CN111475298A - 任务处理方法、装置、设备及存储介质 - Google Patents

任务处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111475298A
CN111475298A CN202010260312.1A CN202010260312A CN111475298A CN 111475298 A CN111475298 A CN 111475298A CN 202010260312 A CN202010260312 A CN 202010260312A CN 111475298 A CN111475298 A CN 111475298A
Authority
CN
China
Prior art keywords
task
prediction model
time
prediction
new
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.)
Granted
Application number
CN202010260312.1A
Other languages
English (en)
Other versions
CN111475298B (zh
Inventor
瞿兆静
胡学志
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.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network Technology Co 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 Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202010260312.1A priority Critical patent/CN111475298B/zh
Publication of CN111475298A publication Critical patent/CN111475298A/zh
Application granted granted Critical
Publication of CN111475298B publication Critical patent/CN111475298B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F9/46—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
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • 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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本公开实施例提供一种任务处理方法、装置、设备及存储介质，该方法包括：接收网络设备发送的至少一个目标任务完成时间的预测请求，该预测请求中包括每个目标任务当前的运行状态参数；响应于该预测请求，根据每个目标任务当前的运行状态参数，通过任务完成时间预测模型，得到完成每个目标任务的预估耗时时间，该任务完成时间预测模型是由多个历史任务的运行状态参数和完成所述多个历史任务的耗时时间通过线性回归拟合获得的；将每个预估耗时时间发送至所述网络设备，以使所述网络设备向用户显示所述预估耗时时间。本公开实施例能够解决现有技术中对完成任务的耗时时间的预测具有局限性的问题，进而为用户提供后续的资源调度或其他任务处理的依据。

Description

任务处理方法、装置、设备及存储介质
技术领域
本公开实施例涉及计算机技术领域，尤其涉及一种任务处理方法、装置、设备及存储介质。
背景技术
目前，为了更好的掌握计算机软件处理某一任务(如文档格式转换、光盘刻录或开发程序运行)的过程中完成该任务需要的时间，以便更好的根据任务所占资源或剩余资源进行后续的资源调度或其他任务处理。
目前市场上，针对单一性的任务处理，比如压缩文件或是复制文件等，可以在界面上为用户提供预计完成时间，但是针对多元性或复杂性的任务处理，比如不同开发程序的运行，计算机对于开发程序得函数调用或是数据读取等的不确定性和复杂性，或是多个程序的并发处理，无法给出预计完成时间，仅仅通过任务管理系统，可以在界面上使用进度条展示进度，但是进度比较固定，并不能详细的预估计算任务的运行时间。
因此，现有技术中对完成任务的耗时时间的预测具有局限性，仅仅能够针对单一性的任务处理进行时间预估，但是针对多元性或复杂性的任务处理，无法预估完成任务的时间，进而无法为用户提供后续的资源调度或其他任务处理的依据。
发明内容
本公开实施例提供一种任务处理方法、装置、设备及存储介质，以解决现有技术中对完成任务的耗时时间的预测具有局限性的问题，进而为用户提供后续的资源调度或其他任务处理的依据。
第一方面，本公开实施例提供一种任务处理方法，包括：
接收网络设备发送的至少一个目标任务完成时间的预测请求，所述预测请求中包括每个所述目标任务当前的运行状态参数；
响应于所述预测请求，根据每个所述目标任务当前的运行状态参数，通过任务完成时间预测模型，得到完成每个所述目标任务的预估耗时时间，所述任务完成时间预测模型是由多个历史任务的运行状态参数和完成所述多个历史任务的耗时时间通过线性回归拟合获得的；
将每个所述预估耗时时间发送至所述网络设备，以使所述网络设备向用户显示所述预估耗时时间。
第二方面，本公开实施例提供一种任务处理装置，包括：预测请求接收模块，用于接收网络设备发送的至少一个目标任务完成时间的预测请求，所述预测请求中包括每个所述目标任务当前的运行状态参数；
预测请求响应模块，用于响应于所述预测请求，根据每个所述目标任务当前的运行状态参数，通过任务完成时间预测模型，得到完成每个所述目标任务的预估耗时时间，所述任务完成时间预测模型是由多个历史任务的运行状态参数和完成所述多个历史任务的耗时时间通过线性回归拟合获得的；
预估耗时时间发送模块，用于将每个所述预估耗时时间发送至所述网络设备，以使所述网络设备向用户显示所述预估耗时时间。
第三方面，本公开实施例提供一种电子设备，包括：至少一个处理器、存储器以及通信接口；
所述通信接口用于与网络设备进行通信；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上述第一方面以及第一方面各种可能的设计所述的任务处理方法。
第四方面，本公开实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的任务处理方法。
本公开实施例提供的任务处理方法、装置、设备及存储介质，首先接收网络设备发送的至少一个目标任务完成时间的预测请求，来预测每个目标任务完成时间，其中，预测请求中包括每个所述目标任务当前的运行状态参数，具体地，通过响应于该预测请求，将每个所述目标任务当前的运行状态参数输入到由多个历史任务的运行状态参数和完成所述多个历史任务的耗时时间通过线性回归拟合获得的任务完成时间预测模型中，该任务完成时间预测模型无论是针对单一性的任务还是多元性或复杂性的任务，都能够得到完成每个目标任务的预估耗时时间，进而实现任务运行所需时间的预测，解决了现有技术中对完成任务的耗时时间的预测具有局限性的问题，并且将得到的预估耗时时间同步给对应的网络设备，使得用户可以根据显示的预估耗时时间来进行资源调度或其他任务处理。
附图说明
为了更清楚地说明本公开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一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的任务处理方法的场景示意图；
