CN112001118A - 一种系统容量预测方法及装置 - Google Patents

一种系统容量预测方法及装置 Download PDF

Info

Publication number
CN112001118A
CN112001118A CN202010800298.XA CN202010800298A CN112001118A CN 112001118 A CN112001118 A CN 112001118A CN 202010800298 A CN202010800298 A CN 202010800298A CN 112001118 A CN112001118 A CN 112001118A
Authority
CN
China
Prior art keywords
data
capacity prediction
training
information
layer
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
CN202010800298.XA
Other languages
English (en)
Other versions
CN112001118B (zh
Inventor
董卫华
李华
张同虎
李东晓
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.)
CCB Finetech Co Ltd
Original Assignee
China Construction Bank Corp
CCB Finetech 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 China Construction Bank Corp, CCB Finetech Co Ltd filed Critical China Construction Bank Corp
Priority to CN202010800298.XA priority Critical patent/CN112001118B/zh
Publication of CN112001118A publication Critical patent/CN112001118A/zh
Application granted granted Critical
Publication of CN112001118B publication Critical patent/CN112001118B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Debugging And Monitoring (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种系统容量预测方法及装置，系统容量预测方法包括：获取系统的交易线信息、系统的架构信息、系统的CPU数据以及TPS数据；根据所述交易线信息、架构信息、CPU数据、TPS数据以及预生成的容量预测模型对系统进行容量预测。本申请对于多个子系统之间复杂的关系进行分析，找到子系统之间性能影响的关键因子，从而可以精准的预付复杂系统的容量。

