CN111930476A - 一种任务调度方法、装置及电子设备 - Google Patents

一种任务调度方法、装置及电子设备 Download PDF

Info

Publication number
CN111930476A
CN111930476A CN201910393743.2A CN201910393743A CN111930476A CN 111930476 A CN111930476 A CN 111930476A CN 201910393743 A CN201910393743 A CN 201910393743A CN 111930476 A CN111930476 A CN 111930476A
Authority
CN
China
Prior art keywords
task
value
preset
executed
sample
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
CN201910393743.2A
Other languages
English (en)
Other versions
CN111930476B (zh
Inventor
黄佳鑫
陈鲁
赵磊
石雪
徐林薇
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.)
Baidu China Co Ltd
Original Assignee
Baidu China 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 Baidu China Co Ltd filed Critical Baidu China Co Ltd
Priority to CN201910393743.2A priority Critical patent/CN111930476B/zh
Publication of CN111930476A publication Critical patent/CN111930476A/zh
Application granted granted Critical
Publication of CN111930476B publication Critical patent/CN111930476B/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
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/503—Resource availability
    • 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)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及计算机技术领域，提供一种任务调度方法、装置及电子设备，以解决任务执行效率低问题。该方法包括：基于n个候选样本设备分别对应的任务特征数据集进行训练，获得n个第一分类模型，基于待执行任务的特征数据，遍历n个第一分类模型，确定待执行任务在n个第一分类模型上的第一指标参数的值，根据n个第一指标参数的值，从n个候选样本设备中确定目标设备，将待执行任务分配至目标设备进行执行。不再是随机选取设备执行待执行任务，而是考虑了候选样本设备的任务特征以及待执行任务的特征，可使待执行任务与目标设备更加匹配，减少待执行任务在目标设备上执行不成功的情况发生，从而提高任务执行效率。

Description

一种任务调度方法、装置及电子设备
技术领域
本发明涉及计算机技术领域，尤其涉及一种任务调度方法、装置、电子设备及计算机可读存储介质。
背景技术
随着智能技术的快速发展，越来越多的应用涌现。用户可通过各种应用执行对应的操作实现相关功能。在应用开发完成之后，正式上线使用之前，为确保应用能正常运行，需要进行测试。可通过测试平台对测试任务进行调度，即为测试任务分配执行测试的设备。
目前，在为任务分配设备的过程中，从待选的设备中随机选取设备执行任务，即采用随机分发策略。每个设备有其对应的特征，每个任务有其对应的特征，一个设备并不是适合执行所有任务，例如，在一个设备上执行具备某些特征的任务的过程中，容易发生执行不成功的问题，若通过随机选取设备执行测试任务，在发生执行不成功的情况下，需要将任务重新分配至新的设备中执行，如此会影响任务执行效率，容易导致任务执行效率低。
发明内容
本发明实施例提供一种任务调度方法、装置、电子设备及计算机可读存储介质，以解决现有技术任务执行效率低的问题。
第一方面，本发明实施例提供了一种任务调度方法，所述方法包括：
基于n个候选样本设备分别对应的任务特征数据集，进行分类模型训练，获得n个候选样本设备对应的n个第一分类模型，所述n为大于或等于1的正整数；
基于待执行任务的特征数据，遍历所述n个第一分类模型，确定所述待执行任务在所述n个第一分类模型上的第一指标参数的值；
根据n个所述第一指标参数的值，从所述n个候选样本设备中确定所述待执行任务对应的目标设备；
将所述待执行任务分配至所述目标设备进行执行。
可选的，所述基于n个候选样本设备分别对应的任务特征数据集，进行分类模型训练之前，包括：
获取N个样本设备分别对应的任务特征数据集，所述N为大于或等于1的正整数；
基于所述N个样本设备对应的任务特征数据集，对所述N个样本设备进行筛选，确定所述n个候选样本设备。
可选的，基于所述N个样本设备分别对应的任务特征数据集，对所述N个样本设备进行筛选，确定所述n个候选样本设备，包括：
初始化第一预设模型参数的值以及第二预设模型参数的值；
若所述第一预设模型参数的值满足第一预设条件，则基于所述样本设备对应的第一部分任务特征数据以及所述第一预设模型参数的值，进行分类模型训练，获得所述样本设备对应的第二分类模型；
基于所述第二分类模型对第二部分任务特征数据进行预测，确定第二指标参数的值，其中，所述样本设备对应的任务特征数据集包括第一部分任务特征数据和所述第二部分任务特征数据；
若所述第二指标参数的值满足第二预设条件，则将所述第二预设模型参数的值更新为所述第一预设模型参数的值；
根据预设步长，更新所述第一预设模型参数的值，并返回若所述第一预设模型参数的值满足第一预设条件，则基于所述样本设备对应的第一部分任务特征数据以及所述第一预设模型参数的值，进行分类模型训练，获得所述样本设备对应的第二分类模型的步骤；
直到所述第一预设模型参数的值不满足第一预设条件，则在所述第二预设模型参数的值满足第三预设条件的情况下，将所述样本设备确定为所述候选样本设备。
可选的，所述根据预设步长，更新所述第一预设模型参数的值，包括：
将所述第一预设模型的值增加预设步长。
可选的，所述根据n个所述第一指标参数的值，从所述n个候选样本设备中确定所述待执行任务对应的目标设备，包括：
从所述n个候选样本设备中选择所述第一指标参数的值最大的空闲设备作为所述目标设备。
第二方面，本发明实施例还提供一种任务调度装置，包括：
第一训练模块，用于基于n个候选样本设备分别对应的任务特征数据集，进行分类模型训练，获得n个候选样本设备对应的n个第一分类模型，所述n为大于或等于1的正整数；