图2为本公开实施例提供的任务处理方法的流程示意图；
图3为本公开又一实施例提供的任务处理方法的流程示意图；
图4为本公开另一实施例提供的任务处理方法的流程示意图；
图5为本公开实施例提供的所述任务处理装置的结构框图；
图6为本公开另一实施例提供的任务处理装置的结构框图；
图7为本公开又一实施例提供的所述任务处理装置的结构框图；
图8为本公开实施例提供的电子设备的硬件结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置或模块之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
目前市场上通过任务管理系统，可以在界面上使用进度条展示进度，但是进度比较固定，并不能详细的预估计算任务的运行时间。本公开实施例提供一种任务处理方法以解决上述问题。
参考图1，图1为本公开实施例提供的任务处理方法的场景示意图。在实际应用中，实现任务处理方法的执行主体可以是终端设备(或服务器)10，在此不作限定。终端设备(或服务器)10通过与网络设备20(该网络设备20可以是终端设备或服务器)进行交互，比如，执行主体是第一终端设备，网络设备是第二终端设备；或执行主体是第一终端设备，网络设备是第二服务器；或执行主体是第一服务器，网络设备是第二终端设备；或执行主体是第一服务器，网络设备是第二服务器，进而实现任务完成时间的预测。
具体的实现过程为：可以在网络设备20上各个任务对应的应用程序运行的位置埋点，上报任务当前的运行状态或网络设备20通过开启任务或运行任务触发请求事件，该请求事件为网络设备20向终端设备(或服务器)10发送预测请求，终端设备(或服务器)10在接收到网络设备20发送的预测请求后，开始响应于该预测请求，即根据预测请求中包含的每个所述目标任务当前的运行状态参数，比如，目标任务运行的CPU的使用占比、内存的占比和进程数量等，分别将每个目标任务对应的上述参数输入到由多个历史任务的运行状态参数和完成所述多个历史任务的耗时时间通过线性回归拟合获得的任务完成时间预测模型中，能够输出每个目标任务的预估耗时时间，然后终端设备(或服务器)10将计算得到的每个目标任务的预估耗时时间通过预设第三方应用程序反馈给对应的网络设备20，网络设备20接收到预设第三方应用程序发送的对应的目标任务的预估耗时时间后，将该目标任务的预估耗时时间同步显示给用户，使得用户可以根据显示的预估耗时时间来进行资源调度或其他任务处理，更好的实现资源利用。
其中，任务处理方法的实现可以用过以下方式实现：
参考图2，图2为本公开实施例提供的任务处理方法的流程示意图。本公开实施例的方法可以应用在终端设备或服务器中，本公开实施例中对执行主体不进行限定。该任务处理方法包括：
S101、接收网络设备发送的至少一个目标任务完成时间的预测请求，所述预测请求中包括每个所述目标任务当前的运行状态参数。
本公开实施例中，一个或多个网络设备可以同时或不同时间段发送至少一个目标任务完成时间的预测请求，一个目标任务可以对应一个预测请求，目标任务即为网络设备上正在运行或即将运行的任务，该目标任务可以是下载任务，也可以是文档格式转换任务、光盘刻录任务或开发程序运行任务等等。其中，预测请求用于请求终端设备或服务器通过依据某一目标任务当前的运行状态参数来预估完成该目标任务的耗时时间。
S102、响应于所述预测请求，根据每个所述目标任务当前的运行状态参数，通过任务完成时间预测模型，得到完成每个所述目标任务的预估耗时时间，所述任务完成时间预测模型是由多个历史任务的运行状态参数和完成所述多个历史任务的耗时时间通过线性回归拟合获得的。
本公开实施例中，终端设备或服务器通过向自身的处理器发送任务完成时间的预测指令来响应于该预测请求，以使处理器对每个目标任务当前的运行状态参数进行分析。假如，至少一个目标任务的个数为2个，即目标任务1和目标任务2，由于目标任务1和目标任务2均在运行，所以目标任务1的任务完成时间和目标任务2的任务完成时间互相受影响，因此，运行状态参数中可以包括多个参数(这里的参数可以为影响因子)。
在任务完成时间的预测过程中，针对任一目标任务的预估耗时时间的计算，终端设备或服务器通过调用预先搭建好的任务完成时间预测模型，可以将该目标任务当前的运行状态参数输入到该任务完成时间预测模型中，输出完成该目标任务的预估耗时时间。其中，任务完成时间预测模型的建立可以是根据获取的多个历史任务的运行状态参数和完成所述多个历史任务的耗时时间通过线性回归进行数据拟合，得到拟合的线性模型，将该拟合的线性模型可以作为任务完成时间预测模型。因此，通过任务完成时间预测模型，可以自动计算每个目标任务的预估耗时时间，计算效率高。
S103、将每个所述预估耗时时间发送至所述网络设备，以使所述网络设备向用户显示所述预估耗时时间。
在本公开实施例中，终端设备或服务器通过任务完成时间预测模型，自动计算每个目标任务的预估耗时时间后，为了使得用户可以有效地进行资源调度或其他任务处理等利用等待任务完成的时间段，实现更好地资源利用，终端设备或服务器将计算得到每个目标任务的预估耗时时间同步给对应的网络设备上进行显示。
本公开实施例中，首先接收网络设备发送的至少一个目标任务完成时间的预测请求，来预测每个目标任务完成时间，其中，预测请求中包括每个所述目标任务当前的运行状态参数，具体地，通过响应于该预测请求，将每个所述目标任务当前的运行状态参数输入到由多个历史任务的运行状态参数和完成所述多个历史任务的耗时时间通过线性回归拟合获得的任务完成时间预测模型中，该任务完成时间预测模型无论是针对单一性的任务还是多元性或复杂性的任务，都能够得到完成每个目标任务的预估耗时时间，进而实现任务运行所需时间的预测，解决了现有技术中对完成任务的耗时时间的预测具有局限性的问题，并且将得到的预估耗时时间同步给对应的网络设备，使得用户可以根据显示的预估耗时时间来进行资源调度或其他任务处理。
为了实现任务运行所需时间的预测，可以建立一个预测模型，即任务完成时间预测模型，参见图3所示，图3为本公开又一实施例提供的任务处理方法的流程示意图，本公开实施例在上述公开实施例的基础上，对如何建立任务完成时间预测模型进行了详细说明。其中，所述运行状态参数包括CPU的使用占比、内存的占比和进程数量；在所述响应于所述预测请求之前，所述方法还包括：
S201、从预设数据库中获取所述多个历史任务的CPU的使用占比、内存的占比、进程数量和所述多个历史任务的耗时时间。
本公开实施例中，终端设备或服务器中的任务管理中心可以收集各个网络设备上运行的任务的运行状态参数，并存储在预设数据库中，所以可以从预设数据获取多个历史任务中每个历史任务的运行状态参数，比如CPU的使用占比、内存的占比、进程数量和耗时时间，这里进程数量是由当前运行的所有任务的数量(至少一个目标任务的数量)和当前运行的某一目标任务的完成时间时该目标任务中所有进程的数量来确定的，即当前运行的所有任务和每个任务中的进程都可以影响任务运行完成的时间。比如，进程数量可以为所有任务的数量*预设权重+该任务中进程的数量。这里的多个历史任务可以是同一网络设备上的不同任务，也可以是不同网络设备上的相同任务或是不同任务。
S202、根据所述多个历史任务的CPU的使用占比、内存的占比、进程数量和所述多个历史任务的耗时时间，通过线性回归进行数据拟合，得到第一预测模型。
本公开实施例中，将每个历史任务的CPU的使用占比、内存的占比、进程数量作为变量即为X，将对应的历史任务的耗时时间作为因变量即为Y，通过线性回归拟合，确定各个变量对应权重值，然后根据权重值、变量和因变量生成第一预测模型。
S203、从所述预设数据库中获取新的第一任务的CPU的使用占比、内存的占比、进程数量和所述新的第一任务的实际耗时时间；
S204、根据所述新的第一任务的CPU的使用占比、内存的占比、进程数量，对所述第一预测模型进行测试，得到完成所述新的第一任务的预估耗时时间。