Description

一种系统容量预测方法及装置
技术领域
本发明涉及计算机技术技术领域，特别是涉及大数据运维相关技术领域，具体涉及一种系统容量预测方法及装置。
背景技术
现有技术中，IT系统规划中关于系统容量预测一是基于业务量与CPU使用量之间建立相关系数，通过简单的方法进行容量预测。另一方面，比较通用的方法是建立测试环境与生产环境的比对模型，通过测试环境的数据来进行生产环境容量的预测。但随着系统复杂度越来越大，上述两种方法已经不能精确预测系统容量。
发明内容
针对现有技术中的问题，本发明所提供的系统容量预测方法在充分考虑了系统中CPU以及TPS的前提下，对于多个子系统之间复杂的关系进行分析，找到子系统之间性能影响的关键因子，从而可以精准的预付复杂系统的容量。
为解决上述技术问题，本发明提供以下技术方案：
第一方面，本发明提供一种系统容量预测方法，包括：
获取系统的交易线信息、系统的架构信息、系统的CPU数据以及TPS数据；
根据所述交易线信息、架构信息、CPU数据、TPS数据以及预生成的容量预测模型对系统进行容量预测。
一实施例中，系统容量预测方法还包括：对所述交易线信息、架构信息、CPU 数据以及TPS数据进行预处理。
一实施例中，生成所述容量预测模型包括以下步骤：
根据预处理后的交易线信息、架构信息、CPU数据以及TPS数据确定所述容量预测模型的网络层数以及每层的神经元数目；
根据所述网络层数以及每层的神经元数目以及神经网络算法建立所述容量预测模型的初始模型；
根据所述预处理后的交易线信息、架构信息、CPU数据以及TPS数据以及预设的训练结束条件对所述初始模型进行训练，以生成所述容量预测模型。
一实施例中，所述预设的训练结束条件包括：全局误差趋向最小值及/或迭代次数达到预设数值。
一实施例中，所述交易线信息包括交易代码、响应时间、调用方代码以及调用概率；
所述架构信息包括部署单元信息以及采集周期信息。
一实施例中，所述根据所述预处理后的交易线信息、架构信息、CPU数据以及 TPS数据以及预设的训练结束条件对所述初始模型进行训练，以生成所述容量预测模型，包括：
以预设时间段分批采集所述交易线信息、系统的架构信息、系统的CPU数据以及TPS数据，以生成所述初始模型的训练数据；
按照顺传播的方法将所述训练数据输入至所述初始模型，以生成训练结果；
按照误差逆传播的方式输出所述训练结果；
判断所述训练结果是否达到所述预设的训练结束条件。
一实施例中，所述按照顺传播的方法将所述训练数据输入至所述初始模型，包括：
将所述训练数据由所述初始模型的输入层经隐含层向输出层传播。
一实施例中，所述按照误差逆传播的方式输出所述训练结果，包括：
将所述误差由所述输出层经所述初始模型的隐含层向所述输入层传播。
第二方面，本发明提供一种系统容量预测装置，该装置包括：
系统数据获取单元，用于获取系统的交易线信息、系统的架构信息、系统的CPU 数据以及TPS数据；
系统容量预测单元，用于根据所述交易线信息、架构信息、CPU数据、TPS数据以及预生成的容量预测模型对系统进行容量预测。
一实施例中，系统容量预测装置还包括：
预处理单元，用于对所述交易线信息、架构信息、CPU数据以及TPS数据进行预处理。
一实施例中，系统容量预测装置还包括：模型生成单元，用于生成所述容量预测模型，所述模型生成单元包括：
数据确定模块，用于根据预处理后的交易线信息、架构信息、CPU数据以及TPS 数据确定所述容量预测模型的网络层数以及每层的神经元数目；
初始模型建立模块，用于根据所述网络层数以及每层的神经元数目以及神经网络算法建立所述容量预测模型的初始模型；
预测模型生成模块，用于根据所述预处理后的交易线信息、架构信息、CPU数据以及TPS数据以及预设的训练结束条件对所述初始模型进行训练，以生成所述容量预测模型。
一实施例中，所述预设的训练结束条件包括：全局误差趋向最小值及/或迭代次数达到预设数值。
一实施例中，所述交易线信息包括交易代码、响应时间、调用方代码以及调用概率；
所述架构信息包括部署单元信息以及采集周期信息。
一实施例中，所述预测模型生成模块包括：
数据采集模块，用于以预设时间段分批采集所述交易线信息、系统的架构信息、系统的CPU数据以及TPS数据，以生成所述初始模型的训练数据；
训练结果生成模块，用于按照顺传播的方法将所述训练数据输入至所述初始模型，以生成训练结果；
训练结果输出模块，用于按照误差逆传播的方式输出所述训练结果；
训练结果判断模块，用于判断所述训练结果是否达到所述预设的训练结束条件。
一实施例中，所述训练结果生成模块具体用于将所述训练数据由所述初始模型的输入层经隐含层向输出层传播。
一实施例中，所述训练结果输出模块具体用于将所述误差由所述输出层经所述初始模型的隐含层向所述输入层传播。
第三方面，本发明提供一种电子设备，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，处理器执行程序时实现系统容量预测方法的步骤。
第四方面，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系统容量预测方法的步骤。
从上述描述可知，本发明实施例提供系统容量预测方法及装置，首先获取系统的交易线信息、系统的架构信息、系统的CPU数据以及TPS数据；最后根据所述交易线信息、架构信息、CPU数据、TPS数据以及预生成的容量预测模型对系统进行容量预测。本申请根据系统固定周期内的监测数据，通过梳理系统中不同组件之间的调用关系，并通过人工智能的算法训练数据，从而可以精准预测复杂系统的容量。具体地，本申请具有以下有益效果：
1)对于多系统之间复杂的关系进行分析，找到系统之间性能影响的关键因子。
2)通过引入BP人工智能算法，提高了系统预测的精度。
3)通过对生产监控数据的采集，不会导致生产系统产生压力，也避免测试环境和生产环境差异导致的测试结果不准确。
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为本申请实施例的一种系统容量预测系统的第一种结构示意图；
图2为本申请实施例的一种系统容量预测系统的第二种结构示意图；
图3为本发明的实施例中系统容量预测预测方法的流程示意图一；
图4为本发明的实施例中系统容量预测预测方法的流程示意图二；
图5为本发明的实施例中系统容量预测预测方法的流程示意图三；
图6为本发明的实施例中的系统容量预测方法步骤400的流程示意图；
图7为本发明的实施例中的系统容量预测方法步骤403的流程示意图；
