CN110910187A - 调控接单系统的方法和装置 - Google Patents
调控接单系统的方法和装置 Download PDFInfo
- Publication number
- CN110910187A CN110910187A CN201811073224.XA CN201811073224A CN110910187A CN 110910187 A CN110910187 A CN 110910187A CN 201811073224 A CN201811073224 A CN 201811073224A CN 110910187 A CN110910187 A CN 110910187A
- Authority
- CN
- China
- Prior art keywords
- load
- servers
- database
- production
- order
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- 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]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种调控接单系统的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:采用经过训练的模型,确定生产系统负载的计算值和数据库负载的计算值;若生产系统负载的计算值超出生产系统负载的预设阈值或数据库负载的计算值超出数据库负载的预设阈值,则采用所述经过训练的模型,确定消息缓存队列的期望数量和接单服务器的期望数量;将消息缓存队列的数量调整为所述消息缓存队列的期望数量,将接单服务器的数量调整为所述接单服务器的期望数量。该实施方式克服了现有技术中完全靠人为经验调整接单系统的技术问题,进而提高效率和准确率,并且可以实时根据当前订单量、生产系统的吞吐和负载能力动态调整接单系统吐出速率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种调控接单系统的方法和装置。
背景技术
为了应对急剧增长的订单量,提升订单消化能力,现有技术的接单系统采用异步接单的方式进行接单。异步接单方式在订单入口处使用消息缓存队列对订单进行缓存,随后吐出给订单生产系统。消息缓存队列接到订单后,匀速吐出订单的速率的大小直接影响到订单生产速度和订单生产系统的稳定性。消息缓存队列吐出速率的调整完全靠人为经验,对消息缓存队列数量和接单服务器数量进行人为预估和摸索性试验后,确定缓存队列数量和接单服务器数量。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
完全靠人为经验确定缓存队列数量和接单服务器数量的方法存在低效和不准确的缺点,并且数值确认后无法及时根据实际订单量和系统吞吐能力动态调整吐出速率。
发明内容
有鉴于此,本发明实施例提供一种调控接单系统的方法和装置,能够解决现有技术中完全靠人为经验确定缓存队列数量和接单服务器数量的问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种调控接单系统的方法,包括:采用经过训练的算法模型,根据接单系统参数的实时值和消息缓存队列的实时数量,确定生产系统负载的计算值和数据库负载的计算值;若生产系统负载的计算值超出生产系统负载的预设阈值或数据库负载的计算值超出数据库负载的预设阈值,则采用所述算法模型,根据生产系统负载的预设阈值和数据库负载的预设阈值,确定消息缓存队列的期望数量和接单服务器的期望数量;将消息缓存队列的数量调整为所述消息缓存队列的期望数量,将接单服务器的数量调整为所述接单服务器的期望数量。
可选地,采用经过训练的算法模型,根据接单系统参数的实时值和消息缓存队列的实时数量,确定生产系统负载的计算值和数据库负载的计算值之前,所述方法还包括:将采用支持向量机进行训练得到的支持向量机模型,或者,采用神经网络连续型分类器进行训练得到的神经网络模型作为所述算法模型;对所述算法模型进行训练。
可选地,采用经过训练的算法模型,根据接单系统参数的实时值和消息缓存队列的实时数量,确定生产系统负载的计算值和数据库负载的计算值之前,所述方法还包括:根据奥坎姆剃刀原理,对训练后得到的所述支持向量机模型或者神经网络模型中的导致过拟合的参数进行调整;将调整后的支持向量机模型或者神经网络模型作为所述算法模型。