本公开实施例中，在得到第一预测模型之后，需要对第一预测模型进行测试，判断第一预测模型是否可用或是否可以作为任务完成时间预测模型。具体地，首先可以从预设数据库中获取一个新的任务的运行状态参数，其中，该新的任务(可以是新的第一任务也可以是新的第二任务)可以是不同于所获取的多个历史任务中的一个，然后将该新的任务的使用占比、内存的占比、进程数量输入到第一预测模型中，得到新的任务的预估耗时时间，再从所述预设数据库中获取新的任务的实际耗时时间，将新的任务的预估耗时时间与实际耗时时间进行比较，计算两者之间的误差值。
S205、若所述新的第一任务的预估耗时时间和所述新的第一任务的实际耗时时间之间的第一误差值大于预设误差值，则对所述第一预测模型进行优化，得到所述任务完成时间预测模型。
本公开实施例中，将新的任务的预估耗时时间和所述新的任务的实际耗时时间之间的误差值可以记为第一误差值，若该第一误差值小于或等于预设误差值，比如，预设误差值可以是3分钟，则说明该第一预测模型预测较为准确，可以将第一预测模型作为任务完成时间预测模型，进而实现对每个目标任务运行完成时间的预测。若该第一误差值大于预设误差值，则说明该第一预测模型预测误差较大，需要对第一预测模型中各个权重值进行修正，来优化第一预测模型，使得误差值在小于或等于预设误差值，进而得到所述任务完成时间预测模型，因此，该任务完成时间预测模型无论是针对单一性的任务还是多元性或复杂性的任务，都能够得到完成每个任务的预估耗时时间，解决了现有技术中对完成任务的耗时时间的预测具有局限性的问题。
如何优化第一预测模型，进而获得任务完成时间预测模型，可以参见图4，图4为本公开另一实施例提供的任务处理方法的流程示意图，本公开实施例在上述公开实施例的基础上，对S205进行了详细说明。所述对所述第一预测模型进行优化，得到所述任务完成时间预测模型，包括：
S301、以每个所述历史任务的CPU的使用占比、内存的占比、进程数量和对应的所述历史任务的耗时时间为一个任务样本，将所述多个历史任务的CPU的使用占比、内存的占比、进程数量和所述多个历史任务的耗时时间生成任务样本集合；
S302、根据所述任务样本集合，确定多个训练样本集，每个训练样本集中包括多个所述任务样本；
S303、通过所述线性回归分别对每个所述训练样本集中的多个所述任务样本进行拟合，得到每个所述训练样本集对应的第二预测模型；
S304、根据每个所述第二预测模型，确定所述任务完成时间预测模型。
其中，根据每个所述第二预测模型，确定所述任务完成时间预测模型可以通过以下步骤实现：
步骤a1、对每个所述第二预测模型进行测试，确定至少一个第三预测模型，所述第三预测模型为预估耗时时间误差值最大的模型；
步骤a2、从所述任务样本集合中删除每个所述第三预测模型对应的任务样本，并将以所述新的第一任务的CPU的使用占比、内存的占比、进程数量和所述新的第一任务的实际耗时时间为新的任务样本添加至所述任务样本集合中，得到新的任务样本集合，并将所述新的任务样本集合作为优化所述第一预测模型的目标样本集合；
步骤a3、通过所述线性回归对所述目标样本集合中的任务样本进行数据拟合，得到第四预测模型；
步骤a4、根据获取的新的第二任务的CPU的使用占比、内存的占比、进程数量和所述新的第二任务的实际耗时时间，对所述第四预测模型进行测试，得到所述新的第二任务的预估耗时时间；
步骤a5、若所述新的第二任务的实际耗时时间与述新的第二任务的预估耗时时间的差值小于或等于所述预设差值，则将所述第四预测模型作为所述任务完成时间预测模型。
本公开实施例中，在实际应用中，可能是一些历史任务的运行状态参数中存在导致拟合的第一预测模型预测出的误差较大的运行状态参数，因此，对第一预测模型进行优化可以是从多个历史任务中确定出不稳定的至少一个历史任务，并不再将不稳定的至少一个历史任务的运行状态参数作为数据拟合的参数。
具体地，先将多个历史任务的CPU的使用占比、内存的占比、进程数量和所述多个历史任务的耗时时间形成一个任务样本集合，该任务样本集合中包括多个任务样本，其中，每个任务样本包括CPU的使用占比、内存的占比、进程数量和对应的历史任务的耗时时间，然后对该任务样本集合进行划分，形成多个训练样本集，其中，各个训练样本集的交集可以不为空，且各个训练样本集的并集为任务样本集的全集。
首先针对多个训练样本集中的每个训练样本集，通过线性回归拟合成一个第二预测模型，然后对每个第二预测模型进行测试，从多个第二预测模型中检测预估耗时时间误差值最大的模型，即至少一个第三预测模型，说明该至少一个第三预测模型对应的训练样本集中存在导致预测的预估耗时时间误差值较大的参数，因此，将各个第三预测模型对应的训练样本集中的所有参数从任务样本集中对应删除，或，从各个第三预测模型对应的训练样本集中查找出相同的参数，比如，同一任务在同一网络设备上的运行状态参数，将存在相同的参数的任务样本从任务样本集中对应删除，或是，根据各个第三预测模型对应的拟合图，从拟合图中确定偏离该拟合图较大的点，即偏离拟合图超过预设距离的点，将该点对应的任务样本从任务样本集中对应删除。
然后通过对任务样本集的删除和将对第二预测模型测试用的新的第一任务的运行状态参数的添加，生成新的任务样本集合即为优化第一预测模型的目标样本集合，根据目标样本集合，通过线性回归拟合出重新的预测模型即为第四预测模型，该第四预测模型是对第一预测模型进行优化后的一个预测模型，但并不确定是否是稳定的预测模型，因此，需要对该第四预测模型再次进行测试，通过从预设数据库中获取一个新的第二任务的运行状态参数，并将新的第二任务的CPU的使用占比、内存的占比、进程数量输入到第四预测模型中，得到新的第二任务的预估耗时时间。对新的第二任务的实际耗时时间与所述新的第二任务的预估耗时时间进行误差值计算，若所述新的第二任务的实际耗时时间与所述新的第二任务的预估耗时时间的差值小于或等于预设差值，则将所述第四预测模型作为所述任务完成时间预测模型，若所述新的第二任务的实际耗时时间与所述新的第二任务的预估耗时时间的差值大于所述预设差值，则继续重复步骤S301至步骤a5，直至预测的预估耗时时间与实际耗时时间的误差值小于预设差值，说明该预测模型预测结果准确，稳定性高，因此，任务完成时间预测模型预测结果准确，稳定性高。
在本公开的一个实施例中，所述任务完成时间预测模型为：
Y＝W0*X0+W1*X1+W2*X2+...+Wn*Xn
其中，X为所述运行状态参数中的各个参数；W为所述各个参数对应的权重值，n为所述运行状态参数的个数，Y为所述预估耗时时间。
本公开实施例中，在实际预测过程中，可以将预测的任务的运行状态参数更新至任务样本集中，不断地对预测模型进行优化，使得任务完成时间预测模型预测结果准确，稳定性高。
为了将预估耗时时间及时通知网络设备的用户，在本公开的一个实施例中，本公开实施例在上述公开实施例的基础上，例如，在图3所述的实施例的基础上，对S103进行了详细说明。其中，所述网络设备的个数为一个或多个，所述运行状态参数还包括网络设备的地址；所述将每个所述预估耗时时间发送至所述网络设备，包括：
通过预设第三方应用程序，根据所述目标任务所在的所述网络设备的网络设备的地址，将所述将每个所述预估耗时时间发送至所述网络设备。
本公开实施例中，由于至少一个目标任务可能是来源于不同的网络设备，因此，终端设备或服务器可以将运行状态参数中包含的网络设备的地址发送给预设第三方应用程序，由于预设第三方应用程序中存储有与之通信的网络终端的访问路径，则预设第三方应用程序根据与网络设备的地址匹配的访问路径，将消息发送出去，即可以将各个所述预估耗时时间实时同步至对应的网络设备，以使络设备向用户显示所述预估耗时时间，使得用户可以根据显示的预估耗时时间来进行资源调度或其他任务处理。
为了将预估耗时时间及时通知网络设备的用户，在本公开的一个实施例中，本公开实施例在上述公开实施例的基础上，例如，在图3所述的实施例的基础上，对任务处理方法进行了详细说明。在所述将每个所述预估耗时时间发送至所述网络设备之后，所述方法还包括：
在接收到所述网络设备确定执行任一所述目标任务时，确定所述目标任务的进度条，并向所述网络设备推送所述目标任务的进度条，以使所述用户对所述目标任务进行监控。