图8为本发明的实施例中的系统容量预测方法步骤4032的流程示意图；
图9为本发明的实施例中的系统容量预测方法步骤4033的流程示意图；
图10为本发明的具体应用实例中系统容量预测方法的流程示意图；
图11为本发明的具体应用实例中所获取的数据组成示意图；
图12为本发明的具体应用实例中网络构建方法的流程示意图；
图13为本发明的具体应用实例中系统瓶颈预测方法的流程示意图；
图14为本发明的实施例中的系统容量预测装置的结构框图一；
图15为本发明的实施例中的系统容量预测装置的结构框图二；
图16为本发明的实施例中的系统容量预测装置的结构框图三；
图17为本发明的实施例中的模型生成单元结构框图；
图18为本发明的实施例中的预测模型生成模块结构框图；
图19为本发明的实施例中的电子设备的结构示意图。
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。
本申请提供一种系统容量预测系统，参见图1，该装置可以为一种服务器A1，该服务器A1可以与系统的交易线信息接收端B1、系统的架构信息接收端B1、系统的CPU数据接收端B1以及TPS数据接收端B1通信连接，服务器A1还可以与多个数据库分别通信连接，或者如图2所示，这些数据库也可以之间设置在服务器A1中。其中，系统的交易线信息接收端B1、系统的架构信息接收端B1、系统的CPU数据接收端B1以及TPS数据接收端B1用于接收交易代码、响应时间、调用方代码、调用概率、架构信息包括部署单元信息、采集周期信息等数据。服务器A1在收取交易线信息、系统的架构信息、系统的CPU数据以及TPS数据之后，对该交易线信息、系统的架构信息、系统的CPU数据以及TPS数据进行实时预测，并将预测结果通过客户端C1显示给用户。
可以理解的是，系统的交易线信息接收端B1、系统的架构信息接收端B1、系统的CPU数据接收端B1以及TPS数据接收端B1可以为一种传感器，客户端C1可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中，进行系统容量预测方法的部分可以在如上述内容的服务器A1侧执行，即，如图1或图2所示的架构，也可以所有的操作都在客户端C1设备中完成。具体可以根据客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在客户端设备中完成，客户端设备还可以包括处理器，用于进行系统容量预测等操作。
上述的客户端C1设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与服务器的数据传输。服务器可以包括系统容量预测一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与系统容量预测服务器有通信链接的第三方服务器平台的服务器。服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
服务器与客户端设备之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。网络协议例如可以包括TCP/IP协议、UDP/IP协议、 HTTP协议、HTTPS协议等。当然，网络协议例如还可以包括在上述协议之上使用的 RPC协议(RemoteProcedure Call Protocol，远程过程调用协议)、REST协议 (Representational StateTransfer，表述性状态转移协议)等。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的实施例提供一种系统容量预测方法的具体实施方式，参见图3，该方法具体包括如下内容：
这里先解释下本申请涉及的术语含义：
应用组件：IT系统中功能相对完整的，能对外提供服务的系统。
交易线：描述交易调用关系逻辑。
部署单元：系统在生产环境部署的最小设备单元。
TPS：每秒交易响应数量。
步骤100：获取系统的交易线信息、系统的架构信息、系统的CPU数据以及TPS 数据。
可以理解的是，步骤100中的交易线信息包括交易代码、响应时间、调用方代码以及调用概率；架构信息包括部署单元信息以及采集周期信息；平均TPS，CPU使用率，
步骤200：根据所述交易线信息、架构信息、CPU数据、TPS数据以及预生成的容量预测模型对系统进行容量预测。
步骤200在实施时，具体为：通过预先生成一容量预测模型(利用人工智能方法生成)，并将步骤100中的系统的交易线信息、系统的架构信息、系统的CPU数据以及TPS数据输入至该模型中，以预测系统容量，可以理解的是，步骤200根据系统每天的监测数据(交易线信息、架构信息、CPU数据、TPS数据)，通过梳理系统中不同组件之间的调用关系，并通过人工智能的算法训练数据，从而可以精准预测复杂系统的容量。另外，需要说明的是，影响系统容量最重要的因素CPU，其它影响因素，例如存储、网络等也可以适用此方法。
从上述描述可知，本发明实施例提供系统容量预测方法，首先获取系统的交易线信息、系统的架构信息、系统的CPU数据以及TPS数据；最后根据所述交易线信息、架构信息、CPU数据、TPS数据以及预生成的容量预测模型对系统进行容量预测。本申请根据系统固定周期内的监测数据，通过梳理系统中不同组件之间的调用关系，并通过人工智能的算法训练数据，从而可以精准预测复杂系统的容量。具体地，本申请具有以下有益效果：
1)对于多系统之间复杂的关系进行分析，找到系统之间性能影响的关键因子。
2)通过引入BP人工智能算法，提高了系统预测的精度。
3)通过对生产监控数据的采集，不会导致生产系统产生压力，也避免测试环境和生产环境差异导致的测试结果不准确。
一实施例中，参见图4，系统容量预测方法还包括：
步骤300：对所述交易线信息、架构信息、CPU数据以及TPS数据进行预处理。
优选地，步骤300中的预处理可以为对交易线信息、架构信息、CPU数据以及 TPS数据进行归一化，归一化是将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量。
归一化：将数据限定在[0，1]范围内处理，本文采用线性归一化，线性函数为
Figure RE-GDA0002725659720000071
其中Si是归一化之前的值，S是归一化之后的值。
一实施例中，参见图5，系统容量预测方法还包括：
步骤400：生成所述容量预测模型。
一实施例中，参见图6，步骤400进一步包括：
步骤401：根据预处理后的交易线信息、架构信息、CPU数据以及TPS数据确定所述容量预测模型的网络层数以及每层的神经元数目；