第一指标参数确定模块，用于基于待执行任务的特征数据，遍历所述n个第一分类模型，确定所述待执行任务在所述n个第一分类模型上的第一指标参数的值；
目标设备确定模块，用于根据n个所述第一指标参数的值，从所述n个候选样本设备中确定所述待执行任务对应的目标设备；
任务分配模块，用于将所述待执行任务分配至所述目标设备进行执行。
可选的，所述装置还包括：
数据集获取模块，用于获取N个样本设备分别对应的任务特征数据集，所述N为大于或等于1的正整数；
设备筛选模块，用于基于所述N个样本设备对应的任务特征数据集，对所述N个样本设备进行筛选，确定所述n个候选样本设备。
可选的，所述设备筛选模块，包括：
初始化模块，用于初始化第一预设模型参数的值以及第二预设模型参数的值；
第二训练模块，用于若所述第一预设模型参数的值满足第一预设条件，则基于所述样本设备对应的第一部分任务特征数据以及所述第一预设模型参数的值，进行分类模型训练，获得所述样本设备对应的第二分类模型；
第二指标参数确定模块，用于基于所述第二分类模型对第二部分任务特征数据进行预测，确定第二指标参数的值，其中，所述样本设备对应的任务特征数据集包括第一部分任务特征数据和所述第二部分任务特征数据；
第一更新模块，用于若所述第二指标参数的值满足第二预设条件，则将所述第二预设模型参数的值更新为所述第一预设模型参数的值；
第二更新模块，用于根据预设步长，更新所述第一预设模型参数的值，并返回所述第二训练模块，执行若第一预设模型参数的值满足第一预设条件，则基于所述样本设备对应的第一部分任务特征数据以及第一预设模型参数的值，进行分类模型训练，获得样本设备对应的第二分类模型；
候选设备确定模块，用于直到所述第一预设模型参数的值不满足第一预设条件，则在所述第二预设模型参数的值满足第三预设条件的情况下，将所述样本设备确定为所述候选样本设备。
可选的，所述第二更新模块，用于将所述第一预设模型的值增加预设步长。
可选的，所述目标设备确定模块，用于从所述n个候选样本设备中选择所述第一指标参数的值最大的空闲设备作为所述目标设备。
第三方面，本发明实施例还提供一种电子设备，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如上所述的任务调度方法中的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质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如上所述的任务调度方法中的步骤。
本申请实施例的任务调度方法中，由于利用了候选样本设备分别对应的任务特征数据集进行分类模型训练，即在训练得到第一分类模型的过程中，考虑了候选样本设备的任务特征数据，并将待执行任务的特征数据作用于第一分类模型确定第一指标参数的值，即考虑了待执行任务的特征数据。然后基于第一指标参数的值确定执行待执行任务的目标设备。如此，在确定目标设备的过程中，不再是随机选取设备作为执行待执行任务的目标设备，而是考虑了候选样本设备的任务特征以及待执行任务的特征，可使确定的目标设备与待执行任务更加匹配，减少待执行任务在目标设备上执行不成功的情况发生，从而提高任务执行效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的任务调度方法的流程图之一；
图2是本发明实施例提供的任务调度方法的流程图之二；
图3是本发明实施例提供的任务调度方法的原理图之一；
图4是本发明实施例提供的电子设备的示意图之一；
图5是本发明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、完整地描述，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。
参照图1，在一个实施例中，提供了一种任务调度方法，可应用于测试平台(测试平台包括电子设备)，上述方法包括：
S101：基于n个候选样本设备分别对应的任务特征数据集，进行分类模型训练，获得n个候选样本设备对应的n个第一分类模型。
其中，n为大于或等于1的正整数。在历史时间段内，在每个候选样本设备中有执行对应的历史任务，每个候选样本设备有各自对应的设备特征，候选样本设备执行的历史任务有对应的任务特征，上述任务特征数据集可以理解为在候选样本设备上执行过的多个历史任务的任务特征数据的集合。其中，候选样本设备的任务特征数据集中可以包括多个任务特征数据，每个任务特征数据可以包括一个任务的任务特征以及该任务在该候选样本设备上实际执行成功与否结果(即实际执行结果，例如，实际执行成功或实际执行失败)。
执行待执行任务的设备可在n个候选样本设备中选取，则首先可基于n个候选样本设备分别对应的任务特征数据集，进行n次分类模型训练，获得n个候选样本设备对应的n个第一分类模型，即每个候选样本设备对应一个第一分类模型。由于候选样本设备分别对应的任务特征数据集的不同，得到的第一分类模型也可以不同，比如，第一分类模型中输入与输出之间的对应关系，从而各自的分类效果不同。同样的任务在不同第一分类模型上的分类结果(可以表示为任务在第一分类模型对应的候选样本设备上的执行成功与否结果，即执行结果)可能不同。
S102：基于待执行任务的特征数据，遍历n个第一分类模型，确定待执行任务在n个第一分类模型上的第一指标参数的值。
需对待执行任务分配执行的设备，在得到n个第一分类模型之后，可通过n个第一分类模型分别对待执行任务的特征数据进行预测，得到n个预测分类结果(可以表示为待执行任务在第一分类模型对应的候选样本设备上的执行成功与否结果，即预测执行结果，例如，预测执行成功或预测执行失败)。可以理解为利用待执行任务的特征数据分别在n个第一分类模型中遍历，可得到待测试任务分别在n个第一分类模型上的预测分类结果。
基于待执行任务分别在n个第一分类模型上的预测分类结果，可确定待执行任务分别在n个第一分类模型上的第一指标参数的值。第一指标参数可以表示待执行任务在第一分类模型上的预测分类结果的好坏程度，第一指标参数越大，表示待执行任务在该第一分类模型上的预测分类结果越好。
S103：根据n个第一指标参数的值，从n个候选样本设备中确定待执行任务对应的目标设备。
S104：将待执行任务分配至目标设备进行执行。
获得n个第一指标参数的值后，可根据n个第一指标参数的值，从n个候选样本设备中选择一个候选样本设备作为执行待执行任务的目标设备。由于第一指标参数的值是利用待执行任务的特征数据在第一分类模型中遍历后得到的预测分类结果确定，即第一指标参数的值与待执行任务的特征数据以及第一分类模型有关，考虑了待执行任务的特征数据。且候选样本设备的第一分类模型由候选样本设备上任务特征数据训练得到，而候选样本设备本身具备对应的设备特征，即候选样本设备本身代表了一类设备特征，则该第一分类模型是与候选样本设备的设备特征对应的，则基于待执行任务的特征数据遍历第一分类模型确定第一指标参数的值还考虑了候选设备上任务特征数据以及样本设备本身表示的设备特征与待执行任务的特征的关系，如此，通过第一指标参数的值，可使确定的目标设备与待执行任务更加匹配，可确保待执行任务在目标设备上执行成功的概率，从而提高任务执行效率。