本公开实施例中，为了让用户可以有效地进行资源调度或其他任务处理实现较高资源利用，提高工作效率，终端设备或服务器通过预设第三方应用程序将预估耗时时间实时同步给对应的网络设备之后，等待网络设备的用户是否确认继续运行该目标任务的指示，如果接收到网络设备确定执行任一所述目标任务的指示时，终端设备或服务器可以向网络设备推送所述目标任务的进度条，进而使得用户对所述目标任务进行监控。其中，进度条可以包括处理任务的速度、完成度、剩余未完成任务量的大小、以及可能需要处理时间等，其中，可能需要处理时间可以通过上述的任务处理方法根据目标任务实时的运行状态参数进行预测得到。因此，本公开无论是针对单一性的任务还是多元性或复杂性的任务，可以实现任务运行所需时间的预测，解决了现有技术中对完成任务的耗时时间的预测具有局限性的问题，并且将得到的预估耗时时间以及进度条同步给对应的网络设备，使得用户可以根据显示的预估耗时时间来进行资源调度或其他任务处理，实现较高资源利用，提高工作效率。
对应于上文公开实施例的任务处理方法，图5为本公开实施例提供的任务处理装置的结构框图。为了便于说明，仅示出了与本公开实施例相关的部分。参照图5，所述任务处理装置50包括：预测请求接收模块501、预测请求响应模块502、预估耗时时间发送模块503；预测请求接收模块501，用于接收网络设备发送的至少一个目标任务完成时间的预测请求，所述预测请求中包括每个所述目标任务当前的运行状态参数；预测请求响应模块502，用于响应于所述预测请求，根据每个所述目标任务当前的运行状态参数，通过任务完成时间预测模型，得到完成每个所述目标任务的预估耗时时间，所述任务完成时间预测模型是由多个历史任务的运行状态参数和完成所述多个历史任务的耗时时间通过线性回归拟合获得的；预估耗时时间发送模块503，用于将每个所述预估耗时时间发送至所述网络设备，以使所述网络设备向用户显示所述预估耗时时间。
本公开实施例提供的预测请求接收模块501、预测请求响应模块502、预估耗时时间发送模块503，用于接收网络设备发送的至少一个目标任务完成时间的预测请求，来预测每个目标任务完成时间，其中，预测请求中包括每个所述目标任务当前的运行状态参数，具体地，通过响应于该预测请求，将每个所述目标任务当前的运行状态参数输入到由多个历史任务的运行状态参数和完成所述多个历史任务的耗时时间通过线性回归拟合获得的任务完成时间预测模型中，该任务完成时间预测模型无论是针对单一性的任务还是多元性或复杂性的任务，都能够得到完成每个目标任务的预估耗时时间，进而实现任务运行所需时间的预测，解决了现有技术中对完成任务的耗时时间的预测具有局限性的问题，并且将得到的预估耗时时间同步给对应的网络设备，使得用户可以根据显示的预估耗时时间来进行资源调度或其他任务处理。
本公开实施例提供的装置，可用于执行上文第一方面及第一方面各种可能的设计对应的方法实施例的技术方案，其实现原理和技术效果类似，本公开实施例此处不再赘述。
参加图6，图6为本公开另一实施例提供的任务处理装置的结构框图。本公开实施例在上述公开实施例的基础上，例如，在图5实施例的基础上，对任务处理装置进行了详细说明。其中，所述运行状态参数包括CPU的使用占比、内存的占比和进程数量；所述装置还包括：历史数据获取模块504、第一预测模型确定模块505、实际耗时时间确定模块506、预估耗时时间确定模块507、任务完成时间预测模型确定模块508；历史数据获取模块，用于在所述响应于所述预测请求之前，从预设数据库中获取所述多个历史任务的CPU的使用占比、内存的占比、进程数量和所述多个历史任务的耗时时间；第一预测模型确定模块，用于根据所述多个历史任务的CPU的使用占比、内存的占比、进程数量和所述多个历史任务的耗时时间，通过线性回归进行数据拟合，得到第一预测模型；实际耗时时间确定模块，用于从所述预设数据库中获取新的任务的CPU的使用占比、内存的占比、进程数量和所述新的任务的实际耗时时间；预估耗时时间确定模块，用于根据所述新的任务的CPU的使用占比、内存的占比、进程数量，对所述第一预测模型进行测试，得到完成所述新的任务的预估耗时时间；任务完成时间预测模型确定模块，用于在所述新的任务的预估耗时时间和所述新的任务的实际耗时时间之间的第一误差值大于预设误差值时，对所述第一预测模型进行优化，得到所述任务完成时间预测模型。
在本公开的一个实施例中，本公开实施例在上述公开实施例的基础上，例如，在图6实施例的基础上，本公开实施例对任务完成时间预测模型确定模块进行了详细说明。任务完成时间预测模型确定模块508，具体用于：
以每个所述历史任务的CPU的使用占比、内存的占比、进程数量和对应的所述历史任务的耗时时间为一个任务样本，将所述多个历史任务的CPU的使用占比、内存的占比、进程数量和所述多个历史任务的耗时时间生成任务样本集合；根据所述任务样本集合，确定多个训练样本集，每个训练样本集中包括多个所述任务样本；通过所述线性回归分别对每个所述训练样本集中的多个所述任务样本进行拟合，得到每个所述训练样本集对应的第二预测模型；根据每个所述第二预测模型，确定所述任务完成时间预测模型。
其中，任务完成时间预测模型确定模块508，还具体用于：对每个所述第二预测模型进行测试，确定至少一个第三预测模型，所述第三预测模型为预估耗时时间误差值最大的模型；从所述任务样本集合中删除每个所述第三预测模型对应的任务样本，并将以所述新的第一任务的CPU的使用占比、内存的占比、进程数量和所述新的第一任务的实际耗时时间为新的任务样本添加至所述任务样本集合中，得到新的任务样本集合；将所述新的任务样本集合作为优化所述第一预测模型的目标样本集合；通过所述线性回归对所述目标样本集合中的任务样本进行数据拟合，得到第四预测模型；根据获取的新的第二任务的CPU的使用占比、内存的占比、进程数量和所述新的第二任务的实际耗时时间，对所述第四预测模型进行测试，得到所述新的第二任务的预估耗时时间；若所述新的第二任务的实际耗时时间与所述新的第二任务的预估耗时时间的差值小于或等于预设差值，则将所述第四预测模型作为所述任务完成时间预测模型。
在本公开的一个实施例中，本公开实施例在上述公开实施例的基础上，本公开实施例对任务完成时间预测模型进行了详细说明。所述任务完成时间预测模型为：
Y＝W0*X0+W1*X1+W2*X2+...+Wn*Xn
其中，X为所述运行状态参数中的各个参数；W为所述各个参数对应的权重值，n为所述运行状态参数的个数，Y为所述预估耗时时间。
在本公开的一个实施例中，本公开实施例在上述公开实施例的基础上，对预估耗时时间发送模块进行了详细说明。其中，所述网络设备的个数为一个或多个，所述运行状态参数还包括网络设备的地址；预估耗时时间发送模块，具体用于：通过预设第三方应用程序，根据所述目标任务所在的所述网络设备的网络设备的地址，将所述将每个所述预估耗时时间发送至所述网络设备。
参见图7，图7为本公开又一实施例提供的所述任务处理装置的结构框图。本公开实施例在上述公开实施例的基础上，例如，在图5实施例的基础上，本公开实施例对任务处理装置进行了详细说明。所述装置还包括：进度条发送模块509；所述进度条发送模块509，用于：
在所述将每个所述预估耗时时间发送至所述网络设备之后，且在接收到所述网络设备确定执行任一所述目标任务时，确定所述目标任务的进度条，并向所述网络设备推送所述目标任务的进度条，以使所述用户对所述目标任务进行监控。
