN117132399A (zh) * | 2023-10-25 | 2023-11-28 | 广州捷晨教育科技有限公司 | 应用于元宇宙的资源管理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017045472A1 (zh) * | 2015-09-16 | 2017-03-23 | 华为技术有限公司 | 资源预测方法、系统和容量管理装 |
CN108573428A (zh) * | 2018-03-07 | 2018-09-25 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法和装置 |
CN109165840A (zh) * | 2018-08-20 | 2019-01-08 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
-
2019
- 2019-04-03 CN CN201910264553.0A patent/CN110109750B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017045472A1 (zh) * | 2015-09-16 | 2017-03-23 | 华为技术有限公司 | 资源预测方法、系统和容量管理装 |
CN108573428A (zh) * | 2018-03-07 | 2018-09-25 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法和装置 |
CN109165840A (zh) * | 2018-08-20 | 2019-01-08 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
Non-Patent Citations (1)
Title |
---|
多虚拟业务平面中的动态资源分配算法;曲桦;王贺男;赵季红;;北京邮电大学学报(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110109750A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110109750B (zh) | 虚拟资源获取方法、装置、计算机设备和存储介质 | |
CN108768728B (zh) | 运维任务处理方法、装置、计算机设备和存储介质 | |
KR102447160B1 (ko) | 물류 창고의 임대 신청에 따른 물류 창고 배정 서비스 제공 방법 및 장치 | |
US20180225391A1 (en) | System and method for automatic data modelling | |
US11416754B1 (en) | Automated cloud data and technology solution delivery using machine learning and artificial intelligence modeling | |
CN108804133B (zh) | 虚拟资源的获取方法、系统、计算机设备和存储介质 | |
US11514347B2 (en) | Identifying and remediating system anomalies through machine learning algorithms | |
US20190057320A1 (en) | Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure | |
CN110991649A (zh) | 深度学习模型搭建方法、装置、设备和存储介质 | |
CN108809718B (zh) | 基于虚拟资源的网络访问方法、系统、计算机设备和介质 | |
CN111563220A (zh) | 业务网站项目构建方法、装置、计算机设备和存储介质 | |
CN115244552A (zh) | 自我优化的标注平台 | |
EP4024203A1 (en) | System performance optimization | |
US10114636B2 (en) | Production telemetry insights inline to developer experience | |
CN108764553B (zh) | 用户规模预测方法、装置及计算机设备 | |
da Silva et al. | Online machine learning for auto-scaling in the edge computing | |
CN112379913A (zh) | 基于风险识别的软件优化方法、装置、设备及存储介质 | |
CN111768246A (zh) | 一种数据处理方法、模型建立方法、装置及电子设备 | |
US11200284B1 (en) | Optimization of feature embeddings for deep learning models | |
CN112052171B (zh) | 测试报文处理方法、装置、计算机设备及存储介质 | |
CN114116761A (zh) | 变量加工方法、装置、计算机设备和存储介质 | |
CN111061875A (zh) | 超参数确定方法、装置、计算机设备和存储介质 | |
US20240193538A1 (en) | Temporal supply-related forecasting using artificial intelligence techniques | |
US20220398433A1 (en) | Efficient Cross-Platform Serving of Deep Neural Networks for Low Latency Applications | |
US20230117893A1 (en) | Machine learning techniques for environmental discovery, environmental validation, and automated knowledge repository generation |
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 |