CN110515956B - 序列号获取方法、装置、系统、电子设备及存储介质 - Google Patents

序列号获取方法、装置、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN110515956B
CN110515956B CN201910822523.7A CN201910822523A CN110515956B CN 110515956 B CN110515956 B CN 110515956B CN 201910822523 A CN201910822523 A CN 201910822523A CN 110515956 B CN110515956 B CN 110515956B
Authority
CN
China
Prior art keywords
block
time
serial number
serial
sequence
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
Application number
CN201910822523.7A
Other languages
English (en)
Other versions
CN110515956A (zh
Inventor
李远东
毛淑平
万旭
阮文浩
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN201910822523.7A priority Critical patent/CN110515956B/zh
Publication of CN110515956A publication Critical patent/CN110515956A/zh
Application granted granted Critical
Publication of CN110515956B publication Critical patent/CN110515956B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22Indexing; Data structures therefor; Storage structures
    • G06F16/2228Indexing structures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种序列号获取方法、装置、系统、电子设备及存储介质,其中,该方法包括:监控并获取序列号缓存队列中的块数量,其中,每个块包含多个序列号;响应于块数量小于等于预定值,根据基于数据学习处理得到的序列号数量预测结果来确定所属应用服务器在预定时间内的所需序列号数量;根据所需序列号数量向预定数据库请求获取相应数量的序列号;接收来自预定数据库的包含所述相应数量的序列号的新的块,并将新的块添加到所述序列号缓存队列中,以便于所属应用服务器使用序列号。本发明可以通过确定预定时间内的所需序列号数量来控制缓存大小,并且可以实现高业务量、高并发的分布式系统序列号的获取使用。

Description

序列号获取方法、装置、系统、电子设备及存储介质
技术领域
本发明涉及数据处理领域,具体涉及一种序列号获取方法、装置、系统、电子设备及存储介质。
背景技术
在金融业务场景中,特别是涉及跨金融机构的交易场景,例如跨行支付,各机构之间需要通过交易流水号实现一笔交易的唯一性确定,从而实现对交易核对、状态查询、可疑确认等关键功能。对于金融业务场景而言,对序列号发生器生成的序列号要求较高,序列号要求在有界范围、高安全、不可重复以及高性能。
对于采用传统集中式数据库,例如DB2(一种数据库管理系统)或Oracle(甲骨文公司的一种数据库管理系统)数据库的应用系统大多通过数据库本身的序列号发生器功能来生成序列号。然而,该方式存在如下两方面的问题:一方面,无法实现全局序列号分配,出现序列号重复发生的金融生产事故时有发生;另一方面,对于例如使用mysql(一种数据库管理系统)数据库的分布式系统,由于mysql数据库本身无序列号发生器功能而无法生成序列号。
发明内容
有鉴于此,本发明提供一种序列号获取方法、装置、系统、电子设备及存储介质,以解决上述提及的至少一个问题。
根据本发明的第一方面,提供一种序列号获取方法,所述方法包括:监控并获取序列号缓存队列中的块数量,其中,每个块包含多个序列号;响应于所述块数量小于等于预定值,根据基于数据学习处理得到的序列号数量预测结果来确定所属应用服务器在预定时间内的所需序列号数量;根据所述所需序列号数量向预定数据库请求获取相应数量的序列号;接收来自所述预定数据库的包含所述相应数量的序列号的新的块,并将所述新的块添加到所述序列号缓存队列中,以便于所述所属应用服务器使用序列号。
根据本发明的第二方面,提供一种序列号获取装置,所述装置包括:监控单元,用于监控并获取序列号缓存队列中的块数量,其中,每个块包含多个序列号;序列号数量确定单元,用于响应于所述块数量小于等于预定值,根据基于数据学习处理得到的序列号数量预测结果来确定所属应用服务器在预定时间内的所需序列号数量;序列号请求发送单元,用于根据所述所需序列号数量向预定数据库发送获取相应数量序列号的请求;块接收单元,用于接收来自所述预定数据库的包含所述相应数量序列号的新的块;块添加单元,用于将所述新的块添加到所述序列号缓存队列中,以便于所述所属应用服务器使用序列号。
根据本发明的第三方面,提供序列号获取系统,所述系统包括:上述的序列号获取装置、以及预定数据库,其中,所述预定数据库用于生成多个序列号,所述预定数据库包括:请求接收单元,用于接收来自所述序列号获取装置的获取序列号的请求,所述请求中包含请求获取序列号的数量;序列号生成单元,用于基于锁机制生成与所述请求相应数量的序列号;块构成单元,用于将生成的与所述请求相应数量的序列号构成块;块发送单元,用于将构成的块发送至所述序列号获取装置。