本申请实施例的任务调度方法中，首先基于n个候选样本设备分别对应的任务特征数据集，进行分类模型训练，获得n个候选样本设备对应的n个第一分类模型。然后基于待执行任务的特征数据，遍历n个第一分类模型，确定待执行任务在n个第一分类模型上的第一指标参数的值。再根据n个第一指标参数的值，从n个候选样本设备中确定待执行任务对应的目标设备，将待执行任务分配至目标设备进行执行。由于利用了候选样本设备分别对应的任务特征数据集进行分类模型训练，即在训练得到第一分类模型的过程中，考虑了候选样本设备的任务特征数据，并将待执行任务的特征数据作用于第一分类模型确定第一指标参数的值，即考虑了待执行任务的特征数据。然后基于第一指标参数的值确定执行待执行任务的目标设备。如此，在确定目标设备的过程中，不再是随机选取设备作为执行待执行任务的目标设备，而是考虑了候选样本设备的任务特征以及待执行任务的特征，可使确定的目标设备与待执行任务更加匹配，减少待执行任务在目标设备上执行不成功的情况发生，从而提高任务执行效率。
在一个实施例中，分类模型可以为决策树(CART树)，即第一分类模型可以为第一决策树，第一指标参数包括待执行任务在第一决策树对应的候选样本设备上的执行成功率。
决策树训练包括决策树生成和决策树剪枝(即根据剪枝阈值对生成的决策树进行剪枝，实现决策树的训练)。决策树的内部节点(即除叶节点以外的节点)表示任务特征，训练完成后，叶子节点表示分类结果(即执行结果)，不同的叶子节点可表示不同的分类结果，也可表示相同的分类结果，例如，叶子节点y1和叶子节点y2都是表示执行成功的分类结果，叶子节点y3和叶子节点y4都表示执行失败的分类结果。通过决策树对待执行任务的特征数据进行预测，即是根据特征数据从决策树的根节点开始遍历，最后遍历到一个叶子节点，该叶子节点即表示待执行任务在决策树上的预测分类结果，而且会有一个从根节点遍历到叶子节点的遍历路径，针对同一特征数据，遍历路径只有一条，即从根节点开始，遍历到一个叶子节点的路径只有一条，即每个叶子节点到根节点的路径是一条。对于不同任务，由于任务的特征数据的不同，若进行遍历时，遍历路径不同，则最终遍历到的叶子节点不同，即对应的预测分类结果不同。
决策树中的叶子节点数量可以有多个，叶子节点的类型分为失败叶子节点和成功叶子节点，成功叶子节点表示执行成功的叶子节点，失败叶子节点表示执行失败的叶子节点。在训练得到第一决策树的过程中，每个任务特征数据在第一决策树中有对应的叶子节点，其中，叶子节点的类型(对应叶子节点的分类结果)根据在该叶子节点上的任务特征数据确定，即叶子节点为成功叶子节点还是失败叶子节点，是由训练过程中在该叶子节点上的任务特征数据确定。在叶子节点上的任务特征数据可以理解为遍历到达该叶子节点上的任务特征数据。例如，可计算在一个叶子节点上的任务特征数据中实际执行成功的数量与在该叶子节点上的任务特征数据的总数的比值，若该比值大于预设比值(比如，可以为0.5)，则确认该叶子节点为成功叶子节点，否则为失败叶子节点。如此，在训练完成后，每个任务特征数据有对应的叶子节点，从而有对应的训练分类结果。可根据在训练过程中，任务特征数据集中每个任务特征数据对应的叶子节点，确定第一决策树中每个叶子节点的训练执行成功率，即为该叶子节点对应的训练执行成功且实际执行成功的个数与训练执行成功的个数的比值。
比如，利用30个任务特征数据进行决策数据训练得到第一决策树的过程中，对于叶子节点y1，有25个任务特征数据与其对应，即该25个任务特征数据在训练过程中遍历到该叶子节点y1。其中，25个任务特征数据中有20个是实际执行成功的，另外5个为实际执行失败的，则在该叶子节点y1上的任务特征数据中实际执行成功的数量与在该叶子节点y1上的任务特征数据的总数的比值为0.8(20/25)，若预设比值为0.5，0.8大于0.5，则可将该叶子节点y1确认为成功叶子节点，其对应的分类结果为执行成功。该叶子节点y1对应的训练执行成功且实际执行成功的个数与训练执行成功的个数(25个)的比值也就是0.8，该叶子节点y1的训练执行成功率为0.8。
30个任务特征数据中的另外5个任务特征数据遍历到叶子节点y3，这5个任务特征数据种有1个是实际执行成功的，4个是实际执行失败的，则在该叶子节点y3上的任务特征数据中实际执行成功的数量与在该叶子节点y3上的任务特征数据的总数的比值为0.2(1/5)，0.2小于0.5，则可将该叶子节点y3确认为失败叶子节点，其对应的分类结果为执行失败。该叶子节点y3对应的训练执行成功且实际执行成功的个数与训练执行成功的个数(5个)的比值也就是0.2，该叶子节点y3的训练执行成功率为0.2。
在第一决策树中，每个叶子节点有其对应的训练执行成功率，后续待执行任务的特征数据遍历到第一决策树中的一个叶子节点，将该叶子节点对应的训练执行成功率作为待执行任务在第一决策树对应的候选样本设备上的执行成功率即可。例如，待执行任务的特征数据遍历到候选样本设备的第一决策树中的上述叶子节点y1，则待执行任务在第一决策树对应的候选样本设备上的执行成功率为该叶子节点y1对应的训练执行成功率，即为0.8。
对于任务特征数据，即使遍历到同类的叶子节点，只要是不同的叶子节点，其对应的训练执行成功率可以不同，即任务在不同样本设备上的执行成功率与任务的任务特征数据相关，如此，可准确地确定每个任务特征数据对应的任务在不同候选样本设备上的执行成功率，依据执行成功率可准确确定目标设备，确保待执行任务在目标设备上执行成功率，提高执行效率。例如，任务特征数据R1遍历到第一决策树中表示执行成功的叶子节点y1，任务特征数据R2遍历到第一决策树中表示执行成功的叶子节点y2，任务特征数据R1对应的任务在第一决策树对应的候选样本设备上的执行成功率为叶子节点y1对应的训练执行成功率，任务特征数据R2对应的任务在第一决策树对应的候选样本设备上的执行成功率为叶子节点y2对应的训练执行成功率。
在一个实施例中，基于n个候选样本设备分别对应的任务特征数据集，进行分类模型训练之前，包括：获取N个样本设备分别对应的任务特征数据集，N为大于或等于1的正整数；基于N个样本设备对应的任务特征数据集，对N个样本设备进行筛选，确定n个候选样本设备。
n小于或等于N，在本实施例中，提供N个样本设备供选择，每个样本设备有对应的一个任务特征数据集，由于上述n个候选样本设备属于N个样本设备，即N个样本设备包括n个候选样本设备，则上述n个候选样本设备的任务特征数据集属于N个样本设备的任务特征数据集，即N个样本设备的任务特征数据集包括n个候选样本设备的任务特征数据集。可以理解，样本设备的任务特征数据集中可以包括多个任务特征数据，样本设备对应的每个任务特征数据包括一个任务的任务特征以及该任务在该样本设备上执行成功与否结果(即实际执行结果，例如，实际执行成功或实际执行失败)。而且在本实施例的对样本设备进行筛选的过程中，考虑了样本设备对应的任务特征数据集，以使筛选出的候选样本设备与待执行任务更加匹配，从而可提高待执行任务在候选样本设备上执行成功的可能性。
在一个示例中，基于n个候选样本设备分别对应的任务特征数据集，进行分类模型训练，获得n个候选样本设备对应的n个第一分类模型，可以包括：基于n候选样本设备分别对应的任务特征数据集以及n个预设参数的值(每个候选样本设备对应一个预设参数的值)，进行分类模型训练，获得n个候选样本设备对应的n个第一分类模型。
请参阅图2，在一个实施例中，基于N个样本设备分别对应的任务特征数据集，对N个样本设备进行筛选，确定n个候选样本设备，包括：
S201：初始化第一预设模型参数的值以及第二预设模型参数的值。
即先初始化样本设备对应的第一预设模型参数的值以及第二预设模型参数的值，即每个样本设备有对应初始化得到的第一预设模型参数的值以及第二预设模型参数的值。上述第一预设模型参数为分类模型训练过程中所需的一个模型参数，第二预设模型参数的值更新由第一预设模型参数的值确定，即更新过程中，第二预设模型参数的值与第一预设模型参数的值相关。例如，可初始化的第一预设模型参数的值为0.1，初始化的第二预设模型参数的值为0。
第二预设模型参数可以作为对分类模型训练得到第一分类模型过程中所需的模型参数，即对N个样本设备筛选完成后，得到的第二预设模型参数的值已为最新，可将其作为训练第一分类模型所需的预设参数的值。每个样本设备对应有第二预设模型参数的值，则可根据n个候选样本设备分别对应的任务特征数据集以及第二预设模型参数的值，进行分类模型训练，获得n个候选样本设备对应的n个第一分类模型。可以理解，上述预设参数即为第二预设模型参数，即在对N个样本设备进行筛选确定n个候选样本设备的过程中，对进行模型训练得到第一分类模型所需的预设参数的值已确定。n个预设参数的值即为n个第二预设模型参数，每针对一个样本设备进行上述筛选过程，可得到一个样本设备对应的第二预设模型参数的值，从而可得到从N个样本设备中筛选得到的n个候选样本设备的第二预设模型参数的值，用于模型训练得到n个候选样本设备的第一分类模型。
S202：若第一预设模型参数的值满足第一预设条件，则基于样本设备对应的第一部分任务特征数据以及第一预设模型参数的值，进行分类模型训练，获得样本设备对应的第二分类模型。
在进行训练获得样本设备对应的第二分类模型的过程中，依据的是样本设备对应的第一部分任务特征数据以及第一预设模型参数的值，若对第一预设模型参数的值进行了更新，则采用最新的第一预设模型参数的值。所述样本设备对应的任务特征数据集包括第一部分任务特征数据和所述第二部分任务特征数据。第一部分任务特征数据为样本设备对应的任务特征数据集中的部分数据，即将样本设备对应的任务特征数据集分为两部分，一部分用以分类模型训练，另一部分(即第二部分任务特征数据)用以对训练得到的第二分类模型进行预测。比如，第一部分任务特征数据占样本设备对应的任务特征数据集的70％，第二部分任务特征数据占样本设备对应的任务特征数据集的30％。
在一个示例中，第一预设条件包括小于或等于第一预设值，即在第一预设模型参数的值小于或等于第一预设值的情况下，第一预设模型参数的值满足第一预设条件，此时进行分类模型训练以得到第二分类模型。例如，第一预设值可以为0.5。
S203：基于第二分类模型对第二部分任务特征数据进行预测，确定第二指标参数的值。
通过第二分类模型对第二部分任务特征数据进行预测，可得到第二部分任务特征数据对应的预测分类结果(即第二部分任务特征数据对应的任务在第二分类模型上的预测分类结果，可以理解为第二部分任务特征数据对应的任务在第二分类模型对应的样本设备上预测执行成功与否结果，即预测执行结果，例如，预测执行成功或预测执行失败)。根据预测分类结果可确定第二指标参数的值，第二指标参数可用以表示第二分类模型对第二部分任务特征数据的预测分类结果的好坏程度，第二指标参数的值越大，表示第二分类模型对第二部分任务特征数据的预测分类结果越好。
S204：若第二指标参数的值满足第二预设条件，则将第二预设模型参数的值更新为第一预设模型参数的值。
若第二指标参数的值满足第二预设条件，表示满足第二预设模型参数的值更新的条件，此时，可将第二预设模型参数的值更新为第一预设模型参数的值，即将第一预设模型参数的值赋给第二预设模型参数。例如，第一预设模型参数的值为0.1，则更新后，第二预设模型参数的值为0.1。
在一个示例中，第二预设条件包括大于对应的预设阈值，即在第二指标参数的值大于对应的预设阈值的情况下，第二指标参数的值满足第二预设条件，此时可将第二预设模型参数的值更新为第一预设模型参数的值。
S205：根据预设步长，更新第一预设模型参数的值，并返回若第一预设模型参数的值满足第一预设条件，则基于样本设备对应的第一部分任务特征数据以及第一预设模型参数的值，进行分类模型训练，获得样本设备对应的第二分类模型的步骤。
在对第二预设模型参数的值更新后，还需根据预设步长更新第一预设模型参数的值，更新第一预设模型参数的值后，返回若第一预设模型参数的值满足第一预设条件，则基于样本设备对应的第一部分任务特征数据以及第一预设模型参数的值，进行分类模型训练，获得样本设备对应的第二分类模型的步骤，重新获得样本设备对应的第二分类模型，则得到的样本设备的第二分类模型会更新，后续利用最新的第二分类模型对第二部分任务特征数据进行预测，从而实现第二指标参数的值的更新，再判断最新的第二指标参数的值是否满足第二预设条件，若满足，再将第二预设模型参数的值更新为第一预设模型参数的值，根据预设步长，更新第一预设模型参数的值，再返回。如此循环，直到第一预设模型参数的值不满足第一预设条件。
S206：直到第一预设模型参数的值不满足第一预设条件，则在第二预设模型参数的值满足第三预设条件的情况下，将样本设备确定为候选样本设备。
通过上述循环直到第一预设模型参数的值不满足第一预设条件的情况下，再判断第二预设模型参数的值是否满足第三预设条件，在第二预设模型参数的值满足第三预设条件的情况下，将样本设备确定为候选样本设备，否则将该样本设备淘汰。通过上述筛选过程，在第二指标参数的值满足第二预设条件的情况下会更新第二预设模型参数的值，筛选得到的候选样本设备对应的第二预设模型参数的值是满足第三预设条件，表示筛选得到的候选样本设备对应的第二指标参数的值满足第二预设条件，可确保在该候选样本设备上执行待执行任务时，其对应的第二指标参数的值能满足第二预设条件，满足对候选样本设备与待执行任务之间的匹配度要求，满足任务执行稳定性要求，从而提高执行效率。
在一个示例中，第三预设条件包括大于初始化的第二预设模型参数的值，若第二预设模型参数的值大于初始化的第二预设模型参数的值，则在设备筛选过程中，已对第二预设模型参数的值有更新，则满足第三预设条件，此时，将该样本设备作为一个候选样本设备。
上述将样本设备确定为候选样本设备即是将样本设备筛选为候选样本设备，在对N个样本设备筛选完毕的情况下，得到n个候选样本设备。其中，若第一预设模型参数的值不满足第一预设条件，在第二预设模型参数的值不满足第三预设条件的情况下，将样本设备淘汰，即是将该样本设备过滤，不作为候选样本设备。
可以理解，上述步骤S201至S206，是针对N个样本设备中的一个样本设备进行筛选的过程，对于N个样本设备中的每个样本设备，执行上述步骤S201至S206，即可完成对N个样本设备的筛选，将其中满足要求的样本设备作为候选样本设备，将其中不满足要求的样本设备淘汰，实现对N个样本设备的筛选，在对N个样本设备筛选完毕的情况下，可得到n个候选样本设备。
在一个实施例中，第二分类模型为第二决策树，第一预设模型参数可以为第一剪枝阈值，作为训练得到第一决策树所需的模型参数，第二预设模型参数则可以为第二剪枝阈值。在本实施例中，第二指标参数可以包括预测执行成功率以及F1分数。