步骤401实质上是网格的构建，是指网络层数的确定以及每层神经元数目的确定，具体地，根据预处理后的交易线信息、架构信息、CPU数据以及TPS数据的规模以及系统的复杂程度确定容量预测模型的网络层数以及每层的神经元数目。
步骤402：根据所述网络层数以及每层的神经元数目以及神经网络算法建立所述容量预测模型的初始模型；
人工神经网络(Artificial Neural Networks，ANN)是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。举例来说，BP(Back Propagation)算法又称为误差反向传播算法，是人工神经网络中的一种监督式的学习算法。BP神经网络算法在理论上可以逼近任意函数，基本的结构由非线性变化单元组成，具有很强的非线性映射能力。而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，在优化、信号处理与模式识别、智能控制、故障诊断等许多领域都有着广泛的应用前景。
步骤403：根据所述预处理后的交易线信息、架构信息、CPU数据以及TPS数据以及预设的训练结束条件对所述初始模型进行训练，以生成所述容量预测模型。
可以理解的是，网络训练也称为网格初始化，是指利用计算机网络和软件及相关设施进行的训练。包括网上教学、作业、演习和考核等。目的是通过训练资源的集约与共享,统一训练活动和质量标准,提高训练效率和训练效果。具体地，基于一阶导数的梯度下降方法，网络训练包含两个交替进行的步骤：数据的前向运算和误差的反向传播。在前向运算中，输入数据经过网络逐层变换，形成神经网络的预测值。网络的预测值和数据的真值(称为标签)进行比对，通过损失函数来刻画预测值(系统容量预测值)与真值(系统容量真实值)的误差。在后向运算中,损失函数对网络参数求梯度并逐层反传，各层连接权依靠反传梯度进行更新。
一实施例中，所述预设的训练结束条件包括：全局误差趋向最小值及/或迭代次数达到预设数值。
可以理解的是，全局误差也称为目标函数或者损失函数，是训练神经网络必不可少的一项配置，目标函数用数值度量了模型的性能，并通过对网络参数求取梯度产生更新网络。目标函数具有两个基本要求：第一，它是返回单个数值的函数。第二，目标函数必须是几乎处处可导的。目标函数的值决定了当前的训练效果，目标函数产生的梯度指导了参数的迭代更新。
一实施例中，所述交易线信息包括交易代码、响应时间、调用方代码以及调用概率；所述架构信息包括部署单元信息以及采集周期信息。
优选地架构信息还包括机器IP，另外这里的采集周期信息是指采集开始时间，采集结束时间，调用概率是被调用次数/调用方的次数，即被调用方是条件调用的。
一实施例中，参见图7，步骤403进一步包括：
步骤4031：以预设时间段分批采集所述交易线信息、系统的架构信息、系统的 CPU数据以及TPS数据，以生成所述初始模型的训练数据；
具体地，以业务时间上的规律以及系统中部署单元的分布情况，在时间上分批采集交易线信息、系统的架构信息、系统的CPU数据以及TPS数据，以作为训练数据。
步骤4032：按照顺传播的方法将所述训练数据输入至所述初始模型，以生成训练结果；
步骤4033：按照误差逆传播的方式输出所述训练结果；
步骤4034：判断所述训练结果是否达到所述预设的训练结束条件。
在步骤4032至步骤4034中，网络训练(以三层BP神经网络训练为例)：过程主要由四部分组成：(1)、输入模式顺传播(输入模式由输入层经隐含层向输出层传播计算)；(2)、输出误差逆传播(输出的误差由输出层经隐含层传向输入层)；(3)、学习结果判别(判定全局误差是否趋向极小值或是否已达到设定的最大迭代次数)。
一实施例中，参见图8，步骤4032具体包括：
步骤40321：将所述训练数据由所述初始模型的输入层经隐含层向输出层传播。
步骤40321实际上利用输入模式求出其所对应的实际输出。
一实施例中，参见图9，步骤4033具体包括：
步骤40331：将所述误差由所述输出层经所述初始模型的隐含层向所述输入层传播。
具体地，在40321的模式顺传播计算中得到了网络的实际输出值，当这些实际的输出值与希望的输出值不一样或者误差大于所限定的数值时，就要对网络进行校正。这里的校正是从前往后进行的，所以叫做误差逆传播，计算时是从输出层到隐含层，再从隐含层到输入层。
为进一步地说明本方案，本发明以三层BP神经网络模型为例，提供一系统容量预测方法的具体应用实例，该具体应用实例具体包括如下内容，参见图10。
在本具体应用实例中，BP神经网络模型包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。另外，BP神经网络模型是在输入层与输出层之间增加若干层(一层或多层)神经元，这些神经元称为隐单元，它们与外界没有直接的联系，但其状态的改变，则能影响输入与输出之间的关系，每一层可以有若干个节点。
S1：收集数据。
具体地，参见图11，这里的数据包含三部分信息，一是交易线信息，二是基础信息，三是TPS和CPU的数据。
进一步地，交易线信息包括：交易代码，响应时间，调用方交易码，调用概率，基础信息包括：部署单元名称，机器IP，采集周期信息(采集开始时间，采集结束时间)，TPS和CPU的数据包括：TPS，CPU、采集区间以及部署单元。
需要说明的是，造成CPU消耗的是每个被调用的交易，但每个被调用的交易对 CPU的影响是未知的，调用的交易对CPU的影响是线性的，即增大TPS，CPU就会升高，已知的是总的CPU消耗和不同时段每个交易的TPS造成的CPU的差异，通过人工智能模型找出此线性关系的参数。
S2：建立BP神经网络模型。
网格构建：优选地，根据每天交易的变化情况将数据分为四个时段(0:00-8:00，8:00-12:00,12:00-5:00,5:00-0:00)，将这四个时间段的数据作为网络的输入。隐含层节点选择范围在[4-16]的数量范围之内。
参见图12，网络训练：三层BP网络学习过程主要由四部分组成：(1)、输入模式顺传播(输入模式由输入层经隐含层向输出层传播计算)；(2)、输出误差逆传播(输出的误差由输出层经隐含层传向输入层)；(3)、学习结果判别(判定全局误差是否趋向极小值或是否已达到设定的最大迭代次数)。
(1)、输入模式顺传播：这一过程主要是利用输入模式求出它所对应的实际输出。
确定输入向量Xk：
Figure RE-GDA0002725659720000111
式中，k＝1,2,…,m；m是学习模式对数(训练模式对数)；n是输入层单元数。