根据本发明的第四方面,提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述序列号获取方法的步骤。
根据本发明的第五方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述序列号获取方法的步骤。
由上述技术方案可知,通过监控序列号缓存队列中的序列号块数量,以及预先根据基于数据学习处理得到的序列号数量预测结果来确定预定时间内的所需序列号数量,可以及时从预定数据库获取所需数量的序列号,以便于所属应用服务器使用序列号。相比于现有技术中的序列号生成方案,本发明实施例可以通过确定预定时间内的所需序列号数量来控制缓存大小,并且可以解决高业务量、高并发的分布式系统序列号的获取使用问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是根据本发明实施例的序列号获取方法的流程图;
图2是根据本发明实施例的序列号缓存机制示意图;
图3是根据本发明实施例的确定序列号数量预测结果的工作原理图;
图4是单个应用服务器的时间和序列号数量消耗曲线示意图;
图5是基于图4所示的原始曲线进行时间序列分解处理得到的趋势分量、周期分量、以及噪声分量的曲线示意图;
图6是根据本发明实施例的业务处理线程获取序列号的流程图;
图7是根据本发明实施例的从数据库获取序列号缓存机制的流程图;
图8是根据本发明实施例的序列号防过期机制的流程图;
图9是根据本发明实施例的序列号获取系统的结构框图;
图10是根据本发明实施例的预定数据库2的结构框图;
图11是根据本发明实施例的序列号获取装置1的结构框图;
图12是根据本发明实施例的序列号获取装置1的详细结构框图;
图13是根据本发明实施例的序列号数量预测单元16的结构框图;
图14是根据本发明实施例的序列号数量预测结果确定模块162的结构框图;
图15是根据本发明实施例的电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整的描述,显然,所描述的实施例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作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。
鉴于现有技术中的应用集中式数据库系统生成序列号方案,虽然可以应用本身的集中式数据库生成序列号,然而,生成的序列号无法实现全局序列号分配,还会出现序列号重复的问题;而对于分布式系统,其采用的如mysql(关系型数据库管理系统)这类数据库本身无法生成序列号。对于高业务量和高并发的金融业务场景来说,目前的序列号生成方案无法满足金融业务场景的需求。
基于此,本发明实施例提供一种金融级安全、高可用、高性能的序列号生成方案,以满足金融业务场景的需求。
图1是根据本发明实施例的序列号获取方法的流程图,如图1所示,所述方法包括:
步骤101,监控并获取序列号缓存队列中的块数量,其中,每个块包含多个序列号;
步骤102,响应于所述块数量小于等于预定值,根据基于数据学习处理得到的序列号数量预测结果来确定所属应用服务器在预定时间内的所需序列号数量;
步骤103,根据所述所需序列号数量向预定数据库请求获取相应数量的序列号;
步骤104,接收来自所述预定数据库的包含所述相应数量序列号的新的块,并将所述新的块添加到所述序列号缓存队列中,以便于所述所属应用服务器使用序列号。
通过监控序列号缓存队列中的序列号块数量,以及预先根据基于数据学习处理得到的序列号数量预测结果来确定预定时间内的所需序列号数量,可以及时从预定数据库获取所需数量的序列号,以便于所属应用服务器使用序列号。相比于现有技术中的序列号生成方案,本发明实施例可以通过确定预定时间内的所需序列号数量来控制缓存大小,并且可以解决高业务量、高并发的分布式系统序列号的获取使用问题。
在实际操作中,系统中的所有应用服务器均往预定数据库申请N个序列号块,每个序列号块大小为T,分别组成各自的一个序号块链,序号块大小表示序列号块里面包含多少个可供使用的序列号,如一个块包含1000个序号,那么T就是1000。本发明实施例涉及到的序列号可以是递增的一组数字,例如,00000001,00000002等,可以作为交易流水号应用于金融交易中。
图2是序列号缓存机制示意图,如图2所示,各应用服务器的业务处理线程对序列号块依次进行消耗,如一个序列号块消耗完毕,则从链中获取下一个序列号块进行使用。如步骤101所述,监控线程负责观察序列号链的剩余情况,如超过某个百分比或者剩余的块数量小于等于预定值(例如,2),则从预定数据库中获取新的序列号块,以便于所属应用服务器获取使用。
在一个实施例中,基于数据学习处理得到序列号数量预测结果包括:获取所述所属应用服务器的使用序列号的历史数据;根据所述历史数据进行数据学习处理以得到时间与业务量的对应关系,其中,所述业务量与使用的序列号数量相关联;根据所述时间与业务量的对应关系确定序列号数量预测结果。
图3是根据本发明实施例的基于数据学习处理确定序列号数量预测结果的工作原理图,如图3所示,周期性(例如,每分钟)获取分布式系统中不同节点(图3中显示了3个节点)的消耗序列号的数量。具体而言,每一个节点可以设置序列号获取模块,用于进行序列号消耗的统计,生成包括“当前节点名”、“时刻(精确到分钟)”、“消耗序列号量”的数据。