参考图8，其示出了适于用来实现本公开实施例的电子设备800的结构示意图，该电子设备800可以为终端设备或服务器。其中，终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、个人数字助理(Personal Digital Assistant，简称PDA)、平板电脑(Portable Android Device，简称PAD)、便携式多媒体播放器(Portable MediaPlayer，简称PMP)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(Read Only Memory，简称ROM)802中的程序或者从存储装置808加载到随机访问存储器(Random Access Memory，简称RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(Liquid CrystalDisplay，简称LCD)、扬声器、振动器等的输出装置805；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，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装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述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。在本公开中，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。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
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该电子设备执行时，使得该电子设备执行上述公开实施例所示的方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LocalArea Network，简称LAN)或广域网(Wide Area Network，简称WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
第一方面，本公开实施例提供一种任务处理方法，包括：
接收网络设备发送的至少一个目标任务完成时间的预测请求，所述预测请求中包括每个所述目标任务当前的运行状态参数；
响应于所述预测请求，根据每个所述目标任务当前的运行状态参数，通过任务完成时间预测模型，得到完成每个所述目标任务的预估耗时时间，所述任务完成时间预测模型是由多个历史任务的运行状态参数和完成所述多个历史任务的耗时时间通过线性回归拟合获得的；
将每个所述预估耗时时间发送至所述网络设备，以使所述网络设备向用户显示所述预估耗时时间。
根据本公开的一个或多个实施例，所述运行状态参数包括CPU的使用占比、内存的占比和进程数量；
在所述响应于所述预测请求之前，所述方法还包括：
从预设数据库中获取所述多个历史任务的CPU的使用占比、内存的占比、进程数量和所述多个历史任务的耗时时间；
根据所述多个历史任务的CPU的使用占比、内存的占比、进程数量和所述多个历史任务的耗时时间，通过线性回归进行数据拟合，得到第一预测模型；
从所述预设数据库中获取新的第一任务的CPU的使用占比、内存的占比、进程数量和所述新的第一任务的实际耗时时间；
根据所述新的第一任务的CPU的使用占比、内存的占比、进程数量，对所述第一预测模型进行测试，得到完成所述新的第一任务的预估耗时时间；
若所述新的第一任务的预估耗时时间和所述新的第一任务的实际耗时时间之间的第一误差值大于预设误差值，则对所述第一预测模型进行优化，得到所述任务完成时间预测模型。
根据本公开的一个或多个实施例，所述对所述第一预测模型进行优化，得到所述任务完成时间预测模型，包括：
以每个所述历史任务的CPU的使用占比、内存的占比、进程数量和对应的所述历史任务的耗时时间为一个任务样本，将所述多个历史任务的CPU的使用占比、内存的占比、进程数量和所述多个历史任务的耗时时间生成任务样本集合；
根据所述任务样本集合，确定多个训练样本集，每个训练样本集中包括多个所述任务样本；
通过所述线性回归分别对每个所述训练样本集中的多个所述任务样本进行拟合，得到每个所述训练样本集对应的第二预测模型；
根据每个所述第二预测模型，确定所述任务完成时间预测模型。
根据本公开的一个或多个实施例，所述根据每个所述第二预测模型，确定所述任务完成时间预测模型，包括：
对每个所述第二预测模型进行测试，确定至少一个第三预测模型，所述第三预测模型为预估耗时时间误差值最大的模型；
从所述任务样本集合中删除每个所述第三预测模型对应的任务样本，并将以所述新的第一任务的CPU的使用占比、内存的占比、进程数量和所述新的第一任务的实际耗时时间为新的任务样本添加至所述任务样本集合中，得到新的任务样本集合，并将所述新的任务样本集合作为优化所述第一预测模型的目标样本集合；
通过所述线性回归对所述目标样本集合中的任务样本进行数据拟合，得到第四预测模型；
根据获取的新的第二任务的CPU的使用占比、内存的占比、进程数量和所述新的第二任务的实际耗时时间，对所述第四预测模型进行测试，得到所述新的第二任务的预估耗时时间；
若所述新的第二任务的实际耗时时间与所述新的第二任务的预估耗时时间的差值小于或等于预设差值，则将所述第四预测模型作为所述任务完成时间预测模型。
根据本公开的一个或多个实施例，所述任务完成时间预测模型为：
Y＝W0*X0+W1*X1+W2*X2+...+Wn*Xn
其中，X为所述运行状态参数中的各个参数；W为所述各个参数对应的权重值，n为所述运行状态参数的个数，Y为所述预估耗时时间。
根据本公开的一个或多个实施例，所述网络设备的个数为一个或多个，所述运行状态参数还包括网络设备的地址；
所述将每个所述预估耗时时间发送至所述网络设备，包括：
通过预设第三方应用程序，根据所述目标任务所在的所述网络设备的网络设备的地址，将所述将每个所述预估耗时时间发送至所述网络设备。
根据本公开的一个或多个实施例，在所述将每个所述预估耗时时间发送至所述网络设备之后，所述方法还包括：
在接收到所述网络设备确定执行任一所述目标任务时，确定所述目标任务的进度条，并向所述网络设备推送所述目标任务的进度条，以使所述用户对所述目标任务进行监控。
第二方面，本公开实施例提供一种任务处理装置，包括：
预测请求接收模块，用于接收网络设备发送的至少一个目标任务完成时间的预测请求，所述预测请求中包括每个所述目标任务当前的运行状态参数；
预测请求响应模块，用于响应于所述预测请求，根据每个所述目标任务当前的运行状态参数，通过任务完成时间预测模型，得到完成每个所述目标任务的预估耗时时间，所述任务完成时间预测模型是由多个历史任务的运行状态参数和完成所述多个历史任务的耗时时间通过线性回归拟合获得的；
预估耗时时间发送模块，用于将每个所述预估耗时时间发送至所述网络设备，以使所述网络设备向用户显示所述预估耗时时间。
根据本公开的一个或多个实施例，所述运行状态参数包括CPU的使用占比、内存的占比和进程数量；
所述装置还包括：历史数据获取模块、第一预测模型确定模块、实际耗时时间确定模块、预估耗时时间确定模块、任务完成时间预测模型确定模块；
所述历史数据获取模块，用于在所述响应于所述预测请求之前，从预设数据库中获取所述多个历史任务的CPU的使用占比、内存的占比、进程数量和所述多个历史任务的耗时时间；
所述第一预测模型确定模块，用于根据所述多个历史任务的CPU的使用占比、内存的占比、进程数量和所述多个历史任务的耗时时间，通过线性回归进行数据拟合，得到第一预测模型；
所述实际耗时时间确定模块，用于从所述预设数据库中获取新的第一任务的CPU的使用占比、内存的占比、进程数量和所述新的第一任务的实际耗时时间；
所述预估耗时时间确定模块，用于根据所述新的第一任务的CPU的使用占比、内存的占比、进程数量，对所述第一预测模型进行测试，得到完成所述新的第一任务的预估耗时时间；
所述任务完成时间预测模型确定模块，用于在所述新的第一任务的预估耗时时间和所述新的第一任务的实际耗时时间之间的第一误差值大于预设误差值时，对所述第一预测模型进行优化，得到所述任务完成时间预测模型。
根据本公开的一个或多个实施例，任务完成时间预测模型确定模块，具体用于：
以每个所述历史任务的CPU的使用占比、内存的占比、进程数量和对应的所述历史任务的耗时时间为一个任务样本，将所述多个历史任务的CPU的使用占比、内存的占比、进程数量和所述多个历史任务的耗时时间生成任务样本集合；