确定期望输出向量Yk：
Figure RE-GDA0002725659720000112
式中，k＝1,2,…,m；m是学习模式对数(训练模式对数)；q为输出层单元数。
计算隐含层各神经元的激活值Sj：
Figure RE-GDA0002725659720000113
式中，n是输入层单元数；wij是输入层至隐含层的连接权值；θj是隐含层单元的阈值；j＝1,2…p，p是隐含层单元数。
激活函数采用s型函数：
Figure RE-GDA0002725659720000114
计算隐含层j单元的输出值：将上面的激活值即公式(3)代入激活函数即公式(4)中可得隐含层j单元的输出值：
Figure RE-GDA0002725659720000115
阈值θj在学习过程中与权值wij一样也不断地被修正。
计算输出层第t个单元的激活值ot：
Figure RE-GDA0002725659720000116
计算输出层第t个单元的实际输出值ct：
ct＝f(ot) (7)
式中，wjt是隐含层至输出层的权值；θt是输出层单元阈值；j＝1,2…p，p是隐含层单元数；xj为隐含层第j个节点的输出值；f是s型激活函数，t＝1,2…,q，q为输出层单元数。
利用以上各公式就可以计算出一个输入模式的顺传播过程。
(2)、输出误差的逆传播：在第一步的模式顺传播计算中得到了网络的实际输出值，当这些实际的输出值与希望的输出值不一样或者误差大于所限定的数值时，就要对网络进行校正。
这里的校正是从前往后进行的，所以叫做误差逆传播，计算时是从输出层到隐含层，再从隐含层到输入层。
输出层的校正误差：
Figure RE-GDA0002725659720000121
式中，t＝1,2,…,q，q是输出层单元数；k＝1,2,…,m，m是训练(学习)模式对数；ytk是希望输出；ctk是实际输出；f’(.)是对输出函数的导数。
隐含层各单元的校正误差：
Figure RE-GDA0002725659720000122
式中，t＝1,2,…,q，q是输出层单元数；j＝1,2,…,p；p是隐含层单元数；k＝1,2,…,m， m是训练(学习)模式对数。
对于输出层至隐含层连接权和输出层阈值的校正量：
Figure RE-GDA0002725659720000123
Figure RE-GDA0002725659720000124
式中，bjk是隐含层j单元的输出；dtk是输出层的校正误差；j＝1,2…,p；t＝1,2,…,q； k＝1,2,…,m；α>0(输出层至隐含层学习率)。
隐含层至输入层的校正量：
Figure RE-GDA0002725659720000125
Figure RE-GDA0002725659720000126
式中，ej k是隐含层j单元的校正误差；xi k是标准输入，i＝1,2,…,n，n是输入层单元数；0<β<1(隐含层至输入层学习率)。
(3)、学习结果的判别：当每次循环记忆训练结束后，都要进行学习结果的判别。判别的目的主要是检查输出误差是否已经小到可以允许的程度。如果小到可以允许的程度，就可以结束整个学习过程，否则还要继续进行循环训练。
确定隐含层节点数：本文使用经验公式：
Figure RE-GDA0002725659720000131
式中，m为要设置的隐含层节点数；n为输入层节点数；l为输出层节点数；α为1至10之间的常数。
通过以上算法可以获得每只交易对当前系统CPU的贡献程度，然后通过交易线，可以反算出系统之间的影响程度。
Figure RE-GDA0002725659720000132
其中C为A系统调用B系统的交易，G为B系统中交易为C的交易对当前CPU 的贡献程度，P为A系统调用B系统交易的概率。
S3：利用神经网络模型预测系统容量。
容量预测包含三方面内容，一发现当前系统中系统瓶颈，提前设置限流措施，二提前判断高峰业务时段系统容量是否支持，比方说双11，京东618活动等。第三，对于新增业务进行性能预测。
一、系统瓶径，对所有的系统进行分析，假设：系统A为初始客户输入系统，系统B，C为其受影响系统。其交易线调用关系如图13所示。
对于B系统：其交易B1受到A1影响，B2受C2影响，所以CPU计算公式为：
Figure RE-GDA0002725659720000133
其中C为B系统当前使用cpu，Bi为B中每个交易占用的cpu，Wi为调用Bi交易在正在TPS中的权重。这样计算出每个系统理论上使用的CPU，如果达到了系统的上限，则此组件为整个系统中的瓶颈。
二、系统高峰系统容量，计算方法同上，只是系统高峰时A系统只是部分交易交易量增加，如果后端系统CPU超限，则需要往前追溯找到需要进行流控的系统。
三、新增业务，新增业务中如果包含了新的交易，需要将新的交易与现有系统交易进行分析，比方说新增加交易Ai，通过分析假设可以折算为A1+A2，这样在通过以上方法进行计算就可以预测当前容量能否支撑新业务能力。
从上述描述可知，本发明实施例提供系统容量预测方法，首先获取系统的交易线信息、系统的架构信息、系统的CPU数据以及TPS数据；最后根据所述交易线信息、架构信息、CPU数据、TPS数据以及预生成的容量预测模型对系统进行容量预测。本申请根据系统固定周期内的监测数据，通过梳理系统中不同组件之间的调用关系，并通过人工智能的算法训练数据，从而可以精准预测复杂系统的容量。具体地，本申请具有以下有益效果：
1)对于多系统之间复杂的关系进行分析，找到系统之间性能影响的关键因子。
2)通过引入BP人工智能算法，提高了系统预测的精度。
3)通过对生产监控数据的采集，不会导致生产系统产生压力，也避免测试环境和生产环境差异导致的测试结果不准确。
基于同一发明构思，本申请实施例还提供了系统容量预测装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于系统容量预测装置解决问题的原理与系统容量预测方法相似，因此系统容量预测装置的实施可以参见系统容量预测方法实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本发明的实施例提供一种能够实现系统容量预测方法的系统容量预测装置的具体实施方式，参见图14，系统容量预测装置具体包括如下内容：
系统数据获取单元10，用于获取系统的交易线信息、系统的架构信息、系统的 CPU数据以及TPS数据；
系统容量预测单元20，用于根据所述交易线信息、架构信息、CPU数据、TPS 数据以及预生成的容量预测模型对系统进行容量预测。