将以上收集到的数据,通过异步消息队列(例如,Kafka消息队列),推送至数据学习服务器。数据学习服务器从Kafka消息队列中获取以上数据,即可汇总成为一个时序图。每一天的数据包含当天所有时刻(精确到分钟)的所有数据,收集最近M天的数据,M为大于等于1的正整数,就可以为每台应用服务器建立一个如图4所示的包含最近历史M日的数据时序图。根据最近M天的数据进行数据学习训练,得到的训练结果,即序列号数量预测结果。之后,将学习和拟合的结果进行存储,以供后续的预测使用。
参见图4所示的单个应用服务器的时间和序列号数量消耗曲线,横坐标为时间(精确到分钟),纵坐标为每分钟业务量,单位是笔。可以发现如下规律:第一,每一天不同时段的序列号消耗量曲线形状基本相似,这和系统的业务量是正相关的;第二,随着业务量增长或业务量减少(图中所示为增长),存在着一个向上或向下的趋势;第三,在规律之外,还存在着一定量的随机噪声。
在一个实施例中,时间与业务量的对应关系以曲线形式表示,可以对时间与业务量的对应关系曲线进行时间序列分解处理,以得到时间与业务量的趋势分量和周期分量,这里的趋势分量、周期分量分别以曲线形式表示;之后,根据时间与业务量的趋势分量和周期分量确定所述序列号数量预测结果。
图5是基于图4所示的原始曲线进行时间序列分解处理得到的趋势分量(也可以称为趋势项(trend))、周期分量(也可以称为季节项(Seasonal))、以及噪声分量(也可以称为余项(remainder,或者residual))三个曲线图,其中,原始曲线(Observed)是指未分解前的原始曲线(也就是图4所示的部分曲线),X轴为时间,例如,6月21中午12点,6月22日0点等。在该实施例中,时间序列分解采用的是STL(Seasonal and Trend decomposition usingLoess)分解法,该STL分解法是数值分析中一种时序分解的算法。
趋势分量,代表了原始曲线的总体变化趋势,即,描绘了业务量的变化,在本图中,可以看到业务量有一个缓慢向上增长的趋势,因而,基于STL分解得到的趋势分量为一个不断向上的曲线。
周期分量,概括了每一个周期的相同模式,在本图中周期为天。每一天中不同的时刻,根据业务量的高峰期和低谷期,都有着相似的曲线。具体而言,周期分量表示了原始曲线中有规律的循环部分,比如,一天中哪几个时间段业务量高,哪几个时间段业务低,每天的模式都是基本相同的,把这些相同的模式单独提取出来就是周期分量。
噪声分量,是除季节项、趋势项之外的噪声,也是干扰项。在实际操作中,由于现实生活的随机性,业务量不可能都是十分平滑的。有可能以往每天10点都是业务量的高峰期,比如40000笔,但是某天出现了某个事件,部分用户在10点都去处理别的事情了,没有办理业务,变成了38000笔,那么体现在曲线上就是不符合规律的一个噪声(曲线有一个点比规律值低了);或者由于网络的抖动等,也有可能产生噪声。把这种随机性噪声分离出来,就不会影响总体的规律。
去除噪声分量之后,可以根据趋势分量和周期分量,代入当前的日期时间,预测出未来任意时刻的每分钟序列号消耗数值(C)。具体计算方式如下:
根据趋势分量曲线的第一点(对应的X轴值为T1,Y轴值为R1)和最后一点(对应的X轴值为T2,Y轴值为R2),用以下公式得出趋势分量曲线的变化速度:
trendRate=(R2-R1)/(T2-T1);
设置需要预测的时刻Tn,则预测Tn点对应的趋势分量为:
Rn=R2+((Tn-T2)×trendRate);
取需要预测的时刻Tn在一天中的时刻tn,代入到周期分量(Sn)中,得到对应时刻的周期分量。Tn表示需要预测的时刻,如2019-12-12 08:30,tn表示一天中的时刻08:30。Sn表示为将Tn代入周期分量(在周期分量中,每天同一时刻对应的Y轴值是相同的)曲线得出的Y轴值。
最终,得出Tn时刻的所需序列号数量的预测值为趋势分量和周期分量的和,即:C=Rn+Sn。
根据预测值(C),将每台应用服务器的序列号缓存获取参数进行修正以确定获取序列号的数量,该序列号缓存获取参数用于指示预测获取序列号的数量。例如,未来N分钟的所需序列号数量的预测值分别是C1,C2……Cn,则按照预测值申请序列号块,组成序列号链,供应用程序使用。详细描述如下:
计算未来N分钟的预测值C1、C2……Cn,其中,N为大于小于1的正整数,N为预先设定的参数值,N越小,则可保证序列号浪费越少,但访问数据库的频率也会更频繁。假设N为5,则预测未来5分钟的序列号量为C_sum=C1+C2+C3+C4+C5。
从数据库申请获取序列号块,在目前的序列号获取方案中,序列号块大小固定(例如,固定为1000)。而在本发明实施例中,可以根据预测值来确定序列号块大小,为C_sum,之后将获取的大小为C_sum的序列号块添加到序列号链中,以供应用程序使用。
通过上述根据基于数据学习处理得到的序列号数量预测值来向数据库获取序列号,并基于此来确定序列号块大小,可以保证较高的序列号资源利用率,同时也可以控制缓存的大小。
在一个实施例中,可以为业务处理线程设置序号发生装置,用于生成序列号所属的序号,例如,在一个块中,序列号00000001的序号为1,序列号00000002的序号为2。
图6是根据本发明实施例的业务处理线程获取序列号的流程图,如图6所示,该流程包括:
步骤601,业务处理线程调用序号发生装置,获取序列号链首的第一个块中的序列号段;
步骤602,如获取成功,则将块中剩余序列号段(可以简称为块段)中的序号最小值+1,生成的块段中序号使用原子数据类型(AtomicLong)存储,以保证线程安全;
步骤603,如果生成的块段中序号最小值等于块段中序号最大值时,说明此块段已消耗完,即,该块中的序列号已全部被使用,将该块从序列号链中移除;
步骤604,继续使用下一个块,获取下一个块中的序列号并返回序号给业务处理线程。