根据所述任务样本集合，确定多个训练样本集，每个训练样本集中包括多个所述任务样本；
通过所述线性回归分别对每个所述训练样本集中的多个所述任务样本进行拟合，得到每个所述训练样本集对应的第二预测模型；
根据每个所述第二预测模型，确定所述任务完成时间预测模型。
根据本公开的一个或多个实施例，任务完成时间预测模型确定模块，还具体用于：
对每个所述第二预测模型进行测试，确定至少一个第三预测模型，所述第三预测模型为预估耗时时间误差值最大的模型；
从所述任务样本集合中删除每个所述第三预测模型对应的任务样本，并将以所述新的第一任务的CPU的使用占比、内存的占比、进程数量和所述新的第一任务的实际耗时时间为新的任务样本添加至所述任务样本集合中，得到新的任务样本集合；
将所述新的任务样本集合作为优化所述第一预测模型的目标样本集合；通过所述线性回归对所述目标样本集合中的任务样本进行数据拟合，得到第四预测模型；
根据获取的新的第二任务的CPU的使用占比、内存的占比、进程数量和所述新的第二任务的实际耗时时间，对所述第四预测模型进行测试，得到所述新的第二任务的预估耗时时间；
若所述新的第二任务的实际耗时时间与所述新的第二任务的预估耗时时间的差值小于或等于预设差值，则将所述第四预测模型作为所述任务完成时间预测模型。
根据本公开的一个或多个实施例，所述任务完成时间预测模型为：
Y＝W0*X0+W1*X1+W2*X2+...+Wn*Xn
其中，X为所述运行状态参数中的各个参数；W为所述各个参数对应的权重值，n为所述运行状态参数的个数，Y为所述预估耗时时间。
根据本公开的一个或多个实施例，所述网络设备的个数为一个或多个，所述运行状态参数还包括网络设备的地址；预估耗时时间发送模块，具体用于：通过预设第三方应用程序，根据所述目标任务所在的所述网络设备的网络设备的地址，将所述将每个所述预估耗时时间发送至所述网络设备。
根据本公开的一个或多个实施例，所述装置还包括：进度条发送模块；所述进度条发送模块，用于：
在所述将每个所述预估耗时时间发送至所述网络设备之后，且在接收到所述网络设备确定执行任一所述目标任务时，确定所述目标任务的进度条，并向所述网络设备推送所述目标任务的进度条，以使所述用户对所述目标任务进行监控。
第三方面，本公开实施例提供一种电子设备，包括：至少一个处理器、存储器以及通信接口；
所述通信接口用于与网络设备进行通信；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上述第一方面以及第一方面各种可能的设计所述的任务处理方法。
第四方面，本公开实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的任务处理方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种任务处理方法，其特征在于，包括：
接收网络设备发送的至少一个目标任务完成时间的预测请求，所述预测请求中包括每个所述目标任务当前的运行状态参数；
响应于所述预测请求，根据每个所述目标任务当前的运行状态参数，通过任务完成时间预测模型，得到完成每个所述目标任务的预估耗时时间，所述任务完成时间预测模型是由多个历史任务的运行状态参数和完成所述多个历史任务的耗时时间通过线性回归拟合获得的；
将每个所述预估耗时时间发送至所述网络设备，以使所述网络设备向用户显示所述预估耗时时间。
2.根据权利要求1所述的方法，其特征在于，所述运行状态参数包括CPU的使用占比、内存的占比和进程数量；
在所述响应于所述预测请求之前，所述方法还包括：
从预设数据库中获取所述多个历史任务的CPU的使用占比、内存的占比、进程数量和所述多个历史任务的耗时时间；
根据所述多个历史任务的CPU的使用占比、内存的占比、进程数量和所述多个历史任务的耗时时间，通过线性回归进行数据拟合，得到第一预测模型；
从所述预设数据库中获取新的第一任务的CPU的使用占比、内存的占比、进程数量和所述新的第一任务的实际耗时时间；
根据所述新的第一任务的CPU的使用占比、内存的占比、进程数量，对所述第一预测模型进行测试，得到完成所述新的第一任务的预估耗时时间；
若所述新的第一任务的预估耗时时间和所述新的第一任务的实际耗时时间之间的第一误差值大于预设误差值，则对所述第一预测模型进行优化，得到所述任务完成时间预测模型。
3.根据权利要求2所述的方法，其特征在于，所述对所述第一预测模型进行优化，得到所述任务完成时间预测模型，包括：
以每个所述历史任务的CPU的使用占比、内存的占比、进程数量和对应的所述历史任务的耗时时间为一个任务样本，将所述多个历史任务的CPU的使用占比、内存的占比、进程数量和所述多个历史任务的耗时时间生成任务样本集合；
根据所述任务样本集合，确定多个训练样本集，每个训练样本集中包括多个所述任务样本；
通过所述线性回归分别对每个所述训练样本集中的多个所述任务样本进行拟合，得到每个所述训练样本集对应的第二预测模型；
根据每个所述第二预测模型，确定所述任务完成时间预测模型。
4.根据权利要求3所述的方法，其特征在于，所述根据每个所述第二预测模型，确定所述任务完成时间预测模型，包括：
对每个所述第二预测模型进行测试，确定至少一个第三预测模型，所述第三预测模型为预估耗时时间误差值最大的模型；
从所述任务样本集合中删除每个所述第三预测模型对应的任务样本，并将以所述新的第一任务的CPU的使用占比、内存的占比、进程数量和所述新的第一任务的实际耗时时间为新的任务样本添加至所述任务样本集合中，得到新的任务样本集合，并将所述新的任务样本集合作为优化所述第一预测模型的目标样本集合；
通过所述线性回归对所述目标样本集合中的任务样本进行数据拟合，得到第四预测模型；
根据获取的新的第二任务的CPU的使用占比、内存的占比、进程数量和所述新的第二任务的实际耗时时间，对所述第四预测模型进行测试，得到所述新的第二任务的预估耗时时间；
若所述新的第二任务的实际耗时时间与所述新的第二任务的预估耗时时间的差值小于或等于预设差值，则将所述第四预测模型作为所述任务完成时间预测模型。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述任务完成时间预测模型为：
Y＝W0*X0+W1*X1+W2*X2+...+Wn*Xn
其中，X为所述运行状态参数中的各个参数；W为所述各个参数对应的权重值，n为所述运行状态参数的个数，Y为所述预估耗时时间。
6.根据权利要求2所述的方法，其特征在于，所述网络设备的个数为一个或多个，所述运行状态参数还包括网络设备的地址；
所述将每个所述预估耗时时间发送至所述网络设备，包括：
通过预设第三方应用程序，根据所述目标任务所在的所述网络设备的网络设备的地址，将所述将每个所述预估耗时时间发送至所述网络设备。
7.根据权利要求1所述的方法，其特征在于，在所述将每个所述预估耗时时间发送至所述网络设备之后，所述方法还包括：
在接收到所述网络设备确定执行任一所述目标任务时，确定所述目标任务的进度条，并向所述网络设备推送所述目标任务的进度条，以使所述用户对所述目标任务进行监控。
8.一种任务处理装置，其特征在于，包括：
预测请求接收模块，用于接收网络设备发送的至少一个目标任务完成时间的预测请求，所述预测请求中包括每个所述目标任务当前的运行状态参数；
预测请求响应模块，用于响应于所述预测请求，根据每个所述目标任务当前的运行状态参数，通过任务完成时间预测模型，得到完成每个所述目标任务的预估耗时时间，所述任务完成时间预测模型是由多个历史任务的运行状态参数和完成所述多个历史任务的耗时时间通过线性回归拟合获得的；
预估耗时时间发送模块，用于将每个所述预估耗时时间发送至所述网络设备，以使所述网络设备向用户显示所述预估耗时时间。
9.一种电子设备，其特征在于，包括：至少一个处理器、存储器以及通信接口；