在利用第二决策树对第二部分任务数据进行预测的过程中，第二部分任务数据中每个任务特征数据在第二决策树中有对应的预测分类结果(即预测执行成功与否结果，例如，预测执行成功或预测执行失败)，即每个任务特征数据在第二决策树中有对应的叶子节点。预测执行成功率即为第二部分任务数据对应的预测分类结果中预测执行成功且实际执行成功的个数与预测执行成功的个数的比值，预测执行成功率的值也大，表示在该样本设备上执行任务成功的可能性越大。利用预测执行成功率作为第二指标参数中的一种参数，可有效保证任务在样本设备上成功执行的可能性，为设备筛选提供保障，提高设备筛选的准确性，从而提高执行任务的效率。比如，第二部分任务数据有200个任务特征数据，利用第二决策树进行预测后，其中，200个任务特征数据中预测分类结果为预测执行成功的个数为100个，也就是说预测执行成功的个数为100，100个预测执行成功的任务特征数据中有98个是实际执行成功的，即预测执行成功且实际执行成功的个数为98，则预测执行成功率为0.98。
F1分数是一种用来衡量二分类模型精确度的一种指标，同时兼顾了分类模型的准确率和召回率，F1分数可以看作是分类模型准确率和召回率的一种加权平均，最大值是1，最小值是0。将F1分数和预测执行成功率一起作为第二指标参数，以确保设备筛选的准确性，从而提高执行任务的效率。
在一个示例中，若预测执行成功率和F1分数均超过对应的阈值，表示第二指标参数的值满足第二预设条件。例如，预测执行成功率对应的阈值为第一预设阈值，可以为0.95，F1分数对应的阈值为第二预设阈值，若预测执行成功率超过第一预设阈值，且F1分数均超过第二预设阈值，表示第二指标参数的值满足第二预设条件。初始时，第二预设阈值可以为0，后续根据F分数的大小进行更新。例如，确定预测执行成功率和F1分数后，若预测执行成功率超过第一预设阈值，且F1分数均超过第二预设阈值，将第二预设模型参数的值更新为第一预设模型参数的值，还可根据F1分数更新第二预设阈值。具体地，将第二预设阈值与F1分数进行比较，若F1分数大于第二预设阈值，则将第二预设阈值更新为该F1分数，否则不更新。如此，可实现第二预设阈值的更新，以确保设备筛选的准确性。
在一个实施例中，根据预设步长，更新第一预设模型参数的值，包括：将第一预设模型的值增加预设步长。
即每更新一次第一预设模型参数的值，则增加第一预设模型参数的值，且每次增加预设步长。例如，预设步长为0.05，则每次更新，增加0.05。
在一个示例中，若第二指标参数的值不满足第二预设条件，则根据预设步长，更新第一预设模型参数的值，再返回若第一预设模型参数的值满足第一预设条件，则基于样本设备对应的第一部分任务特征数据以及第一预设模型参数的值，进行分类模型训练，获得样本设备对应的第二分类模型的步骤。也就是说，若第二指标参数的值不满足第二预设条件，则不更新第二预设模型参数的值，只更新第一预设模型参数的值并返回。
在一个实施例中，根据n个第一指标参数的值，从n个候选样本设备中确定待执行任务对应的目标设备，包括：从n个候选样本设备中选择第一指标参数的值最大的空闲设备作为目标设备。
n个候选样本设备确定，且n个第一指标参数的值确定后，即可根据n个第一指标参数的值，从n个候选样本设备中选择第一指标参数的值最大的空闲设备作为目标设备。其中，空闲设备为处在空闲状态的设备，即没有被其他任务申请，未执行任何任务的设备。第一指标参数的值最大的空闲设备表示待执行任务在所有空闲设备上执行该待执行任务能执行成功的概率中在该空闲设备上执行任务能执行成功的概率最大，能确保待执行任务的执行成功的可能性。
下面以一个具体实施例对上述任务调度方法的过程加以具体说明。
以测试平台为云服务平台，分类模型为决策树，第一分类模型为第一决策树，第二分类模型为第二决策树，第一预设模型参数为第一剪枝阈值，第二预设模型参数为第二剪枝阈值，预设步长为0.05，初始化的第一剪枝阈值为0.1，初始化的第二剪枝阈值为0，N为50，样本设备对应的任务特征数据集包括1000个任务特征数据，第一部分任务数据包括700个任务特征数据，第二部分任务数据包括300个任务特征数据，第一预设值为0.5，第一预设阈值为0.95，以及初始的第二预设阈值为0为例进行说明。
如图3所示，可预先对50个样本设备对应的历史任务进行特征提取，得到50个样本设备对应的历史任务的任务特征，根据50个样本设备对应的历史任务的任务特征以及历史任务在对应样本设备上的实际执行结果，生成50个样本设备的任务特征数据集。例如，每个历史任务的任务特征数据包括任务所属产品线、任务操作时长、任务操作次数、任务安装软件操作次数、任务上传文件操作次数、任务下载文件操作次数、任务adb命令操作次数、任务截图操作次数以及任务抓包操作次数等。样本设备的设备特征可以包括如设备安装权限、设备内存空间、设备运行时长、设备品牌、设备操作系统以及设备是否开启adb命令权限等。
然后，可根据50个样本设备的任务特征数据集进行筛选候选样本设备。
具体地，针对每个样本设备，需生成一个第二决策树，以其中一个样本设备A为例进行说明。第一剪枝阈值当前值为0.1，判断其是否小于第一预设值(0.5)，判断结果为第一剪枝阈值小于0.5，满足第一预设条件，则利用第一剪枝阈值以及样本设备A的700个任务特征数据进行决策树训练，得到样本设备A对应的第二决策树。
利用样本设备A的300个任务特征数据对第二决策树进行预测，每个任务特征数据对应有一个预测分类结果，即有300个预测分类结果，将300个预测分类结果中预测分类结果为预测执行成功且实际执行成功的个数除以300个预测分类结果中预测分类结果为预测执行成功的个数，得到样本设备A的预测执行成功率，并根据300个预测分类结果确定F1分数。
将预测执行成功率与第一预设阈值比较，将F1分数与第二预设阈值比较，若预测执行成功率超过第一预设阈值，且F1分数超过第二预设阈值，则将第二剪枝阈值的值更新为第一剪枝阈值的值，即更新为0.1。然后将第一剪枝阈值增加0.05，更新第一剪枝阈值。再返回判断第一剪枝阈值(此时已更新，是最新的第一剪枝阈值)其是否小于第一预设值，判断结果仍然为第一剪枝阈值小于0.5，满足第一预设条件，重新利用第一剪枝阈值以及样本设备A的700个任务特征数据进行决策树训练，得到样本设备A对应的新的第二决策树。如此循环，直到第一剪枝阈值超过第一预设值，此时，可判断第二剪枝阈值是否大于0，若大于0表示其已更新过，在利用第二决策树进行预测过程中，有满足过预测执行成功率超过第一预设阈值，且F1分数超过第二预设阈值的情况，可将该样本设备A筛选为候选样本设备。若等于0表示其未更新过，在利用第二决策树进行预测过程中，没有满足过预测执行成功率超过第一预设阈值，且F1分数超过第二预设阈值的情况，可将该样本设备A淘汰，不将其作为候选样本设备。
若预测执行成功率不超过第一预设阈值，或F1分数不超过第二预设阈值，则不更新第二剪枝阈值，更新第一剪枝阈值，若更新后的第一剪枝阈值还是小于第一预设值，又重新进行第二决策树的训练和预测等。
针对每个样本设备执行上述相同过程，筛选得到20个候选样本设备，即50个样本设备中有20个是满足上述筛选要求。则可根据得到20个候选样本设备的第二剪枝阈值以及上述1000个任务特征数据，进行决策树训练，得到20个候选样本设备对应的第一决策树。以其中一个候选样本设备B为例进行说明，利用候选样本B的1000个任务特征数据以及候选样本设备B对应的第二剪枝阈值，进行决策树训练，得到对应的第一决策树。训练得到第一决策树过程涉及决策树生成和决策树剪枝，决策树生成部分，涉及到分裂，即可根据基尼指数选择特征最优秀分裂点，按照最优分裂点进行分裂成2个子集，然后再继续分裂，直到满足分裂停止条件，完成决策树的生成，然后基于第二剪枝阈值对生成的决策树进行剪枝，完成决策树的训练，得到第一决策树。
在训练过程中，1000个任务特征数据中每个任务特征数据有对应的训练分类结果，每个训练分类结果对应一个叶子节点，将叶子节点对应的训练执行成功且实际执行成功的个数与训练执行成功的个数的比值作为该叶子节点对应的训练执行成功率。在有待执行任务需要被调度时，用户需向云服务器平台申请租赁设备来执行待执行任务。若待执行任务的特征数据在遍历该样本设备B的第一决策树的过程中，遍历到叶子节点y5，则将叶子节点y5对应的训练执行成功率作为该待执行任务在样本设备候选B上的执行成功率，即待执行任务在候选样本设备B的第一决策树上进行预测确定的第一指标参数的值。对于上述待执行任务，针对每个候选样本设备执行上述相同过程，可确定待执行任务在20个候选样本设备上的执行成功率。可将在候选样本设备上的执行成功率较高的空闲设备进行设备集推荐。在本实施例中，将20个执行成功率由高到低的顺序挑选首次遇到的空闲设备供待执行任务执行。例如，候选样本设备C处在空闲状态，且待执行任务在样本设备C上的执行成功率在所有空闲设备中最高，则可将样本设备C作为目标设备，通过目标设备执行待执行任务。当大部分候选样本设备的任务执行成功率都能大于第一预设阈值，则整体任务执行成功率能达到第一预设阈值。
如图4所示，本发明还提供一个实施例的任务调度装置400，可应用于测试平台(测试平台包括电子设备)，任务调度装置400包括：
第一训练模块401，用于基于n个候选样本设备分别对应的任务特征数据集，进行分类模型训练，获得n个候选样本设备对应的n个第一分类模型，n为大于或等于1的正整数；
第一指标参数确定模块402，用于基于待执行任务的特征数据，遍历n个第一分类模型，确定待执行任务在n个第一分类模型上的第一指标参数的值；
目标设备确定模块403，用于根据n个第一指标参数的值，从n个候选样本设备中确定待执行任务对应的目标设备；
任务分配模块404，用于将待执行任务分配至目标设备进行执行。
在一个实施例中，任务调度装置400还包括：
数据集获取模块，用于获取N个样本设备分别对应的任务特征数据集，N为大于或等于1的正整数；
设备筛选模块，用于基于N个样本设备对应的任务特征数据集，对N个样本设备进行筛选，确定n个候选样本设备。
在一个实施例中，第一训练模块401，用于基于n候选样本设备分别对应的任务特征数据集以及n个预设参数的值，进行分类模型训练，获得n个候选样本设备对应的n个第一分类模型。
在一个实施例中，设备筛选模块，包括：
初始化模块，用于初始化第一预设模型参数的值以及第二预设模型参数的值；
第二训练模块，用于若第一预设模型参数的值满足第一预设条件，则基于样本设备对应的第一部分任务特征数据以及第一预设模型参数的值，进行分类模型训练，获得样本设备对应的第二分类模型；
第二指标参数确定模块，用于基于第二分类模型对第二部分任务特征数据进行预测，确定第二指标参数的值，其中，样本设备对应的任务特征数据集包括第一部分任务特征数据和第二部分任务特征数据；
第一更新模块，用于若第二指标参数的值满足第二预设条件，则将第二预设模型参数的值更新为第一预设模型参数的值；
第二更新模块，用于根据预设步长，更新第一预设模型参数的值，并返回第二训练模块，执行若第一预设模型参数的值满足第一预设条件，则基于样本设备对应的第一部分任务特征数据以及第一预设模型参数的值，进行分类模型训练，获得样本设备对应的第二分类模型；
候选设备确定模块，用于直到第一预设模型参数的值不满足第一预设条件，则在第二预设模型参数的值满足第三预设条件的情况下，将样本设备确定为候选样本设备。
在一个实施例中，第二更新模块，用于将第一预设模型的值增加预设步长。
在一个实施例中，目标设备确定模块，用于从n个候选样本设备中选择第一指标参数的值最大的空闲设备作为目标设备。
本发明实施例提供的电子设备中的技术特征与上述任务调度方法中的技术特征对应，通过电子设备实现上述任务调度方法的各个过程，并能得到相同的效果，为避免重复，在此不再赘述。
请参阅图5，本发明实施例还提供一种电子设备500，包括处理器501和存储器502，存储器502存储有可在处理器501上运行的计算机程序，该计算机程序被处理器501执行时实现上述任务调度方法实施例中的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质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任务调度方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，在本文中，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、物品或者电子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、物品或者电子设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者电子设备中还存在另外的相同要素。
在本发明实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台电子设备(可以是计算机等)执行本发明各个实施例的方法。
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。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

Claims (12)

1.一种任务调度方法，其特征在于，所述方法包括：
基于n个候选样本设备分别对应的任务特征数据集，进行分类模型训练，获得n个候选样本设备对应的n个第一分类模型，所述n为大于或等于1的正整数；
基于待执行任务的特征数据，遍历所述n个第一分类模型，确定所述待执行任务在所述n个第一分类模型上的第一指标参数的值；
根据n个所述第一指标参数的值，从所述n个候选样本设备中确定所述待执行任务对应的目标设备；
将所述待执行任务分配至所述目标设备进行执行。
2.根据权利要求1所述的方法，其特征在于，所述基于n个候选样本设备分别对应的任务特征数据集，进行分类模型训练之前，包括：
获取N个样本设备分别对应的任务特征数据集，所述N为大于或等于1的正整数；
基于所述N个样本设备对应的任务特征数据集，对所述N个样本设备进行筛选，确定所述n个候选样本设备。
3.根据权利要求2所述的方法，其特征在于，基于所述N个样本设备分别对应的任务特征数据集，对所述N个样本设备进行筛选，确定所述n个候选样本设备，包括：
初始化第一预设模型参数的值以及第二预设模型参数的值；
若所述第一预设模型参数的值满足第一预设条件，则基于所述样本设备对应的第一部分任务特征数据以及所述第一预设模型参数的值，进行分类模型训练，获得所述样本设备对应的第二分类模型；
基于所述第二分类模型对第二部分任务特征数据进行预测，确定第二指标参数的值，其中，所述样本设备对应的任务特征数据集包括第一部分任务特征数据和所述第二部分任务特征数据；
若所述第二指标参数的值满足第二预设条件，则将所述第二预设模型参数的值更新为所述第一预设模型参数的值；
根据预设步长，更新所述第一预设模型参数的值，并返回若所述第一预设模型参数的值满足第一预设条件，则基于所述样本设备对应的第一部分任务特征数据以及所述第一预设模型参数的值，进行分类模型训练，获得所述样本设备对应的第二分类模型的步骤；
直到所述第一预设模型参数的值不满足第一预设条件，则在所述第二预设模型参数的值满足第三预设条件的情况下，将所述样本设备确定为所述候选样本设备。
4.根据权利要求3所述的方法，其特征在于，所述根据预设步长，更新所述第一预设模型参数的值，包括：
将所述第一预设模型的值增加预设步长。
5.根据权利要求1所述的方法，其特征在于，所述根据n个所述第一指标参数的值，从所述n个候选样本设备中确定所述待执行任务对应的目标设备，包括：
从所述n个候选样本设备中选择所述第一指标参数的值最大的空闲设备作为所述目标设备。
6.一种任务调度装置，其特征在于，所述装置包括：
第一训练模块，用于基于n个候选样本设备分别对应的任务特征数据集，进行分类模型训练，获得n个候选样本设备对应的n个第一分类模型，所述n为大于或等于1的正整数；
第一指标参数确定模块，用于基于待执行任务的特征数据，遍历所述n个第一分类模型，确定所述待执行任务在所述n个第一分类模型上的第一指标参数的值；
目标设备确定模块，用于根据n个所述第一指标参数的值，从所述n个候选样本设备中确定所述待执行任务对应的目标设备；
任务分配模块，用于将所述待执行任务分配至所述目标设备进行执行。
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：
数据集获取模块，用于获取N个样本设备分别对应的任务特征数据集，所述N为大于或等于1的正整数；
设备筛选模块，用于基于所述N个样本设备对应的任务特征数据集，对所述N个样本设备进行筛选，确定所述n个候选样本设备。
8.根据权利要求7所述的装置，其特征在于，所述设备筛选模块，包括：
初始化模块，用于初始化第一预设模型参数的值以及第二预设模型参数的值；
第二训练模块，用于若所述第一预设模型参数的值满足第一预设条件，则基于所述样本设备对应的第一部分任务特征数据以及所述第一预设模型参数的值，进行分类模型训练，获得所述样本设备对应的第二分类模型；
第二指标参数确定模块，用于基于所述第二分类模型对第二部分任务特征数据进行预测，确定第二指标参数的值，其中，所述样本设备对应的任务特征数据集包括第一部分任务特征数据和所述第二部分任务特征数据；
第一更新模块，用于若所述第二指标参数的值满足第二预设条件，则将所述第二预设模型参数的值更新为所述第一预设模型参数的值；
第二更新模块，用于根据预设步长，更新所述第一预设模型参数的值，并返回所述第二训练模块，执行若第一预设模型参数的值满足第一预设条件，则基于所述样本设备对应的第一部分任务特征数据以及第一预设模型参数的值，进行分类模型训练，获得样本设备对应的第二分类模型；
候选设备确定模块，用于直到所述第一预设模型参数的值不满足第一预设条件，则在所述第二预设模型参数的值满足第三预设条件的情况下，将所述样本设备确定为所述候选样本设备。
9.根据权利要求8所述的装置，其特征在于，所述第二更新模块，用于将所述第一预设模型的值增加预设步长。
10.根据权利要求6所述的装置，其特征在于，所述目标设备确定模块，用于从所述n个候选样本设备中选择所述第一指标参数的值最大的空闲设备作为所述目标设备。
11.一种电子设备，其特征在于，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如权利要求1至5中任意一项所述的任务调度方法中的步骤。
12.一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如权利要求1至5中任一项所述的任务调度方法的步骤。
CN201910393743.2A 2019-05-13 2019-05-13 一种任务调度方法、装置及电子设备 Active CN111930476B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910393743.2A CN111930476B (zh) 2019-05-13 2019-05-13 一种任务调度方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910393743.2A CN111930476B (zh) 2019-05-13 2019-05-13 一种任务调度方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111930476A true CN111930476A (zh) 2020-11-13
CN111930476B CN111930476B (zh) 2024-02-27

Family

ID=73282611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910393743.2A Active CN111930476B (zh) 2019-05-13 2019-05-13 一种任务调度方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111930476B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516204A (zh) * 2021-08-16 2021-10-19 上海冰鉴信息科技有限公司 建模数据集确定方法及装置
CN114358649A (zh) * 2022-01-17 2022-04-15 安徽君鲲科技有限公司 一种海事现场监管方法及系统
CN117371428A (zh) * 2023-09-25 2024-01-09 百度国际科技（深圳）有限公司 基于大语言模型的文本处理方法与装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130282627A1 (en) * 2012-04-20 2013-10-24 Xerox Corporation Learning multiple tasks with boosted decision trees
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
CN107729555A (zh) * 2017-11-07 2018-02-23 太原理工大学 一种海量大数据分布式预测方法及系统
CN108510000A (zh) * 2018-03-30 2018-09-07 北京工商大学 复杂场景下行人细粒度属性的检测与识别方法
CN108596335A (zh) * 2018-04-20 2018-09-28 浙江大学 一种基于深度强化学习的自适应众包方法
CN108629355A (zh) * 2017-03-21 2018-10-09 北京京东尚科信息技术有限公司 用于生成工作量信息的方法和装置
CN108664999A (zh) * 2018-05-03 2018-10-16 北京图森未来科技有限公司 一种分类模型的训练方法及其装置、计算机服务器
CN108681805A (zh) * 2018-03-30 2018-10-19 平安科技（深圳）有限公司 任务统计方法及装置
CN109242275A (zh) * 2018-08-21 2019-01-18 平安科技（深圳）有限公司 任务分配方法、装置及存储介质
CN109376012A (zh) * 2018-10-10 2019-02-22 电子科技大学 一种针对异构环境的基于Spark的自适应任务调度方法
CN109634714A (zh) * 2018-11-02 2019-04-16 北京奇虎科技有限公司 一种智能调度的方法及装置
CN109685336A (zh) * 2018-12-10 2019-04-26 深圳市小牛普惠投资管理有限公司 催收任务分配方法、装置、计算机设备及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130282627A1 (en) * 2012-04-20 2013-10-24 Xerox Corporation Learning multiple tasks with boosted decision trees
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
CN108629355A (zh) * 2017-03-21 2018-10-09 北京京东尚科信息技术有限公司 用于生成工作量信息的方法和装置
CN107729555A (zh) * 2017-11-07 2018-02-23 太原理工大学 一种海量大数据分布式预测方法及系统
CN108510000A (zh) * 2018-03-30 2018-09-07 北京工商大学 复杂场景下行人细粒度属性的检测与识别方法
CN108681805A (zh) * 2018-03-30 2018-10-19 平安科技（深圳）有限公司 任务统计方法及装置
CN108596335A (zh) * 2018-04-20 2018-09-28 浙江大学 一种基于深度强化学习的自适应众包方法
CN108664999A (zh) * 2018-05-03 2018-10-16 北京图森未来科技有限公司 一种分类模型的训练方法及其装置、计算机服务器
CN109242275A (zh) * 2018-08-21 2019-01-18 平安科技（深圳）有限公司 任务分配方法、装置及存储介质
CN109376012A (zh) * 2018-10-10 2019-02-22 电子科技大学 一种针对异构环境的基于Spark的自适应任务调度方法
CN109634714A (zh) * 2018-11-02 2019-04-16 北京奇虎科技有限公司 一种智能调度的方法及装置
CN109685336A (zh) * 2018-12-10 2019-04-26 深圳市小牛普惠投资管理有限公司 催收任务分配方法、装置、计算机设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516204A (zh) * 2021-08-16 2021-10-19 上海冰鉴信息科技有限公司 建模数据集确定方法及装置
CN114358649A (zh) * 2022-01-17 2022-04-15 安徽君鲲科技有限公司 一种海事现场监管方法及系统
CN114358649B (zh) * 2022-01-17 2022-09-13 安徽君鲲科技有限公司 一种海事现场监管方法及系统
CN117371428A (zh) * 2023-09-25 2024-01-09 百度国际科技（深圳）有限公司 基于大语言模型的文本处理方法与装置

Also Published As

Publication number Publication date
CN111930476B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
US10754709B2 (en) Scalable task scheduling systems and methods for cyclic interdependent tasks using semantic analysis
CN111930476B (zh) 一种任务调度方法、装置及电子设备
CN113254472B (zh) 一种参数配置方法、装置、设备及可读存储介质
CN111681049B (zh) 用户行为的处理方法、存储介质及相关设备
Simaitis Automatic verification of competitive stochastic systems
JP6888737B2 (ja) 学習装置、学習方法、及びプログラム
US9298853B2 (en) System and methods for prioritizing queries under imprecise query execution time
US20220366315A1 (en) Feature selection for model training
CN117271101B (zh) 一种算子融合方法、装置、电子设备及存储介质
CN112788010B (zh) 一种基于威胁事件的剧本处理方法、装置、介质和设备
US11093266B2 (en) Using a generative model to facilitate simulation of potential policies for an infrastructure as a service system
CN117149410A (zh) 一种基于ai智能模型训练调度指挥监控系统
CN114679335B (zh) 电力监控系统网络安全风险评估训练方法、评估方法及设备
CN111046156A (zh) 奖励数据的确定方法、装置和服务器
CN110705889A (zh) 一种企业筛选方法、装置、设备及存储介质
CN115203556A (zh) 一种评分预测模型训练方法、装置、电子设备及存储介质
CN111352852B (zh) 一种回归测试案例的选择方法及装置
CN110544113B (zh) 基于智能合约的交易中燃油费的输入确定方法及装置
CN114064258A (zh) 一种面向异构计算资源的非实时资源调度方法及装置
CN113468398A (zh) 书籍级别的确定方法、计算设备及计算机存储介质
CN109376075B (zh) 一种生成测试对象最优测试覆盖路径的处理方法及装置
CN112486615B (zh) 基于拓扑路径的决策流执行方法、装置、设备及存储介质
JP6199480B2 (ja) シミュレーション解析方法および情報処理システム
Vasilecas et al. A goal-oriented approach to dynamic business process simulation
CN114615144B (zh) 网络优化方法及系统

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