可选地,所述算法模型的训练样本是由同步采集的接单系统参数的历史值、消息缓存队列的历史数量、生产系统负载的历史值和数据库负载的历史值组成。
可选地,所述接单系统参数包括接单服务器的数量、接单服务器系统负载、吐出速率、当前接单数量;所述生产系统负载包括生产服务器的数量、生产服务器CPU使用平均值、生产服务器内存使用平均值、生产服务器系统负载;所述数据库负载包括数据库服务器系统负载、数据库连接数、磁盘负载。
根据本发明实施例的另一个方面,提供了一种调控接单系统的装置,包括:监控模块,用于:采用经过训练的算法模型,根据接单系统参数的实时值和消息缓存队列的实时数量,确定生产系统负载的计算值和数据库负载的计算值;反馈模块,用于:若生产系统负载的计算值超出生产系统负载的预设阈值或数据库负载的计算值超出数据库负载的预设阈值,则采用所述算法模型,根据生产系统负载的预设阈值和数据库负载的预设阈值,确定消息缓存队列的期望数量和接单服务器的期望数量;调整模块,用于:将消息缓存队列的数量调整为所述消息缓存队列的期望数量,将接单服务器的数量调整为所述接单服务器的期望数量。
可选地,所述装置还包括训练模块,用于:将采用支持向量机进行训练得到的支持向量机模型,或者,采用神经网络连续型分类器进行训练得到的神经网络模型作为所述算法模型;对所述算法模型进行训练。
可选地,所述训练模块还用于:根据奥坎姆剃刀原理,对训练后得到的所述支持向量机模型或者神经网络模型中的导致过拟合的参数进行调整;将调整后的支持向量机模型或者神经网络模型作为所述算法模型。
可选地,所述训练模块还用于:同步采集的接单系统参数的历史值、消息缓存队列的历史数量、生产系统负载的历史值和数据库负载的历史值组成训练样本。
可选地,所述监控模块还用于:所述接单系统参数包括接单服务器的数量、接单服务器系统负载、吐出速率、当前接单数量;所述生产系统负载包括生产服务器的数量、生产服务器CPU使用平均值、生产服务器内存使用平均值、生产服务器系统负载;所述数据库负载包括数据库服务器系统负载、数据库连接数、磁盘负载。
根据本发明实施例的再一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例提供的调控接单系统的方法。
根据本发明实施例的再一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如本发明实施例提供的调控接单系统的方法。
上述发明中的一个实施例具有如下优点或有益效果:因为采用经过训练的算法模型对接单系统进行正向监控反向调整的技术手段,所以克服了现有技术中完全靠人为经验确定缓存队列数量和接单服务器数量的技术问题,进而提高效率和准确率,并且可以实时根据当前订单量、生产系统的吞吐和负载能力动态调整接单系统吐出速率。本发明实施例中的算法模型是可以进行双向计算的,这样有利于模拟结果的准确性,使算法模型更加精准,从而提高调整接单系统的准确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是现有技术中接单和生产系统的技术方案示意图;
图2是根据本发明实施例的调控接单系统的方法的基本流程的示意图;
图3是根据本发明实施例的算法模型的训练框架示意图;
图4是根据本发明实施例的调控接单系统的方法的优选流程的示意图;
图5是根据本发明实施例的调控接单系统的装置的基本模块的示意图;
图6是本发明实施例可以应用于其中的示例性系统架构图;
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
为了应对急剧增长的订单量,提升订单消化能力,提供更好的服务,接单系统(例如ECLP接单系统)采用异步接单的方式进行接单。图1是现有技术中接单和生产系统的技术方案示意图。如图1所示,异步接单方式在订单入口处使用消息队列(例如JMQ队列)对订单进行缓存,随后吐出给订单生产系统,此接单系统可以有效应的在大促期间应对井喷式的巨量订单,将大量订单缓存至消息队列后,匀速吐出至订单生产系统进行生产。在满足业务订单生产的情况下,有效的缓解订单生产系统的压力,保护业务相对复杂的订单生产系统的稳定性。
消息缓存队列接到订单后,匀速吐出订单的速率直接影响到订单生产速度和生产系统的稳定性。若吐出速率过小,则订单生产缓慢,甚至会造成大量订单积压无法在规定时间内完成生产的情况,达不到日益增长的订单量所需要的订单生产速度。同时生产系统无法全功率运行,出现了吃不饱的现象,造成机器资源的浪费。若吐出速率过大,则会对生产系统造成较大的生产压力,生产一个订单的时间远大于接下一个订单的时间,会对生产系统依赖的数据库系统、文件存储系统造成巨大的压力,出现了吃不下的现象。比如会造成数据库的CPU使用率飙升、IO读写激增、连接数耗尽,最后耗尽数据库资源,导致生产系统崩溃的极端现象。
现阶段消息缓存队列吐出速率的调整或设定完全靠人为经验,根据消息缓存队列数量和接单服务器数量进行预估和摸索性试验后,确定缓存队列数量和接单服务器数量,从而确定接单速率。这种计算和确定接单速率的方法存在低效和不准确的缺点,并且确认后无法及时根据实际订单量和系统吞吐能力动态调整吐出速率。
图2是根据本发明实施例的调控接单系统的方法的基本流程的示意图。如图2所示,本发明实施例提供了一种调控接单系统的方法,包括:
步骤S201.采用经过训练的算法模型,根据接单系统参数的实时值和消息缓存队列的实时数量,确定生产系统负载的计算值和数据库负载的计算值;
步骤S202.若生产系统负载的计算值超出生产系统负载的预设阈值或数据库负载的计算值超出数据库负载的预设阈值,则采用所述算法模型,根据生产系统负载的预设阈值和数据库负载的预设阈值,确定消息缓存队列的期望数量和接单服务器的期望数量;
步骤S203.将消息缓存队列的数量调整为所述消息缓存队列的期望数量,将接单服务器的数量调整为所述接单服务器的期望数量。
调整消息缓存队列的数量和接单服务器的数量,即可调整生产系统正常运行的下接单系统的最高吐出速率(即接单速度)。本发明实施例因为采用经过训练的算法模型对接单系统进行正向监控反向调整的技术手段,所以克服了现有技术中完全靠人为经验确定缓存队列数量和接单服务器数量的技术问题,进而提高效率和准确率,并且可以达到实时根据当前订单量、生产系统的吞吐和负载能力动态调整接单系统吐出速率的技术效果。
本发明实施例中,采用经过训练的算法模型,根据接单系统参数的实时值和消息缓存队列的实时数量,确定生产系统负载的计算值和数据库负载的计算值之前,所述方法还包括:将采用支持向量机进行训练得到的支持向量机模型,或者,采用神经网络连续型分类器进行训练得到的神经网络模型作为所述算法模型;对所述算法模型进行训练。采用支持向量机或神经网络训练的算法模型确定缓存队列数量和接单服务器数量,达到了提高效率和准确率的效果,并且可以实时动态调整接单系统吐出速率。
本发明实施例中,采用经过训练的算法模型,根据接单系统参数的实时值和消息缓存队列的实时数量,确定生产系统负载的计算值和数据库负载的计算值之前,所述方法还包括:根据奥坎姆剃刀原理,对训练后得到的所述支持向量机模型或者神经网络模型中的导致过拟合的参数进行调整;将调整后的支持向量机模型或者神经网络模型作为所述算法模型。根据奥坎姆剃刀原理对模型中的参数进行调整或删除,可以保证算法模型的精确度,进而可以提高实时调整接单系统的效率和准确率。
本发明实施例中,所述算法模型的训练样本是由同步采集的接单系统参数的历史值、消息缓存队列的历史数量、生产系统负载的历史值和数据库负载的历史值组成。根据接单系统的相关参数和生产负载等历史数据训练算法模型,可以保证算法模型的精确度,进而可以提高实时调整接单系统的效率和准确率。
本发明实施例中,所述接单系统参数包括接单服务器的数量、接单服务器系统负载、吐出速率、当前接单数量;所述生产系统负载包括生产服务器的数量、生产服务器CPU使用平均值、生产服务器内存使用平均值、生产服务器系统负载;所述数据库负载包括数据库服务器系统负载、数据库连接数、磁盘负载。根据接单系统的相关参数和生产负载等历史数据训练算法模型,可以保证算法模型的精确度,进而可以提高实时调整接单系统的效率和准确率。
本发明实施例中可以采用系统监控体系监控消息缓存队列的数量、接单服务器负载、生产系统负载、数据库负载等各个系统指标,并对这些性能指标进行了大时间跨度的存储。同时还能实时的提供上述系统指标。本方案通过收集不同时期内的各个系统的不同指标,服务器集群数量等数据作为训练集,使用数据挖掘算法(支持向量机,深度神经网络)进行算法训练,生成能够满足计算要求的算法和参数集。具体采集指标如表1所示:
表1.
在电商物流领域,采集时间可以为大促销时期的表1中相关数据和非促销时期即系统平稳运行时期的表1中的数据。图3是根据本发明实施例的算法模型的训练框架示意图。如图3所示,针对大量数据使用支持向量机或者神经网络连续型分类器进行训练,计算出拟合实际情况的参数集,生成特定支持向量机或者特定神经网络(即拟合数据模型),在此之后按照奥坎姆剃刀原理,去除过拟合数据和参数,最终生成需要的向量机或者神经网络(即算法模型)。
图4是根据本发明实施例的调控接单系统的方法的优选流程的示意图。如图4所示,当算法模型生成后,即可使用算法模型实时计算生产系统负载和数据库负载的数值。设置实时数据采集系统,当输入参数有变时,或者目标指标达到设定阈值时(即正反馈和负反馈数值),再反向根据算法模型计算出消息队列数和接单服务器数量的期望值,根据上述的期望值对消息队列数、接单服务器数量进行自动或者人为的调整。
图5是根据本发明实施例的调控接单系统的装置的基本模块的示意图。如图5所示,本发明实施例提供了一种调控接单系统的装置500,包括:
监控模块501,用于:采用经过训练的算法模型,根据接单系统参数的实时值和消息缓存队列的实时数量,确定生产系统负载的计算值和数据库负载的计算值;
反馈模块502,用于:若生产系统负载的计算值超出生产系统负载的预设阈值或数据库负载的计算值超出数据库负载的预设阈值,则采用所述算法模型,根据生产系统负载的预设阈值和数据库负载的预设阈值,确定消息缓存队列的期望数量和接单服务器的期望数量;
调整模块503,用于:将消息缓存队列的数量调整为所述消息缓存队列的期望数量,将接单服务器的数量调整为所述接单服务器的期望数量。
本发明实施例因为采用经过训练的算法模型对接单系统进行正向监控反向调整的技术手段,所以克服了现有技术中完全靠人为经验确定缓存队列数量和接单服务器数量的技术问题,进而达到提高效率和准确率,并且可以及时根据当前订单量和生产系统的吞吐和负载能力动态调整接单系统吐出速率的技术效果。
本发明实施例中,所述装置还包括训练模块,用于:将采用支持向量机进行训练得到的支持向量机模型,或者,采用神经网络连续型分类器进行训练得到的神经网络模型作为所述算法模型;对所述算法模型进行训练。采用支持向量机或神经网络训练的算法模型确定缓存队列数量和接单服务器数量,达到了提高效率和准确率的效果,并且可以实时动态调整接单系统吐出速率。
本发明实施例中,所述训练模块还用于:根据奥坎姆剃刀原理,对训练后得到的所述支持向量机模型或者神经网络模型中的导致过拟合的参数进行调整;将调整后的支持向量机模型或者神经网络模型作为所述算法模型。根据奥坎姆剃刀原理对模型中的参数进行调整或删除,可以保证算法模型的精确度,进而可以提高实时调整接单系统的效率和准确率。
本发明实施例中,所述训练模块还用于:同步采集的接单系统参数的历史值、消息缓存队列的历史数量、生产系统负载的历史值和数据库负载的历史值组成训练样本。根据接单系统的相关参数和生产负载等历史数据训练算法模型,可以保证算法模型的精确度,进而可以提高实时调整接单系统的效率和准确率。
本发明实施例中,所述监控模块501还用于:所述接单系统参数包括接单服务器的数量、接单服务器系统负载、吐出速率、当前接单数量;所述生产系统负载包括生产服务器的数量、生产服务器CPU使用平均值、生产服务器内存使用平均值、生产服务器系统负载;所述数据库负载包括数据库服务器系统负载、数据库连接数、磁盘负载。根据接单系统的相关参数和生产负载等历史数据训练算法模型,可以保证算法模型的精确度,进而可以提高实时调整接单系统的效率和准确率。
图6示出了可以应用本发明实施例的调控接单系统的方法或装置的示例性系统架构600。
如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果反馈给终端设备。
需要说明的是,本发明实施例所提供的调控接单系统的方法一般由服务器605执行,相应地,调控接单系统的装置一般设置于服务器605中。
应该理解,图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
根据本发明的实施例,本发明还提供了一种电子设备和一种计算机可读介质。
本发明的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例提供的调控接单系统的方法。
本发明的计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如本发明实施例提供的调控接单系统的方法。
下面参考图7,其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM703中,还存储有系统700操作所需的各种程序和数据。CPU701、ROM702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器,包括:监控模块、反馈模块、调整模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,调整模块还可以被描述为“用于调整消息缓存队列数量的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:采用经过训练的算法模型,根据接单系统参数的实时值和消息缓存队列的实时数量,确定生产系统负载的计算值和数据库负载的计算值;若生产系统负载的计算值超出生产系统负载的预设阈值或数据库负载的计算值超出数据库负载的预设阈值,则采用所述算法模型,根据生产系统负载的预设阈值和数据库负载的预设阈值,确定消息缓存队列的期望数量和接单服务器的期望数量;将消息缓存队列的数量调整为所述消息缓存队列的期望数量,将接单服务器的数量调整为所述接单服务器的期望数量。
根据本发明实施例的调控接单系统的方法可以看出,因为采用经过训练的算法模型对接单系统进行正向监控反向调整的技术手段,所以克服了现有技术中完全靠人为经验确定缓存队列数量和接单服务器数量的技术问题,进而达到提高效率和准确率,并且可以及时根据当前订单量和生产系统的吞吐和负载能力动态调整接单系统吐出速率的技术效果。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种调控接单系统的方法,其特征在于,包括:
采用经过训练的算法模型,根据接单系统参数的实时值和消息缓存队列的实时数量,确定生产系统负载的计算值和数据库负载的计算值;
若生产系统负载的计算值超出生产系统负载的预设阈值或数据库负载的计算值超出数据库负载的预设阈值,则采用所述算法模型,根据生产系统负载的预设阈值和数据库负载的预设阈值,确定消息缓存队列的期望数量和接单服务器的期望数量;
将消息缓存队列的数量调整为所述消息缓存队列的期望数量,将接单服务器的数量调整为所述接单服务器的期望数量。
2.根据权利要求1所述的方法,其特征在于,采用经过训练的算法模型,根据接单系统参数的实时值和消息缓存队列的实时数量,确定生产系统负载的计算值和数据库负载的计算值之前,所述方法还包括:
将采用支持向量机进行训练得到的支持向量机模型,
或者,采用神经网络连续型分类器进行训练得到的神经网络模型作为所述算法模型;
对所述算法模型进行训练。
3.根据权利要求2所述的方法,其特征在于,采用经过训练的算法模型,根据接单系统参数的实时值和消息缓存队列的实时数量,确定生产系统负载的计算值和数据库负载的计算值之前,所述方法还包括:
根据奥坎姆剃刀原理,对训练后得到的所述支持向量机模型或者神经网络模型中的导致过拟合的参数进行调整;
将调整后的支持向量机模型或者神经网络模型作为所述算法模型。
4.根据权利要求1所述的方法,其特征在于,所述算法模型的训练样本是由同步采集的接单系统参数的历史值、消息缓存队列的历史数量、生产系统负载的历史值和数据库负载的历史值组成。
5.根据权利要求1所述的方法,其特征在于,所述接单系统参数包括接单服务器的数量、接单服务器系统负载、吐出速率、当前接单数量;
所述生产系统负载包括生产服务器的数量、生产服务器CPU使用平均值、生产服务器内存使用平均值、生产服务器系统负载;
所述数据库负载包括数据库服务器系统负载、数据库连接数、磁盘负载。
6.一种调控接单系统的装置,其特征在于,包括:
监控模块,用于:采用经过训练的算法模型,根据接单系统参数的实时值和消息缓存队列的实时数量,确定生产系统负载的计算值和数据库负载的计算值;
反馈模块,用于:若生产系统负载的计算值超出生产系统负载的预设阈值或数据库负载的计算值超出数据库负载的预设阈值,则采用所述算法模型,根据生产系统负载的预设阈值和数据库负载的预设阈值,确定消息缓存队列的期望数量和接单服务器的期望数量;
调整模块,用于:将消息缓存队列的数量调整为所述消息缓存队列的期望数量,将接单服务器的数量调整为所述接单服务器的期望数量。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括训练模块,用于:
将采用支持向量机进行训练得到的支持向量机模型,
或者,采用神经网络连续型分类器进行训练得到的神经网络模型作为所述算法模型;
对所述算法模型进行训练。
8.根据权利要求7所述的装置,其特征在于,所述训练模块还用于:
根据奥坎姆剃刀原理,对训练后得到的所述支持向量机模型或者神经网络模型中的导致过拟合的参数进行调整;
将调整后的支持向量机模型或者神经网络模型作为所述算法模型。
9.根据权利要求6所述的装置,其特征在于,所述训练模块还用于:同步采集的接单系统参数的历史值、消息缓存队列的历史数量、生产系统负载的历史值和数据库负载的历史值组成训练样本。
10.根据权利要求6所述的装置,其特征在于,所述监控模块还用于:
所述接单系统参数包括接单服务器的数量、接单服务器系统负载、吐出速率、当前接单数量;
所述生产系统负载包括生产服务器的数量、生产服务器CPU使用平均值、生产服务器内存使用平均值、生产服务器系统负载;
所述数据库负载包括数据库服务器系统负载、数据库连接数、磁盘负载。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811073224.XA CN110910187A (zh) | 2018-09-14 | 2018-09-14 | 调控接单系统的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811073224.XA CN110910187A (zh) | 2018-09-14 | 2018-09-14 | 调控接单系统的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110910187A true CN110910187A (zh) | 2020-03-24 |
Family
ID=69813317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811073224.XA Pending CN110910187A (zh) | 2018-09-14 | 2018-09-14 | 调控接单系统的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910187A (zh) |
-
2018
- 2018-09-14 CN CN201811073224.XA patent/CN110910187A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108536650B (zh) | 生成梯度提升树模型的方法和装置 | |
CN109697522B (zh) | 一种数据预测的方法和装置 | |
CN108595448B (zh) | 信息推送方法和装置 | |
CN107392259B (zh) | 构建不均衡样本分类模型的方法和装置 | |
CN112527649A (zh) | 一种测试用例的生成方法和装置 | |
CN114500339B (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
CN110618867A (zh) | 一种预测资源使用量的方法和装置 | |
CN109961328B (zh) | 确定订单冷静期的方法和装置 | |
CN112685481B (zh) | 一种数据处理方法和装置 | |
CN112667368A (zh) | 一种任务数据处理方法和装置 | |
CN110910187A (zh) | 调控接单系统的方法和装置 | |
CN115185606A (zh) | 业务配置参数的获得方法、装置、设备及存储介质 | |
CN111694717A (zh) | 一种确定系统承压能力值的方法和装置 | |
CN114924937A (zh) | 批量任务处理方法、装置、电子设备及计算机可读介质 | |
CN115438007A (zh) | 一种文件合并方法、装置、电子设备及介质 | |
CN114612212A (zh) | 一种基于风险控制的业务处理方法、装置和系统 | |
CN116933189A (zh) | 一种数据检测方法和装置 | |
CN112560883A (zh) | 一种目标检测模型学习率的设置方法和装置 | |
CN113256192A (zh) | 一种仓储物品规划方法和装置 | |
CN113780703A (zh) | 一种指标调整方法和装置 | |
CN110851943A (zh) | 一种电池充电性能的建模方法和装置 | |
CN109976900A (zh) | 调用服务的方法和装置 | |
CN117170821B (zh) | 一种业务处理方法、装置、电子设备及计算机可读介质 | |
CN115577980B (zh) | 电力设备调控方法、装置、电子设备和介质 | |
WO2021155724A1 (zh) | 一种设定物品传送速度的方法和装置 |
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 |