一实施例中，参见图15，系统容量预测装置还包括：
预处理单元30，用于对所述交易线信息、架构信息、CPU数据以及TPS数据进行预处理。
一实施例中，参见图16，系统容量预测装置还包括：模型生成单元40，用于生成所述容量预测模型，参见图17，所述模型生成单元40包括：
数据确定模块401，用于根据预处理后的交易线信息、架构信息、CPU数据以及 TPS数据确定所述容量预测模型的网络层数以及每层的神经元数目；
初始模型建立模块402，用于根据所述网络层数以及每层的神经元数目以及神经网络算法建立所述容量预测模型的初始模型；
预测模型生成模块403，用于根据所述预处理后的交易线信息、架构信息、CPU 数据以及TPS数据以及预设的训练结束条件对所述初始模型进行训练，以生成所述容量预测模型。
一实施例中，所述预设的训练结束条件包括：全局误差趋向最小值及/或迭代次数达到预设数值。
一实施例中，所述交易线信息包括交易代码、响应时间、调用方代码以及调用概率；
所述架构信息包括部署单元信息以及采集周期信息。
一实施例中，参见图18，所述预测模型生成模块403包括：
数据采集模块4031，用于以预设时间段分批采集所述交易线信息、系统的架构信息、系统的CPU数据以及TPS数据，以生成所述初始模型的训练数据；
训练结果生成模块4032，用于按照顺传播的方法将所述训练数据输入至所述初始模型，以生成训练结果；
训练结果输出模块4033，用于按照误差逆传播的方式输出所述训练结果；
训练结果判断模块4034，用于判断所述训练结果是否达到所述预设的训练结束条件。
一实施例中，所述训练结果生成模块4032具体用于将所述训练数据由所述初始模型的输入层经隐含层向输出层传播。
一实施例中，所述训练结果输出模块4033具体用于将所述误差由所述输出层经所述初始模型的隐含层向所述输入层传播。
从上述描述可知，本发明实施例提供系统容量预测装置，首先获取系统的交易线信息、系统的架构信息、系统的CPU数据以及TPS数据；最后根据所述交易线信息、架构信息、CPU数据、TPS数据以及预生成的容量预测模型对系统进行容量预测。本申请根据系统固定周期内的监测数据，通过梳理系统中不同组件之间的调用关系，并通过人工智能的算法训练数据，从而可以精准预测复杂系统的容量。具体地，本申请具有以下有益效果：
1)对于多系统之间复杂的关系进行分析，找到系统之间性能影响的关键因子。
2)通过引入BP人工智能算法，提高了系统预测的精度。
3)通过对生产监控数据的采集，不会导致生产系统产生压力，也避免测试环境和生产环境差异导致的测试结果不准确。
上述实施例阐明的装置、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电子设备，具体的，电子设备例如可以为个人计算机、膝上型计算机、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。
在一个典型的实例中电子设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现上述系统容量预测方法的步骤，该步骤包括：
步骤100：获取系统的交易线信息、系统的架构信息、系统的CPU数据以及TPS 数据；
步骤200：根据所述交易线信息、架构信息、CPU数据、TPS数据以及预生成的容量预测模型对系统进行容量预测。
下面参考图19，其示出了适于用来实现本申请实施例的电子设备600的结构示意图。
如图19所示，电子设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)) 603中的程序而执行各种适当的工作和处理。在RAM603中，还存储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；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607；包括硬盘等的存储部分608；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 609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，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610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地，根据本发明的实施例，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，本发明的实施例包括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系统容量预测方法的步骤，该步骤包括：
步骤100：获取系统的交易线信息、系统的架构信息、系统的CPU数据以及TPS 数据；
步骤200：根据所述交易线信息、架构信息、CPU数据、TPS数据以及预生成的容量预测模型对系统进行容量预测。
在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。
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。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
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。
还需要说明的是，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、商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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
本申请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申请，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，对于系统实施例而言，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。
以上该仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (16)