在一个实例中,假如序列号链中有3个序列号块,第一个块大小为800(范围1-800),第二个块大小为1000(801-1800),第三个块大小为1200(1801-3000)。对于第一个块大小为800,假设已使用了100,则当前序号最小值为100,最大值为800。根据步骤602,将当前序号最小值+1,100+1=101,将获取到的序号101返回给业务处理线程。随着不断获取,最小值不断增加,当最小值变为800时,说明此块段已消耗完,则将第一个块从序列号链中移除。之后,将从第二个块(大小为1000那个块)开始获取序列号并生成序号。
图7是根据本发明实施例的从数据库获取序列号缓存机制的流程图,如图7所示,该流程包括:
步骤701,周期性监控序列号缓存队列,检测判断当前序列号块剩余量;
步骤702,当剩余量低于预设阈值(例如,2)时,根据基于数据学习处理得到的序列号数量预测值来预测预定时间内所需的序列号数量,并由此可以确定块的大小;
步骤703,连接数据库获取序列号段,使用数据库锁机制防止重复获取;
步骤704,将获取的序列号段构成的块添加到序列号链末尾,使用同步代码块保证线程安全。
通过监控序列号缓存队列,可以实现序列号的预取缓存,以保证应用服务器及时获取使用序列号。
在一个实例中,周期性(例如,每隔1秒)监控序列号缓存队列,查看当前序列号链中序列号块的剩余数量。基于上述实例,总共3个序号块,当消耗完1个块时,还剩下2个块。假设,当前设置的预定阈值为2,则当前已经达到获取序列号的阈值,则基于序列号数量预测值来获取所需序列号数量(C)。连接数据库获取序列号段,使用行锁锁住特定序列号表(此时,当其他应用服务器同时访问数据库此记录,则会等待),之后更新(update)数据库,将序列号块加到序列号链末尾。
在金融业务场景中,某些序列号存在一定有效期限的特性。在本发明实施例中,通过为序列号块设置有效时间,来实现序列号的防过期机制。
图8是根据本发明实施例的序列号防过期机制的流程图,如图8所示,该流程包括:
步骤801,根据序列号缓存队列中序列号块的申请时间,周期性判断序列号块是否过期;
步骤802,如过期,则丢弃序列号块,将序列号块从序列号链中移除;
步骤803,连接数据库,为移除的序列号段重新申请获取新的序列号块,使用数据库锁机制防止重复获取;
步骤804,将新的序列号块添加至序列号链末尾,使用同步代码块保证线程安全。
在一个实例中,假如设置序列号块的过期时间为“1天”,将申请获取序列号块中记录的“申请时间”,和当前时间进行比较。如果“申请时间”是1天之前的,那么说明此序列号块已经过期。从序号链中,将此序列号块移除。之后,可以从数据库获取新的序列号块,添加到链末尾。
本发明实施例通过根据历史数据,对分布式不同的集群、应用服务器的序列号消耗曲线进行学习和预测,可以提高序列号资源利用率,并且还提供了完备的异常监控能力,可以解决高业务量、高并发的分布式系统的序列号获取问题。
本发明实施例还提供一种序列号获取系统,如图9所示,该系统包括序列号获取装置1、以及预定数据库2,其中,序列号获取装置1优选地用于实现上述方法实施例中的方法,预定数据库2用于生成多个序列号,便于序列号获取装置1获取序列号,以供应用系统使用。
图10是预定数据库2的结构框图,如图10所示,预定数据库2包括:请求接收单元21、序列号生成单元22、块构成单元23和块发送单元24,其中:
请求接收单元21,用于接收来自所述序列号获取装置的获取序列号的请求,所述请求中包含请求获取序列号的数量;
序列号生成单元22,用于基于锁机制生成与所述请求相应数量的序列号;
块构成单元23,用于将生成的与所述请求相应数量的序列号构成块;
块发送单元24,用于将构成的块发送至所述序列号获取装置。
序列号生成单元22通过使用锁机制,可以防止序列号被重复生成和获取,以克服现有技术中的集中式数据库生成的序列号出现序列号重复的问题。
图11是序列号获取装置1的结构框图,如图11所示,该序列号获取装置1包括:监控单元11、序列号数量确定单元12、序列号请求发送单元13、块接收单元14和块添加单元15,其中:
监控单元11,用于监控并获取序列号缓存队列中的块数量,其中,每个块包含多个序列号;
序列号数量确定单元12,用于响应于所述块数量小于等于预定值,根据基于数据学习处理得到的序列号数量预测结果来确定所属应用服务器在预定时间内的所需序列号数量;
序列号请求发送单元13,用于根据所述所需序列号数量向预定数据库发送获取相应数量序列号的请求;
块接收单元14,用于接收来自所述预定数据库的包含所述相应数量序列号的新的块;
块添加单元15,用于将所述新的块添加到所述序列号缓存队列中,以便于所述所属应用服务器使用序列号。优选地,序列号缓存队列中的块可以构成链,则块添加单元将所述新的块添加到链尾。
通过监控单元11监控序列号缓存队列中的序列号块数量,以及序列号数量确定单元12根据基于数据学习处理得到的序列号数量预测结果来确定预定时间内的所需序列号数量,块接收单元14可以及时从预定数据库获取所需数量的序列号,以便于所属应用服务器使用序列号。相比于现有技术中的序列号生成方案,本发明实施例可以通过确定预定时间内的所需序列号数量来控制缓存大小,并且可以解决高业务量、高并发的分布式系统序列号的获取使用问题。
如图12所示,序列号获取装置1还包括:序列号数量预测单元16,用于基于数据学习处理确定序列号数量预测结果。
图13是序列号数量预测单元16的结构框图,如图13所示,序列号数量预测单元16具体包括:历史数据获取模块161、时间业务量关系确定模块162和序列号数量预测结果确定模块163,其中:
历史数据获取模块161,用于获取所述所属应用服务器的使用序列号的历史数据;
时间业务量关系确定模块162,用于根据所述历史数据进行数据学习处理以得到时间与业务量的对应关系,其中,所述业务量与使用的序列号数量相关联;
序列号数量预测结果确定模块163,用于根据所述时间与业务量的对应关系确定序列号数量预测结果。
优选地,时间与业务量的对应关系以曲线形式表示,如图14所示,序列号数量预测结果确定模块162具体包括:时序分解处理子模块1621和序列号数量预测结果确定子模块1622,其中:
时序分解处理子模块1621,用于对所述时间与业务量的对应关系曲线进行时间序列分解处理,以得到时间与业务量的趋势分量和周期分量,该趋势分量和周期分量以曲线形式表示;这里的时间序列分解处理可以优选地采用STL分解法。
序列号数量预测结果确定子模块1622,用于根据时间与业务量的趋势分量和周期分量确定所述序列号数量预测结果。
具体地,预计时刻Tn对应的趋势分量(Rn)可以通过如下公式确定:
Rn=R2+((Tn-T2)×trendRate),其中,trendRate为趋势分量曲线的变化速度,trendRate通过如下公式确定:
trendRate=(R2-R1)/(T2-T1),其中,T1为所述趋势分量曲线第一点对应的X轴值,R1为所述趋势分量曲线第一点对应的Y轴值,T2为所述趋势分量曲线最后一点对应的X轴值,R2为所述趋势分量曲线最后一点对应的Y轴值。
而时刻Tn对应的周期分量(Sn)可以通过周期分量曲线的Y轴值确定。
之后,序列号数量预测结果确定子模块1622对所述时间与业务量的趋势分量和周期分量执行加操作来确定所述序列号数量预测结果。
本发明实施例通过上述序列号数量预测单元16根据历史数据,对分布式不同的集群、应用服务器的序列号消耗曲线进行学习和预测得到预定时间内的序列号数量预测值,以此从数据库中获取序列号,这可以提高序列号资源利用率,控制系统缓存大小。
继续参见图12,序列号获取装置1还包括:块移除单元17、块申请时间获取单元18、和块过期确定单元19,其中:
块移除单元17,用于响应于当前块中的序列号已全部被使用,移除所述当前块;
块申请时间获取单元18,用于获取块的申请时间;
块过期确定单元19,用于响应于块的申请时间超过预定过期时间,确定该块已过期,并移除该过期的块。
本发明实施例提供了完备的异常监控能力,可以及时移除已用完的块或者过期的块,从而可以实现高业务量、高并发的分布式系统的序列号快速准确的获取。
在实际操作中,上述各单元、各模块、各子模块可以单一设置、也可以合一设置,本发明不限于此。
具体地上述各单元、各模块、各子模块的执行功能,可以参见上述方法实施例的描述,此处不再赘述。
图15是根据本发明实施例的电子设备的示意图。图15所示的电子设备为通用数据处理装置,其包括通用的计算机硬件结构,其至少包括处理器1501和存储器1502。处理器1501和存储器1502通过总线1503连接。存储器1502适于存储处理器1501可执行的一条或多条指令或程序。该一条或多条指令或程序被处理器1501执行以实现上述序列号获取方法中的步骤。
上述处理器1501可以是独立的微处理器,也可以是一个或者多个微处理器集合。由此,处理器1501通过执行存储器1502所存储的命令,从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其他装置的控制。总线1503将上述多个组件连接在一起,同时将上述组件连接到显示控制器1504和显示装置以及输入/输出(I/O)装置1505。输入/输出(I/O)装置1505可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地,输入/输出(I/O)装置1505通过输入/输出(I/O)控制器1506与系统相连。
其中,存储器1502可以存储软件组件,例如操作系统、通信模块、交互模块以及应用程序。以上所述的每个模块和应用程序都对应于完成一个或多个功能和在发明实施例中描述的方法的一组可执行程序指令。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时以实现上述序列号获取方法的步骤。
综上所述,本发明实施例通过研究以及应用实践,提出一种金融级安全、高可用、高性能的分布式序列号获取方案,通过收集历史序列号获取量和时间轴的对应曲线,采用STL方法对曲线进行分解,自动预测应用服务器未来一段时间对序列号资源的需求量,以此来控制缓存的大小,既保证了序列号的获取速度,又保证了序列号资源的合理使用。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
本说明书实施例中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
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(flash RAM)。内存是计算机可读介质的示例。
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暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书实施例的实施例而已,并不用于限制本说明书实施例。对于本领域技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施例的权利要求范围之内。

Claims (15)

1.一种序列号获取方法,其特征在于,所述方法包括:
监控并获取序列号缓存队列中的块数量,其中,每个块包含多个序列号;
响应于所述块数量小于等于预定值,根据基于数据学习处理得到的序列号数量预测结果来确定所属应用服务器在预定时间内的所需序列号数量;
根据所述所需序列号数量向预定数据库请求获取相应数量的序列号;
接收来自所述预定数据库的包含所述相应数量的序列号的新的块,并将所述新的块添加到所述序列号缓存队列中,以便于所述所属应用服务器使用序列号;
其中,基于数据学习处理确定序列号数量预测结果包括:
获取所述所属应用服务器的使用序列号的历史数据;
根据所述历史数据进行数据学习处理以得到时间与业务量的对应关系,其中,所述业务量与使用的序列号数量相关联,所述时间与业务量的对应关系以曲线形式表示;
对所述时间与业务量的对应关系曲线进行时间序列分解处理,以得到时间与业务量的趋势分量和周期分量;
根据时间与业务量的趋势分量和周期分量确定所述序列号数量预测结果。
2.根据权利要求1所述的序列号获取方法,其特征在于,所述趋势分量、所述周期分量分别以曲线形式表示,其中,时刻Tn对应的趋势分量Rn通过如下公式确定:
Rn=R2+((Tn-T2)×trendRate),其中,trendRate为趋势分量曲线的变化速度,trendRate通过如下公式确定:
trendRate=(R2-R1)/(T2-T1),其中,T1为所述趋势分量曲线第一点对应的X轴值,R1为所述趋势分量曲线第一点对应的Y轴值,T2为所述趋势分量曲线最后一点对应的X轴值,R2为所述趋势分量曲线最后一点对应的Y轴值;
时刻Tn对应的周期分量Sn通过周期分量曲线的Y轴值确定。
3.根据权利要求2所述的序列号获取方法,其特征在于,根据时间与业务量的趋势分量和周期分量确定所述序列号数量预测结果包括:
对所述时间与业务量的趋势分量和周期分量执行加操作来确定所述序列号数量预测结果。
4.根据权利要求1所述的序列号获取方法,其特征在于,所述方法还包括:
响应于当前块中的序列号已全部被使用,移除所述当前块。
5.根据权利要求1所述的序列号获取方法,其特征在于,所述方法还包括:
获取块的申请时间;
响应于块的申请时间超过预定过期时间,确定该块已过期,并移除该过期的块。
6.根据权利要求1所述的序列号获取方法,其特征在于,所述序列号缓存队列中的块构成链,将所述新的块添加到所述序列号缓存队列中包括:
将所述新的块添加到链尾。
7.一种序列号获取装置,其特征在于,所述装置包括:
监控单元,用于监控并获取序列号缓存队列中的块数量,其中,每个块包含多个序列号;
序列号数量确定单元,用于响应于所述块数量小于等于预定值,根据基于数据学习处理得到的序列号数量预测结果来确定所属应用服务器在预定时间内的所需序列号数量;
序列号请求发送单元,用于根据所述所需序列号数量向预定数据库发送获取相应数量序列号的请求;
块接收单元,用于接收来自所述预定数据库的包含所述相应数量序列号的新的块;
块添加单元,用于将所述新的块添加到所述序列号缓存队列中,以便于所述所属应用服务器使用序列号;
序列号数量预测单元,用于基于数据学习处理确定序列号数量预测结果,
其中,所述序列号数量预测单元包括:
历史数据获取模块,用于获取所述所属应用服务器的使用序列号的历史数据;
时间业务量关系确定模块,用于根据所述历史数据进行数据学习处理以得到时间与业务量的对应关系,其中,所述业务量与使用的序列号数量相关联,所述时间与业务量的对应关系以曲线形式表示;
序列号数量预测结果确定模块,用于根据所述时间与业务量的对应关系确定序列号数量预测结果,其中,所述序列号数量预测结果确定模块包括:
时序分解处理子模块,用于对所述时间与业务量的对应关系曲线进行时间序列分解处理,以得到时间与业务量的趋势分量和周期分量;
序列号数量预测结果确定子模块,用于根据时间与业务量的趋势分量和周期分量确定所述序列号数量预测结果。
8.根据权利要求7所述的序列号获取装置,其特征在于,所述时序分解处理子模块得到的趋势分量、周期分量分别以曲线形式表示,所述趋势分量、所述周期分量通过如下方式确定:
时刻Tn对应的趋势分量Rn通过如下公式确定:
Rn=R2+((Tn-T2)×trendRate),其中,trendRate为趋势分量曲线的变化速度,trendRate通过如下公式确定:
trendRate=(R2-R1)/(T2-T1),其中,T1为所述趋势分量曲线第一点对应的X轴值,R1为所述趋势分量曲线第一点对应的Y轴值,T2为所述趋势分量曲线最后一点对应的X轴值,R2为所述趋势分量曲线最后一点对应的Y轴值;
时刻Tn对应的周期分量Sn通过周期分量曲线的Y轴值确定。
9.根据权利要求8所述的序列号获取装置,其特征在于,所述序列号数量预测结果确定子模块具体用于:
对所述时间与业务量的趋势分量和周期分量执行加操作来确定所述序列号数量预测结果。
10.根据权利要求7所述的序列号获取装置,其特征在于,所述装置还包括:
块移除单元,用于响应于当前块中的序列号已全部被使用,移除所述当前块。
11.根据权利要求7所述的序列号获取装置,其特征在于,所述装置还包括:
块申请时间获取单元,用于获取块的申请时间;
块过期确定单元,用于响应于块的申请时间超过预定过期时间,确定该块已过期,并移除该过期的块。
12.根据权利要求7所述的序列号获取装置,其特征在于,所述序列号缓存队列中的块构成链,所述块添加单元具体用于:
将所述新的块添加到链尾。
13.一种序列号获取系统,其特征在于,所述系统包括:权利要求7-12中任一项所述的序列号获取装置、以及预定数据库,其中,所述预定数据库用于生成多个序列号,所述预定数据库包括:
请求接收单元,用于接收来自所述序列号获取装置的获取序列号的请求,所述请求中包含请求获取序列号的数量;
序列号生成单元,用于基于锁机制生成与所述请求相应数量的序列号;
块构成单元,用于将生成的与所述请求相应数量的序列号构成块;
块发送单元,用于将构成的块发送至所述序列号获取装置。
14.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至6中任一项所述序列号获取方法的步骤。
15.一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,该计算机程序被处理器执行时实现权利要求1至6中任一项所述序列号获取方法的步骤。
CN201910822523.7A 2019-09-02 2019-09-02 序列号获取方法、装置、系统、电子设备及存储介质 Active CN110515956B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910822523.7A CN110515956B (zh) 2019-09-02 2019-09-02 序列号获取方法、装置、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910822523.7A CN110515956B (zh) 2019-09-02 2019-09-02 序列号获取方法、装置、系统、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN110515956A CN110515956A (zh) 2019-11-29
CN110515956B true CN110515956B (zh) 2022-03-25

Family

ID=68630224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910822523.7A Active CN110515956B (zh) 2019-09-02 2019-09-02 序列号获取方法、装置、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN110515956B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112925787A (zh) * 2019-12-06 2021-06-08 中国电信股份有限公司 数据处理方法、装置和计算机可读存储介质
CN111124635A (zh) * 2019-12-06 2020-05-08 北京达佳互联信息技术有限公司 任务处理方法、装置、电子设备和存储介质
CN111340490A (zh) * 2020-02-24 2020-06-26 金蝶软件(中国)有限公司 交易凭证管理方法、数据处理系统及计算机存储介质
CN111796995B (zh) * 2020-06-30 2024-02-09 中国工商银行股份有限公司 基于集成学习的循环序列号使用量预警方法及系统
CN111949406A (zh) * 2020-08-13 2020-11-17 深圳市睿策者科技有限公司 编号资源的分配处理方法、装置、计算机和存储介质
CN112732760A (zh) * 2021-01-07 2021-04-30 泰康保险集团股份有限公司 分布式环境下报案号分配方法、服务器及存储介质
CN113239088A (zh) * 2021-04-12 2021-08-10 上海沐融信息科技有限公司 一种异步化可调节预取量的序号发生器获取方法及装置
CN112798963B (zh) * 2021-04-14 2021-07-09 杭州宇谷科技有限公司 基于时间序列的电池充电特性异常检测方法、装置及介质
CN112948399B (zh) * 2021-05-17 2021-08-03 太平金融科技服务(上海)有限公司深圳分公司 序列号生成方法、装置、计算机设备和存储介质
CN113468140B (zh) * 2021-06-30 2023-04-07 上海掌门科技有限公司 数据迁移处理方法、电子设备及计算机可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7089356B1 (en) * 2002-11-21 2006-08-08 Oracle International Corporation Dynamic and scalable parallel processing of sequence operations
CN105245367A (zh) * 2015-10-08 2016-01-13 北京搜狗科技发展有限公司 一种序列号生成方法及电子设备
CN106506663A (zh) * 2016-11-22 2017-03-15 北京科摩仕捷科技有限公司 一种号码分配方法、服务器及系统
CN107045445A (zh) * 2017-04-18 2017-08-15 北京思特奇信息技术股份有限公司 一种基于java链表生成分布式序列号的轻量级方法及系统
CN109597853A (zh) * 2018-10-22 2019-04-09 平安科技(深圳)有限公司 业务场景元素序列号生成方法、装置、介质和计算机设备
CN110096528A (zh) * 2019-04-12 2019-08-06 中国银行股份有限公司 一种分布式系统中生成序列的方法、装置及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9971645B2 (en) * 2016-08-23 2018-05-15 Seagate Technology Llc Auto-recovery of media cache master table data

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7089356B1 (en) * 2002-11-21 2006-08-08 Oracle International Corporation Dynamic and scalable parallel processing of sequence operations
CN105245367A (zh) * 2015-10-08 2016-01-13 北京搜狗科技发展有限公司 一种序列号生成方法及电子设备
CN106506663A (zh) * 2016-11-22 2017-03-15 北京科摩仕捷科技有限公司 一种号码分配方法、服务器及系统
CN107045445A (zh) * 2017-04-18 2017-08-15 北京思特奇信息技术股份有限公司 一种基于java链表生成分布式序列号的轻量级方法及系统
CN109597853A (zh) * 2018-10-22 2019-04-09 平安科技(深圳)有限公司 业务场景元素序列号生成方法、装置、介质和计算机设备
CN110096528A (zh) * 2019-04-12 2019-08-06 中国银行股份有限公司 一种分布式系统中生成序列的方法、装置及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Leaf--美团点评分布式ID生成系统;照东;《https://tech.meituan.com/2017/04/21/mt-leaf.html》;20170421;1-10 *
基于Redis的序列号服务(分布式id)的设计;carryxu123456;《https://blog.csdn.net/carryxu123456/article/details/82630029》;20180911;1-10 *

Also Published As

Publication number Publication date
CN110515956A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
CN110515956B (zh) 序列号获取方法、装置、系统、电子设备及存储介质
Li et al. Performance modeling and predictive scheduling for distributed stream data processing
Tsai et al. Using tabu search to schedule activities of stochastic resource-constrained projects
Herodotou et al. Profiling, what-if analysis, and cost-based optimization of mapreduce programs
JP5584780B2 (ja) データ収集方法、データ収集装置及びネットワーク管理デバイス
WO2021223451A1 (zh) 汽车生产动作数据采集方法、系统、装置和存储介质
Aouad et al. Performance study of distributed apriori-like frequent itemsets mining
CN107820611A (zh) 事件处理系统调页
Soumaya et al. Real-time data stream processing challenges and perspectives
US20170262773A1 (en) Method and system for generating a training model for fabricating synthetic data and for fabricating synthetic data
US7895247B2 (en) Tracking space usage in a database
Suthakar et al. Optimised lambda architecture for monitoring scientific infrastructure
Cai et al. Less provisioning: A hybrid resource scaling engine for long-running services with tail latency guarantees
CN117370058A (zh) 一种业务处理方法、装置、电子设备及计算机可读介质
Zhang et al. A novel hybrid model for docker container workload prediction
US11669498B2 (en) Facilitating exclusive local locks on a distributed file system
CN111723202B (zh) 一种舆情数据的处理装置、方法和系统
Wang et al. Mitigating bottlenecks in wide area data analytics via machine learning
Chhetri et al. CL-SLAM: Cross-layer SLA monitoring framework for cloud service-based applications
US8838414B2 (en) Determining when to create a prediction based on deltas of metric values
CN113032207A (zh) 应用进程的监控方法、装置、电子设备及存储介质
WO2013019201A1 (en) Incident handling
Rauscher et al. Virtual machine placement in predictable computing clouds
Renaux et al. Parallel gesture recognition with soft real-time guarantees
Saeedizade et al. I/O Burst Prediction for HPC Clusters using Darshan Logs

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