所述通信接口用于与网络设备进行通信；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至7任一项所述任务处理方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至7任一项所述的任务处理方法。
CN202010260312.1A 2020-04-03 2020-04-03 任务处理方法、装置、设备及存储介质 Active CN111475298B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010260312.1A CN111475298B (zh) 2020-04-03 2020-04-03 任务处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010260312.1A CN111475298B (zh) 2020-04-03 2020-04-03 任务处理方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111475298A true CN111475298A (zh) 2020-07-31
CN111475298B CN111475298B (zh) 2023-05-02

Family

ID=71749712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010260312.1A Active CN111475298B (zh) 2020-04-03 2020-04-03 任务处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111475298B (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112000485A (zh) * 2020-09-01 2020-11-27 北京元心科技有限公司 任务分配方法、装置、电子设备及计算机可读存储介质
CN112085289A (zh) * 2020-09-17 2020-12-15 广州华多网络科技有限公司 程序维护任务处理方法、装置、设备及存储介质
CN112199198A (zh) * 2020-10-28 2021-01-08 上海特金无线技术有限公司 无人机探测的运算资源调配方法、装置、设备与介质
CN112416568A (zh) * 2020-09-01 2021-02-26 上海哔哩哔哩科技有限公司 音视频转码任务的时长预估方法和时长预估装置
CN112685367A (zh) * 2020-12-30 2021-04-20 上海掌门科技有限公司 文件分享进度的指示方法、电子设备及计算机可读存储介质
CN112700169A (zh) * 2021-01-14 2021-04-23 上海交通大学 一种基于预测与人员反馈的业务过程任务分配方法及系统
CN112764939A (zh) * 2021-02-03 2021-05-07 成都中科合迅科技有限公司 一种多智能体仿真部署中负载均衡系统
CN112800013A (zh) * 2021-02-07 2021-05-14 北京天华星航科技有限公司 大数据处理系统
CN113032116A (zh) * 2021-03-05 2021-06-25 广州虎牙科技有限公司 任务时间预测模型的训练方法、任务调度方法及相关装置
CN113114739A (zh) * 2021-03-29 2021-07-13 华南理工大学 一种基于云存储系统实现文件传输协议动态选择的方法
CN113420911A (zh) * 2021-06-03 2021-09-21 中国银行股份有限公司 一种耗时预测方法、装置及存储介质
CN113468036A (zh) * 2021-07-15 2021-10-01 上海晶赞融宣科技有限公司 任务执行耗时分析方法及装置、存储介质、终端
CN114816711A (zh) * 2022-05-13 2022-07-29 湖南长银五八消费金融股份有限公司 批量任务处理方法、装置、计算机设备和存储介质
CN115168016A (zh) * 2022-09-07 2022-10-11 浙江大华技术股份有限公司 任务调度方法及相关装置、芯片、器件和介质
CN116360990A (zh) * 2023-03-27 2023-06-30 合芯科技有限公司 分布式计算任务合理性预判方法、系统、设备和存储介质
CN116700736A (zh) * 2022-10-11 2023-09-05 荣耀终端有限公司 一种应用推荐算法的确定方法及装置
CN116719648A (zh) * 2023-08-10 2023-09-08 泰山学院 一种用于计算机系统的数据管理方法及系统
WO2024012280A1 (zh) * 2022-07-11 2024-01-18 上海寒武纪信息科技有限公司 用于任务调度的方法、设备、板卡及其计算机可读存储介质
CN117574148A (zh) * 2023-11-20 2024-02-20 国网冀北电力有限公司信息通信分公司 智能预测模型的训练方法、预测方法及相关设备
CN117806837A (zh) * 2024-02-29 2024-04-02 山东云海国创云计算装备产业创新中心有限公司 一种硬盘任务管理方法、装置、存储介质及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120066683A1 (en) * 2010-09-09 2012-03-15 Srinath Nadig S Balanced thread creation and task allocation
CN102831012A (zh) * 2011-06-16 2012-12-19 日立(中国)研究开发有限公司 多节点分布式系统中的任务调度装置和任务调度方法
CN104239194A (zh) * 2014-09-12 2014-12-24 上海交通大学 基于bp神经网络的任务完成时间预测方法
CN109919684A (zh) * 2019-03-18 2019-06-21 上海盛付通电子支付服务有限公司 用于生成信息预测模型的方法、电子设备和计算机可读存储介质
WO2019223283A1 (zh) * 2018-05-24 2019-11-28 国网上海市电力公司 预测执行任务执行时间的组合优化调度方法
CN110928907A (zh) * 2019-11-18 2020-03-27 第四范式（北京）技术有限公司 目标任务处理方法、装置及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120066683A1 (en) * 2010-09-09 2012-03-15 Srinath Nadig S Balanced thread creation and task allocation
CN102831012A (zh) * 2011-06-16 2012-12-19 日立(中国)研究开发有限公司 多节点分布式系统中的任务调度装置和任务调度方法
CN104239194A (zh) * 2014-09-12 2014-12-24 上海交通大学 基于bp神经网络的任务完成时间预测方法
WO2019223283A1 (zh) * 2018-05-24 2019-11-28 国网上海市电力公司 预测执行任务执行时间的组合优化调度方法
CN109919684A (zh) * 2019-03-18 2019-06-21 上海盛付通电子支付服务有限公司 用于生成信息预测模型的方法、电子设备和计算机可读存储介质
CN110928907A (zh) * 2019-11-18 2020-03-27 第四范式（北京）技术有限公司 目标任务处理方法、装置及电子设备

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112416568A (zh) * 2020-09-01 2021-02-26 上海哔哩哔哩科技有限公司 音视频转码任务的时长预估方法和时长预估装置
CN112000485A (zh) * 2020-09-01 2020-11-27 北京元心科技有限公司 任务分配方法、装置、电子设备及计算机可读存储介质
CN112000485B (zh) * 2020-09-01 2024-01-12 北京元心科技有限公司 任务分配方法、装置、电子设备及计算机可读存储介质
CN112085289A (zh) * 2020-09-17 2020-12-15 广州华多网络科技有限公司 程序维护任务处理方法、装置、设备及存储介质
CN112199198A (zh) * 2020-10-28 2021-01-08 上海特金无线技术有限公司 无人机探测的运算资源调配方法、装置、设备与介质
CN112685367A (zh) * 2020-12-30 2021-04-20 上海掌门科技有限公司 文件分享进度的指示方法、电子设备及计算机可读存储介质
CN112700169B (zh) * 2021-01-14 2022-08-23 上海交通大学 一种基于预测与人员反馈的业务过程任务分配方法及系统
CN112700169A (zh) * 2021-01-14 2021-04-23 上海交通大学 一种基于预测与人员反馈的业务过程任务分配方法及系统
CN112764939A (zh) * 2021-02-03 2021-05-07 成都中科合迅科技有限公司 一种多智能体仿真部署中负载均衡系统
CN112800013A (zh) * 2021-02-07 2021-05-14 北京天华星航科技有限公司 大数据处理系统
CN113032116A (zh) * 2021-03-05 2021-06-25 广州虎牙科技有限公司 任务时间预测模型的训练方法、任务调度方法及相关装置
CN113032116B (zh) * 2021-03-05 2024-03-05 广州虎牙科技有限公司 任务时间预测模型的训练方法、任务调度方法及相关装置
CN113114739A (zh) * 2021-03-29 2021-07-13 华南理工大学 一种基于云存储系统实现文件传输协议动态选择的方法
CN113114739B (zh) * 2021-03-29 2022-08-16 华南理工大学 一种基于云存储系统实现文件传输协议动态选择的方法
CN113420911A (zh) * 2021-06-03 2021-09-21 中国银行股份有限公司 一种耗时预测方法、装置及存储介质
CN113468036B (zh) * 2021-07-15 2023-11-24 上海晶赞融宣科技有限公司 任务执行耗时分析方法及装置、存储介质、终端
CN113468036A (zh) * 2021-07-15 2021-10-01 上海晶赞融宣科技有限公司 任务执行耗时分析方法及装置、存储介质、终端
CN114816711A (zh) * 2022-05-13 2022-07-29 湖南长银五八消费金融股份有限公司 批量任务处理方法、装置、计算机设备和存储介质
WO2024012280A1 (zh) * 2022-07-11 2024-01-18 上海寒武纪信息科技有限公司 用于任务调度的方法、设备、板卡及其计算机可读存储介质
CN115168016A (zh) * 2022-09-07 2022-10-11 浙江大华技术股份有限公司 任务调度方法及相关装置、芯片、器件和介质
CN116700736A (zh) * 2022-10-11 2023-09-05 荣耀终端有限公司 一种应用推荐算法的确定方法及装置
CN116700736B (zh) * 2022-10-11 2024-05-31 荣耀终端有限公司 一种应用推荐算法的确定方法及装置
CN116360990B (zh) * 2023-03-27 2024-01-09 合芯科技有限公司 分布式计算任务合理性预判方法、系统、设备和存储介质
CN116360990A (zh) * 2023-03-27 2023-06-30 合芯科技有限公司 分布式计算任务合理性预判方法、系统、设备和存储介质
CN116719648B (zh) * 2023-08-10 2023-11-07 泰山学院 一种用于计算机系统的数据管理方法及系统
CN116719648A (zh) * 2023-08-10 2023-09-08 泰山学院 一种用于计算机系统的数据管理方法及系统
CN117574148A (zh) * 2023-11-20 2024-02-20 国网冀北电力有限公司信息通信分公司 智能预测模型的训练方法、预测方法及相关设备
CN117806837A (zh) * 2024-02-29 2024-04-02 山东云海国创云计算装备产业创新中心有限公司 一种硬盘任务管理方法、装置、存储介质及系统
CN117806837B (zh) * 2024-02-29 2024-06-07 山东云海国创云计算装备产业创新中心有限公司 一种硬盘任务管理方法、装置、存储介质及系统

Also Published As

Publication number Publication date
CN111475298B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN111475298B (zh) 任务处理方法、装置、设备及存储介质
CN109523187B (zh) 任务调度方法、装置和设备
CN110781373B (zh) 榜单更新方法、装置、可读介质和电子设备
CN112379982B (zh) 任务处理方法、装置、电子设备及计算机可读存储介质
CN115357350A (zh) 任务配置方法、装置、电子设备和计算机可读介质
WO2024198920A1 (zh) 内容推送模型的训练方法、装置、设备及存储介质
CN110768861A (zh) 一种获取超时阈值的方法、装置、介质和电子设备
CN111324387A (zh) 应用任务的控制方法、装置、终端及系统
CN115134254B (zh) 一种网络模拟方法、装置、设备及存储介质
CN115600964A (zh) 语音审批方法、装置及相关设备
CN112148448A (zh) 资源分配方法、装置、设备和计算机可读介质
CN112346870A (zh) 模型处理方法及系统
CN112131832A (zh) 在线文档任务状态的提醒方法、装置及电子设备
CN111324512B (zh) 用于生成文本的方法、装置、电子设备和计算机可读介质
CN117520228B (zh) 命令处理方法、装置、设备及计算机可读存储介质
CN112328341B (zh) 模型显示方法，装置，电子设备及存储介质
CN113656645B (zh) 日志消费方法和装置
CN115827415B (zh) 系统进程性能测试方法、装置、设备和计算机介质
CN113049968B (zh) 确定电池平均电流的方法、装置、电子设备和存储介质
CN116755889B (zh) 应用于服务器集群数据交互的数据加速方法、装置与设备
CN111026571B (zh) 处理器降频处理方法、装置及电子设备
CN111258670B (zh) 组件数据的管理方法、装置、电子设备和存储介质
CN112799822B (zh) 一种程序启动方法、装置、设备及介质
CN115705193A (zh) 分布式编译方法、装置、设备及介质
CN117076302A (zh) 一种自动化测试方法、装置、电子设备和存储介质

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
GR01 Patent grant
GR01 Patent grant