1.一种系统容量预测方法，其特征在于，包括：
获取系统的交易线信息、系统的架构信息、系统的CPU数据以及TPS数据；
根据所述交易线信息、架构信息、CPU数据、TPS数据以及预生成的容量预测模型对系统进行容量预测。
2.如权利要求1所述的系统容量预测方法，其特征在于，还包括：对所述交易线信息、架构信息、CPU数据以及TPS数据进行预处理。
3.如权利要求2所述的系统容量预测方法，其特征在于，生成所述容量预测模型包括以下步骤：
根据预处理后的交易线信息、架构信息、CPU数据以及TPS数据确定所述容量预测模型的网络层数以及每层的神经元数目；
根据所述网络层数以及每层的神经元数目以及神经网络算法建立所述容量预测模型的初始模型；
根据所述预处理后的交易线信息、架构信息、CPU数据以及TPS数据以及预设的训练结束条件对所述初始模型进行训练，以生成所述容量预测模型。
4.如权利要求3所述的系统容量预测方法，其特征在于，所述预设的训练结束条件包括：全局误差趋向最小值及/或迭代次数达到预设数值。
5.如权利要求1所述的系统容量预测方法，其特征在于，
所述交易线信息包括交易代码、响应时间、调用方代码以及调用概率；
所述架构信息包括部署单元信息以及采集周期信息。
6.如权利要求3所述的系统容量预测方法，其特征在于，所述根据所述预处理后的交易线信息、架构信息、CPU数据以及TPS数据以及预设的训练结束条件对所述初始模型进行训练，以生成所述容量预测模型，包括：
以预设时间段分批采集所述交易线信息、系统的架构信息、系统的CPU数据以及TPS数据，以生成所述初始模型的训练数据；
按照顺传播的方法将所述训练数据输入至所述初始模型，以生成训练结果；
按照误差逆传播的方式输出所述训练结果；
判断所述训练结果是否达到所述预设的训练结束条件。
7.如权利要求6所述的系统容量预测方法，其特征在于，所述按照顺传播的方法将所述训练数据输入至所述初始模型，包括：
将所述训练数据由所述初始模型的输入层经隐含层向输出层传播。
8.如权利要求6所述的系统容量预测方法，其特征在于，所述按照误差逆传播的方式输出所述训练结果，包括：
将所述误差由所述输出层经所述初始模型的隐含层向所述输入层传播。
9.一种系统容量预测装置，其特征在于，包括：
系统数据获取单元，用于获取系统的交易线信息、系统的架构信息、系统的CPU数据以及TPS数据；
系统容量预测单元，用于根据所述交易线信息、架构信息、CPU数据、TPS数据以及预生成的容量预测模型对系统进行容量预测。
10.如权利要求9所述的系统容量预测装置，其特征在于，还包括：模型生成单元，用于生成所述容量预测模型，所述模型生成单元包括：
数据确定模块，用于根据预处理后的交易线信息、架构信息、CPU数据以及TPS数据确定所述容量预测模型的网络层数以及每层的神经元数目；
初始模型建立模块，用于根据所述网络层数以及每层的神经元数目以及神经网络算法建立所述容量预测模型的初始模型；
预测模型生成模块，用于根据所述预处理后的交易线信息、架构信息、CPU数据以及TPS数据以及预设的训练结束条件对所述初始模型进行训练，以生成所述容量预测模型。
11.如权利要求10所述的系统容量预测装置，其特征在于，所述预设的训练结束条件包括：全局误差趋向最小值及/或迭代次数达到预设数值。
12.如权利要求10所述的系统容量预测装置，其特征在于，所述预测模型生成模块包括：
数据采集模块，用于以预设时间段分批采集所述交易线信息、系统的架构信息、系统的CPU数据以及TPS数据，以生成所述初始模型的训练数据；
训练结果生成模块，用于按照顺传播的方法将所述训练数据输入至所述初始模型，以生成训练结果；
训练结果输出模块，用于按照误差逆传播的方式输出所述训练结果；
训练结果判断模块，用于判断所述训练结果是否达到所述预设的训练结束条件。
13.如权利要求11所述的系统容量预测装置，其特征在于，所述训练结果生成模块具体用于将所述训练数据由所述初始模型的输入层经隐含层向输出层传播。
14.如权利要求13所述的系统容量预测装置，其特征在于，所述训练结果输出模块具体用于将所述误差由所述输出层经所述初始模型的隐含层向所述输入层传播。
15.一种电子设备，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8任一项所述系统容量预测方法的步骤。
16.一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8任一项所述系统容量预测方法的步骤。
CN202010800298.XA 2020-08-11 2020-08-11 一种系统容量预测方法及装置 Active CN112001118B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010800298.XA CN112001118B (zh) 2020-08-11 2020-08-11 一种系统容量预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010800298.XA CN112001118B (zh) 2020-08-11 2020-08-11 一种系统容量预测方法及装置

Publications (2)

Publication Number Publication Date
CN112001118A true CN112001118A (zh) 2020-11-27
CN112001118B CN112001118B (zh) 2023-07-04

Family

ID=73463039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010800298.XA Active CN112001118B (zh) 2020-08-11 2020-08-11 一种系统容量预测方法及装置

Country Status (1)

Country Link
CN (1) CN112001118B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106708818A (zh) * 2015-07-17 2017-05-24 阿里巴巴集团控股有限公司 一种压力测试方法和系统
CN111209178A (zh) * 2020-01-13 2020-05-29 中信银行股份有限公司 全链路瓶颈测试方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106708818A (zh) * 2015-07-17 2017-05-24 阿里巴巴集团控股有限公司 一种压力测试方法和系统
CN111209178A (zh) * 2020-01-13 2020-05-29 中信银行股份有限公司 全链路瓶颈测试方法及系统

Also Published As

Publication number Publication date
CN112001118B (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
US10951500B2 (en) Method and apparatus for warning
CN109902186A (zh) 用于生成神经网络的方法和装置
Kasturi et al. Fusion learning: A one shot federated learning
CN110796175A (zh) 一种基于轻量卷积神经网络的脑电数据的在线分类方法
CN110223167A (zh) 生产交易协同监控方法以及生产交易关联监控方法
Yan et al. Edge server deployment for health monitoring with reinforcement learning in internet of medical things
Yang et al. Power control for body area networks: Accurate channel prediction by lightweight deep learning
WO2024056051A1 (zh) 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备
CN115802398A (zh) 干扰优化方法及装置、存储介质及电子设备
CN109117352B (zh) 服务器性能预测方法和装置
CN112001118B (zh) 一种系统容量预测方法及装置
CN115292390B (zh) 负荷信息生成方法、装置、电子设备和计算机可读介质
CN116108195A (zh) 基于时序元学习的动态知识图谱预测方法和装置
CN114818476A (zh) 一种应用于旋转机械设备寿命预测的联邦学习系统及方法
CN115705400A (zh) 话务量预测模型构建方法、装置及计算机可读存储介质
Lin et al. Applying a Deep-Learning Approach to Predict the Quality of Web Services
CN112036418A (zh) 用于提取用户特征的方法和装置
CN111709786B (zh) 用于生成用户留存时间的方法、装置、设备和介质
CN112632846B (zh) 一种电力系统输电断面极限概率评估方法及电子设备
CN116467527A (zh) 数据处理方法及装置
CN115037655B (zh) 压测方法和系统
WO2024071845A1 (ko) 의료용 인공지능 모델의 구축 방법, 프로그램 및 장치
Falzberger Energy-efficient IoT by Continual Learning for Data Reduction in Wireless Sensor Networks
CN117636100B (zh) 预训练任务模型调整处理方法、装置、电子设备和介质
CN112070593B (zh) 数据处理方法、装置、设备以及存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220927

Address after: 12 / F, 15 / F, 99 Yincheng Road, Pudong New Area pilot Free Trade Zone, Shanghai, 200120

Applicant after: Jianxin Financial Science and Technology Co.,Ltd.

Address before: 25 Financial Street, Xicheng District, Beijing 100033

Applicant before: CHINA CONSTRUCTION BANK Corp.

Applicant before: Jianxin Financial Science and Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant